تُعَد المشكلات التحسينية جزءًا أساسيًا من اتخاذ القرارات في مجالات التصنيع، واللوجستيات، والجدولة وغيرها من البيئات الصناعية. ومع ذلك، تواجه الشركات تحديًا كبيرًا في ترجمة الأوصاف المعقدة لهذه المشكلات إلى صيغ مفهومة بالنسبة للآلات، وهو ما يتطلب خبرة متخصصة في الأبحاث التشغيلية (Operations Research - OR).

في هذا السياق، تم الكشف عن AutoOR، وهي أنبوب توليد بيانات اصطناعية قابل للتوسع ويعتمد على التعلم المعزز (Reinforcement Learning - RL)، حيث يهدف إلى تدريب نماذج اللغات الضخمة (Large Language Models - LLMs) لأتمتة عمليات صيغ التحسين عبر فئات مختلفة مثل الخطية والمختلطة وغير الخطية. تستخدم AutoOR بيانات تدريب موثوقة يتم إنشاؤها من صيغ التحسين القياسية، ويستفيد النموذج من ملاحظات تنفيذ الحَل كإشارة للمكافأة في عملية ما بعد التدريب.

عند تطبيق AutoOR على نموذج يحتوي على 8 مليار خانة، حقق نتائج تنافسية وبارزة عبر ستة معايير معترف بها للأبحاث التشغيلية، ونافست نماذج أكبر بكثير. وعند التعامل مع فئة من المشكلات غير الخطية المعقدة والتي تكافح نماذج الحدود للوصول لأي درجة من الدقة، تم تقديم استراتيجية تعليمية (Curriculum RL) تجعل من الممكن استخدام بيانات تدريب محدودة لجعل هذه الفئة قابلة للتطبيق.

نحن نؤمن بأن طرقًا مثل AutoOR يمكن أن تسرع بشكل كبير من اتخاذ القرارات الصناعية باستخدام الذكاء الاصطناعي، مما يتيح للمؤسسات تحسين كفاءتها وخفض التكاليف.