Progressive Context Enrichment for LLM-Based MILP Formulation in Open-Pit Mine Production Scheduling

Imaginez que vous soyez le capitaine d'une immense cité flottante faite de roche, et que votre tâche consiste à décider exactement quels blocs de pierre extraire, quand les extraire, et comment les traiter pour gagner le plus d'argent possible au cours des vingt prochaines années. Il ne s'agit pas seulement d'un jeu de « creuse ici, creuse là » ; c'est un casse-tête à enjeux élevés appelé Planification de la Production de Mines à Ciel Ouvert. Le hic ? Les règles sont incroyablement strictes. Vous ne pouvez pas extraire un bloc de roche tant que ceux qui sont posés dessus n'ont pas disparu (comme une tour de Jenga), vous ne pouvez pas traiter plus de roche que votre usine ne peut en "mâcher", et le mélange de roche que vous envoyez à l'usine doit avoir la qualité exacte requise. Résoudre ce casse-tête parfaitement nécessite un outil mathématique très intelligent appelé Programmation Linéaire en Nombres Entiers Mixtes (PLNM), qui consiste essentiellement à écrire chaque règle et chaque objectif dans un langage que les ordinateurs peuvent résoudre. Mais voici le problème : écrire ces règles mathématiques est si difficile que seuls quelques experts au monde peuvent le faire, et ils se retrouvent souvent bloqués lorsque la mine change ou que les règles deviennent complexes.

Entrez en scène les nouveaux venus sur le marché : les Grands Modèles de Langage (LLM). Ce sont les agents conversationnels IA que vous connaissez peut-être, comme ceux qui rédigent des essais ou du code. Ils sont incroyables pour comprendre le langage et même pour écrire des programmes informatiques. La grande question que les scientifiques se sont posée est la suivante : pourrions-nous simplement dire à une IA : « Voici une mine, voici les règles, s'il vous plaît, écrivez le code mathématique pour la résoudre », et lui faire faire le travail d'un expert humain ? Cela ressemble à un rêve, mais l'IA a l'habitude de s'embrouiller quand les choses deviennent compliquées. Elle peut écrire un code qui semble correct et donner un chiffre, mais qui, secrètement, ignore les règles. Cette étude examine en profondeur si nous pouvons apprendre à ces IA à être de meilleurs planificateurs de mines en leur donnant de meilleurs indices, et elle découvre que la manière de poser la question importe plus que l'IA elle-même.

Le camp d'entraînement de l'IA planificatrice de mine

Les chercheurs de l'Université Lakehead et de l'Université Memorial de Terre-Neuve ont mis en place une expérience ingénieuse pour voir s'ils pouvaient transformer une IA généraliste en un magicien de la planification minière sans lui enseigner de nouvelles mathématiques. Ils ne voulaient pas réentraîner l'IA de zéro ; ils voulaient plutôt voir s'ils pouvaient simplement « enrichir le contexte » — en gros, donner à l'IA de meilleurs supports d'étude avant qu'elle ne tente d'écrire la solution.

Ils ont créé un camp d'entraînement en quatre étapes pour quatre modèles d'IA différents (ChatGPT, Gemini, DeepSeek et Copilot). Considérez cela comme l'enseignement à un étudiant pour rédiger une dissertation complexe :

1. Le Prompt de Base : Ils ont commencé par le strict minimum : une simple description textuelle de la mine et des règles. C'était comme donner à un étudiant un prompt du type « Écrivez sur l'exploitation minière » et attendre une thèse.
2. Le Journal de Simulation : Ensuite, ils ont ajouté un « journal » provenant d'un robot avare qui avait déjà tenté de gérer la mine. Ce journal montrait ce qui s'est passé période par période : quels rochers ont été choisis, lesquels ont été sautés, et quand l'usine a été saturée. C'était comme montrer à l'étudiant le journal intime de quelqu'un qui avait réellement essayé de résoudre le problème, afin que l'IA puisse voir le comportement des règles.
3. Le Code du Simulateur : Ensuite, ils ont donné à l'IA le code source réel de ce robot avare. Ce n'était pas seulement un journal ; c'était le manuel d'instructions utilisé par le robot pour prendre des décisions. Il montrait la logique : « Si l'usine est pleine, arrêtez. » « Si le bloc supérieur n'est pas parti, attendez. »
4. Le Code Annoté : Enfin, ils ont pris ce code source et y ont ajouté des notes autocollantes (annotations) partout. Ils ont étiqueté chaque ligne de code avec sa signification mathématique, comme « Cette ligne est la Règle de Capacité Minière » ou « Ceci est la Règle de Précedence ». C'était l'aide-mémoire ultime, traduisant la logique du robot directement dans le langage du problème mathématique.

Le piège de l'« Échec Silencieux »

La découverte la plus surprenante de cette étude n'était pas seulement de savoir si les IA réussissaient bien, mais de savoir à quel point elles pouvaient bien cacher leurs erreurs. Les chercheurs ont découvert que si vous demandiez simplement à l'IA d'écrire le code et de l'exécuter, de nombreux modèles produiraient une solution qui semble parfaite. Elle donnerait un chiffre pour le profit (appelé Valeur Actuelle Nette ou VAN) et dirait : « Succès ! La mine est planifiée ! »

Mais en regardant de plus près, les chercheurs ont découvert des « échecs silencieux ». Il s'agissait de solutions qui étaient techniquement « réalisables » (l'ordinateur ne plantait pas) mais qui étaient en réalité défectueuses. L'IA avait oublié d'appliquer une ou plusieurs des règles les plus importantes, comme la règle stipulant que vous ne pouvez pas extraire un bloc tant que celui du dessus n'est pas parti. L'IA avait trouvé une faille, ou a simplement ignoré la règle, et l'ordinateur calculait joyeusement un profit pour une mine qui ne pourrait physiquement pas exister. C'était comme un étudiant écrivant une dissertation qui semble excellente mais qui ignore complètement le sujet ; le professeur pourrait lui donner une bonne note au premier coup d'œil, mais c'est en fait du non-sens.

L'article exclut explicitement l'idée qu'un résultat « réalisable » signifie que l'IA a réussi. En fait, pour trois des quatre modèles d'IA, ajouter plus d'informations (comme les journaux et le code) a en réalité augmenté le nombre de ces échecs silencieux. Les IA sont devenues plus confiantes, mais elles étaient avec une confiance erronée. Seul un modèle, Gemini, a réussi à éviter totalement ces échecs silencieux, peu importe la quantité d'informations fournies.

La magie de la « Fiche de Révision »

Une fois que les chercheurs ont filtré les échecs silencieux et n'ont examiné que les solutions qui étaient réellement valides, les résultats sont devenus très clairs.

• Le texte seul ne suffisait pas : Lorsque l'IA n'avait que la description textuelle de base, elle ne réussissait presque jamais.
• Le Journal a aidé un peu : Voir le journal du robot (le journal de simulation) a aidé l'IA à comprendre le flux du temps et des ressources, améliorant légèrement les résultats.
• Le Code a changé la donne : Lorsque l'IA a reçu le code source réel du simulateur, la qualité des solutions a bondi de manière significative. Le code agissait comme un pont, montrant à l'IA exactement comment les règles fonctionnaient en pratique. C'était l'élément le plus informatif pour obtenir le chiffre de profit global.
• Les Annotations ont apporté la précision : La dernière étape, ajouter les « notes autocollantes » (annotations) au code, n'a pas toujours augmenté le chiffre du profit, mais a rendu la structure de la solution beaucoup plus précise. Cela a aidé l'IA à comprendre exactement quelle partie du code correspondait à quelle règle mathématique. Cela a été particulièrement utile pour les règles les plus complexes, comme celles concernant l'ordre d'extraction (précedence) et le mélange des teneurs en roche.

Qui a gagné la course ?

Parmi les quatre modèles d'IA testés, Gemini était le grand vainqueur. C'était le seul modèle qui ne produisait aucun échec silencieux, ce qui signifie que chaque fois qu'il annonçait une solution, il s'agissait d'une solution valide. Lorsqu'on lui donnait le code annoté, les solutions de Gemini étaient incroyablement proches du niveau de référence humain, avec une « erreur relative pénalisée » (un score qui compte à la fois les erreurs et les mauvaises réponses) chutant de 100 % (échec total) à seulement 21,6 %.

Les autres modèles, comme ChatGPT et Copilot, ont davantage lutté. Ils produisaient souvent des solutions qui semblaient bonnes mais qui étaient structurellement défectueuses. Curieusement, donner le code annoté ne les a pas toujours aidés ; pour certains modèles, les notes supplémentaires les ont même confondus ou ont conduit à de nouveaux types d'erreurs. Cela suggère que les différentes IA « pensent » différemment, et ce qui constitue un indice utile pour l'une peut être du bruit pour une autre.

La conclusion

L'article conclut que le principal problème de l'utilisation de l'IA pour des problèmes mathématiques complexes comme la planification minière n'est pas que l'IA ne soit pas assez intelligente ; c'est que nous ne lui donnions pas assez de contexte. Une simple description textuelle est trop vague. Cependant, jeter simplement plus de texte ne suffit pas non plus. La clé est de fournir une logique exécutable — le code réel qui simule les règles — puis de labelliser ce code pour que l'IA sache ce que chaque partie signifie.

Cette approche suggère que nous n'avons pas besoin d'entraîner un nouveau modèle d'IA coûteux pour devenir un planificateur de mine. Au lieu de cela, nous pouvons prendre une IA généraliste et lui donner un « échafaudage » de journaux de simulation et de code annoté pour l'aider à traduire les règles opérationnelles humaines en une mathématique parfaite. C'est un peu comme un étudiant qui aurait du mal à écrire une équation de physique à partir d'un problème écrit, mais si on lui donne les notes de laboratoire et les formules utilisées en laboratoire, il peut soudainement résoudre le problème.

L'étude nous avertit également d'être prudents. Le fait qu'une IA dise avoir une solution ne signifie pas qu'elle est correcte. Nous devons vérifier les détails, les « échecs silencieux », pour nous assurer que l'IA n'a pas simplement trouvé un raccourci qui enfreint les règles. Mais avec le bon type d'enrichissement de contexte, spécifiquement en utilisant le code du simulateur et les annotations, nous pouvons amener l'IA à effectuer le gros du travail de planification minière sans avoir besoin d'un doctorat en mathématiques pour chaque poste.