في خطوة جديدة ومثيرة في مجال الذكاء الاصطناعي، تم تقديم إطار عمل مبتكر يعتمد على النماذج اللغوية الضخمة (Large Language Models) لتصميم هجين يستخدم بيانات المحاكاة لتحسين جدولة الإنتاج (Production Scheduling) وعمليات المركبات ذاتية التوجيه (Automated Guided Vehicle - AGV).

تعمل هذه التقنية من خلال تحليل المسارات الناتجة عن المحاكاة، حيث يقوم النظام بتحليل أداء السياسات المختبرة وخلق فرضيات حول نقاط الاختناق، مما يساعد على تحسين كود السياسات بشكل متوازي. يتم تقييم كل سياسة من خلال تجارب متعددة، وعندما يتم تحديد الأسوأ أداءً، يتم استخدام تلك البيانات لتوليد تحليلات قابلة للاستعلام.

خلال خمس محاولات مستقلة لتحسين جدولة الإنتاج باستخدام نموذج Gemini-3.1-Pro، تم تحقيق نتائج مذهلة، حيث تجاوز متوسط التقييم النهائي 77.51 على مقياس 0-100. في المحاولة الأعلى، أدت التحليلات المستندة إلى المسارات إلى تحسينات في توجيه المركبات ذاتية التوجيه، مما زاد المعدل المتوسط من 62.49 إلى 78.61.

كما أن هذه التقنية أظهرت قدرة على تجاوز تقنيات الجدولة التقليدية، مثل البرمجات القابلة للتعديل (Rolling-MILP) والأساليب القائمة على القواعد، مع احتفاظها بميزة ملحوظة حتى في ظل faults عشوائية دون الحاجة لإعادة تحسين.

تجعل هذه النتائج الجديدة من الممكن تحسين السياسات بطريقة مستهدفة ودقيقة، مما يدل على القوة الهائلة التي يقدمها الذكاء الاصطناعي في مجالات الإنتاج الحديثة.