Complejidad del mundo real y equilibrio multiobjetivo

En el mundo real, los problemas de optimizaciónrara vez tienen un único objetivo, y rara vez tienen una única respuesta. Un mismo sistema suele tener que atender simultáneamente el rendimiento, la latencia, el consumo energético y el costo; estos objetivos se condicionan mutuamente, y mejorar uno de ellos a menudo implica sacrificar otro. Por eso, el valor de EvoX no reside en converger más rápido hacia un “único óptimo”, sino enconservar un conjunto de soluciones candidatas que difieren entre sí, lo que permite a los investigadores comparar beneficios y costos dentro de las restricciones y seguir explorando.

Por qué el mundo real difícilmente tiene una solución óptima única

• Los objetivos y las restricciones cambian según el escenario: la evaluación offline, el entorno móvil y el servicio en línea de alta concurrencia tienen prioridades totalmente distintas; es muy difícil que una misma configuración destaque en los tres casos a la vez.
• Las restricciones tienen límites que no pueden vulnerarse: el límite de latencia de extremo a extremo, el presupuesto de costo por inferencia, el límite de memoria de GPU y de consumo, etc., son fronteras que toda solución candidata debe cumplir, no fichas que puedan canjearse por un “mejor resultado global”.
• Los múltiples objetivos se condicionan entre sí: mayor precisión → aumenta el cómputo y el consumo → suben la latencia y el costo; reducir la latencia → suele implicar aceptar menor precisión. No hay mejoras gratuitas.

Soluciones no dominadas y el frente de Pareto

Solo cuando dos candidatas no pueden compararse con una superioridad absoluta constituyen un verdadero espacio de elección. El criterio es directo: si una candidata no es peor que otra en ningún objetivo y es mejor en al menos uno, entonces la otra candidata esuna solución dominada, y puede descartarse en la siguiente ronda; por el contrario, si ninguna domina a la otra, ambas deben conservarse en el conjunto de candidatas. Todas las candidatas que no se dominan entre sí forman el frente de Pareto, que preserva por completo la relación de intercambio de “cuánto de un objetivo hay que sacrificar para mejorar otro”.

Preguntas clave para el investigador

• ¿Qué elementos pueden modificarse? —¿La arquitectura del modelo, la estrategia de destilación, el ancho de bits de cuantización, el tamaño de lote o la política de programación del servicio?
• ¿Qué retroalimentación demuestra que el cambio es realmente efectivo? —¿La precisión offline, el percentil de latencia en línea, el costo unitario o la curva de uso de recursos?
• ¿Qué restricciones no pueden vulnerarse? —El límite estricto de latencia, el presupuesto de costo, los límites de cumplimiento y seguridad.
• ¿La comparación es justa? —Si se compara con el mismo hardware, la misma distribución de tráfico y los mismos criterios de evaluación.
• ¿Los resultados bastan para respaldar las conclusiones? —Si el tamaño de muestra y la cobertura del tráfico en línea son suficientes, y si las conclusiones son reproducibles.
• ¿Qué conservar y qué descartar en la siguiente ronda? —Eliminar las soluciones dominadas y conservar las candidatas diferenciadas que no se dominan entre sí.