LLM + DEX: Brža i objašnjiva konstrukcija hijerarhijskih modela odlučivanja

Abstract

Ovaj rad istražuje mogućnosti integracije velikih jezičkih modela u DEX metodologiju za višekriterijumsko odlučivanje. DEX modeli su interpretabilni, hijerarhijski organizovani sistemi odlučivanja zasnovani na kvalitativnim pravilima i preferencijalnoj logici, ali njihova izgradnja zahteva vreme i ekspertsko znanje. Sa druge strane, LLM modeli, poput ChatGPT, poseduju sposobnost razumevanja i generisanja strukture odlučivanja na osnovu opisa problema i podataka. U ovom radu predlažemo metod koji koristi LLM za izbor relevantnih atributa, konstrukciju hijerarhije nadkriterijuma i generisanje semantičkih objašnjenja, dok se pravila odlučivanja uče iz podataka uz poštovanje uslova monotonosti. Na eksperimentalnom primeru modelovanja rizika skijaških povreda, pokazujemo da ovako dobijeni modeli postižu performanse uporedive sa DIDEX modelom i klasičnim modelima mašinskog učenja, uz značajno bržu izradu i veću interpretabilnost. Predloženi pristup otvara mogućnosti za dalju automatizaciju i razvoj inteligentnih agenata za donošenje odluka.