La quantizzazione può rompere il ricorso algoritmico: nuove metriche e mitigazione

Un recente articolo su arXiv (2605.17160) esplora le implicazioni della quantizzazione dei modelli, una strategia prevalente per ridurre memoria, latenza e costi di implementazione, sul ricorso algoritmico nei sistemi decisionali. Sebbene la quantizzazione sia spesso valutata in base al suo effetto sull'accuratezza predittiva, gli autori sostengono che mantenere semplicemente l'accuratezza non è sufficiente in scenari in cui gli utenti richiedono cambiamenti attuabili per modificare le decisioni. Presentano un framework chiamato sensibilità controfattuale sotto quantizzazione per valutare come la compressione influenzi il comportamento del ricorso. Vengono introdotte due nuove metriche: Validity Drop (VD), che misura la proporzione di azioni di ricorso a piena precisione che falliscono dopo la quantizzazione, e Counterfactual Recourse Gap (CRG), che indica l'aumento dei costi minimi di ricorso nei modelli quantizzati. Per contrastare questi problemi, gli autori propongono la quantizzazione fedele controfattuale, volta ad alleviare gli impatti negativi della quantizzazione sul ricorso. Questo studio evidenzia un disallineamento di implementazione, in cui la quantizzazione può rendere le azioni di ricorso non valide o richiedere interventi più ampi, potenzialmente influenzando l'equità e l'agenzia dell'utente nei processi decisionali automatizzati.