🤖 machine learning

SMaRT: Online Reusable Resource Assignment and an Application to Mediation in the Kenyan Judiciary

Motivato dalla sfida dell'assegnazione dei mediatori ai casi nel sistema giudiziario keniota, questo articolo introduce SMaRT, un algoritmo online che combina la programmazione quadratica e l'apprendimento bandit multi-agente per allocare efficientemente le risorse attraverso uno spazio di stato ad alta dimensionalità, bilanciando al contempo i vincoli di capacità e l'apprendimento della qualità dei mediatori.

Autori originali: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

Pubblicato 2026-06-30

📖 5 min di lettura🧠 Approfondimento

CC BY 4.0

Autori originali: Shafkat Farabi, Didac Marti Pinto, Wei Lu, Manuel Ramos-Maqueda, Sanmay Das, Antoine Deeb, Anja Sautmann

Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo

Immaginate il sistema giudiziario keniota come un enorme e frenetico pronto soccorso di un ospedale. Ogni giorno, centinaia di nuovi pazienti (casi legali) entrano dalla porta. Per curarli, l'ospedale dispone di un team di specialisti (mediatori). Tuttavia, ci sono tre grandi problemi:

Specializzazione: Non tutti gli specialisti possono curare ogni paziente. Alcuni si occupano solo di "questioni familiari", altri solo di "dispute commerciali", e altri ancora sono autorizzati a lavorare solo in specifiche città.
Competenze Sconosciute: L'ospedale non sa sempre esattamente quanto uno specialista sia bravo nel far concordare i pazienti su una soluzione. Alcuni sono maghi della negoziazione; altri faticano. E nuovi specialisti si uniscono costantemente al team.
La Regola del "Nessuna Attesa": In questo pronto soccorso, non si può dire a un paziente: "Torni domani quando uno specialista sarà libero". Deve essergli assegnato uno specialista immediatamente.

Il documento presenta un nuovo "Sistema di Triage Intelligente" chiamato SMaRT (Selecting Mediators that are Right for the Task - Selezionare i Mediatori Giusti per il Compito) per risolvere questo caos.

Il Vecchio Metodo: Lo Scambio "Round-Robin"

In precedenza, gli ufficiali umani cercavano di abbinare manualmente i pazienti agli specialisti. Era come un gioco di sedie musicali dove le regole cambiavano continuamente.

Spesso assegnavano troppi pazienti allo stesso specialista "star", causandone il burnout (sovraccarico).
A volte assegnavano casi difficili a specialisti che non erano molto bravi in quel campo, solo perché quello specialista era libero in quel momento.
Il risultato? Molti pazienti se ne andavano senza una soluzione e dovevano tornare al tribunale principale, creando un enorme arretrato.

Il Nuovo Sistema: SMaRT

SMaRT è un algoritmo che agisce come un dispatcher super intelligente e instancabile. Utilizza due trucchi principali per prendere decisioni migliori:

1. La "Pagella del Maestro" (Imparare le Competenze)

Proprio come le scuole tracciano quanto un insegnante aiuti uno studente a migliorare, SMaRT traccia quanto un mediatore aiuta un caso a essere risolto.

Il Gioco delle Ipotesi: Quando un nuovo mediatore si unisce, il sistema non conosce il suo livello di abilità. Inizia con una supposizione.
L'Aggiornamento: Man mano che il mediatore gestisce i casi, il sistema aggiorna la sua "convinzione" sulla sua abilità. Se continua a risolvere i casi, il sistema diventa più sicuro del fatto che sia una stella. Se fatica, abbassa la sua stima.
L'Equilibrio: Il sistema sa di dover provare nuovi mediatori (per vedere se sono bravi) ma anche di dover usare quelli che sa essere validi. È come un genitore che prova una nuova babysitter pur mantenendo la fiducia in quella vecchia.

2. La Matematica per il "Futuro Garantito" (Il Programma Quadratico)

Questa è la parte più ingegnosa. Un sistema semplice potrebbe dire: "Assegna questo caso al miglior mediatore disponibile proprio ora". Ma SMaRT pensa al futuro.

L'Analogia: Immaginate di avere un giocatore di scacchi brillante (Mediatore A) che può giocare su due diverse scacchiere (Città A e Città B) e un giocatore discreto (Mediatore B) che può giocare solo sulla Scacchiera A.

L'Errore "Greedy" (Ingordo): Se arriva una partita sulla Scacchiera A, un sistema "greedy" assegna immediatamente il giocatore brillante. Ma poi, arriva una partita sulla Scacchiera B. Il giocatore brillante è troppo occupato, quindi il sistema è costretto a usare un giocatore terribile per la Scacchiera B.
La Strategia SMaRT: SMaRT potrebbe dire: "Teniamo da parte il giocatore brillante per la Scacchiera B, anche se questo significa usare il giocatore discreto per la Scacchiera A proprio ora". Accetta una probabilità leggermente inferiore di vincere oggi per garantire una probabilità molto più alta di vincere domani.

Per fare questo, SMaRT utilizza una formula matematica (un Programma Quadratico) che agisce come un sistema di penalità.

Vuole risolvere il maggior numero possibile di casi.
Ma odia sovraccaricare uno specialista.
Il sistema ha una "manopola" (un parametro chiamato $\lambda$ ). Se si alza la manopola, il sistema diventa molto severo nel non sovraccaricare nessuno, anche se ciò significa risolvere leggermente meno casi. Se la si abbassa, spinge i migliori mediatori a lavorare di più per risolvere più casi, accettando che possano stancarsi un po'.

Cosa è Successo Quando lo Hanno Testato?

I ricercatori hanno testato SMaRT utilizzando dati reali del potere giudiziario keniota (oltre 30.000 casi e 2.000 mediatori).

Risultati Migliori: SMart ha risolto più casi rispetto ai vecchi metodi manuali o ai semplici algoritmi di "scegli il migliore disponibile".
Carico di Lavoro più Equo: Ha evitato che i mediatori "star" venissero schiacciati da troppo lavoro, distribuendo il carico in modo più uniforme.
Flessibile: Regolando la "manopola", il tribunale può decidere: "Vogliamo risolvere il massimo numero di casi oggi, o vogliamo assicurarci che nessuno sia sovraccaricato?".

In Sintesi

Il documento afferma che SMaRT è pronto a essere il "cervello" dietro un nuovo strumento digitale per i tribunali kenioti. Attualmente è impostato per sottoporsi a un test nel mondo reale (una sperimentazione randomizzata) per vedere se può ufficialmente sostituire il vecchio sistema manuale. Se funzionerà bene come suggeriscono le simulazioni, aiuterà a smaltire l'arretrato dei tribunali e garantirà che i casi siano gestiti dalle persone giuste al momento giusto, senza esaurire le energie dei mediatori.

Sintesi Tecnica: SMaRT – Assegnazione Online di Risorse Riutilizzabili per la Magistratura Keniota

Definizione del Problema
Il documento affronta la sfida dell'assegnazione dei mediatori ai casi civili all'interno del sistema di Mediazione Annessa alla Corte (CAM) del Kenya. Si tratta di un problema di allocazione delle risorse online caratterizzato da tre vincoli specifici che rendono inefficienti o inapplicabili gli algoritmi esistenti (come i classici Multi-Armed Bandits o i Bandits with Knapsacks):

Qualità Ignota e Dipendente dall'Apprendimento: L'efficacia del mediatore (Valore Aggiunto o VA) non è nota a priori e deve essere appresa nel tempo. Nuovi mediatori entrano nel sistema e le loro prestazioni devono essere stimate bilanciando esplorazione e sfruttamento.
Vincoli di Capacità Morbidi e Dinamici: A differenza degli standard "Bandits with Knapsacks" (BwK) che assumono limiti stretti e non ripristinabili, i mediatori hanno una capacità che si ripristina man mano che i casi vengono risolti. Tuttavia, il sistema richiede l'assegnazione immediata al momento dell'arrivo del caso, creando una probabilità non nulla di superamento della capacità (sovraccarico). Sebbene la magistratura preferisca che i mediatori gestiscano non più di tre casi contemporaneamente, superare questo limite è un vincolo "morbido" piuttosto che un divieto assoluto.
Spazio degli Stati ad Alta Dimensionalità e Accreditamento Eterogeneo: Ci sono oltre 2.000 mediatori con diverse accreditazioni attraverso 87 stazioni giudiziarie e 12 tipologie di casi. Un mediatore può essere assegnato a un caso solo se è accreditato per quella specifica coppia (stazione, tipo di caso). Ciò crea un complesso problema di matching bipartito in cui le risorse hanno set di compiti fattibili sovrapponibili ma distinti.

L'obiettivo è massimizzare il tasso complessivo di risoluzione dei casi (tasso di accordo) gestendo al contempo il compromesso tra l'assegnazione dei migliori mediatori e l'osservanza dei vincoli di capacità per garantire una distribuzione equa del carico di lavoro.

Metodologia
Gli autori propongono SMaRT (Selecting Mediators that are Right for the Task), un algoritmo che integra stima econometrica, apprendimento bayesiano e programmazione quadratica.

Stima del Valore Aggiunto (VA):
- Gli autori adattano un modello di valore aggiunto (comune nella ricerca sull'educazione) per stimare il contributo del mediatore. Il modello esegue una regressione sugli esiti di risoluzione dei casi su controlli del caso (tipo, stazione, tempo) ed effetti fissi del mediatore.
- Per gestire l'incertezza e consentire l'apprendimento online, il sistema mantiene una distribuzione di credenza gaussiana sulla VA di ogni mediatore.
- Aggiornamenti: Al verificarsi dell'esito di un caso, la distribuzione a posteriori viene aggiornata tramite il metodo del moment matching. Per evitare la deriva dalle stime esplicite, il sistema ricalibra queste credenze settimanalmente utilizzando la procedura completa di stima della VA sui dati storici.
Formulazione di Programmazione Quadratica (QP):
- La decisione di assegnazione è modellata come una QP su un breve orizzonte temporale ( $T=10$ ).
- Obiettivo: Massimizzare la somma attesa delle probabilità di risoluzione (VA del mediatore + probabilità base del caso) meno un termine di penalità quadratica per le violazioni della capacità.
- Vincoli:
  - Tutti i casi reali in arrivo devono essere assegnati (vincolo rigido).
  - I "casi ombra" (casi futuri campionati da una distribuzione) possono rimanere non assegnati per simulare la domanda futura.
  - Capacità Morbida: Il vincolo permette ai mediatori di superare la capacità, ma le violazioni sono catturate da una variabile di slack $\xi_u$ . La funzione obiettivo penalizza $\xi_u^2$ , creando un parametro di trade-off $\lambda$ che controlla la severità della penalità di sovraccarico.
- Questa formulazione consente all'algoritmo di "trattenere" mediatori ad alte prestazioni per futuri casi ad alto valore (costo opportunità) invece di assegnarli avidamente al caso corrente, il che potrebbe portare al sovraccarico.
Algoritmo di Assegnazione:
- All'arrivo di un caso, il sistema costruisce un grafo di stato che include il caso corrente, i casi ombra e i mediatori idonei.
- La QP viene risolta per ottenere assegnazioni frazionarie.
- L'algoritmo assegna il caso in arrivo al mediatore con l'allocazione frazionaria più alta nella soluzione della QP.
- Varianti: Il documento testa due varianti di apprendimento:
  - SMaRT(E): Utilizza la media della credenza della VA (focalizzata sullo sfruttamento/exploitation).
  - SMaRT(S): Campiona la VA dalla distribuzione di credenza (stile Thompson Sampling per l'esplorazione/exploration).

Contributi Chiave

Nuovo Framework Algoritmico: SMaRT è il primo a combinare l'apprendimento online della qualità dell'agente con vincoli di capacità morbidi e ripristinabili in un contesto di accreditamento eterogeneo ad alta dimensionalità. Supera le assunzioni di "vincolo rigido" dei BwK e le assunzioni di "assegnazione ritardata" di altri algoritmi di risorsa riutilizzabile (come OM-RR-PA).
Trade-off Regolabili: Il parametro di penalità quadratica $\lambda$ consente agli amministratori di regolare esplicitamente il comportamento del sistema, bilanciando la severità dei vincoli di capacità rispetto al tasso complessivo di risoluzione dei casi.
Interpretabilità dei Prezzi Ombra: Le variabili duali della QP forniscono "prezzi ombra" per i mediatori, offrendo una metrica interpretablle del loro valore marginale in diversi contesti, il che aiuta a comprendere il meccanismo di "trattenere" le risorse.

Risultati
Gli autori validano SMaRT utilizzando sia simulazioni stilizzate che dati reali della Magistratura keniota (2016–2025, ~30.600 casi).

Scenari Stilizzati: SMaRT supera costantemente i baseline (Least Load, Greedy, Thompson Sampling). In scenari in cui un mediatore ad alte prestazioni è condiviso tra più celle, SMaRT evita con successo la "trappola dell'avidità" del sovraccarico di quel mediatore, distribuendo i casi per preservare la capacità per future opportunità ad alto valore.
Simulazioni con Dati Reali (VA Conosciuta): Quando le VA dei mediatori sono note, SMaRT con un $\lambda$ basso raggiunge tassi di accordo vicini al "Limite Superiore" teorico (assegnare il miglior mediatore assoluto a ogni caso) ma con un sovraccarico (OCDM) significativamente inferiore e una migliore equità (Gini Index più basso) rispetto a un approccio puramente greedy.
Simulazioni con Dati Reali (Apprendimento della VA):
- Inizializzazione Blank Slate: Partendo senza conoscenze pregresse, i vincoli di capacità inducono naturalmente una sufficiente esplorazione, rendendo SMaRT(E) (basato sulla media) performante rispetto ai baseline Greedy.
- Inizializzazione Warm Start: Quando inizializzato con dati storici, SMaRT(S) (basato sul campionamento) supera significativamente i baseline Greedy e TS*. Identifica con successo mediatori ad alte prestazioni ma meno esperti che gli approcci Greedy trascurano, ottenendo tassi di accordo più elevati mantenendo un sovraccarico inferiore.
Regolabilità: Aumentare $\lambda$ riduce il sovraccarico e migliora l'equità (Gini Index più basso) a costo di una leggera diminuzione dei tassi di accordo, dimostrando la flessibilità del sistema.

Significatività e Rivendicazioni
Il documento sostiene che SMaRT fornisca una soluzione trattabile ed efficace a un complesso problema di allocazione delle risorse del mondo reale che la letteratura esistente non poteva affrontare direttamente a causa della specifica combinazione di vincoli morbidi, requisiti di assegnazione immediata e necessità di apprendimento.

Gli autori affermano che, sulla base di questi risultati, intendono implementare SMaRT come backend per la funzione di "assegnazione intelligente" della piattaforma digitale della Magistratura (Cadaster). Un Trial Randomizzato Controllato (RCT) è stato approvato per testare il sistema nella pratica. La significatività risiede non solo nel contributo algoritmico, ma anche nel suo potenziale di ridurre i ritardi giudiziari, abbassare i costi e migliorare la distribuzione equa del lavoro tra i mediatori in un contesto del settore pubblico. Il documento sottolinea che il design è stato guidato dai vincoli operativi identificati attraverso una stretta collaborazione con la Magistratura keniota, garantendo che l'algoritmo sia fattibile per l'implementazione nel mondo reale.