현실 세계에서 최적화 문제는목표가 하나뿐인 경우가 거의 없고, 정답도 하나뿐인 경우가 드뭅니다. 동일한 시스템이 성능, 지연 시간, 에너지 소비, 비용을 동시에 고려해야 하는 경우가 많으며, 이러한 목표들은 서로 얽혀 있어 하나를 개선하려면 다른 하나를 희생해야 하는 경우가 많습니다. 따라서 EvoX의 가치는 어떤 '유일한 최적해'에 더 빨리 수렴하는 데 있는 것이 아니라,서로 차별화된 후보 해 집합을 유지하는 것에 있습니다. 이를 통해 연구자는 제약 조건 내에서 이익과 비용을 비교하고 지속적으로 탐색할 수 있습니다.
현실 세계에서 유일한 최적해를 찾기 어려운 이유
- 목표와 제약은 상황에 따라 변합니다: 오프라인 평가용, 모바일용, 고동시성 온라인 서비스용은 우선 목표가 완전히 달라 동일한 구성으로 동시에 우위를 점하기 어렵습니다.
- 제약에는 위반할 수 없는 경계가 있습니다: 종단 간 지연 시간 상한, 단위 추론 비용 예산, VRAM 및 전력 상한 등은 후보 해가 반드시 충족해야 하는 경계이며, '전반적으로 더 좋다'는 이유로 맞바꿀 수 있는 협상 카드가 아닙니다.
- 다목표 간 상호 견제: 정밀도 향상 → 연산량과 에너지 소비 증가 → 지연 시간과 비용 증가, 지연 시간을 줄이려면 → 정밀도 하락을 감수해야 하는 경우가 많습니다. 공짜 개선은 없습니다.
비지배해와 파레토 프런트
두 후보가 서로 절대적인 우열을 가릴 수 없을 때 비로소 진정한 선택의 공간이 형성됩니다. 판정 방법은 매우 간단합니다. 한 후보가 모든 목표에서 다른 후보보다 나쁘지 않고, 적어도 하나의 목표에서 더 우수하다면 다른 후보는지배된 해로서 다음 라운드에서 제거될 수 있습니다. 반대로 둘이 서로를 지배하지 않는다면 둘 다 후보 집합에 남겨야 합니다. 서로를 지배하지 않는 모든 후보를 연결하면 파레토 프런트가 형성되며, 이는 '하나를 개선하기 위해 다른 하나를 얼마나 희생해야 하는가'라는 교환 관계를 온전히 보존합니다.
연구자의 핵심 질문
- 무엇을 변경할 수 있는가? — 모델 구조, 증류 전략, 양자화 비트 폭, 배치 크기, 아니면 서비스 스케줄링 전략인가?
- 어떤 피드백이 변화가 실제로 효과적임을 보여주는가? — 오프라인 정밀도, 온라인 지연 시간 분위수, 단위 비용, 아니면 리소스 사용 곡선인가?
- 어떤 제약을 위반해서는 안 되는가? — Hard 지연 시간 상한, 비용 예산, 규정 준수 및 보안 경계.
- 비교가 공정한가? — 동일한 하드웨어, 동일한 트래픽 분포, 동일한 평가 기준으로 비교했는가.
- 결과가 결론을 뒷받침하기에 충분한가? — 샘플 수와 온라인 트래픽 커버리지가 충분한지, 결론이 재현 가능한지.
- 다음 라운드에서 무엇을 유지하고 무엇을 포기할 것인가? — 지배된 해는 제거하고, 서로 지배하지 않는 차별화된 후보는 유지합니다.
코드보다 판단력이 더 희소합니다
인공지능은 답을 빠르게 구현하도록 도와줄 수 있지만, '어떤 문제가 답할 가치가 있는지, 어떤 증거를 믿을 수 있는지, 어떤 결과가 충분히 좋은지'는 여전히 연구자가 결정해야 합니다. 코드는 저렴하고, 안목과 판단력이 핵심입니다. 시스템을 실제 환경에 투입하고 실제 피드백을 받아들이며, 장기 운영 속에서 끊임없이 개선을 만들어내고 검증하고 유지하도록 하십시오.
다목표 트레이드오프와 파레토 프런트그림은 후보를 성능, 지연 시간, 에너지 소비, 비용 등 여러 차원에서 비교합니다. 한 후보가 모든 목표에서 나쁘지 않고 적어도 하나에서 더 우수하다면, 다른 후보는 지배된 해로서 다음 라운드에서 제거될 수 있습니다. 서로 지배하지 않는 후보들이 함께 파레토 프런트를 구성하며, 하나를 개선하기 위해 다른 하나를 희생해야 하는 교환 관계를 온전히 보존합니다.
다목표 트레이드오프와 파레토 프런트
그림은 후보를 성능, 지연 시간, 에너지 소비, 비용 등 여러 차원에서 비교합니다. 한 후보가 모든 목표에서 나쁘지 않고 적어도 하나에서 더 우수하다면, 다른 후보는 지배된 해로서 다음 라운드에서 제거될 수 있습니다. 서로 지배하지 않는 후보들이 함께 파레토 프런트를 구성하며, 하나를 개선하기 위해 다른 하나를 희생해야 하는 교환 관계를 온전히 보존합니다.
