Decyzje, w których nie ma jednej dobrej odpowiedzi
Gdyby przy zakupie liczyła się tylko cena, wybór byłby prosty. W praktyce prawie zawsze mamy do czynienia z kilkoma kryteriami naraz, a do tego sprzecznymi: tańsze rozwiązanie bywa wolniejsze, szybsze – droższe, a najbezpieczniejsze – najtrudniejsze we wdrożeniu. Takimi problemami zajmuje się dziedzina nazywana wielokryterialnym wspomaganiem decyzji (z ang. MCDA, Multi-Criteria Decision Analysis).
Jej metody przekładają preferencje osoby podejmującej decyzję na model matematyczny, który porządkuje dostępne warianty w ranking. Korzysta się z nich w energetyce, transporcie, medycynie czy przy ocenie ofert przetargowych. Są też fundamentem informatycznych systemów wspomagania decyzji.
Kluczowe pytanie brzmi jednak: skąd model ma wiedzieć, czego naprawdę chce człowiek?
Problem setek porównań
Jedną z metod rozwijanych od lat przez zespół prof. Wojciecha Sałabuna jest COMET (Characteristic Objects Method). Zamiast oceniać konkretne oferty, buduje ona coś w rodzaju mapy całego problemu. Dla każdego kryterium wybiera kilka wartości odniesienia, na przykład cenę 0, 500 i 1000 zł oraz wagę 1, 2 i 3 kg, a ich kombinacje tworzą siatkę wzorcowych punktów, tzw. obiektów charakterystycznych. Ekspert porównuje je parami: „czy ten wariant jest lepszy od tamtego?”. Każdą prawdziwą ofertę model ocenia potem na podstawie najbliższych punktów siatki, podobnie jak odczytuje się wysokość terenu z mapy poziomicowej.
Ma to dużą zaletę. Model jest odporny na zjawisko odwracania rankingów: dopisanie lub usunięcie jednej oferty nie przetasuje kolejności pozostałych. Jest też jednak pewna wada: liczba porównań rośnie lawinowo wraz z liczbą kryteriów. W jednym z opisanych w rozprawie przykładów, z dziewięcioma kryteriami, ekspert musiał wykonać kilkaset porównań, i to po zastosowaniu sprytnych technik ich ograniczania. Przy bardziej złożonych problemach liczba pytań może sięgać tysięcy.
Wystarczy powiedzieć, czego się oczekuje
Pomysł Andrii Shekhovtsova odwraca tę logikę. W metodzie ESP-COMET (od Expected Solution Point, czyli punktu oczekiwanego rozwiązania) decydent opisuje jedynie, jak wygląda dla niego rozwiązanie pożądane, na przykład: „chcę urządzenie o takich parametrach, za nie więcej niż tysiąc złotych”.
Resztę pracy wykonuje algorytm. Ocenia wszystkie obiekty charakterystyczne według tego, jak blisko są oczekiwań decydenta, sam wypełnia macierz porównań i buduje model. Im wariant bliższy oczekiwaniom, tym wyżej w rankingu. Takich punktów odniesienia może być zresztą kilka, jeśli problem tego wymaga.
Po drodze trzeba było odpowiedzieć na nieoczywiste wyzwanie: jeśli oczekiwania decydenta, na przykład „około 700 zł i 1,5 kg”, wypadały pomiędzy punktami siatki, kilka sąsiednich punktów otrzymywało podobne oceny. Na mapie powstawał wtedy płaski obszar, na którym model nie odróżniał wariantów dobrych od bardzo dobrych. Rozwiązanie okazało się jednak proste: wartości oczekiwane same stają się punktami odniesienia, więc jeden z punktów siatki zawsze leży dokładnie tam, gdzie oczekiwania decydenta, a oceny pozostałych spadają wraz z odległością od niego.
Czy uproszczony sposób pytania o preferencje nie zubaża wyników? Doktorant sprawdził to na przykładzie z udziałem trzech ekspertów. Modele zbudowane na podstawie samych oczekiwań dawały rankingi zbieżne z modelami zbudowanymi klasyczną, pracochłonną metodą. Co równie ważne, metoda wiernie oddała różnice między ekspertami: osoba o odmiennych priorytetach otrzymała wyraźnie inny ranking.
Ideał kontra realizm
Drugie rozwiązanie zaproponowane w rozprawie powstało we współpracy z francuskim naukowcem Jeanem Dezertem, twórcą metody SPOTIS. Balanced SPOTIS łączy dwa punkty odniesienia: rozwiązanie idealne (na przykład koszt równy zeru) i rozwiązanie oczekiwane (koszt, który jesteśmy gotowi zaakceptować).
Specjalny parametr pozwala płynnie przesuwać akcent między ideałem a realizmem, a autorzy nazywają go „zaufaniem do rozwiązania oczekiwanego”. Obserwując, jak zmienia się ranking, decydent dostaje cenne sygnały. Może się okazać, że wariant znakomity w teorii, bliski ideałowi, wypada słabo, gdy porówna się go z tym, czego realnie potrzebujemy. Metoda jest przy tym prosta i szybka obliczeniowo.
Jak podkreślał podczas wystąpienia sam autor, wszystkie te narzędzia mają wspierać człowieka, a nie go zastępować. Ostateczna decyzja zawsze należy do decydenta. Model może jednak pomóc mu lepiej zrozumieć własne preferencje, a czasem je zrewidować.
Mniej obliczeń, ta sama jakość
Trzeci wątek badań dotyczył tego, jak rozmieszczać wzorcowe obiekty, by model był zarazem dokładny i lekki. Doktorant porównał sześć strategii w symulacjach obejmujących dziesiątki tysięcy powtórzeń. Zaproponowana przez niego metoda dawała wyniki najbliższe metodzie referencyjnej, a jednocześnie potrzebowała średnio od trzech do pięciu razy mniej obiektów charakterystycznych. To przekłada się wprost na szybsze budowanie i używanie modelu.
Kod, z którego korzysta świat
Wszystkie opracowane metody trafiły do otwartej biblioteki programistycznej pymcdm, rozwijanej przez zespół Instytutu i udostępnianej bezpłatnie na licencji MIT. Bibliotekę pobrano już ponad 230 tysięcy razy. Korzystają z niej ośrodki badawcze w Polsce i za granicą, a powstały na jej bazie także kolejne narzędzia tworzone przez innych badaczy.
Doktorat w Instytucie Łączności
30 października 2026 roku Rada Naukowa Instytutu Łączności – PIB, po seminarium naukowym i dyskusji, wyznaczyła promotora. Został nim prof. Wojciech Sałabun, także wybitny naukowiec, z grona najczęściej cytowanych na świecie.
Andrii Shekhovtsov pracuje w Instytucie od 2022 roku a z zespołem prof. Sałabuna współpracuje od 2020 roku, kiedy jako student studiów inżynierskich dołączył do projektu Narodowego Centrum Nauki. Jest autorem lub współautorem 107 publikacji naukowych, ma ponad 2,2 tys. cytowań w bazie Scopus i indeks Hirscha 24. Od 2025 roku figuruje w zestawieniu 2% najczęściej cytowanych naukowców świata, a w 2026 roku otrzymał stypendium Ministra Nauki i Szkolnictwa Wyższego dla wybitnych młodych naukowców.
Rozprawa doktorska ma formę cyklu pięciu powiązanych publikacji, które ukazały się m.in. w czasopismach „Information Sciences”, „Artificial Intelligence Review” i „SoftwareX” oraz w materiałach międzynarodowej konferencji ICAART poświęconej agentom i sztucznej inteligencji.
Przed doktorantem jeszcze złożenie rozprawy, formalne wszczęcie postępowania i publiczna obrona. Już dziś widać jednak, że badania prowadzone w Instytucie Łączności mogą realnie wpływać na to, jak podejmujemy trudne decyzje – w administracji, w biznesie i w nauce.