Els problemes d'optimització combinatòria, com ara planificar rutes, repartir tasques o ordenar horaris, són la base de molta logística i indústria, i cap algorisme únic no els resol tots bé. Fa uns anys que els investigadors proven de fer que un model de llenguatge n'escrigui, de mètodes aproximats, les anomenades heurístiques. Un nou treball a Nature Machine Intelligence, de Huatian Gong i col·legues, hi aporta una idea: no buscar el millor mètode, sinó un equip de mètodes que es complementin.
El marc, que s'anomena LACE, descompon el disseny de l'algorisme en un esquema d'entrada, un de sortida, una biblioteca d'eines i una cartera d'heurístiques. El model de llenguatge treballa sobre un «contracte» del problema que s'ha verificat abans, de manera que pot dedicar-se al raonament d'alt nivell i no als detalls d'implementació. Després, una evolució complementària genera i selecciona heurístiques especialitzades que, juntes, resolen casos diferents dins d'un límit de temps estricte.
En 36 problemes clàssics del banc de proves CO-Bench, LACE obté una puntuació mitjana de 0,945, davant del 0,870 del millor mètode anterior basat en models de llenguatge i del 0,571 de demanar-ho directament al model sense cap marc. Són dades de l'estudi, mesurades sobre un banc de proves concret.
Convé llegir-ho amb mesura: la millora es mesura sobre problemes de referència i no sobre un cas industrial, i queda per veure si es manté amb instàncies més grans o amb condicions reals. El valor del resultat és metodològic: suggereix que el progrés en algorismes assistits per IA pot venir més d'estructurar bé el treball del model que de fer-lo créixer.