तकनीकी सारांश: एलियटोरिक अनिश्चितता (Aleatoric Uncertainty) के तहत AI-संचालित आवंटन की सीमाएँ

1. समस्या विवरण

उच्च-जोखिम वाले मानवीय और सामाजिक नीति संदर्भों में, निर्णय लेने वालों को सीमित संसाधनों (जैसे, नकद हस्तांतरण, चिकित्सा उपचार, डिमीनिंग टीमें) को एक विषम, गुप्त भेद्यता (latent vulnerability) वाली आबादी में आवंटित करना होता है। जबकि सार्वभौमिक स्क्रीनिंग (पात्रता का भौतिक सत्यापन) आदर्श है, यह लॉजिस्टिक बाधाओं के कारण अक्सर अत्यधिक खर्चीली होती है। फलस्वरूप, एल्गोरिद्मिक लक्ष्यीकरण (algorithmic targeting) की ओर एक बदलाव आया है, जहाँ संसाधनों का आवंटन दृश्यमान सह-चरों (observable covariates) से प्राप्त जोखिम स्कोर ($\mu(X) = P(Y=1|X)$) के आधार पर किया जाता है।

हालाँकि, यह शोध पत्र तर्क देता है कि एलियटोरिक अनिश्चितता (aleatoric uncertainty) के कारण एल्गोरिद्मिक लक्ष्यीकरण अकेले गलत आवंटन को समाप्त नहीं कर सकता। एक बेयस-इष्टतम (Bayes-optimal) जोखिम मॉडल के साथ भी, दिए गए जोखिम स्कोर $\mu(X) \in (0,1)$ वाले व्यक्ति की वास्तविक भेद्यता स्थिति $Y$ स्टोकेस्टिक (stochastic) बनी रहती है। यह अपरिहार्य यादृच्छिकता (irreducible randomness) का अर्थ है कि शुद्ध रूप से एल्गोरिद्मिक रणनीतियाँ अनिवार्य रूप से गैर-भेद्य इकाइयों को कुछ संसाधन आवंटित करने या भेद्य इकाइयों को चूक जाने में विफल रहेंगी। केंद्रीय समस्या यह है कि स्क्रीनिंग बजट ($\alpha$) और संसाधन आवंटन बजट ($\beta$) दोनों के लिए निश्चित बजट सीमाओं के तहत आवंटन दक्षता को अधिकतम करने के लिए स्क्रीनिंग (इकाइयों के एक उपसमूह के लिए $Y$ का प्रत्यक्ष अवलोकन) को एल्गोरिद्मिक लक्ष्यीकरण के साथ इष्टतम रूप से कैसे संयोजित किया जाए।

2. कार्यप्रणाली और ढांचा

दो-चरणीय आवंटन ढांचा

लेखक एक दो-चरणीय निर्णय प्रक्रिया को औपचारिक रूप देते हैं:

1. स्क्रीनिंग चरण: एक निर्णय लेने वाला $Y$ की वास्तविक भेद्यता स्थिति को देखने के लिए इकाइयों के एक उपसमूह $S(X)=1$ का चयन करता है, जो स्क्रीनिंग बजट $\alpha$ के अधीन है।
2. आवंटन चरण: संसाधन वितरण किया जाता है जो आवंटन बजट $\beta$ के अधीन है।
   • स्क्रीन की गई इकाइयाँ जिनमें $Y=1$ है, उन्हें निश्चित रूप से संसाधन प्राप्त होते हैं।
   • स्क्रीन की गई इकाइयाँ जिनमें $Y=0$ है, उन्हें बाहर कर दिया जाता है।
   • बिना स्क्रीन की गई इकाइयों को केवल जोखिम स्कोर $\mu(X)$ के आधार पर आवंटित किया जाता है।

उद्देश्य आवंटन दक्षता को अधिकतम करना है, जिसे भेद्य इकाइयों को सही ढंग से आवंटित करने की प्रायिकता के रूप में परिभाषित किया गया है: $E[\pi(X,Y)Y]$, जो $E[S(X)] \le \alpha$ और कुल आवंटन बाधा के अधीन है।

सैद्धांतिक व्युत्पत्ति

शोध पत्र एक इष्टतम नीति को निर्धारित करने के लिए स्क्रीनिंग और आवंटन बजट के बीच की अंतःक्रिया का विश्लेषण करके व्युत्पन्न करता है:

• इष्टतम स्क्रीनिंग सेट: लेखक सिद्ध करते हैं कि इष्टतम स्क्रीनिंग रणनीति उच्चतम-जोखिम या निम्नतम-जोखिम वाली इकाइयों को लक्षित नहीं करती है। इसके बजाय, यह एल्गोरिद्मिक आवंटन के हाशिए (margin of algorithmic allocation) पर स्थित जोखिम स्कोर के एक अंतराल (interval of risk scores) $[q_\alpha, q_\beta]$ को लक्षित करती है।
  • $q_\beta$ से ऊपर के जोखिम स्कोर वाली इकाइयों को बिना स्क्रीनिंग के सीधे आवंटित किया जाता है (उच्च जोखिम सीधे आवंटन को उचित बनाता है)।
  • $q_\alpha$ से नीचे के जोखिम स्कोर वाली इकाइयों को न तो स्क्रीन किया जाता है और न ही आवंटित किया जाता है (निम्न $Y=1$ की संभावना स्क्रीनिंग को अक्षम बनाती है)।
  • मध्यवर्ती बैंड $[q_\alpha, q_\beta]$ में स्थित इकाइयों को आवंटन से पहले एलियटोरिक अनिश्चितता को हल करने के लिए स्क्रीन किया जाता है।
• फिक्स्ड-पॉइंट एल्गोरिदम: चूँकि थ्रेशोल्ड $q_\alpha$ और $q_\beta$ को बिना क्लोज्ड-फॉर्म समाधान के एक गैर-रेखीय इंटीग्रल समीकरण को हल करने की आवश्यकता होती है, इसलिए लेखक एक फिक्स्ड-पॉइंट एल्गोरिदम विकसित करते हैं। यह एल्गोरिदम बैंड के भीतर औसत जोखिम और पुष्टि किए गए गैर-भेद्य इकाइयों से "बचाए गए" आवंटन बजट के आधार पर स्क्रीनिंग बैंड को पुनरावृत्त रूप से समायोजित करता है।

प्रमुख सैद्धांतिक गुण

• वितरण-मुक्त लक्षण वर्णन (Distribution-Free Characterization): इष्टतम नीति की संरचना (एक अंतराल जो हाशिए पर है) जोखिम वितरण $F$ के स्वतंत्र रूप से बनी रहती है, बशर्ते कि जोखिम वितरण का पूर्ण समर्थन (full support) हो।
• कंसैविटी और घटते प्रतिफल (Concavity and Diminishing Returns): स्क्रीनिंग का मूल्य $\mu(X)$ के संबंध में कंसैव (concave) दिखाया गया है। यह भौतिक सत्यापन के लिए घटते प्रतिफल के एक औपचारिक नियम को स्थापित करता है।
• पूरकता (Complementarity): शोध पत्र स्क्रीनिंग और एल्गोरिद्मिक लक्ष्यीकरण को पूरक (complements) के रूप में वर्णित करता है। स्क्रीनिंग के लाभ तब अधिकतम होते हैं जब एलियटोरिक अनिश्चितता उच्च होती है, जबकि एल्गोरिद्मिक लक्ष्यीकरण केवल तभी स्क्रीनिंग के एक निकट-पूर्ण विकल्प के रूप में कार्य करता है जब जोखिम स्कोर अत्यधिक सूचनात्मक (कम एलियटोरिक अनिश्चितता) होते हैं।

3. मुख्य योगदान

1. इष्टतम स्क्रीनिंग लक्षण वर्णन: शोध पत्र एक दो-चरणीय ढांचे के भीतर इष्टतम स्क्रीनिंग रणनीति का एक कठोर लक्षण वर्णन प्रदान करता है, यह सिद्ध करते हुए कि इष्टतम सेट एल्गोरिद्मिक आवंटन के हाशिए पर लक्षित एक अंतराल है।
2. क्लोज्ड-फॉर्म और एल्गोरिद्मिक समाधान: लेखक यूनिफॉर्म रिस्क डिस्ट्रीब्यूशन के लिए क्लोज्ड-फॉर्म में इष्टतम स्क्रीनिंग सेट व्युत्पन्न करते हैं और किसी भी अन्य वितरण के लिए स्क्रीनिंग बैंड को पुनः प्राप्त करने के लिए एक फिक्स्ड-पॉइंट एल्गोरिदम प्रदान करते हैं।
3. स्क्रीनिंग का वितरण-मुक्त मूल्य: वे स्थापित करते हैं कि स्क्रीनिंग से होने वाला दक्षता लाभ स्क्रीनिंग बजट के संबंध में कंसैव है, जो भौतिक सत्यापन के घटते प्रतिफल के नियम को औपचारिक रूप देता है।
4. एलियटोरिक अनिश्चितता के साथ अनुभवजन्य संबंध: यह कार्य अनुभवजन्य रूप से प्रदर्शित करता है कि जनसंख्या-स्तर की एलियटोरिक अनिश्चितता बढ़ने के साथ स्क्रीनिंग से मिलने वाले सीमांत लाभ बढ़ते हैं।
5. वास्तविक दुनिया का सत्यापन: इस ढांचे को दो वास्तविक डेटासेट पर लागू किया गया है:
   • कोलंबिया में मानवीय डिमीनिंग: डिमीनिंग टीमों को प्राथमिकता देने के लिए लैंडमाइन संदूषण की भविष्यवाणी करना।
   • आय-आधारित सामाजिक कार्यक्रम (US): जनगणना डेटा का उपयोग करके कम आय वाले व्यक्तियों की पहचान करना।

4. परिणाम

सिंथेटिक प्रयोग

बीटा वितरण परिवार ($\mu \sim \text{Beta}(t, t)$) से प्राप्त जोखिम स्कोर वाली सिंथेटिक आबादी का उपयोग करते हुए, लेखकों ने एलियटोरिक अनिश्चितता के स्तर को बदला:

• निम्न अनिश्चितता ($t \to 0$): जोखिम स्कोर अत्यधिक सूचनात्मक हैं (बाइमोडल वितरण)। एल्गोरिद्मिक लक्ष्यीकरण अकेले लगभग पूर्ण सटीकता प्राप्त करता है; स्क्रीनिंग नगण्य लाभ प्रदान करती है।
• उच्च अनिश्चितता ($t \to \infty$): जोखिम स्कोर सूचनात्मक नहीं हैं ( $\delta_{0.5}$ की ओर अभिसरण)। स्क्रीनिंग बड़े दक्षता लाभ प्रदान करती है, भले ही जोखिम स्कोर में कोई जानकारी न हो, क्योंकि स्क्रीनिंग अंतर्निहित यादृccिकता को हल करती है।
• मध्यवर्ती अनिश्चितता: अध्ययन एक "S-आकार" के वक्र की पहचान करता है जहाँ स्क्रीनिंग का मूल्य तेजी से बढ़ता है। वास्तविक दुनिया के जोखिम वितरण आमतौर पर इस तीव्र क्षेत्र में आते हैं, जहाँ स्क्रीनिंग एल्गोरिद्मिक लक्ष्यीकरण के एक शक्तिशाली पूरक के रूप में कार्य करती है।

वास्तविक दुनिया के अनुप्रयोग

• डिमिनिंग (कोलंबिया): 63 विशेषताओं पर लॉजिस्टिक रिग्रेशन, रैंडम फॉरेस्ट और ग्रेडिएंट बूस्टिंग मॉडल का उपयोग करते हुए, इष्टतम स्क्रीनिंग ढांचे ने डिटेक्शन प्रिसिजन को बिना स्क्रीनिंग के 39% से सुधार कर $\alpha = \beta$ के साथ 70% कर दिया।
• सामाजिक कार्यक्रम (US): $50,000 से कम आय की भविष्यवाणी करने के लिए ACS डेटा का उपयोग करते हुए, ढांचे ने प्रिसिजन को 65% से बढ़ाकर 80% कर दिया।
• तुलना: दोनों मामलों में, इष्टतम स्क्रीनिंग ने रैंडम स्क्रीनिंग की तुलना में काफी बेहतर प्रदर्शन किया। रैंडम स्क्रीनिंग ने नगण्य लाभ दिया, जिससे यह पुष्टि हुई कि स्क्रीनिंग का स्थान (हाशिए को लक्षित करना) महत्वपूर्ण है, न कि केवल उसका वॉल्यूम।
• मजबूती (Robustness): एपिस्टेमिक अनिश्चितता (imperfect risk estimates) के बावजूद, ढांचे ने पर्याप्त लाभ दिया, जो व्यावहारिक सेटिंग्स में मजबूती का सुझाव देता है।

5. महत्व और दावे

यह शोध पत्र एलियटोरिक अनिश्चितता के तहत AI-संचालित आवंटन की सीमाओं को परिभाषित करने का दावा करता है। इसका प्राथमिक महत्व स्क्रीनिंग और एल्गोरिद्मिक लक्ष्यीकरण को प्रतिस्थापन (substitutes) के बजाय पूरक (complements) के रूप में देखने के प्रति दृष्टिकोण को बदलने में निहित है।

• नीतिगत निहितार्थ: निर्णय लेने वालों को AI के पक्ष में स्क्रीनिंग को समाप्त नहीं करना चाहिए, न ही केवल स्क्रीनिंग पर निर्भर रहना चाहिए। इसके बजाय, उन्हें उच्चतम जोखिम वाली इकाइयों की पहचान करने के लिए AI का उपयोग करना चाहिए और स्क्रीनिंग संसाधनों को उन "सीमांत" इकाइयों के लिए आरक्षित करना चाहिए जहाँ अनिश्चितता सबसे अधिक है।
• बजट अंशांकन (Calibration): स्क्रीनिंग वैल्यू फंक्शन की कंसैविटी (concavity) स्क्रीनिंग बजट को कैलिब्रेट करने के लिए एक सिद्धांत आधारित आधार प्रदान करती है, जो सार्वभौमिक स्क्रीनिंग के बजाय लक्षित स्क्रीनिंग का औचित्य सिद्ध करती है।
• परिचालन प्रासंगिकता: मानवीय डिमीनिंग और सामाजिक सुरक्षा में पर्याप्त दक्षता लाभ प्रदर्शित करके, यह शोध पत्र तर्क देता है कि संसाधन आवंटन के पूर्ण सामर्थ्य को प्राप्त करने के लिए मानव सत्यापन (स्क्रीनिंग) को एल्गोरिद्मिक लक्ष्यीकरण के साथ एकीकृत करना आवश्यक है।

लेखक स्पष्ट रूप से कहते हैं कि उनका कार्य सैद्धांतिक व्युत्पत्ति के लिए बेयस-इष्टतम जोखिम अनुमानों तक पहुँच को मानता है, यह स्वीकार करते हुए कि व्यवहार में, अनुमान त्रुटि (एपिस्टेमिक अनिश्चितता) इष्टतम स्क्रीनिंग सेट को बदल सकती है। हालाँकि, उनके अनुभवजन्य परिणाम बताते हैं कि यह ढांचा अपूर्ण मॉडलों के साथ भी प्रभावी रहता है।