پژوهشگران چارچوبی انسانمحور و مبتنی بر هوش مصنوعی برای انتخاب تأمینکنندگان توسعه دادند

با پیچیدهتر و غیرقابلپیشبینیتر شدن شرایط اقتصادی و اجتماعی، زیستمحیطی و مقرراتی در زنجیرههای تأمین جهانی، شرکتهای بیشتری به ارزیابی سریع و مؤثر تأمینکنندگان نیاز پیدا کردهاند. برای پاسخ به این نیاز، گروهی از پژوهشگران دانشگاه کانستراکتور چارچوب جدیدی برای انتخاب تأمینکنندگان پیشنهاد کردهاند که توانایی تفسیر و تحلیل مدلهای زبانی بزرگ (LLM) را با نظارت انسانی ترکیب میکند تا نتایج بهتری در فرایند انتخاب تأمینکننده به دست آید.
در گذشته، انتخاب تأمینکنندگان عمدتاً بر معیارهای اصلی مانند هزینه، کیفیت و عملکرد در تحویل کالا متمرکز بود. اما امروزه تیمهای تدارکات و خرید باید عوامل بسیار بیشتری را در نظر بگیرند؛ از جمله پایداری، رعایت الزامات قانونی، ریسکهای عملیاتی، تابآوری و تغییرات شرایط بازار.
این چارچوب را پروفسور فاتحی ولیلی، استاد مهندسی صنایع، محمدرضا رضایی، پژوهشگر مقطع دکتری، و شریدهار سرمولنات آیِر، دانشجوی کارشناسی ارشد، در گروه پژوهشی فناوریهای نوظهور در مهندسی صنایع (EITIE) دانشگاه کانستراکتور توسعه دادهاند. این چارچوب برای مدیریت پیچیدگیهای یادشده، تقسیم مسئولیت میان هوش مصنوعی، سامانههای تحلیلی مبتنی بر قواعد و نظارت انسانی را پیشنهاد میکند.
نتایج این پژوهش در نشریه Machine Learning with Applications منتشر شده است.
فاتحی ولیلی درباره انگیزه انجام این پژوهش گفت: «این تحقیق از پرسشی سرچشمه گرفت که در فعالیتهای ما در حوزه فناوریهای نوظهور، بیش از پیش مطرح میشود: چگونه میتوانیم از انعطافپذیری و توانایی استدلال هوش مصنوعی بهره ببریم، بیآنکه شفافیت، قابلیت ردیابی و مسئولیتپذیری انسانی را در تصمیمگیریهای صنعتی کنار بگذاریم؟»
او افزود: «به همین دلیل، پژوهش ما به سمت معماریهای تصمیمگیری عاملمحور و اعلانی حرکت میکند؛ معماریهایی که در آنها هوش مصنوعی میتواند شرایط متغیر را تفسیر کند و اقدامات احتمالی را پیشنهاد دهد، اما این قواعد تحلیلی مشخص و سازوکارهای نظارت انسانی هستند که تعیین میکنند در عمل چه اقداماتی اجرا شوند.»
در این چارچوب، مدل زبانی بزرگ در مراحل مختلف فرایند به کار گرفته میشود: درخواستهای خرید و تدارکات را تفسیر میکند، شواهد ارائهشده از سوی تأمینکنندگان را سازماندهی و تحلیل میکند و نتایج را به زبان طبیعی توضیح میدهد.
نظارت و مداخله انسانی نیز در مراحل کلیدی این فرایند پیشبینی شده است. به این ترتیب، میتوان از سرعت، مقیاسپذیری و قدرت پردازش هوش مصنوعی بهره برد و در عین حال، مسئولیتپذیری انسان در قبال فرضیات، شواهد و در نهایت تصمیمهایی را که نتیجه نهایی بر آنها استوار است، حفظ کرد.
رضایی در این باره گفت: «یکی از بینشهای اصلی این پژوهش آن است که ارزش هوش مصنوعی در فرایند خرید و تدارکات، تنها به حجم اطلاعاتی که میتواند پردازش کند بستگی ندارد؛ بلکه این موضوع نیز اهمیت دارد که تصمیمگیرندگان تا چه اندازه بتوانند خروجیهای آن را درک و بررسی کنند و با مسئولیتپذیری به آنها اتکا داشته باشند.»
او ادامه داد: «بنابراین، چارچوب را بر پایه تقسیمبندی روشنی از مسئولیتها طراحی کردیم. هر جا که روشهای قطعی و تثبیتشدهای وجود دارد، همچنان از همان روشها برای امتیازدهی عددی، اعمال محدودیتها و رتبهبندی تأمینکنندگان استفاده میکنیم.»
این چارچوب چهار مرحله کنترلی را در نظر گرفته است که متخصصان انسانی حوزه خرید و تدارکات باید آنها را تکمیل کنند:
- تأیید دادههای پایه و اطلاعات ورودی؛
- بازبینی سناریوها و وزندهی به معیارها؛
- ارزیابی میزان ارتباط و اعتبار شواهد؛ و
- تأیید و صدور مجوز برای تصمیم نهایی.
آزمایش و ارزیابی چارچوب
تیم پژوهشی برای ارزیابی این چارچوب، آن را بهصورت گذشتهنگر روی سوابق ۲۲ هزار و ۲۳۰ پرونده تاریخی خرید عمومی در اروپا آزمایش کرد. هدف این بود که مشخص شود تأمینکنندهای که در هر پرونده در نهایت انتخاب شده بود، با چه فراوانی در میان تأمینکنندگان دارای بالاترین رتبه در خروجی این چارچوب قرار میگیرد.
نتایج نشان داد هرچه اطلاعات و زمینههای اختصاصیتر مرتبط با فرایند خرید، مانند سابقه تأمینکننده در گروه کالایی یا خدماتی موردنظر، تناسب جغرافیایی و وجود رابطه قبلی با خریدار، به دادهها اضافه شود، رتبهبندی چارچوب با نتایج واقعی انتخاب تأمینکنندگان هماهنگی بیشتری پیدا میکند.
در این سناریوها، تأمینکنندهای که در نهایت در فرایند اصلی انتخاب شده بود، حدود ۳۲ درصد مواقع در میان ۱۰ گزینه برتر چارچوب قرار گرفت. این میزان در شرایطی که فقط مجموعهای عمومیتر از ویژگیهای تأمینکنندگان بررسی میشد، به ۵ درصد میرسید. این افزایش نشان میدهد رتبهبندی تأمینکنندگان زمانی اطلاعات مفیدتری ارائه میدهد که ویژگیهای خاص هر فرایند خرید را منعکس کند، نه اینکه صرفاً بر فعالیتهای عمومی تأمینکنندگان متکی باشد.
پژوهشگران همچنین عملکرد مدل زبانی بزرگ را ارزیابی کردند. این مدل در تولید خروجی ساختاریافته و معتبر به امتیاز ۱٫۰۰۰ دست یافت؛ به این معنا که اطلاعات را بهطور مداوم در قالب موردنیاز ارائه میکرد. میانگین امتیاز F1 آن در استخراج شواهد نیز ۰٫۹۲۸ بود که نشاندهنده عملکرد قوی مدل در شناسایی و استخراج ادعاهای مرتبط از اسناد بررسیشده تأمینکنندگان است.
در مرحله پایانی، پژوهشگران بررسی کردند که آیا مدل زبانی بزرگ میتواند رتبهبندیها را بهطور منسجم توضیح دهد، بیآنکه تغییری در آنها ایجاد کند. در تمام موارد آزمایششده، مدل رتبهبندیهای ثابتی را که چارچوب تعیین کرده بود حفظ کرد. این نتیجه نشان میدهد مدل میتواند در توضیح منطق تحلیلهای انجامشده و انتقال نتایج به دیگران کمک کند، بدون آنکه کنترل محاسبات را در دست بگیرد یا بیسروصدا نتیجه رتبهبندی را تغییر دهد.
در مجموع، یافتهها از تقسیم مسئولیت پیشنهادی این چارچوب پشتیبانی میکنند: هوش مصنوعی اطلاعات را بهسرعت تفسیر و سازماندهی میکند و نتایج را توضیح میدهد؛ ابزارهای تحلیلی برنامهریزیشده امتیازها و رتبهبندیهای ثابت را تولید میکنند؛ و متخصصان انسانی حوزه خرید و تدارکات شواهد را بررسی کرده و تصمیمهای مهم و اثرگذار را تأیید میکنند.
آزمایشها همچنین محدودیتهایی را آشکار کردند که ضرورت بازبینی انسانی را تقویت میکند؛ بهویژه در مواردی که شواهد ناقص، متناقض یا همراه با قید و شرط باشند.
اطلاعات بیشتر
محمدرضا رضایی و همکاران، «چارچوبی تحت نظارت با ترکیب مدلهای زبانی بزرگ و نظارت انسانی برای انتخاب تأمینکنندگان»، نشریه Machine Learning with Applications، سال ۲۰۲۶. شناسه DOI: 10.1016/j.mlwa.2026.101028
