DURHAM – Az elmúlt néhány évben a világban a koncertgazdaság felemelkedése tapasztalható, egy olyan munkaerőpiac, amely nagymértékben függ a független vállalkozók és szabadúszók ideiglenes munkáitól.
Egy friss felmérés szerint 59 millió amerikai, vagyis a teljes amerikai munkaerő több mint egyharmada szabadúszó munkát végzett az elmúlt évben. Sokan olyan online platformokon keresztül találják meg ezeket a koncerteket, mint az Upwork, TaskRabbit vagy Fiverr, amelyek segítenek az ügyfelek és a szabadúszó szolgáltatók összekapcsolásában.
Az egyik legnagyobb kihívás, amellyel ezek a platformok szembesülnek, a legjobb párosítás megtalálása az ügyfelek és a szabadúszók között. Az ügyfeleknek gyakran vannak speciális igényei, amelyeket nem minden dolgozó tud megfelelően kielégíteni. Ez a fajta probléma egyike azon számos kutatási iránynak, amelyet kidolgoznak Jiaming Xu, a Duke Egyetem döntéstudományi docense Fuqua Üzleti Iskola.
Xu fő kutatási területe olyan algoritmusok fejlesztése, amelyek segítségével a hálózati adatokból hasznos információkra lehet következtetni. „Sok különböző típusú hálózattal találkozunk az üzleti alkalmazásokban, a mérnöki munkákban, sőt a természettudományokban is” – mondja. „A kulcskérdés az, hogyan nyerhetünk ki hasznos információkat ezekből a hálózatokból a későbbi döntéshozatalhoz.”
Jiaming Xu (a Duke Egyetem fotója),
Ezek a hálózatok, ahogyan a való világban is megtalálhatók, általában nagyon nagyok és összetettek, néha csomópontok millióit és különböző típusú kapcsolatokat foglalnak magukban közöttük. Ráadásul a megfigyelt adatok zajosak vagy részlegesek lehetnek. „Skálázható algoritmusok kifejlesztésén dolgozom, amelyek nagyon gyorsan tudnak futni, és ugyanakkor kivonják az ilyen típusú információkat még akkor is, ha csak nagyon gyenge jel van az adatokban” – mondja Xu.
A bizonytalanságok kezelése
A szabadúszó platformok esetében különösen nehéz lehet az ügyfelek és a szolgáltatók egyeztetése a folyamatban rejlő bizonytalanságok miatt. Először is, a platform nem tudja a szolgáltatás teljesítése előtt, hogy az adott szabadúszó mennyire lesz hatékony egy ügyfél által kijelölt feladat elvégzésében. Más szóval, az ügyfél kifizetése ismeretlen.
Más kérdés, hogy az ügyfelek köre nagyon dinamikus. Általában egy bizonyos igény kielégítésére érkeznek a platformra, maradnak egy ideig, és a szolgáltatás igénybevétele után távoznak. Az ügyfelek érkezésének és távozásának statisztikái sem ismertek előre. Ezenkívül minden szabadúszó korlátozott kapacitással rendelkezik a szolgáltatások teljesítésére, ezt a korlátot szintén figyelembe kell venni. „Ez a második bizonytalanság: hogyan lehet az ügyfeleket szabadúszókkal egyeztetni úgy, hogy ne okozzon torlódást a rendszerben” – mondja Xu.
Társszerzőivel együtt –Wei-Kang Hsu, gépi tanulási algoritmus mérnök, jelenleg az Apple-nél, Xiaojun Lin, az elektromos és számítástechnikai mérnök professzora a Purdue Egyetemen, és Mark R. Bell, szintén a Purdue Egyetem villamos- és számítástechnikai professzora – Xu ezzel a problémával foglalkozott az újságban „Integrált online tanulás és adaptív vezérlés bizonytalan kifizetésű sorban állási rendszerekben” folyóirat adta ki Műveleti kutatások.
„Ezt online egyeztetési problémaként vizsgáltuk” – mondja. „A cél az, hogy megtaláljuk ezt a párosítást, és ezzel egyidejűleg megtanuljuk az ismeretlen nyereményeket, és megbizonyosodjunk arról is, hogy a rendszer stabil és nem túlterhelt. Akkor maximalizálhatjuk az online platform teljes nyereségét.”
Ideális esetben a platform fokozatosan megtanulja az egyes ügyfelek preferenciáit a próba és hiba alapján. A való világban azonban a rendszer nem engedhet meg magának túl sok hibát. Ha az ügyfél igényei nem teljesülnek, néhány próbálkozás után egyszerűen elhagyják a platformot, tehát a tanulási görbének gyorsnak kell lennie. „A kihívás az, hogy a visszajelzések vagy a megbízások eredménye alapján valahogy nagyon gyorsan meg akarjuk tanulni az ügyfél preferenciáit” – mondja Xu.
A gépi tanulásban ezt a dilemmát a felfedezés és a kiaknázás közötti kompromisszumnak nevezik. Ha folyamatosan új egyezéseket keres, feláldozhatja az ügyfél elégedettségét. De ha nem fedezi fel, akkor elszalaszthatja a lehetőséget, hogy megtalálja a lehető legjobb párosítást. „Ezért szeretne felfedezni, de ne túl sokat, mert a végén sokat veszíthet a nyereségből vagy a haszonból.”
Optimistán gondolkodva
Ennek a dilemmának a megoldására Xu és munkatársai a felső konfidenciahatár-algoritmust használták, amely segít a feltárás és a kiaknázás kombinálásában a lehető legjobb eredmény elérése érdekében.
Ebben a megközelítésben, ha egy potenciális egyezés teljesítménye ismeretlen, ez az algoritmus optimistán feltételezi, hogy nagyobb az esélye annak, hogy jó egyezés legyen. Más szóval, ha nagy a bizonytalanság, az eredmények optimistán „felfújódnak”. Miután lehetősége volt újra és újra megfigyelni egy mérkőzés teljesítményét, nem kell annyira felfújnia az eredményeket, mert nagyobb az önbizalma, hogy az adott mérkőzés tényleges átlagos teljesítményéhez közeli eredményt figyel meg.
„Mindig a felfújt eredmények alapján választja ki a legjobb egyezést, nem pedig a ténylegesen megfigyelt eredmények alapján. Ezt hívják felső bizalmi korlátnak, és alapvetően így tanuljuk meg az ügyfél preferenciáit a mérkőzések során” – mondja Xu.
Tisztességesen illeszkedik
Az algoritmusnak az egyes vevők számára legmegfelelőbb párosítás mellett figyelembe kell vennie az egyes szolgáltatók korlátozott kapacitását és az ügyfelek érkezésének bizonytalanságát is. A jelenlegi becsült kifizetések maximalizálása érdekében végzett egyszerűen mohó párosítás nagyon szuboptimálisnak bizonyul. „Ezt optimalizálási problémaként fogalmazzuk meg. Minden kiszolgálóhoz vannak kapacitáskorlátok, és meg kell győződnie arról, hogy ezeket nem sérti meg. Ezen túlmenően, minden ügyfél hozzá van rendelve a kapott szolgáltatási díj hasznossági függvényéhez, és maximalizálni kell mind a teljes közszolgáltatást, mind a becsült megfelelő kifizetéseket.” A hasznossági függvény elősegíti a méltányos egyeztetést, ami két szempontból is kívánatos. Először is a jövőbe néz, hogy megfelelő egyensúlyt tudjunk teremteni a jelenlegi és a jövőbeli kifizetések között. Másodszor, tisztességes módon ellenőrzi az összes ügyfél tanulási folyamatát, így még az alacsony becsült kifizetésű ügyfelek is kaphatnak valamilyen szolgáltatást, és javíthatják a kifizetési becsléseiket.
Az algoritmus teljesítményének értékeléséhez Xu és munkatársai kiszámították a megbánási arányt, amely az új algoritmus eredményeit hasonlítja össze egy olyan orákuluméval, amely előre ismeri az ügyfelek összes dinamikáját és preferenciáit. „Megmutattuk, hogy a megbánás nagyon kicsi, és csökken, ha hosszabb ideig futtatja a rendszert” – mondja Xu. A megbánás is csökken, ha egy adott ügyfél több feladatot is kijelöl. Ebben az esetben a rendszer egyre jobban megtanulja az ügyfél preferenciáit.
Ennek a cikknek a fő hozzájárulása az, hogy olyan megoldást javasoljon, amely kezeli az ilyen típusú platformokban rejlő bizonytalanságot. A korábbi szakirodalmi munkák olyan forgatókönyvet feltételeztek, amelyben a különböző típusú ügyfelek platformra érkezési aránya és az ehhez tartozó kifizetések előre ismertek voltak. „A mi esetünkben ezt az információt nem kell tudnunk. Dinamikusan oszthatjuk ki a megbízásainkat a különböző érkezési arányok és az egyező kifizetések függvényében. Ez az érdekes algoritmusunkban és irányelvünkben.”
Xu azt mondja, hogy különösen vonzza a hálózatok tanulmányozása, mert sok rendszer és platform üzleti alkalmazásokkal modellezhető hálózatként. Egyik kutatási iránya az hálózati adatvédelem és milyen könnyen vezethetők vissza az információk az egyes felhasználókhoz. „A hálózatok vizuálisan nagyon tetszetősek, mert valójában megrajzolhatjuk a csomópontokat, az éleket, és könnyen elmagyarázhatjuk a közönségnek” – mondja. "Ugyanakkor nagyon mély matematika van mögöttük."
(C) Duke Egyetem
Megjegyzés: Ez a történet eredetileg itt jelent meg: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
