في عالم متغير بسرعة، تعتبر عمليات سلسلة الإمداد في مجال التجزئة من بين المجالات الأكثر حساسية للتطورات المستمرة. هذه العمليات تعتمد على وحدات قرار مترابطة تحتاج إلى الاستجابة بسرعة لمتطلبات السوق المتغيرة. هنا، تلعب نماذج اللغات الضخمة (Large Language Models - LLMs) دورًا محوريًا من خلال توفير واجهة طبيعية تساعد في تحسين هذه العمليات.

يتناول الباحثون في دراسة جديدة كيفية استخدام الذكاء الاصطناعي الفعّال في تشكيل نموذج يتناسب مع احتياجات سلسلة الإمداد. تتمحور الفكرة حول كيفية توسيع نطاق نماذج حل الأمثلة الفردية إلى خطوط قرار متباينة، وهو تحدٍ يتطلب توجيهًا دقيقًا في اتخاذ القرارات. من خلال إرساء إطار عمل قائم على الرسوم البيانية (graph-constrained framework)، يمكن لوكلاء النطاق عرض واجهات إعادة صياغة مقبولة، بينما يبحث معالج مركزي في مسارات تدخل محصورة.

وفي شراكة مع إحدى الشركات الكبرى في مجال التجزئة، تم تقييم متطلبات لمستودعات استنادًا إلى مقابلات مع الممارسين، باستخدام نماذج LLM مثل GPT وQwen وDeepSeek. وقد أظهرت النتائج أن الإطار المعتمد في الدراسة يزيد من دقة النتائج النهائية، حيث ارتفعت نسبة النجاح من 72-76% إلى 79-83%، في جميع النماذج.

هذه النتائج تعد خطوة مهمة نحو تحسين سلسلة الإمداد في التجزئة، حيث تسهم في اتخاذ قرارات أفضل تدعم الأرباح وتعزز رضا العملاء في هذه الصناعة الحيوية.