Büyük Dil Modelleri, Karmaşık Karar Verme Süreçlerindeki Yapısal Modelleme Sınırlarını Zorluyor

Yapay zeka ve makine öğrenimi alanındaki araştırmacılar, çok kriterli karmaşık karar alma süreçlerinin en büyük yapısal engellerinden biri olan ölçeklenebilirlik sorununa yönelik yeni bir yaklaşım ortaya koydu. Everett Rush, David J. Icove, Ari Kim, Byung H. Park ve Michael A. Langston tarafından kaleme alınan ve 30 Eylül 2026 tarihinde arXiv veri tabanında (cs.LG ve cs.AI kategorilerinde) ön baskı (preprint) olarak paylaşılan çalışmada, Yorumlayıcı Yapısal Modelleme (ISM) süreçlerinin Büyük Dil Modelleri (LLM) yardımıyla nasıl optimize edilebileceği incelendi.

Yorumlayıcı Yapısal Modelleme ve Ölçeklenebilirlik Çıkmazı

Çok Kriterli Karar Verme (MCDM) metodolojileri arasında önemli bir yere sahip olan Yorumlayıcı Yapısal Modelleme (ISM), nedensel ilişkileri, faktörlerin ikili ölçeklerini ve ortaya çıkan hiyerarşik yapıları modelleme yeteneğiyle öne çıkıyor. Ancak bu yöntemin geleneksel uygulanış biçimi, insan uzmanların katılımıyla gerçekleştirilen ve fikir birliğine varılana kadar tekrarlanan uzun etkileşimlere dayanıyor.

Bu durum, sürecin hem son derece zahmetli ve zaman alıcı olmasına yol açıyor hem de yüzlerce değişkenin bulunduğu büyük ölçekli çalışmalarda yöntemin uygulanabilirliğini sınırlandırıyor. Araştırma ekibi, LLM'leri kusurlu uzmanlar olarak ele alan mevcut nedensel grafik keşif çalışmalarından ilham alarak bu darboğazı aşmayı hedefliyor.

Entegre LLM-ISM Yaklaşımı ve Karşılaştırılan Metodolojiler

Yeni çalışmada, Büyük Dil Modellerinin ISM süreçlerine entegre edilmesi amacıyla ikili, k-li, satır bazlı ve tam grafik keşif metodolojileri karşılaştırılarak detaylı bir şekilde değerlendirildi. Geleneksel uzman görüşü toplama süreçlerindeki maliyeti ve zaman kaybını azaltmayı amaçlayan bu entegre yaklaşım, modelin yüzlerce değişkene sahip projelere uyarlanabilirliğini test ediyor.

Deneysel Sonuçlar ve Performans Metrikleri

Elde edilen bulgulara göre, ISM için tasarlanan nedensel grafik keşif yöntemleri en yüksek başarıyı satır bazlı ve tam grafik yaklaşımlarında gösterdi. Yapılan ölçümlerde satır bazlı yöntem 160 Yapısal Hamming Mesafesi (SHD) ve 0.77 F1 skoru elde ederken; tam grafik yöntemi ise 135 SHD ve 0.73 F1 skoru ile performans sergiledi.

Akademik Çerçeve ve Gelecek Adımlar

Ön baskı niteliği taşıyan ve henüz hakem değerlendirmesinden ya da herhangi bir son düzenlemeden geçmemiş olan bu çalışma, yapay zeka modellerinin karmaşık analitik karar mekanizmalarındaki rolünü genişletme potansiyeli sunuyor. Çalışmanın bulguları, LLM tabanlı yaklaşımların karmaşık yapısal modellemede insan bağımlılığını azaltabileceğini ve ölçeklenebilirlik engellerini aşmada önemli bir araç olabileceğini gösteriyor.