🤖 AI

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

YUKTI is een robuust besluitvormingskader dat natuurlijke taalscenario's transformeert naar onzekerheidstype-propositietitels om aanname-robuuste Pareto-fronten en verifieerbare spijtcertificaten te genereren, waarbij het standaard enkelvoudige optimalisatie en op LLM gebaseerde planners aanzienlijk overtreft door de beslissingsspijt onder coëfficiëntonzekerheid en structurele misspecificatie te minimaliseren.

Oorspronkelijke auteurs: Suyash Mishra

Gepubliceerd 2026-07-14

📖 6 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Suyash Mishra

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je de kapitein bent van een enorm schip en dat je een kaart hebt die is getekend door een zeer slimme, zeer praatgrage AI. De AI kijkt naar je bestemming en zegt: "Ga exact 42,3 graden noord met 15 knopen." Het klinkt zelfverzekerd. Het klinkt perfect. Maar hier is de crux: de AI moest de windsnelheid, de stroming en het gewicht van je lading raden om die lijn te trekken. Als de wind slechts een klein beetje sterker is dan de AI heeft ingeschat, kan je schip op een rif lopen.

Dit is het probleem met de meeste huidige AI-besluitvormers. Ze nemen een rommelige, woordenrijke situatie ("We moeten meer medicijnen verkopen maar artsen niet irriteren") en veranderen dit in één enkel, rigide, rekenkundig plan. Ze doen alsof ze de toekomst kennen. Het papier noemt dit "mimicry of computation" (nabootsing van berekening). Het ziet eruit als een wiskundige oplossing, maar het is eigenlijk gewoon een gok gehuld in een pak. Als de gok fout is, is het plan "stilzwijgend fragiel."

Maak kennis met YUKTI (uitgesproken als yook-tee). Zie YUKTI niet als een kapitein die het schip stuurt, maar als een superintelligente navigator die weigert een enkele kaart blind te vertrouwen.

De oude manier: De "één-getal"-valstrik

De meeste systemen proberen een probleem op te lossen door één doel te kiezen (zoals "het maken van de meeste winst") en één getal voor elke variabele te raden.

De tekortkoming: Als je de brandstofkosten op $50 schat, is het plan gebouwd voor $50. Als de brandstof in werkelijkheid $51 kost, valt het hele plan uit elkaar.
Het oordeel van het papier: Dit is gevaarlijk. Het papier betoogt expliciet tegen deze "puntwaarde"-benadering. Het stelt dat het omzetten van een gesproken situatie in een enkel getal is waar de fout optreedt.

De YUKTI-manier: De "wolk van mogelijkheden"

YUKTI verandert het spel. In plaats van één getal te raden, behandelt het elke gok als een wolk van mogelijkheden.

De metafoor: Stel je voor dat je inpakt voor een reis. De oude manier zegt: "Het wordt 21°C, dus neem één T-shirt mee." YUKTI zegt: "Het kan 15°C, 21°C of 27°C zijn. Laten we dus een T-shirt, een lichte jas en een trui inpakken, en kijken welke combinatie het beste werkt, ongeacht het weer."
Hoe het werkt: YUKTI creëert een "Typed Proposition" kaart. Elke relatie (zoals "meer e-mails = meer clicks") draagt een wolk van onzekerheid. Het zegt niet alleen "clicks zullen toenemen"; het zegt "clicks zullen waarschijnlijk toenemen, maar misschien een beetje, misschien veel, en misschien helemaal niet als we mensen gaan spammen."

De magische truc: De "Robuustheidsscore" (ρ)

Dit is de grootste innovatie van het papier. Nadat YUKTI zijn simulaties heeft uitgevoerd, geeft het je niet alleen een plan. Het geeft je een overlevingsscore, genaamd ρ (rho).

Wat het betekent: Als een plan een score van 0,99 heeft, betekent dit dat als je de wereld 100 keer opnieuw zou draaien met licht afwijkende gissingen (andere winden, andere stromingen), dit plan in 99 gevallen nog steeds zou werken.
Het resultaat: YUKTI kiest het plan dat de meeste stormen overleeft. Het is niet het plan dat het beste presteert in een perfecte wereld; het is het plan dat het beste presteert wanneer dingen misgaan.

Het "Stress Test" Lab

Het papier heeft niet alleen hierover gesproken; ze hebben een lab gebouwd om dingen kapot te maken.

De simulatie: Ze creëerden een fictieve wereld waarin de gissingen van de AI lichtelijk onjuist waren (zoals aannemen dat een medicijn beter werkt dan het in werkelijkheid doet).
De uitkomst: Toen ze de "oude manier" (het plan met één getal) testten tegenover de "YUKTI-manier", faalde het oude plan jammerlijk. Het YUKTI-plan verminderde de spijt (de pijn van een slechte keuze maken) met meer dan 90%.
Real-world check: Ze testten dit ook op een echte dataset van 41.188 werkelijke marketinggesprekken bij een bank. De YUKTI-methode versloeg de huidige strategie van de bank met 34% en versloeg de "naïeve" AI-gok met 4%. Het bewees dat "robuust" zijn (veilig tegen fouten) beter is dan "optimistisch" zijn (hopen op het beste).

De "Twee-fasen" Dans

Soms gebeuren beslissingen in stappen. Eerst ontwerp je een campagne; daarna voer je deze uit.

Het probleem: Als je van stap één naar stap twee één enkel getal doorgeeft, verberg je het risico.
De fix van YUKCI: Het geeft een distributie (een hele wolk van getallen) door van stap één naar stap twee.
Het voorbeeld: In een test met marketing voor kankerbehandelingen realiseerde YUKTI zich dat te hard pushen via e-mail artsen zou kunnen irriteren. Het vond een "robuust compromis" dat de artsen tevreden hield terwijl het toch resultaten boekte. Het toonde aan dat als je alleen naar het gemiddelde zou kijken, je zou denken dat je veilig was, maar YUKTI zag een kans van 60% dat je daadwerkelijk zou falen.

Wat YUKTI NIET is

Het papier is zeer duidelijk over wat dit hulpmiddel niet is:

Het is geen magische oplosser die het "perfecte" antwoord vindt. Het papier stelt expliciet dat de gebruikte oplossers standaard, klassieke wiskundige instrumenten zijn. De magie zit in hoe ze worden gebruikt.
Het is geen systeem dat menselijk oordeel vervangt. Het is een "beslissings-stress-testlaag". Het vertelt je: "Hier is een plan, en dit is precies hoe waarschijnlijk het is dat het faalt als je aannames onjuist zijn."
Het is niet perfect voor alles. Het papier geeft toe dat als beslissingen verbonden zijn in zeer lange, complexe ketens (zoals een domino-effect over jaren heen), deze methode "optimistisch" kan worden en van aanpak moet veranderen.

De essentie

Het papier concludeert dat Large Language Models (LLMs) geweldig zijn in het formuleren van het probleem (het lezen van de woorden en het begrijpen van de regels), maar verschrikkelijk in het oplossen ervan (het raden van de getallen).

YUKTI houdt de AI in de bestuurdersstoel voor het verhaal, maar legt de wiskunde in handen van een systeem dat de onzekerheid respecteert. Het verandert een "misschien" in een "waarschijnlijk veilig".

Uiteindelijk suggereert het papier dat voor beslissingen met een hoge inzet — zoals het uitgeven van echt geld, het behandelen van patiënten of het beheren van energie — zelfvertrouwen een faalmodus is. De beste beslissing is niet de beslissing die het meest zeker lijkt; het is de beslissing die toegeeft dat hij het mis kan hebben en een back-up plan klaar heeft staan. YUKTI is het hulpmiddel dat dat back-up plan bouwt.

Technische Samenvatting: YUKTI – Van Natuurlijke Taal-situaties naar Robuuste, Verifieerbare Beslissingen

1. Het Probleem: De Fragiliteit van "Mimicry of Computation"
Huidige pipelines voor het omzetten van beslissingsbriefjes in natuurlijke taal naar optimalisatieproblemen (bijv. NL4Opt, OptiMUS, OR-LLM-Agent) lijden aan drie kritieke beperkingen die hen fragiel maken in omgevingen met hoge inzet:

Single-Objective: Ze reduceren complexe afwegingen (bijv. bereik vs. kosten vs. risico) tot een enkele gewogen scalaire waarde, waardoor de werkelijke afwegingen van de besluitvormer verborgen blijven.
Single-Shot: Ze behandelen beslissingen als eenmalige gebeurtenissen in plaats van sequentiële processen waarbij latere stadia worden beperkt door eerdere uitkomsten.
Puntsgewijze Coëfficiënten: Ze vereisen dat het taalmodel (LLM) specifieke numerieke coëfficiënten verzint voor relaties (bijv. "oncologen reageren goed op content"). Deze verzonnen getallen worden als feiten behandeld. Een plan dat alleen optimaal is bij deze specifieke geraden waarden is "stilzwijgend fragiel."

Het artikel stelt dat het primaire risico de "mimicry of computation" is: het genereren van tekst die lijkt op een geoptimaliseerde aanbeveling, maar die de substantie mist van een opgelven model, geformuleerde coëfficiënten of gevoeligheidsanalyse. Wanneer deze plannen de werkelijke middelenallocatie (klinisch, financieel, publieke gezondheid) aansturen, is de foutmodus stille kwetsbaarheid.

2. Methodologie: Het YUKTI-framework
YUKTI verschuift het doel van auto-formulering van het oplossen van een enkel puntwaardig probleem naar het beheren van onzekerheid over een beslissings-DAG (Directed Acyclic Graph).

Typed Proposition Intermediate Representation (IR):
In plaats van vaste getallen representeert YUKTI relaties als tupels $p = \langle \phi, \theta, \Theta, \sigma, \pi \rangle$ :
- $\phi$ : Een parametrische functionele vorm.
- $\theta$ : Nominale coëfficiënten.
- $\Theta$ : Een distributie over coëfficiënten (bijv. lognormaal) die onzekerheid representeert.
- $\sigma$ : Kwalitatieve vorm-priors (monotoniciteit, kromming).
- $\pi$ : Provenance-tags (gegeven, aangenomen, of benchmark).
  Dit maakt het systeem in staat om onderscheid te maken tussen harde data en LLM-aannames.
Structure-Aware Routing:
Voordat er wordt opgelost, onderzoekt YUKTI de wiskundige structuur van de fase (affien, convex of niet-convex) met behulp van willekeurige paren en interpolatiecontroles. Vervolgens routeert het de fase naar de juiste solver:
- Affien: Exacte solvers (Augmented $\epsilon$ -constraint met HiGHS).
- Convex/Smooth: Niet-lineaire programmering (SLSQP).
- Niet-convex/Black-box: Evolutionaire algoritmen (NSGA-II/NSGA-III via pymoo).
Multi-Stage Frontier Hand-off:
Stages worden in topologische volgorde opgelost. In plaats van een enkele puntwaarde door te geven aan de volgende fase, geeft YUKTI een distributional hand-off (kwantielen van de signaalwaarden) door. Dit zorgt ervoor dat downstream-stadia de haalbaarheid en waarde evalueren in verwachting over de onzekerheid van upstream-beslissingen, wat voorkomt dat staartrisico's worden gemaskeerd.
Assumption-Robust Pareto Frontiers (ARPF):
Dit is het kernmechanisme voor robuustheid. YUKTI hersampled de coëfficiënt-distributies $\Theta$ (inclusief structurele mis-specificatie via $\epsilon$ -contaminatie) $K$ keer. Voor elke kandidaat-oplossing in de ontdekte pool berekent het $\rho(x)$ , de empirische waarschijnlijkheid dat de oplossing haalbaar en niet-gedomineerd blijft over deze hersamplede werelden.
- Het systeem selecteert een Robust Compromise: een oplossing die de afstand tot het ideale punt maximaliseert terwijl $\rho(x) \geq 0.5$ (of een vergelijkbare drempelwaarde) wordt voldaan.
SRJANA (Benchmark-Anchored Contextual Synthesis):
Wanneer er geen echte dataset bestaat, synthetiseert SRJANA een contextuele dataset. Het haalt benchmark-ankers (bijv. industriële click rates) van het web, definieert een populatie met latente affiniteiten en kalibreert de synthetische data om deze ankers en effectratio's te matchen. De optimizer past vervolgens proposities aan deze synthetische data aan, waarbij de eerlijke, uit data-afgeleide onzekerheid wordt geërfd.
Decision Traceability:
De output bevat Segment Attribution (welke populatiesegmenten het resultaat drijven) en Shadow Price Analysis (welke restricties begrenzen en de marginale waarde van het versoepelen daarvan), waardoor de aanbeveling auditeerbaar is in plaats van louter overtuigend.

3. Belangrijkste Bijdragen

Uncertainty-Typed IR: Een formalisme waar elke coëfficiënt een distributie en provenance draagt, wat "verzonnen getallen" transformeert naar gekwantificeerde inputs.
ARPF Mechanisme: Een methode om oplossingen te scoren op basis van hun overlevingskans onder aanname-onzekerheid, inclusioneel structurele mis-specificatie.
Regret Bound (Theorem 1): Een theoretisch bewijs dat aantoont dat de robuustheidsscore $\rho$ een exacte factor is van de beslissings-regret (spijt). Specifiek: $R(\hat{x}) = (1 - \rho(\hat{x}))\bar{g}(\hat{x})$ , waarbij $R$ de regret is en $\bar{g}$ het gemiddelde verlies wanneer de keuze suboptimaal is. Dit certificeert dat het maximaliseren van $\rho$ de bovengrens van de regret minimaliseert onder 0-1 pool-optimaliteitsverlies.
Distributional Hand-off: Een mechanisme om onzekerheid tussen opeenvolgende stadia te propageren, wat voorkomt dat men zich vastlegt op puntwaardige commitments (de "optimizer's curse").
Deployment Posture: YUKTI wordt gepositioneerd, niet als een systeem van record of een benchmark-SOTA solver, maar als een beslissings-stress-testlaag die bovenop standaard solvers ligt.

4. Resultaten en Validatie
Het paper valideert het framework via drie verschillende lenzen:

Gecontroleerde Structurele Mis-specificatie:
In een "ware wereld" met verborgen negatieve interacties (verzadiging) die de additieve surrogaat van de naïeve punt-planner miste, veroorzaakte de naïeve punt-plan een hoge regret. De ARPF robuuste compromis verminderde de gemiddelde regret met 98% en de staart-regret (CVaR) met 92% vergeleken met de naïeve plan. De Theorem 1 certificering werd numeriek geverifieerd.
Real-World Backtest (UCI Bank Marketing):
Gebruikmakend van 41.188 echte telemarketing-beslissingen (niet gegenereerd door de auteurs), bereikte de robuuste regel een 34% hogere conversieratio dan de gelogde status quo en 4% hoger dan een naïeve punt-regel. Het verminderde de "optimizer's curse" (het gat tussen training-schattingen en gerealiseerde waarde) aanzienlijk.
Gereguleerde Commerciële Implementatie (Oncologie):
In een gesimuleerd scenario van verlies van exclusiviteit voor oncologie-merken, optimaliseerde YUKTI binnen wettelijke restricties (GDPR-toestemming, frequentiebeperkingen). Het produceerde een robuust compromis dat het neerwaartse risico in euro's prijsde, wat het vermogen demonstreerde om binnen strikte regelgevende actieruimtes te opereren.
Beperkingen en Grenzen:
Het paper merkt expliciet op dat onder langetermijn causale koppeling tussen acties, de forward multi-stage hand-off onjuist wordt; de regret groeit met de koppeling, en het per-stage certificaat wordt optimistisch. Dit markeert de grens waar de formaliteit moet verschuiven naar een backward-induction causaal beleid.

5. Betekenis en Claims
Het paper claimt dat YUKTI het cruciale gat tussen LLM's als "formulators" en klassieke solvers als "solvers" aanpakt.

LLM's zijn Formulators, Geen Solvers: De auteurs demonstreren dat zelfs een Large Reasoning Model (LRM), wanneer het de juiste getallen krijgt maar wordt gekoppeld aan single-objective optimalisatie, ongeveer 47× meer held-out regret veroorzaakt dan de YUKTI robuuste compromis.
Van Overtuiging naar Auditeerbaarheid: Het systeem verplaatst besluitvormingsondersteuning van "overtuigend narratief" naar "auditeerbare traceerbaarheid", waardoor besluitvormers precies kunnen zien welke aannames de aanbeveling drijven en hoe vaak deze standhoudt als ze onjuist blijken te zijn.
Bescheiden Scope: De auteurs stellen expliciet dat zij geen aanspraak maken op benchmark-superioriteit in termen van ruwe solver-snelheid of Pareto-front grootte. De bijdrage is de methodologie van uncertainty-typed autoformulering, het ARPF mechanisme, en de regret-bounded beslissings-traceerbaarheid.

Samenvattend stelt YUKTI dat voor beslissingen met hoge inzet het doel niet is om de enkele "optimale" plan te vinden op basis van geraden getallen, maar om een robuust compromis te vinden dat expliciet bewust is van zijn eigen fragiliteit, gekwantificeerd door een regret-bounded overlevingskans.