Dünya

AI’nın karbon ayak izi sorunu

Yapay zekanın sağladığı tüm ilerlemeler için, konuşma tanımadan kendi kendine giden arabalara kadar, AI sistemleri çok fazla güç tüketir ve yüksek hacimlerde iklim değiştiren karbon emisyonları üretebilir.

Geçen yıl yapılan bir araştırma, hazır bir AI dil işleme sistemi eğitiminin 1.400 pound emisyon ürettiğini buldu – bu da New York ve San Francisco arasında bir kişinin uçmasıyla üretilen miktar hakkında. Yapay zeka dil sistemini sıfırdan oluşturmak ve eğitmek için gereken tüm deneyler paketi daha da fazla üretebilir: güç kaynağına bağlı olarak 78.000 pound’a kadar. Bu, tüm yaşamı boyunca ortalama bir Amerikan nefesinin iki katıdır.

Ancak makine öğrenimini daha temiz ve daha yeşil hale getirmenin, Yeşil Yeşili denilen bir yol var. Örneğin, bazı algoritmalar diğerlerine göre daha az güç tüketir ve birçok eğitim oturumu, güçlerinin çoğunu yenilenebilir kaynaklardan alan uzak konumlara taşınabilir.

Bununla birlikte, anahtar, AI geliştiricileri ve şirketlerinin makine öğrenimi deneylerinin ne kadar püskürttüğünü ve bu hacimlerin ne kadar azaltılabileceğini bilmesidir.

Şimdi, Stanford, Facebook AI Research ve McGill Üniversitesi’nden bir araştırmacı ekibi, hem bir makine öğrenme projesinin ne kadar elektrik kullanacağını hem de bunun karbon emisyonları için ne anlama geldiğini hızlı bir şekilde ölçen kullanımı kolay bir araç geliştirdi.

Stanford’da bilgisayar bilimi doktora öğrencisi ve baş yazar Peter Henderson, “Makine öğrenim sistemleri daha yaygın ve kaynak yoğunluğu arttıkça karbon emisyonlarına önemli katkıda bulunma potansiyeline sahipler” diyor. “Ancak ölçemiyorsanız bir sorunu çözemezsiniz. Sistemimiz, araştırmacıların ve endüstri mühendislerinin işlerinin karbon verimliliğini anlamalarına yardımcı olabilir ve belki de karbon ayak izlerini nasıl azaltabilecekleri konusunda fikir verebilir. ”

Emisyonları İzleme

Henderson, Stanford’da dilbilim başkanı ve bilgisayar bilimi profesörü Dan Jurafsky ile “deney etki izleyicisi” ni oluşturdu; Emma Brunskill, Stanford’da bilgisayar bilimi yardımcı doçenti; Facebook AI Research’te yazılım mühendisi olan Jieru Hu; McGill’de bilgisayar bilimi profesörü ve Facebook AI Research’ün genel müdürü Joelle Pineau; ve McGill’de doktora adayı Joshua Romoff.

Jurafsky, “Daha fazla hesaplama gücü ve daha fazla veri kullanarak daha büyük ve daha büyük sorunları çözmek için makine öğrenimini büyütmek için büyük bir itici güç var” diyor. “Bu olduğu gibi, bu yoğun hesaplama modellerinin faydalarının çevre üzerindeki etkisinin maliyetine değip değmediğine dikkat etmeliyiz.”

Makine öğrenim sistemleri, gün boyunca milyonlarca istatistiksel deney yaparak, görevlerini yerine getirmek için modellerini sürekli olarak geliştirerek becerilerini geliştirir. Haftalar hatta aylar sürebilen bu eğitim seansları gittikçe daha fazla aç kalıyor. Hem hesaplama gücü hem de büyük veri kümeleri için maliyetler düştüğü için, makine öğrenimi işletme, hükümet, akademi ve kişisel yaşamda giderek yaygınlaşıyor.

Karbon emisyonları için bunun ne anlama geldiğini doğru bir şekilde ölçmek için araştırmacılar, belirli bir AI modelinin güç tüketimini ölçerek başladı. Bu, göründüğünden daha karmaşıktır, çünkü tek bir makine genellikle birkaç modeli aynı anda eğitir, bu nedenle her eğitim seansının diğerlerinden ayrılması gerekir. Her eğitim oturumu ayrıca, uygun şekilde tahsis edilmesi gereken veri depolama ve soğutma gibi paylaşılan genel işlevler için de güç çeker.

Bir sonraki adım, güç tüketimini, elektriği üreten yenilenebilir ve fosil yakıtların karışımına bağlı olan karbon emisyonlarına dönüştürmektir. Bu karışım, konuma ve günün saatine göre büyük ölçüde değişir. Örneğin, çok fazla güneş enerjisi olan bölgelerde, güneş gökyüzünde yükseldikçe elektriğin karbon yoğunluğu azalır.

Bu bilgiyi elde etmek için araştırmacılar, Amerika Birleşik Devletleri ve dünyanın farklı bölgelerindeki enerji karışımı hakkında genel veri kaynaklarını araştırdı. California’da, deney izleyici, eyalet şebekelerinin çoğunda elektrik akışını yöneten California ISO’dan gerçek zamanlı verilere takılır. Örneğin Mayıs ayı sonlarında saat 12:45’te yenilenebilir enerji kaynakları devletin gücünün% 47’sini tedarik ediyordu.

Bir AI eğitim seansının yeri, karbon emisyonlarında büyük bir fark yaratabilir. Araştırmacılar, Estonya’da ezici bir şekilde şeyl yağına dayanan bir seans yürütmenin, aynı seansta karbon hacminin 30 kat daha fazla karbon üreteceğini tahmin etti.

Daha yeşil AI

Gerçekten de, araştırmacıların karbon ayak izini azaltmak için ilk önerileri, eğitim oturumlarını esas olarak yenilenebilir kaynaklar tarafından sağlanan bir yere taşımaktır. Bu kolay olabilir, çünkü veri kümeleri bir bulut sunucusunda saklanabilir ve neredeyse her yerden erişilebilir.

Bununla birlikte, araştırmacılar, bazı makine öğrenme algoritmalarının diğerlerinden daha büyük enerji domuzları olduğunu buldular. Örneğin Stanford’da takviye öğrenimi dersinde 200’den fazla öğrenciden bir ödev için ortak algoritmalar uygulaması istendi. Algoritmalardan ikisi eşit derecede iyi performans göstermesine rağmen, biri çok daha fazla güç kullandı. Tüm öğrenciler daha verimli algoritmayı kullansaydı, araştırmacılar kolektif güç tüketimini 880 kilowatt saat azaltacağını tahmin ettiler – tipik bir Amerikan hane halkının bir ayda ne kullandıkları hakkında.

Sonuç, işi karbon dostu bir yere taşımak pratik olmadığında bile karbon emisyonlarını azaltma fırsatlarını vurgular. Makine öğrenim sistemleri araba navigasyonu gibi gerçek zamanlı olarak hizmet sunarken bu durum genellikle uzun mesafeler iletişimde gecikmelere veya “gecikmeye” neden olmaktadır.

Gerçekten de, araştırmacılar, farklı modellerin enerji verimliliğini karşılaştırmak için bir web sitesi oluşturan izleyiciye kullanımı kolay bir araç eklediler. Enerjiyi korumanın basit bir yolunun, hangisini kullanacağınızı seçerken varsayılan ayar olarak en verimli programı oluşturmak olduğunu söylüyorlar.

Henderson, “Zamanla” diyor, “makine öğrenim sistemlerinin üretimde eğitim sırasında olduğundan daha fazla enerji tüketmesi muhtemel. Seçeneklerimizi ne kadar iyi anlarsak, çevre üzerindeki potansiyel etkileri o kadar sınırlayabiliriz. ”

Deney etki izleyicisi araştırmacılar için çevrimiçi olarak mevcuttur. Bu yıl, araştırmacıların enerji verimli NLP algoritmaları oluşturmaya ve yayınlamaya teşvik edildiği Doğal Dil İşlemede Ampirik Yöntemler Konferansı’nda bu yıl SustaiNLP çalıştayında kullanılıyor. Hakem değerlendirmesi yapılmayan araştırma, ön baskı sitesi Arxiv.org’da yayınlandı.

Daha Fazla Göster

İlgili Makaleler

Bir cevap yazın

E-posta hesabınız yayımlanmayacak. Gerekli alanlar * ile işaretlenmişlerdir

Başa dön tuşu
Kapalı
Kapalı

Reklam Engelleyici Algılandı

Lütfen reklam engelleyiciyi devre dışı bırakarak bizi desteklemeyi düşünün
Sohbete Başla
Merhaba .
Yazarınız olmak istiyorum :)