삼자(three-sided) 마켓플레이스의 배차는 세계 피드백으로부터의 강화학습에 자연스러운 환경을 제공합니다. 즉, 결정은 배송 속도, 쿠리어 활용률, 상점 혼잡도와 같은 지연된 운영 결과로 평가됩니다. 저희는 DoorDash에서 대규모 음식 배달 마켓플레이스 내에서 지연 신호를 사용하여 배차 목표 가중치를 적응시키는 배포형 강화학습 시스템을 제시합니다. 조합 할당 최적화기(combinatorial assignment optimizer)를 대체하기보다는, 기록된 마켓플레이스 데이터로부터 학습된 상점 수준의 정책이 이산적인 승수(discrete multiplier)를 선택하여 배차 최적화기가 배송 품질과 배치 효율성 사이에서 가지는 트레이드오프(tradeoff)를 조정합니다. 이 인터페이스는 생산 실현 가능성 제약 조건 및 운영 안전장치를 유지하면서, 노이즈가 있고 지연되며 결합된 피드백 하에서 오프라인 정책 학습을 가능하게 합니다. 저희는 중앙 집중식 오프라인 데이터와 분산형 상점 수준 실행을 사용하여 공유 가치 함수를 훈련하며, Double Q-learning 타겟과 보수적 정규화기(conservative regularizer)를 사용하여 분포 외(out-of-distribution) 값 과대평가를 줄입니다. 실제 전환 실험에서, 오프라인으로 훈련된 정책은 배치를 늘리고 쿠리어 측 시간 비용을 감소시키면서도 고객에게 노출되는 배송 품질을 저하시키지 않았습니다. 이 결과들은 살아있는 경제 및 물류 시스템의 세계 피드백이 어떻게 온라인에서 의사결정 정책을 안전하게 적응시키는 데 사용될 수 있는지 보여줍니다.