実世界の複雑さと多目的の衝突

実世界の AI システムエンジニアリングでは、目的が一つだけの問題に出会うことはほとんどありません。モデル精度を高めれば推論遅延と計算コストが増加し、ロバスト性を強化すればピーク性能を犠牲にし、消費電力を削減すればモデル容量が制限される可能性があります。これらの目的は互いに牽制し合い、完全には比較衡量できないため、唯一の最適解は存在せず、存在するのは一組の非支配なトレードオフ解——すなわち Pareto フロンティアに近づく解集合です。

中核概念

• 多目的の牽制：一つの目的の改善が別の目的の悪化を招くことが多く、目的同士は完全には比較衡量できない。
• 制約の複雑さ：ハード制約とソフト制約が併存し、さらに不確実性と動的環境が重なることで実行可能領域が狭まり、単一点最適という仮定が成り立たなくなる。
• 唯一の最適解は通常存在しない：単目的スカラー化や単一点探索では、真の意思決定空間を表現するのは難しい。
• 出力は解集合であるべき：多様な候補を保持し、比較可能なトレードオフ境界と選好に基づく選択の余地を提供する必要がある。
• 進化計算の優位性：集団による並行探索と多様性の維持を通じて、複数のトレードオフ解に同時に接近でき、衝突する目的と複雑な制約に適応する。

進化計算が適している理由

進化計算は目的関数の勾配や微分可能性に依存せず、集団によって目的空間を並行探索します。集団内の各個体は一つの候補案を表し、非支配ソートや混雑距離などの仕組みが Pareto フロンティアへ接近しながら解の多様性を維持します。これにより、意思決定者は最適化の前に事前の重みを固定するのではなく、最終段階で場面の選好に応じてフロンティア上の異なるトレードオフ解を選択できます。