YUKTI: From Natural-Language Situations to Robust, Verifiable Decisions An Uncertainty-Typed Proposition IR, Assumption-Robust Pareto Frontiers, and a Regret Certificate

Sintesi Tecnica: YUKTI – Dalle situazioni in linguaggio naturale a decisioni robuste e verificabili

1. Il Problema: La fragilità della "Mimica della Computazione"
Le attuali pipeline per convertire brief decisionali in linguaggio naturale in problemi di ottimizzazione (es. NL4Opt, OptiMUS, OR-LLM-Agent) soffrono di tre limitazioni critiche che le rendono fragili in ambienti ad alto rischio:

1. Obiettivo Singolo: Comprimono complessi trade-off (es. portata vs costo vs rischio) in un singolo scalare pesato, nascondendo i reali compromessi del decisore.
2. Singolo Step (Single-Shot): Trattano le decisioni come eventi isolati piuttosto che come processi sequenziali in cui le fasi successive sono vincolate dagli esiti delle precedenti.
3. Coefficienti a Valore Puntuale: Richiedono al modello linguistico (LLM) di inventare coefficienti numerici specifici per le relazioni (es. "gli oncologi rispondono bene ai contenuti"). Questi numeri inventati vengono trattati come fatti. Un piano ottimale solo per questi valori ipotizzati è "silenziosamente fragile".

Il documento sostiene che il rischio primario sia la "mimica della computazione": generare testi che sembrano una raccomandazione ottimizzata ma che mancano della sostanza di un modello risolto, di coefficienti dichiarati o di un'analisi di sensibilità. Quando questi piani guidano l'allocazione reale delle risorse (cliniche, finanziarie, sanitarie pubbliche), il modo di guasto è la fragilità silenziosa.

2. Metodologia: Il Framework YUKTI
YUKTI sposta l'obiettivo dell'auto-formulazione dal risolvere un singolo problema a valore puntuale alla gestione dell'incertezza attraverso un DAG (Grafo Aciclico Diretto) decisionale.

• Rappresentazione Intermedia (IR) a Proposizioni Tipizzate:
  Invece di numeri fissi, YUKTI rappresenta le relazioni come tuple $p = \langle \phi, \theta, \Theta, \sigma, \pi \rangle$:

  • $\phi$: Una forma funzionale parametrica.
  • $\theta$: Coefficienti nominali.
  • $\Theta$: Una distribuzione sui coefficienti (es. lognormale) che rappresenta l'incertezza.
  • $\sigma$: Prior qualitativi di forma (monotonicità, curvatura).
  • $\pi$: Tag di provenienza (dato, assunto o benchmark).
    Ciò consente al sistema di distinguere tra dati certi e assunzioni dell'LLM.

• Routing Consapevole della Struttura:
  Prima di risolvere, YUKTI sonda la struttura matematica della fase (affine, convessa o non convessa) utilizzando coppie casuali e controlli di interpolazione. Successivamente, instrada la fase verso il solver appropriato:

  • Affine: Solver esatti (Augmented $\epsilon$-constraint con HiGHS).
  • Convessa/Smooth: Programmazione non lineare (SLSQP).
  • Non convessa/Black-box: Algoritmi evolutivi (NSGA-II/NSGA-III tramite pymoo).

• Hand-off della Frontiera Multi-stadio:
  Le fasi vengono risolte in ordine topologico. Invece di passare un singolo valore puntuale alla fase successiva, YUKTI passa un hand-off distribuzionale (i quantili dei valori del segnale). Ciò assicura che le fasi a valle valutino fattibilità e valore in termini di aspettativa rispetto all'incertezza delle decisioni a monte, evitando di mascherare i rischi di coda.

• Frontiere di Pareto Robuste alle Assunzioni (ARPF):
  Questo è il nucleo del meccanismo di robustezza. YUKTI ricampiona le distribuzioni dei coefficienti $\Theta$ (inclusa la misspecificazione strutturale tramite $\epsilon$-contaminazione) $K$ volte. Per ogni candidato soluzione nel pool scoperto, calcola $\rho(x)$, la probabilità empirica che la soluzione rimanga fattibile e non dominata attraverso questi mondi ricampionati.

  • Il sistema seleziona un Compromesso Robusto: una soluzione che massimizza la distanza dal punto ideale soddisfacendo $\rho(x) \geq 0.5$ (o una soglia simile).

• SRJANA (Sintesi Contestuale Ancorata ai Benchmark):
  Quando non esiste un dataset reale, SRJANA sintetizza un dataset contestuale. Estrae anchor di benchmark (es. tassi di click del settore) dal web, definisce una popolazione con affinità latenti e calibra i dati sintetici per corrispondere a questi anchor e ai rapporti di effetto. L'ottimizzatore adatta quindi le proposizioni a questi dati sintetici, ereditando un'incertezza onesta derivata dai dati.

• Tracciabilità Decisionale:
  L'output include l'Attribuzione di Segmento (quali segmenti di popolazione guidano il risultato) e l'Analisi dei Prezzi Ombra (quali vincoli sono limitanti e il valore marginale della loro rilassazione), rendendo la raccomandazione audibile anziché meramente persuasiva.

3. Contributi Chiave

• IR Tipizzata sull'Incertezza: Un formalismo in cui ogni coefficiente porta una distribuzione e una provenienza, trasformando i "numeri inventati" in input quantificati.
• Meccanismo ARPF: Un metodo per punteggiare le soluzioni in base alla loro probabilità di sopravvivenza sotto l'incertezza delle assunzioni, inclusa la misspecificazione strutturale.
• Limite del Regret (Teorema 1): Una prova teorica che mostra come il punteggio di robustezza $\rho$ sia un fattore esatto del regret decisionale. Nello specifico, $R(\hat{x}) = (1 - \rho(\hat{x}))\bar{g}(\hat{x})$, dove $R$ è il regret e $\bar{g}$ è la perdita media quando la scelta è subottimale. Questo certifica che massimizzare $\rho$ minimizza il limite superiore del regret sotto una perdita di ottimalità del pool 0-1.
• Hand-off Distribuzionale: Un meccanismo per propagare l'incertezza tra le fasi sequenziali, evitando la "maledizione dell'ottimizzatore" degli impegni a valore puntuale.
• Postura di Deployment: YUKTI è posizionato non come un sistema di record o un solver SOTA di benchmark, ma come uno strato di stress-test decisionale che si pone sopra i solver standard.

4. Risultati e Validazione
Il documento valida il framework attraverso tre lenti distinte:

• Misspecificazione Strutturale Controllata:
  In un "mondo vero" tenuto fuori dal test con interazioni negative nascoste (saturazione) che il surrogato additivo dell'ottimizzatore ha mancato, il piano puntuale ingenuo ha incorso un alto regret. Il compromesso robusto ARPF ha ridotto il regret medio del 98% e il regret di coda (CVaR) del 92% rispetto al piano ingenuo. Il certificato del Teorema 1 è stato verificato numericamente.

• Backtest su Mondo Reale (UCI Bank Marketing):
  Utilizzando 41.188 decisioni di telemarketing reali (non generate dagli autori), la regola robusta ha ottenuto un tasso di conversione superiore del 34% rispetto allo status quo registrato e del 4% superiore rispetto a una regola puntuale ingenua. Ha ridotto significativamente la "maledizione dell'ottimizzatore" (il divario tra le stime di training e il valore realizzato).

• Deployment Commerciale Regolamentato (Oncologia):
  In uno scenario simulato di perdita di esclusività per brand oncologici, YUKTI ha ottimizzato entro vincoli legali (consenso GDPR, limiti di frequenza). Ha prodotto un compromesso robusto che ha prezzato il rischio di ribasso in euro, dimostrando la capacità di operare entro spazi d'azione regolamentati rigorosi.

• Limiti e Confini:
  Il documento nota esplicitamente che in presenza di accoppiamento causale a lungo raggio tra le azioni, l'hand-off multi-stadio in avanti diventa non valido; il regret cresce con l'accoppiamento e il certificato per fase diventa ottimistico. Questo segna il confine dove il formalismo deve spostarsi verso una politica causale per induzione a ritroso.

5. Significato e Rivendicazioni
Il documento afferma che YUKTI affronta il divario critico tra gli LLM come "formulatori" e i solver classici come "risolutori".

• Gli LLM sono Formulatori, non Risolutori: Gli autori dimostrano che anche un modello di ragionamento avanzato (LRM) a cui vengono forniti i numeri corretti, se accoppiato con l'ottimizzazione a obiettivo singolo, incorre in un regret circa 47 volte superiore rispetto al compromesso robusto di YUKTI.
• Dalla Persuasione all'Audibilità: Il sistema sposta il supporto decisionale dalla "narrativa persuasiva" alla "tracciabilità audibile", permettendo ai decisori di vedere esattamente quali assunzioni guidano una raccomandazione e quanto spesso questa sopravvive all'errore.
• Ambito Modesto: Gli autori dichiarano esplicitamente di non rivendicare la superiorità nei termini di velocità pura del solver o dimensione della frontiera di Pareto. Il contributo è la metodologia di auto-formulazione tipizzata sull'incertezza, il meccanismo ARPF e la tracciabilità decisionale limitata dal regret.

In sintesi, YUKTI propone che per decisioni ad alto rischio, l'obiettivo non è trovare un singolo piano "ottimale" basato su numeri ipotizzati, ma trovare un compromesso robusto che sia esplicitamente consapevole della propria fragilità, quantificata da una probabilità di sopravvivenza limitata dal regret.