Agregasi preferensi menggabungkan berbagai preferensi individu menjadi keputusan kolektif, sementara pemodelan prediksi individu memperkirakan perilaku pribadi menggunakan pembelajaran mesin pada data pengguna tunggal. Keduanya memiliki tujuan yang berbeda dalam sistem AI, mulai dari mesin rekomendasi hingga platform pemungutan suara demokratis.
Menggabungkan berbagai preferensi individu untuk menghasilkan keputusan atau peringkat kolektif.
Menggunakan pembelajaran mesin untuk memprediksi perilaku masa depan seseorang berdasarkan data historisnya.
| Fitur | Agregasi Preferensi | Pemodelan Prediksi Individu |
|---|---|---|
| Tujuan Utama | Mensintesis pilihan kolektif dari berbagai masukan. | Meramalkan tindakan seseorang di masa depan. |
| Struktur Data | Beberapa profil atau peringkat preferensi | Jejak perilaku longitudinal pengguna tunggal |
| Landasan Teoretis Utama | Teori pilihan sosial dan ekonomi kesejahteraan | Teori pembelajaran statistik dan inferensi kausal |
| Kepedulian terhadap Keadilan | Keadilan prosedural di antara para pemilih atau peserta. | Perlakuan adil dan non-diskriminasi di tingkat individu. |
| Format Keluaran | Peringkat kolektif, pemenang, atau distribusi probabilitas | Estimasi titik, probabilitas, atau rekomendasi keputusan |
| Tantangan Skalabilitas | Kompleksitas komputasi dalam menggabungkan preferensi yang jumlahnya eksponensial. | Data yang minim dan proses "cold-start" bagi pengguna baru. |
| Aplikasi Khas | Sistem rekomendasi, platform pemungutan suara, AI ensemble | Penilaian kredit, prediksi pelanggan yang berhenti berlangganan, pengobatan personalisasi |
| Metrik Evaluasi | Efisiensi Condorcet, skor Borda, fungsi kesejahteraan sosial | AUC-ROC, presisi-recall, kesalahan kalibrasi, skor Brier |
Agregasi preferensi pada dasarnya mempertanyakan apa yang diinginkan suatu kelompok, memperlakukan preferensi individu sebagai masukan untuk fungsi pengambilan keputusan kolektif. Akar filosofisnya dapat ditelusuri kembali ke kehendak umum Rousseau dan kalkulus utilitarian Bentham. Pemodelan prediksi individu, sebaliknya, memperlakukan individu sebagai unit analisis—apa yang akan dilakukan individu spesifik ini selanjutnya? Yang pertama menekankan legitimasi demokratis dan kesejahteraan sosial; yang kedua mengoptimalkan akurasi prediksi dan intervensi yang dapat ditindaklanjuti.
Teori pilihan sosial menyediakan landasan matematis untuk agregasi preferensi, dengan hasil-hasil penting dari Condorcet, Borda, Arrow, dan Sen yang membentuk apa yang kita yakini dapat dicapai. Pemodelan prediksi individual mengambil inspirasi dari teori pembelajaran statistik, di mana dimensi Vapnik-Chervonenkis dan kompleksitas Rademacher membatasi kesalahan generalisasi. Menariknya, metode ensemble seperti bagging dan boosting menciptakan jembatan: mereka menggabungkan prediksi dari banyak pembelajar lemah, memadukan kedua paradigma tersebut.
Keadilan agregasi menyangkut apakah proses tersebut menghormati peserta secara setara—apakah aturan pemungutan suara memberikan pengaruh yang tidak proporsional kepada siapa pun? Keadilan prediksi individual mempertanyakan apakah individu yang serupa menerima prediksi yang serupa, yang sering kali diformalkan melalui kesetaraan demografis atau peluang yang disamakan. Gagasan keadilan ini dapat bertentangan; metode agregasi yang secara sempurna mencerminkan preferensi mayoritas mungkin secara sistematis merugikan kelompok minoritas.
Menerapkan agregasi preferensi dalam skala besar membutuhkan penanganan kompleksitas komputasi: agregasi optimal Kemeny adalah NP-hard, dan bahkan solusi perkiraan pun membutuhkan algoritma yang canggih. Model prediksi individual menghadapi rintangan yang berbeda—rekayasa fitur untuk data perilaku yang jarang, menangani pergeseran konsep seiring evolusi preferensi pengguna, dan menjaga kesegaran model tanpa biaya pelatihan ulang yang berlebihan. Keduanya membutuhkan perhatian cermat terhadap infrastruktur data, tetapi kendala rekayasanya berbeda secara signifikan.
Menilai kualitas agregasi melibatkan analisis aksiomatik—apakah suatu metode memenuhi independensi alternatif yang tidak relevan, efisiensi Pareto, atau non-kediktatoran? Secara empiris, fungsi kesejahteraan sosial mengukur seberapa besar utilitas yang dicapai oleh kolektif. Model prediksi individual menggunakan metrik kinerja prediktif, namun hal ini dapat menyesatkan: model yang dikalibrasi dengan sempurna mungkin masih menghasilkan keputusan yang merugikan jika diterapkan tanpa mempertimbangkan konsekuensi kontrafaktual dari tindakan berdasarkan prediksi.
Penggabungan preferensi selalu menghasilkan opsi yang paling disukai banyak orang.
Paradoks Condorcet dan teorema Arrow mengungkapkan bahwa preferensi mayoritas dapat berputar secara intransitif, dan tidak ada metode yang memenuhi semua kriteria keadilan intuitif. Kandidat yang mengalahkan setiap kandidat lain dalam pencocokan berpasangan mungkin tidak ada, sehingga memaksa adanya kompromi di antara sifat-sifat yang diinginkan.
Model prediksi individual memprediksi apa yang sebenarnya akan dilakukan orang.
Model-model ini memprediksi perilaku berdasarkan pola historis, bukan pilihan masa depan yang sebenarnya. Orang berubah, konteks bergeser, dan prediksi menjadi kontraproduktif jika digunakan secara intervensi—memprediksi seseorang akan berhenti berlangganan dan kemudian menawarkan insentif untuk mempertahankan mereka justru mengubah hasil yang diprediksi.
Metode agregasi bersifat netral dan bebas dari bias.
Setiap aturan agregasi mengkodekan nilai-nilai tentang preferensi siapa yang penting dan bagaimana konflik diselesaikan. Pemungutan suara mayoritas menguntungkan kelompok minoritas yang terkonsentrasi; penghitungan Borda menghargai penerimaan luas. Pilihan metode pada dasarnya bersifat politis, bukan hanya teknis.
Semakin banyak data, semakin baik prediksi individual.
Setelah titik tertentu, fitur tambahan akan menimbulkan gangguan, biaya komputasi, dan risiko privasi. Variabel yang tidak relevan menyebabkan overfitting, dan data historis dari perubahan keadaan menurunkan relevansi model. Memilih apa yang harus dikecualikan seringkali sama pentingnya dengan apa yang harus disertakan.
Kedua pendekatan ini tidak pernah tumpang tindih dalam praktiknya.
Penyaringan kolaboratif dalam sistem rekomendasi secara eksplisit menggabungkannya—menggabungkan preferensi pengguna yang serupa untuk memprediksi pilihan individu. Metode ensemble menggabungkan banyak model individual. Batasan-batasan tersebut menjadi kabur dalam arsitektur AI yang canggih.
Keadilan dalam agregasi berarti setiap orang mendapatkan apa yang mereka inginkan.
Kesepakatan bulat sangat jarang terjadi, dan efisiensi Pareto hanya menjamin bahwa tidak ada yang dapat melakukan perbaikan tanpa merugikan orang lain. Agregasi yang sebenarnya melibatkan pihak yang kalah dan adanya kompromi; keadilan menyangkut proses dan proporsionalitas, bukan kepuasan universal.
Pilih agregasi preferensi ketika keputusan memengaruhi kelompok dan legitimasi membutuhkan penggabungan beragam sudut pandang secara demokratis. Pilih pemodelan prediksi individual ketika menyesuaikan intervensi, produk, atau layanan untuk orang-orang tertentu dan ketika peramalan perilaku yang terperinci mendorong nilai. Banyak sistem di dunia nyata, mulai dari mesin rekomendasi yang dipersonalisasi hingga platform penganggaran partisipatif, dengan cermat menggabungkan kedua pendekatan tersebut.
Adaptasi bahasa dalam AI berfokus pada pengajaran model untuk menangani bahasa tertentu melalui penyempurnaan dan pembelajaran transfer, sementara sistem AI yang tidak bergantung pada bahasa bertujuan untuk memproses bahasa apa pun tanpa pelatihan khusus bahasa. Kedua pendekatan tersebut mengatasi tantangan multibahasa tetapi berbeda secara mendasar dalam arsitektur, data pelatihan, dan penerapan di dunia nyata.
Perbandingan ini menganalisis pilihan strategis dalam pembelajaran mesin antara Adaptasi Domain, yang mentransfer pengetahuan dari lingkungan sumber berlabel ke lingkungan target yang berbeda, dan Pelatihan Dalam Domain, yang membangun model sepenuhnya berdasarkan data yang dikumpulkan dari pengaturan penerapan target yang tepat.
Agen AI berorientasi tugas dibangun untuk menyelesaikan alur kerja spesifik secara mandiri, sementara model bahasa tujuan umum berfungsi sebagai generator teks serbaguna yang merespons berbagai macam perintah. Memilih di antara keduanya bergantung pada apakah Anda membutuhkan eksekusi tugas yang andal atau kecerdasan percakapan yang fleksibel.
Agen AI otonom beroperasi secara independen dengan merencanakan, menalar, dan mengeksekusi tugas multi-langkah dengan masukan manusia minimal, sementara sistem AI berbasis perintah merespons instruksi pengguna individual satu interaksi pada satu waktu. Perbedaan utamanya terletak pada kemampuan bertindak: agen mengejar tujuan lintas sesi, sedangkan sistem berbasis perintah menunggu arahan.
Agen AI personal adalah sistem baru yang bertindak atas nama pengguna, membuat keputusan dan menyelesaikan tugas multi-langkah secara otonom, sementara alat SaaS tradisional bergantung pada alur kerja yang digerakkan pengguna dan antarmuka yang telah ditentukan sebelumnya. Perbedaan utamanya terletak pada otonomi, kemampuan beradaptasi, dan seberapa besar beban kognitif yang dialihkan dari pengguna ke perangkat lunak itu sendiri.
