Nell'ingegneria dei sistemi di IA del mondo reale, è quasi impossibile incontrare problemi con un solo obiettivo. Migliorare la precisione del modello spesso aumenta la latenza di inferenza e i costi computazionali; rafforzare la robustezza può sacrificare le prestazioni di picco; ridurre il consumo energetico può limitare la capacità del modello. Questi obiettivi si vincolano a vicenda e non sono pienamente commensurabili, perciònon esiste un'unica soluzione ottima, ma solo un insieme disoluzioni di compromesso non dominate— ovvero che si avvicinano al fronte di Pareto.
Concetti chiave
- Conflitto multi-obiettivo: il miglioramento di un obiettivo spesso peggiora un altro; gli obiettivi non sono pienamente commensurabili tra loro.
- Vincoli complessi: vincoli rigidi e vincoli morbidi coesistono e, sommandosi a incertezza e ambiente dinamico, restringono insieme lo spazio ammissibile, invalidando l'ipotesi di ottimo puntuale.
- Di norma non esiste un'unica soluzione ottima: la scalarizzazione mono-obiettivo o la ricerca a punto singolo difficilmente riescono a rappresentare il reale spazio decisionale.
- L'output dovrebbe essere un insieme di soluzioni: occorre preservare candidati diversificati, offrendo un confine di compromesso confrontabile e uno spazio di scelta basato sulle preferenze.
- Vantaggi del calcolo evolutivo: tramite l'esplorazione parallela della popolazione e il mantenimento della diversità, si avvicina simultaneamente a più soluzioni di compromesso, adattandosi a obiettivi in conflitto e vincoli complessi.
Perché il calcolo evolutivo è adatto
Il calcolo evolutivo non dipende dal gradiente o dalla differenziabilità della funzione obiettivo, ma effettua una ricerca parallela nello spazio degli obiettivi tramite una popolazione. Ogni individuo della popolazione rappresenta una soluzione candidata e meccanismi come l'ordinamento non dominato e la distanza di affollamento mantengono la diversità delle soluzioni mentre si avvicinano al fronte di Pareto. In questo modo, i decisori possono scegliere diverse soluzioni di compromesso dal fronte in base alle preferenze del contesto nella fase finale, invece di fissare un peso a priori prima dell'ottimizzazione.
Schema del fronte di Pareto nell'ottimizzazione multi-obiettivoOsserva lo schema del fronte di Pareto nell'ottimizzazione multi-obiettivo e indica i punti salienti che hai notato.
