Kompleksitas Dunia Nyata dan Konflik Multi-Tujuan

Dalam rekayasa sistem AI di dunia nyata, kita hampir tidak pernah menghadapi masalah dengan hanya satu tujuan. Meningkatkan akurasi model sering kali menambah latensi inferensi dan biaya komputasi; memperkuat ketahanan dapat mengorbankan performa puncak; menurunkan konsumsi energi dapat membatasi kapasitas model. Tujuan-tujuan ini saling bertentangan dan tidak sepenuhnya dapat dibandingkan, sehinggatidak ada solusi optimal tunggal, yang ada hanyalah sekumpulansolusi trade-off yang tidak terdominasi—yakni mendekati Pareto frontier.

Konsep Inti

Saling bertentangan antar tujuan: perbaikan satu tujuan sering menyebabkan degradasi tujuan lain, dan antar tujuan tidak sepenuhnya dapat dibandingkan.
Kendala yang kompleks: kendala keras dan lunak muncul bersamaan, ditambah ketidakpastian dan lingkungan dinamis, keduanya mempersempit ruang layak sehingga asumsi optimum titik tunggal tidak lagi berlaku.
Solusi optimal tunggal umumnya tidak ada: skalarissasi satu tujuan atau pencarian titik tunggal sulit merepresentasikan ruang keputusan yang sebenarnya.
Keluaran seharusnya berupa himpunan solusi: perlu mempertahankan kandidat yang beragam, menyediakan batas trade-off yang dapat dibandingkan serta ruang pemilihan preferensi.
Keunggulan komputasi evolusioner: melalui eksplorasi paralel populasi dan pemeliharaan keragaman, secara simultan mendekati beberapa solusi trade-off, cocok untuk tujuan yang bertentangan dan kendala yang kompleks.

Mengapa Komputasi Evolusioner Cocok

Komputasi evolusioner tidak bergantung pada gradien atau keterdiferensialan fungsi tujuan, melainkan mencari secara paralel melalui populasi di ruang tujuan. Setiap individu dalam populasi mewakili satu solusi kandidat, dan mekanisme seperti pengurutan non-dominan serta jarak kerumunan mempertahankan keragaman solusi sembari mendekati Pareto frontier. Dengan demikian, pengambil keputusan dapat memilih berbagai skema trade-off dari frontier sesuai preferensi skenario pada tahap akhir, alih-alih mengunci bobot prior sebelum optimasi.

Wawasan Kunci

Dalam optimasi multi-tujuan, preferensi pengambil keputusan sering kali baru masuk pada tahap akhir. Komputasi evolusioner terlebih dahulu mendekati seluruh Pareto frontier, mempertahankan sekumpulan solusi non-dominan yang beragam, lalu membiarkan pengambil keputusan memilih sesuai preferensi skenario. Ini lebih tangguh dibandingkan menetapkan bobot secara prior.

Diagram Pareto frontier untuk optimasi multi-tujuan

Amati diagram Pareto frontier untuk optimasi multi-tujuan pada gambar, lalu ceritakan poin-poin penting yang Anda amati.

Pertanyaan 1

Mengenai masalah optimasi multi-tujuan di dunia nyata, pernyataan manakah yang paling tepat?

Tujuan-tujuan sering saling bertentangan, tidak ada solusi tunggal yang membuat semua tujuan optimal secara bersamaan.

Cukup dengan membobotkan multi-tujuan menjadi satu tujuan, kita bisa mendapatkan solusi optimal tunggal dalam ruang keputusan yang sebenarnya.

Selalu ada satu solusi optimal tunggal yang membuat semua tujuan mencapai kondisi optimal secara bersamaan.

Masalah multi-tujuan hanya melibatkan dua tujuan; lebih dari dua tujuan tidak dapat dimodelkan.

Pertanyaan 2

Dalam relasi dominasi Pareto, apa arti solusi A mendominasi solusi B?

A tidak lebih buruk dari B pada semua tujuan, dan setidaknya lebih baik secara ketat dari B pada satu tujuan.

A dan B sepenuhnya identik pada semua tujuan.

A adalah solusi optimal tunggal secara global.

A lebih baik dari B pada setidaknya satu tujuan, sedangkan tujuan lainnya bisa jauh lebih buruk.

Pertanyaan 3

Mengapa metode skalarissasi satu tujuan (seperti penjumlahan berbobot) sulit menggambarkan ruang keputusan multi-tujuan yang sebenarnya?

Metode skalarissasi hanya dapat menangani dua tujuan.

Bobot sulit ditetapkan secara wajar, dan bobot yang berbeda hanya menghasilkan sejumlah solusi terbatas pada frontier, sehingga berpotensi melewatkan bagian frontier yang non-konveks.

Metode skalarissasi pasti lebih lambat secara komputasi dibandingkan algoritma evolusioner.

Metode skalarissasi tidak dapat menangani kendala apa pun.

Pertanyaan 4

Apa keunggulan utama komputasi evolusioner dalam menangani konflik multi-tujuan dan kendala yang kompleks?

Pencarian paralel populasi dan pemeliharaan keragaman, dapat mendekati beberapa solusi trade-off secara simultan.

Tuntutan terhadap keterdiferensialan fungsi tujuan rendah, tetapi hanya dapat menangani masalah tanpa kendala.

Harus bergantung pada informasi gradien untuk memperbarui populasi.

Setiap iterasi hanya menghasilkan satu solusi tunggal, sehingga memudahkan konvergensi cepat.

Pertanyaan 5

Dalam rekayasa sistem AI, meningkatkan akurasi model biasanya menambah latensi inferensi dan biaya komputasi. Menghadapi konflik ini, tindakan yang wajar adalah?

Hanya mengoptimalkan akurasi, mengabaikan latensi dan biaya.

Mencari sekumpulan solusi trade-off Pareto, lalu memilih skema berdasarkan preferensi skenario (misalnya prioritas real-time atau prioritas akurasi).

Meninggalkan pemodelan multi-tujuan, memilih satu skema secara acak.

Menjumlahkan akurasi, latensi, dan biaya secara sederhana menjadi satu skor, lalu mengambil skema dengan skor tertinggi.

Studi Kasus: Keputusan Trade-off dalam Penerapan Model AI Multi-Tujuan

Bacalah skenario berikut dan jawab pertanyaannya.

Sebuah tim perlu menerapkan model bahasa besar ke perangkat edge. Mereka ingin mengoptimalkan tiga tujuan sekaligus: memaksimalkan akurasi tugas, meminimalkan latensi inferensi, dan meminimalkan konsumsi energi. Ketiga tujuan ini saling bertentangan: meningkatkan akurasi biasanya memerlukan model yang lebih besar atau komputasi yang lebih banyak, sehingga menambah latensi dan konsumsi energi; menurunkan latensi dan konsumsi energi dapat mengorbankan akurasi. Selain itu, memori perangkat terbatas (kendala keras), bandwidth jaringan berfluktuasi dan mungkin terputus (lingkungan dinamis dan ketidakpastian). Tim berencana menggunakan komputasi evolusioner untuk mencari konfigurasi penerapan (seperti rasio pemangkasan model, lebar bit kuantisasi, ukuran batch, strategi cache, dan lain-lain).

Identifikasikan tujuan, kendala, serta sumber ketidakpastian dalam masalah ini, dan jelaskan mengapa tidak ada solusi optimal tunggal.

Jawaban:
Tujuannya adalah memaksimalkan akurasi, meminimalkan latensi, dan meminimalkan konsumsi energi (tiga tujuan); kendala keras mencakup batas memori perangkat, kendala lunak dapat mencakup anggaran energi dan bandwidth; sumber ketidakpastian mencakup fluktuasi bandwidth jaringan, pemutusan koneksi, perubahan beban, dan lain-lain. Karena tujuan-tujuan saling bertentangan dan tidak sepenuhnya dapat dibandingkan, memperbaiki salah satu tujuan sering menyebabkan tujuan lain terdegradasi, sehingga tidak ada solusi optimal tunggal yang membuat semua tujuan optimal secara bersamaan; yang dapat diperoleh hanyalah sekumpulan solusi trade-off Pareto.

Bagaimana tim dapat memanfaatkan komputasi evolusioner untuk mendekati Pareto frontier dan memilih solusi akhir saat mengambil keputusan? Jelaskan dengan mengaitkan keragaman populasi, relasi dominasi, serta informasi titik knee/preferensi.

Jawaban:
Komputasi evolusioner melalui pencarian paralel populasi mempertahankan beberapa solusi non-dominan secara simultan di ruang tujuan, memanfaatkan relasi dominasi dan pengurutan non-dominan (seperti pengurutan non-dominan cepat dan jarak kerumunan dalam NSGA-II) untuk menjaga keragaman, serta secara bertahap mendekati Pareto frontier. Pemilihan solusi akhir dapat menggabungkan gagasan titik knee (titik belok)—di mana memperbaiki satu tujuan lebih lanjut di sekitar titik tersebut memerlukan pengorbanan besar—serta preferensi skenario (misalnya jika real-time menjadi prioritas, pilih rentang latensi rendah; jika akurasi menjadi prioritas, pilih rentang akurasi tinggi) untuk mengambil keputusan. Selain itu, kendala keras dapat ditangani dengan aturan kelayakan atau fungsi penalti, sedangkan untuk lingkungan dinamis dapat diperkenalkan evolusi online atau optimasi robust.