Design and Evaluation of a Trustworthy and Scalable AI Agent Framework for Knowledge-Integrated Industrial Supply Chain Analytics

Abstract

English: The supply chains of industries contain rich structured information in relational databases and unstructured knowledge in policy documents yet the current AI methods solve particular aspects of this analytical puzzle in isolation. This thesis designs, implements, and evaluates a single, overarching AI agent framework that incorporates SQL-based data retrieval, machine learning analytics, and retrieval-augmented generation within a multi-agent orchestration of seven domains of supply chain, in a thirty-seven-table database. Notable architectural contributions are schema-linking-first dispatch on large scale schemas, domain-specialized agents, multistage safety enforcement, first-class explainability via decision traces, and dual interfaces REST and Model Context Protocol.

The framework was tested against anonymized operational data that was provided by Bangladeshi partner companies in the pharmaceutical, ready-made garments, fast-moving consumer goods and service-based supply chain sectors, as per Design Science Research methodology. A benchmark of 60 queries in 5 query types was run against the deployed system. The framework achieved 93.8% SQL execution accuracy, 86.4% coverage of the set of items to be optimally shipped, and a median response latency of 26.5 seconds, but three machine learning models of the process of demand forecasting, shipment anomaly detection and supplier risk assessment were trained, registered and exposed through the agent. Its thesis adds what is traditionally called a reference architecture, covering reliable AI agents to supply industrial supply chains and an empirical test, which is simplified by beforehand calling it a reference architecture.

Suomi: Teollisuudenalojen toimitusketjut sisältävät runsaasti strukturoitua tietoa relaatiotietokannoissa ja strukturoimatonta tietoa poliittisissa asiakirjoissa, mutta nykyiset tekoälymenetelmät ratkaisevat tämän analyyttisen palapelin tietyt osa-alueet erikseen. Tässä opinnäytetyössä suunnitellaan, toteutetaan ja arvioidaan yhtä kokonaisvaltaista tekoälyagenttikehystä, joka yhdistää SQL-pohjaisen tiedonhaun, koneoppimisanalytiikan ja haulla laajennetun generoinnin seitsemän toimitusketjun osa-alueen moniagenttiorkestroinnissa 37 taulukon tietokannassa. Merkittäviä arkkitehtonisia panoksia ovat skeemalinkitys ensin -lähetys laajamittaisissa skeemoissa, toimialuekohtaisesti erikoistuneet agentit, monivaiheinen turvallisuuden valvonta, ensiluokkainen selitettävyys päätösjäljityksen avulla sekä kaksoisrajapinnat REST ja Model Context Protocol.

Kehystä testattiin anonymisoitua operatiivista dataa vasten, jonka bangladeshilaiset kumppaniyritykset toimittivat lääke-, valmisvaate-, nopeasti liikkuvien kulutustavaroiden ja palvelupohjaisten toimitusketjujen aloilla Design Science Research -menetelmän mukaisesti. Käytettyä järjestelmää vasten ajettiin 60 kyselyn vertailuarvo viidessä kyselytyypissä. Kehys saavutti 93,8 %:n SQL-suoritustarkkuuden, 86,4 %:n kattavuuden optimaalisesti toimitettavien nimikkeiden joukosta ja 26,5 sekunnin mediaanivasteen latenssin, mutta agentin kautta koulutettiin, rekisteröitiin ja paljastettiin kolme koneoppimismallia kysynnän ennustamisen, toimituspoikkeamien havaitsemisen ja toimittajariskin arvioinnin prosessista. Sen väitöskirjaan lisätään niin sanottu perinteisesti referenssiarkkitehtuuri, joka kattaa luotettavat tekoälyagentit teollisuuden toimitusketjujen toimittamiseen, sekä empiirinen testi, jota yksinkertaistetaan kutsumalla sitä etukäteen referenssiarkkitehtuuriksi.