Large Language Models as Delivery Rider: Generating Instant Food Delivery Riders' Routing Decision with LLM Agent Framework
Dit paper introduceert LLM-DR, een nieuw agentenframework dat Large Language Models gebruikt om de heterogene routekeuzes van bezorgers in on-demand leveringsdiensten te simuleren door empirisch onderbouwde persona's te combineren met een redeneringsgebaseerd Chain-of-Thought-proces.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Stel je voor dat je een gigantisch, levend bordspel speelt in de stad. Op dit bord zijn duizenden bestellingen (zoals pizza's of boodschappen) die bezorgd moeten worden, en er zijn duizenden bezorgers die deze bestellingen moeten oppakken.
Vroeger probeerden computers dit na te bootsen met simpele regels: "Neem altijd de dichtstbijzijnde bestelling aan" of "Rijd altijd zo snel mogelijk naar het dichtstbijzijnde punt." Maar echte mensen zijn niet als robots. Soms wachten ze op een grote stapel bestellingen, soms werken ze alleen tijdens de lunchpauze, en soms willen ze gewoon rustig doorwerken.
Deze paper introduceert een nieuwe manier om dit te simuleren met LLM-DR. Hier is hoe het werkt, vertaald naar alledaags taal:
1. De "Personas": Vier soorten bezorgers
In plaats van één soort robotbezorger te maken, hebben de onderzoekers eerst gekeken naar echte data van duizenden bezorgers. Ze zagen dat er vier duidelijke "types" of karakters waren, net zoals in een rollenspel:
- De Full-time Workhorse (De Vette Paard): Deze bezorger werkt de hele dag door. Hij/zij neemt alles aan wat er komt, net als een paard dat continu aan het trekken is. Het doel is een stabiel inkomen, dus geen lange pauzes.
- De Lunch-Peak Specialist (De Lunch-expert): Deze persoon is als een sprinter die alleen uit de startblokken schiet tussen 11:00 en 14:00 uur. Hij/zij negeert de rest van de dag en jaagt op korte, snelle bestellingen rond het kantorendistrict.
- De Super Stacker (De Stapelaar): Deze is als een strategische schaker. Hij/zij weigert kleine, saaie bestellingen en wacht geduldig tot er een "golf" van bestellingen is die allemaal langs elkaar liggen. Dan pakt hij/zij er vier of vijf tegelijk, zodat de rit superrendabel wordt.
- De Dinner-Peak Core (De Avondkern): Deze werkt vooral 's avonds, rond het etenstijd. Hij/zij houdt van simpele, losse bestellingen en vermijdt de chaos van grote stapels.
2. De "Brein": De AI die denkt
Hoe laten ze een computer deze karakters nabootsen? Ze gebruiken een Groot Taalmodel (LLM).
Stel je voor dat elke bezorger een acteur is die een script heeft. Dit script is hun "persoonlijkheid" (bijvoorbeeld: "Ik ben de Super Stacker, ik haat kleine bestellingen").
Wanneer er een nieuwe bestelling binnenkomt, doet de computer niet alleen een berekening. Nee, de AI denkt na (dit noemen ze Chain-of-Thought).
Het proces ziet er zo uit:
- Waarnemen: "Oh, er zijn vier bestellingen. Twee zijn goedkoop, twee zijn duur."
- Evalueren: "Als ik de Super Stacker ben, wil ik die twee dure bestellingen combineren. Die goedkope zijn niet de moeite waard."
- Plannen: "Ik ga eerst die ene ophalen, dan die twee, en dan die laatste."
- Beslissen: "Ik neem deze drie aan en weiger de rest."
Dit voelt veel meer als een menselijk besluit dan een simpele computerformule.
3. Het Grote Experiment: De Stad als Speelveld
De onderzoekers hebben een virtuele stad (Peking) nagebootst met echte bestellingdata. Ze hebben vier van deze "AI-acteurs" neergezet op verschillende plekken in de stad en ze de hele dag laten werken.
Wat zagen ze?
- De Workhorse liep de hele dag door de hele stad, overal waar het nodig was.
- De Lunch-expert bleef bijna volledig hangen in het zakendistrict tijdens de lunch, en deed 's avonds bijna niets.
- De Stapelaar maakte lange, complexe routes met veel bestellingen tegelijk, en had soms lange wachttijden voordat hij/zij weer aan de slag ging.
- De Avondkern kwam pas laat op en werkte in de woonwijken.
Waarom is dit cool?
Vroeger konden we alleen zeggen: "Als we meer bezorgers hebben, gaat het sneller."
Met dit nieuwe systeem kunnen we nu vragen stellen als:
- "Wat gebeurt er als het hard regent? Wordt de 'Stapelaar' dan nog geduldiger of neemt hij/zij sneller kleine bestellingen?"
- "Wat als er na een voetbalwedstrijd ineens 10.000 bestellingen binnenkomen? Welk type bezorger pakt die het snelst op?"
Conclusie
Kortom: Dit onderzoek maakt een slimme simulator die niet alleen rekent, maar ook begrijpt hoe mensen denken. Het combineert echte data (wie doen wat) met slimme AI (die nadenkt als een mens). Hierdoor kunnen steden en bezorgbedrijven beter begrijpen hoe hun systemen werken en hoe ze ze kunnen verbeteren, zonder dat ze eerst duizenden echte mensen hoeven te laten rondrijden om fouten te maken.
Het is alsof je een proefstad bouwt waar je kunt spelen met verschillende soorten bezorgers om te zien wat er gebeurt, voordat je het echt in de echte wereld toepast.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.