Les algorithmes d'économie de gig du professeur Duke peuvent aider à faire correspondre les indépendants et les fournisseurs de services

Selon une enquête récente, 59 millions d'Américains, soit plus d'un tiers de l'ensemble de la population active américaine, ont effectué un travail indépendant l'année dernière. Beaucoup trouvent ces emplois via des plateformes en ligne telles que Upwork, TaskRabbit ou Fiverr, qui aident à connecter les clients avec des prestataires de services indépendants.

L’un des plus grands défis auxquels ces plateformes sont confrontées est de trouver la meilleure adéquation entre clients et indépendants. Les clients ont souvent des besoins spécifiques que tous les travailleurs ne peuvent pas satisfaire correctement. Ce type de problématique constitue l'un des nombreux axes de recherche développés par Jiaming Xu, professeur agrégé en sciences de la décision à l’Université Duke École de commerce Fuqua.

Le principal intérêt de recherche de Xu consiste à développer des algorithmes permettant de déduire des informations utiles à partir des données du réseau. « Nous rencontrons de nombreux types de réseaux différents dans les applications commerciales, l'ingénierie et même les sciences naturelles », explique-t-il. « La question clé est de savoir comment extraire des informations utiles de ces réseaux pour guider la prise de décision en aval. »

Ces réseaux, tels qu'on les trouve dans le monde réel, ont tendance à être très vastes et complexes, impliquant parfois des millions de nœuds et différents types de liens entre eux. De plus, les données observées peuvent être bruitées ou partielles. "Je travaille au développement d'algorithmes évolutifs qui peuvent fonctionner très rapidement et, en même temps, extraire ce type d'informations même lorsqu'il n'y a qu'un signal très faible dans les données", explique Xu.

Faire face aux incertitudes

Dans le cas des plateformes indépendantes, la mise en relation des clients et des prestataires de services peut s’avérer particulièrement difficile en raison des incertitudes inhérentes au processus. Tout d’abord, la plateforme ne sait pas, avant qu’un service soit effectué, quelle sera l’efficacité d’un freelance donné dans l’accomplissement d’une certaine tâche assignée par un client. En d’autres termes, le gain du client est inconnu.

Un autre problème est que la population de clients est très dynamique. Ils arrivent généralement sur la plate-forme pour répondre à un certain besoin, restent pendant un certain temps et repartent après avoir obtenu le service. Les statistiques d’arrivées et de départs de clients sont également inconnues à priori. De plus, chaque freelance a une capacité limitée à fournir des services, une contrainte qui doit également être prise en compte. "C'est la deuxième incertitude : comment mettre en relation les clients et les indépendants de manière à ne pas encombrer le système", explique Xu.

Avec ses co-auteurs—Wei-Kang Hsu, ingénieur en algorithmes d'apprentissage automatique actuellement chez Apple, Xiaojun Lin, professeur de génie électrique et informatique à l'Université Purdue, et Mark R. Bell, également professeur de génie électrique et informatique à l'Université Purdue. Xu s'est penché sur ce problème dans l'article « Apprentissage en ligne intégré et contrôle adaptatif dans les systèmes de file d'attente aux gains incertains » publié par la revue Recherche opérationnelle.

« Nous avons étudié cela comme un problème de correspondance en ligne », dit-il. « L’objectif est de trouver cette correspondance et, en même temps, d’apprendre les gains inconnus et également de s’assurer que le système est stable et non encombré. Nous pourrons alors maximiser le gain total de la plateforme en ligne.

Dans un scénario idéal, la plateforme apprendrait progressivement les préférences de chaque client par essais et erreurs. Dans le monde réel, cependant, le système ne peut pas se permettre trop d’erreurs. Si les besoins du client ne sont pas satisfaits, il quittera simplement la plateforme après quelques tentatives, la courbe d’apprentissage doit donc être rapide. « Le défi est que vous souhaitez connaître très rapidement les préférences du client en fonction de ses commentaires ou du résultat des missions », explique Xu.

En apprentissage automatique, ce dilemme est connu sous le nom de compromis exploration/exploitation. Si vous continuez à explorer de nouvelles correspondances, vous risquez de sacrifier la satisfaction du client. Mais si vous n’explorez pas, vous risquez également de manquer l’occasion de trouver la meilleure correspondance possible. « C’est pourquoi vous souhaitez explorer, mais pas trop, car vous pourriez finir par perdre une grande partie des bénéfices ou des bénéfices. »

Penser avec optimisme

Pour aider à résoudre ce dilemme, Xu et ses collègues ont utilisé l'algorithme de limite de confiance supérieure, qui permet de combiner l'exploration et l'exploitation pour obtenir le meilleur résultat le plus rapidement possible.

Selon cette approche, lorsque les performances d’une correspondance potentielle sont inconnues, cet algorithme suppose avec optimisme qu’il y a plus de chances que ce soit une bonne correspondance. En d’autres termes, lorsque l’incertitude est élevée, les résultats sont « gonflés » de manière optimiste. Après avoir eu la chance d’observer la performance d’un match encore et encore, vous n’avez pas besoin de gonfler autant les résultats car vous êtes plus sûr que vous observez quelque chose de proche de la performance moyenne réelle de ce match.

« Vous choisissez toujours la meilleure correspondance en fonction des résultats gonflés, et non des résultats réellement observés. C’est ce qu’on appelle la limite supérieure de confiance et c’est essentiellement ainsi que nous apprenons les préférences du client tout en effectuant les correspondances », explique Xu.

Correspondant équitablement

Tout en trouvant la meilleure adéquation possible pour chaque client, l'algorithme doit également tenir compte de la capacité limitée de chaque prestataire de services et de l'incertitude quant à l'arrivée des clients. Une simple correspondance avide pour maximiser les gains estimés actuels s'avère très sous-optimale. « Nous formulons cela comme un problème d’optimisation. Il existe certaines contraintes de capacité pour chaque serveur et vous devez vous assurer de ne pas les violer. De plus, chaque client est associé à une fonction d’utilité du taux de service reçu et vous devez maximiser à la fois les utilités totales et les gains correspondants estimés. La fonction d’utilité favorise l’équité dans l’appariement, ce qui est souhaitable de deux manières. Premièrement, elle est tournée vers l’avenir, afin que nous puissions trouver le juste équilibre entre les bénéfices actuels et futurs. Deuxièmement, il contrôle également les processus d'apprentissage de tous les clients de manière équitable, de sorte que même les clients dont les gains estimés sont faibles peuvent toujours recevoir certains services et améliorer leurs estimations de gains.

Pour évaluer les performances de l’algorithme, Xu et ses collègues ont calculé le taux de regret, qui compare les résultats du nouvel algorithme avec ceux d’un oracle qui connaît à l’avance toutes les dynamiques et préférences des clients. "Nous avons montré que les regrets sont très faibles et qu'ils diminuent si vous faites fonctionner le système pendant une période plus longue", explique Xu. Le regret diminue également si un client particulier lui assigne plusieurs tâches. Dans ce cas, le système devient de plus en plus efficace pour connaître les préférences du client.

La principale contribution de cet article est de proposer une solution qui s'attaque à l'incertitude inhérente à ces types de plateformes. Les travaux antérieurs dans la littérature supposaient un scénario dans lequel les taux d’arrivée des différents types de clients sur la plateforme et les gains correspondants étaient connus à l’avance. « Dans notre cas, nous n’avons pas besoin de connaître cette information. Nous pouvons attribuer dynamiquement nos missions en réponse à ces différents taux d'arrivée et aux récompenses correspondantes. C’est ce qui est intéressant à propos de notre algorithme et de notre politique.

Xu dit qu'il est particulièrement attiré par l'étude des réseaux, car de nombreux systèmes et plates-formes dotés d'applications métier peuvent être modélisés comme des réseaux. L'un de ses axes de recherche est confidentialité des données du réseau et avec quelle facilité les informations peuvent être retracées jusqu'aux utilisateurs individuels. « Les réseaux sont visuellement très attrayants car vous pouvez réellement dessiner les nœuds, les bords et les expliquer facilement à un public », explique-t-il. "En même temps, il y a derrière eux des mathématiques très profondes."

(C) Université Duke

Remarque : Cette histoire a été publiée à l'origine sur: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms