پرامپت تصمیم‌گیری وزنی؛ با ماتریس تصمیم، انتخاب‌های سخت را قطعی کن

هر آدمی روزی به یک دوراهیِ سخت می‌رسد: بین دو شغل، دو خانه، دو لپ‌تاپ یا دو مسیرِ زندگی گیر می‌کند و هرچه بیشتر فکر می‌کند، سردرگم‌تر می‌شود. در این لحظه، پرسیدنِ سادهٔ «کدام بهتر است؟» از هوش مصنوعی معمولاً یک جوابِ کلی و بی‌پشتوانه به تو می‌دهد؛ چون مدل نمی‌داند دقیقاً چه چیزی برای تو مهم است.

راهِ حرفه‌ای‌ها فرق دارد. آن‌ها تصمیم را به یک محاسبهٔ شفاف تبدیل می‌کنند: معیارها را می‌نویسند، به هر معیار وزن می‌دهند، هر گزینه را امتیاز می‌دهند و در پایان یک عددِ نهایی برای هر گزینه به دست می‌آورند. به این روش می‌گویند «تصمیم‌گیری وزنی» یا ساختنِ «ماتریس تصمیم». در این آموزش یاد می‌گیری چطور با یک پرامپتِ درست، همین ماتریس را به‌دستِ هوش مصنوعی بسپاری و انتخابت را از حالتِ شهودی به حالتِ قطعی و قابل‌دفاع برسانی.

تصمیم‌گیری وزنی چیست و چه فرقی با پرسیدنِ ساده دارد؟

تصمیم‌گیری وزنی یک روشِ ساختارمند است که در آن به‌جای مقایسهٔ کلیِ گزینه‌ها، هر گزینه را روی چند «معیار» جدا می‌سنجی و به هر معیار بر اساسِ اهمیتش یک «وزن» می‌دهی. ماتریس تصمیم، همان جدولی است که گزینه‌ها را در ردیف و معیارها را در ستون می‌چیند و در هر خانه، امتیازِ آن گزینه در آن معیار می‌نشیند.

تفاوتِ کلیدی این است: وقتی مستقیم می‌پرسی «کدام لپ‌تاپ بهتر است؟»، هوش مصنوعی مجبور است حدس بزند چه چیزی برایت مهم‌تر است. اما وقتی می‌گویی «قیمت برایم ۳۰٪ اهمیت دارد، کارایی ۲۵٪ و باتری ۲۰٪»، مدل دقیقاً می‌داند بر چه اساسی قضاوت کند. نتیجه، جوابی است که هم شفاف است، هم قابلِ بازبینی و هم مالِ خودِ توست، نه یک توصیهٔ عمومی.

چرا پرسیدنِ مستقیمِ «کدام بهتر است؟» جواب خوبی نمی‌دهد

سه مشکلِ بزرگ در پرسشِ مستقیم پنهان است. نخست، مدل معیارهای ذهنیِ خودش را جایگزینِ اولویت‌های تو می‌کند؛ شاید برای مدل «قدرتِ پردازش» مهم باشد، در حالی که برای تو «سبک بودن» حیاتی است. دوم، جواب یک‌کاسه است و نمی‌توانی ببینی چرا یک گزینه برنده شد؛ پس نمی‌توانی به آن اعتماد کنی یا اصلاحش کنی. سوم، هیچ راهی برای بازیِ «چه می‌شود اگر؟» نداری؛ نمی‌توانی ببینی اگر اولویتت کمی عوض شود، انتخابت هم عوض می‌شود یا نه.

تصمیم‌گیری وزنی هر سه مشکل را حل می‌کند: اولویت‌ها را تو تعیین می‌کنی، منطقِ امتیازدهی آشکار است و می‌توانی با تغییرِ وزن‌ها، پایداریِ تصمیم را آزمایش کنی.

آناتومی یک پرامپت تصمیم وزنی؛ شش جزء اصلی

یک پرامپتِ تصمیمِ وزنیِ خوب، شش قطعهٔ مشخص دارد. اگر هر شش را در پرامپت بگنجانی، خروجی تقریباً همیشه تمیز و قابل‌استفاده در می‌آید:

• نقش: به مدل بگو نقشِ یک «مشاور تصمیم‌گیریِ بی‌طرف» را بازی کند تا لحن تحلیلی بماند.
• گزینه‌ها: فهرستِ روشنِ انتخاب‌هایی که می‌خواهی بینشان یکی را برگزینی.
• معیارها: عامل‌هایی که برایت مهم‌اند (قیمت، کیفیت، زمان، ریسک و…).
• وزن‌ها: اهمیتِ نسبیِ هر معیار، معمولاً به‌صورتِ درصد که جمعشان ۱۰۰٪ می‌شود.
• مقیاسِ امتیاز: بازهٔ نمره‌دهی، مثلاً ۱ تا ۵ که در آن ۵ یعنی بهترین.
• قالبِ خروجی: بخواه که نتیجه در قالبِ جدول، همراه با امتیازِ وزنی و رتبه‌بندی بیاید.

نکتهٔ ظریف در «وزن‌ها»ست. وزن نشان می‌دهد یک معیار چقدر در تصمیم سهم دارد، نه اینکه کدام گزینه در آن بهتر است. اگر جمعِ وزن‌ها ۱۰۰٪ نشود، عددِ نهایی گمراه‌کننده می‌شود؛ پس همیشه از مدل بخواه وزن‌ها را نرمال کند.

قالبِ آمادهٔ پرامپت؛ کپی کن و همین حالا استفاده کن

این قالب را کپی کن، جای بخش‌های داخلِ کروشه را با اطلاعاتِ خودت پر کن و به هوش مصنوعی بده:

همین ساختارِ ساده، تفاوتِ میانِ یک جوابِ مبهم و یک تحلیلِ حرفه‌ای است. هرچه گزینه‌ها و معیارها را دقیق‌تر بنویسی، خروجی هم دقیق‌تر می‌شود.

یک مثالِ کامل و قدم‌به‌قدم؛ انتخابِ لپ‌تاپ

فرض کن می‌خواهی بین سه لپ‌تاپ یکی را بخری: یک مدلِ «اقتصادی»، یک مدلِ «متعادل» و یک مدلِ «حرفه‌ای». پنج معیار برایت مهم است و وزنشان را چنین تعیین کرده‌ای: قیمت ۳۰٪، کارایی ۲۵٪، عمرِ باتری ۲۰٪، وزن و قابلِ‌حمل‌بودن ۱۵٪ و کیفیتِ نمایشگر ۱۰٪. حالا به هر لپ‌تاپ در هر معیار از ۱ تا ۵ امتیاز می‌دهی و امتیازِ وزنی را حساب می‌کنی. جدولِ نهایی چنین می‌شود:

محاسبهٔ لپ‌تاپِ «اقتصادی» را با هم ببینیم: (۵×۰٫۳۰) + (۳×۰٫۲۵) + (۳×۰٫۲۰) + (۴×۰٫۱۵) + (۳×۰٫۱۰) که می‌شود ۱٫۵۰ + ۰٫۷۵ + ۰٫۶۰ + ۰٫۶۰ + ۰٫۳۰ = ۳٫۷۵. با همین روش، «متعادل» عددِ ۳٫۷۰ و «حرفه‌ای» عددِ ۳٫۲۵ را می‌گیرد. پس با این وزن‌ها، لپ‌تاپِ «اقتصادی» برنده است؛ اما فاصله‌اش با «متعادل» بسیار کم است و همین نکته ما را به بخشِ بعد می‌رساند.

تحلیلِ حساسیت؛ چه می‌شود اگر وزن‌ها را عوض کنیم؟

وقتی دو گزینه امتیازی نزدیک دارند، باید ببینی تصمیم چقدر «پایدار» است. فرض کن کارایی برایت مهم‌تر شود: وزنِ کارایی را به ۳۵٪ می‌بری و وزنِ قیمت را به ۲۰٪ کم می‌کنی (بقیه ثابت). حالا دوباره حساب کن؛ لپ‌تاپِ «متعادل» به ۳٫۸۰ می‌رسد و از «اقتصادی» با ۳٫۵۵ جلو می‌زند. یعنی برنده عوض شد!

این دقیقاً قدرتِ تحلیلِ حساسیت است: به تو نشان می‌دهد انتخابت روی چه فرضی سوار است. اگر با یک تغییرِ کوچک در اولویت‌ها برنده عوض می‌شود، یعنی تصمیم «مرزی» است و باید دربارهٔ وزن‌هایت با دقتِ بیشتری فکر کنی. همیشه از هوش مصنوعی بخواه این «بازیِ چه‌می‌شود‌اگر» را هم اجرا کند. اگر با تجزیهٔ مسائلِ بزرگ به قطعاتِ کوچک‌تر هم علاقه داری، تکنیکِ تجزیه به زیرمسئله مکمّلِ خوبی برای همین کار است.

هفت اشتباهِ رایج و راهِ اصلاحشان

• وزن‌هایی که جمعشان ۱۰۰٪ نمی‌شود؛ از مدل بخواه وزن‌ها را نرمال کند تا عددِ نهایی معنا داشته باشد.
• معیارهای هم‌پوشان؛ «قیمت» و «صرفهٔ اقتصادی» تقریباً یک چیزند و یک عامل را دوبار می‌شمارند؛ معیارها را مستقل نگه دار.
• معیارهای بیش‌ازحد زیاد؛ بیش از هفت‌هشت معیار، تمرکز را می‌شکند؛ فقط عامل‌های واقعاً تعیین‌کننده را نگه دار.
• مقیاسِ مبهم؛ اگر نگویی ۵ یعنی «بهترین» یا «بدترین»، امتیازها بی‌معنا می‌شوند؛ جهتِ مقیاس را روشن کن.
• امتیازِ بدونِ دلیل؛ همیشه بخواه کنارِ هر نمره یک توضیحِ کوتاه بیاید تا بتوانی صحتش را بسنجی.
• نادیده‌گرفتنِ داده‌های واقعی؛ اگر عدد و مشخصاتِ واقعی داری، در پرامپت بگذار تا امتیازها حدسی نباشند.
• اعتمادِ کور به عددِ نهایی؛ ماتریس ابزارِ فکر است، نه فرمان؛ اگر نتیجه با شهودت جور نیست، وزن‌ها یا معیارها را بازبینی کن.

کجا از این تکنیک استفاده کنیم و کجا نه

تصمیم‌گیری وزنی وقتی می‌درخشد که چند گزینهٔ مشخص داری و چند عاملِ قابلِ‌سنجش در کار است: انتخابِ شغل، خریدِ محصول، انتخابِ تأمین‌کننده، اولویت‌بندیِ پروژه‌ها یا انتخابِ شهر برای مهاجرت. در این‌ها ساختارْ سردرگمی را جمع می‌کند.

اما این روش برای تصمیم‌های تک‌گزینه‌ای (بروم یا نروم)، تصمیم‌های کاملاً احساسی، یا موقعیت‌هایی که هنوز گزینه‌ای نساخته‌ای مناسب نیست. آنجا بهتر است اول با روش‌هایی مثلِ واگرا-همگرا گزینه بسازی، یا با کالبدشکافیِ پیش‌مرگ ریسکِ یک مسیر را بسنجی و بعد سراغِ ماتریس بیایی.

پرسش‌های پرتکرار

آیا خودِ هوش مصنوعی می‌تواند وزن‌ها را تعیین کند؟

می‌تواند پیشنهاد بدهد، اما وزن‌ها بازتابِ ارزش‌های شخصیِ توست و بهتر است خودت آن‌ها را نهایی کنی. می‌توانی از مدل بخواهی چند مجموعهٔ وزنِ پیشنهادی بدهد و بعد یکی را انتخاب یا اصلاح کنی.

چه مقیاسی برای امتیازدهی بهتر است؟

مقیاسِ ۱ تا ۵ برای بیشترِ تصمیم‌ها کافی و ساده است. اگر به تفکیکِ ظریف‌تری نیاز داری از ۱ تا ۱۰ استفاده کن، اما یادت باشد جهتِ مقیاس (اینکه عددِ بزرگ‌تر یعنی بهتر) را همیشه شفاف اعلام کنی.

چطور مطمئن شوم مدل درست حساب کرده است؟

از مدل بخواه محاسبهٔ هر خانه را نشان بدهد و جمعِ وزنی را مرحله‌به‌مرحله بنویسد. اگر عددی مشکوک بود، خودت یک ردیف را دستی چک کن؛ همین یک بررسیِ کوچک جلوی خطا را می‌گیرد.

آیا می‌توانم چند نفر را در تصمیم دخالت بدهم؟

بله؛ می‌توانی از هرکس بخواهی جداگانه امتیاز بدهد و بعد میانگین بگیری، یا وزن‌ها را با گفت‌وگوی گروهی نهایی کنی. ماتریس تصمیم برای هم‌ترازکردنِ دیدگاه‌های یک تیم بسیار کاربردی است.

جمع‌بندی

تصمیم‌گیری وزنی، هنرِ تبدیلِ یک انتخابِ گیج‌کننده به یک محاسبهٔ شفاف است. کافی است معیارها را بنویسی، به هرکدام وزن بدهی، گزینه‌ها را امتیاز بدهی و از هوش مصنوعی بخواهی جمعِ وزنی و تحلیلِ حساسیت را بسازد. آن‌وقت به‌جای «حس می‌کنم این بهتر است»، می‌توانی بگویی «با این معیارها و این وزن‌ها، این گزینه برنده است» و این یعنی تصمیمی که می‌توانی از آن دفاع کنی.

این درس بخشی از مجموعهٔ آموزشیِ پرامپت‌نویسیِ ماست. برای دیدنِ نقشهٔ کاملِ سری‌ها و ترتیبِ یادگیری، سری به راهنمای جامع پرامپت‌نویسی بزن و اگر می‌خواهی روی استدلالِ گام‌به‌گام هم مسلط شوی، آموزشِ زنجیرهٔ تفکر برای تحلیل و تصمیم‌گیری را از دست نده.

نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید