DUHAM – W ciągu ostatnich kilku lat na świecie nastąpił rozwój gospodarki gig, czyli rynku pracy w dużym stopniu opierającego się na pracy tymczasowej wykonywanej przez niezależnych wykonawców i freelancerów.
Według niedawnego badania 59 milionów Amerykanów, czyli ponad jedna trzecia całej siły roboczej w USA, tak robi wykonywał pracę niezależną W minionym roku. Wiele osób znajduje te koncerty za pośrednictwem platform internetowych, takich jak Upwork, TaskRabbit lub Fiverr, które pomagają klientom łączyć się z niezależnymi dostawcami usług.
Jednym z największych wyzwań stojących przed tymi platformami jest znalezienie najlepszego dopasowania między klientami a freelancerami. Klienci często mają specyficzne potrzeby, których nie wszyscy pracownicy są w stanie właściwie zaspokoić. Problem tego typu jest jednym z wielu kierunków badań rozwijanych przez Jiaming Xu, profesor nauk decyzyjnych na Uniwersytecie Duke Szkoła Biznesu Fuqua.
Głównym zainteresowaniem badawczym Xu jest opracowywanie algorytmów umożliwiających wyciąganie przydatnych informacji z danych sieciowych. „W zastosowaniach biznesowych, inżynierii, a nawet naukach przyrodniczych spotykamy wiele różnych rodzajów sieci” – mówi. „Kluczowym pytaniem jest, jak wyodrębnić przydatne informacje z tych sieci, aby pomóc w podejmowaniu decyzji na późniejszym etapie.”
Jiaming Xu (zdjęcie z Duke University),
Sieci te, jakie można spotkać w świecie rzeczywistym, są zwykle bardzo duże i złożone, czasami obejmują miliony węzłów i różne rodzaje połączeń między nimi. Co więcej, obserwowane dane mogą być zaszumione lub częściowe. „Pracuję nad opracowaniem skalowalnych algorytmów, które mogą działać bardzo szybko, a jednocześnie wydobywać tego typu informacje nawet wtedy, gdy w danych występuje bardzo słaby sygnał” – mówi Xu.
Radzenie sobie z niepewnością
W przypadku platform niezależnych dopasowywanie klientów i usługodawców może być szczególnie trudne ze względu na niepewność związaną z tym procesem. Po pierwsze, platforma przed wykonaniem usługi nie wie, jak sprawnie dany freelancer będzie w stanie wykonać określone zadanie zlecone przez klienta. Innymi słowy, wypłata klienta jest nieznana.
Kolejnym problemem jest to, że populacja klientów jest bardzo dynamiczna. Zwykle przybywają na platformę w celu zaspokojenia określonej potrzeby, pozostają na jakiś czas i odchodzą po otrzymaniu usługi. Statystyki dotyczące przyjazdów i wyjazdów klientów również nie są wcześniej znane. Co więcej, każdy freelancer ma ograniczone możliwości świadczenia usług, co również należy wziąć pod uwagę. „To druga niepewność – jak dopasować klientów do freelancerów w sposób, który nie spowoduje przeciążenia systemu” – mówi Xu.
Wraz ze współautorami —Wei-Kang Hsu, inżynier algorytmów uczenia maszynowego obecnie w Apple, Xiaojun Lin, profesor inżynierii elektrycznej i komputerowej na Uniwersytecie Purdue oraz Marka R. Bella, także profesor inżynierii elektrycznej i komputerowej na Uniwersytecie Purdue – Xu zajął się tym problemem w artykule „Zintegrowane uczenie się online i kontrola adaptacyjna w systemach kolejkowych o niepewnych wypłatach” opublikowane przez czasopismo Badania operacyjne.
„Przebadaliśmy to jako problem dopasowywania online” – mówi. „Celem jest znalezienie tego dopasowania, a jednocześnie poznanie nieznanych wypłat, a także upewnienie się, że system jest stabilny i nie jest przeciążony. Wtedy będziemy mogli zmaksymalizować całkowitą wypłatę dla platformy internetowej”.
W idealnym przypadku platforma stopniowo uczyłaby się preferencji każdego klienta metodą prób i błędów. W realnym świecie system nie może jednak pozwolić sobie na zbyt dużą liczbę błędów. Jeśli potrzeby klienta nie zostaną spełnione, po kilku próbach po prostu opuści platformę, więc nauka musi być szybka. „Wyzwanie polega na tym, że chcesz w jakiś sposób bardzo szybko poznać preferencje klienta w oparciu o opinie lub wyniki zadań” – mówi Xu.
W uczeniu maszynowym dylemat ten nazywany jest kompromisem w zakresie eksploracji i eksploatacji. Jeśli będziesz ciągle odkrywać nowe dopasowania, możesz poświęcić satysfakcję klienta. Ale jeśli nie będziesz eksplorować, możesz również stracić szansę na znalezienie najlepszego możliwego dopasowania. „Dlatego chcesz eksplorować, ale nie za dużo, ponieważ możesz stracić dużą część zysków lub korzyści”.
Myśląc optymistycznie
Aby rozwiązać ten dylemat, Xu i jego współpracownicy zastosowali algorytm górnej granicy ufności, który pomaga połączyć eksplorację i eksploatację w celu jak najszybszego uzyskania najlepszego wyniku.
Zgodnie z tym podejściem, gdy skuteczność potencjalnego dopasowania jest nieznana, algorytm optymistycznie zakłada, że istnieje większa szansa, że będzie to dobre dopasowanie. Innymi słowy, gdy niepewność jest wysoka, wyniki są optymistycznie „zawyżone”. Gdy będziesz miał okazję wielokrotnie obserwować przebieg meczu, nie musisz tak bardzo zawyżać wyników, ponieważ istnieje większa pewność, że obserwujesz coś zbliżonego do rzeczywistego średniego wyniku tego meczu.
„Zawsze wybierasz najlepsze dopasowanie na podstawie zawyżonych wyników, a nie faktycznie zaobserwowanych wyników. Nazywa się to górną granicą ufności i w zasadzie w ten sposób podczas dopasowywania poznajemy preferencje klienta” – mówi Xu.
Dopasowanie dość
Znajdując możliwie najlepsze dopasowanie dla każdego klienta, algorytm musi również uwzględniać ograniczone możliwości każdego usługodawcy i niepewność związaną z przyjazdami klientów. Samo zachłanne dopasowywanie w celu maksymalizacji bieżących szacowanych wypłat okazuje się wysoce nieoptymalne. „Formułujemy to jako problem optymalizacji. Każdy serwer ma pewne ograniczenia wydajności i należy uważać, aby ich nie naruszyć. Ponadto każdy klient jest powiązany z funkcją użyteczności otrzymanej stawki za usługę i należy maksymalizować zarówno całkowitą użyteczność, jak i szacowane pasujące wypłaty. Funkcja użyteczności promuje uczciwość w dopasowywaniu, co jest pożądane z dwóch powodów. Po pierwsze, patrzy w przyszłość, dzięki czemu możemy znaleźć właściwą równowagę pomiędzy obecnymi i przyszłymi wypłatami. Po drugie, kontroluje także w uczciwy sposób procesy uczenia się wszystkich klientów, dzięki czemu nawet klienci z niskimi szacunkowymi wypłatami mogą nadal korzystać z usług i poprawiać swoje szacunki wypłat.
Aby ocenić wydajność algorytmu, Xu i jego współpracownicy obliczyli współczynnik żalu, który porównuje wyniki nowego algorytmu z wynikami wyroczni, która wcześniej zna całą dynamikę i preferencje klientów. „Pokazaliśmy, że żal jest bardzo mały i zmniejsza się, jeśli system działa dłużej” – mówi Xu. Żal również maleje, jeśli konkretny klient przydziela wiele zadań. W takim przypadku system coraz lepiej uczy się preferencji klienta.
Głównym wkładem tego artykułu jest zaproponowanie rozwiązania, które rozwiąże problem niepewności nieodłącznie związanej z tego typu platformami. Wcześniejsze prace w literaturze zakładały scenariusz, w którym znane były wcześniej wskaźniki przybycia różnych typów klientów na platformę i odpowiadające im wypłaty. „W naszym przypadku nie musimy znać tych informacji. Możemy dynamicznie przydzielać nasze zadania w odpowiedzi na różne wskaźniki przybycia i dopasowane wypłaty. To właśnie jest interesujące w naszym algorytmie i zasadach.”
Xu twierdzi, że szczególnie interesuje go badanie sieci, ponieważ wiele systemów i platform z aplikacjami biznesowymi można modelować jako sieci. Jednym z kierunków jego badań jest prywatność danych w sieci oraz jak łatwo można prześledzić informacje do poszczególnych użytkowników. „Sieci są bardzo atrakcyjne wizualnie, ponieważ można w rzeczywistości narysować węzły i krawędzie i łatwo wyjaśnić je odbiorcom” – mówi. „Jednocześnie kryje się za nimi bardzo głęboka matematyka”.
(C) Uniwersytet Książęcy
Uwaga: ta historia została pierwotnie opublikowana pod adresem: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
