Complexité du monde réel et conflits multi-objectifs

Dans l'ingénierie des systèmes d'IA du monde réel, il est rare de rencontrer un problème comportant un seul objectif. Améliorer la précision d'un modèle augmente souvent la latence d'inférence et le coût de calcul ; renforcer la robustesse peut sacrifier les performances de pointe ; réduire la consommation d'énergie peut limiter la capacité du modèle. Ces objectifs se contraignent mutuellement et ne sont pas entièrement commensurables, il n'existe doncpas de solution optimale unique, mais un ensemblede solutions de compromis non dominées— c'est-à-dire une approximation du front de Pareto.

Concepts clés

Contrainte multi-objectifs: l'amélioration d'un objectif entraîne souvent la dégradation d'un autre, les objectifs n'étant pas entièrement commensurables.
Contraintes complexes: des contraintes strictes et souples coexistent et, combinées à l'incertitude et à un environnement dynamique, réduisent ensemble l'espace réalisable, rendant caduque l'hypothèse d'un optimum ponctuel.
L'absence habituelle de solution optimale unique: la scalarisation mono-objectif ou la recherche ponctuelle peine à représenter le véritable espace de décision.
La sortie doit être un ensemble de solutions: il faut conserver des candidats diversifiés et fournir une frontière de compromis comparable ainsi qu'un espace de choix selon les préférences.
Atout du calcul évolutionnaire: grâce à l'exploration parallèle de la population et au maintien de la diversité, il approche simultanément plusieurs solutions de compromis, s'adaptant aux objectifs conflictuels et aux contraintes complexes.

Pourquoi le calcul évolutionnaire est adapté

Le calcul évolutionnaire ne dépend pas du gradient ni de la différentiabilité de la fonction objectif ; il effectue une recherche parallèle dans l'espace des objectifs au moyen d'une population. Chaque individu de la population représente une solution candidate, et des mécanismes tels que le tri non dominé et la distance de congestion maintiennent la diversité des solutions tout en approchant le front de Pareto. Ainsi, le décideur peut, à l'étape finale, choisir différentes solutions de compromis sur le front selon les préférences du contexte, plutôt que de fixer a priori un poids avant l'optimisation.

Point clé

En optimisation multi-objectifs, les préférences du décideur n'interviennent souvent qu'à l'étape finale. Le calcul évolutionnaire approche d'abord l'ensemble du front de Pareto, conserve un ensemble diversifié de solutions non dominées, puis laisse le décideur choisir selon les préférences du contexte. C'est plus robuste qu'une fixation a priori des poids.

Schéma du front de Pareto en optimisation multi-objectifs

Observez le schéma du front de Pareto en optimisation multi-objectifs et décrivez les points essentiels que vous relevez.

Question 1

Concernant les problèmes d'optimisation multi-objectifs du monde réel, quelle description est la plus exacte ?

Les objectifs se contraignent souvent mutuellement et il n'existe pas de solution unique optimisant simultanément tous les objectifs.

Il suffit de pondérer les objectifs multiples en un objectif unique pour obtenir la solution optimale unique du véritable espace de décision.

Il existe toujours une solution optimale unique qui optimise simultanément tous les objectifs.

Les problèmes multi-objectifs ne concernent que deux objectifs ; au-delà de deux, aucune modélisation n'est possible.

Question 2

Dans la relation de dominance de Pareto, que signifie « la solution A domine la solution B » ?

A n'est pas moins bonne que B sur tous les objectifs et est strictement meilleure que B sur au moins un objectif.

A et B sont identiques sur tous les objectifs.

A est la solution optimale unique globale.

A est meilleure que B sur au moins un objectif, les autres objectifs pouvant être arbitrairement mauvais.

Question 3

Pourquoi les méthodes de scalarisation mono-objectif (comme la somme pondérée) peinent-elles à représenter le véritable espace de décision multi-objectifs ?

Les méthodes de scalarisation ne peuvent traiter que deux objectifs.

Les poids sont difficiles à fixer de manière pertinente et des poids différents ne donnent qu'un nombre fini de solutions sur le front, ce qui peut omettre les portions non convexes du front.

Les méthodes de scalarisation sont nécessairement plus lentes que les algorithmes évolutionnaires.

Les méthodes de scalarisation ne peuvent traiter aucune contrainte.

Question 4

Quel est le principal atout du calcul évolutionnaire face aux conflits multi-objectifs et aux contraintes complexes ?

La recherche parallèle de la population et le maintien de la diversité permettent d'approcher simultanément plusieurs solutions de compromis.

Il exige peu de différentiabilité de la fonction objectif, mais ne peut traiter que des problèmes sans contraintes.

Il doit s'appuyer sur l'information de gradient pour mettre à jour la population.

Il ne produit qu'une seule solution par itération, ce qui facilite une convergence rapide.

Question 5

Dans l'ingénierie des systèmes d'IA, améliorer la précision d'un modèle augmente généralement la latence d'inférence et le coût de calcul. Face à ce conflit, quelle est la démarche appropriée ?

Optimiser uniquement la précision, en ignorant la latence et le coût.

Rechercher un ensemble de solutions de compromis de Pareto, puis choisir la solution selon les préférences du contexte (par exemple, priorité au temps réel ou à la précision).

Abandonner la modélisation multi-objectifs et choisir une solution au hasard.

Additionner simplement précision, latence et coût en un score unique et retenir la solution au score le plus élevé.

Étude de cas : décisions de compromis pour le déploiement d'un modèle d'IA multi-objectifs

Lisez le scénario suivant et répondez aux questions.

Une équipe doit déployer un grand modèle de langage sur un appareil en périphérie. Elle souhaite optimiser simultanément trois objectifs : maximiser la précision de la tâche, minimiser la latence d'inférence et minimiser la consommation d'énergie. Ces trois objectifs sont conflictuels : améliorer la précision exige généralement un modèle plus grand ou davantage de calcul, ce qui augmente la latence et la consommation ; réduire la latence et la consommation peut à l'inverse sacrifier la précision. De plus, la mémoire de l'appareil est limitée (contrainte stricte) et la bande passante réseau fluctue et peut être interrompue (environnement dynamique et incertitude). L'équipe prévoit d'utiliser le calcul évolutionnaire pour rechercher des configurations de déploiement (taux d'élagage du modèle, largeur de quantification, taille de lot, stratégie de cache, etc.).

Identifiez les objectifs, les contraintes et les sources d'incertitude de ce problème, et expliquez pourquoi il n'existe pas de solution optimale unique.

Réponse :
Les objectifs sont de maximiser la précision, minimiser la latence et minimiser la consommation d'énergie (trois objectifs) ; les contraintes strictes incluent la limite de mémoire de l'appareil, les contraintes souples peuvent inclure le budget énergétique et la bande passante ; les sources d'incertitude comprennent les fluctuations de bande passante réseau, les interruptions de connexion, les variations de charge, etc. Comme les objectifs sont conflictuels et non entièrement commensurables, améliorer l'un entraîne souvent la dégradation des autres ; il n'existe donc pas de solution unique optimisant simultanément tous les objectifs, mais seulement un ensemble de solutions de compromis de Pareto.

Comment l'équipe peut-elle utiliser le calcul évolutionnaire pour approcher le front de Pareto et sélectionner la solution finale lors de la décision ? Expliquez en vous appuyant sur la diversité de la population, la relation de dominance et les informations de point de coude/préférences.

Réponse :
Le calcul évolutionnaire effectue une recherche parallèle de la population, conserve simultanément plusieurs solutions non dominées dans l'espace des objectifs et utilise la relation de dominance et le tri non dominé (comme le tri non dominé rapide et la distance de congestion de NSGA-II) pour maintenir la diversité, en approchant progressivement le front de Pareto. La sélection finale peut s'appuyer sur la notion de point de coude (point d'inflexion) — au voisinage duquel continuer à améliorer un objectif exige un sacrifice important — ainsi que sur les préférences du contexte (par exemple, opter pour la plage de faible latence si le temps réel est prioritaire, ou pour la plage de haute précision si la précision est prioritaire). Les contraintes strictes peuvent être traitées par des règles de faisabilité ou des fonctions de pénalité, et les environnements dynamiques par l'évolution en ligne ou l'optimisation robuste.