LLM-gestützte Logikregeln revolutionieren Anomalieerkennung in Lieferketten

Die Erkennung von Anomalien in Zeitreihen ist für das Supply‑Chain‑Management entscheidend, um proaktiv auf Störungen reagieren zu können. Klassische, unüberwachte Verfahren, die Muster in den Daten ausnutzen, liefern jedoch häufig Ergebnisse, die nicht mit den Geschäftsanforderungen und dem Fachwissen übereinstimmen. Gleichzeitig lässt sich die manuelle Analyse von Experten nicht auf die Millionen von Produkten einer Lieferkette skalieren.

Um diese Lücke zu schließen, hat ein neues Forschungsprojekt ein dreistufiges Framework entwickelt, das große Sprachmodelle (LLMs) nutzt, um menschliches Fachwissen in interpretierbare, regelbasierte Logik zu überführen. Zunächst werden Trainingsdaten mithilfe von LLMs unter Anleitung von Domänenwissen etikettiert. Anschließend generiert das Modell symbolische Regeln, die iterativ optimiert werden. In der letzten Phase werden die Regeln um geschäftsrelevante Anomaliekategorien erweitert, wodurch die Interpretierbarkeit weiter gesteigert wird.

Experimentelle Ergebnisse zeigen, dass das LLM‑gestützte Regelwerk die Genauigkeit der Anomalieerkennung deutlich über den reinen unüberwachten Methoden liegt und gleichzeitig die Interpretierbarkeit verbessert. Im Vergleich zur direkten Anwendung von LLMs für die Zeitreihenanalyse liefert das Regelwerk konsistente, deterministische Ergebnisse bei niedriger Rechenlatenz und Kosten – ideale Voraussetzungen für den produktiven Einsatz.

Dieses Vorgehen demonstriert, wie LLMs die Kluft zwischen skalierbarer Automatisierung und Experten‑getriebenen Entscheidungen in operativen Umgebungen überbrücken können, und eröffnet neue Perspektiven für die effiziente Überwachung komplexer Lieferketten.