Барои роҳбари истеҳсолот гуфтан осон аст: «ин фармоишҳоро дар ҳамин мошинҳо, бо ин муҳлатҳои таҳвил ва дар кӯтоҳтарин вақти умумӣ истеҳсол кун»; аммо табдил додани ин талаб ба тағйирёбандаҳои қарор, функсияҳои ҳадаф ва маҳдудиятҳои математикӣ, ки ҳалкунандаи оптимизатсия мефаҳмад, аксаран дониши махсуси таҳқиқоти амалиётиро талаб мекунад. Ин таҳқиқот барои коҳиш додани ҳамин тангнои тахассусӣ дар истеҳсолоти рақамӣ чаҳорчӯбаи модели бузурги забонии ба таври нозук танзимшударо таҳия мекунад, ки масъалаҳои истеҳсолии ба забони табиӣ навишташударо ба моделҳои оптимизатсияи омода барои ҳалкунанда ба таври худкор табдил медиҳад.

Дар маркази равиш, ба ҷои истифодаи модели тиҷоратии умумимақсади хеле бузург ва гарон, fine-tune кардани модели нисбатан хурди пешомӯзонидашудае қарор дорад, ки қобилияти тавлиди код дорад ва бо маълумоти махсуси соҳа такмил дода мешавад. Маҳдудияти дарозии баромади модел тавассути он ҳал карда мешавад, ки ба ҷои тавлиди формулировкаи масъала дар як марҳила, он ба модулҳои мустақили кодӣ, ба монанди тағйирёбандаҳо, маҳдудиятҳо, функсияи ҳадаф, ҳал ва визуализатсия тақсим мешавад. Ҳамин тавр масъалаи забони табиӣ бо дастурҳои гуногун қисм-қисм модел карда шуда, модулҳои ҳосилшуда баъдан якҷо мешаванд ва модели оптимизатсияи иҷрошаванда ба даст меояд.

Муҳаққиқон системаро дар се сатҳ озмуданд: масъалаи классикии job-shop scheduling, масъалаи мураккабтари flexible job-shop scheduling, ки ба сохтор ва қоидаҳои воқеии кории як фабрикаи гулдӯзӣ дар Австралия асос ёфтааст, ва benchmark-и барномасозии хаттии LPWP, ки аз 288 масъалаи оптимизатсия иборат аст. Дар конфигуратсияҳои мувофиқи омӯзишӣ дар ҳар ду ҳолати банақшагирии истеҳсолот муваффақияти иҷрои зиёда аз %95 гузориш шуд, дар ҳоле ки дар санҷиши LPWP равиши fine-tuned-и пешниҳодшуда ба %72 муваффақият расид. Усулҳои Standard GPT ва Chain-of-Experts (CoE) дар ҳамон муқоиса %43 муваффақият нишон доданд. Ин фарқ 29 банди фоизӣ аст.

Маҳдудияти муҳими натиҷаҳо чунин аст: таҳқиқот нишон намедиҳад, ки зеҳни сунъӣ метавонад тамоми амалиёти фабрикаро мустақилона идора кунад. Вазифаи модел табдил додани масъалаи оптимизатсияест, ки инсон онро ба забони табиӣ тавсиф мекунад, ба шакли математикӣ/кодшуда мебошад; ҷузъе, ки ҳалли воқеан оптималиро ҳисоб мекунад, ҳанӯз ҳам ҳалкунандаи оптимизатсия ба монанди OR-Tools аст. Илова бар ин, дар ҳолати фабрикаи воқеӣ баъзе қоидаҳои истеҳсолӣ аз корхонаи ҳақиқӣ гирифта шудаанд, аммо азбаски дастрасӣ ба маълумоти ERP вуҷуд надошт, санаҳои таҳвил ва баъзе миқдорҳо ба таври синтетикӣ сохта шудаанд.

Масъалаи асосӣ дар истеҳсолот чист: ҳал кардани масъала аз ҷониби зеҳни сунъӣ ё дуруст муайян кардани масъала?

Нуқтаи оғози таҳқиқот ҳамин фарқ аст. Ҳалкунандаи оптимизатсия метавонад масъалаи аз ҷиҳати математикӣ муайяншударо ҳал кунад; аммо табдил додани масъалаи воқеии корхона ба модели математикӣ як соҳаи ҷудогонаи тахассус аст.

Масъалаи банақшагирии истеҳсолот одатан ҳадди ақал се ҷузъи асосӣ дорад:

• Тағйирёбандаҳои қарор: Кадом кор ба кадом мошин таъин мешавад? Кор кай оғоз мешавад?
• Функсияи ҳадаф: Оё вақти умумии истеҳсол, таъхир, арзиши энергия ё меъёри дигар кам карда мешавад?
• Маҳдудиятҳо: Оё дар як мошин ду кор ҳамзамон иҷро шуда метавонанд? Амалиётҳо бо кадом тартиб бояд сурат гиранд? Кадом мошин кадом амалиётро иҷро карда метавонад?

Баъдан ин модел дар муҳити моделсозӣ ба монанди MiniZinc, GAMS, AMPL ё CPMpy, ки дар таҳқиқот истифода шудааст, код мешавад ва ба ҳалкунандае ба монанди Gurobi, CPLEX, SCIP ё OR-Tools дода мешавад.

Раванде, ки муҳаққиқон онро “problem formulation” меноманд, табдил додани талаботи воқеии корхона ба ҳамин сохтори математикӣ ва иҷрошаванда мебошад.

LLM дар ин ҷо дақиқан чӣ кор мекунад?

LLM маҷбур карда намешавад, ки бевосита ҷадвали оптималии истеҳсолотро пешгӯӣ кунад. Ба ҷои ин, он тавсифи масъалаи забони табииро ба модели оптимизатсия табдил медиҳад.

Агар занҷираи раванд дар Шакли 2-и таҳқиқот содда карда шавад:

Масъала ба забони табиӣ → Fine-tuned LLM → Тағйирёбандаҳои қарор + маҳдудиятҳо + функсияи ҳадаф → Solver → Ҳалли оптималӣ/мувофиқ

ба ҳамин шакл меояд.

Ин фарқ муҳим аст. LLM ҷойи ҳалкунандаи оптимизатсияи математикиро намегирад; он сохтани модели лозимиро барои ҳалкунанда автоматӣ мекунад.

Чаро ба ҷои LLM-и умумимақсад fine-tuning истифода мешавад?

Муаллифон мегӯянд, ки қисми муҳими корҳои мавҷуда prompt engineering ё in-context learning истифода мекунанд, аммо ин метавонад барои масъалаҳои мураккаби оптимизатсияи истеҳсолот дақиқии кофӣ надиҳад.

Дар равиши fine-tuning ба модел танҳо гуфта намешавад, ки «мисли мутахассиси оптимизатсия амал кун». Модел дар мисолҳои махсусе дубора омӯзонида мешавад, ки дар онҳо масъалаи истеҳсолии забони табиӣ бо формулировкаи дурусти масъала ҷуфт шудааст.

Дар ҷараёни fine-tuning фарқи байни модели тавлидшуда ва коди ҳадаф бо истифода аз cross-entropy loss кам карда мешавад. Дар манбаъ функсияи талафот ба таври умум:

\[ l(x,y)=\frac{1}{N}\sum_{n=1}^{N}l_n \]

ва ҷузъи сатҳи token:

\[ l_n= -\log \frac{\exp(x_{n,y_n})} {\sum_{q=1}^{Q}\exp(x_{n,q})} \]

дода шудааст.

Аммо муҳаққиқон махсусан эътироф мекунанд, ки танҳо қимати пасти cross-entropy loss далели он нест, ки модели дурусти оптимизатсия тавлид шудааст. Барои ҳамин коди тавлидшуда воқеан иҷро карда мешавад.

Чаро “санҷиш тавассути иҷро” муҳим аст?

LLM метавонад коде тавлид кунад, ки аз ҷиҳати синтаксисӣ таъсирбахш ба назар мерасад, аммо аз ҷиҳати математикӣ нодуруст аст. Барои пешгирӣ аз ин, муҳаққиқон формулировкаи тавлидшударо бо OR-Tools иҷро мекунанд.

Се натиҷаи имконпазир муайян шудаанд:

• Success: Формулировка иҷро мешавад ва ҳалли дуруст медиҳад.
• Failure: Формулировка иҷро мешавад, аммо ҳалли нодуруст медиҳад.
• Exception: Формулировка иҷро намешавад ё хатои иҷро медиҳад.

Меъёри муваффақият:

\[ Success=\frac{CR}{I}\times100 \]

меъёри failure:

\[ Failure=\frac{RE}{I}\times100 \]

ва меъёри exception:

\[ Exception=\frac{CE}{I}\times100 \]

таъриф шудаанд.

Дар ин ҷо I шумораи умумии формулировкаҳо, CR формулировкаҳое, ки ҳалли дуруст медиҳанд, RE формулировкаҳои бо ҳалли нодуруст ва CE моделҳои иҷронашаванда мебошанд.

Санҷиши аввал: Job-Shop Scheduling-и классикӣ

Ҳолати аввал яке аз масъалаҳои классикии банақшагирии истеҳсолот — Job-Shop Scheduling мебошад. Шумораи зиёди корҳо бояд аз мошинҳои муайян бо тартиби муайян гузаранд ва як мошин дар як вақт танҳо як амалиётро иҷро карда метавонад.

Таҳқиқот се функсияи гуногуни ҳадафро баррасӣ мекунад:

• makespan, яъне вақти умумӣ то анҷоми кори охирин,
• таъхири максималӣ,
• таъхири умумии вазндор аз рӯи афзалият.

Масалан makespan:

\[ \min C_{max} \]

кам карда мешавад ва барои вақти анҷоми амалиёти охирини ҳар кор:

\[ C_{max}\geq e_{j,n_j} \]

маҳдудият татбиқ мешавад.

Ҳамчунин ду амалиёт дар як мошин набояд ба ҳам бархӯранд ва амалиётҳои дохили як кор бояд бо тартиби дуруст идома ёбанд.

Маҷмӯи аввалини маълумот чӣ гуна сохта шуд?

Муҳаққиқон барои JSS-и классикӣ дар оғоз 100 тавсифи масъала ва формулировкаҳои мувофиқи онҳоро дастӣ сохтанд.

Дарозии формулировкаҳо тақрибан байни 1200–1800 token тағйир меёбад. Тавсифҳои масъала аз 600 token камтаранд.

Азбаски баромади якмарҳилагии модел аз формулировкаҳои пурра кӯтоҳтар буд, код ба нӯҳ бахши функсионалии ҷудогона тақсим шуд. Азбаски нӯҳ дастури ҷудогона истифода шуд, аз 100 масъалаи асосӣ:

100 × 9 = 900 мисоли омӯзишӣ

ба даст омад.

Чаро маҳдудияти token муҳим буд?

Матни таҳқиқот мегӯяд, ки модели хурди тавлиди код тақрибан маҳдудияти баромади 600 token дорад. Модели пурраи банақшагирии истеҳсолот аз ин чанд маротиба дарозтар аст.

Муҳаққиқон ба ҷои истифодаи модели калонтар ва гаронтар кодро модулӣ мекунанд.

Масалан дастурҳои ҷудогона:

• китобхонаҳои лозимиро тавлид кун,
• тағйирёбандаҳои қарорро соз,
• маҳдудиятҳои бархӯрд накарданро навис,
• маҳдудиятҳои афзалиятро илова кун,
• функсияи ҳадафро таъриф кун,
• моделро ҳал кун,
• натиҷаҳоро визуалӣ нишон деҳ

ба монанди зервазифаҳо буда метавонанд.

Ҳар зер масъала дар ҳудуди token-и модел мемонад; дар марҳилаи охир модулҳо якҷо карда мешаванд.

Дар таҷрибаи классикии JSS натиҷа чӣ буд?

Натиҷаҳо нишон медиҳанд, ки вақти омӯзиш ва муваффақият ба batch size ва шумораи epoch сахт вобаста аст.

Масалан:

Аз ин рӯ ибораи «модел зиёда аз %95 муваффақият ба даст овард» барои ҳар марҳилаи омӯзиш дуруст нест. Ҳангоми fine-tuning-и кофӣ дар конфигуратсияҳои мувофиқ ба ин сатҳ расида шудааст.

Ҳолати фабрикаи воқеӣ чӣ буд?

Ҳолати дуюм истеҳсолкунандаи гулдӯзиест, ки дар Мелбурн фаъолият мекунад ва дар мақола бо сабаби махфият XYZ номида шудааст.

Шакли 1 сохтори воқеии истеҳсолии фабрикаро нишон медиҳад. Дар корхона ҳафт гурӯҳи мошин мавҷуд аст:

• Flat,
• Hanging,
• Cap Front,
• Patch,
• Little Fang,
• Packaging,
• 7-Head.

Ҷараёни воқеии намунавии кор, ки дар шакл дода шудааст:

Cap Machine → Flat Machine → Flat Machine → Hanging Machine

мебошад.

Чаро ин масъала аз JSS-и классикӣ душвортар аст?

Дар JSS-и стандартӣ мошине, ки амалиёт дар он иҷро мешавад, аксаран аз пеш маълум аст. Дар фабрикаи XYZ баъзе амалиётҳо метавонанд дар зиёда аз як мошини мувофиқ иҷро шаванд.

Аз ин рӯ формулировкаи тавлидкардаи зеҳни сунъӣ бояд ду қарорро ҳамзамон модел кунад:

1. амалиёт ба кадом мошин таъин мешавад,
2. дар он мошин бо кадом тартиб иҷро мешавад?

Ин сохтор ҳамчун Flexible Job-Shop Scheduling Problem (FJSS) тасниф мешавад.

Қоидаҳои воқеии корхона чӣ гуна ба маҳдудияти математикӣ табдил мешаванд?

Дар фабрика, масалан, фармоишҳои камтар аз чор адад ба мошинҳои Little Fang, ва фармоишҳои байни чор то ҳафт адад ба мошинҳои 7-Head равона карда мешаванд.

Агар интизорӣ дар навбати 7-Head аз ду рӯзи корӣ зиёд шавад, кор метавонад ба мошини дигари мувофиқ гузаронида шавад.

Вазифаи LLM табдил додани чунин қоидаҳои забони табиӣ ба:

• тағйирёбандаҳои мувофиқати мошин,
• тағйирёбандаҳои таъин,
• вақтҳои оғоз,
• афзалиятҳои амалиёт,
• функсияи ҳадафи makespan

мебошад.

Ҳудуди ибораи “воқеии ҷаҳон” чист?

Фабрика, гурӯҳҳои мошин ва қоидаҳои амалиётӣ ба муҳити воқеии истеҳсолӣ асос ёфтаанд. Аммо азбаски муҳаққиқон ба маълумоти ERP дастрасӣ надоштанд, санаҳои таҳвилро аз тақсимоти uniform ба таври тасодуфӣ сохтанд. Баъзе миқдорҳои кор низ барои симулятсияи сенарияҳои гуногуни мошин тасодуфӣ сохта шуданд.

Илова бар ин, вақтҳои интиқол байни мошинҳо ба модел дохил карда нашудаанд.

Аз ин рӯ ин ҳолат бояд ҳамчун сенарияи таҷрибавии қисман синтетикӣ, ки аз сохтори воқеии фабрика гирифта шудааст арзёбӣ шавад.

Маҷмӯи маълумоти ҳолати воқеии ҷаҳон чӣ гуна васеъ карда шуд?

Муҳаққиқон дар оғоз 50 масъалаи асосии банақшагирии истеҳсолот ва формулировкаҳои дурусти онҳоро сохтанд.

Ин дафъа бо сабаби мураккабии бештар 16 дастури модулӣ истифода шуд:

50 × 16 = 800 мисол.

Ҳамчунин барои зиёд кардани гуногунии забонии тавсифҳои масъала ChatGPT ҳамчун тавлидкунандаи маълумоти синтетикӣ истифода шуд.

Масалан, ҳамон масъала:

• аз нуқтаи назари роҳбари истеҳсолот,
• аз нуқтаи назари оператори фабрика,
• бо забони роҳбаре, ки ба истифодаи мошин тамаркуз мекунад

дубора навишта шуд ва мисолҳои омӯзишии аз ҷиҳати маъно монанд, вале аз ҷиҳати забон фарқкунанда сохта шуданд.

Чаро ин афзоиши маълумот муҳим аст?

Интизор намешавад, ки кормандони воқеӣ як масъалаи истеҳсолиро бо ҳамон калимаҳо тавсиф кунанд. Роҳбари истеҳсолот метавонад бигӯяд «сатҳи истифодаи мошинро зиёд кун», дар ҳоле ки оператор мегӯяд «дар навбати 7-Head кор намонад».

Агар модел танҳо як қолаби муайяни ҷумлаҳоро аз худ кунад, метавонад дар муҳити воқеӣ ноком шавад. Бознависии синтетикӣ барои тақлид кардани он аст, ки ҷонибҳои манфиатдори гуногун як масъалаи амалиётиро бо забонҳои гуногун баён мекунанд.

Аммо ин гуногунӣ тавассути ChatGPT синтез шудааст; он корпуси васеи забони табиӣ нест, ки аз кормандони воқеии фабрика дар вазифаҳои гуногун ҷамъоварӣ шуда бошад.

Муваффақият дар сенарияи воқеии ҷаҳон чӣ буд?

Дар Ҷадвали 4 баъзе конфигуратсияҳои омӯзишӣ чунинанд:

Ин ҷадвал равшан нишон медиҳад, ки fine-tuning танҳо «нишон додани чанд мисол» нест. Масалан, бо batch 4 пас аз чор epoch муваффақият танҳо %23 буд, аммо пас аз ҳашт epoch ба %100 расид.

Оё модел танҳо азёд кардааст?

Муҳаққиқон ин хавфро тавассути муқоисаи каҷҳои training ва validation loss арзёбӣ карданд.

Шакли 4 каҷҳои training ва validation loss-ро барои JSS-и классикӣ ва Шакли 8 барои FJSS-и воқеии ҷаҳон нишон медиҳад. Муаллифон наздик шудани каҷҳоро бо пешрафти омӯзиш ва набудани ҷудошавии калон ва устувор ҳамчун нишонаи набудани overfitting тафсир мекунанд.

Бо вуҷуди ин, ин натиҷа далели умумисозӣ барои validation/test маълумотест, ки аз ҳамон тақсимот ҷудо шудааст; он далели умумисозии универсалӣ барои навъҳои тамоман дигари фабрика ё сохторҳои қаблан надидаи оптимизатсия нест.

Таҳлилҳои PCA embedding чӣ нишон медиҳанд?

Муҳаққиқон encoder ва decoder embedding-ҳои модели fine-tuned-ро бо PCA ба ду андоза коҳиш доданд.

Дар JSS-и классикӣ тавсифҳои масъала мувофиқи дастурҳои гуногун кластерҳои равшантар ташкил мекунанд. Дар ҳолати воқеии ҷаҳон нуқтаҳо бештар парокандаанд; ин ҳамчун зиёд шудани гуногунии забонӣ ва сохторӣ тафсир мешавад.

Дар decoder embedding-ҳо модулҳои гуногуни код низ кластерҳои алоҳида ташкил мекунанд. Масалан:

• imports,
• configurations,
• constraints,
• objective,
• visualisation,
• solution

ба минтақаҳои гуногуни намояндагӣ ҷудо шудани ин қисмҳо ҳамчун таҳлили ёрирасон пешниҳод мешавад, ки нишон медиҳад модел тамоми кодро танҳо ҳамчун як қолаби ягона нусхабардорӣ накардааст.

Чаро LPWP benchmark истифода шуд?

Ду таҷрибаи аввал мустақиман ба банақшагирии истеҳсолот равона шудаанд. Барои санҷидани он ки усул танҳо дар маҷмӯи маълумоти худи онҳо муваффақ нест, муҳаққиқон ба маҷмӯи стандартии барномасозии хаттии LPWP ҳам гузаштанд.

LPWP дар маҷмӯъ 288 тавсифи масъала дорад.

Усулҳои муқоисашуда:

• Standard GPT,
• Chain-of-Thought (CoT),
• Progressive-Hint Prompting (PHP),
• Chain-of-Experts (CoE),
• fine-tuned framework-и пешниҳодшуда.

Натиҷа дар LPWP чӣ буд?

“Тақрибан %30 беҳтар” чӣ маъно дорад?

Мақола ин ҷадвалро ҳамчун “approximately 30% performance improvement” тавсиф мекунад.

Аммо қиматҳои хом:

\[ 72\%-43\%=29 \text{ yüzde puanı} \]

фарқ нишон медиҳанд.

Аз ин рӯ ибораи равшантар афзоиши 29 банди фоизӣ дар сатҳи муваффақият аст.

Агар афзоиши нисбӣ ҳисоб шавад:

\[ \frac{72-43}{43}\times100 \approx 67,4\% \]

ба даст меояд. Барои он ки дар ин муҳтавои Verianla даъвои манбаъ аз ҳад зиёд қавӣ ё заиф нишон дода нашавад, ба ҷои «тақрибан %30 беҳбудии нисбӣ» сатҳҳои хоми муваффақият ва фарқи банди фоизӣ истифода мешаванд.

Ҷузъиёти муҳими омодасозии маълумоти LPWP

LPWP тавсифҳои масъала ва натиҷаҳои интизориро дар бар мегирифт, аммо формулировкаҳои зарурии масъала дар он набуданд.

Муҳаққиқон формулировкаҳои ибтидоиро бо GPT-3.5 сохтанд ва баъдан мисолҳое, ки ба натиҷаҳои интизорӣ мувофиқат намекарданд, дастӣ баррасӣ карданд.

Мақола мегӯяд, ки дар баъзе номувофиқатҳо қиматҳои интизории LPWP нодуруст буданд ва дар баъзе формулировкаҳои GPT-3.5 низ мушкил вуҷуд дошт. Нусхаи ислоҳшудаи LPWP алоҳида нашр шудааст.

Аз ин рӯ, дар омодасозии benchmark на танҳо тавлиди автоматӣ, балки санҷиши инсонӣ ҳам истифода шудааст.

Чаро модели хурд интихоб шуд?

Яке аз ҳадафҳои асосии тарҳрезии таҳқиқот кам кардани хароҷоти ҳисоббарорӣ аст. Муаллифон мехоҳанд ба ҷои моделҳои бузурги тиҷоратӣ модели хурдтар ва кушодаи тавлиди кодро fine-tune карда, дониши соҳаро дар модел ҷой диҳанд.

Дар Ҷадвали 2 системаи омӯзишӣ чунин дода шудааст:

• GPU: NVIDIA Tesla V100 SXM2 32 GB,
• таърифи модел: Salesforce/codet5-large-ntp-py,
• tokenizer: Salesforce/codet5-large-ntp-py,
• learning rate: 5×10⁻⁵,
• gradient checkpointing: фаъол,
• evaluation steps: 10

дода шудааст.

Аммо матн равишро тавассути CodeRL шарҳ медиҳад. Гарчанде гуфта мешавад, ки CodeRL меъмории бар CodeT5 асосёфта аст, дар манбаъ ба қадри кофӣ равшан ҷудо нашудааст, ки checkpoint-и дақиқ бо номи CodeRL оғоз шудааст ё мустақиман бо checkpoint-и CodeT5.

Оё SME/KOBI-ҳо воқеан метавонанд ин системаро фавран истифода баранд?

Таҳқиқот мегӯяд, ки моделҳои хурд метавонанд хароҷоти ҳисоббарорӣ ва иҷозатномаро кам кунанд, барои истифодаи дохили ширкат ё edge бартарии махфияти маълумот диҳанд ва дастрасии KOBI-ҳои дорои тахассуси маҳдуди оптимизатсияро ба воситаҳои пешрафтаи оптимизатсия осон намоянд.

Бо вуҷуди ин, дар таҳқиқот:

• ҷорӣсозии пурраи истеҳсолӣ дар як KOBI,
• ҳисоби бозгашти сармоягузорӣ,
• муқоисаи хароҷоти cloud бо сервери дохили ширкат,
• хароҷоти омӯзиши оператор,
• хароҷоти нигоҳдорӣ ва навсозии модел

чен карда нашудаанд.

Аз ин рӯ хулосаи «cost-effective» даъвои техникӣ аст, ки ба кам шудани талаботи меъморӣ ва ҳисоббарорӣ нисбат ба моделҳои бузурги тиҷоратӣ асос меёбад; он натиҷаи тасдиқшудаи ROI-и тиҷоратӣ нест.

Муҳимтарин потенсиали ин равиш дар истеҳсолот чист?

Ғояи муҳимтарин ин аст, ки корманди истеҳсолот маҷбур набошад модели оптимизатсияи математикиро аз сифр нависад.

Масалан роҳбар метавонад талаботи бизнесро ба забони табиӣ чунин диҳад:

«Фармоиши таъҷилӣ омад, мошини ҳафтсар ду рӯз пур аст, ин корро ба мошини дигари мувофиқ гузарон ва вақти умумии истеҳсолро ба ҳадди ақал расон.»

мисли ҳамин талаботи амалиётиро пешниҳод кунад.

Дар ҳолати идеалӣ модели fine-tuned инро ҳамчун тағйирёбандаи нави қарор ё маҳдудият формулировка мекунад ва solver ҷадвали навшударо ҳисоб мекунад.

Аммо таҳқиқоти манбаъ ҳамаи чунин ҳолатҳои ғайричашмдоштро дар амалиёти воқеии фабрика дар давраи дароз ба таври таҷрибавӣ насанҷидааст. Аз ин рӯ ин сенарияи истифода бояд ҳамчун потенсиали меъморие баррасӣ шавад, ки таҳқиқот онро дастгирӣ мекунад.

Таҳқиқот чиро дастгирӣ мекунад?

• Масъалаҳои оптимизатсияи забони табиӣ метавонанд бо fine-tuning-и махсуси соҳа ба формулировкаҳои solver-ready табдил дода шаванд.
• Модулӣ кардан метавонад ба тавлиди кодҳои дарози оптимизатсия бо моделҳои хурдтаре, ки маҳдудияти token доранд, кумак кунад.
• Арзёбии execution-based назорати мустақимтари дурустии формулировкаро нисбат ба танҳо монандии забонӣ таъмин мекунад.
• Дар конфигуратсияҳои мувофиқи fine-tuning дар ҳолатҳои классикӣ ва мураккабтари банақшагирии истеҳсолот зиёда аз %95 муваффақият ба даст омад.
• Дар санҷиши LPWP равиши fine-tuned ба %72 муваффақият расид ва натиҷаи %43-и Standard/CoE-ро дар ҳамон ҷадвал гузашт.
• Тавсифҳои синтетикии масъала метавонанд барои васеъ кардани маҷмӯи омӯзишӣ дар ҳолати норасоии маълумоти соҳавӣ истифода шаванд.
• Қоидаҳои воқеии корхонаи истеҳсолӣ метавонанд аз забони табиӣ ба маҳдудиятҳои формалии оптимизатсия табдил дода шаванд.

Таҳқиқот чиро исбот намекунад?

• Исбот намекунад, ки LLM метавонад ҳамаи масъалаҳои истеҳсолиро бе назорати инсон дуруст модел кунад.
• Модели fine-tuned дар ҳамаи навъҳои фабрика зиёда аз %95 муваффақиятро кафолат намедиҳад.
• LLM ҷойи ҳалкунандаи оптимизатсияро намегирад.
• Ҳама маълумоти ҳолати воқеии ҷаҳон аз таърихи воқеии ERP-и истеҳсолот гирифта нашудааст.
• Чен карда нашудааст, ки интерфейси забони табиӣ вақти кори операторҳои воқеиро чӣ қадар кам мекунад.
• ROI-и иқтисодӣ дар KOBI-ҳо ҳисоб нашудааст.
• Истифодаи энергия, партов ё партоби карбон мустақиман чен нашудааст.
• Нишон дода нашудааст, ки ҳамин муваффақият дар шабакаҳои хеле бузурги истеҳсолӣ ё синфҳои тамоман дигари оптимизатсия нигоҳ дошта мешавад.
• Нишон дода нашудааст, ки назорати экспертӣ бар баромади модел пурра нолозим мешавад.

Усул ва Натиҷаҳои Таҳқиқот

Хулосаи тарҳи таҳқиқот

Ҳолати 1: Job-Shop Scheduling-и классикӣ

Ҳолати 2: FJSS бар асоси сохтори фабрикаи воқеӣ

Чаро flexible job-shop санҷиши қавитар аст?

Дар JSS-и классикӣ масъалаи асосӣ тартиб додани амалиётҳост. Дар Flexible JSS интихоби мошин низ илова мешавад.

Барои ҳар амалиёт:

\[ y_{i,j,h}\in\{0,1\} \]

тағйирёбанда нишон медиҳад, ки амалиёт ба мошини i таъин шудааст ё не.

Таъини ҳар амалиёт ба танҳо як мошин:

\[ \sum_i y_{i,j,h}=1 \]

таъмин карда мешавад.

Илова бар ин, амалиёт танҳо ба мошине таъин мешавад, ки барои он мувофиқ аст:

\[ y_{i,j,h}\leq a_{i,j,h} \]

Ин сохтор табдил додани қоидаҳои фабрикаи ба забони табиӣ ба тағйирёбандаҳои дуӣ талаб мекунад.

Маънои илмии муқоисаи LPWP

Аҳамияти таҷрибаи LPWP дар он аст, ки гурӯҳи таҳқиқотӣ аз маҷмӯи маълумоти истеҳсолии худ берун меравад.

Ҳангоми он ки усули пешниҳодшуда %72 муваффақият нишон дод:

• Standard: %43,
• CoE: %43,
• CoT: %7,
• PHP: %2

гузориш шуданд.

Ҳамзамон сатҳи Exception-и усули пешниҳодшуда танҳо %2 аст. Ин натиҷаи муҳимест, ки нишон медиҳад қисми зиёди коди тавлидшуда ҳадди ақал иҷрошаванда аст.

Бо вуҷуди ин, набояд фаромӯш кард, ки дар протоколи benchmark равиши fine-tuned ба маълумоти омӯзишӣ ниёз дорад, дар ҳоле ки усулҳои prompt-based ба ҳамин шакл fine-tune нашудаанд. Муқоиса шаклҳои амалишудаи ду парадигмаи гуногуни рушдро муқоиса мекунад.

Ҳудуди метрикаи муваффақият

Гарчанде арзёбии execution-based як ҷиҳати қавӣ аст, меъёри муваффақият ба он асос ёфтааст, ки формулировка ҳалли дуруст диҳад.

Аз ин рӯ натиҷа тасдиқ мекунад, ки модели тавлидшуда дар мисоли додаи санҷиш натиҷаи дуруст медиҳад. Ин худ ба худ санҷиши формалие нест, ки исбот кунад ду формулировкаи математикӣ дар ҳамаи мисолҳои имконпазири маълумот аз ҷиҳати семантикӣ комилан баробар мебошанд.

Ин фарқ нишон медиҳад, ки махсусан дар истифодаҳои истеҳсолии safety-critical ё гаронарзиш, қабатҳои санҷиши инсонӣ ё автоматии модел чаро ҳанӯз муҳиманд.

Ҷиҳатҳои қавии таҳқиқот

• На танҳо монандии матнии баромади LLM, балки иҷрои воқеии solver-ро чен мекунад.
• Benchmark-и классикиро бо ҳолате, ки аз муҳити воқеии истеҳсолӣ гирифта шудааст, якҷо меомӯзад.
• Раванди омодасозии маҷмӯи fine-tuning-ро шарҳ медиҳад.
• Тақсимоти маълумоти %70/%10/%20-ро равшан гузориш мекунад.
• Маҳдудияти token-ро бо модулӣ кардан систематикӣ ҳал мекунад.
• Раванди афзоиши маълумоти синтетикиро ошкоро нишон медиҳад.
• Қисми муҳими маҷмӯи маълумот ва artefact-ҳои тавлидшударо дар анборҳои кушода мубодила мекунад.
• Бо таҳлили embedding на танҳо дақиқии ниҳоӣ, балки рафтори намояндагии дохилиро низ меомӯзад.

Маҳдудиятҳои асосии таҳқиқот

Аввалин маҳдудияте, ки муаллифон дар бахши хулосаи худ зикр мекунанд, вобастагии иҷроиш ба сифат ва гуногунии маълумоти омӯзишӣ аст. Масъалаҳои наве, ки аз тақсимоти омӯзишӣ ба таври назаррас фарқ мекунанд, метавонанд fine-tuning-и иловагӣ ё санҷиши инсонро талаб кунанд.

Маҳдудияти дуюм масъалаи token аст. Модулӣ кардан мушкили мавҷударо коҳиш медиҳад, аммо дар масъалаҳои хеле бузург ё хеле мураккаби оптимизатсия меъмориҳои хурди ҳозираи LLM боз ҳам нокифоя буда метавонанд.

Маҳдудияти сеюм доираи ҳолатҳост. Таҷрибаҳо асосан ба масъалаҳои ҷадвалбандии истеҳсолӣ тамаркуз кардаанд. Умумисозӣ ба тарҳи шабака, оптимизатсияи портфел ё синфҳои дигари оптимизатсия бояд алоҳида тасдиқ шавад.

Маҳдудияти чорум санҷиши дарозмуддати саҳроӣ аст. Шароити фабрика бо мурури вақт тағйир ёфта метавонад; мошинҳои нав, маҳсулоти нав, қоидаҳои нави кор ва шаклҳои гуногуни баёни кормандон метавонанд тақсимоти моделро иваз кунанд. Аз ин рӯ муаллифон таҳқиқоти дарозмуддати саҳроиро ҳамчун самти ояндаи таҳқиқот пешниҳод мекунанд.

Барои корхонаҳои истеҳсолии Туркия чӣ маъно дорад?

Дар таҳқиқот аз фабрикаи Туркия маълумот вуҷуд надорад. Аз ин рӯ интиқоли мустақими сатҳҳои %95 ё %72 муваффақият ба муҳитҳои истеҳсолии Туркия аз ҷиҳати илмӣ дуруст нест.

Бо вуҷуди ин, усул барои корхонаҳои истеҳсолии Туркия, ки ERP/MES истифода мекунанд, меъмории санҷишшавандаро пешниҳод мекунад. Барои татбиқи маҳаллӣ бояд маҷмӯи махсуси соҳа аз рӯи маълумоти воқеии ширкат омода шавад:

• гурӯҳҳои мошин,
• тартиби амалиёт,
• фармоишҳои корӣ,
• маҳдудиятҳои иқтидор,
• қоидаҳои баст,
• санаҳои таҳвил,
• равзанаҳои нигоҳдорӣ,
• қоидаҳои мизоҷони афзалиятнок

ва модел бояд дар маълумоти мустақили санҷишӣ дубора тасдиқ шавад.

Хусусан агар системае сохта шавад, ки кормандони банақшагирии истеҳсолот қоидаҳоро ба туркии табиӣ баён мекунанд, истилоҳоти истеҳсолии туркӣ низ бояд дар маҷмӯи fine-tuning бо гуногунии кофӣ намояндагӣ карда шавад. Азбаски таҳқиқоти манбаъ дар масъалаҳои англисӣ анҷом шудааст, барои иҷроиш дар туркӣ натиҷаи мустақим пешниҳод намекунад.

Ёддошт оид ба Манбаъ ва Усул

Номи пурраи аслии таҳқиқот: Business optimization for digital manufacturing: A fine-tuned large language model approach

Муаллифон: Pivithuru Thejan Amarasinghe, Su Nguyen, Yuan Sun, Sobhan (Sean) Arisian, Damminda Alahakoon.

Тартиби муаллифон: Тартиби манбаъ бетағйир нигоҳ дошта шудааст.

Саҳми баробар/ҳаммуаллифи аввал: Дар манбаъ нишонаи саҳми баробар ё ҳаммуаллифии аввал вуҷуд надорад.

Муаллифи масъул: Sobhan (Sean) Arisian.

Муассиса 1: Research Center for Data Analytics and Cognition, La Trobe University, Melbourne, Victoria 3086, Australia.

Муассиса 2: College of Business and Law, RMIT University, Melbourne, Victoria 3000, Australia.

Муассиса 3: ARC Training Centre in Optimization Technologies, Integrated Methodologies, and Applications, University of Melbourne, Melbourne, Victoria 3053, Australia.

Маҷалла: International Journal of Production Economics.

Ношир: Elsevier B.V.

Ҷилд: 295.

Рақами мақола: 109934.

DOI: 10.1016/j.ijpe.2026.109934

Ирсол: 23 июни 2025.

Бозбинӣ: 12 январи 2026.

Қабул: 19 январи 2026.

Нашри онлайн: 29 январи 2026.

Навъи манбаъ: Мақолаи таҳқиқотии тақризшуда ва дастрасии кушода; таҳқиқоти ҳисоббарорӣ/зеҳни сунъӣ ва оптимизатсияи истеҳсолӣ.

Шумораи махсус: Enhancing digital manufacturing via AI-LLM.

Пайванди расмии нашр: https://doi.org/10.1016/j.ijpe.2026.109934

Иҷозатнома: Creative Commons Attribution 4.0 International (CC BY 4.0).

Вазъи preprint: Ҳуҷҷати баррасишуда мақолаи ниҳоии International Journal of Production Economics аст; ҳамчун preprint пешниҳод нашудааст.

Маблағгузорӣ: Дар PDF-и баррасишуда Funding Statement-и ҷудогона нест. Дар бахши CRediT барои Pivithuru Thejan Amarasinghe саҳми “Funding acquisition” нишон дода шудааст.

Дастрасии маълумот: Гарчанде Data Availability Statement-и ҷудогона нест, таҳқиқот маҷмӯи маълумот ва формулировкаҳои тавлидшударо дар анборҳои кушодаи GitHub мубодила мекунад. Дар манбаъ анборҳои AI-Copilot-Data, AI-Copilot-Artifacts, AI-Copilot-Data-Real-World-Scenario, AI-Copilot-Artifacts-Real-World-Scenario ва анбори ислоҳшудаи LPWP номбар шудаанд.

Таъارضи манфиатҳо: Дар PDF-и баррасишуда Declaration of Competing Interest-и ҷудогона дида намешавад.

Саҳмҳои CRediT: Pivithuru Thejan Amarasinghe: тарҳи аввал, усул, таҳқиқ, дарёфти маблағ, куратсияи маълумот ва консептуализатсия. Su Nguyen: тарҳи аввал, валидатсия, машварат/назорат, усул, таҳқиқ ва консептуализатсия. Yuan Sun: тарҳи аввал, валидатсия, машварат/назорат, захираҳо, усул ва консептуализатсия. Sobhan (Sean) Arisian: бозбинӣ/таҳрир, валидатсия, машварат/назорат, захираҳо ва идоракунии лоиҳа. Damminda Alahakoon: бозбинӣ/таҳрир, валидатсия, машварат/назорат, захираҳо ва консептуализатсия.

Изҳороти зеҳни сунъии тавлидӣ: ChatGPT дар марҳилаи тавлиди маълумот барои сохтани вариантҳои синтетикии тавсифҳои масъалаи банақшагирии истеҳсолии воқеии ҷаҳон аз дидгоҳҳои гуногуни ҷонибҳои манфиатдор истифода шудааст. Муаллифон инчунин мегӯянд, ки ChatGPT барои беҳтар кардани забон ва хонданпазирии баъзе бахшҳои мақола истифода шудааст, баъд баромадҳоро худи онҳо баррасӣ ва таҳрир карда, масъулияти муҳтаворо ба зимма гирифтаанд. Барои тавлиди ибтидоии формулировкаҳои LPWP GPT-3.5 истифода шуда, номувофиқатҳо дастӣ санҷида шудаанд.

Ёддошти ҳувияти модел: Гарчанде матни манбаъ мегӯяд, ки дар таҷрибаҳо CodeRL ҳамчун модели пешомӯзонидашуда истифода шудааст, Ҷадвали 2 ҳувияти модел ва tokenizer-ро Salesforce/codet5-large-ntp-py медиҳад. Ҳарчанд шарҳ дода мешавад, ки CodeRL бар CodeT5 сохта шудааст, фарқи дақиқи checkpoint дар матн пурра равшан нест; аз ин рӯ ҳар ду баён дар ин ҷо ҷудогона нигоҳ дошта мешаванд.

Ҳудуди маълумоти воқеии ҷаҳон: Сохтори ҷисмонӣ/мошини фабрикаи гулдӯзии Мелбурн ва қоидаҳои амалиётӣ аз корхонаи воқеӣ гирифта шудаанд. Аммо азбаски ба ERP дастрасӣ набуд, санаҳои таҳвил тасодуфӣ дода шуданд, баъзе миқдорҳои истеҳсол симулятсия шуданд ва вақтҳои интиқол байни мошинҳо ҳисоб нашуданд. Натиҷаҳо набояд ҳамчун replay-и пурраи таърихии ERP тафсир шаванд.

Ёддошти “%30 беҳбудӣ”: Дар Ҷадвали 5-и LPWP framework-и пешниҳодшуда %72 ва беҳтарин натиҷаҳои Standard ва CoE %43 муваффақият нишон медиҳанд. Фарқи хом 29 банди фоизӣ аст. Ибораи “approximately 30% performance improvement”-и манбаъ бо ҳамин фарқи мутлақи банди фоизӣ мувофиқ аст; афзоиши нисбӣ тақрибан %67 мебошад.

Ҳудуди хароҷот: Манбаъ равиши модели хурд/fine-tuned-ро cost-effective меномад; аммо TCO, ROI ё муқоисаи воқеии хароҷоти амалиётии KOBI-ро бо пул пешниҳод намекунад.

Ҳудуди устуворӣ: Дар бахши хулосаи мақола потенсиали беҳтар шудани самаранокии истеҳсолот барои коҳиши партов, истифодаи энергия ва изофаи карбон баррасӣ мешавад. Инҳо дар ҳамин таҳқиқот натиҷаҳои экологии мустақиман ченшуда нестанд.

Ҳудуди муҳтавои илмӣ: Усул, модел, формулаҳо, маҷмӯи маълумот, параметрҳои омӯзиш, ҳолати фабрика, сатҳҳои муваффақият ва маҳдудиятҳо дар ин муҳтавои Verianla ба таҳқиқоти аслӣ асос ёфтаанд. Манбаъҳои беруна танҳо барои тасдиқи ҳувияти библиографӣ, сабти нашр, тақриз ва маълумоти ношир истифода шудаанд.