DOI: https://doi.org/10.1007/s10479-026-07136-7
تاريخ النشر: 2026-03-12
المؤلف: Negar Sadeghi وآخرون
الموضوع الرئيسي: تقنيات التنبؤ وتطبيقاتها
نظرة عامة
تقدم ورقة البحث إطار عمل جديد، AIDM، لاختيار الموردين في التصنيع الذي يدمج الذكاء الاصطناعي (AI) مع عملية التحليل الهرمي (AHP). من خلال استخدام المحولات المدربة مسبقًا (GPT) كعملاء افتراضيين لمحاكاة تقييمات الخبراء، يقوم الإطار بأتمتة عملية اختيار الموردين، مما يعزز الكفاءة وموثوقية اتخاذ القرار. تؤكد الدراسة فعالية نماذج اللغة الكبيرة في سيناريوهات اتخاذ القرار المعقدة، مما يظهر أن تقييمات GPT تتماشى بشكل وثيق مع تقييمات الخبراء البشريين، مما يبرز الدور المحوري للذكاء الاصطناعي في العمليات التصنيعية الاستراتيجية.
تحدد الورقة ثلاث مساهمات مهمة: إنشاء خط أنابيب GenAI-MCDM الرسمي الذي يفعّل AHP، القابلية العملية في اختيار الموردين، وتوفير تنفيذ مفتوح وقابل لإعادة الاستخدام لتطبيق أوسع. تكشف التحليلات التجريبية عن نسب اتساق مقبولة لكل من التقييمات البشرية وتلك المدفوعة بالذكاء الاصطناعي، مع وجود اختبارات رتبة ويلكوكسون الموقعة التي تشير إلى عدم وجود اختلافات كبيرة عند مستوى α = 0.05 عبر مقارنات مختلفة. ومع ذلك، لوحظت اختلافات ملحوظة في التركيز، حيث أعطى الخبراء البشر الأولوية لعوامل مثل الموثوقية والتواصل، بينما ركز إطار AIDM أكثر على جوانب مثل الوعي البيئي والتوثيق. بشكل عام، يمثل AIDM تقدمًا ذا مغزى في تعزيز الحكم البشري باستخدام الذكاء الاصطناعي التوليدي، مما يعزز الصرامة المنهجية والشفافية في أنظمة اتخاذ القرار المدعومة بالذكاء الاصطناعي.
مقدمة
تسلط مقدمة ورقة البحث هذه الضوء على التأثير التحويلي لنماذج اللغة الكبيرة (LLMs) ضمن مجال الذكاء الاصطناعي التوليدي (GenAI)، مع التأكيد على تطبيقاتها الواسعة عبر مجالات مختلفة، بما في ذلك اتخاذ القرار الطبي، واختيار الموردين، وتطوير استراتيجيات الأعمال. تظهر LLMs، المدربة على مجموعات بيانات ضخمة ومتنوعة، قدرة على محاكاة تفكير خبراء المجال، مما يعالج التحديات المرتبطة بأساليب اتخاذ القرار متعددة المعايير التقليدية (MCDM)، التي غالبًا ما تعتمد على الوصول المحدود إلى آراء الخبراء. تقترح الورقة دمج GenAI في أطر MCDM، من خلال تطوير إطار عمل اتخاذ القرار المدفوع بالذكاء الاصطناعي (AIDM)، الذي يجمع بين عملية التحليل الهرمي (AHP) وقدرات LLM لتعزيز عمليات اختيار الموردين في تصنيع الآلات.
تهدف الدراسة إلى تقييم فعالية LLMs كخبراء افتراضيين في مهام اختيار الموردين المعتمدة على AHP، من خلال مقارنة النتائج المستمدة من الأساليب التقليدية المدفوعة بالخبراء بتلك التي تولدها LLMs. تفترض أن LLMs يمكن أن تنتج أحكامًا منظمة وقابلة للتفسير تشبه أحكام الخبراء البشريين، مما قد يحدث ثورة في اتخاذ القرار في البيئات المعقدة. علاوة على ذلك، تقدم الورقة منصة تجريبية مفتوحة مصممة للباحثين والممارسين لتكرار وتوسيع إطار AIDM، مما يعالج فجوة في الأدبيات بشأن دمج LLMs في عمليات MCDM وتوافقها مع تقييمات اتخاذ القرار البشري.
النتائج
في قسم النتائج من ورقة البحث، يقدم المؤلفون تحليلًا مقارنًا ضمن إطار AIDM (اتخاذ القرار المدفوع بالذكاء الاصطناعي)، الذي يقيم النتائج التي تنتجها الخبراء الافتراضيون المدفوعون بالذكاء الاصطناعي مقابل تلك الناتجة عن الخبراء البشريين. يخدم هذا التحليل كمعيار لفعالية نموذج الذكاء الاصطناعي، مما يضمن أن أدائه يتماشى مع معايير اتخاذ القرار البشري. يمثل دمج تقنيات GenAI المتقدمة، مثل ChatGPT، تقدمًا كبيرًا في عمليات اتخاذ القرار، مما يعزز كل من الدقة والكفاءة.
تسمح قابلية تكيف إطار AIDM بتطبيقه عبر سيناريوهات اتخاذ القرار المختلفة، مما يوفر مزايا كبيرة على الأساليب التقليدية. تعزز طبيعته التكرارية التعلم المستمر والتحسين، مما يسهل تطوير أنظمة دعم القرار المتطورة. علاوة على ذلك، تستوعب مرونة الإطار العديد من منهجيات اتخاذ القرار متعددة المعايير (MCDM)، بما في ذلك AHP وTOPSIS وDEMATEL. النسخ المتقدمة من GenAI، مثل ChatGPT-4، قادرة على تحليل النصوص الأساسية لتحسين نماذج اتخاذ القرار، مما يضمن تطبيقًا دقيقًا يتماشى مع أطر دعم القرار المعمول بها. يتم توضيح الأسس الرياضية التفصيلية وهندسة النظام لإطار AIDM في الملحق A.
المناقشة
تسلط قسم المناقشة في ورقة البحث الضوء على تطور وتطبيق أطر الذكاء الاصطناعي الهجينة وعمليات اتخاذ القرار متعددة المعايير (MCDM) في اختيار الموردين، مع التأكيد على إمكاناتها في تعزيز عمليات اتخاذ القرار. تستعرض الورقة دراسات متنوعة تدمج تقنيات التعلم الآلي (ML) مع أساليب MCDM الكلاسيكية، مثل عملية التحليل الهرمي (AHP) وتحليل تغليف البيانات (DEA)، لتحسين دقة الترتيب وإدارة مجموعات بيانات أكبر. من الجدير بالذكر أن النماذج الهجينة غالبًا ما تحتفظ بمعايير محددة من قبل الخبراء بينما تدمج الأساليب المعتمدة على البيانات لتحسين تقييمات الموردين. كما يتم استكشاف التقدمات الأخيرة في الذكاء الاصطناعي التوليدي ونماذج اللغة الكبيرة (LLMs)، مما يظهر وعدها في أتمتة وزن المعايير وتعزيز دعم القرار من خلال أنظمة الخبراء الافتراضية.
تحدد الورقة الفجوات الحرجة في المنهجيات الحالية، بما في ذلك الاعتماد على حكم الخبراء، والقدرة المحدودة على إعادة إنتاج النماذج الهجينة، والاستخدام غير المنظم للذكاء الاصطناعي التوليدي. تقترح إطار AIDM، الذي يهدف إلى معالجة هذه القضايا من خلال تنظيم دمج الذكاء الاصطناعي التوليدي في عمليات MCDM، مما يحسن الشفافية والكفاءة. يركز الإطار على أهمية تطوير المطالبات المنظمة، وتحديد المعايير، والتنقيح التكراري لمحاكاة اتخاذ القرار من قبل الخبراء. توضح دراسة حالة حول اختيار الموردين في تصنيع الآلات الثقيلة التطبيق العملي لإطار AIDM، مما يظهر فعاليته في توليد المعايير والأوزان مع تسليط الضوء على الاختلافات في التركيز بين الخبراء البشريين والتقييمات المدفوعة بالذكاء الاصطناعي. بشكل عام، تشير النتائج إلى أنه بينما تعزز نماذج الذكاء الاصطناعي الهجينة/MCDM قدرات اتخاذ القرار، إلا أنها لا تزال تتطلب مدخلات من الخبراء لتعريف المعايير والتحقق منها، مما يبرز الحاجة إلى نهج متوازن يستفيد من كل من الخبرة البشرية وتقدمات الذكاء الاصطناعي.
DOI: https://doi.org/10.1007/s10479-026-07136-7
Publication Date: 2026-03-12
Author(s): Negar Sadeghi et al.
Primary Topic: Forecasting Techniques and Applications
Overview
The research paper presents a novel framework, AIDM, for supplier selection in manufacturing that integrates Artificial Intelligence (AI) with the Analytic Hierarchy Process (AHP). By employing Generative Pre-trained Transformers (GPT) as virtual agents to simulate expert evaluations, the framework automates the supplier selection process, enhancing efficiency and decision-making reliability. The study validates the effectiveness of large language models in complex decision-making scenarios, demonstrating that GPT’s assessments align closely with those of human experts, thereby underscoring AI’s pivotal role in strategic manufacturing operations.
The paper outlines three significant contributions: the establishment of a formalized GenAI-MCDM pipeline that operationalizes AHP, practical applicability in supplier selection, and the provision of an open, reusable implementation for broader application. Empirical analyses reveal acceptable consistency ratios for both human and AI-driven evaluations, with Wilcoxon signed-rank tests indicating no significant differences at the α = 0.05 level across various comparisons. However, notable differences in emphasis were observed, with human experts prioritizing factors like reliability and communication, while the AIDM framework focused more on aspects such as environmental awareness and documentation. Overall, AIDM represents a meaningful advancement in augmenting human judgment with generative AI, promoting methodological rigor and transparency in AI-supported decision systems.
Introduction
The introduction of this research paper highlights the transformative impact of Large Language Models (LLMs) within the realm of Generative AI (GenAI), emphasizing their extensive application across various fields, including medical decision-making, supplier selection, and business strategy development. LLMs, trained on vast and diverse datasets, demonstrate a capacity to emulate the reasoning of domain experts, thereby addressing the challenges associated with traditional Multi-Criteria Decision Making (MCDM) methods, which often rely on limited access to expert opinions. The paper proposes the integration of GenAI into MCDM frameworks, specifically through the development of the AI-Driven Decision Making (AIDM) framework, which combines the Analytic Hierarchy Process (AHP) with LLM capabilities to enhance supplier selection processes in machinery manufacturing.
The study aims to evaluate the effectiveness of LLMs as virtual experts in AHP-based supplier selection tasks, comparing outcomes derived from traditional expert-driven methods with those generated by LLMs. It posits that LLMs can produce structured and explainable judgments akin to human experts, thus potentially revolutionizing decision-making in complex environments. Furthermore, the paper introduces an open experimentation platform designed for researchers and practitioners to replicate and extend the AIDM framework, addressing a gap in the literature regarding the integration of LLMs into MCDM processes and their alignment with human decision-making assessments.
Results
In the Results section of the research paper, the authors present a Comparative Analysis within the AIDM (AI-Driven Decision-Making) framework, which evaluates the outcomes produced by AI-driven virtual experts against those from human experts. This analysis serves to benchmark the AI model’s effectiveness, ensuring that its performance meets the standards of human decision-making. The integration of advanced GenAI technologies, such as ChatGPT, represents a significant advancement in decision-making processes, enhancing both accuracy and efficiency.
The AIDM framework’s adaptability allows it to be applied across various decision scenarios, offering substantial advantages over traditional methods. Its iterative nature promotes continuous learning and improvement, facilitating the development of sophisticated decision support systems. Furthermore, the framework’s flexibility accommodates multiple Multi-Criteria Decision-Making (MCDM) methodologies, including AHP, TOPSIS, and DEMATEL. Advanced iterations of GenAI, like ChatGPT-4, are capable of analyzing foundational texts to refine decision-making models, ensuring a nuanced application that aligns with established decision-support frameworks. Detailed mathematical foundations and system architecture of the AIDM framework are elaborated in Appendix A.
Discussion
The discussion section of the research paper highlights the evolution and application of hybrid AI and Multi-Criteria Decision-Making (MCDM) frameworks in supplier selection, emphasizing their potential for enhancing decision-making processes. It reviews various studies that integrate machine learning (ML) techniques with classical MCDM methods, such as Analytic Hierarchy Process (AHP) and Data Envelopment Analysis (DEA), to improve ranking accuracy and manage larger datasets. Notably, hybrid models often retain expert-defined criteria while incorporating data-driven approaches to optimize supplier evaluations. Recent advancements in generative AI and large language models (LLMs) are also explored, showcasing their promise in automating criteria weighting and enhancing decision support through virtual expert systems.
The paper identifies critical gaps in current methodologies, including reliance on expert judgment, limited reproducibility of hybrid models, and the unstructured use of generative AI. It proposes the AIDM framework, which aims to address these issues by formalizing the integration of generative AI into MCDM processes, thereby improving transparency and efficiency. The framework emphasizes the importance of structured prompt development, criteria identification, and iterative refinement to simulate expert decision-making. A case study on supplier selection in heavy machinery manufacturing illustrates the practical application of the AIDM framework, demonstrating its effectiveness in generating criteria and weights while highlighting differences in emphasis between human experts and AI-driven evaluations. Overall, the findings suggest that while hybrid AI/MCDM models enhance decision-making capabilities, they still require expert input for criteria definition and validation, underscoring the need for a balanced approach that leverages both human expertise and AI advancements.