Generating Logically Consistent Synthetic Supply Chain Data with LLM-Driven Knowledge Graph Reasoning

Riepilogo Tecnico: Generazione di Dati Sintetici per la Catena di Approvvigionamento Logicamente Coerenti con Ragionamento su Grafi della Conoscenza Guidato da LLM

Enunciato del Problema
I dati sintetici sono sempre più utilizzati per affrontare la scarsità di dati e le barriere alla privacy nell'analisi della catena di approvvigionamento. Tuttavia, i modelli generativi tabulari esistenti (ad es. GAN, modelli di diffusione, generatori basati su LLM) sono ottimizzati principalmente per la fedeltà statistica — riproducendo distribuzioni marginali e correlazioni — piuttosto che preservare la logica operativa che governa i processi reali della catena di approvvigionamento. Di conseguenza, i record generati violano spesso vincoli fondamentali, come le ordinazioni temporali (ad es. date di consegna precedenti alle date di ordine), le dipendenze matematiche (ad es. totali non uguali a prezzo × quantità) e le tassonomie gerarchiche (ad es. città mappate su paesi errati). Gli autori sostengono che, affinché i dati sintetici supportino la simulazione operativa e il processo decisionale, devono aderire alla "fisica" dei dati della catena di approvvigionamento: le regole strutturate e specifiche del dominio che rendono un record operativamente plausibile. I metodi attuali non riescono a scoprire o imporre esplicitamente questi vincoli specifici dello schema, portando a dati che sono statisticamente realistici ma logicamente invalidi.

Metodologia: Il Framework TabKG
Il paper introduce TabKG, un framework guidato da grafi della conoscenza progettato per generare dati tabulari sintetici logicamente coerenti. L'approccio opera attraverso cinque fasi distinte:

1. Serializzazione dei Metadati: I nomi delle colonne e le descrizioni dallo schema della tabella di input vengono serializzati in prompt in linguaggio naturale.
2. Costruzione del Grafo con Ensemble Multi-LLM: Viene costruito un Grafo della Conoscenza delle Relazioni tra Colonne (CR-KG) per rappresentare le dipendenze inter-colonna. Invece di affidarsi a un singolo modello, TabKG impiega un ensemble di $K$ Modelli Linguistici di Grandi Dimensioni (LLM) con votazione a maggioranza. Ogni LLM propone archi candidati (relazioni) tra le colonne, categorizzati per tipo: Gerarchico (H), Matematico (M), Temporale (T) o Semantico (S). Un arco viene mantenuto solo se proposto dalla maggioranza dei modelli.
3. Validazione e Potatura Guidate dai Dati: Il grafo candidato viene validato contro il dataset reale per eliminare archi allucinati o non supportati. Validatori specifici per tipo calcolano un punteggio di confidenza $\sigma(e)$ per ogni arco:
   • Gerarchico: Verifica la dipendenza funzionale (la sorgente determina univocamente il target?).
   • Matematico: Valuta l'accuratezza della formula su righe reali.
   • Temporale: Verifica le violazioni dell'ordinamento.
   • Semantico: Valuta i tassi di soddisfazione delle regole condizionali.
     Gli archi con punteggi inferiori a una soglia (default $\theta = 0.90$) vengono potati, risultando in un CR-KG validato.
4. Compressione e Generazione Guidate dal Grafo: Il grafo validato viene convertito in un Grafo Aciclico Diretto (DAG) per identificare un insieme minimo di colonne indipendenti ($V_{keep}$). Le colonne dipendenti vengono compresse. Un modello di diffusione basato su punteggi latenti viene addestrato solo sulle colonne indipendenti per generare dati sintetici compressi ($X'_c$).
5. Decompressione Guidata dal Grafo della Conoscenza: L'intero dataset sintetico viene ricostruito applicando deterministicamente le relazioni validate alle colonne indipendenti generate. Le colonne dipendenti vengono ripristinate utilizzando tabelle di ricerca (per gerarchico/semantico), formule in forma chiusa (per matematico) o offset temporali additivi (per temporale). Ciò garantisce che la coerenza logica venga imposta per costruzione piuttosto che appresa implicitamente.

Contributi Chiave

• Scoperta Automatica della Logica Operativa: TabKG è il primo metodo a costruire automaticamente una rappresentazione a grafo della conoscenza della logica inter-colonna della catena di approvvigionamento a partire da schemi tabulari senza ingegneria manuale delle regole. Combina la conoscenza semantica degli LLM con la validazione empirica dei dati.
• Pipeline di Compressione e Ricostruzione: Gli autori propongono una pipeline di generazione che separa le variabili indipendenti da quelle dipendenti. Generando solo le colonne indipendenti tramite diffusione e ricostruendo deterministicamente quelle dipendenti, il framework garantisce che tutte le regole operative validate siano soddisfatte nell'output.
• Valutazione Completa: Il framework è stato valutato su due dataset industriali (Retail e Acquisti) e due attività a valle (previsione del rischio di consegna tardiva e classificazione dello stato di approvvigionamento), valutando fedeltà, utilità, privacy e coerenza logica.

Risultati Sperimentali

• Ragionamento Logico: Nell'attività di inferire relazioni inter-colonna dai metadati, TabKG (utilizzando un ensemble dello stesso modello DeepSeek) ha raggiunto un punteggio F1 di 0.897 sul dataset Retail e 0.945 sul dataset Acquisti. Ciò ha superato sostanzialmente le linee di base basate solo su prompt, che variavano da 0.27 a 0.55.
• Coerenza Logica: TabKG ha raggiunto Punteggi di Coerenza Gerarchica (HCS) e Indici di Dipendenza Multivariata (MDI) del 97.84%–98.73%, superando significativamente le linee di base dello stato dell'arte (CTGAN, TabDDPM, TabSyn, GReaT), che spesso collassavano su HCS vicini allo zero nelle attività gerarchiche.
• Utilità dei Dati: Nelle attività di classificazione Train-on-Synthetic, Test-on-Real (TSTR), i modelli addestrati sui dati TabKG hanno raggiunto punteggi AUC di 71.90 (Retail) e 63.45 (Acquisti), superando tutte le altre linee di base generative e preservando circa il 75–82% delle prestazioni dei modelli addestrati su dati reali.
• Fedeltà e Privacy: TabKG ha mantenuto una fedeltà statistica comparabile alle migliori linee di base (ad es. TabSyn) in termini di stima della densità e correlazione, raggiungendo al contempo metriche di privacy solide (Distanza dal Record più Vicino e Test di Due Campioni del Classificatore), garantendo nessuna memorizzazione diretta di record reali.

Significato e Affermazioni
Il paper afferma che TabKG fornisce una base per spostare i dati sintetici oltre il semplice potenziamento dell'apprendimento automatico verso la simulazione ad alta fedeltà della catena di approvvigionamento e il supporto decisionale operativo. Preservando esplicitamente la "fisica" delle operazioni della catena di approvvigionamento (ordinazioni temporali, formule matematiche e regole gerarchiche), TabKG genera dati che non sono solo statisticamente realistici ma anche operativamente validi. Questo affronta un divario critico in cui i metodi esistenti producono dati che falliscono in scenari di simulazione realistici a causa di incoerenze logiche. Gli autori posizionano TabKG come una soluzione senza addestramento e agnostica rispetto allo schema che sfrutta la conoscenza pre-addestrata degli LLM per adattarsi a diversi schemi della catena di approvvigionamento (retail, approvvigionamento, manifattura) senza richiedere librerie di regole personalizzate, abbassando così la barriera per le organizzazioni per generare dati sintetici affidabili per la simulazione e l'orchestrazione autonoma nella Supply Chain 4.0.