La complejidad del mundo real y los conflictos multiobjetivo

En la ingeniería de sistemas de IA del mundo real, casi nunca nos encontramos con problemas que tengan un solo objetivo. Mejorar la precisión del modelo suele aumentar la latencia de inferencia y el costo de cómputo; reforzar la robustez puede sacrificar el rendimiento máximo; reducir el consumo energético puede limitar la capacidad del modelo. Estos objetivos se condicionan mutuamente y no son totalmente conmensurables, por lo queno existe una única solución óptima, sino solo un conjunto desoluciones de compromiso no dominadas—es decir, una aproximación al frente de Pareto.

Conceptos clave

• Condicionamiento multiobjetivo: la mejora de un objetivo suele provocar el deterioro de otro, y los objetivos no son totalmente conmensurables entre sí.
• Restricciones complejas: coexisten restricciones duras y blandas que, junto con la incertidumbre y los entornos dinámicos, reducen el espacio factible e invalidan el supuesto de un óptimo puntual.
• Por lo general, no existe una única solución óptima: la escalarización monoobjetivo o la búsqueda de un solo punto difícilmente representan el verdadero espacio de decisión.
• La salida debe ser un conjunto de soluciones: es necesario conservar candidatos diversos y ofrecer una frontera de compromiso comparable y un espacio de elección según las preferencias.
• Ventajas de la computación evolutiva: mediante la exploración paralela de la población y el mantenimiento de la diversidad, se aproxima simultáneamente a múltiples soluciones de compromiso, adaptándose a objetivos en conflicto y restricciones complejas.

Por qué la computación evolutiva es adecuada

La computación evolutiva no depende del gradiente ni de la diferenciabilidad de la función objetivo, sino que busca en paralelo mediante una población en el espacio de objetivos. Cada individuo de la población representa una solución candidata, y mecanismos como la ordenación no dominada y la distancia de aglomeración mantienen la diversidad de las soluciones mientras se aproximan al frente de Pareto. De este modo, quien toma las decisiones puede, en la etapa final, elegir distintas soluciones de compromiso del frente según las preferencias del escenario, en lugar de fijar un peso a priori antes de la optimización.