OptiRepair: KI-Agenten beheben Lieferkettenmodelle zuverlässig

OptiRepair ist eine neu entwickelte KI-gestützte Methode, die die Diagnose und Reparatur von Lieferkettenoptimierungsmodellen automatisiert. Durch die Kombination von Solver-Interaktion und theoretisch fundierten Validierungsprüfungen soll die häufige Infeasibility von Modellen, die durch Modellierungsfehler entsteht, nachhaltig reduziert werden.

Traditionell erfordert die Fehlerdiagnose in Optimierungsmodellen umfangreiches OR-Know-how: Analysten müssen Solver-Diagnosen interpretieren, die Ursachen über mehrere Echelons hinweg zurückverfolgen und die Formulierungen so anpassen, dass die betriebliche Logik erhalten bleibt. Ob KI-Agenten diese Aufgabe übernehmen können, war bislang unklar.

OptiRepair gliedert die Aufgabe in zwei Phasen. In der domänenunabhängigen Feasibility-Phase wird ein iterativer, IIS-gesteuerter Reparaturmechanismus eingesetzt, der jede lineare Programmierung (LP) anpassbar macht. Anschließend folgt die domänenspezifische Validierungsphase, die fünf rationalitätsbasierte Prüfungen aus der Lagerhaltungstheorie nutzt, um sicherzustellen, dass die reparierten Modelle nicht nur mathematisch zulässig, sondern auch betriebswirtschaftlich sinnvoll sind.

In einer umfangreichen Evaluation wurden 22 API-Modelle aus sieben verschiedenen Familien auf 976 Multi-Echelon-Problemen getestet. Zwei 8‑Billionen‑Parameter‑Modelle wurden mit selbstgesteuertem Lernen und solver‑verifizierten Belohnungen trainiert. Die trainierten Modelle erreichten einen Rational Recovery Rate (RRR) von 81,7 % – das bedeutet, sie konnten 81,7 % der Probleme sowohl in Bezug auf Feasibility als auch auf operative Rationalität lösen. Im Vergleich dazu lag die beste API‑Leistung bei 42,2 % und der Durchschnitt bei 21,3 %. Der größte Unterschied zeigte sich in Phase 1: API‑Modelle erzielten lediglich 27,6 % Wiederherstellung, während die trainierten Modelle 97,2 % erreichten.

Die Ergebnisse verdeutlichen zwei zentrale Lücken in der aktuellen KI‑Anwendung: Erstens die Interaktion mit dem Solver – API‑Modelle können nur ein Viertel der infeasible Formulierungen wiederherstellen. Zweitens die operative Rationalität – etwa ein Viertel der scheinbar korrekten Reparaturen widerspricht bewährten Lagerhaltungstheorien. Um diese Lücken zu schließen, empfiehlt sich gezieltes Training für die Solver‑Interaktion und die Einführung expliziter, solver‑verifizierbarer Prüfungen für die operative Rationalität.

OptiRepair zeigt, dass KI-Agenten Lieferkettenmodelle zuverlässig diagnostizieren und reparieren können, wenn sie mit gezieltem Training und klaren Validierungsregeln ausgestattet sind. Diese Fortschritte könnten die Effizienz und Zuverlässigkeit von Supply‑Chain‑Optimierungen in der Praxis erheblich steigern.