AI 기반 할당의 한계: 알레아토릭 불확실성 하에서의 최적 스크리닝

머신러닝의 부상은 정책 및 인도주의 환경에서 표적 자원 할당을 예측된 위험 점수를 기반으로 하는 알고리즘적 표적화로 전환시켰습니다. 이 접근 방식은 일반적으로 물리적 검증을 통해 잠재적인 취약성 상태를 직접 관찰하는 전통적인 스크리닝 절차보다 저렴하고 빠릅니다. 그러나 실제 조건부 취약성 확률에 대한 접근조차도 오배분을 제거할 수는 없습니다. 개별 취약성 상태에 대한 알레아토릭 불확실성은 환원 불가능하며, 확률적 표적화는 필연적으로 일부 자원을 오배분하게 만듭니다. 본 연구에서는 스크리닝 단계가 특정 단위 집합에 대해 실제 결과를 관찰한 후, 최종 할당 단계에서 고정된 커버리지 예산 하에 자원을 할당하는 2단계 할당 프레임워크에서 스크리닝과 알고리즘적 표적화를 어떻게 최적으로 결합해야 하는지 연구합니다. 우리는 최적 전략이 알고리즘적 할당의 한계(margin)에 있는 단위들을 스크리닝하고, 동시에 가장 위험도가 높은 단위들을 직접 표적화한다는 것을 보여줍니다. 나아가, 스크리닝과 알고리즘적 표적화가 언제 보완재 또는 대체재로 작용하는지 경험적으로 특성화합니다: 스크리닝으로 인한 효율성 증가는 인구의 알레아토릭 불확실성이 증가함에 따라 커집니다. 우리는 소득 기반 사회 보호 프로그램 및 콜롬비니아에서의 인도주의적 지뢰 제거(demining) 적용 사례를 통해 우리의 프레임워크를 설명하며, 이 과정에서 스크리닝 비용과 할당 효율성 사이의 긴장 관계가 운영적으로 중요함을 보여줍니다.