Chiedi prima di ottimizzare: chiarimenti dinamici prima della formulazione per l’ottimizzazione interattiva

Abstract degli autori

I modelli linguistici di grandi dimensioni (LLM) sono sempre più utilizzati per formulare modelli di ottimizzazione a partire da descrizioni dei problemi in linguaggio naturale. Le richieste realistiche nell’ambito della ricerca operativa (OR), però, sono spesso incomplete: l’assenza di obiettivi, vincoli o regole aziendali può modificare il programma matematico risultante. Le valutazioni esistenti presuppongono in larga misura una specifica completa e trascurano quindi la capacità di un agente di capire quando occorre chiedere chiarimenti prima di costruire il modello. Presentiamo OR-Clarify, un benchmark per i chiarimenti che precedono la formulazione. Ogni compito presenta una descrizione pubblica parziale del problema, omette alcuni campi strutturati nascosti e valuta gli agenti attraverso un’interazione limitata con un utente simulato. Il benchmark supporta sia chiarimenti con domande aperte sia chiarimenti basati su opzioni di risposta, e misura il recupero dei campi, la capacità di fermarsi al momento opportuno, le assunzioni non dichiarate e il costo dell’interazione. Proponiamo inoltre Interactive Optimization (InterOPT), un framework in due fasi che individua le lacune ancora irrisolte decisive per la formulazione e le usa per stabilire se porre un’altra domanda o fermarsi. Nei nostri esperimenti basati su opzioni di risposta, InterOPT supera nettamente tutti i metodi di riferimento nel recupero esatto dei campi; con le domande aperte, rimane competitivo rispetto ai validi metodi precedenti. Insieme, OR-Clarify e InterOPT riformulano l’assistenza nella ricerca operativa come una decisione selettiva sulla completezza: chiedere chiarimenti quando servono, fermarsi quando si è pronti e quantificare ciò che ancora manca.