Wie grüne KI die Auswirkungen auf den Klimawandel bekämpft

Die Entwicklung rechenintensiver Technologien wie maschinelles Lernen verursacht einen hohen CO2-Fußabdruck und trägt zum Klimawandel bei. Neben dem schnellen Wachstum verfügt Machinery über ein wachsendes Portfolio an umweltfreundlichen KI-Tools und -Technologien, die dazu beitragen, CO2-Emissionen auszugleichen und einen nachhaltigeren Weg zur Entwicklung zu ermöglichen. Die Umweltkosten sind hoch, so eine im letzten Monat von Microsoft und dem Allen Institute for Artificial Intelligence sowie Co-Autoren der Hebrew University, der Carnegie Mellon University und der Community für künstliche Intelligenz HugsFace veröffentlichte Studie. Will Buchanan, Produktmanager für Azure Machine Learning bei Microsoft, Mitglied der Green Software Foundation und Mitautor der Studie, sagte, dass die Studie die Daten extrapoliert habe, um zu zeigen, dass dies für ein ML-Modell mit 6 Milliarden Parametern (eine große Sprache) der Fall sei Modell): Eine Trainingsinstanz erzeugt so viel Kohlendioxid wie die Verbrennung der gesamten Kohle in einem großen Eisenbahnwaggon.

Forrester Research-Analyst Abhijit Sunil sagte, dass in der Vergangenheit Code in eingebetteten Systemen optimiert wurde, die durch begrenzte Ressourcen wie Mobiltelefone, Kühlschränke oder Satelliten eingeschränkt waren. Allerdings unterliegen neue Technologien wie KI und ML diesen Einschränkungen nicht, sagte er.

„Wenn wir scheinbar unbegrenzte Ressourcen haben, besteht die Priorität darin, so viel Code wie möglich zu schreiben“, sagte Sunil.

Ist künstliche Intelligenz das richtige Werkzeug für den Job?

Grüne künstliche Intelligenz, der Prozess, die Entwicklung künstlicher Intelligenz nachhaltiger zu gestalten, wird zu einer Lösung für das Problem der Algorithmenleistung Verbrauch mögliche Lösungen. „Hier geht es darum, die versteckten Kosten der Technologieentwicklung selbst zu reduzieren“, sagte

Abhay, Gründer und Hauptforscher des Montreal Institute for Ethics in Artificial Intelligence und Vorsitzender der Standards Working der Green Software Foundation Laut der Gruppe Abhishek Gupta besteht der Ausgangspunkt für jeden Entwickler darin, zu verstehen, ob künstliche Intelligenz für den Job geeignet ist, und herauszufinden, warum maschinelles Lernen überhaupt eingesetzt wird.

„Man braucht nicht immer maschinelles Lernen, um ein Problem zu lösen“, sagte Gupta.

Gupta sagte, Entwickler sollten beim Einsatz von ML auch die Durchführung einer Kosten-Nutzen-Analyse in Betracht ziehen. Wenn beispielsweise maschinelles Lernen eingesetzt wird, um die Zufriedenheit mit einer Plattform von 95 Prozent auf 96 Prozent zu steigern, seien die zusätzlichen Kosten für die Umwelt möglicherweise nicht wert, sagte er. Sobald sich Entwickler für den Einsatz von KI entscheiden, wird die Entscheidung für den Einsatz von Modellen in CO2-freundlichen Bereichen die größten Auswirkungen auf die betrieblichen Emissionen haben, sagte Buchanan. Die Software-CO2-Intensitätsrate wird um etwa 75 % reduziert.

Buchanan sagte: „Dies ist der einflussreichste Hebel, den jeder Entwickler heute nutzen kann.“ Quebec statt im Mittleren Westen der USA, wo Strom hauptsächlich aus fossilen Brennstoffen erzeugt wird. Mehr als 90 % des Stroms in Quebec, Kanada, stammt aus Wasserkraft.

Bei der Entscheidung, wo Machine-Learning-Jobs ausgeführt werden sollen, müssen Unternehmen auch Faktoren berücksichtigen, die über die Art der Energiequelle hinausgehen. Im April 2021 führte Google Cloud einen Green Zone Selector ein, um Unternehmen dabei zu helfen, Kosten, Latenz und CO2-Fußabdruck bei der Auswahl ihres Standorts zu bewerten. Aber nicht alle Cloud-Anbieter verfügen über solche Tools, sagte Buchanan.

Um dieses Problem zu lösen, entwickelt die Green Software Foundation ein neues Tool namens Carbon AwareSDK, das die besten Regionen für die Einführung von Ressourcen empfehlen wird, sagte er. Eine Alpha-Version soll in den nächsten Monaten verfügbar sein.

Andere umweltfreundliche Methoden

Gupta sagte, wenn sich die einzigen verfügbaren Computer in Gebieten mit schlechter Stromversorgung befinden, können Entwickler föderierte Bereitstellungen im Lernstil verwenden, bei denen das Training verteilt wird. Diese Methode ist an allen im Stromnetz vorhandenen Geräten durchgeführt werden. Aber föderiertes Lernen ist möglicherweise nicht für alle Arbeitslasten geeignet, beispielsweise für solche, bei denen rechtliche Datenschutzbestimmungen eingehalten werden müssen. Eine weitere Option für Entwickler sei die Verwendung von tinyML, das Quantisierung, Wissensdestillation und andere Methoden nutzt, um Modelle für maschinelles Lernen zu verkleinern, sagte Gupta. Ziel sei es, die Modelle zu minimieren, damit sie ressourceneffizienter eingesetzt werden können, beispielsweise auf Edge-Geräten. Da diese Modelle jedoch nur begrenzte Intelligenz bieten, sind sie möglicherweise nicht für komplexe Anwendungsfälle geeignet.

„Der Trend in der gesamten Branche geht dahin, zu denken, größer sei besser, aber unsere Forschung zeigt, dass man dagegen argumentieren und deutlich machen kann, dass man das richtige Werkzeug für den Job auswählen muss“, sagte Buchanan.

Verbrauchsmetriken könnten die Lösung sein

Buchanan sagte, die Green Software Foundation und andere Initiativen hätten Fortschritte bei der Messung und Reduzierung des CO2-Fußabdrucks von Software gemacht.

Zum Beispiel hat Microsoft letztes Jahr Energieverbrauchsmetriken in Azure Machine Learning verfügbar gemacht, sodass Entwickler ihre energieintensivsten Arbeiten genau bestimmen können. Diese Kennzahlen konzentrieren sich auf die leistungshungrige GPU, die schneller als die CPU ist, aber mehr als das Zehnfache an Energie verbraucht. GPUs, die häufig zum Ausführen von KI-Modellen verwendet werden, seien oft der größte Übeltäter, wenn es um den Stromverbrauch gehe, sagte Buchanan.

Es bestehe jedoch weiterhin Bedarf an interoperableren Tools, sagte Buchanan und verwies auf die fragmentierten grünen KI-Tools, die derzeit verfügbar sind. „Die Green Software Foundation arbeitet an einer Sache“, sagte er, „aber ich denke, dass Cloud-Anbieter koordinierte Investitionen tätigen müssen, um die Energieeffizienz zu verbessern.“

Gupta sagte, das ultimative Ziel bestehe darin, Verhaltensänderungen auszulösen und umweltfreundliche KI-Praktiken zur Norm zu machen. „Wir machen das nicht nur aus buchhalterischen Gründen“, sagte er.

Das obige ist der detaillierte Inhalt vonWie grüne KI die Auswirkungen auf den Klimawandel bekämpft. Für weitere Informationen folgen Sie bitte anderen verwandten Artikeln auf der PHP chinesischen Website!