في زمن تتزايد فيه الاعتماد على أنظمة الذكاء الاصطناعي، لا يمكن إنكار دورها في تحسين وتعديل سياسات اتخاذ القرارات. ومع ذلك، يواجه التقييم الفعال لهذه التعديلات تحديات كبيرة، خصوصًا عندما تكون بيانات الخبراء الخاصة بكل حالة غير متاحة. في هذا السياق، أجرينا دراسة حالية حول هذه المشكلة عبر استخدام محاكي لتسعير الفنادق.

تمكنت محرر السياسات الذكي من استقبال تعليقات تشخيصية على مستوى المناطق، حيث تم تلخيص كيفية اختلاف توزيع الأسعار عن سياسات المعيار عبر الزمن والمخزون وأسواق معينة. مثيرًا للاهتمام، لم يكن بإمكان هذا المحرر ملاحظة الإجراءات الخاصة بالمعايير أو الشيفرة المصدرية الخاصة بها، بل اقتصر عمله على اقتراح تعديلات مقيدة لجدول الإجراءات المستهدفة.

تظهر النتائج من خلال 5,000 تجربة محجوزة أن محرر نماذج اللغة الكبيرة (Large Language Model - LLM) استطاع تحقيق عوائد ربحية (RevPAR) تصل إلى 108.47، وهو قريب جدًا من عوائد سياسة المعايير التي بلغت 108.75. ومع ذلك، كان الفارق بين الأداء (LLM مقابل السياسة المرجعية) -0.276، مما يوحي بأن هذه المكاسب ليست نتيجة لتحسين الإيرادات فقط، بل تشمل أيضًا تقليل الفجوة بين الحلقات والتفسير الدقيق للقواعد.

يبدو أن النتائج تُظهر أنه يجب على نظراء السياسات الذكية تقييم مدى موثوقية التعليقات التشخيصية في تحقيق نتائج مغلقة موثوقة، بدلاً من التركيز على بعد سلوكي واحد فقط. هذا يزيد من أهمية الأبحاث المستقبلية حول كيفية تحسين فعالية أنظمة الذكاء الاصطناعي في اتخاذ القرارات.