KI-gestützte Optimierungsmodellierung: Expertenwissen trifft große Sprachmodelle

Eine neue Veröffentlichung auf arXiv (2508.14410v1) präsentiert einen Durchbruch in der automatisierten Optimierungsmodellierung. Durch den Einsatz von Large Language Models (LLMs) soll der bislang zeitraubende und fehleranfällige Prozess, der stark von Fachleuten abhängt, deutlich beschleunigt und zuverlässiger gemacht werden.

Der aktuelle Stand der Technik leidet unter drei gravierenden Schwächen: Fehlerquoten von bis zu 42 % bei Benchmark‑Labeln, ein zu eng gefasster Evaluationsrahmen, der nur optimale Werte berücksichtigt, und erhebliche Rechenkosten, die auf aufwändige Multi‑Agent‑Systeme oder umfangreiche Feinabstimmungen zurückzuführen sind.

Um diese Hindernisse zu überwinden, wurden bestehende Datensätze systematisch korrigiert und mit umfangreicheren Anmerkungen versehen. Zusätzlich wurde das neue LogiOR‑Benchmark aus dem Logistikbereich eingeführt, das komplexere Aufgaben mit standardisierten Annotationen bietet. Das Kernstück der Arbeit ist das ORThought‑Framework, das Expertenwissen in Form von Chain‑of‑Thought‑Reasoning nutzt, um den Optimierungsprozess vollständig zu automatisieren.

Die umfangreichen Tests zeigen, dass ORThought bestehende Ansätze, einschließlich Multi‑Agent‑Systemen, deutlich übertrifft – besonders bei komplexen Optimierungsproblemen. Eine detaillierte Analyse hebt die entscheidenden Erfolgsfaktoren sowie typische Fehlerquellen hervor und liefert wertvolle Erkenntnisse für die weitere Entwicklung von LLM‑basierten Optimierungswerkzeugen.