330 likes | 522 Views
فرزاد فرهمندنیا 88131022. طراحی و ساخت بازار الکترونیکی بر مبنای عامل. شرح مساله. این مقاله به شرح پروژه ای به نام MARI ( Multi Attribute Resource Intermediary ) می پردازد. این پروژه در گروه نرم افزارهای عامل در دانشگاه MIT انجام شده است.
E N D
فرزاد فرهمندنیا 88131022 طراحی و ساخت بازار الکترونیکی بر مبنای عامل
شرح مساله • این مقاله به شرح پروژه ای به نام MARI(Multi Attribute Resource Intermediary) می پردازد. این پروژه در گروه نرم افزارهای عامل در دانشگاه MIT انجام شده است. • MARI در اصل برای کالاهای دیجیتالی طراحی شده است. این تحقیق در سه حوزه زیر انجام شده است: • سیستم های چند عامله • واسطه گری • تجارت الکترونیکی
شرح مساله • برای روشن تر شدن جایگاه این سیستم برای مثال در Ebay و Amazon خریدار باید در ابتدا مشخصات دقیق کالای مورد جستجوی خود را اعلام کند حتی پس از این وی باید وارد مذاکرات پیچیده با فروشنده شود. MARI بدنبال غلبه بر این محدودیت هاست. MARI به هر دو طرف خریدار و فروشنده این امکان را می دهد تا براحتی ارجحیت های خود را مشخص کنند. در MARI با استفاده از وزن دادن به ارجحیت ها خریدار یا فروشنده به راحتی می تواند اهمیت خصوصیات مختلف را نیز مشخص کند.
کارهای مشابه • برخلاف سیستم های خرید آنلاین که اکثرا بر روی تنها یکی از مواردخریدتکیه دارند مانند BargainFinder و Jango که می توان از آنها به عنوان سیستم های مقایسه قیمت هم نام برد، MARI بر روی تمامی مراحل خرید فعالیت دارد. MARI در عمل بر مبنای تئوری سودمندی چند خصیصه ای بنا نهاده شده است. • سیستم های دیگری نیز بر مبنای این تئوری هستند اما فقط از جهت یکی از طرفین این عمل را انجام می دهند. اما MARI به هر دو طرف فروشنده و خریدار توجه دارد. در عمل MARI هم به جنبه اقتصادی تراکنش توجه دارد هم به جنبه اجتماعی آن.
محدوده تحقیق • MARIیک معماری است که قادر به پشتیبانی چندین خریدار و فروشنده با محصولات متنوع است. برای این تحقیق فرض بر بازار سرویس هست که در اینجا بر روی بازار ارائه سرویس ترجمه زبان کار شده است.
برآورد بازار • بازار سرویس ها هرچقدر انسان ها بیشتر به سمت شبکه شدن پیش میروند کارهای جدیدی نیز تولید می شود. برای مثال در همین بحث ترجمه زبان یک فرد اگر از یک مترجم انسانی کمک بگیرد بسیار بهتر می توند نتیجه بگیرد. بنابراین در شبکه به دنبال یک مترجم می گردد و از آن طرف هم یک انسان به عنوان فروشنده این سرویس عمل میکند.
برآورد بازار • بازار سرویس ترجمه در اینجا هم خریدار و هم فروشنده برای خودشان عامل می سازند. برای مثال فروشنده درباره خودش از اطلاعاتی که احتمالا خریداران بدنبال آن هستند مانند تخصص، در دسترس بودن، هزینه یا کار مقابل را به عامل خود میدهد. از آن طرف هم خریدار مشخصات سرویس مورد انتظار خود را ارائه میکند که می تواند شامل تخصص، اعتبار مترجم و غیره باشد. سپس بازار به طور خودکار خریدار و فروشنده را باهم منطبق می کند و می تواند با ایمیل یا هر وسیله ارتباطی دیگری برای طرفین پیغام بگذارد.
پیاده سازی • الگوریتم ها و تکنولوژی های مورد استفاده • تمام عملیات خریدار و فروشنده با MARI توسط واسط کاربری انجام می شود. وقتی کسی وارد سیستم MARI می شود در ابتدا مشخص می کند که آیا می خواهد سرویسی راارائه دهد یا خریداری کند. با توجه به انتخاب کاربر مدیر واسط کاربری(UIM) محیط مربوطه را نشان می دهد. هرچند این محیط ها تقریبا در یک شکل هستند بیشتر روی پیشنهاد های سیستم و مقادیر پیش فرض تفاوت دارند. MARI در حقیقت شبیه به بازار انحصاری رقابتی است. هر فروشندهقدرت متمایز سازی محصول خود از دیگران را داراست. ساختار بازار از آن جهت انحصاری است که هر فروشنده می تواند قیمت محصول را خودش تعیین کند تا این که قیمت رایج بازار را رعایت کند. از آن طرف هم هر فروشنده مختار است به این بازار بیاید یا نه.
گرفتن ارجحیت های کاربر • هر خریدار یا فروشنده در MARI به عنوان یک عامل در نظر گرفته می شود. عامل خریدار می تواند ارجحیت های خود را با توجه به منابع خود مشخص کند. عامل فروشنده هم ارجحیت های فروشنده را مشخص می کند. هر عامل یکسری پیش فرض ها دارد که کاربر می تواند آنها را تغییر دهد.
مرحله اولمشخص کردن پیشهاد ایده آل • کاربر یک شرایط ارجح پیشنهاد را تعریف می کند. کاربر می تواند مشخص کند کدام خصوصیات ثابت و کدامیک منعطف هستند. برای مثال در سرویس ترجمه زبان، تعداد لغات ثابت هستند اما درجه اعتبار فروشنده، درجه مهارت وی و زمان تحویل می تواند متغیر باشد. همانطور که گفته شد MARI در تمام حالت ها پیشنهادهای منطقی برای خصوصیت ها ارائه می کند.
نمونه ای از مشخص کردن خصوصیات منعطف و غیر منعطف
مرحله دوممشخص کردن محدوده خصوصیات متغیر • با مشخص کردن محدوده خصوصیت های منعطف، کاربر بهترین حالت همچنین حداقل و حداکثر حالت قابل قبول این محدوده را نیز مشخص می کند.
مرحله سوممشخص کردن وزن خصوصیت ها • پس از گرفتن محدوده ها کاربر وزن این خاصیت ها را مشخص می کند. یکی از سخت ترین کارها برای کاربر می تواند همین کار باشد. شاید حتی خود کاربر هم اطلاع دقیقی از اهمیت خصوصیت نداشته باشد. بنابراین MARI یکسری پیشنهادها برای تعیین وزن خصوصیت ها با استفاده از توابع مکاشفه ای و با در نظر گرفتن این نظریه که هرچقدر محدوده خصوصیات بیشتر باشد اهمیت کمتری دارند ارائه می کند.
چگونگی مشخص کردن وزن خصوصیت ها بصورت خودکار
مرحله چهارممدل کردن توابع سودمندی کاربر • از آنجا که MARI یک بستر است ما انتظار داریم که سازندگان بازار یک نمونه از MARI با خصوصیات ویژه کالای خود بسازند. سازنده بازار همچنین باید پارامترهایی را مشخص کند که کاربران می توانند برای مدل سازی توابع سودمندی خود از آن استفاده کنند. سازنده بازار همچنین باید توابع مکاشفه ای را که برای تطبیق محصول بهینه هستند مشخص کند.
مدل کردن توابع سودمندی کاربر توسط مدیر ارزش گذاری • مرحله اول انتخاب بصری توابع سودمندی در اولین اجرای MARI سازنده بازار باید بصورت بصری یک تابع ریاضی عمومی به هر خصوصیت متغیر نسبت دهد.
چگونگی انتخاب بصری تابع سودمندی توسط سازنده بازار
مرحله دومحدس تابع سودمندی کاربر • با استفاده از تابع سودمندی انتخاب شده توسط سازنده بازار و مقادیر ماکسیمم، مینیمم و ارجح انتخاب شده توسط کاربر MARI می تواند تابع سودمندی مناسب برای هر کاربر را با تقریبی خوب حدس بزند.
مرحله سوم • در این مرحله مدیر ارزش گذاری با استفاده از پیشنهاد های کاربران و بازخوردی که از سیستم گرفته است به سازنده بازار پیشنهاد بهبود تابع سودمندی محصول می کند.
مرحله پنجممشخص کردن طرف معامله • در ابتدای هر معامله MARI ابتدا بررسی می کند که خصوصیت های ثابت خریدار برآورده شده باشد. سپس از آنجا که MARI یک سیستم عادل است به بررسی فروشنده ای می پردازد که برای هر دو طرف بالاترین امتیاز را داشته باشد.
معماری MARI • در کل MARI از بخش های زیر تشکیل شده است: • مدیر ارتباط با کاربر(UIM) وظیفه ارتباط با کاربر برای آغاز یک خرید یا فروش، پیگیری درخواست قبلی، دیدن وضعیت فعلی و گذشته بازار را دارا می باشد. • مدیر ارزش گذاری خریدار(BVM) اطلاعات را از کاربر گرفته و ارزش یک کالا را برای خریدار نتیجه می گیرد. • عمومی ساز تابع ارزش گذاری(VFG) به سازنده بازار این امکان را می دهد که یک مدل عمومی از توابع سودمندی کاربران ایجاد کند
معماری MARI • آموزش دهنده تابع ارزش گذاری(VFT) • با استفاده از بازخوردهای کاربران و ارجحیت های آنان به سازنده بازار پیشنهاد بهبود تابع عمومی سودمندی را می دهد. • مدیر ارزش گذاری فروشنده(SVM) • مانند مدیر ارزش گذاری خریدار اطلاعات را از کاربر گرفته و ارزش یک کالا را برای فروشنده نتیجه می گیرد. • مدیر چرخه بازار(MCM) • مسئول بررسی شرایط محیطی بازار مانند تعداد افراد در حال انتظار برای مطابقت می باشد.
معماری MARI • مدیر بهینه ساز مکاشفه ای(OHM) • در اینجا با توجه به سیاست های سازنده بازار برای مثال می تواند در یکی از حالت های زیر باشد: انتخاب بیشترین تعداد تطبیق یا انتخاب بهترین تطابق ها از نظر سودمندی برای طرفین. • تطبیق دهنده (MM) • مسئول تطبیق خریداران و فروشندگان با توجه به اطلاعات ارائه شده توسط مدیر وضعیت کاربر است. • مدیر وضعیت کاربر(USM) • وضعیت کاربران را از نظر فعال بودن یا نبودن بررسی می کند. برای مثال می تواند شرایط ادامه مراحل بازار را منوط به قرار گرفتن تعداد مشخصی از خریداران و فروشندگان مرتبط کند.
معماری MARI • مدیر اطلاع رسانی کاربران(UNM) • برای اطلاع رسانی از سرانجام یک تراکنش به کاربر مورد استفاده قرار میگیرد. که می تواند فعال باشد مانند ارسال ایمل یا غیر فعال مانند ثبت در پایگاه داده و اطلاع رسانی به کاربر در زمان ورود وی به سیستم. • مدیر پایگاه داده(DM) • وظیفه سرویس دهی به مدیران بالایی برای انجام ذخیره و بازیابی اطلاعات لازم آنها را دارد. • لیست کاربران فعال(AUL) • در هر چرخه بازار تطبیق دهنده به لیست کاربران فعال نگاه می کند تا ببیند که چه کاربرانی باید با هم تطب داده شوند. این لیست در زمان ارائه پیشنهاد جدید و پس از هر چرخه فروش بروز رسانی می شود.
معماری MARI • لیست طرفین تراکنش(TPL) • لیستی از طرفین آخرین معاملات انجام شده در بازار است. • لیست کاربران فعال و لیست طرفین تراکنش به همراه لیست کلی خریداران و فروشندگان برای زمان خرابی سیستم ذخیره می شوند تا بتوان علت خرابی را فهمید.
کارهای آتی • پیاده سازی کامل معماری • اضافه کردن توابع سودمندی دیگر • کشف توابع مکاشفه ای بهتر
منبع • Design and Implementation of an Agent-Based • Intermediary Infrastructure for Electronic Markets • GauravTewari, Pattie Maes • MIT Media Lab • E15-305, 20 Ames Street • Cambridge, MA 02142 USA