MI modeļus, piemēram, GPT, arvien biežāk izmanto, lai papildinātu trūkstošo informāciju. Problēma — to atbildes var izklausīties pārliecinoši un tomēr būt kļūdainas.

Šajā pētījumā tiek veidots lēmumu atbalsta asistents, kas pārbauda savu informāciju, pirms sniedz ieteikumu:

  • Tas zina, no kurienes nāk katra informācijas daļa — oficiāls ieraksts, aprēķins vai MI modelis.
  • Katrai daļai tas piešķir uzticamības novērtējumu un neizmanto to, uz ko nevar paļauties.
  • Ja informācijas nepietiek, tas to pasaka un pieprasa papildu datus, nevis min.
  • Katru ieteikumu var izsekot līdz informācijai, uz kuras tas balstīts.

Kā tas palīdz

Visur, kur MI ģenerēta informācija ietekmē nozīmīgus lēmumus, asistents paļaujas uz pārbaudīto, atzīmē nepārbaudīto un nekad nemin. Tādēļ tas ir piemērots divējāda lietojuma un kritiskās infrastruktūras jomām:

  • Enerģētika un komunālie pakalpojumi — apvienojot sensoru rādījumus, apkopes ierakstus un MI ģenerētus bojājumu novērtējumus, lai izlemtu, kurai tīkla daļai vispirms jāpievērš uzmanība.
  • Telekomunikācijas un sakari — izvērtējot, vai ziņojumi par traucējumiem vai pārtraukumiem ir apstiprināti vai vēl nepārbaudīti, pirms operatori rīkojas.
  • Aizsardzība un drošība — veidojot situācijas apzināšanos no dažādiem avotiem un parādot komandieriem, cik uzticama ir katra kopainas daļa.
  • Ārkārtas situāciju reaģēšana — nosakot incidentu prioritātes, kad informācija pienāk ātri, nepilnīga un daļēji neapstiprināta.

Metode izstrādāta un pārbaudīta ar studiju plānošanas datiem, kur tā mācībspēkiem laikus sniedz pārskatu par grupu, kas uzsāk kursu.