Pirmenybių agregavimas sujungia kelias individualias pirmenybes į kolektyvinius sprendimus, o individualus prognozavimo modeliavimas prognozuoja asmeninį elgesį naudodamas mašininį mokymąsi su vieno vartotojo duomenimis. Abu šie metodai atlieka skirtingas funkcijas dirbtinio intelekto sistemose – nuo rekomendacijų variklių iki demokratinių balsavimo platformų.
Sujungia kelias individualias nuostatas, kad būtų sukurtas kolektyvinis sprendimas arba reitingas.
Naudoja mašininį mokymąsi, kad prognozuotų vieno asmens būsimą elgesį pagal jo istorinius duomenis.
| Funkcija | Pirmenybių agregavimas | Individualus prognozavimo modeliavimas |
|---|---|---|
| Pagrindinis tikslas | Susintetinti kolektyvinį pasirinkimą iš daugelio įvesčių | Numatykite vieno žmogaus būsimus veiksmus |
| Duomenų struktūra | Keli pageidavimų profiliai arba reitingai | Vieno vartotojo išilginiai elgesio pėdsakai |
| Pagrindinis teorinis pagrindas | Socialinio pasirinkimo teorija ir gerovės ekonomika | Statistinė mokymosi teorija ir priežastinis išvada |
| Sąžiningumo rūpestis | Procedūrinis teisingumas tarp rinkėjų ar dalyvių | Individualus lygmens teisingas elgesys ir nediskriminavimas |
| Išvesties formatas | Kolektyvinis reitingas, nugalėtojas arba tikimybių pasiskirstymas | Taškinis įvertis, tikimybė arba sprendimo rekomendacija |
| Mastelio keitimo iššūkis | Eksponentiškai daug preferencijų agregavimo skaičiavimo sudėtingumas | Reti duomenys ir šaltasis paleidimas naujiems vartotojams |
| Tipinis taikymas | Rekomendavimo sistemos, balsavimo platformos, dirbtinio intelekto ansamblis | Kredito balų skaičiavimas, klientų praradimo prognozavimas, personalizuota medicina |
| Vertinimo metrika | Condorcet efektyvumas, Borda balai, socialinės gerovės funkcijos | AUC-ROC, tikslumo atkūrimas, kalibravimo paklaida, Brier balas |
Pirmenybių agregavimas iš esmės klausia, ko nori grupė, o individualias pirmenybes traktuoja kaip kolektyvinio sprendimo funkcijos įvestis. Filosofinės šaknys siekia Rousseau bendrą valią ir Benthamo utilitarinį skaičiavimą. Individualus prognozavimo modeliavimas, priešingai, asmenį traktuoja kaip analizės vienetą – ką šis konkretus individas darys toliau? Pirmasis pabrėžia demokratinį teisėtumą ir socialinę gerovę; antrasis optimizuoja prognozavimo tikslumą ir veiksmų skatinančią intervenciją.
Socialinio pasirinkimo teorija suteikia matematinį pagrindą preferencijų agregavimui, o Condorcet, Borda, Arrow ir Sen novatoriški rezultatai formuoja tai, kas, mūsų manymu, yra pasiekiama. Individualus prognozavimo modeliavimas remiasi statistine mokymosi teorija, kurioje Vapniko-Chervonenkio dimensija ir Rademacherio sudėtingumo riba grindžiama apibendrinimo paklaida. Įdomu tai, kad ansambliniai metodai, tokie kaip kaupimas ir stiprinimas, sukuria tiltą: jie sujungia daugelio silpnai besimokančiųjų prognozes, sujungdami abi paradigmas.
Agregavimo teisingumas susijęs su tuo, ar procesas vienodai gerbia dalyvius – ar balsavimo taisyklė suteikia kam nors neproporcingai didelę įtaką? Individualaus prognozavimo teisingumas klausia, ar panašūs asmenys gauna panašias prognozes, dažnai įformintas demografine paritetu arba išlygintomis tikimybėmis. Šios teisingumo sąvokos gali prieštarauti viena kitai; agregavimo metodas, kuris puikiai atspindi daugumos pageidavimus, gali sistemingai diskriminuoti mažumų grupes.
Norint įdiegti preferencijų agregaciją dideliu mastu, reikia valdyti skaičiavimo sudėtingumą: optimali Kemeny agregacija yra NP sudėtingumo, ir net apytiksliai sprendimai reikalauja sudėtingų algoritmų. Atskiri prognozavimo modeliai susiduria su skirtingais iššūkiais – funkcijų inžinerija, skirta negausiems elgsenos duomenims, koncepcijos dreifo valdymas kintant vartotojų pageidavimams ir modelio naujumo išlaikymas be didelių perkvalifikavimo išlaidų. Abiem atvejais reikia atidžiai atkreipti dėmesį į duomenų infrastruktūrą, tačiau inžineriniai apribojimai labai skiriasi.
Vertinant agregavimo kokybę atliekama aksiomatinė analizė – ar metodas tenkina nesvarbių alternatyvų nepriklausomumo, Pareto efektyvumo ar nediktatūros kriterijus? Empiriškai socialinės gerovės funkcijos matuoja, kiek naudingumo pasiekia kolektyvas. Individualūs prognozavimo modeliai naudoja nuspėjamuosius našumo rodiklius, tačiau jie gali klaidinti: idealiai sukalibruotas modelis vis tiek gali priimti žalingus sprendimus, jei jis naudojamas neatsižvelgiant į priešingas faktines pasekmes, kylančias veikiant pagal prognozes.
Pirmenybių agregavimas visada sukuria variantą, kuriam dauguma žmonių teikia pirmenybę.
Kondorseto paradoksas ir Arrow teorema atskleidžia, kad daugumos preferencijos gali cikliškai kintant intranzityviai, ir joks metodas netenkina visų intuityvių teisingumo kriterijų. Kandidatas, kuris porinėse porose įveiktų visus kitus, gali neegzistuoti, todėl tenka rinktis iš pageidaujamų savybių.
Individualūs prognozavimo modeliai numato, ką žmonės iš tikrųjų darys.
Šie modeliai prognozuoja elgesį, priklausantį nuo istorinių tendencijų, o ne nuo realių būsimų pasirinkimų. Žmonės keičiasi, kontekstai keičiasi, o prognozės tampa savaime žlugdančios, kai naudojamos intervenciškai – numatant, kad kažkas pasitrauks iš darbo, o tada siūlant išlaikymo paskatas, pakeičiamas pats prognozuojamas rezultatas.
Agregavimo metodai yra neutralūs ir be šališkumo.
Kiekviena agregavimo taisyklė koduoja vertybes apie tai, kieno pageidavimai yra svarbūs ir kaip sprendžiami konfliktai. Pliuralizmas yra palankesnis koncentruotoms mažumoms; „Borda“ skaičiavimas apdovanoja plačiu priimtinumu. Metodo pasirinkimas yra iš esmės politinis, o ne vien techninis.
Daugiau duomenų visada pagerina individualias prognozes.
Viršijus tam tikrą ribą, papildomos funkcijos sukelia triukšmą, skaičiavimo sąnaudas ir privatumo riziką. Nesvarbūs kintamieji sukelia perteklinį pritaikymą, o istoriniai duomenys iš pasikeitusių aplinkybių mažina modelio aktualumą. Dažnai svarbu pasirinkti, ką neįtraukti, kaip ir ką įtraukti.
Šie du metodai praktikoje niekada nesutampa.
Bendradarbiavimo filtravimas rekomendacijų sistemose aiškiai juos sujungia – agreguoja panašių vartotojų pageidavimus, kad būtų galima numatyti individualius pasirinkimus. Ansamblio metodai sujungia daug individualių modelių. Sudėtingose dirbtinio intelekto architektūrose ribos išblunka.
Sąžiningas agregavimas reiškia, kad kiekvienas gauna tai, ko nori.
Vienbalsiškumas yra nykstamai retas, o Pareto efektyvumas garantuoja tik tai, kad niekas negali tobulėti nepakenkdamas kitam. Tikrasis agregavimas apima pralaimėtojus ir kompromisus; teisingumas susijęs su procesu ir proporcingumu, o ne su visuotiniu pasitenkinimu.
Rinkitės preferencijų agregavimą, kai sprendimai daro įtaką grupėms, o teisėtumas reikalauja demokratiškai įtraukti įvairius požiūrius. Rinkitės individualų prognozavimo modeliavimą, kai intervencijas, produktus ar paslaugas pritaikote konkretiems žmonėms ir kai detali elgesio prognozė kuria vertę. Daugelyje realaus pasaulio sistemų, pradedant suasmenintomis rekomendacijomis ir baigiant dalyvaujamojo biudžeto sudarymo platformomis, apgalvotai derinami abu metodai.
„DeepSeek V4“ yra kylantis atvirojo svorio didelių kalbų modelis, sukurtas Kinijos dirbtinio intelekto laboratorijoje, o GPT-4 klasės modeliai nurodo „OpenAI“ flagmanines uždarojo kodo sistemas. Šiame palyginime nagrinėjama jų architektūra, galimybės, kainos, prieinamumas ir našumas realiame pasaulyje, siekiant padėti kūrėjams ir įmonėms išmintingai pasirinkti.
„Google“ paieška yra plataus masto žiniatinklio indeksavimo variklis, kurį dauguma žmonių naudoja kasdien, o „Knowledge Graph Search“ yra „Google“ struktūrizuotų objektų duomenų bazė, kurioje pateikiami tiesioginiai atsakymai ir informacijos skydeliai. Supratimas, kuo jie skiriasi, padeda paaiškinti, kodėl kai kurios užklausos pateikia išsamius faktus, o kitos – tradicines mėlynas nuorodas.
„Google“ paieškos algoritmas reitinguoja milijardus tinklalapių, naudodamas mašininį mokymąsi ir šimtus signalų, o supaprastinti klasių modeliai perteikia dirbtinio intelekto koncepcijas į lengvai mokomas, prieinamas sistemas. Viena sistema veikia planetos mastu gamyboje; kita tarnauja kaip pedagoginis tiltas mokiniams, mokantis, kaip iš tikrųjų veikia dirbtinis intelektas.
„Vienas su vienu“ atitikimo metodas kiekvienam pagrindiniam objektui priskiria vieną numatomą langelį, o „daugelis su vienu“ atitikimo metodas leidžia kelias prognozes suderinti su vienu taikiniu. Abi strategijos formuoja tai, kaip šiuolaikiniai detektoriai, tokie kaip DETR ir „Faster R-CNN“, mokosi lokalizuoti objektus, kiekvienas iš jų turi skirtingus kompromisus tikslumo, mokymo stabilumo ir pasikartojančių aptikimų tvarkymo srityse.
A/B testavimas modeliuose nukreipia srautą tarp konkuruojančių modelio versijų, kad būtų galima įvertinti realų našumą, o diegiant vieną modelį visiems vartotojams pateikiamas vienas modelis. Komandos renkasi iš jų pagal rizikos toleranciją, srauto kiekį ir statistinio patvirtinimo poreikį prieš visišką diegimą.
