🤖 machine learning

COOPA: A Modular LLM Agent Architecture for Operations Research Problems

COOPA è un'architettura di LLM-agent modulare che potenzia il supporto decisionale nella Ricerca Operativa attraverso la modellazione iterativa basata sulla confidenza, spiegazioni della provenienza a livello di elemento e instradamento multi-solver, raggiungendo livelli state-of-the-art di accuratezza e interpretabilità attraverso diversi benchmark.

Autori originali: Chuanhao Li, Xiaoan Xu, Dirk Bergemann, Ethan X. Fang, Yehua Wei, Zhuoran Yang

Pubblicato 2026-06-29

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Chuanhao Li, Xiaoan Xu, Dirk Bergemann, Ethan X. Fang, Yehua Wei, Zhuoran Yang

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immagina di dover costruire una macchina complessa, come un'auto personalizzata, basandoti su una descrizione vaga scritta da un cliente. Devi capire esattamente i pezzi, le specifiche del motore e le regole di sicurezza prima ancora di poter iniziare a costruire.

La Ricerca Operativa (OR) è il campo della matematica utilizzato per prendere questo tipo di decisioni ad alto rischio (come decidere il percorso dei camion per le consegne o la pianificazione dei turni dei lavoratori in fabbrica). Il problema è che farlo manualmente richiede un esperto con un dottorato di ricerca.

Recentemente, abbiamo provato a usare i Large Language Models (LLM) — lo stesso tipo di IA che scrive poesie o codice — per fare questa matematica per noi. Ma l'articolo sostiene che i tentativi attuali dell'IA siano come assumere uno stagista molto sicuro di sé ma leggermente confuso: spesso sbagliano la matematica di base, non spiegano perché hanno commesso un errore e possono usare solo un tipo specifico di strumento.

Entra in gioco COOPA (COoperative OPerations Agent). Pensa a COOPA non come a un singolo lavoratore, ma come a una squadra di costruzione specializzata progettata per costruire questi modelli matematici correttamente. Ecco come funziona, utilizzando tre strumenti principali:

1. Il team del "Secondo Parere" (Modellazione iterativa basata sulla fiducia)

L'IA attuale di solito prova a risolvere un problema una volta sola, scrive il codice e spera che funzioni. Se la matematica è sbagliata, il codice potrebbe comunque girare, ma fornirà la risposta errata.

COOPA è diverso. Immagina di chiedere a tre diversi architetti di disegnare un progetto per la tua auto.

Fase A: Tutti disegnano le proprie versioni.
Fase B: Un "Ispettore della Sicurezza" (l'IA stessa) esamina ogni progetto. Non si limita a dire "Bene" o "Male". Assegna un punteggio di fiducia (0–100) a quattro parti specifiche: l'elenco dei componenti (parametri), i pezzi in movimento (variabili), l'obiettivo (funzione obiettivo) e le regole di sicurezza (vincoli).
Fase C: Il sistema sceglie il progetto che ha il punteggio più alto nel "caso peggiore".

L'analogia: Se l'Architetto A ha un motore perfetto ma una regola di sicurezza terribile (punteggio: 90, 90, 90, 30), e l'Architetto B ha un motore leggermente più debole ma una sicurezza perfetta (punteggio: 85, 85, 85, 95), COOPA sceglie l'Architetto B. Sa che un anello debole rompe l'intera catena. Questo processo si ripete alcune volte, permettendo all'IA di correggere i propri errori prima di iniziare a costruire la macchina.

2. La "Traccia Documentale" (Tracciabilità della fonte)

Quando l'IA attuale ti dà una risposta, è spesso una "scatola nera". Ottieni un numero, ma non sai da dove provenga. Se chiedi: "Perché hai assegnato il Lavoratore A alla Stazione 5?", l'IA potrebbe solo rispondere: "Perché l'ho deciso io".

COOPA agisce come un meticoloso contabile forense.

Ogni volta che scrive una variabile o una regola, vi allega un "post-it" che cita la frase esatta della descrizione originale del problema che la giustifica.
Il vantaggio: Se la risposta finale è errata, un esperto umano può guardare istantaneamente i "post-it", vedere che l'IA ha frainteso una frase e correggerla. Trasforma un mistero in un audit trasparente.

3. Il "Deposito degli Strumenti Specializzati" (Multi-Solver Dispatch)

Immagina di avere una cassetta degli attrezzi. Se devi piantare un chiodo, usi un martello. Se devi tagliare il legno, usi una sega.

Gli attuali sistemi di IA cercano spesso di usare un coltellino svizzero per tutto. Forzano ogni problema matematico in un formato specifico (come un'equazione lineare), anche se il problema è in realtà un puzzle complesso che richiede un approccio diverso.
COOPA ha un Deposito degli Strumenti con quattro diversi esperti specializzati:
- Il Matematico: Gestisce l'algebra standard e le equazioni lineari.
- L'Esperto di Combinatoria: Gestisce puzzle di instradamento e pianificazione (come il problema del Commesso Viaggiatore).
- L'Esperto di Meta-euristica: Gestisce problemi non lineari disordinati che richiedono algoritmi evolutivi (come trovare la forma migliore per un componente di un'auto).
- Il Generalista: Gestisce simulazioni personalizzate.

COOPA analizza il problema, identifica di che tipo di "puzzle" si tratta e lo affida allo specialista corretto. Ciò significa che non forza un perno quadrato in un buco rotondo.

I Risultati: Funziona?

Gli autori hanno testato COOPA contro altri sistemi di IA utilizzando tre diversi set di problemi matematici e otto diversi "cervelli" (da GPT-5 ai modelli open-source).

Il Punteggio: COOPA ha vinto più spesso, ottenendo l'accuratezza media più alta su 6 degli 8 diversi cervelli IA testati.
Il Miglioramento: Sui modelli più forti, ha migliorato l'accuratezza fino a 6,7 punti percentuali.
La Formula Magica: L'articolo ha scoperto che il "Team del Secondo Parere" (il processo iterativo di generazione e selezione del miglior progetto) è la ragione principale del successo. Senza di esso, COOPA si comportava esattamente come gli altri sistemi; con esso, è diventato il chiaro vincitore.

Il Limite

L'articolo ammette che COOPA è più lento e costoso da eseguire rispetto agli altri metodi. Poiché chiede all'IA di pensare, ripensare e valutare il proprio lavoro tre volte, utilizza più potenza di calcolo. Tuttavia, gli autori sostengono che per decisioni ad alto rischio (come le catene di approvvigionamento o le politiche pubbliche), pagare un po' di più per ottenere la matematica corretta valga la pena.

In breve: COOPA è un sistema che rende l'IA migliore in matematica costringendola a pensare due volte, mostrare i passaggi e usare lo strumento giusto per il compito.

Sintesi Tecnica: COOPA – Un'Architettura di Agenti LLM Modulare per Problemi di Ricerca Operativa

1. Definizione del Problema

La Ricerca Operativa (OR) fornisce un quadro rigoroso per il processo decisionale ad alto rischio in domini come la catena di approvvigionamento, l'energia e la finanza. Tuttavia, la modellazione efficace della OR rimane intensiva in termini di competenze, richiedendo la traduzione di descrizioni in linguaggio naturale in variabili matematiche, obiettivi e vincoli, seguiti dall'implementazione del solver.

I recenti sistemi basati su Large Language Models (LLM) hanno tentato di automatizzare questa pipeline, ma soffrono di tre criticità fondamentali:

Bassa Accuratezza su Problemi Complessi: Il collo di bottiglia principale non è la generazione del codice (che spesso supera i test), ma gli errori di formulazione. Gli studi indicano che il 50–70% dei fallimenti deriva da formulazioni incomplete, definizioni errate delle variabili o obiettivi mal specificati. Gli attuali sistemi generano tipicamente una singola formulazione in un unico passaggio, mancando di meccanismi per correggere gli errori semantici prima dell'esecuzione del codice.
Output Opachi: I sistemi esistenti forniscono formulazioni e soluzioni, ma mancano di provenienza a livello di elemento. Gli utenti non possono tracciare elementi specifici del modello (parametri, vincoli) rispetto al testo sorgente, costringendoli a una ricostruzione manuale del ragionamento dell'LLM per verificarne la correttezza.
Supporto ai Solver Rigido: La maggior parte dei sistemi è codificata rigidamente per backend specifici (es. Gurobi, Pyomo). Adattare il sistema a nuove classi di problemi (es. multi-obiettivo, non convessi) o librerie di solver richiede spesso il riaddestramento o cambiamenti architettonici significativi.

2. Metodologia: L'Architettura COOPA

Gli autori propongono COOPA (COoperative OPerations Agent), un sistema multi-agente gerarchico e modulare basato su smolagents. Esso affronta le limitazioni identificate attraverso tre componenti principali:

A. Modellazione Strutturata con Tracciabilità della Sorgente

Invece di una generazione a forma libera, COOPA mappa le descrizioni dei problemi in uno schema strutturato (basato su Pydantic) contenente quattro tipi di elementi:

Parametri: Valori e domini con riferimenti alla sorgente.
Variabili: Variabili decisionali con limiti e riferimenti alla sorgente.
Obiettivo: Direzione ed espressione matematica con riferimenti alla sorgente.
Vincoli: Espressioni e tipi con riferimenti alla sorgente.

Ogni elemento include un campo SourceReference che cita il testo esatto della descrizione del problema che lo ha motivato. Ciò crea una traccia di audit dal testo del problema al modello matematico, facilitando la verifica umana.

B. Selezione del Modello Iterativa Basata sulla Fiducia

Per mitigare gli errori di formulazione, COOPA non si impegna su un singolo output. Al contrario, impiega un ciclo iterativo:

Generazione: Il sistema genera $k$ modelli candidati (default $k=3$ ).
Auto-valutazione: Per ogni candidato, l'LLM assegna un punteggio di fiducia (0–100) e una spiegazione in linguaggio naturale per ciascuna delle quattro dimensioni (Parametri, Variabili, Obiettivo, Vincoli).
Selezione: Il sistema seleziona il modello finale utilizzando un criterio max-min: $M^* = \arg\max_i (\min_j c_{i,j})$ . Questo seleziona il candidato con il più alto punteggio di fiducia nel caso peggiore, garantendo che nessuna singola dimensione sia criticamente debole.
Raffinamento: I candidati successivi ( $M_2, \dots, M_k$ ) vengono generati utilizzando la cronologia dei candidati precedenti e le loro valutazioni, permettendo al modello di affrontare esplicitamente le dimensioni a bassa fiducia.

C. Dispatch Multi-Solver

COOPA disaccoppia la classificazione del problema dall'esecuzione del solver. Un agente di dispatch classifica il modello selezionato e lo instrada verso uno dei quattro Agenti Ottimizzatori specializzati:

Ottimizzatore Matematico: Gestisce LP, MIP e NLP utilizzando Pyomo (con GLPK/IPOPT).
Ottimizzatore Combinatorio: Gestisce routing, scheduling e assegnazione utilizzando Google OR-Tools.
Ottimizzatore Metaeuristico: Gestisce problemi non convessi, black-box e multi-obiettivo utilizzando pymoo (es. NSGA-II).
Ottimizzatore Generale: Gestisce compiti basati su simulazione o task numerici personalizzati utilizzando Python/NumPy standard.

Questa architettura permette di aggiungere nuovi backend di solver semplicemente definendo un nuovo agente, senza modificare le fasi di modellazione o selezione.

3. Contributi Chiave

Modellazione Iterativa Basata sulla Fiducia: Un meccanismo innovativo che genera molteplici formulazioni candidate e seleziona la più robusta in base a un criterio di fiducia max-min, affrontando direttamente il collo di bottiglia della fase di formulazione.
Tracciabilità della Sorgente: Uno schema di output strutturato che collega ogni elemento di modellazione al testo sorgente citato, fornendo una traccia di audit per la verifica umana.
Dispatch Multi-Solver Estensibile: Un'architettura modulare che instrada i problemi verso agenti di solver specializzati (Pyomo, OR-Tools, pymoo, ecc.), consentendo il supporto per diverse classi di problemi di OR senza riaddestramento.
Valutazione Esaustiva: Una valutazione benchmark su tre dataset (ComplexLP, IndustryOR, BWOR), otto backbone LLM (inclusi GPT-5, GPT-4.1, o3, o4-mini, Gemini-3-Flash, Qwen3) e quattro baseline.

4. Risultati Sperimentali

Performance: COOPA raggiunge la massima accuratezza media macro (64,8%) su tutti i backbone, superando il secondo miglior metodo (OR-LLM-Agent al 61,6%) di 3,2 punti percentuali. Ottiene le migliori prestazioni su 6 degli 8 backbone LLM.
Guadagni: Il miglioramento rispetto alla baseline più forte è fino a 6,7 punti percentuali (su GPT-5) e 6,3 punti (su GPT-4.1).
Studio di Ablazione: Rimuovendo la componente di modellazione iterativa (risolvendo solo il primo candidato), l'accuratezza media cross-modello scende dal 64,8% al 61,8%. Ciò conferma che la modellazione iterativa basata sulla fiducia è il principale motore dei guadagni di performance di COOPA.
Correlazione della Fiducia: Esiste una correlazione positiva ( $r=0,58, p=0,003$ ) tra il miglioramento del punteggio di fiducia e i guadagni di accuratezza, suggerendo che l'evaluator della fiducia fornisce un segnale genuino per selezionare migliori formulazioni.
Dispatch del Solver: Sebbene il 91,1% dei problemi nei benchmark attuali sia stato instradato all'Ottimizzatore Matematico (riflettendo la dominanza di LP/MIP nei dataset), i casi studio dimostrano la capacità del sistema di instradare correttamente i problemi multi-obiettivo all'Ottimizzatore Metaeuristico (pymoo), ottenendo fronti di Pareto completi dove i baseline a singolo solver fallivano o restituivano soluzioni scalarizzate subottimali.

5. Significato e Rivendicazioni

L'articolo sostiene che COOPA affronti il "collo di bottiglia della formulazione" nella OR basata su LLM passando dalla generazione a passaggio singolo alla auto-correzione iterativa e alla verifica strutturata.

Interpretabilità: Fornendo la tracciabilità della sorgente e le spiegazioni della fiducia, COOPA va oltre la generazione "black box", permettendo ai professionisti di auditare il ragionamento dietro specifiche scelte di modellazione.
Scalabilità: Il design modulare consente al sistema di adattarsi a nuovi backend di solver e classi di problemi (es. ottimizzazione multi-obiettivo) senza riaddestrare il core LLM, un limite degli approcci basati sul fine-tuning.
Ruolo dell'Iterazione: Gli autori sottolineano che il raffinamento iterativo è più benefico quando il modello backbone è abbastanza forte da potersi auto-correggere ma non ancora saturo. Il meccanismo agisce come un "equalizzatore", fornendo guadagni significativi per i modelli più deboli (es. +8,9% su Qwen3-30B) pur mantenendo o migliorando leggermente le performance sui modelli più forti.

Limitazioni e Lavori Futuri:
Gli autori riconoscono che il dispatch multi-solver è attualmente meno validato empiricamente a causa della dominanza di LP/MIP nei benchmark esistenti. Notano inoltre che il processo iterativo aumenta il costo computazionale (circa 7 volte l'uso di token rispetto ai metodi a passaggio singolo). Il lavoro futuro prevede il test su benchmark più ampi con tipi di problemi diversi, la valutazione dell'impatto della tracciabilità sull'efficienza della verifica umana tramite studi utente e l'integrazione di modelli basati su addestramento (es. ORLM) come agenti backbone.

L'articolo posiziona COOPA non come un decisore autonomo, ma come un sistema di supporto alle decisioni progettato per abbassare la barriera all'ingresso per la modellazione della OR, mantenendo al contempo la supervisione umana attraverso la trasparenza e l'auditabilità.