11

Papel Decisório do Especialista de Domínio e Avaliação de Soluções

AI999第3课:现实世界的复杂性与多目标权衡
00:00

Noprocesso de exploração multiobjetivodo EvoX, o sistema automatizado e o especialista de domínio não se substituem mutuamente, mas atuam como dois motores que colaboram com divisão de tarefas: o sistema é responsável por "gerar e filtrar", e o especialista por "julgar e decidir". O sistema expande as possibilidades, e o especialista as converge em uma escolha entregável.

Essa divisão de tarefas dá continuidade à origem técnica da Lição 2: o EvoX surge do reencontro entre o simbolismo, o conexionismo, a cibernética e acomputação evolutiva, sendo a computação evolutiva a origem técnica mais direta — ela não especifica previamente uma resposta única, mas, por meio de mutação e seleção, equilibra múltiplos objetivos conflitantes em avaliações reais. Por isso, o lado do sistema é naturalmente adequado ao paralelismo: os candidatos de uma população podem ser gerados e avaliados simultaneamente. A engenharia tradicional foi, por muito tempo, limitada pelo "alto custo de preservar adiversidadee pela complexidade do agendamento sequencial", e a exploração paralela em larga escala e a geração inteligente proporcionadas pelas GPUs e pelos grandes modelos são justamente a base de engenharia que atenua esse conflito.

Geração do Sistema · Decisão do EspecialistaDivisão de responsabilidades e ciclo de avaliação de soluções na exploração multiobjetivoLado do sistema · Expandir as possibilidadesLado do especialista · Convergir as possibilidadesSistema AutomatizadoLado do sistema · Gerar e filtrarGeração de candidatos em larga escalaEvolução populacional · Amostragem paralelaPrevisão por modelo substitutoEstimativa de desempenho e restriçõesCaracterização da fronteira de ParetoVisualização das relações de trade-offManutenção da diversidadeEvitar convergência prematuraResponde "quais são as possibilidades"Especialista de DomínioLado do especialista · Julgar e decidirInjeção de preferências · Prioridade dos objetivosBase de ordenação entre ganhos e custosRestrições rígidas · Tolerância ao riscoRequisitos mínimos e risco aceitávelAvaliação da adequação ao cenário realTolerância de fabricação · Perfil de missãoEscolha final e assunção de responsabilidadeResponde "qual escolher e por quê"Saída do sistema: conjunto de candidatosPrevisões quantitativas · Confiança · DiversidadeMatriz de avaliação de soluçõesÓtimo de objetivo único ≠ solução entregávelGanho de desempenhoCustos de engenharia e fabricaçãoRobustez · ManutenibilidadeIncerteza · ConfiabilidadeVeto por limiarTrade-off entre ganho e custoAnálise de sensibilidadePrimeiro vetar falhas críticas, depois ponderar ganhos e custos, e por fim verificar a robustezCandidatosAvaliaçãoRetorno dos motivos da escolha → próxima rodada de busca evolutivaPreferências / Restrições / Sinais de avaliação

Divisão de responsabilidades: quem gera e quem decide

  • Lado do sistema: realiza a geração de candidatos em larga escala, a previsão por modelos substitutos, a caracterização da fronteira de Pareto e a manutenção da diversidade, respondendo "quais são as possibilidades".
  • Lado do especialista: determina a prioridade dos objetivos, as restrições rígidas, a tolerância ao risco e a adequação ao cenário real, respondendo "qual escolher e por quê".

Dimensões de avaliação: o ótimo de objetivo único não equivale a uma solução entregável

A avaliação de soluções deve converter oGanho de desempenhoe ocusto de engenhariaem bases de decisão explicáveis e auditáveis. Além do ganho de desempenho, é preciso considerar ao menos, simultaneamente, os custos de computação e fabricação, a robustez, a manutenibilidade, a incerteza e a confiabilidade das conclusões sob feedback esparso. Observar apenas o ótimo de objetivo único costuma levar à escolha de soluções inviáveis na prática ou extremamente frágeis a perturbações; já em problemas com objetivos conflitantes e restrições complexas, é justamente a avaliação multidimensional que faz com que os múltiplos candidatos preservados pela busca evolutiva revelem seus respectivos cenários de aplicação.

Método de decisão: transformar a experiência de domínio em lógica verificável

Por meio de preferências explícitas, avaliação hierárquica, matrizes de decisão, itens de veto por limiar e análise de sensibilidade, a experiência de domínio pode ser expressa como regras de escolha verificáveis e reproduzíveis. Uma ordem comum é: primeiro vetar, com base nas restrições rígidas, os candidatos que violam os requisitos mínimos; depois ponderar ganho e custo dos candidatos restantes; por fim, usar a análise de sensibilidade para confirmar se a conclusão é robusta a perturbações nos pesos.

Feedback esparso e ciclo de responsabilidade

Quando a avaliação de alta fidelidade é cara e o feedback é esparso, o especialista precisa decidir, com base na confiança do modelo substituto, na diversidade dos candidatos e nos padrões de falha já observados, se deve revisar, reamostrar ou encerrar a busca, em vez de aceitar cegamente a "solução ótima" fornecida pelo modelo substituto. A escolha da solução final e a assunção dos riscos cabem ao especialista de domínio; os motivos da escolha devem retornar como preferências, restrições ou sinais de avaliação, orientando a próxima busca evolutiva e formando um ciclo de responsabilidade.

Exemplo de aplicação
No projeto multiobjetivo de um aerofólio supercrítico, o sistema gera um conjunto de soluções candidatas que equilibram arrasto, sustentação e estabilidade; o especialista, considerando os custos de túnel de vento e simulação, as tolerâncias de fabricação e o perfil de missão, elimina primeiro as que violam restrições rígidas, pondera ganho e custo das soluções restantes, seleciona algumas para verificação de alta fidelidade e registra os motivos desta rodada como preferências e restrições para a próxima.