Сопоставление номенклатур товаров ресторанов и поставщиков с помощью LLM – Case Study для ресторанного холдинга
https://doi.org/10.15514/ISPRAS-2025-37(6)-43
Аннотация
В современном ресторанном бизнесе точное сопоставление номенклатуры продуктов между ресторанами и поставщиками является критически важной задачей. Эффективное управление запасами и оптимизация закупок напрямую влияют на прибыльность бизнеса. С ростом числа поставщиков и ассортимента продукции традиционные методы сопоставления становятся менее эффективными. В данном исследовании предлагается использовать большие языковые модели (LLM) для автоматизации и повышения точности сопоставления продуктов. В рамках пилотного проекта для ресторанного холдинга мы протестировали пять групп продуктов (креветки, угорь, сыр пармезан, творог, сливочное масло), достигнув средней точности тестирования 83,8%. Архитектура решения использует быстрое проектирование, платформы с низким уровнем кода, такие как Flowise, и интеграцию с Telegram для удобной обработки данных. Ключевые проблемы, включая семантическую неоднозначность и галлюцинации моделей, были решены с помощью предметно-ориентированных словарей и валидации. Такой подход сокращает ручную работу примерно на 90%, что позволяет создавать масштабируемые решения для цепочки поставок, применимые не только в ресторанах, но и в розничной торговле и электронной коммерции.
Ключевые слова
большие языковые модели,
управление цепями поставок,
сопоставление номенклатуры продуктов,
автоматизация,
оптимизация запасов.
При поддержке: Работа выполнена в рамках программы фундаментальных исследований НИУ ВШЭ.
Об авторах
Сеунгмин ДЖИН
Национальный исследовательский университет «Высшая школа экономики»,
Россия
Россия
Кандидат технических наук, работает в НИУ ВШЭ с 2024 года в должности доцента департамента бизнес-информатики высшей школы бизнеса НИУ ВШЭ, а также старшего научного сотрудника международной лаборатории интеллектуальных систем и структурного анализа факультета компьютерных наук НИУ ВШЭ. Сфера научных интересов: визуальная аналитика, искусственный интеллект, нейронные сети, машинное обучение и глубинное обучение и их приложения в рекомендательных системах и других областях.
Петр Борисович ПАНФИЛОВ
Национальный исследовательский университет «Высшая школа экономики»,
Россия
Россия
Кандидат технических наук, доцент, является профессором департамента бизнес-информатики высшей школы бизнеса НИУ ВШЭ. Его научные интересы включают компьютерные науки и инженерию, науки о данных, распределенные вычисления и обработку данных и их приложения.
Александр Сергеевич СУЛЕЙКИН
Национальный исследовательский университет «Высшая школа экономики»,
Россия
Россия
кандидат технических наук, является научным сотрудником научно-исследовательской лаборатории процессно-ориентированных информационных систем факультета компьютерных наук НИУ ВШЭ. Его научные интересы включают компьютерные науки и инженерию, науки о данных, искусственный интеллект и решения на основе генеративного искусственного интеллекта в промышленности и бизнесе.
Список литературы
1. Dhara S., Delgado Barba S. (2024). Large language models in supply chain management [Master's thesis]. POLITesi Repository (online), Available at: https://www.politesi.polimi.it/retrieve/9f1da09d-256f-428c-8bae-a94d529df3e6/2024_07_Dhara_Delgado.pdf, accessed 25.10.2025.
2. Li B., Mellou K., Zhang B., Pathuri J., Menache I. (2023). Large language models for supply chain optimization. arXiv preprint arXiv:2307.03875.
3. Kumar S., Mellou K., Pathuri J. (2023). Large language models for supply chain optimization. ArXiv Preprint. Available at: https://arxiv.org/abs/2307.03875, accessed 25.10.2025.
4. Bag S., Rahman M.S., Srivastava G., Shore A., Ram, P. (2023) Examining the role of virtue ethics and big data in enhancing viable, sustainable, and digital supply chain performance, Technological Forecasting and Social Change, Vol. 186, DOI: 10.1016/j.techfore.2022.122154.
5. HBR Editors. (2025). How generative AI improves supply chain management. Harvard Business Review (online). Available at: https://hbr.org/2025/01/how-generative-ai-improves-supply-chain-management, accessed 25.10.2025.
6. Aporia AI Insights. (2024). Risks of using LLMs in enterprise applications (online). Available at: https://www.aporia.com/learn/risks-of-using-llms-in-enterprise-applications/, accessed 25.10.2025.
7. McKinsey Global Institute. (2025). Beyond automation: How gen AI is reshaping supply chains, Available at: https://www.mckinsey.com/capabilities/operations/our-insights/beyond-automation-how-gen-ai-is-reshaping-supply-chains/, accessed 25.10.2025.
8. IMD. (2024). How will large language models impact supply chains? Available at: https://www.imd.org/ibyimd/supply-chain/large-language-model-impacts-on-supply-chain/, accessed 25.10.2025.
9. Kellton Tech Blog. (2024). Large language models (LLMs): Navigating challenges and uncovering benefits. Available at: https://www.kellton.com/kellton-tech-blog/large-language-models-challenges-benefits, accessed 25.10.2025.
10. Lokad TV. (2023). Large language models in supply chain [online video]. Available at: https://www.lokad.com/tv/2023/12/13/large-language-models-in-supply-chain/, accessed 25.10.2025.
11. Cobalt.io. (2024). LLM supply chain attack prevention strategies (online). Available at: https://www.cobalt.io/blog/llm-supply-chain-attack-prevention-strategies, accessed 25.10.2025.
12. OWASP Foundation. (2023). OWASP Top Ten for Large Language Model Applications (online). Available at: https://owasp.org/www-project-top-10-for-large-language-model-applications), accessed 25.10.2025.
13. Атаки на цепочки поставок: как уязвимости распространяются через зависимости (online). Available at: https://www.securitylab.ru/blog/personal/xiaomite-journal/355832.php, accessed 27.10.2025.
14. Поисковый сервис DUC SmartSearch. Available at: https://duc-technologies.ru/smartsearch, accessed 27.10.2025.
15. Open Source AI Platform for Work (online). Available at: https://www.onyx.app/, accessed 27.10.2025.
16. Open source agentic systems development platform (online). Available at: https://flowiseai.com/, accessed 27.10.2025.
17. Cервис GigaChat (online). Available at: https://giga.chat/, accessed 27.10.2025.
Рецензия
Для цитирования:
ДЖИН С., ПАНФИЛОВ П.Б., СУЛЕЙКИН А.С. Сопоставление номенклатур товаров ресторанов и поставщиков с помощью LLM – Case Study для ресторанного холдинга. Труды Института системного программирования РАН. 2025;37(6):163-176. https://doi.org/10.15514/ISPRAS-2025-37(6)-43
For citation:
JIN S., PANFILOV P.B., SULEYKIN A.S. Mapping Restaurant and Supplier Product Nomenclatures Using LLM – Case Study for a Restaurant Holding. Proceedings of the Institute for System Programming of the RAS (Proceedings of ISP RAS). 2025;37(6):163-176. (In Russ.) https://doi.org/10.15514/ISPRAS-2025-37(6)-43
Послать статью по эл. почте 