אותו מוצר, אותות ביקוש מותאמים, פער של 26%. כאן הביקורת מוצאת אותו, בוחנת אותו בשער, מתקנת אותו וחותמת אותו.
ההדגמה מבקרת 10,000 החלטות תמחור סינתטיות עם seed עבור SKU יחיד. להלן מה שההרצה מציגה על המסך, בסדר שבו היא מציגה זאת.
ציות לתמחור בינה מלאכותית והוגנות אלגוריתמית
כאשר ה-Civil Investigative Demand (CID) מגיע, התשובה צריכה להיות קובץ. Equity היא שכבת ביקורת להגנה על תמחור שיושבת מעל כל מנוע תמחור שקמעונאי כבר מפעיל. היא משחזרת את יומן ההחלטות של המנוע עצמו, מדרגת כל קלט תמחור עבור דליפת קבוצה מוגנת כולל הפרוקסיז המורכבים שבדיקות ברמת המאפיין הבודד אינן מסוגלות לראות. היא בוחנת את התוצאה מול ה-EEOC four-fifths rule (29 CFR 1607.4(D)) בקוד דטרמיניסטי, מודדת מהי עלות אילוץ ההוגנות בהכנסות, מראה מדוע התיקון הברור מאליו נתון למניפולציה, וחותמת את הרשומה לתוך מארז ראיות מגובה hash מסוג SHA-256 וממופה לרגולציה, שנבנה בדיוק עבור דרישה זו.
+26.2%
מחיר גבוה יותר עבור קוהורט של אזורי מיקוד עם רוב למיעוטים ומכשירים ישנים, עבור אותו SKU
ממוצעי קוהורט על פני 3,037 ו-2,880 החלטות סינתטיות עם seed, אותות ביקוש מותאמים
0.43 to 0.82
יחס EEOC four-fifths rule (29 CFR 1607.4(D)), מכישלון למעבר, לאחר עיצוב תגמול מודע-הוגנות
בעלות הכנסות מדודה של 1.3% במנוע ותרחיש סינתטיים אלה
0.73
מידע הדדי משותף של פרוקסי מורכב ששני רכיביו עוברים כל אחד בנפרד
Referral × Dwell Time; השמטת ZIP ומכשיר בלבד עדיין נכשלת בשער ב-0.59
כל נתון הדגמה בעמוד זה הוא סינתטי ונוצר מ-seed. מנוע ShopMart Dynamic Pricing הוא contextual bandit מסוג LinUCB שבנינו כממלא מקום למנוע שלקוח יפעיל, ה-Aura Wireless Earbuds ו-10,000 הקונים מיוצרים, ומבנה הפרוקסי נשתל כדי שלביקורת יהיה משהו אמיתי לתפוס. שום קמעונאי אמיתי לא בוקר ושום קונה אמיתי לא חויב ביתר.
יועץ משפטי ראשי או מנהל תמחור בפלטפורמת מסחר אלקטרוני עם נפחי פעילות ב-New York וב-California מפעיל מנוע תמחור דינמי שלעולם אינו קולט גזע או הכנסה ועדיין חשוף, מכיוון שהמנוע מתמחר לפי מיקוד (ZIP code), רמת מכשיר והתנהגות הפעלה, וכל אחד מאלה נושא אות דמוגרפי. מודל contextual bandit הממטב הכנסות ימצא כל קלט החוזה נכונות לשלם, כולל אלה שבאמת חוזים מיהו הקונה. מיקוד חוזה הכנסה; הכנסה חוזה רגישות למחיר; טלפון Android ישן חוזה פחות השוואת מחירים. אף אחד מאלה אינו גזע. כולם נעים יחד איתו. עד שה-Civil Investigative Demand (CID) מגיע, צוות ללא שום תיעוד כזה מבזבז חודשים בחילוץ פורנזי תגובתי.
הסדר הפשרה בסך $60M של ה-FTC עם Instacart בנוגע לניסויי התמחור של Eversight (דצמבר 2025 ,FTC) היה הליך מבוסס-תוצאה. התלונה תיעדה קונים שונים שנחשפו למחירים שונים עבור פריטים זהים, בפערים של עד 23%. זו לא הייתה קביעה של אפליה קבוצתית, והיא לא הייתה תלויה במה שהוזן לאלגוריתם.
חוק New York's Algorithmic Pricing Disclosure Act, שנכנס לתוקף ב-November 10, 2025, מחייב גילוי בולט לעין כאשר נתונים אישיים משפיעים על מחיר ונושא קנס אזרחי של עד $1,000 לכל הפרה. חוק Colorado SB 24-205, שנכנס לתוקף ב-June 30, 2026, מתייחס לתמחור כהחלטה בעלת השלכות מהותיות (consequential decision) המחייבת הערכת השפעה.
חובות הסיכון הגבוה של ה-EU AI Act חלות החל מ-August 2, 2026. סעיפים EU AI Act (Articles 13 and 14) מכסים שקיפות בסיכון גבוה ותיעוד נגד אפליה, ואי-ציות בסיכון גבוה גורר ענישה עד למקסימום סטטוטורי של €15M או 3% מהמחזור הגלובלי.
הצינור הוא מעבר יחיד על יומן ההחלטות של המנוע עצמו: 10,000 החלטות תמחור מהמנוע המבוקר, ביקורת קלטים דטרמיניסטית, שער ארבע-חמישיות, סינתזת אילוץ הוגנות בהשוואה לתקרה הניתנת למניפולציה, ניסוח הסברים בידי סוכנים, מארז ראיות מגובה hash מסוג SHA-256 ומבחן ביצועים מתויג (benchmark). סוכנים מייעצים, קוד מחליט, וההפרדה הזו היא ששומרת על המארז כשיר להגשה משפטית ללא תלות במודל היושב מתחתיו.
01 / המנוע המבוקר
המנוע המבוקר הוא ShopMart Dynamic Pricing, מודל contextual bandit מסוג LinUCB בעל 7 זרועות עם seed=42, המתמחר SKU יחיד, ה-Aura Wireless Earbuds במחיר מחירון של $79.00, עבור אוכלוסייה מתויגת סינתטית של 10,000 קונים. הוא מתמחר לפי מדד הכנסה לפי מיקוד (ZIP income index), רמת מכשיר, מקור הפניה (referral), זמן שהייה (dwell time), גודל עגלה, שיעור קנייה חוזרת, מספר הפעלות, חברות פרימיום ושעה, בתוספת איברי הצלבה של הפניה כפול שהייה מהסוג שמנועים אמיתיים רבים כוללים. הקוהורט המוגן הוא תווית סמויה שהביקורת אינה מקבלת לעולם. בהדגמה, מודל bandit זה הוא המנוע המבוקר.
02 / ביקורת הקלטים הדטרמיניסטית
הפעלת Run Audit מחשבת, ב-numpy טהור, את מתאם פירסון המוחלט של כל קלט תמחור מול הקוהורט המוגן, את המידע ההדדי המנורמל שלו, מידע הדדי משותף עבור זוגות מאפיינים, ותנועת מחיר נגדית-עובדתית (counterfactual): דריסת קלט יחיד עבור הקוהורט המוגן בערך הייחוס של הקוהורט המועדף, השארת כל השאר קבוע, הרצה חוזרת של מדיניות המנוע עצמו ומדידה של מידת התזוזה במחיר של הקוהורט המוגן. כללי פסק הדין הם קוד, הנבדקים לפי סדר: קלט שהמדגם האפקטיבי שלו נמוך מ-400 מוחזר כ-Insufficient Evidence במקום לקבל פסק דין של פרוקסי, כלל שאף קלט בהרצה זו אינו מפעיל; אות מועדון לקוחות בעל שימוש כפול עם זיקה מהותית כלשהי מסווג כ-ABSTAIN ומנותב לסקירה משפטית לפני הרצת בדיקת ההפרה; מתאם מוחלט של לפחות 0.30 או מידע הדדי של לפחות 0.05 הוא VIOLATION; מתאם מ-0.20 ועד 0.30 הוא ABSTAIN; כל השאר הוא PASS. עבור כל קלט אחר, הניתוח הנגדי-עובדתי מאמת ולעולם אינו מפעיל פסק דין בפני עצמו; רק עבור אות השימוש הכפול תנועה נגדית-עובדתית מהותית נחשבת לטובת ה-ABSTAIN.
03 / השער והאילוץ
שער ההשפעה השונה (Disparate-Impact Gate) מחיל את ה-EEOC four-fifths rule (29 CFR 1607.4(D)) המותאם למדרגות מחיר: שיעור קבלת מדרגת המחיר המועדפת של הקוהורט המוגן חלקי זה של הקוהורט המועדף, מול סף של 0.80. לאחר מכן, שלב ה-Remediation מסנתז עיצוב תגמול מודע-הוגנות (Fairness-Aware Reward Shaping), המושך כל מחיר באופן רציף לעבר מחיר ייחוס נקי מפרוקסי ממודל bandit שני שאומן ללא ארבעת קלטי הפרוקסי, ומבצע חיפוש בינארי אחר משקל המשיכה הקטן ביותר שעובר את הסף של 0.80. הוא מוצג לצד קו בסיס של תקרה קשיחה (Hard-Cap Baseline) ב-115% מהמחיר ההוגן, התיקון הנאיבי, כאשר חתימת המניפולציה (gaming signature) נמדדת עבור שניהם.
04 / הצוות והמארז
תפקיד Feature Auditor מסביר כל קלט שסומן ו-Adversarial Challenger טוען בעד התייחסות לקלט שנמנע (abstained) כאות לגיטימי; תפקיד Regulatory Mapper הוא טבלה קבועה המצמידה כל VIOLATION לחמישה משטרים ואת ה-ABSTAIN לשורת סקירה משפטית יחידה. צוות הסוכנים ניתן להחלפת ספק, נסוג לתבניות דטרמיניסטיות כאשר לא מוגדר ספק מודל כך שהאפליקציה פועלת באופן זהה, ואינו יכול לחשב מספר או לקבוע פסק דין. לחיצה על Evidence Pack חותמת את שם המנוע וגרסתו, האוכלוסייה המבוקרת, השער, כל ממצא עם הנימוק שלו, המיפוי הרגולטורי, תוצאת התיקון וסיכום ההסברים לתוך JSON בתוספת מארז HTML להדפסה, עם תמצית SHA-256 של גוף המארז כ-hash המעיד על שיבוש.
הקונסולה כוללת שני מבטים בתוספת תיבות דו-שיח. המבט הידני מכיל את כרטיס Pricing Outcome Comparison ופאנל פעילות המזרים כל שלב; כל תוצאה נפתחת כתיבת דו-שיח בכותרת Audit Results, Remediation Results או Evidence Pack Results, והכפתורים Remediation ו-Evidence Pack נשארים מושבתים עד להשלמת Run Audit. לחיצה על Run Benchmark עוברת למבט Benchmark Results נפרד. כפתור About Demo מציין את גבולות התרחיש על המסך: מנוע סינתטי עם ground truth ידוע, שתוצאותיו ממחישות את השיטה ואינן מהוות ראיה לכוונת מכוון שאומתה בשטח. כל מספר להלן נמצא בתוך גבולות אלה.
ההדגמה מבקרת 10,000 החלטות תמחור סינתטיות עם seed עבור SKU יחיד. להלן מה שההרצה מציגה על המסך, בסדר שבו היא מציגה זאת.
המספרים לעיל מגיעים מאוכלוסייה סינתטית יחידה עם seed של 10,000 החלטות תמחור על SKU יחיד עם מבנה פרוקסי שתול וניתן לשחזור. הנתונים מראים שהשיטה משחזרת מבנה שתול בדיוק של מערך מתויג. הם אינם שיעור דיוק על נתוני תמחור אמיתיים, אינם benchmark מול מתחרים, ואינם טענה לגבי קמעונאי אמיתי כלשהו.
| שאלה | מה ש-Equity עושה בהדגמה זו | מה שנשאר מחוץ להדגמה |
|---|---|---|
| אינטגרציה | מבצעת ביקורת על מודל ה-bandit מסוג LinUCB שאפליקציית ההדגמה נושאת כמנוע ממלא מקום, ומתוכננת כך שניתן להחליף במקומו מנוע של לקוח מאחורי מתאם. | קוד מתאם כלשהו או מחבר חי לפלטפורמת תמחור. דבר מזה אינו קיים בגרסת בנייה זו, ואף ספק המוזכר בשמו אינו לקוח או שותף. |
| נתונים דמוגרפיים | קוראת טבלת ייחוס אצורה של עשרה מיקודי New York ו-California והטיית מכשיר עם seed המקודדת קשיח באפליקציה. | הזנה חיה של מפקד אוכלוסין או בעלות על מכשירים. הטבלה קטנה ונאצרה ידנית, והקוהורט המוגן הוא תווית שתולה. |
| ממצאים | משחזרת את מבנה הפרוקסי השתול ומתעדת במארז את פסק הדין של כל קלט יחד עם הנימוק שלו. | הוכחה לאפליה או כוונת מכוון בעולם האמיתי; המערכת אינה מנפיקה פסק דין של כוונת מכוון. |
מערכת Equity אינה קובעת מחיר עבור שום לקוח ואינה מחליפה את Pricefx, PROS, Zilliant או Competera; המנוע מתמחר, Equity מבקרת ומטילה אילוצים. היא אינה מסמיכה לציות, אינה מבטיחה מעבר ואינה מספקת ייעוץ משפטי; המארז הוא ראיה עבור היועץ המשפטי של הלקוח. גרסת בנייה זו מכסה SKU יחיד ואת מסלול ההשפעה השונה (disparate-impact) מביקורת ועד מארז ראיות; תיאום מחירים אלגוריתמי (algorithmic collusion), תווכת גילוי רב-תחומית, ניטור בזמן אמת וממשק תשלום (checkout) נמצאים מחוצה לה. הפרופילים South Bronx ו-Upper East Side בכרטיס Pricing Outcome Comparison הם תוויות מייצגות עבור קוהורטים מרובי מיקודים ומרובי מכשירים, ולא טענות לגבי שכונה אמיתית כלשהי.
מכיוון שהמנוע אינו צריך לראות גזע או הכנסה כדי לתמחר לפיהם. בהדגמה, המנוע המבוקר מתמחר לפי מדד הכנסה לפי מיקוד (ZIP income index), רמת מכשיר והתנהגות הפעלה, וקלטים אלה נושאים את הקבוצה המוגנת: מדד ההכנסה לפי מיקוד נמצא במתאם של 0.95 איתה ורמת המכשיר במתאם של 0.32. התוצאה באוכלוסייה הסינתטית עם ה-seed היא מחיר גבוה ב-26.2% עבור קוהורט אזור המיקוד עם רוב למיעוטים והמכשירים הישנים על אותן אוזניות עם אותות ביקוש מותאמים, ויחס ארבע-חמישיות של 0.43 מול סף של 0.80. הליך ה-FTC נגד Instacart היה תיק מבוסס-תוצאה לגבי קונים שונים שראו מחירים שונים עבור פריטים זהים, ולא קביעה לגבי מה שנמסר לאלגוריתם.
במנוע זה, לא. קו הבסיס של הוגנות מתוך אי-מודעות (Fairness Through Unawareness) במבחן הביצועים מאמן מחדש ללא קלטי המיקוד והמכשיר, ויחס ארבע-החמישיות עולה רק מ-0.43 ל-0.59, ועדיין נכשל. האופן שבו הקונה הגיע ומשך הזמן שבו שהה עוברים כל אחד בנפרד, אך יחד הם מקודדים את הקוהורט במידע הדדי של 0.73. מתאם לפי מאפיין בודד עיוור לצמד זה; בדיקת מידע הדדי משותף אינה עיוורת, וזו הסיבה שהביקורת מנקדת אינטראקציות בנוסף לקלטים בודדים.
אפשר, וההדגמה מראה מה עושה עם זה ממטב הכנסות. קו הבסיס של תקרה קשיחה (Hard-Cap Baseline) אוסר על כל מחיר מעל 115% ממחיר הייחוס ההוגן. המנוע מוותר על 0.2% מההכנסות כדי לעמוד בלשון הכלל ומציב 29% מהקוהורט המוגן בטווח של 1% מהתקרה, כך שיחס ארבע-החמישיות מגיע רק ל-0.59 והשער עדיין נכשל. תקרה היא מטרה. לעיצוב תגמול מודע-הוגנות (Fairness-Aware Reward Shaping) אין גבול לכוון אליו, והוא עובר ב-0.82 בעלות הכנסות של 1.3% במנוע סינתטי זה.
לא. Equity לעולם אינה קובעת מחיר. היא מבקרת את החלטות המנוע ומציעה אילוץ; המנוע שלכם, בין אם Pricefx, PROS, Zilliant, Competera או מודל bandit מותאם אישית, ממשיך לבצע את התמחור. נקודת החיבור למנוע של לקוח היא נקודת החלפה מתועדת; בהדגמה אין קוד מתאם ואין אינטגרציה חיה, כך שמודל ה-LinUCB bandit שבנינו הוא המנוע, והוא מבוקר ישירות.
שום דבר שעורך דין יצטרך להגן עליו אינו פלט מודל: הנתונים הסטטיסטיים, השוואת הסף, כל פסק דין, האילוץ וה-hash של המארז מגיעים כולם מקוד numpy דטרמיניסטי מחוץ לשכבת הסוכנים. ה-Feature Auditor וה-Adversarial Challenger כותבים פרוזה; הם לעולם אינם מחשבים מספר ואינם יכולים לקבוע או לשנות פסק דין, והמיפוי הרגולטורי הוא טבלה קבועה ולא פלט מודל. ללא ספק מודל, צוות הסוכנים נסוג לתבניות דטרמיניסטיות והאפליקציה מפיקה את אותם פסקי דין בדיוק. ההסבר המילולי בהדגמה המוקלטת הוא פלט מודל מאומת ושמור במטמון, וכותרת המארז מציינת זאת.
מארז ראיות מוכן ל-CID בפורמט JSON וב-HTML להדפסה. הוא מתעד את שם המנוע וגרסתו, 10,000 ההחלטות שבוקרו, שער ארבע-החמישיות לפני ואחרי התיקון, פסק הדין של כל קלט יחד עם הנימוק שלו, מיפוי כל קלט שסומן ל-EEOC four-fifths rule (29 CFR 1607.4(D)), לחוק Algorithmic Pricing Disclosure Act של ניו יורק, לחוק Colorado SB 24-205, לסעיפי EU AI Act (Articles 13 and 14) ול-FTC Act Section 5, את תוצאת התיקון ותמצית SHA-256 של גוף המארז. אנו מספקים את הראיות; הצוות המשפטי שלכם מקבל את ההחלטה.
זו בדיקה עצמית על מערך מתויג, וכך יש לקרוא אותה. מבחן הביצועים מייצר מחדש את האוכלוסייה הסינתטית בת 10,000 ההחלטות עם ה-seed של ההדגמה ושואל אותה שאלה אחת: האם הביקורת מצאה את שלושת הפרוקסיז ששתלנו ולא שום דבר אחר? היא אכן מצאה. כל השלושה סומנו, אף אחד מארבעת אותות הביקוש הלגיטימיים לא סומן, והאות היחיד בעל השימוש הכפול סווג כנמנע (abstained) במקום שיסומן או יקבל Cleared. הדבר מראה שהשיטה משחזרת מבנה שתול. יומני תמחור אמיתיים כוללים משתנים מתערבבים (confounded), ואינך יכול אתית לבצע מבחני A/B שבהם קבוצות דמוגרפיות מחויבות במחירים שונים, ולכן בהתקשרות אמיתית אותה מערכת מייצרת ראיות לסקירה משפטית, לעולם לא פסק דין אוטומטי.
המחקר שמאחורי הדגמה זו — הארכיטקטורה, תכנון האימות והמתווה הארגוני.
אנחנו צוות הנדסת AI, לא ספק תמחור ולא גוף המסמיך לציות. אנו מתחילים מיומן ההחלטות של המנוע שלכם ומסיימים במארז שהיועץ המשפטי שלכם יכול להגיש; ההחלטה לגבי מה שהוא מראה נשארת בידיו.
שיחה ראשונה מועילה היא שיחה קונקרטית: איזה מנוע מתמחר את הקטלוג שלכם, אילו קלטים הוא רואה, האם הוא כולל איברי הצלבה או עצים שעלולים לתמחר לפי פרוקסי מורכב, ובאילו מבין New York, California, Colorado או האיחוד האירופי נפח הפעילות שלכם נוגע. נוכל לעבוד על הביקורת, סינתזת האילוצים ומבנה מארז הראיות יחד עם צוותי התמחור, המשפט והנתונים שלכם.
