ในโลกจริง ปัญหาการปรับให้เหมาะสมแทบไม่เคยมีเป้าหมายเพียงข้อเดียวและแทบไม่เคยมีคำตอบเพียงข้อเดียว ระบบเดียวกันมักต้องดูแลทั้งประสิทธิภาพ ความหน่วง พลังงาน และต้นทุนไปพร้อมกัน เป้าหมายเหล่านี้ดึงรั้งกันและกัน การปรับปรุงด้านหนึ่งมักต้องแลกกับการสูญเสียอีกด้านหนึ่ง ดังนั้นคุณค่าของ EvoX จึงไม่ได้อยู่ที่การลู่เข้าไปสู่ "คำตอบที่ดีที่สุดเพียงหนึ่งเดียว" ได้เร็วขึ้น แต่อยู่ที่การเก็บรักษากลุ่มตัวเลือกที่มีความแตกต่างหลากหลายไว้เพื่อให้นักวิจัยสามารถเปรียบเทียบผลตอบแทนกับต้นทุนภายใต้ข้อจำกัด และค้นหาต่อไปอย่างต่อเนื่อง
ทำไมโลกจริงจึงยากที่จะมีคำตอบที่ดีที่สุดเพียงหนึ่งเดียว
- เป้าหมายและข้อจำกัดเปลี่ยนแปลงตามสถานการณ์: สำหรับการประเมินแบบออฟไลน์ สำหรับอุปกรณ์มือถือ และสำหรับบริการออนไลน์ที่มีการเข้าถึงพร้อมกันสูง ทั้งสามกรณีมีเป้าหมายลำดับความสำคัญที่แตกต่างกันโดยสิ้นเชิง การตั้งค่าเดียวกันแทบเป็นไปไม่ได้ที่จะเอาชนะได้พร้อมกันทั้งหมด
- ข้อจำกัดมีขอบเขตที่ไม่อาจละเมิดได้: ขีดจำกัดความหน่วงแบบ end-to-end งบประมาณต้นทุนการอนุมานต่อหน่วย ขีดจำกัดหน่วยความจำ GPU และการใช้พลังงาน ถือเป็นขอบเขตที่ตัวเลือกต้องปฏิบัติตาม ไม่ใช่สิ่งที่สามารถแลกเปลี่ยนได้ด้วยคำว่า "ดีกว่าโดยรวม"
- เป้าหมายหลายด้านดึงรั้งกันและกัน: ความแม่นยำเพิ่มขึ้น → ปริมาณการคำนวณและพลังงานสูงขึ้น → ความหน่วงและต้นทุนสูงขึ้น; ในทางกลับกัน การลดความหน่วง → มักต้องยอมรับความแม่นยำที่ลดลง ไม่มีการปรับปรุงใดที่ได้มาฟรี
คำตอบที่ไม่ถูกครอบงำและพรมแดนพาเรโต
เมื่อตัวเลือกสองตัวไม่สามารถเปรียบเทียบกันได้อย่างเด็ดขาดว่าดีหรือแย่กว่า พวกมันจึงก่อให้เกิดพื้นที่การเลือกที่แท้จริง วิธีการตัดสินนั้นตรงไปตรงมา: หากตัวเลือกหนึ่งไม่แย่กว่าอีกตัวในทุกเป้าหมาย และดีกว่าในอย่างน้อยหนึ่งเป้าหมาย ตัวเลือกอีกตัวก็คือคำตอบที่ถูกครอบงำซึ่งสามารถคัดออกได้ในรอบถัดไป; ในทางกลับกัน หากทั้งสองไม่ครอบงำกัน ทั้งคู่ก็ควรถูกเก็บไว้ในชุดตัวเลือก เมื่อนำตัวเลือกที่ไม่ครอบงำกันทั้งหมดมาเชื่อมต่อกัน จะเกิดเป็นพรมแดนพาเรโต — ซึ่งเก็บรักษาความสัมพันธ์ของการแลกเปลี่ยน "การปรับปรุงด้านหนึ่งต้องแลกด้วยอีกด้านหนึ่งเท่าใด" ไว้อย่างครบถ้วน
คำถามสำคัญสำหรับนักวิจัย
- อะไรบ้างที่สามารถเปลี่ยนแปลงได้? — โครงสร้างโมเดล กลยุทธ์การกลั่นความรู้ ความกว้างบิตของการควอนไทซ์ ขนาดแบตช์ หรือกลยุทธ์การจัดตารางบริการ?
- ผลตอบรับใดที่บ่งชี้ว่าการเปลี่ยนแปลงได้ผลจริง? — ความแม่นยำแบบออฟไลน์ เปอร์เซ็นไทล์ความหน่วงออนไลน์ ต้นทุนต่อหน่วย หรือเส้นทางการใช้ทรัพยากร?
- ข้อจำกัดใดที่ไม่สามารถละเมิดได้? — ขีดจำกัดความหน่วงแบบตายตัว งบประมาณต้นทุน ขอบเขตการปฏิบัติตามกฎระเบียบและความปลอดภัย
- การเปรียบเทียบยุติธรรมหรือไม่? — เปรียบเทียบบนฮาร์ดแวร์เดียวกัน การกระจายทราฟฟิกเดียวกัน และเกณฑ์การประเมินเดียวกันหรือไม่
- ผลลัพธ์เพียงพอต่อการสนับสนุนข้อสรุปหรือไม่? — ขนาดตัวอย่างและการครอบคลุมทราฟฟิกออนไลน์เพียงพอหรือไม่ ข้อสรุปสามารถทำซ้ำได้หรือไม่
- รอบถัดไปจะเก็บอะไรไว้ ทิ้งอะไรไป? — คัดคำตอบที่ถูกครอบงำออก เก็บตัวเลือกที่แตกต่างและไม่ครอบงำกันไว้
การ权衡เป้าหมายหลายด้านและพรมแดนพาเรโตในภาพ ตัวเลือกต่างๆ ถูกเปรียบเทียบในหลายมิติ เช่น ประสิทธิภาพ ความหน่วง พลังงาน และต้นทุน: หากตัวเลือกหนึ่งไม่แย่กว่าอีกตัวในทุกเป้าหมาย และดีกว่าในอย่างน้อยหนึ่งเป้าหมาย อีกตัวก็คือคำตอบที่ถูกครอบงำและสามารถคัดออกในรอบถัดไป ตัวเลือกที่ไม่ครอบงำกันจะร่วมกันก่อให้เกิดพรมแดนพาเรโต ซึ่งเก็บรักษาความสัมพันธ์ของการแลกเปลี่ยนที่ต้องเสียสละด้านหนึ่งเพื่อปรับปรุงอีกด้านหนึ่งไว้อย่างครบถ้วน
