Zespół naukowców zaprezentował YUKTI - system zamieniający naturalne opisy sytuacji w decyzje odporne na niepewność założeń, które stanowią dziś największe słabości modeli języka transformujących problemy biznesowe. Dominujące dotąd pipeline'i jak NL4Opt, OptiMUS, ORLM i OR-LLM-Agent przekształcają tekst w konkretne liczby, wybierają jeden cel i jeden punkt w przestrzeni parametrów, po czym rozwiązują zadanie optymalizacyjne dokładnie raz. Problem polega na tym, że każda liczba to założenie - plany optymalne tylko jeśli zgadniemy wszystkie parametry dokładnie są więc bardzo niestabilne i łatwo mogą zawieźć w rzeczywistości.
YUKTI zmienia podejście strukturalnie. Zamiast punktowych oszacowań buduje graf typowanych propozycji, gdzie relacje noszą informacje o rozkładach parametrów, ich pochodzeniu i niepewności. System routuje każdy etap do odpowiedniego solvera - dokładnego, nieliniowego lub ewolucyjnego - a następnie łączy wyniki poprzez Pareto frontier rozpatrywane w wielu wariantach założeń. Kluczowa innowacja to Assumption-Robust Pareto Frontiers (ARPF) - procedura która próbkuje różne scenariusze parametrów, mając na celu znaleźć akcje, które przetrwają szeroki zakres możliwych błędów. Każdemu działaniu przypisano współczynnik rho pokazujący, jak często pozostaje optymalne mimo zmian założeń.
Autorzy udowodnili matematycznie, że rho stanowi dokładny factor regretmowy decyzji, co pozwala certyfikować ryzyko planu. Przygotowali też metodę syntetycznego generowania danych wzorcowych (SRJANA), bo w takich problemach benchmark'i rzadko istnieją. Walidacja obejmowała trzy scenariusze: testy kontrolowane wykazały, że robustne kompromisy zmniejszają średni i tail regret o ponad 90 procent w stosunku do naiwnych punktowych planów; aplikacja komercyjna pokazała optymalizację wewnątrz legalnej przestrzeni działań z wyceną ryzyka w eurach; a rzeczywisty dataset 41 188 decyzji potwierdzył, że przewidywania poza próbą biją zalogowany status quo.