💻 computer science

MARS-Agent: Retrieval-Augmented Multi-Agent Deliberation for Cross-Border E-Commerce Supply Chain Resilience

Het artikel stelt MARS-Agent voor, een retrieval-augmented multi-agent framework met een Dual-Triggered RAG-mechanisme en een Verify-Adapt-Replan-lus om gesloten-lus, zelfcorrigerende deliberatie mogelijk te maken voor het vergroten van de veerkracht van grensoverschrijdende e-commerce toeleveringsketens tegen heterogene verstoringen.

Oorspronkelijke auteurs: Wenhui Zheng, Qing Xu

Gepubliceerd 2026-09-07

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Wenhui Zheng, Qing Xu

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://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

Wereldwijde handel is altijd een delicaat evenwicht geweest, maar de moderne versie die goederen over grenzen heen verplaatst voor online winkelen, staat onder een unieke vorm van druk. In tegenstelling tot een lokaal leveringsnetwerk dat opereert binnen de stabiele wetten en wegen van één enkel land, moet een grensoverschrijdende toeleveringsketen navigeren door een verschuivend landschap van verschillende regeringen, veranderende handelsregels en onvoorspelbare politieke gebeurtenissen. Wanneer een haven verstopt raakt of er een nieuwe sanctie wordt aangekondigd, kunnen de rimpeleffecten onmiddellijk en ernstig zijn. Jarenlang hebben computersystemen die deze netwerken beheren, geëxperimenteerd als een eenrichtingsweg: ze zouden een probleem signaleren, een oplossing berekenen en deze vervolgens verzenden. Deze systemen realiseerden zich echter vaak niet dat hun eigen oplossingen nieuwe problemen konden creëren. Als een manager een zending omleidt om een storm te vermijden, kan die nieuwe route plotseling tegen de douaneblokkade van een ander land aanlopen of tegen een leverancier die net te maken heeft gekregen met een handelsbeperking. De oude methoden behandelden het initiële risico en de gevolgen van de oplossing als afzonderlijke gebeurtenissen, waardoor het systeem kwetsbaar bleef voor een kettingreactie van fouten die het niet had kunnen voorzien.

Om dit op te lossen, hebben onderzoekers Wenhui Zheng en Qing Xu een nieuw systeem ontwikkeld genaamd MARS-Agent, dat meer werkt als een team van specialisten dat voortdurend hun werk controleert tegen de echte wereld. In plaats van één computerprogramma dat een beslissing neemt en doorgaat, gebruikt dit systeem een groep kunstmatige intelligentie-agenten die samenwerken in een continue lus. Het proces begint met een "verkenner" (scout) die voortdurend het internet scant naar nieuws over geopolitieke conflicten, weer en handelsbeleid, en die rommelige nieuwsberichten omzet in duidelijke feiten. Een "analist" vertaalt vervolgens die feiten naar cijfers, waarbij wordt geschat hoeveel een vertraging mag kosten of hoe waarschijnlijk het is dat een zending zal mislukken. Een "optimizer" gebruikt deze informatie om een plan op te stellen, zoals het kiezen van een nieuwe scheepsroute of een ander magazijn. Maar het cruciale verschil in dit nieuwe systeem is de laatste stap: een "validator"-agent die fungeert als een veiligheidsinspecteur. Voordat een plan wordt uitgevoerd, controleert deze validator de voorgestelde route en de betrokken nieuwe leveranciers om te zien of ze nieuwe risico's introduceren die niet aanwezig waren in het oorspronkelijke probleem. Als de validator een verborgen gevaar vindt, stuurt hij het plan terug naar de optimizer om het te herschrijven, waardoor een cyclus van controle en verfijning ontstaat totdat het plan veilig is om te gebruiken.

De onderzoekers testten deze aanpak in een zeer gedetailleerde simulatie van een grensoverschrijdend e-commerce netwerk, waarbij ze er 120 verschillende real-world verstoringsscenario's in injecteerden, variërend van havencongestie veroorzaakt door tyfoons tot plotselinge handels sancties en geopolitieke conflicten. Ze vergeleken hun nieuwe systeem met vijf andere methoden, waaronder traditionele wiskundige modellen en andere technieken voor kunstmatige intelligentie. De resultaten lieten zien dat het MARS-Agent-team de anderen consequent overtrof. In de simulaties slaagde het erin om bestellingen bijna 90 procent van de tijd op tijd te leveren, een significante verbetering ten opzichte van de op één na beste methode. Belangrijker nog, het verminderde de totale operationele kosten en de boetes voor late leveringen met een ruime marge. Misschien wel het meest kritiek is dat het systeem de algehele risico-expositie met meer dan een derde verlaagde ten opzichte van de beste bestaande risico-bewuste methoden. Dit succes kwam niet alleen voort uit sneller of goedkoper zijn; het ging om het vermogen van het systeem om zijn eigen fouten te vangen voordat ze gebeurden. In één specifieke testcase waarbij een tyfoon een belangrijke haven trof, leidde oudere systemen goederen om naar een back-up leverancier, om vervolgens te merken dat die goederen werden geweigerd door de douane omdat ze een nieuwe exportbeperking hadden gemist. De MARS-Agent ving deze nieuwe beperking echter op tijdens de validatiefase, dwong een herplanning af en vond een andere leverancier die de order daadwerkelijk zonder vertraging kon vervullen.

De studie keek ook naar hoeveel extra rekenkracht deze zorgvuldige controle vereiste. Omdat het systeem door meerdere rondes van controleren en hercontroleren gaat, duurt het langer om een enkele beslissing te nemen dan een standaardprogramma dat direct handelt. De simulatie toonde aan dat een volledige beslissingscyclus ongeveer 22 seconden duurde, vergeleken met net iets meer dan 5 seconden voor een eenvoudiger systeem. De onderzoekers merkten echter op dat in de echte wereld van de internationale scheepvaart beslissingen vaak worden genomen over de loop van uren of dagen, niet seconden. Dit betekent dat de extra tijd die wordt besteed aan het verifiëren van het plan een kleine prijs is om het falen van een zending te voorkomen. Het systeem bleek bijzonder effectief bij complexe, onvoorspelbare gebeurtenissen zoals politieke conflicten, waarbij de regels snel veranderen en moeilijk te voorspellen zijn met standaardformules. Door voortdurend verse informatie op te halen en zijn eigen plannen te controleren tegen die nieuwe gegevens, vermeed het systeem de valkuil van het vertrouwen op verouderde aannames.

Uiteindelijk toont het werk aan dat veerkracht in een chaotische mondiale omgeving meer vereist dan alleen reageren op problemen; het vereist een systeem dat zijn eigen oplossingen bevraagt. Het MARS-Agent-framework laat zien dat door het besluitvormingsproces op te splitsen in gespecialiseerde rollen en het systeem te dwingen zijn eigen plannen te verifiëren tegen de nieuwste informatie, het mogelijk is om de complexiteit van de grensoverschrijdende handel met veel grotere stabiliteit te navigeren. De onderzoekers ontdekten dat deze closed-loop benadering, waarbij het systeem voortdurend leert van zijn eigen voorgestelde acties, de sleutel is om toeleveringsketens in bewegend te houden wanneer de wereld om hen heen verschuift. Hoewel de studie in een gesimuleerde omgeving werd uitgevoerd, suggereren de resultaten dat deze methode van collaboratieve, zelfcorrigerende kunstmatige intelligentie een robuust fundament kan bieden voor het beheer van de fragiele en onderling verbonden netwerken die de wereldwijde handel draaiende houden.

Technische Samenvatting: MARS-Agent voor de veerkracht van grensoverschrijdende e-commerce toeleveringsketens

1. Probleemstelling

Grensoverschrijdende e-commerce toeleveringsketens worden geconfronteerd met steeds heterogene verstoringen, waaronder geopolitieke onzekerheden, verschuivingen in handelsbeleid en logistieke knelpunten. Bestaande methoden voor de veerkracht van toeleveringsketens lijden aan een fundamentele structurele tekortkoming: zij behandelen risicoperceptie en operationele besluitvorming als ontkoppelde, open-loop processen.

Deze ontkoppeling creëert twee kritieke problemen:

Reactieve beperkingen: Klassieke methoden (stochastische programmering, robuuste optimalisatie) vertrouwen op vooraf gedefinieerde verstoringsverdelingen en hebben moeite met gebeurtenissen buiten de distributie (out-of-distribution). Reinforcement Learning (RL)-benaderingen zijn afhankelijk van gestructureerde staat-representaties en slagen er niet in om ongestructureerde signalen, zoals geopolitieke gebeurtenissen, te vangen.
Reflexieve blinde vlekken: Grensoverschrijdende verstoringen zijn inherent reflexief; een corrigerende actie die wordt ondernomen om één verstoring te mitigeren, kan onbedoeld nieuwe risico-exposities introduceren in verbonden jurisdicties. Huidige Large Language Model (LLM) en Multi-Agent systemen opereren in single-turn of open-loop settings, waarbij mechanismen ontbreken om te verifiëren of hun eigen beslissingen het risico vergroten.

2. Methodologie: MARS-Agent

De auteurs stellen MARS-Agent voor, een retrieval-augmented multi-agent samenwerkingsframework ontworpen om real-time risicoperceptie, gestructureerde impactkwantificering en closed-loop strategie-optimalisatie te verenigen. Het framework bestaat uit drie kerncomponenten:

A. Dual-Triggered Retrieval-Augmented Generation (DT-RAG)

In tegenstelling tot conventionele RAG-systemen die vertrouwen op passieve, query-gestuurde retrieval, initieert DT-RAG retrieval proactief via twee paden:

State-Triggered Retrieval: Geactiveerd wanneer indicatoren van de toeleveringsketen (bijv. voorraadniveaus, vertragingspercentages) specifieke drempelwaarden overschrijden. Dit stelt het systeem in staat om opkomende externe risico's te detecteren voordat ze escaleren.
Decision-Triggered Retrieval: Geactiveerd door de entiteiten die in een kandidaat-plan worden geïntroduceerd (bijv. nieuwe routes of back-up leveranciers). Dit adresseert de "blinde vlek" waar de risico-implicaties van de eigen acties van het systeem ononderzocht blijven.
Data-inname: Het systeem verwerkt ongestructureerde risicosignalen (via het GDELT Project) via een vector database en gestructureerde operationele data (via de Olist dataset) via een relationele database.

B. Vier-rollen Multi-Agent Architectuur

Het framework maakt gebruik van vier gespecialiseerde agents die samenwerken om ongestructureerde signalen om te zetten in uitvoerbare strategieën:

Environmental Scout Agent: Fungeert als een gedeelde kennisgateway die interfaceert met de vector database om relevante risicorecords op te halen op basis van state- of decision-triggers.
Impact Analyst Agent: Gebruikt LLM-redenering om opgehaalde ongestructureerde tekst om te zetten in gestructureerde verstoringsparameters (verwachte vertraging, extra kosten, faalkans) met gekalibreerde betrouwbaarheidsintervallen.
Optimization Agent: Genereert veerkracht-bewuste toeleveringsketenplannen (herroutering, selectie van leveranciers) door een doelfunctie op te lossen die kosten en risico balanceert. Het ondersteunt iteratieve herplanning wanneer nieuwe restricties worden ingevoid.
Validator Agent: Dient als de kritieke closed-loop component. Het extraheert nieuwe entiteiten uit een kandidaat-plan, triggert decision-based retrieval en kwantificeert de netto risicoverandering ( $\Delta Risk$ ).

C. Verify-Adapt-Replan Loop (VARL)

De VARL transformeert de beslissingspipeline van feed-forward naar een zelfcorrigerend deliberatieproces:

Forward Pass: De Scout, Analyst en Optimization agents genereren een initieel plan ( $\pi_0$ ).
Verificatie: De Validator Agent evalueert $\pi_0$ tegen nieuw ontdekte risico's. Als de netto risicoverandering een drempelwaarde ( $\epsilon$ ) overschrijdt, wordt het plan afgewezen.
Adaptatie & Herplanning: Indien afgewezen, worden de ontdekte risico's geïnjecteerd als restricties in de optimalisatie-doelfunctie, wat de Optimization Agent aanzet tot het genereren van een herzien plan ( $\pi_{n+1}$ ).
Convergentie: De loop iterereert tot risico-convergentie, planstabiliteit, of een maximale iteratiegrens ( $N_{max}$ ) is bereikt. Indien convergentie faalt, escaleert het systeem naar menselijke beoordeling.

3. Belangrijkste Bijdragen

Het paper schetst vier primaire bijdragen:

MARS-Agent Framework: Een verenigde vier-rollen architectuur (Scout, Analyst, Optimization, Validator) die risicoperceptie, impactkwantificering en closed-loop optimalisatie integreert.
DT-RAG Mechanisme: Een proactief retrieval-paradigma waarbij kennisverwerving wordt getriggerd door zowel veranderingen in de toeleveringsketen als door de gegenereerde beslissingen van de agent, waardoor redenering geworteld blijft in actuele externe kennis.
VARL Mechanisme: Een zelfcorrigerend deliberatieproces dat kandidaat-plannen stresst door middel van secundaire retrieval en ontdekte risico's terugvoert als restricties, wat formeel convergentie garandeert.
Empirische Validatie: Uitgebreide experimenten die superieure prestaties aantonen op het gebied van kostenefficiëntie, leveringsbetrouwbaarheid en risico-expositie vergeleken met traditionele optimalisatie, RL en LLM-gebaseerde baselines.

4. Experimentele Resultaten

Experimenten werden uitgevoerd in een simulatieomgeving voor grensoverschrijdende e-commerce met behulp van GDELT geopolitieke data en Olist orderdata, met 120 geïnjecteerde verstoringsscenario's (havencongestie, handelsrestricties, geopolitieke conflicten, natuurrampen).

Prestatie-indicatoren:

Kostenefficiëntie: MARS-Agent behaalde een totale kosten van 108.2 en een boetekost van 18.6, waarmee het de beste baseline (PPO-Inv) met respectievelijk 13.3% en 31.4% versloeg.
Leveringsbetrouwbaarheid: Behaalde een On-Time Delivery (OTD) ratio van 89.7% met een gemiddelde vertraging van 2.4 dagen, een verbetering van 8.5% in OTD ten opzichte van de beste baseline.
Risico-expositie: Bereikte een risicoscore van 0.281, een reductie van 33.6% vergeleken met de beste risico-bewuste baseline (SC-GPT).

Ablatie-studies:

Het verwijderen van de multi-agent architectuur verminderde de OTD met 3.1% en verhoogde het risico.
Het verwijderen van DT-RAG (terugval naar passieve retrieval) verhoogde de totale kosten met 7.8 en de risicoscore met 0.071.
Het verwijderen van de VARL (open-loop executie) resulteerde in de meest significante degradatie, met een stijging van de totale kosten met 13.1 en de risicoscore met 0.087, wat bevestigt dat closed-loop verificatie de meest kritieke factor is voor het mitigeren van door beslissingen geïnduceerde risico's.

Convergentieanalyse:
De VARL convergeerde efficiënt met een gemiddelde van 1.53 iteraties per beslissingscyclus. Voor gestructureerde verstoringen (natuurrampen) werden 75.8% van de plannen geaccepteerd in de eerste iteratie. Voor ongestructureerde verstoringen (geopolitieke conflicten) waren meer iteraties nodig, maar escalatie naar menselijke beoordeling vond plaats in minder dan 4.2% van de gevallen.

5. Betekenis en Claims

Het paper claimt dat MARS-Agent het cruciale gat tussen de reflexieve aard van grensoverschrijdende verstoringen en het open-loop paradigma van huidige methoden aanpakt. Door de integratie van DT-RAG en VARL maakt het framework het mogelijk om:

Proactieve Risicoperceptie: Verder gaan dan reactieve queries om risico's te detecteren die worden getriggerd door zowel omgevingsveranderingen als interne beslissingen.
Zelfcorrigerende Deliberatie: Het transformeren van de beslissingspipeline in een closed-loop proces waarbij het systeem verifieert dat zijn eigen corrigerende acties geen secundaire kwetsbaarheden introduceren.
Gebalanceerde Optimalisatie: Het bereiken van een optimaal evenwicht tussen kostenefficiëntie, leveringssnelheid en risico-expositie in dynamische, heterogene omgevingen.

De auteurs benadrukken dat hoewel de computationele overhead hoger is dan bij single-turn LLM-methoden (ongeveer 4.2x latentie), dit binnen acceptabele marges blijft voor dagelijkse beslissingscycli in de toeleveringsketen, wat een robuuste oplossing biedt voor veerkrachtige grensoverschrijdende e-commerce operaties.