현실 세계의 AI 시스템 엔지니어링에서는 목표가 단 하나뿐인 문제를 거의 만나지 않습니다. 모델 정확도를 높이면 추론 지연과 연산 비용이 증가하는 경우가 많고, 견고성을 강화하면 최고 성능을 희생할 수 있으며, 에너지 소비를 줄이면 모델 용량이 제한될 수 있습니다. 이러한 목표들은 서로 얽혀 있어 완전히 비교 형량할 수 없으므로,유일한 최적해는 존재하지 않으며,오직 한 무리의비지배적 트레이드오프 해—즉, Pareto 프런트에 근접하는 해들만이 존재합니다.
핵심 개념
- 다목표 상충: 한 목표의 개선은 흔히 다른 목표의 퇴보를 초래하며, 목표 간에는 완전한 비교 형량이 불가능합니다.
- 복잡한 제약: 하드 제약과 소프트 제약이 공존하고, 불확실성과 동적 환경이 더해져 실현 가능 영역을 압축함으로써 단일 점 최적 가정이 성립하지 않게 됩니다.
- 유일한 최적해는 일반적으로 존재하지 않음: 단일 목표 스칼라화나 단일 점 탐색으로는 실제 의사결정 공간을 표현하기 어렵습니다.
- 출력은 방안 집합이어야 함: 다양한 후보를 유지하고, 비교 가능한 트레이드오프 경계와 선호 선택의 여지를 제공해야 합니다.
- 진화 연산의 강점: 개체군 병렬 탐색과 다양성 유지를 통해 여러 트레이드오프 해에 동시에 접근하며, 상충하는 목표와 복잡한 제약에 적합합니다.
진화 연산이 적합한 이유
진화 연산은 목적 함수의 기울기나 미분 가능성에 의존하지 않고, 개체군을 통해 목표 공간에서 병렬로 탐색합니다. 개체군의 각 개체는 하나의 후보 방안을 나타내며, 비지배 정렬과 혼잡 거리 등의 메커니즘이 Pareto 프런트에 접근하는 동시에 해의 다양성을 유지합니다. 이로써 의사결정자는 최적화 이전에 사전 가중치를 고정하는 대신, 마지막 단계에서 시나리오 선호에 따라 프런트상의 다양한 트레이드오프 방안을 선택할 수 있습니다.
핵심 통찰
다목표 최적화에서는 의사결정자의 선호가 대개 마지막 단계에서야 개입됩니다. 진화 연산은 먼저 전체 Pareto 프런트에 접근하여 다양한 비지배해 집합을 확보한 후, 의사결정자가 시나리오 선호에 따라 선택하도록 합니다. 이는 사전에 가중치를 설정하는 것보다 더 견고합니다.
다목표 최적화 Pareto 프런트 개념도그림의 다목표 최적화 Pareto 프런트 개념도를 관찰하고, 관찰한 핵심 사항을 말해 보세요.
다목표 최적화 Pareto 프런트 개념도
그림의 다목표 최적화 Pareto 프런트 개념도를 관찰하고, 관찰한 핵심 사항을 말해 보세요.
