The Value of Human Expertise
تقترح هذه الورقة طريقة لتعزيز ضمانات الأداء لمشكلات الأمثلة ذات المعلمات المجهولة من خلال الاستففادة من الخبرة البشرية في المجال لتقييد القيمة المثلى للمسألة الاسمية، مما يوضح أن القيمة الناتجة عن هذه الخبرة تساوي فجوة الـ "minimax" لمسألة "max-min" عندما يكون حساب السياسة في الحالة الأسوأ محدبًا.
البحث الأصلي مرخَّص بموجب CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). هذا شرح مولَّده بالذكاء الاصطناعي للبحث أدناه. لم يكتبه المؤلفون ولم يصادقوا عليه. وللتحقق من الدقة التقنية، يرجى الرجوع إلى البحث الأصلي. اقرأ إخلاء المسؤولية الكامل
في عالم الأعمال والخدمات اللوجستية، تعتمد الشركات غالباً على كميات هائلة من البيانات لاتخاذ القرارات. فهي تنظر إلى المبيعات الماضية، أو أنماط حركة المرور، أو تقارات الطقس للتنبؤ بالمستقبل واختيار أفضل مسار للعمل. هذا النهج، المعروف باسم "التحسين" (optimization)، يشبه الملاح الذي يحاول إيجاد أقصر طريق عبر مدينة معقدة. ومع ذلك، نادراً ما تكون البيانات مثالية؛ فهي غالباً ما تكون ناقصة، أو مشوشة، أو تفتقر ببساطة إلى العناصر البشرية الدقيقة التي تشكل الواقع. قد يعرف مدير المتجر أن حياً معيناً يفضل علامة تجارية معينة لأنه يتحدث مع العملاء يومياً، لكن هذه المعرفة المحلية نادراً ما تظهر في جداول البيانات. وعندما تحاول الخوارزميات اتخاذ القرارات بناءً على البيانات المتاحة لها فقط، فإنها غالباً ما تصبح مفرطة الحذر؛ فهي تستعد لأسوأ سيناريو ممكن على الإطلاق، مما قد يؤدي إلى نتائج آمنة ولكنها متوسطة، وتفويت فرص كان بإمكان خبير بشري رصدها.
هذا التوتر بين البيانات الباردة والحدس الدافئ هو المشكلة المركزية التي تناولتها دراسة جديدة لبرادلي ستورت. يستكشف البحث نوعاً محدداً من تحديات اتخاذ القرار حيث يكون لدى صانع القرار حدس، أو اعتقاد، بأن النتيجة المثلى ليست بعيدة المنال كما توحي البيانات. تخيل شركة أم تحاول تقرير المنتجات التي يجب توفيرها في متجر محلي. لديهم سجلات مبيعات، لكن تلك السجلات محدودة. ومع ذلك، فإن مدير المتجر قضى سنوات في مراقبة العملاء ويعرف الأذواق المحلية. تعتقد الشركة أن خيارات المدير السابقة، رغم أنها لم تكن مثالية، إلا أنها لم تكن سيئة على الأرجح؛ فهم يشتبهون في أن المدير لم يختر الأسوأ من بين الخيارات الممكنة. والسؤال هو: كيف يمكن لخوارزمية حاسوبية استخدام هذا الشعور الغامض — بأن الماضي لم يكن كارثياً — لإيجال حل مستقبلي أفضل دون تجاهل البيانات؟
يقترح البحث طريقة جديدة لتقييم القرارات تحترم هذه الرؤية البشرية دون المطالبة بتحويل الحدس البشري إلى رقم دقيق. فبدلاً من مطالبة المدير بالقول: "أنا متأكد بنسبة 90% أن الإيرادات المثلى هي 21 دولاراً"، وهو أمر صعب وغير دقيق في كثير من الأحيان، يقترح الباحثون النظر في نطاق كامل من الاحتمالات. لقد طوروا أداة تسمى "المنحنى الاسمي" (nominal curve). فكر في هذا المنحنى كخريطة توضح كيف سيكون أداء قرار جديد تحت افتراضات مختلفة حول مدى جودة القرارات الماضية. إذا كان الماضي دون المستوى المطلوب قليلاً فقط، فإن المنحنى يظهر مكافأة عالية محتملة. وإذا كان الماضي كارثة حقيقية، فإن المنحنى يوفر شبكة أمان، مما يضمن عدم خسارة القرار الجديد الكثير من المال. وهذا يسمح لصانع القرار برؤية المقايضات بوضوح: يمكنه اختيار استراتيجية جريئة وجديدة إذا كان واثقاً من أن الماضي كان جيداً، أو التمسك بخيار أكثر أماناً إذا كان قلقاً من أن الماضي كان سيئاً في الواقع.
اختبر الباحثون هذه الفكرة في سيناريوهين مختلفين تماماً من الواقع. تضمن السيناريو الأول "تحسين التشكيلة" (assortment optimization)، وهي مشكلة تحديد المنتجات التي توضع على الرف. في مثال محدد، كانت لدى شركة بيانات من متجر قدم سابقاً مجموعتين مختلفتين من المنتجات. وبناءً على البيانات وحدها، لم يكن هناك سبيل لضمان أن أي مجموعة جديدة من المنتجات ستحقق أرباحاً أكثر من أفضل المجموعات القديمة؛ فقد كانت البيانات غامضة للغاية. ومع ذلك، عندما طبق الباحثون طريقتهم الجديدة، وجدوا مجموعة جديدة من المنتجات، في أسوأ سيناريو لها، ستؤدي أداءً يقارب تقريباً أفضل المجموعات القديمة. ولكن، إذا كانت خيارات مدير المتجر السابقة قريبة من الخيارات المثلى بالفعل (وهو اعتقاد تتبناه الشركة)، فإن هذه المجموعة الجديدة ستضمن تحقيق أرباح أكبر بكثير. في حالة واحدة محددة، ضمنت التشكيلة الجديدة زيادة الإيرادات المتوقعة بأكثر من 13% إذا كانت الخيارات السابقة قريبة من المثالية، بينما خاطرت بخسارة أقل من 2.5% إذا كانت الخيارات السابقة سيئة للغاية في الواقع.
تضمن السيناريو الثاني إيجاد أقصر مسار لمركبات الطوارئ أثناء العاصفة. هنا، كان عدم اليقين يتعلق بتأخيرات حركة المرور الناجمة عن الفيضانات المفاجئة. قد لا يعرف موظف الطوارامر الخبير مكان المياه بالضبط، لكنه يعلم أن الطرق ستكون أبطأ من المعتاد. هو يعتقد أن المسار الأفضل لن يكون سريعاً كما هو الحال في الأيام العادية. أظهر الباحثون أنه من خلال دمج هذا الاعتقاد — وهو أن وقت السفر الأمثل من غير المرجح أن يكون صغيراً جداً — يمكنهم إيجاد طرق أفضل بكثير من الطرق التقليدية شديدة الحذر. في عمليات محاكاة لشبكات طرق تم إنشاؤها عشوائياً، كشفت هذه الطريقة عن وجود فجوة بين أداء الحالة الأسوأ القياسي والأداء المحتمل في ظل هذا الاعتقاد في 19 حالة من أصل 20 حالة. وكان التحسن المحتمل كبيراً، حيث بلغ متوسط نسبة القيم المثلى تحت تأثير الاعتقاد 1.389 (حوالي 39%) أعلى من قيم الحالة الأسوأ القياسية عبر تلك الحالات.
إن أحد النتائج الرئيسية للدراسة هو أن "قيمة الخبرة البشرية" هذه ليست مجرد مفهوم غامض، بل يمكن قياسها بدقة. فقد أثبت الباحثون أن مقدار التحسن الذي يمكن لصانع القرار الحصول عليه من اعتقاده يساوي تماماً الفجوة بين طريقتين مختلفتين لحساب سيناريو الحالة الأسوأ. إحدى الطريقتين تفترض أن صانع القرار لا يعرف شيئاً ويستعد لأسوأ سيناريو مطلق. والطريقة الأخرى تفترض أن اعتقاد صانع القرار صحيح وتقوم باستبعاد السيناريوهات المستحيلة من الحساب. الفرق بين هذين الرقمين يخبرك بالضبط مقدار التحسن الذي يمكنك تحقيقه من خلال الثقة في الحدس البشري. وتظل هذه النتيجة صحيحة حتى عندما تكون المشكلات معقدة للغاية، وتتضمن احتمالات لانهائية أو شبكات ضخمة.
كما توضح الدراسة متى ينجح هذا النهج ومتى لا ينجح. فهو يعمل بشكل أفضل عندما تمتلك المشكلة بنية رياضية معينة، وتحديداً عندما تكون العلاقة بين القرار وعدم اليقين "محدبة" (convex)، وهي خاصية تضمن أن المشكلة تسير بسلاسة وتوقع. وفي هذه الحالات، أظهر البهاء أن الطريقة الجديدة يمكنها تحويل مشكلة بدت مستحيلة الحل إلى مشكلة ذات إجابة واضحة ومتفوقة. ومع ذلك، فقد أظهروا أيضاً أنه إذا افتقرت المشكلة إلى هذه البنية، فقد لا يساعد الاعتقاد البشري على الإطلاق. وهذا التمييز أمر بالغ الأهمية لأنه يمنع الشركات من إضاعة الوقت في محاولة تطبيق هذه الطريقة في مواقف لا يمكنها العمل فيها.
في نهاية المطاف، يقدم هذا البحث جسراً بين العالم الصارم للخوارزميات والعالم المرن للحكم البشري. إنه يقر بأنه بينما تعتبر البيانات قوية، إلا أنها غالباً ما تكون ناقصة. ومن خلال إنشاء إطار يسمح لصناع القرار بإدخال مستويات ثقتهم دون الحاجة إلى أن يكونوا دقيقين رياضياً، توفر الدراسة وسيلة لتسخير "انطباع" الخبير. إنها تظهر أنه في المواقف عالية المخاطر، من ترتيب الرفوف إلى توجيه مركبات الطوارعة، فإن الاستماع إلى الثقة الهادئة لخبير بشري يمكن أن يؤدي إلى قرارات تكون أكثر أماناً وربحية من الاعتماد على البيانات وحدها. لا تدعي الورقة البحثية أنها حلت كل مشكلات التحسين، لكنها تقدم طريقة دقيقة ومثبتة لمعرفة متى وكيف يمكن للرؤية البشرية أن تحسن النتيجة.
غارق في أبحاث مجالك؟
تصلك نشرة يومية بأحدث الأبحاث المطابقة لكلماتك البحثية المفتاحية — مع ملخصات تقنية، بلغتك.