SHIELD：面向电动汽车电池供应链中断的 LLM 驱动的模式归纳与预测分析
人工智能
2024-10-23 v2 人机交互
摘要
电动汽车电池供应链对中断极其脆弱，需要先进的预测分析。我们提出了 SHIELD（Schema-based Hierarchical Induction for EV supply chain Disruption，即电动汽车供应链中断的基于模式的分层归纳），一个集成大型语言模型（LLM）与领域专业知识，用于 EV 电池供应链风险评估的系统。SHIELD 结合了：（1）LLM 驱动的模式学习，以构建全面的知识库；（2）利用微调语言模型进行事件抽取、多维相似性匹配进行模式匹配，并使用带逻辑约束的图卷积网络（GCN）进行预测；（3）用于可视化结果并纳入专家反馈以增强决策的交互式界面。在 365 个来源（2022-2023 年）共 12,070 段文字中进行评估，SHIELD 在供应链中断预测方面优于基线 GCN 和 LLM+提示方法（如 GPT-4o）。这些结果表明，SHIELD 在将 LLM 能力与领域专业知识相结合以实现供应链风险评估方面具有有效性。
引用
@article{arxiv.2408.05357,
title = {SHIELD: LLM-Driven Schema Induction for Predictive Analytics in EV Battery Supply Chain Disruptions},
author = {Zhi-Qi Cheng and Yifei Dong and Aike Shi and Wei Liu and Yuzhi Hu and Jason O'Connor and Alexander G. Hauptmann and Kate S. Whitefoot},
journal= {arXiv preprint arXiv:2408.05357},
year = {2024}
}
备注
Oral, EMNLP 2024 Industry Track. 31 pages, 11 figures, Project: https://fly1113.github.io/MFI/