DURHAM – Geçtiğimiz birkaç yılda dünya, büyük ölçüde bağımsız yüklenicilerin ve serbest çalışanların geçici işlerine dayanan bir işgücü piyasası olan esnek ekonominin yükselişine tanık oldu.
Yakın zamanda yapılan bir araştırmaya göre 59 milyon Amerikalı, yani tüm ABD işgücünün üçte birinden fazlası, serbest çalışma yaptı Geçen yılda. Birçoğu bu işleri, müşterilerin serbest hizmet sağlayıcılarla bağlantı kurmasına yardımcı olan Upwork, TaskRabbit veya Fiverr gibi çevrimiçi platformlar aracılığıyla buluyor.
Bu platformların karşılaştığı en büyük zorluklardan biri müşteriler ve serbest çalışanlar arasındaki en iyi eşleşmeyi bulmaktır. Müşterilerin çoğu zaman tüm çalışanların gerektiği gibi karşılayamayacağı özel ihtiyaçları vardır. Bu tür bir problem, tarafından geliştirilen birçok araştırma türünden biridir. Jiaming Xu, Duke Üniversitesi'nde karar bilimleri alanında doçent Fuqua İşletme Fakültesi.
Xu'nun ana araştırma alanı, ağ verilerinden yararlı bilgiler çıkaracak algoritmalar geliştirmektir. "İş uygulamalarında, mühendislikte ve hatta doğa bilimlerinde birçok farklı türde ağla karşılaşıyoruz" diyor. "Asıl soru, aşağı yönlü karar alma sürecini yönlendirmek için bu ağlardan yararlı bilgilerin nasıl çıkarılacağıdır."
Jiaming Xu (Duke Üniversitesi fotoğrafı),
Bu ağlar, gerçek dünyada bulundukları şekliyle çok büyük ve karmaşık olma eğilimindedir; bazen milyonlarca düğümü ve bunlar arasındaki farklı türdeki bağlantıları içerir. Üstelik gözlemlenen veriler gürültülü veya kısmi olabilir. Xu, "Çok hızlı çalışabilen ve aynı zamanda verilerde yalnızca çok zayıf bir sinyal olduğunda bile bu tür bilgileri çıkarabilen ölçeklenebilir algoritmalar geliştirmek için çalışıyorum" diyor.
Belirsizliklerle başa çıkmak
Serbest platformlar söz konusu olduğunda, müşterilerle hizmet sağlayıcıların eşleştirilmesi, sürecin doğasında olan belirsizlikler nedeniyle özellikle zor olabilir. Her şeyden önce platform, bir hizmet gerçekleştirilmeden önce belirli bir serbest çalışanın, müşteri tarafından atanan belirli bir görevi tamamlamada ne kadar verimli olacağını bilemez. Başka bir deyişle müşterinin getirisi bilinmiyor.
Diğer bir konu ise müşteri popülasyonunun çok dinamik olmasıdır. Genellikle belirli bir ihtiyacı karşılamak için platforma gelirler, bir süre kalırlar ve hizmeti aldıktan sonra ayrılırlar. Müşterilerin geliş ve gidiş istatistikleri de önceden bilinmiyor. Ayrıca, her serbest çalışanın hizmetleri yerine getirme konusunda sınırlı bir kapasitesi vardır ve bu da dikkate alınması gereken bir kısıtlamadır. Xu, "Bu da ikinci belirsizlik; sistemde sıkışıklığa neden olmayacak şekilde müşterilerin serbest çalışanlarla nasıl eşleştirileceği" diyor.
Ortak yazarlarıyla birlikte...Wei-Kang Hsu, şu anda Apple'da çalışan bir makine öğrenimi algoritma mühendisi, Xiaojun LinPurdue Üniversitesi'nde elektrik ve bilgisayar mühendisliği profesörü ve Mark R. BellAynı zamanda Purdue Üniversitesi'nde elektrik ve bilgisayar mühendisliği profesörü olan Xu, makalesinde bu sorunu inceledi “Sonuçları Belirsiz Olan Kuyruk Sistemlerinde Entegre Çevrimiçi Öğrenme ve Uyarlanabilir Kontrol” dergi tarafından yayınlandı Yöneylem Araştırması.
"Bunu çevrimiçi bir eşleştirme sorunu olarak inceledik" diyor. “Amaç bu maçı bulmak, aynı zamanda bilinmeyen getirileri öğrenmek ve sistemin istikrarlı olduğundan ve sıkışıklık yaratmadığından emin olmak. Daha sonra çevrimiçi platformun toplam getirisini en üst düzeye çıkarabiliriz.
İdeal bir senaryoda platform, her müşterinin tercihlerini deneme yanılma yoluyla kademeli olarak öğrenecektir. Ancak gerçek dünyada sistem çok fazla hatayı kaldıramaz. Müşterinin ihtiyaçları karşılanmazsa, birkaç denemeden sonra platformu terk edecektir, dolayısıyla öğrenme eğrisi hızlı olmalıdır. Xu, "Zorluk, geri bildirime veya görevlerin sonucuna göre müşterinin tercihlerini bir şekilde çok hızlı bir şekilde öğrenmek istemenizdir" diyor.
Makine öğreniminde bu ikilem, keşif ve kullanım arasındaki denge olarak bilinir. Yeni eşleşmeler keşfetmeye devam ederseniz müşteri memnuniyetinden ödün verebilirsiniz. Ancak keşfetmezseniz mümkün olan en iyi eşleşmeyi bulma şansını da kaçırabilirsiniz. "İşte bu yüzden keşfetmek istiyorsunuz ama çok fazla değil, çünkü sonuçta çok fazla kazanç veya fayda kaybedebilirsiniz."
İyimser düşünmek
Bu ikilemi çözmeye yardımcı olmak için Xu ve meslektaşları, mümkün olan en hızlı şekilde en iyi sonucu elde etmek için keşif ve kullanımı birleştirmeye yardımcı olan üst güven sınırı algoritmasını kullandılar.
Bu yaklaşıma göre, potansiyel bir eşleşmenin performansı bilinmediğinde, bu algoritma iyimser bir şekilde bunun iyi bir eşleşme olma şansının daha yüksek olduğunu varsayar. Başka bir deyişle, belirsizlik yüksek olduğunda sonuçlar iyimser bir şekilde "şişirilir". Bir maçın performansını tekrar tekrar gözlemleme şansına sahip olduktan sonra, sonuçları o kadar abartmanıza gerek kalmaz çünkü o maçın gerçek ortalama performansına yakın bir şeyi gözlemlediğinize dair daha fazla güven vardır.
“En iyi eşleşmeyi her zaman gözlemlenen gerçek sonuçlara göre değil, şişirilmiş sonuçlara göre seçersiniz. Buna üst güven sınırı deniyor ve eşleşmeleri yaparken müşterinin tercihlerini temel olarak bu şekilde öğreniyoruz” diyor Xu.
Oldukça eşleşiyor
Algoritma, her müşteri için mümkün olan en iyi eşleşmeyi bulurken aynı zamanda her hizmet sağlayıcının sınırlı kapasitesini ve müşterilerin gelişindeki belirsizliği de hesaba katmalıdır. Mevcut tahmini getirileri en üst düzeye çıkarmak için açgözlü bir şekilde eşleştirmenin son derece yetersiz olduğu ortaya çıkıyor. "Bunu bir optimizasyon problemi olarak formüle ediyoruz. Her sunucu için bazı kapasite kısıtlamaları vardır ve bunları ihlal etmediğinizden emin olmalısınız. Ek olarak, her müşteri, alınan hizmet oranının bir fayda fonksiyonuyla ilişkilendirilir ve hem toplam faydayı hem de tahmini eşleşen getirileri en üst düzeye çıkarmanız gerekir." Fayda fonksiyonu eşleştirmede adaleti teşvik eder ve bu iki şekilde arzu edilir. Birincisi, geleceğe yönelik bir gözü var, böylece mevcut ve gelecekteki getiriler arasında doğru dengeyi kurabiliyoruz. İkincisi, aynı zamanda tüm müşterilerin öğrenme süreçlerini adil bir şekilde kontrol eder, böylece tahmini getirileri düşük olan müşteriler bile yine de bir miktar hizmet alabilir ve getiri tahminlerini iyileştirebilir.
Algoritmanın performansını değerlendirmek için Xu ve meslektaşları, yeni algoritmanın sonuçlarını müşterilerin tüm dinamiklerini ve tercihlerini önceden bilen bir kahinin sonuçlarıyla karşılaştıran pişmanlık oranını hesapladı. Xu, "Pişmanlığın çok küçük olduğunu ve sistemi daha uzun süre çalıştırırsanız azaldığını gösterdik" diyor. Belirli bir müşterinin birden fazla görev ataması durumunda pişmanlık da azalır. Bu durumda sistem, müşterinin tercihlerini öğrenmede giderek daha iyi hale gelir.
Bu makalenin ana katkısı, bu tür platformların doğasında var olan belirsizliği ortadan kaldıran bir çözüm önermektir. Literatürdeki önceki çalışmalar, farklı türdeki müşterilerin platforma varış oranlarının ve eşleşen getirilerin önceden bilindiği bir senaryoyu varsayıyordu. “Bizim durumumuzda bu bilgiyi bilmemize gerek yok. Bu farklı varış oranlarına ve eşleşen getirilere yanıt olarak görevlerimizi dinamik olarak tahsis edebiliriz. Algoritmamız ve politikamızla ilgili ilginç şey de bu.”
Xu, iş uygulamalarına sahip birçok sistem ve platformun ağ olarak modellenebilmesi nedeniyle özellikle ağları incelemeye ilgi duyduğunu söylüyor. Araştırma kollarından biri ağ veri gizliliği ve bilgilerin bireysel kullanıcılara ne kadar kolay izlenebildiği. "Ağlar görsel olarak çok çekici çünkü aslında düğümleri ve kenarları çizebiliyor ve bunları izleyiciye kolayca açıklayabiliyorsunuz" diyor. “Aynı zamanda bunların arkasında çok derin bir matematik var.”
(C) Duke Üniversitesi
Not: Bu hikaye orijinal olarak şu adreste yayınlanmıştır:: https://www.fuqua.duke.edu/duke-fuqua-insights/finding-best-match-between-clients-and-freelancers-online-platforms
