LLM-generierte Verteilungen: Neue Methode zur Entscheidungsunterstützung

In einer aktuellen Studie von Forschern auf arXiv wird untersucht, wie große Sprachmodelle (LLMs) nützliche Datenverteilungen erzeugen können, die Unternehmen bei wichtigen Entscheidungen helfen. Durch das Simulieren von Personas, die menschliche Bewertungen und Präferenzen nachahmen, oder das Erstellen von Nachfrageprognosen auf Basis globaler Wissensdaten, können LLMs umfangreiche Informationssammlungen liefern.

Die Autoren stellen die Methode LLM‑SAA vor, bei der ein LLM zunächst eine geschätzte Verteilung erstellt und anschließend Entscheidungen unter dieser Verteilung optimiert. Ein klassisches Beispiel ist die Preisfindung: Ein Unternehmen könnte ein LLM anweisen, die Zahlungsbereitschaft potenzieller Kunden zu simulieren, und daraus den optimalen Verkaufspreis ableiten.

Um die Qualität solcher LLM‑generierter Verteilungen zu bewerten, haben die Forscher drei typische Entscheidungsprobleme ausgewählt: die Optimierung von Produktassortments, die Preisgestaltung und das Newsvendor‑Problem. Die Ergebnisse zeigen, dass die Verteilungen in allen Fällen praktisch einsetzbar sind, besonders wenn nur wenige reale Daten vorliegen.

Ein wichtiger Befund ist, dass herkömmliche, entscheidungsunabhängige Messgrößen wie die Wasserstein‑Distanz bei der Bewertung dieser Verteilungen irreführend sein können. Stattdessen sollten Metriken verwendet werden, die die tatsächlich induzierten Entscheidungen berücksichtigen.

Die Arbeit unterstreicht damit das Potenzial von LLMs als wertvolles Werkzeug für datengetriebene Entscheidungsprozesse, insbesondere in datenarmen Szenarien, und liefert zugleich wichtige Hinweise für die Entwicklung geeigneter Evaluationsstandards.