International Journal of Production Research· 2025Q1
Tedarik zincirinde Ajan LLM'ler: otonom çoklu ajan fikir birliği arayışına doğru
Agentic LLMs in the supply chain: towards autonomous multi-agent consensus-seeking
- 38atıf
- Q1SCImago
- 2025yıl
Kısa özet
Belirli araçlar ve müzakere çerçeveleri ile donatılmış LLM ajanları, tedarik zincirlerinde otonom olarak fikir birliği arayabilir ve geleneksel stok yenileme politikaları ile merkezi talep yaklaşımlarından daha iyi bir şekilde kamçı etkisi (bullwhip effect) oluşturmasını önemli ölçüde azaltabilir.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Ana noktalar
- LLM ajanları, önceki hesaplama zorluklarını aşarak tedarik zincirlerinde fikir birliği arayışını otomatikleştirebilir.
- Yeni, tedarik zincirine özgü fikir birliği arama çerçeveleri geliştirildi ve test edildi.
- LLM ajanları, bir vaka çalışmasında stok yenileme politikaları ve merkezi talep yaklaşımlarından daha iyi bir şekilde kamçı etkisini en aza indirdi.
- Bir müzakere çerçevesi içindeki ajan davranışı, kamçı etkisini azaltmaya yönelik en iyi uygulamalara yakınsadı.
Yapay zekâ ile başlık ve abstract'tan üretildi; tam metin okunmaz.
Özet (abstract)
Supply Chain Management relies on human consensus in decision-making to avoid emergent problems like the bullwhip effect. Some routine consensus processes, especially those that are time-intensive, can be automated. Previously proposed supply chain automation solutions for consensus-seeking and coordination faced computational challenges, resulting in high entry barriers. Recent advances in Generative AI, particularly Large Language Model agents (LLM agents), could overcome these barriers. This paper explores how LLM agents can automate consensus-seeking in supply chains. We introduce a series of novel, supply chain-specific consensus-seeking frameworks and validate the effectiveness of our approach through a case study in inventory management, where agents that represent companies in a supply chain are able to balance selfish goals with systemic outcomes through conversation. Our results show that introducing LLM-based consensus-seeking frameworks reduces bullwhip effects. When equipped with appropriate tools, LLM agents can minimise bullwhip better than restocking policies and centralised demand approaches. Additionally, when LLM agents are handled within a negotiation framework, their behaviour converges to best practices in the supply chain literature on how to lessen the bullwhip effect. To provide a foundation for further advancements in LLM-based autonomous supply chain solutions, we open-source our code.
Yazarların özeti; kaynağından alınmıştır. International Journal of Production Research, 2025 · DOI ↗
Ücretsiz hesapla devam et
Makaleye Sor ile bu makaleye günde 3 soru ücretsiz; makaleyi kaydet, kaynakçasını al, ilgi alanına göre her gün yeni özetler. Çıkarımlar Premium.
Web'de ücretsiz devam etGoogle ya da Apple hesabınla giriş; kart istemez. Bu makaleye geri dönersin.
Telefonda:
Management Information SystemsBusiness, Management and Accounting