A Robust Grey Multi-Criteria Decision-Making Framework for Prioritization under Uncertainty: Application to Smart Transformation Systems

In de stille, door data gestuurde wereld van wetenschappelijke instituten gaat de uitdaging van modernisering zelden over het vinden van de beste nieuwe gadget. Het gaat over het navigeren door een mist van onzekerheid. Wanneer een overheidsinstantie die verantwoordelijk is voor het monitoren van aardbevingen overweegt haar systemen te upgraden, staat zij voor een complex web van keuzes. Moet ze investeren in kunstmatige intelligentie om aardbevingen sneller te detecteren, of een netwerk van slimme sensoren bouren? Moet ze haar gegevens beveiligen met blockchaintechnologie of alles naar de cloud verplaatsen? De antwoorden zijn zelden eenduidig. Kosten zijn schattingen, tijdlijnen zijn gokken, en de toekomstige prestaties van deze technologieën zijn vaak onbekend. In dergelijke situaties kunnen besluitvormers niet vertrouwen op precieze cijfers, omdat die cijfers simpelweg nog niet bestaan. In plaats daarvan moeten ze werken met mogelijkheden binnen marges, waarbij ze de voordelen van snelheid en veiligheid afwegen tegen de beperkingen van budget en tijd. Dit is het domein van besluitvorming onder onzekerheid, waar het doel niet is om een perfect antwoord te vinden, maar om het meest robuuste pad vooruit te vinden wanneer informatie incompleet is.

Een team onderzoekers aan de Universiteit van Teheran pakte exact dit probleem aan door een nieuwe manier te ontwikkelen om het Iraanse Seismologische Centrum te helpen bij het prioriteren van zijn digitale transformatie. Zij erkenden dat traditionele methoden voor het kiezen van technologie vaak falen in deze omgevingen met hoge belangen, omdat ze precieze gegevens vereisen die organisaties simpelweg niet hebben. Om dit op te lossen, creëerden de onderzoekers een kader dat onzekerheid omarmt in plaats van te proberen deze te elimineren. Ze brachten een panel samen van tien senior experts, waaronder voormalige directeuren en huidige managers, om vijf specifieke slimme projecten te evalueren: een AI-systeem voor het detecteren van seismische gebeurtenissen, een netwerk van IoT-gestuurde slimme stations, een blockchain-systeem voor het beveiligen van gegevens, een cloudplatform voor het beheren van informatie, en een mobiele app voor publieke rapportage. In plaats van de experts te vragen om een enkele, exacte score voor elk project te geven, vroegen de onderzoekers hen om marges op te geven. Deze benadering, bekend als grey system theory, maakt het mogelijk om vage of incomplete informatie uit te drukken, zoals "de kosten zullen tussen X en Y liggen", in plaats van te dwingen tot een gok bij een specifiek getal.

De onderzoekers gebruikten vervolgens een gespecialiseerd wiskundig proces om het belang van dertien verschillende criteria te wegen, variërend van cybersecurity en prestaties tot kosten en implementatietijd. Ze ontdekten dat de experts de hoogste waarde hechtten aan efficiëntie in prestaties, cybersecurity en bruikbaarheid, terwijl ze ook aanzienlijk gewicht gaven aan de aanschafkosten. Dit onthulde een duidelijke voorkeur voor oplossingen die betrouwbaar en veilig zijn, zelfs als ze zorgvuldige financiële planning vereisen. Wanneer het team hun kader toepaste om de vijf projecten te rangschikken, kwam er een duidelijke leider naar voren. Het AI-gebaseerde systeem voor de detectie van seismische gebeurtenissen werd geïdentificeerd als de hoogste prioriteit en scoorde aanzienlijk hoger dan de andere opties. Dit systeem werd gekozen omdat het de beste balans bood tussen hoge prestaties, sterke beveiliging en beheersbare kosten, waarmee direct werd ingegaan op de meest kritieke behoeften van het seismologische centrum.

Na het AI-systeem rangschikten de onderzoekers de IoT-gebaseerde slimme stations en het mobiele rapportageplatform als de volgende waardevolle investeringen. Deze twee opties scoorden zeer dicht bij elkaar, wat suggereert dat ze beide sterke kandidaten zijn voor de volgende fase van ontwikkeling. Het blockchain-systeem voor gegevensintegriteit kwam op de vierde plaats en het cloud-gebaseerde databeheerplatform eindigde onderaan. De lagere rangschikking voor de cloud- en blockchain-opties betekende niet dat het slechte technologieën waren; het gaf eerder aan dat zij, onder de huidige beperkingen van budget en organisatorische gereedheid, minder haalbaar waren als onmiddellijke prioriteiten vergeleken met de AI- en IoT-oplossingen. De studie toonde expliciet aan dat hoewel blockchain uitstekende beveiliging bood, de hoge kosten en complexiteit het een minder aantrekkelijk startpunt maakten. Op dezelfde manier werd het cloudplatform geremd door de aanzienlijke aanschafkosten en een zwakkere score op criteria van organisatorische gereedheid.

Om te garanderen dat deze resultaten niet slechts een toevalstreffer waren van de specifieke meningen van de experts, voerden de onderzoekers duizenden computersimulaties uit om de stabiliteit van hun rangschikking te testen. Ze varieerden het belang van de criteria licht in elke simulatie om te zien of de volgorde van de projecten zou veranderen. De resultaten waren geruststellend: het AI-systeem bleef in bijna 70 procent van de gesimuleerde scenario's de eerste keuze, wat bewees dat de aanbeveling robuust was en niet overgevoelig voor kleine veranderingen in oordeel. De studie benadrukte ook dat de mobiele app en de IoT-stations stabiele keuzes waren voor de tweede en derde plaats, terwijl de blockchain- en cloud-opties meer variabiliteit vertoonden, wat hun lagere prioriteit bevestigde.

De uiteindelijke uitkomst van dit onderzoek is niet alleen een lijst van winnaars en verliezers, maar een praktisch stappenplan voor actie. De onderzoekers suggereren dat het seismologische centrum zijn transformatie moet beginnen met de implementatie van het AI-detectiesysteem. Zodra dat fundament is gelegd, kan de organisatie overgaan tot het upgraden van zijn sensornetwerk met IoT-technologie en het lanceren van de mobiele app voor publieke communicatie. De complexere en duurdere technologieën, zoals blockchain en volledige cloudmigratie, kunnen later worden geïntroduceerd, zodra de organisatie de nodige middelen en ervaring heeft opgebouwd. Deze stapsgewijze aanpak stelt de instelling in staat om risico's te beheersen en hun investeringen over de tijd te spreiden. Door een methode te gebruiken die onzekerheid accepteert als een natuurlijk onderdeel van het proces, boden de onderzoekers een heldere, op bewijs gebaseerde gids voor hoe een wetenschappelijke overheidsinstantie haar operaties kan moderniseren zonder te gokken op het onbekende.