«`html
Принятие решений в бизнесе: роль искусственного интеллекта
Принятие решений критично для организаций и включает в себя анализ данных и выбор наиболее подходящей альтернативы для достижения конкретных целей. В сценариях бизнеса, таких как сети фармацевтического распределения, компании сталкиваются с сложными решениями, такими как определение, какие заводы эксплуатировать, сколько сотрудников нанять и оптимизация производственных затрат при обеспечении своевременной доставки. Традиционно задача принятия решений требует трех этапов: планирование необходимого анализа, извлечение соответствующих данных и принятие решений на основе этих данных. В то время как системы поддержки принятия решений были разработаны для помощи в последних двух этапах, критически важный первый этап планирования необходимого анализа остается процессом, зависящим от человека. Автоматизация этого этапа и обеспечение принятия решений без участия человека представляет существенные вызовы в текущих методологиях.
Оценка задач обработки естественного языка (NLP) и решение бизнес-задач
Исследователи разработали различные бенчмарки для оценки задач обработки естественного языка (NLP), включая структурированные данные, такие как Table Natural Language Inference (NLI) и Tabular Question Answering (QA). Однако эти бенчмарки не учитывают бизнес-правила или способность языковых моделей (LM) запрашивать большие структурированные базы данных, что ограничивает их применимость к реальным сценариям принятия решений. Также были исследованы техники, такие как Retrieval-Augmented Generation (RAG), для улучшения LM, позволяя им извлекать и включать внешние данные в свои ответы. Хотя эти методы показали многообещающие результаты в задачах, требующих многократное рассуждение, они все еще сталкиваются с ограничениями в эффективном решении сложных задач принятия решений.
Предложенный метод PlanRAG
Исследователи из Школы вычислительных наук КАИСТ предлагают новую задачу под названием Decision QA, которая направлена на то, чтобы позволить LM принимать оптимальные решения путем анализа структурированных данных и бизнес-правил. Decision QA представляет собой задачу в стиле QA, которая принимает базу данных, бизнес-правила и вопрос о принятии решения в качестве входных данных и генерирует лучшее решение в качестве выходных данных. Для облегчения этой задачи исследователи представляют бенчмарк под названием DQA, состоящий из двух сценариев: Locating и Building. Сценарий Locating включает вопросы об оптимальном размещении ресурсов (например, где разместить торговца), в то время как сценарий Building затрагивает вопросы, связанные с выделением ресурсов (например, сколько ресурсов предоставить фабрике). Бенчмарк создан на основе данных, извлеченных из стратегических видеоигр, имитирующих реальные бизнес-ситуации.
Предложенный метод, называемый PlanRAG (Plan-then-Retrieval Augmented Generation), расширяет существующую итеративную технику RAG для более эффективного решения задачи Decision QA. Основные компоненты PlanRAG следующие:
- Планирование: LM принимает вопрос о принятии решения, схему базы данных и бизнес-правила в качестве входных данных и генерирует начальный план, описывающий серию анализов данных, необходимых для принятия решения.
- Извлечение и ответ: В отличие от традиционного RAG, LM включает начальный план вместе с вопросом, схемой и правилами. Он генерирует запросы анализа данных на основе плана, выполняет их в базе данных и рассуждает о результатах, чтобы определить, нужно ли повторное планирование или дальнейшее извлечение для более эффективного принятия решения.
- Повторное планирование: Если начальный план недостаточен, LM оценивает текущий план и результаты запроса, и генерирует новый план для дальнейшего анализа или корректирует направление предыдущего анализа.
Эти шаги планирования, извлечения и ответа, и повторного планирования выполняются итеративно, пока LM не определит, что дальнейший анализ не требуется для принятия решения. Этот итеративный процесс, направляемый сгенерированными планами, позволяет PlanRAG эффективно решать сложные задачи принятия решений путем непрерывного уточнения своего подхода к анализу.
Преимущества метода PlanRAG
Метод PlanRAG значительно улучшает производительность принятия решений языковыми моделями по сравнению с современной итеративной техникой RAG. PlanRAG отлично справляется с простыми и сложными вопросами принятия решений, превосходя существующие методы на 15,8% в сценарии Locating и на 7,4% в сценарии Building. Его сила заключается в систематическом планировании и извлечении данных, что приводит к существенно более низким показателям пропущенного критического анализа данных. PlanRAG демонстрирует выдающуюся производительность на реляционных и графовых базах данных, особенно преуспевая в сложных сценариях, требующих многократное рассуждение в графовых базах данных.
Заключение
Это исследование исследовало LLM для сложных задач принятия решений. Исследователи предложили Decision QA, новую задачу, требующую от LLM генерации оптимальных решений путем учета бизнес-правил и ситуаций из больших баз данных. Они создали бенчмарк DQA с 301 сценарием принятия решений, извлеченных из видеоигр, имитирующих реальные бизнес-ситуации. Также они представили PlanRAG, метод, который включает шаги планирования и повторного планирования в процесс извлечения-улучшения генерации. Обширные эксперименты продемонстрировали значительное улучшение производительности PlanRAG по сравнению с современными методами на бенчмарке DQA, подчеркивая его эффективность для приложений принятия решений, включающих LLM и структурированные данные.
Подробнее ознакомьтесь с статьей и GitHub. Вся заслуга за это исследование принадлежит исследователям этого проекта. Также не забудьте подписаться на наш Twitter.
Присоединяйтесь к нашему Telegram-каналу и группе LinkedIn.
Если вам понравилась наша работа, вам понравится наша рассылка.
Не забудьте присоединиться к нашему 45k+ ML SubReddit.
The post PlanRAG: A Plan-then-Retrieval Augmented Generation for Generative Large Language Models as Decision Makers appeared first=»https://example.com/marktechpost»>on MarkTechPost
«`
