DURHAM – I løbet af de sidste par år har verden set fremkomsten af gig-økonomien, et arbejdsmarked, der er stærkt afhængig af midlertidigt arbejde fra uafhængige entreprenører og freelancere.
Ifølge en nylig undersøgelse har 59 millioner amerikanere, eller mere end en tredjedel af hele den amerikanske arbejdsstyrke, udført freelance arbejde i det forløbne år. Mange finder disse koncerter gennem onlineplatforme som Upwork, TaskRabbit eller Fiverr, som hjælper med at forbinde kunder med freelance-tjenesteudbydere.
En af de største udfordringer, disse platforme står over for, er at finde det bedste match mellem kunder og freelancere. Kunder har ofte specifikke behov, som ikke alle medarbejdere kan opfylde ordentligt. Denne type problemer er en af de mange forskningslinjer, der udvikles af Jiaming Xu, lektor i beslutningsvidenskab ved Duke University's Fuqua Handelshøjskole.
Xus største forskningsinteresse er at udvikle algoritmer til at udlede nyttig information fra netværksdata. "Vi støder på mange forskellige slags netværk inden for forretningsapplikationer, teknik og endda naturvidenskab," siger han. "Nøglespørgsmålet er, hvordan man kan udtrække nyttig information fra disse netværk for at guide downstream-beslutningstagningen."
Jiaming Xu (Foto fra Duke University),
Disse netværk, som de findes i den virkelige verden, har en tendens til at være meget store og komplekse, nogle gange involverer millioner af noder og forskellige typer forbindelser mellem dem. Derudover kan de observerede data være støjende eller delvise. "Jeg arbejder på at udvikle skalerbare algoritmer, der kan køre meget hurtigt og samtidig udtrække denne type information, selv når der kun er et meget svagt signal i dataene," siger Xu.
Håndtering af usikkerheder
I tilfælde af freelanceplatforme kan det være særligt vanskeligt at matche kunder og tjenesteudbydere på grund af den usikkerhed, der er forbundet med processen. Først og fremmest ved platformen ikke, før en service udføres, hvor effektiv en given freelancer vil være til at udføre en bestemt opgave, som er tildelt af en klient. Med andre ord er kundens udbetaling ukendt.
Et andet problem er, at populationen af klienter er meget dynamisk. De ankommer normalt til platformen for at opfylde et bestemt behov, bliver i nogen tid og tager af sted efter at have fået servicen. Statistikken for kunders ankomst og afgang er ligeledes ukendt på forhånd. Desuden har hver freelancer en begrænset kapacitet til at udføre tjenester, en begrænsning, der også skal overvejes. "Det er den anden usikkerhed - hvordan man matcher kunder med freelancere på en måde, der ikke forårsager overbelastning i systemet," siger Xu.
Sammen med sine medforfattere -Wei-Kang Hsu, en maskinlæringsalgoritmeingeniør i øjeblikket hos Apple, Xiaojun Lin, professor i elektro- og computerteknik ved Purdue University, og Mark R. Bell, også professor i elektro- og computerteknik ved Purdue University - Xu undersøgte dette problem i papiret "Integreret online læring og adaptiv kontrol i køsystemer med usikre udbytte," udgivet af tidsskriftet Operations Research.
"Vi studerede dette som et online matchningsproblem," siger han. "Målet er at finde denne kamp og samtidig lære de ukendte gevinster og også sørge for, at systemet er stabilt og ikke overbelastet. Så kan vi maksimere det samlede udbytte for onlineplatformen."
I et ideelt tilfælde ville platformen gradvist lære hver klients præferencer fra forsøg og fejl. I den virkelige verden har systemet dog ikke råd til for mange fejl. Hvis klientens behov ikke bliver opfyldt, vil de blot forlade platformen efter et par forsøg, så indlæringskurven skal være hurtig. "Udfordringen er, at du på en eller anden måde meget hurtigt vil lære kundens præferencer baseret på feedbacken eller resultatet af opgaverne," siger Xu.
Inden for maskinlæring er dette dilemma kendt som kompromiset mellem udforskning og udnyttelse. Hvis du bliver ved med at udforske nye kampe, kan du ofre kundens tilfredshed. Men hvis du ikke udforsker, kan du også gå glip af chancen for at finde det bedst mulige match. "Det er derfor, du vil udforske, men ikke for meget, fordi du kan ende med at miste meget af udbyttet eller fordelen."
Tænker optimistisk
For at hjælpe med at løse dette dilemma brugte Xu og hans kolleger den øvre tillidsbundne algoritme, som hjælper med at kombinere udforskning og udnyttelse for at få det bedste resultat så hurtigt som muligt.
Under den tilgang, når ydeevnen af et potentielt match er ukendt, antager denne algoritme optimistisk, at der er en større chance for, at det er et godt match. Med andre ord, når usikkerheden er høj, er resultaterne optimistisk "oppustet". Efter at du har haft chancen for at observere præstationen af en kamp igen og igen, behøver du ikke at puste resultaterne så meget op, fordi der er større tillid til, at du observerer noget tæt på den faktiske gennemsnitlige præstation for den kamp.
"Du vælger altid det bedste match baseret på de oppustede resultater, ikke de faktiske observerede resultater. Dette kaldes den øvre tillidsgrænse, og det er dybest set sådan, vi lærer kundens præferencer, mens vi udfører kampene,” siger Xu.
Matchende rimeligt
Mens den finder det bedst mulige match for hver kunde, skal algoritmen også tage højde for den begrænsede kapacitet hos hver tjenesteudbyder og usikkerheden i kundernes ankomst. Simpelthen grådig matching for at maksimere de nuværende estimerede gevinster viser sig at være yderst suboptimal. ”Vi formulerer dette som et optimeringsproblem. Der er nogle kapacitetsbegrænsninger for hver server, og du skal sørge for, at du ikke overtræder dem. Derudover er hver klient forbundet med en hjælpefunktion af den modtagne servicerate, og du skal maksimere både det samlede forbrug og de estimerede matchende udbytte." Hjælpefunktionen fremmer retfærdighed i matchning, hvilket er ønskeligt på to måder. For det første har det øje for fremtiden, så vi kan finde den rette balance mellem det nuværende og fremtidige udbytte. For det andet kontrollerer den også alle kunders læreprocesser på en retfærdig måde, så selv kunder med lavt estimeret udbytte stadig kan modtage en vis service og få deres udbetalingsestimater forbedret.
For at evaluere algoritmens ydeevne beregnede Xu og hans kolleger fortrydelsesraten, som sammenligner resultaterne af den nye algoritme med resultaterne af et orakel, der kender alle klienternes dynamik og præferencer på forhånd. "Vi viste, at fortrydelsen er meget lille, og den aftager, hvis du kører systemet i længere tid," siger Xu. Beklagelsen aftager også, hvis en bestemt kunde tildeler flere opgaver. I så fald bliver systemet stadig bedre til at lære kundens præferencer at kende.
Hovedbidraget fra dette papir er at foreslå en løsning, der tackler den usikkerhed, der er forbundet med disse typer platforme. Tidligere arbejder i litteraturen antog et scenarie, hvor ankomstraterne for forskellige typer kunder til platformen og matchende udbetalinger var kendt på forhånd. "I vores tilfælde behøver vi ikke at kende disse oplysninger. Vi kan dynamisk allokere vores opgaver som svar på disse forskellige ankomstpriser og matchende udbetalinger. Det er det interessante ved vores algoritme og politik."
Xu siger, at han især er tiltrukket af at studere netværk, fordi mange systemer og platforme med forretningsapplikationer kan modelleres som netværk. En af hans forskningslinjer er databeskyttelse på netværket og hvor let information kan spores tilbage til individuelle brugere. "Netværk er visuelt meget tiltalende, fordi du faktisk kan tegne noderne, kanterne og nemt forklare dem for et publikum," siger han. "Samtidig er der meget dyb matematik bag dem."
(C) Duke University
Bemærk: Denne historie blev oprindeligt udgivet kl: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
