通过前瞻学习预测供应链中断

在供应链中断发生之前对其进行预测是企业和政策制定者面临的核心挑战。一个关键的困难是学习从嘈杂和非结构化的输入中可靠地推理罕见的、高影响力的事件——在这种情况下，通用模型在没有针对特定任务的适应的情况下会陷入困境。我们引入了一个端到端框架，该框架训练 LLM 使用已实现的中断结果作为监督来生成校准的概率预测。生成的模型在准确性、校准和精度方面大大优于强大的基线（包括 GPT-5）。我们还表明，训练无需明确提示即可引发更加结构化和可靠的概率推理。这些结果提出了训练特定领域预测模型以产生决策就绪信号的一般途径。为了支持透明度，我们开源了本研究中使用的评估数据集。数据集：https://huggingface.co/datasets/LightningRodLabs/supply-chain-predictions