Проблема: разрыв между экспертами и данными
Построение байесовских сетей доверия (Bayesian Belief Networks, BBN) для поддержки операционных решений традиционно сталкивается с дилеммой: либо опираться на субъективное мнение экспертов, либо требовать больших объемов данных для обучения структуры. Авторы из Индийского института управления в Кожикоде (IIM Kozhikode) предлагают гибридный подход, использующий Large Language Models (LLM) для генерации вероятностных оценок на основе специфических персон и контекста.
Методология: панель AI-агентов и усечение среднего
Новый подход включает шесть шагов, ключевым элементом которых является использование панели AI-агентов. Каждый агент действует в роли определенной персоны, формируя вероятности. Для устранения шума и субъективных искажений применяется правило усеченного среднего (trimmed-mean rule). Это позволяет получить более устойчивые оценки, чем при опросе одного «эксперта».
Кейс: альтернативная медицина
Методология была протестирована на моделировании намерения клиентов обратиться к врачу в системе альтернативной медицины. Исследование выявило парадоксальные результаты, которые невозможно было бы получить только на основе интуиции:
| Фактор | Восприятие (интуиция) | Фактическое каузальное влияние |
|---|---|---|
| Самоэффективность (Self efficacy) | Ключевой драйвер | Незначительное |
| Субъективные нормы (Subjective norms) | Второстепенный | Высокое |
Результаты показали, что хотя самоэффективность кажется важным фактором, ее реальный каузальный эффект мал. Напротив, субъективные нормы (влияние окружения) оказывают гораздо более сильное воздействие на намерение клиента. Оптимальная стратегия — одновременное повышение уверенности клиентов и изменение общественных норм.
Значение для индустрии
Предложенный подход «Human AI Construction» позволяет быстро строить валидные вероятностные модели в условиях нехватки данных, используя знания LLM. Это снижает порог входа для внедрения BBN в бизнес-процессы, где сбор больших данных затруднен или дорог.
Источник: arXiv cs.AI ↗