5 جولای 2022 – توسط جسیکا هالمن، دانشگاه ایالتی پنسیلوانیا -اعتبار: دامنه عمومی Pixabay/CC0
وقتی سازمان‌ها باید اقلام غیرقابل تقسیم را بین چندین طرف با نیازها و ترجیحات مختلف تقسیم کنند – مانند ارائه واکسن‌های محدود COVID-19 به مراکز پزشکی یا توزیع کمک‌های مالی بانک غذا به خانواده‌هایی با محدودیت‌های غذایی متفاوت – چگونه می‌توانند اطمینان حاصل کنند که همه به سهم خود می‌رسند. ?
برای اطمینان از اشتراک عادلانه، یک تیم تحقیقاتی در ایالت پن دو الگوریتم جدید را برای تضمین محاسباتی تخصیص مطلوب کالاها، خدمات و وظایف مطلوب و نامطلوب پیشنهاد کرده است.
هر دو الگوریتم تیم از شرکت‌کنندگان می‌خواهند که از مفهوم ترتیبی انصاف پیروی کنند، که صرفاً سفارش‌ها را رتبه‌بندی می‌کند که کدام دسته از آیتم‌ها را فرد کم و بیش مطلوب می‌داند. این رویکرد روش‌های موجود تقسیم منصفانه را با قوی‌تر بودن و حساسیت کمتر به تغییرات یا نویز در مقادیر قرار داده شده روی اقلام بهبود می‌بخشد.
«اگر می‌دانید که دوست ندارید زباله‌ها را بیرون بیاورید، اما دقیقاً نمی‌دانید که چقدر دوست ندارید زباله‌ها را بیرون بیاورید، تقریب‌های موجود روی آن بسیار حساس هستند؛ اگر یک تنظیم کوچک انجام دهید، ناگهان کل راه حل تغییر خواهد کرد.” “این تقریب ترتیبی به آن حساس نیست، تا زمانی که به طور معمول بدانید که کدام کار را بیشتر دوست دارید یا کدام کار را بیشتر دوست ندارید.”
الگوریتم این تیم برای اقلام با ارزش مثبت، که این ماه در مجله هوش مصنوعی منتشر شد، بر چارچوب‌های موجود برای دستیابی به انصاف با اختصاص دادن یک گیرنده واحد از اقلام برای تقسیم آنها به بسته‌های جداگانه‌ای که احساس می‌کنند ارزش برابری دارند، استوار است. این آیتم‌ها سپس پس از اینکه هر گیرنده بر اساس اولویت‌های خود، روی یک بسته واحد ارزش قرار داد، توزیع می‌شوند. گیرنده ای که اقلام را تقسیم کرده است آخرین نفری است که سهم دریافت می کند.
به گفته حسینی، با این حال، این رویکرد تضمین کننده انصاف نیست، زیرا آنها تا حدی نسبت به تغییرات کوچک در ترجیحات افراد بسیار حساس هستند. تیم حسینی در چارچوب جدید خود با افزایش 50 درصدی تعداد باندل ها، انصاف را تضمین می کند.
حسینی توضیح داد: «مثلاً اگر 10 نفر باشند، تقسیم‌کننده کالاها را در 15 بسته قرار می‌دهد.
در این رویکرد، هر شرکت‌کننده برای بسته‌های جداگانه ارزشی قائل می‌شود و حداقل آستانه را برای توزیعی که عادلانه می‌دانند، مشخص می‌کند.
او گفت: «روش ما تقریب قوی‌تری ارائه می‌دهد؛ مثل این است که شما افراد ساختگی را اضافه می‌کنید و از شرکت‌کنندگان می‌خواهید که اقلام را به‌طور عادلانه تقسیم کنند تا همه گیرندگان رضایت داشته باشند».
به طور جداگانه، محققان الگوریتم دومی را برای تقسیم اقلام نامطلوب یا کارهای خسته کننده، مانند تقسیم وظایف نظافت هفتگی بین هم اتاقی ها یا مدیریت حذف زباله در یک شهر پیشنهاد کردند. کار آنها در مقاله ای که در کنفرانس بین المللی 2022 در مورد عوامل خودمختار و سیستم های چند عاملی در ماه مه ارائه شد، منتشر شد.
محققان مجدداً مفهومی را پیشنهاد کردند که مشارکت‌کننده وظایف یا کارهای روزمره را به بسته‌ها تقسیم می‌کند. اما این بار تعداد بسته ها کاهش یافت و ارزش بالقوه هر کدام برای شرکت کنندگان افزایش یافت.
حسینی گفت: «تصور کنید چهار بسته و شش نفر هستند؛ و یکی از بسته‌ها کمترین ارزش را برای یک شرکت‌کننده به نام آلیس دارد. “از آنجا که این کمترین مقدار است، این یک آستانه برای آلیس می دهد. حالا آلیس می گوید “اگر چیزی بهتر از این به دست بیاورم، خوشحالم”، زیرا ما چیزهای بیشتری را در بسته های کمتری بسته بندی کردیم.”
یافته‌های این تیم می‌تواند در نهایت بر سیستم‌های رایانه‌ای تأثیر بگذارد که از انواع فرآیندهای تخصیص کالا یا منابع پشتیبانی می‌کنند – از جمله توزیع کمک‌های مالی بانک غذا، ثبت‌نام دانشجویان در دوره‌های کالج، و برنامه‌ریزی جراحان در اتاق‌های عمل.
حسینی گفت: «در دنیای واقعی می‌توان به این فکر کرد که چگونه می‌توان منابع در سطح بالا را به شیوه‌ای عادلانه بین چند گروه توزیع کرد. “این یک چارچوب نظری است که می تواند در بسیاری از موارد استفاده اعمال شود.”
