تعتبر خوارزميات التحسين (Algorithmic Recourse) من الأدوات المهمة في مجال الذكاء الاصطناعي، حيث تقدم للأفراد الذين تلقوا نتائج غير مرضية من نماذج التعلم الآلي اقتراحات لتحسين نتائجهم بتكاليف منخفضة. لكن ما يحدث عندما تتغير القواعد والمعايير بسبب المنافسة على الموارد المحدودة؟

تحدي رئيسي يظهر في هذه الحالة هو الافتراض القائل بأن قاعدة القرار ستظل ثابتة خلال فترة تنفيذ التحسين. لكن في الواقع، يمكن أن تؤدي تطبيقات التحسين واسع النطاق إلى تغيير عتبة القبول، حتى مع بقاء نموذج التقييم ثابتًا. هذا التغيير في عتبة القبول قد يؤدي إلى إبطال توصيات التحسين الأصلية، مما يعني أنه اتباع هذه التوصيات قد لا يؤدي بالضرورة إلى النتيجة المطلوبة.

لتجاوز هذه المشكلة، يقدم الباحثون إطار عمل يُعرف بـ"التحسين في ظل المنافسة" (Recourse Under Competition)، والذي يعمل على تحقيق توازن مثالي بين المتلقين للتوصيات والنقاط المستهدفة التي يحتاجون لتلبيتها، بهدف تحقيق توازن بين تكاليف التحسين وصحة النتائج بعد التحول.

تتناول هذه الدراسة تطوير خوارزمية تعتمد على نظرية الدالة الضمنية (Implicit Function Theorem) وتحليل أدائها بشكل تجريبي. تظهر التجارب على بيانات صناعية وأخرى حقيقية أن الأهداف الشخصية للنقاط يمكن أن تحقق صلاحية أعلى، على الرغم من تكلفتها الأكثر ارتفاعًا. ورغم ذلك، فإن الأهداف الشائعة للنقاط تقدم عمومًا توازنًا مواتياً بين التكلفة والصلاحية للقيم المنخفضة إلى المتوسطة.

من خلال فهم هذه الديناميكيات، يمكننا رؤية كيف أن المنافسة على الموارد تؤثر على كيفية تقديم التوصيات وكيف يمكن تحسين فعالية النماذج في عالم متغير.