TGT专项- 大模型在供应链中的探索优化

1、大模型驱动的供应链预测与决策：设计动态补货优化算法：结合生成式AI与鲁棒优化，开发抗干扰的库存策略； 2、大模型提升预测算法效果： （1）算法研发与优化 设计并实现基于大模型（如GPT-4、LLaMA、TimeGPT等）的时序需求预测框架，结合领域知识（如供应链、零售、能源等）优化模型架构；研究大模型的预训练-微调范式在时序数据中的迁移学习策略，解决小样本场景下的过拟合问题； 开发融合外部变量（如经济指标、天气、社交媒体舆情）的多模态时序建模方法； （2）数据工程与特征挖掘 构建大规模时序数据集，设计数据增强与噪声过滤方案，解决真实场景中的非平稳性、缺失值问题；探索大模型对时序特征的自动提取能力（如周期、趋势、突变点）； 3、生成式AI在供应链规划中的应用 （1）开发供应链风险大模型：基于Transformer架构构建风险事件知识图谱，实现从舆情预警到影响推演的端到端分析，利用PromptEngineering生成应急决策建议（如供应商切换方案、产能再分配策略）； （2）搭建弹性优化系统：融合强化学习（RL）与混合整数规划（MIP），实现多目标（成本/时效/韧性）动态权衡；

1、获得本科及以上学历，计算机、人工智能、自动化、数学、物理等相关专业； 2、研究方向需涉及以下至少两项：大模型微调、时序预测、组合优化、强化学习； 技术能力： 1、精通PyTorch/TensorFlow框架，有LLM微调实战经验（如HuggingFace/LLaMA应用）； 2、掌握传统优化算法（MIP/动态规划）与AI的结合方法（如用RL求解优化问题）； 3、熟悉供应链核心问题（需求预测、网络设计、风险管理）者优先； 4、具备将学术成果转化为工业解决方案的能力（需提供过往项目案例）； 5、优秀的跨团队沟通能力（需向非技术人员解释复杂模型逻辑）； 加分项 在NeurIPS/ICML/KDD等顶会发表过供应链相关AI论文； 有SupplyChainOptimizationSaaS产品开发经验； 。