Doc2AHP: LLMs bauen Entscheidungsmodelle mit semantischen Bäumen für AHP

Large Language Models (LLMs) sind beeindruckend im semantischen Verständnis, doch bei komplexen Entscheidungsaufgaben fehlt ihnen oft die strukturelle Konsistenz und die Zuverlässigkeit des logischen Denkens. Klassische Entscheidungstheorien wie der Analytische Hierarchie-Prozess (AHP) bieten dagegen ein systematisches, rationales Rahmenwerk, erfordern jedoch aufwändige Expertenkenntnisse – ein Engpass, der die Skalierbarkeit einschränkt.

Mit Doc2AHP wird diese Lücke geschlossen. Das neue Framework nutzt die Prinzipien von AHP als strukturelle Leitlinien, um LLMs in einer gezielten Suche durch unstrukturierte Dokumente zu führen. Dadurch wird die logische Abhängigkeit zwischen Eltern- und Kindknoten automatisch gewährleistet, ohne dass umfangreiche Annotierungen oder manuelle Eingriffe nötig sind.

Ein innovatives Multi-Agenten-Gewichtungsverfahren in Kombination mit einer adaptiven Konsistenzoptimierung sorgt dafür, dass die numerische Gewichtung der Kriterien stets konsistent bleibt. In Experimenten konnte Doc2AHP nicht nur Nicht-Experten befähigen, hochwertige Entscheidungsmodelle von Grund auf zu erstellen, sondern übertraf auch direkte generative Baselines in Bezug auf logische Vollständigkeit und die Genauigkeit bei nachgelagerten Aufgaben.