MIT-Forschung macht KI zum Problemlöser für Planungsaufgaben

Forschende am MIT (Massachusetts Institute of Technology) haben ein neues Framework entwickelt, das große Sprachmodelle (LLMs) in der Planung komplexer Aufgaben unterstützt. Die Idee: Das Modell soll nicht selbst rechnen, sondern die Aufgabenstellung strukturiert in ein Format übersetzen, das ein externer Optimierungslöser versteht. Dabei prüft es sich selbst und passt die Formulierung an. In Tests war das System rund doppelt so erfolgreich wie bisherige Ansätze.

Große Sprachmodelle stoßen bei Planung schnell an Grenzen

Große Sprachmodelle wie ChatGPT gelten als leistungsstark. Sie verfassen Texte, beantworten Fragen oder schreiben Code. Doch wenn es darum geht, mehrstufige Planungsaufgaben zu lösen – etwa komplexe Lieferketten zu optimieren –, geraten sie schnell ins Straucheln.

Ein typisches Beispiel: Ein Kaffeeunternehmen möchte seine Lieferkette effizienter gestalten. Es bezieht Bohnen von drei Zulieferern, röstet sie an zwei Standorten und beliefert anschließend drei Filialen. Die Nachfrage ist um 23 % gestiegen. Ziel ist es, die gestiegenen Mengen zu bewältigen – bei möglichst geringen Kosten.

Eigentlich eine Aufgabe, die ein Sprachmodell übernehmen könnte. Doch in der Praxis zeigt sich: LLMs tun sich schwer, solche Probleme eigenständig zu lösen. Der Grund liegt in der Komplexität der Entscheidungsvariablen – und in der fehlenden Fähigkeit, logisch in mehreren Schritten zu planen.

Ein neues Framework als Problemlöser

Statt das Sprachmodell selbst umzubauen, wählten MIT-Forschende einen anderen Weg. Sie entwickelten ein neues System: das sogenannte „LLM-Based Formalized Programming“, kurz LLMFP. Die Grundidee: Das Modell muss das Problem nicht selbst durchrechnen. Es übersetzt die Beschreibung in ein maschinenlesbares Format, das ein externer Optimierungslöser dann bearbeiten kann.

„Unsere Forschung führt ein Framework ein, das im Wesentlichen als intelligenter Assistent für Planungsprobleme fungiert. Es kann den besten Plan ermitteln, der alle Ihre Anforderungen erfüllt, selbst wenn die Regeln kompliziert oder ungewöhnlich sind“, erklärt Yilun Hao, Doktorandin am MIT.

Das LLMFP-Framework ermöglicht es, Planungsprobleme in natürlicher Sprache einzugeben. Die Nutzerinnen und Nutzer müssen keine aufgabenspezifischen Beispiele liefern oder das Modell aufwendig trainieren. Die Eingabe wird dann automatisch in eine mathematische Beschreibung überführt.

Denken wie ein Mensch – aber strukturierter

Was das System besonders macht: Es geht in mehreren Schritten vor. Zuerst analysiert das LLM die Eingabe. Es erkennt, welche Variablen eine Rolle spielen – etwa Liefermengen, Kosten, Kapazitäten oder Zeiten. Dann formuliert es die Regeln und Bedingungen, die erfüllt sein müssen. Dieser Prozess läuft ähnlich ab wie bei der Ausbildung von Studierenden, sagt Chuchu Fan, leitender Autor der Studie: „Es ist ähnlich wie bei der Art und Weise, wie wir am MIT Studenten in Optimierungsproblemen unterrichten.“

Ein Beispiel: Wenn ein Plan vorsieht, dass ein Café mehr gerösteten Kaffee liefert, als es produzieren kann, erkennt das System diesen Widerspruch. Es überarbeitet den Plan – und wiederholt diesen Prüf- und Korrekturprozess, bis keine Fehler mehr auftauchen. Erst dann gibt es die Lösung in verständlicher Sprache aus.

Erfolgreich in Tests: 85 % Lösungsrate

In Versuchen mit neun anspruchsvollen Planungsproblemen schnitt das neue Framework deutlich besser ab als herkömmliche Ansätze. Es erreichte Erfolgsquoten zwischen 83 % und 87 %. Zum Vergleich: Das beste Basismodell kam lediglich auf 39 %.

Geprüft wurden unter anderem Aufgaben wie:

• Minimierung von Laufwegen für Lagerroboter
• Verteilung von Maschinenzeiten in Produktionsanlagen
• Einsatzplanung von Personal in Luftfahrtunternehmen

In allen Fällen zeigte das Framework, dass es in der Lage ist, komplexe Probleme zu strukturieren – und die Lösung dem Optimierungslöser so zu übergeben, dass dieser effizient arbeiten kann.

Keine Expertinnen und Experten mehr nötig

Das Besondere an LLMFP ist laut Forschungsteam die niedrigere Einstiegshürde. Klassische Optimierungsprobleme erfordern oft spezielles Fachwissen. Wer nicht mit mathematischen Modellen vertraut ist, kann diese Systeme meist nicht nutzen.

„Wir dachten, dass LLMs es Laien ermöglichen könnten, diese Lösungsalgorithmen zu verwenden“, sagt Fan. Genau das macht LLMFP: Es übernimmt den schwierigen Teil der Übersetzung in mathematische Modelle. So wird aus einem Sprachmodell ein Vermittler zwischen Mensch und Software.

Das System passt sich zudem flexibel an. Wenn ein Nutzer etwa nicht möchte, dass der geplante Urlaub länger dauert oder mehr kostet, kann das Modell diese Einschränkungen berücksichtigen. Diese Fähigkeit zur Individualisierung könnte das Framework auch in anderen Bereichen nützlich machen – etwa in der Reiseplanung, in der Ressourcenverteilung oder beim Projektmanagement.

Zukunftspläne: Bilder als zusätzliche Eingabe

Noch basiert das System vollständig auf Texteingaben. Doch das könnte sich bald ändern. Die Forschenden wollen das Framework so erweitern, dass es auch visuelle Informationen verarbeiten kann. Etwa Pläne, Karten oder Prozessdiagramme.

Solche Erweiterungen würden es dem System ermöglichen, auch dort Lösungen zu finden, wo Sprache allein nicht ausreicht. Fan sagt dazu: „Mit LLMs haben wir die Möglichkeit, eine Schnittstelle zu schaffen, die es Menschen ermöglicht, Tools aus anderen Bereichen zu nutzen, um Probleme auf eine Weise zu lösen, an die sie vorher vielleicht nicht gedacht hätten.“

Hier geht es zur Originalpublikation