더럼 – 지난 몇 년 동안 전 세계적으로 독립 계약자와 프리랜서의 임시직에 크게 의존하는 노동 시장인 긱 이코노미(gig Economy)가 부상했습니다.
최근 조사에 따르면 미국인 59만 명, 즉 미국 전체 노동력의 XNUMX분의 XNUMX 이상이 프리랜서로 일한 작년에. 많은 사람들이 Upwork, TaskRabbit 또는 Fiverr와 같은 온라인 플랫폼을 통해 이러한 공연을 찾습니다. 이는 고객을 프리랜서 서비스 제공업체와 연결하는 데 도움이 됩니다.
이러한 플랫폼이 직면한 가장 큰 과제 중 하나는 고객과 프리랜서 간의 최적의 조합을 찾는 것입니다. 고객은 모든 직원이 제대로 충족할 수 없는 특정한 요구 사항을 갖고 있는 경우가 많습니다. 이러한 유형의 문제는 에 의해 개발되고 있는 많은 연구 계열 중 하나입니다. 쉬 지아밍, 듀크대학교 의사결정과학 부교수 푸 쿠아 경영 대학.
Xu의 주요 연구 관심 분야는 네트워크 데이터에서 유용한 정보를 추론하는 알고리즘을 개발하는 것입니다. “우리는 비즈니스 애플리케이션, 엔지니어링, 심지어 자연과학 분야에서도 다양한 종류의 네트워크를 접합니다.”라고 그는 말합니다. "핵심 질문은 다운스트림 의사 결정을 안내하기 위해 이러한 네트워크에서 유용한 정보를 추출하는 방법입니다."
Jiaming Xu(듀크대학교 사진),
현실 세계에서 볼 수 있는 이러한 네트워크는 매우 크고 복잡한 경향이 있으며 때로는 수백만 개의 노드와 서로 다른 유형의 링크를 포함합니다. 게다가 관찰된 데이터에는 잡음이 많거나 부분적일 수 있습니다. Xu는 “저는 매우 빠르게 실행되는 동시에 데이터에 매우 약한 신호가 있는 경우에도 이러한 유형의 정보를 추출할 수 있는 확장 가능한 알고리즘을 개발하기 위해 노력하고 있습니다.”라고 말합니다.
불확실성 다루기
프리랜서 플랫폼의 경우, 프로세스에 내재된 불확실성으로 인해 클라이언트와 서비스 제공자를 매칭하는 것이 특히 어려울 수 있습니다. 우선, 플랫폼은 서비스가 수행되기 전에 해당 프리랜서가 클라이언트가 할당한 특정 작업을 완료하는 데 얼마나 효율적인지 알 수 없습니다. 즉, 고객의 보수를 알 수 없습니다.
또 다른 문제는 고객 인구가 매우 역동적이라는 것입니다. 그들은 일반적으로 특정 요구 사항을 충족하기 위해 플랫폼에 도착하고 일정 시간 동안 머물렀다가 서비스를 받은 후 출발합니다. 고객의 도착 및 출발에 대한 통계도 사전에 알 수 없습니다. 게다가 각 프리랜서는 서비스를 수행할 수 있는 능력이 제한되어 있으므로 이 제약도 고려해야 합니다. Xu는 "이것이 두 번째 불확실성입니다. 시스템 정체를 유발하지 않는 방식으로 고객을 프리랜서와 연결하는 방법입니다."라고 말했습니다.
그의 공동저자들과 함께—웨이강 쉬, 현재 Apple에서 근무하는 머신러닝 알고리즘 엔지니어, 린샤오준, 퍼듀 대학교 전기 및 컴퓨터 공학 교수, 마크 R. 벨, 또한 Purdue University의 전기 및 컴퓨터 공학 교수 - Xu는 논문에서 이 문제를 조사했습니다. "수익률이 불확실한 대기열 시스템의 통합 온라인 학습 및 적응형 제어" 저널에서 출판 운영 연구.
“우리는 이것을 온라인 매칭 문제로 연구했습니다.”라고 그는 말합니다. “목표는 이 일치 항목을 찾는 동시에 알려지지 않은 보상을 배우고 시스템이 안정적이고 혼잡하지 않은지 확인하는 것입니다. 그러면 우리는 온라인 플랫폼의 총 이익을 극대화할 수 있습니다.”
이상적인 경우 플랫폼은 시행착오를 통해 각 클라이언트의 선호도를 점차적으로 학습합니다. 그러나 현실 세계에서는 시스템이 너무 많은 오류를 허용할 수 없습니다. 고객의 요구 사항이 충족되지 않으면 몇 번의 시도 후에 플랫폼을 떠나게 되므로 학습 곡선이 빨라야 합니다. Xu는 “문제는 피드백이나 과제 결과를 기반으로 고객의 선호도를 어떻게든 매우 빠르게 파악해야 한다는 것입니다.”라고 말합니다.
기계 학습에서는 이러한 딜레마를 탐색 대 활용 트레이드오프라고 합니다. 계속해서 새로운 매치를 탐색한다면 고객의 만족도가 희생될 수 있습니다. 그러나 탐색하지 않으면 가능한 가장 일치하는 항목을 찾을 기회를 놓칠 수도 있습니다. "그래서 탐구하고 싶은 것이지만 너무 많이 탐색하면 안 됩니다. 결과적으로 많은 보상이나 혜택을 잃을 수도 있기 때문입니다."
낙관적으로 생각하기
이 딜레마를 해결하기 위해 Xu와 그의 동료들은 탐색과 활용을 결합하여 가능한 한 빨리 최상의 결과를 얻는 데 도움이 되는 신뢰 상한 알고리즘을 사용했습니다.
이러한 접근 방식에서는 잠재적인 일치 항목의 성능을 알 수 없는 경우 이 알고리즘은 해당 항목이 좋은 일치 항목이 될 가능성이 더 높다고 낙관적으로 가정합니다. 즉, 불확실성이 높을 때 결과는 낙관적으로 '부풀려진다'. 경기의 성과를 반복해서 관찰한 후에는 해당 경기의 실제 평균 성과에 가까운 것을 관찰하고 있다는 확신이 더 높기 때문에 결과를 너무 부풀릴 필요가 없습니다.
“실제로 관찰된 결과가 아니라 과장된 결과를 바탕으로 항상 가장 적합한 결과를 선택합니다. 이를 신뢰 상한이라고 하며 기본적으로 일치를 수행하는 동안 고객의 선호도를 배우는 방법입니다.”라고 Xu는 말합니다.
공정하게 일치
각 고객에게 가장 적합한 매칭을 찾는 동시에 알고리즘은 모든 서비스 제공업체의 제한된 용량과 고객 도착의 불확실성도 고려해야 합니다. 단순히 현재 추정 보상을 최대화하기 위해 탐욕스럽게 매칭하는 것은 매우 차선책으로 판명됩니다. “우리는 이것을 최적화 문제로 공식화합니다. 모든 서버에는 몇 가지 용량 제한이 있으므로 이를 위반하지 않도록 해야 합니다. 또한 모든 고객은 받은 서비스 요금의 효용 함수와 연관되어 있으므로 총 효용과 예상 매칭 보상을 모두 극대화해야 합니다.” 효용함수는 매칭의 공정성을 촉진하는데, 이는 두 가지 측면에서 바람직합니다. 첫째, 미래를 내다보는 안목이 있어서 현재와 미래의 보상 사이에서 올바른 균형을 맞출 수 있습니다. 둘째, 모든 고객의 학습 과정을 공정하게 통제하여 예상 보수가 낮은 고객이라도 일부 서비스를 받고 보수 추정치를 향상시킬 수 있습니다.
알고리즘의 성능을 평가하기 위해 Xu와 그의 동료들은 고객의 역학 및 선호도를 모두 미리 알고 있는 오라클의 결과와 새 알고리즘의 결과를 비교하는 후회율을 계산했습니다. Xu는 "우리는 후회가 매우 작으며 시스템을 오랫동안 실행하면 감소한다는 것을 보여주었습니다."라고 말했습니다. 특정 고객이 여러 작업을 할당하면 후회도 줄어듭니다. 이 경우 시스템은 클라이언트의 선호도를 점점 더 잘 학습하게 됩니다.
이 문서의 주요 기여는 이러한 유형의 플랫폼에 내재된 불확실성을 해결하는 솔루션을 제안하는 것입니다. 문헌의 이전 연구에서는 다양한 유형의 고객이 플랫폼에 도착하는 비율과 일치하는 보상이 사전에 알려진 시나리오를 가정했습니다. “우리의 경우에는 이 정보를 알 필요가 없습니다. 우리는 이러한 다양한 도착률과 일치하는 보상에 대응하여 할당을 동적으로 할당할 수 있습니다. 이것이 우리 알고리즘과 정책의 흥미로운 점입니다.”
Xu는 비즈니스 애플리케이션을 갖춘 많은 시스템과 플랫폼이 네트워크로 모델링될 수 있기 때문에 특히 네트워크 연구에 매력을 느낀다고 말합니다. 그의 연구 분야 중 하나는 네트워크 데이터 개인 정보 보호 개인 사용자에 대한 정보를 얼마나 쉽게 추적할 수 있는지. "네트워크는 실제로 노드와 가장자리를 그릴 수 있고 이를 청중에게 쉽게 설명할 수 있기 때문에 시각적으로 매우 매력적입니다."라고 그는 말합니다. "동시에 그 뒤에는 매우 깊은 수학이 있습니다."
(C) 듀크 대학교
참고: 이 이야기는 원래 다음 사이트에 게시되었습니다.: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
