Resumo Técnico: ORPilot

Declaração do Problema

A Pesquisa Operacional (PO) há muito tempo é uma disciplina crítica para a tomada de decisões em logística, cadeias de suprimentos e finanças. No entanto, existe uma barreira significativa entre os problemas de negócios do mundo real e os modelos de otimização matemática necessários para resolvê-los. Embora os Modelos de Linguagem de Grande Escala (LLMs) tenham mostrado promessa na geração de código de solucionadores para problemas de PO bem especificados e no estilo de livros didáticos, as ferramentas existentes falham em ambientes de produção. Cenários do mundo real são caracterizados por descrições de problemas ambíguas, grandes volumes de dados operacionais brutos (frequentemente em planilhas) e a necessidade de reprodutibilidade entre diferentes backends de solucionadores. As ferramentas atuais de LLM para PO geralmente assumem especificações de problemas limpas e completas com dados incorporados diretamente nos prompts, uma condição raramente atendida na indústria.

Metodologia

O ORPilot é um sistema de IA agênico de código aberto projetado para preencher a lacuna entre diálogos de negócios não restritos e modelos de otimização implantáveis e prontos para solucionadores. Construído sobre o framework de máquina de estados LangGraph, o ORPilot emprega um pipeline multiagente que imita o fluxo de trabalho de um consultor de PO humano. O sistema opera por meio de quatro componentes sequenciais e inovadores:

1. Agente de Entrevista Conversacional: Diferentemente de ferramentas que aceitam um único prompt, este agente envolve o usuário em um diálogo estruturado para elicitar uma especificação completa do problema. Ele identifica lacunas de informação, faz perguntas de esclarecimento direcionadas (por exemplo, sobre horizontes de tempo, tipos de variáveis ou lógica de restrições) e termina apenas quando o objetivo, as variáveis de decisão, as restrições e os requisitos de dados estão inequívocos.
2. Agente de Coleta de Dados: Reconhecendo que dados brutos não podem ser incorporados em prompts devido a limites de tokens e riscos de alucinação, este agente instrui o usuário exatamente sobre quais tabelas de dados (arquivos CSV) são necessárias. Ele define o esquema para cada tabela e valida os dados enviados quanto à completude e consistência antes de prosseguir.
3. Agente de Cálculo de Parâmetros: Este componente aborda a lacuna entre dados operacionais brutos e parâmetros prontos para o modelo. Ele inspeciona os arquivos CSV fornecidos, identifica quantidades derivadas exigidas pelo modelo (por exemplo, matrizes de distância, demandas agregadas ou valores Big-M), gera e executa scripts Python para calcular esses valores e produz novas tabelas de dados estruturadas para a próxima etapa.
4. Geração de Código e Loop de Auto-correção: O agente gera código de solucionador com base na especificação refinada do problema e nos parâmetros calculados. Crucialmente, o sistema inclui um loop de auto-correção: se o solucionador retornar um erro, inviabilidade ou ilimitabilidade, o rastreamento de erro é enviado de volta ao LLM para regenerar o código. Este mecanismo de repetição continua até um limite configurável.

Representação Intermediária (IR): Uma novidade arquitetônica central é a IR agnóstica ao solucionador. O ORPilot gera um esquema JSON compacto e tipado (validado via Pydantic) que captura o esqueleto do modelo (conjuntos, parâmetros, variáveis, objetivos, restrições) e referências a fontes de dados. Esta IR desacopla a formulação do modelo da sintaxe específica do solucionador (Gurobi, CPLEX, PuLP, Pyomo, OR-Tools). Uma vez validada, a IR pode ser recompilada deterministicamente para qualquer backend suportado sem novas chamadas ao LLM, garantindo reprodutibilidade e portabilidade.

Principais Contribuições

O artigo afirma que o ORPilot é a primeira ferramenta de LLM para PO explicitamente projetada para problemas de negócios de nível de produção, em vez de benchmarks acadêmicos. Suas principais contribuições incluem:

• Arquitetura Orientada à Produção: Ir além de suposições de "livro didático" para lidar com descrições ambíguas e grandes volumes de dados brutos por meio de um pipeline multiagente.
• Separação de Dados: Implementar um agente de coleta de dados que trata os dados como arquivos externos (CSV) em vez de conteúdo do prompt, mitigando limites de tokens e riscos de alucinação.
• Derivação Automatizada de Parâmetros: Introduzir um agente dedicado para calcular parâmetros derivados a partir de dados brutos, uma etapa anteriormente não abordada na literatura de LLM para PO.
• Reprodutibilidade Determinística: O uso de uma IR agnóstica ao solucionador permite a recompilação sem chamadas ao LLM para diferentes backends, habilitando análises de "e se" e arquivamento de modelos independentes do LLM.
• Pipeline de Auto-correção: Um loop robusto de repetição que utiliza mensagens de erro do solucionador para reparar iterativamente formulações de modelos.

Resultados Experimentais

Os autores avaliaram o ORPilot em três problemas de cadeia de suprimentos do mundo real e de grande escala (Puro LP, Programação Inteira Mista e Programação Inteira Pura) com tamanhos de dados variando de centenas de milhares a milhões de variáveis e restrições. Nestes cenários industriais, o ORPilot gerou e resolveu com sucesso modelos usando Gurobi, com o loop de auto-correção resolvendo a maioria dos erros em uma ou duas repetições.

Para comparar com ferramentas existentes de última geração, o ORPilot também foi testado em três benchmarks acadêmicos: IndustryOR, NL4OPT e NLP4LP.

• IndustryOR: O ORPilot com GPT-4o alcançou 46% de precisão, superando o OptiMUS-0.3 (37%) no mesmo benchmark. Ao usar o mais avançado Claude-Sonnet-4.6, a precisão subiu para 75%.
• NL4OPT e NLP4LP: O ORPilot mostrou desempenho comparável ou ligeiramente inferior a modelos ajustados (por exemplo, ORLM, LLMOPT) nestes conjuntos de dados. Os autores atribuem isso ao fato de que esses benchmarks consistem em problemas limpos e no estilo de livros didáticos, que não são o alvo principal de design do pipeline focado na indústria do ORPilot.

Significado e Alegações

O artigo posiciona o ORPilot como um passo fundamental para democratizar a modelagem de otimização para profissionais da indústria que carecem de expertise em programação matemática. Os autores argumentam que o pipeline — elicitação iterativa de problemas, manipulação automatizada de dados, derivação de parâmetros e reprodutibilidade baseada em IR — representa um framework necessário para qualquer implantação séria de LLM para PO em produção.

O significado do trabalho reside em sua mudança de "síntese de código a partir de um prompt" para "resolução de problemas agênica". Ao abordar toda a lacuna entre a descrição vaga de um usuário de negócios e um modelo implantável, o ORPilot visa tornar a otimização acessível a não especialistas. Os autores observam modestamente que, embora o sistema seja um protótipo competitivo, ele expõe limitações estruturais, como a falta de uma camada de validação semântica de soluções para capturar modelos que são matematicamente ótimos, mas semanticamente incorretos. Eles sugerem que trabalhos futuros devem focar na integração de validação de soluções, diagnóstico de inviabilidade e ajuste fino de LLMs especificamente nos artefatos de IR verificados gerados pelo pipeline.