Algoritmi ekonomičnosti koncertov profesorja Dukea lahko pomagajo pri povezovanju samostojnih podjetnikov in ponudnikov storitev

Po nedavni raziskavi ima 59 milijonov Američanov ali več kot tretjina celotne delovne sile ZDA opravljal svobodno delo v preteklem letu. Mnogi te koncerte najdejo prek spletnih platform, kot so Upwork, TaskRabbit ali Fiverr, ki strankam pomagajo pri povezovanju s samostojnimi ponudniki storitev.

Eden največjih izzivov, s katerimi se soočajo te platforme, je iskanje najboljšega ujemanja med strankami in svobodnjaki. Stranke imajo pogosto posebne potrebe, ki jih vsi delavci ne morejo pravilno izpolniti. Ta vrsta problema je ena od mnogih smeri raziskav, ki jih razvija Jiaming Xu, izredni profesor znanosti odločanja na univerzi Duke Fuqua poslovna šola.

Xujev glavni raziskovalni interes je razvoj algoritmov za sklepanje koristnih informacij iz omrežnih podatkov. »S številnimi različnimi vrstami omrežij se srečujemo v poslovnih aplikacijah, tehniki in celo naravoslovju,« pravi. "Ključno vprašanje je, kako iz teh omrežij pridobiti uporabne informacije za vodenje odločanja."

Ta omrežja, kot jih najdemo v resničnem svetu, so ponavadi zelo velika in kompleksna, včasih vključujejo milijone vozlišč in različne vrste povezav med njimi. Poleg tega so opazovani podatki lahko šumni ali delni. »Delam na razvoju razširljivih algoritmov, ki lahko delujejo zelo hitro in hkrati izločijo to vrsto informacij, tudi če je v podatkih le zelo šibek signal,« pravi Xu.

Ukvarjanje z negotovostmi

V primeru samostojnih platform je lahko povezovanje strank in ponudnikov storitev še posebej težavno zaradi negotovosti, ki so del postopka. Prvič, platforma pred izvedbo storitve ne ve, kako učinkovit bo dani samostojni podjetnik pri izpolnjevanju določene naloge, ki jo dodeli stranka. Z drugimi besedami, izplačilo stranke ni znano.

Drugo vprašanje je, da je populacija strank zelo dinamična. Običajno pridejo na platformo, da izpolnijo določeno potrebo, ostanejo nekaj časa in odidejo, ko dobijo storitev. Tudi statistika prihodov in odhodov strank ni vnaprej znana. Poleg tega ima vsak samostojni podjetnik omejeno zmogljivost za opravljanje storitev, kar je tudi omejitev, ki jo je treba upoštevati. »To je druga negotovost – kako povezati stranke s samostojnimi podjetji na način, ki ne povzroča zastojev v sistemu,« pravi Xu.

Skupaj s svojimi soavtorji -Wei-Kang Hsu, inženir algoritmov za strojno učenje, ki je trenutno pri Applu, Xiaojun Lin, profesor elektrotehnike in računalništva na univerzi Purdue, in Mark R. Bell, tudi profesor elektrotehnike in računalništva na Univerzi Purdue—Xu je to težavo preučil v članku "Integrirano spletno učenje in prilagodljiv nadzor v čakalnih sistemih z negotovimi izplačili," objavila revija Raziskave operacij.

"To smo preučevali kot problem spletnega ujemanja," pravi. »Cilj je najti to ujemanje in se hkrati naučiti neznanih izplačil ter zagotoviti, da je sistem stabilen in ni preobremenjen. Potem lahko povečamo skupni izkupiček za spletno platformo.«

V idealnem primeru bi se platforma postopoma naučila preferenc vsake stranke s poskusi in napakami. V resničnem svetu pa si sistem ne more privoščiti preveč napak. Če naročnikove potrebe ostanejo neizpolnjene, bo preprosto zapustil platformo po nekaj poskusih, zato mora biti krivulja učenja hitra. »Izziv je v tem, da se želite nekako zelo hitro naučiti strankinih preferenc na podlagi povratnih informacij ali rezultatov nalog,« pravi Xu.

V strojnem učenju je ta dilema znana kot kompromis med raziskovanjem in izkoriščanjem. Če nadaljujete z raziskovanjem novih ujemanj, lahko žrtvujete zadovoljstvo stranke. Toda če ne raziskujete, lahko tudi zamudite priložnost, da bi našli najboljše možno ujemanje. "Zato želite raziskovati, vendar ne preveč, saj lahko na koncu izgubite veliko plačila ali koristi."

Razmišljati optimistično

Da bi rešili to dilemo, so Xu in njegovi kolegi uporabili algoritem z zgornjo mejo zaupanja, ki pomaga združiti raziskovanje in izkoriščanje, da čim hitreje dosežete najboljši rezultat.

Pri tem pristopu, ko uspešnost morebitnega ujemanja ni znana, ta algoritem optimistično domneva, da obstaja večja možnost, da je to dobro ujemanje. Z drugimi besedami, ko je negotovost velika, so rezultati optimistično "napihnjeni". Potem ko ste imeli priložnost opazovati uspešnost tekme znova in znova, vam ni treba toliko napihniti rezultatov, ker obstaja večja stopnja zaupanja, da opazujete nekaj, kar je blizu dejanski povprečni uspešnosti te tekme.

»Najboljše ujemanje vedno izberete na podlagi napihnjenih rezultatov, ne dejanskih opaženih rezultatov. To se imenuje zgornja meja zaupanja in tako se v bistvu naučimo strankinih preferenc med ujemanjem,« pravi Xu.

Pošteno ujemanje

Pri iskanju najboljšega možnega ujemanja za vsako stranko mora algoritem upoštevati tudi omejene zmogljivosti vsakega ponudnika storitev in negotovost pri prihodih strank. Enostavno pohlepno ujemanje za maksimiranje trenutnih ocenjenih izplačil se izkaže za zelo neoptimalno. »To formuliramo kot optimizacijski problem. Za vsak strežnik obstajajo nekatere omejitve glede zmogljivosti in poskrbeti morate, da jih ne kršite. Poleg tega je vsak odjemalec povezan s funkcijo uporabnosti prejete storitve in morate maksimizirati skupne uporabnosti in ocenjene ustrezne izplačila.« Funkcija uporabnosti spodbuja poštenost pri ujemanju, kar je zaželeno na dva načina. Prvič, ima oko za prihodnost, tako da lahko najdemo pravo ravnotežje med trenutnimi in prihodnjimi izplačili. Drugič, prav tako nadzira učne procese vseh strank na pravičen način, tako da lahko tudi stranke z nizkimi ocenjenimi izplačili še vedno prejmejo nekaj storitev in izboljšajo svoje ocene izplačil.

Da bi ocenili delovanje algoritma, so Xu in njegovi sodelavci izračunali stopnjo obžalovanja, ki primerja rezultate novega algoritma z rezultati orakulja, ki vnaprej pozna vso dinamiko in želje strank. »Pokazali smo, da je obžalovanje zelo majhno in se zmanjša, če sistem uporabljate dlje časa,« pravi Xu. Obžalovanje se zmanjša tudi, če določena stranka dodeli več nalog. V tem primeru postane sistem vedno boljši pri učenju naročnikovih preferenc.

Glavni prispevek tega prispevka je predlagati rešitev, ki se spopada z negotovostjo, ki je lastna tem vrstam platform. Prejšnja dela v literaturi so predvidevala scenarij, po katerem so bile stopnje prihoda različnih vrst strank na platformo in ustrezni izplačili znani vnaprej. »V našem primeru nam teh podatkov ni treba poznati. Naše dodelitve lahko dinamično dodelimo kot odgovor na te različne stopnje prihodov in ujemanje izplačil. To je zanimiva stvar našega algoritma in politike.«

Xu pravi, da ga preučevanje omrežij še posebej privlači, ker je veliko sistemov in platform s poslovnimi aplikacijami mogoče modelirati kot omrežja. Ena od njegovih smeri raziskovanja je zasebnost omrežnih podatkov in kako preprosto je mogoče informacije izslediti do posameznih uporabnikov. »Omrežja so vizualno zelo privlačna, saj lahko dejansko narišete vozlišča, robove in jih preprosto razložite občinstvu,« pravi. "Hkrati pa je za njimi zelo globoka matematika."

(C) Univerza Duke

Opomba: Ta zgodba je bila prvotno objavljena na: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms