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

Resumo Técnico: YUKTI – De Situações de Linguagem Natural para Decisões Robustas e Verificáveis

1. O Problema: A Fragilidade da "Mimetização de Computação"
Os pipelines atuais para converter briefings de decisão em linguagem natural em problemas de otimização (ex: NL4Opt, OptiMUS, OR-LLM-Agent) sofrem de três limitações críticas que os tornam frágeis em ambientes de alto risco:

1. Objetivo Único: Eles colapsam trade-offs complexos (ex: alcance vs. custo vs. risco) em um único escalar ponderado, ocultando os trade-offs reais do tomador de decisão.
2. Tentativa Única (Single-Shot): Eles tratam decisões como eventos isolados, em vez de processos sequenciais onde os estágios posteriores são limitados pelos resultados anteriores.
3. Coeficientes de Valor Pontual: Eles exigem que o modelo de linguagem (LLM) invente coeficientes numéricos específicos para relações (ex: "oncologistas respondem bem ao conteúdo"). Esses números inventados são tratados como fatos. Um plano ótimo apenas para esses valores supostos é "silenciosamente frágil".

O artigo argumenta que o principal risco é a "mimetização de computação": gerar um texto que parece uma recomendação otimizada, mas carece da substância de um modelo resolvido, de coeficientes declarados ou de uma análise de sensibilidade. Quando esses planos direcionam a alocação real de recursos (clínicos, financeiros, saúde pública), o modo de falha é a fragilidade silenciosa.

2. Metodologia: O Framework YUKTI
O YUKTI desloca o alvo da autoformulação de resolver um único problema de valor pontual para gerenciar a incerteza através de um DAG (Grafo Acíclico Dirigido) de decisão.

• Representação Intermediária (IR) de Proposições Tipadas:
  Em vez de números fixos, o YUKTI representa as relações como tuplas $p = \langle \phi, \theta, \Theta, \sigma, \pi \rangle$:

  • $\phi$: Uma forma funcional paramétrica.
  • $\theta$: Coeficientes nominais.
  • $\Theta$: Uma distribuição sobre os coeficientes (ex: log-normal) representando a incerteza.
  • $\sigma$: Priores de forma qualitativa (monotonicidade, curvatura).
  • $\pi$: Tags de proveniência (dado, assumido ou benchmark).
    Isso permite que o sistema distinga entre dados rígidos e suposições do LLM.

• Roteamento Consciente de Estrutura:
  Antes de resolver, o YUKTI sonda a estrutura matemática do estágio (afim, convexo ou não convexo) usando pares aleatórios e verificações de interpolação. Ele então roteia o estágio para o solver apropriado:

  • Afim: Solvers exatos (Restrição $\epsilon$-aumentada com HiGHS).
  • Convexo/Suave: Programação não linear (SLSQP).
  • Não Convexo/Black-box: Algoritmos evolutivos (NSGA-II/NSGA-III via pymoo).

• Hand-off de Fronteira Multi-Estágio:
  Os estágios são resolvidos em ordem topológica. Em vez de passar um único valor pontual para o próximo estágio, o YUKTI passa um hand-off distribucional (quantis dos valores de sinal). Isso garante que os estágios subsequentes avaliem a viabilidade e o valor na expectativa sobre a incerteza das decisões anteriores, evitando o mascaramento de riscos de cauda.

• Fronteiras de Pareto de Suposição Robusta (ARPF):
  Este é o núcleo do mecanismo de robustez. O YUKTI reamostra as distribuições de coeficientes $\Theta$ (incluindo a má especificação estrutural via $\epsilon$-contaminação) $K$ vezes. Para cada solução candidata no pool descoberto, ele calcula $\rho(x)$, a probabilidade empírica de que a solução permaneça viável e não dominada nestes mundos reamostrados.

  • O sistema seleciona um Compromisso Robusto: uma solução que maximiza a distância em relação ao ponto ideal enquanto satisfaz $\rho(x) \geq 0.5$ (ou um limiar semelhante).

• SRJANA (Síntese Contextual Ancorada em Benchmark):
  Quando não existe um conjunto de dados real, o SRJANA sintetiza um conjunto de dados contextual. Ele extrai âncoras de benchmark (ex: taxas de clique da indústria) da web, define uma população com afinidades latentes e calibra os dados sintéticos para corresponder a essas âncoras e razões de efeito. O otimizador então ajusta as proposições a esses dados sintéticos, herdando uma incerteza honesta e derivada de dados.

• Rastreabilidade de Decisão:
  A saída inclui Atribuição de Segmento (quais segmentos de população impulsionam o resultado) e Análise de Preço Sombra (quais restrições estão vinculadas e o valor marginal de relaxá-las), tornando a recomendação auditável em vez de meramente persuasiva.

3. Principais Contribuições

• IR Tipada por Incerteza: Um formalismo onde cada coeficiente carrega uma distribuição e proveniência, transformando "números inventados" em entradas quantificadas.
• Mecanismo ARPF: Um método para pontuar soluções com base em sua probabilidade de sobrevivência sob incerteza de suposição, incluindo má especificação estrutural.
• Limite de Regret (Teorema 1): Uma prova teórica mostrando que o escore de robustez $\rho$ é um fator exato do regret da decisão. Especificamente, $R(\hat{x}) = (1 - \rho(\hat{x}))\bar{g}(\hat{x})$, onde $R$ é o regret e $\bar{g}$ é a perda média quando a escolha é subótima. Isso certifica que maximizar $\rho$ minimiza o limite superior do regret sob perda de otimalidade de pool 0-1.
• Hand-off Distribucional: Um mecanismo para propagar incerteza entre estágios sequenciais, evitando a "maldição do otimizador" de compromissos de valor pontual.
• Postura de Implantação: O YUKTI posiciona-se não como um sistema de registro ou um solver de estado da arte (SOTA) de benchmark, mas como uma camada de teste de estresse de decisão que reside sobre solvers padrão.

4. Resultados e Validação
O artigo valida o framework através de três lentes distintas:

• Má Especificação Estrutural Controlada:
  Em um "mundo real" retido com interações negativas ocultas (saturação) que o substituto aditivo ingênuo não detectou, o plano pontual ingênuo incorreu em alto regret. O compromisso robusto do ARPF reduziu o regret médio em 98% e o regret de cauda (CVaR) em 92% comparado ao plano ingênuo. A certificação do Teorema 1 foi verificada numericamente.

• Backtest de Mundo Real (UCI Bank Marketing):
  Usando 41.188 decisões de telemarketing reais (não geradas pelos autores), a regra robusta alcançou uma taxa de conversão 34% maior do que o status quo registrado e 4% maior do que uma regra pontual ingênua. Reduziu significativamente a "maldição do otimizador" (o gap entre estimativas de treinamento e valor realizado).

• Implantação Comercial Regulamentada (Oncologia):
  Em um cenário simulado de perda de exclusividade para marcas de oncologia, o YUKTI otimizou dentro de restrições legais (consentimento GDPR, limites de frequência). Produziu um compromisso robusto que precificou o risco de queda em euros, demonstrando a capacidade de operar dentro de espaços de ação regulatórios rigorosos.

• Limitações e Fronteiras:
  O artigo observa explicitamente que sob acoplamento causal de longo alcance entre ações, o hand-off multi-estágio para frente torna-se inconsistente; o regret cresce com o acoplamento, e o certificado por estágio torna-se otimista. Isso marca o limite onde o formalismo deve mudar para uma política causal de indução reversa.

5. Significância e Alegações
O artigo afirma que o YUKKI aborda a lacuna crítica entre LLMs como "formuladores" e solvers clássicos como "solvers".

• LLMs são Formuladores, Não Solvers: Os autores demonstram que mesmo um modelo de raciocínio de grande escala (LRM) entregue os números corretos, quando pareado com otimização de objetivo único, incorre em ~47× o regret retido do compromisso robusto do YUKTI.
• Da Persuasão à Auditabilidade: O sistema move o suporte à decisão de uma "narrativa persuasiva" para uma "rastreabilidade auditável", permitindo que os tomadores de decisão vejam exatamente quais suposições impulsionam uma recomendação e com que frequência ela sobrevive ao erro.
• Escopo Modesto: Os autores declaram explicitamente que não pretendem ser superiores em termos de velocidade bruta de solver ou tamanho de fronteira de Pareto. A contribuição é a metodologia de autoformulação tipada por incerteza, o mecanismo ARPF e a rastreabilidade de decisão limitada por regret.

Em resumo, o YUKTI propõe que, para decisões de alto risco, o objetivo não é encontrar um único plano "ótimo" baseado em números supostos, mas encontrar um compromisso robusto que é explicitamente consciente de sua própria fragilidade, quantificada por uma probabilidade de sobrevivência limitada pelo regret.