Bagaimana AI Hijau Menangani Kesan terhadap Perubahan Iklim

Pembangunan teknologi intensif pengiraan seperti pembelajaran mesin membawa jejak karbon yang tinggi dan menyumbang kepada perubahan iklim. Selain pertumbuhan pesat, Machinery mempunyai portfolio alat dan teknologi AI hijau yang berkembang untuk membantu mengimbangi pelepasan karbon dan menyediakan laluan yang lebih mampan kepada pembangunan.

Kos alam sekitar adalah tinggi, menurut penyelidikan yang diterbitkan bulan lalu oleh Microsoft dan Allen Institute for Artificial Intelligence, bersama-sama dengan pengarang bersama dari Hebrew University, Carnegie Mellon University dan AI ​​community hugsFace. Will Buchanan, pengurus produk untuk Pembelajaran Mesin Azure di Microsoft, ahli Yayasan Perisian Hijau, dan pengarang bersama kajian itu, berkata kajian itu mengekstrapolasi data untuk menunjukkan bahawa untuk model ML parameter 6 bilion (bahasa yang besar model), Satu contoh latihan menghasilkan sebanyak karbon dioksida seperti membakar semua arang batu di dalam kereta api besar.

Abhijit Sunil, seorang penganalisis di Forrester Research, berkata pada masa lalu, kod telah dioptimumkan dalam sistem terbenam yang dikekang oleh sumber terhad, seperti Telefon Bimbit, peti sejuk atau satelit. Bagaimanapun, teknologi baru muncul seperti AI dan ML tidak tertakluk kepada batasan ini, katanya.

"Apabila kita mempunyai sumber yang kelihatan tidak terhad, keutamaan adalah untuk menulis kod sebanyak mungkin," kata Sunil.

Adakah kecerdasan buatan alat yang sesuai untuk pekerjaan itu?

Kepintaran buatan hijau, proses menjadikan pembangunan kecerdasan buatan lebih mampan, muncul sebagai penyelesaian yang mungkin untuk masalah penggunaan kuasa algoritma. "Ini semua adalah mengenai mengurangkan kos tersembunyi pembangunan teknologi itu sendiri," kata Buchanan

Abishek, pengasas dan penyelidik utama Institut Etika dalam Kepintaran Buatan Montreal dan pengerusi kumpulan kerja piawaian Yayasan Perisian Hijau Abhishek. Gupta berkata titik permulaan bagi mana-mana pembangun adalah untuk memahami sama ada kecerdasan buatan sesuai untuk tugas itu dan memikirkan mengapa pembelajaran mesin harus digunakan sejak awal.

"Anda tidak selalu memerlukan pembelajaran mesin untuk menyelesaikan masalah," kata Gupta.

Gupta berkata pembangun juga harus mempertimbangkan untuk menjalankan analisis kos-faedah apabila menggunakan ML. Sebagai contoh, jika pembelajaran mesin digunakan untuk meningkatkan kepuasan dengan platform daripada 95 peratus kepada 96 peratus, itu mungkin tidak berbaloi dengan kos tambahan kepada alam sekitar, katanya.

Pilih kawasan mesra karbon

Sebaik sahaja pembangun memutuskan untuk menggunakan AI, memilih untuk menggunakan model di kawasan mesra karbon akan mempunyai kesan yang paling besar terhadap pelepasan operasi, kata Buchanan, sambil menambah bahawa intensiti karbon perisian kadar Dikurangkan kira-kira 75%.

Buchanan berkata: "Ini adalah tuil paling berpengaruh yang boleh digunakan oleh mana-mana pemaju hari ini

Gupta memberi contoh: Pembangun boleh memilih untuk membina di Kanada Beroperasi di Quebec dan bukannya di Midwest A.S. , di mana elektrik datang terutamanya daripada bahan api fosil. Lebih daripada 90% tenaga elektrik di Quebec, Kanada, berasal daripada kuasa hidroelektrik.

Apabila memutuskan tempat kerja pembelajaran mesin harus dijalankan, syarikat juga mesti mempertimbangkan faktor di luar jenis sumber tenaga. Pada April 2021, Google Cloud melancarkan Pemilih Zon Hijau untuk membantu syarikat menilai kos, kependaman dan jejak karbon apabila memilih tempat untuk beroperasi. Tetapi tidak semua penyedia awan mempunyai alat sedemikian yang tersedia, kata Buchanan.

Untuk menyelesaikan masalah ini, Yayasan Perisian Hijau sedang membangunkan alat baharu yang dipanggil Carbon AwareSDK, yang akan mengesyorkan kawasan terbaik untuk melancarkan sumber, katanya. Versi alfa sepatutnya tersedia dalam beberapa bulan akan datang.

Pendekatan mesra alam yang lain

Gupta berkata jika satu-satunya komputer yang tersedia berada di kawasan yang mempunyai kuasa lemah, pembangun boleh menggunakan penggunaan gaya pembelajaran bersekutu, di mana latihan dilakukan secara teragih merentas kuasa dilakukan pada semua peranti yang terdapat dalam sistem. Tetapi pembelajaran bersekutu mungkin tidak sesuai untuk semua beban kerja, seperti yang mesti mematuhi pertimbangan privasi undang-undang.

Pilihan lain, kata Gupta, adalah untuk pembangun menggunakan tinyML, yang menggunakan kuantiti, penyulingan pengetahuan dan kaedah lain untuk mengecilkan model pembelajaran mesin. Matlamatnya, katanya, adalah untuk meminimumkan model supaya ia boleh digunakan dengan cara yang lebih cekap sumber, seperti pada peranti edge. Tetapi memandangkan model ini menyediakan kecerdasan terhad, model ini mungkin tidak sesuai untuk kes penggunaan yang kompleks.

"Arah aliran merentas industri ialah berfikir lebih besar adalah lebih baik, tetapi penyelidikan kami menunjukkan anda boleh membantahnya dan menjelaskan bahawa anda perlu memilih alat yang betul untuk pekerjaan itu," kata Buchanan.

Metrik penggunaan boleh menjadi penyelesaian

Buchanan berkata Yayasan Perisian Hijau dan inisiatif lain sedang membuat kemajuan dalam mengukur dan mengurangkan jejak karbon perisian.

Sebagai contoh, Microsoft tahun lepas telah menyediakan metrik penggunaan tenaga dalam Pembelajaran Mesin Azure, membolehkan pembangun menentukan kerja mereka yang paling intensif tenaga. Metrik ini memfokuskan pada GPU yang haus kuasa, yang lebih pantas daripada CPU tetapi menggunakan lebih daripada 10 kali tenaga. GPU, yang sering digunakan untuk menjalankan model AI, sering menjadi punca terbesar dalam penggunaan kuasa, kata Buchanan.

Walau bagaimanapun, masih terdapat keperluan untuk lebih banyak alat yang boleh dikendalikan, kata Buchanan, merujuk kepada alat AI hijau berpecah-belah yang tersedia pada masa ini. "Yayasan Perisian Hijau sedang mengusahakan sesuatu," katanya, "tetapi saya fikir penyedia awan perlu membuat pelaburan bersepadu untuk meningkatkan kecekapan tenaga."

Matlamat utama, kata Gupta, adalah untuk mencetuskan perubahan tingkah laku dan menjadikan amalan AI hijau sebagai norma. "Kami bukan hanya melakukan ini untuk tujuan perakaunan," katanya.

Atas ialah kandungan terperinci Bagaimana AI Hijau Menangani Kesan terhadap Perubahan Iklim. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!