[Paper] 동적 가격 책정 하의 Anchor-and-Resume Concession: LLM-증강 화물 협상

Source: arXiv - 2604.20732v1

Overview

이 논문은 화물 중개 플랫폼이 직면한 실제 문제, 즉 빠르게 변동하고 동적으로 가격이 책정되는 시장에서 운송업체 요금을 협상하는 어려움을 해결한다. 기존 양보 모델은 정적인 “β” 파라미터를 사용해 대화 중간에 발생하는 가격 변동을 따라가지 못하고, 대형 언어 모델(LLM)은 유연성을 제공하지만 지연, 비결정성 및 보안 위험이라는 대가를 따른다. 저자들은 양보 곡선을 실시간 시장 스프레드에 맞추면서 및 제안이 뒤로 물러나지 않도록 보장하고, 가격 로직을 결정론적으로 유지하며 자연어 번역만 LLM에 위임하는 two‑index “anchor‑and‑resume” framework를 소개한다.

핵심 기여

• 스프레드 기반 적응형 β: 현재 가격 스프레드에서 직접 양보 형태 파라미터를 도출하여 협상 상황에 따라 공격성을 자동으로 조정합니다.
• 앵커‑앤‑리줌 메커니즘: 대화 중 목표 가격이 변경되더라도 제안이 단조 증가(비감소)하도록 보장하여 이전 공식들의 “가격 후퇴” 버그를 제거합니다.
• 결정론적 가격 산출 핵심: 모든 가격 계산은 폐쇄형 공식으로 수행되며, LLM은 인간이 읽을 수 있는 언어와 공식 입력/출력 간 변환에만 사용됩니다.
• 확장 가능한 평가: 115 k개의 실제 협상에 대해 테스트했으며, 고정‑β 기준선 및 200억 파라미터 LLM 브로커와 비교해 동등하거나 더 나은 브로커 절감 효과와 합의율을 보여줍니다.
• 확률적 캐리어에 대한 견고성: 무작위성을 도입하는 LLM 기반 캐리어 에이전트와 협상할 때도 높은 합의율과 절감 효과를 유지합니다.

방법론

1. Margin‑Spread Mapping – 각 화물에 대해 시스템은 스프레드 (운송업체 비용과 브로커 목표 간 차이)를 계산합니다. 이 스프레드는 현재 시장 경색 정도(좁음, 보통, 넓음)에 맞춘 β 값을 출력하는 간단한 함수에 입력됩니다.
2. Concession Formula – 적응형 β를 사용하여 브로커의 제안은 고전적인 시간‑종속 양보 곡선(예: 지수 감쇠)을 따르며, 가격이 목표에 얼마나 빠르게 접근하는지를 결정합니다.
3. Anchor‑and‑Resume Logic
   • Anchor: 가격 변동이 발생할 때(예: 목표가 상향 조정될 때), 현재 제안을 새로운 기준점으로 “고정”합니다.
   • Resume: 이후의 양보는 이 고정된 기준점에 상대적으로 계산되어, 다음 제안이 고정된 가격보다 낮아지지 않도록 보장합니다.
4. LLM Integration (Optional) – LLM은 결정론적 제안을 받아 운송업체에게 자연어 메시지(예: “마일당 $X에 맞출 수 있습니다”)를 생성합니다. 반대 방향 번역(운송업체의 텍스트 회신 → 숫자 의도)도 LLM이 처리하지만, 핵심 가격 자체는 모델을 통과하지 않습니다.
5. Experimental Setup – 저자들은 115 125개의 과거 협상을 재현하여 다음을 비교했습니다:
   • Fixed‑β 기준선(정적 양보 곡선)
   • 제안된 adaptive‑β + anchor‑and‑resume 시스템
   • 전체 규모 LLM 브로커(20B 파라미터)
   • LLM으로 구동되는 시뮬레이션 확률적 운송업체 에이전트

결과 및 발견

• 레짐 인식 동작: 스프레드가 좁을 때 adaptive β가 브로커가 빠르게 양보하도록 하여 로드 커버리지를 향상시킵니다. 스프레드가 넓을 때는 양보를 자제해 마진을 보존합니다.
• 단조성 보장: 어떤 협상에서도 가격이 “뒤로 물러나는” 현상이 없으며, 이는 운송업체의 불만을 일으키는 일반적인 원인을 제거합니다.
• 비용 효율성: 무거운 연산을 결정론적 수식에 맡김으로써 시스템은 수천 개의 동시 채팅을 클라우드 컴퓨팅 비용을 거의 들이지 않고 처리할 수 있습니다.

실용적 시사점

• 운송 플랫폼을 위해: 대규모 LLM 추론의 오버헤드 없이 시장 변동성에 즉시 대응하는 경량 가격 엔진을 배포합니다.
• 협상 봇을 구축하는 개발자를 위해: 결정 로직 (결정론적 수학)과 커뮤니케이션 레이어 (LLM‑생성 텍스트)를 분리하여 투명성과 대화 품질을 모두 달성합니다.
• 비용 절감: 추론 비용을 크게 줄입니다—수백 밀리초 수준의 GPU‑중심 LLM 호출에서 서브‑밀리초 수준의 CPU 계산으로 전환합니다.
• 컴플라이언스 및 감사 가능성: 결정론적 공식은 가격 결정에 대한 명확한 감사 추적을 제공하여 규제 보고 및 내부 거버넌스를 용이하게 합니다.
• 확장성: 앵커‑앤‑리쥬메 패턴은 목표 값이 상호 작용 중에 변하는 모든 동적‑가격 시나리오(예: 라이드‑헤일링 서지 요금, 광고 입찰 협상)에 적용할 수 있습니다.

제한 사항 및 향후 작업

• 정확한 스프레드 추정에 대한 의존성: 적응형 β는 스프레드가 정확히 측정된다고 가정합니다; 비용 데이터에 노이즈가 있으면 양보 공격성이 잘못 조정될 수 있습니다.
• LLM 번역 품질: 가격 책정 핵심은 결정론적이지만, 자연어 계층은 여전히 LLM 특성(예: 가끔 발생하는 문구 오류 또는 프롬프트 주입 취약점)을 물려받습니다.
• 실시간 시장 충격: 갑작스럽고 극심한 가격 급등은 앵커‑앤‑리쥬메 로직을 넘어서는 추가적인 보호 장치(예: 하드 캡) 를 필요로 할 수 있습니다.
• 향후 방향:
  • 실시간 협상 결과를 기반으로 β 업데이트를 미세 조정하기 위해 강화 학습을 도입합니다.
  • 경량의 도메인‑특화 LLM이 엣지‑케이스 추론을 지원하고 핵심은 공식화된 형태를 유지하는 하이브리드 모델을 탐색합니다.
  • 프레임워크를 다자간 협상(예: 브로커‑운송업체‑화주 삼각 관계) 및 다른 물류 분야로 확장합니다.

저자

• Hoang Nguyen
• Lu Wang
• Marta Gaia Bras

논문 정보

• arXiv ID: 2604.20732v1
• Categories: cs.MA, cs.AI, cs.CL
• Published: 2026년 4월 22일
• PDF: PDF 다운로드