Large language models for power scheduling: A user-centric approach
Les grands modèles de langage pour la planification de consommation de puissance : une approche centrée sur l'utilisateur
Abstract
While traditional optimization and scheduling schemes are designed to meet fixed, predefined system requirements, future systems are moving toward user-driven approaches and personalized services, aiming to achieve high quality-of-experience (QoE) and flexibility. This challenge is particularly pronounced in wireless and digitalized energy networks, where users' requirements have largely not been taken into consideration due to the lack of a common language between users and machines. The emergence of powerful large language models (LLMs) marks a radical departure from traditional system-centric methods into more advanced user-centric approaches by providing a natural communication interface between users and devices. In this paper, for the first time, we introduce a novel architecture for resource scheduling problems by constructing three LLM agents to convert an arbitrary user's voice request (VRQ) into a resource allocation vector. Specifically, we design an LLM intent recognition agent to translate the request into an optimization problem (OP), an LLM OP parameter identification agent, and an LLM OP solving agent. To evaluate system performance, we construct a database of typical VRQs in the context of electric vehicle (EV) charging. As a proof of concept, we primarily use Llama 3 8B. Through testing with different prompt engineering scenarios, the obtained results demonstrate the efficiency of the proposed architecture. The conducted performance analysis allows key insights to be extracted. For instance, having a larger set of candidate OPs to model the real-world problem might degrade the final performance because of a higher recognition/OP classification noise level. All results and codes are open source.
Alors que les schémas traditionnels d'optimisation et de planification sont conçus pour répondre à des exigences fixes et prédéfinies, les systèmes futurs évoluent vers des approches axées sur l'utilisateur et des services personnalisés, visant à atteindre une haute qualité d'expérience (QoE) et une flexibilité accrue. Ce défi est particulièrement marqué dans les réseaux sans fil et énergétiques numérisés, où les besoins des utilisateurs n'ont généralement pas été pris en compte en raison de l'absence d'un langage commun entre les utilisateurs et les machines. L'émergence de puissants grands modèles de langage (LLM) représente un tournant radical par rapport aux méthodes traditionnelles centrées sur les systèmes, en offrant une interface de communication naturelle entre les utilisateurs et les systèmes. Dans cet article, nous introduisons pour la première fois une nouvelle architecture pour les problèmes de planification des ressources en construisant trois agents LLM pour convertir une demande vocale (VRQ) de l'utilisateur en un vecteur d'allocation de ressources. Plus précisément, nous concevons un agent LLM de reconnaissance d'intention pour traduire la demande en un problème d'optimisation (OP), un agent LLM pour l'identification des paramètres de l'OP, et un agent LLM pour la résolution de l'OP. Afin d'évaluer les performances du système, nous construisons une base de données (VRQ) typiques d'un contexte de recharge de véhicules électriques (EV). À titre de preuve de concept, nous utilisons principalement Llama 3 8B. À travers des tests réalisés avec différents scénarios de qualité de prompt, les résultats obtenus démontrent l'efficacité de l'architecture proposée. L'analyse des performances réalisée permet d'extraire des perspectives clés. Par exemple, avoir un ensemble plus large de classes de problème d'optimisation pour modéliser le problème réel peut dégrader les performances finales en raison d'un niveau de bruit plus élevé lors de la reconnaissance/classification des OP. Tous les résultats et codes sont open source.
| Origin | Files produced by the author(s) |
|---|---|
| Licence |
