Я ищу..

Зеленый интеллект: почему данные и ИИ должны стать более устойчивыми Инновации

Зеленый интеллект: почему данные и ИИ должны стать более устойчивыми

Поскольку большие данные, машинное обучение и искусственный интеллект продолжают занимать видное место в информационных технологиях, эксперты выражают обеспокоенность по поводу экологических издержек вычислений — в первую очередь данных, углеродного следа ИИ и выбросов парниковых газов.

"Зеленый

Проблема не показывает никаких признаков замедления. В результате пандемии COVID-19 развертывание данных и ИИ увеличилось в геометрической прогрессии по мере роста спроса на цифровую трансформацию.

Массачусетский технологический институт сообщил, что облако теперь имеет больший углеродный след, чем вся авиационная отрасль, и один центр обработки данных может потреблять количество электроэнергии, эквивалентное 50 000 домов.

Между тем наборы данных, используемые для обучения ИИ, становятся все больше и требуют огромного количества энергии для работы. В MIT Technology Review сообщается, что обучение только одной модели ИИ может привести к выбросу более 626 000 фунтов эквивалента углекислого газа, что почти в пять раз превышает выбросы среднего американского автомобиля за весь срок службы.

Давайте посмотрим, почему для предприятий важно решить, как хранение данных и ИИ способствуют выбросам парниковых газов, и что мы можем сделать, чтобы смягчить последствия этой постоянной проблемы.

Почему мы должны решить эту проблему

Санджай Поддер, управляющий директор и глобальный лидер по инновациям в области устойчивого развития технологий в Accenture, говорит, что экспоненциальный рост данных и их растущий спрос на энергию могут фактически противодействовать и препятствовать нашему глобальному прогрессу в борьбе с изменением климата.

Прямо сейчас сообщество ИИ заняло позицию «чем больше, тем лучше» в отношении данных и искусственного интеллекта, но такой подход угрожает нанести серьезный ущерб окружающей среде в будущем.

Техническим экспертам придется затрачивать все больше и больше энергии на создание все более крупных моделей со все меньшим улучшением производительности.

Например, ИИ, лежащий в основе автономных транспортных средств, должен быть обучен вождению. После того, как начальное обучение завершено, модель ИИ в автономном транспортном средстве выполняет непрерывный вывод, чтобы он мог ориентироваться в окружающей среде. Этот процесс происходит день за днем, пока мы пользуемся автомобилем. Это слишком много энергии требуется только для одной машины.

Нам нужны смелые, продуманные инициативы, чтобы вывести область ИИ на более устойчивую траекторию.

Предложения по устранению воздействия ИИ на устойчивость

Что могут сделать корпоративные компании, чтобы смягчить воздействие ИИ и больших данных на окружающую среду, продолжая при этом внедрять инновации? Вот несколько предложений по обеспечению устойчивости данных:

Рассмотрим, как измеряется воздействие на окружающую среду. Нам необходимо улучшить учет выбросов углекислого газа, предоставляя более быстрые и точные данные об углеродных следах и воздействии на устойчивость. Такие инструменты, как Net Zero Cloud, SustainLife и Microsoft Cloud for Sustainability от Salesforce, могут помочь компаниям визуализировать и понять свои ошибки, чтобы они могли найти возможности для улучшения.

Оцените углеродный след моделей ИИ. Калькулятор выбросов машинного обучения может помочь специалистам-практикам проводить оценки на основе таких факторов, как облачный провайдер, географический регион и оборудование.

Изучите, как и где хранятся данные. Некоторые из крупнейших рабочих мест в области машинного обучения могут быть перенесены в более благоприятные для выбросов углерода регионы мира. Например, в Монреале, Канада, есть несколько центров обработки данных, работающих на гидроэлектростанциях.

Повышение прозрачности и измерения. Поскольку исследователи ИИ публикуют свои результаты для новых моделей, они должны включать измерения того, сколько энергии было излучено в их модели, наряду с их показателями производительности и точности.

Следуйте рекомендациям Google «4M». Google определил четыре передовых метода, известных как «4M», которые могут значительно сократить выбросы энергии и углекислого газа для всех, кто использует сервисы Google Cloud. К ним относятся выбор эффективных архитектур моделей машинного обучения, использование процессоров и систем, оптимизированных для обучения машинному обучению, вычисления в облаке, а не локально, а также оптимизация карты для выбора мест с самой чистой энергией. Google утверждает, что следуя этим методам, можно сократить потребление энергии в 100 раз, а выбросы — в 1000 раз.

Как работать над созданием новых парадигм искусственного интеллекта

Поскольку мы продолжаем наблюдать ускоренное внедрение технологий искусственного интеллекта и машинного обучения в наше общество, мы должны учитывать, что эти инструменты и системы делают с нашей средой. Если мы не захотим реформировать сегодняшнюю программу исследований ИИ и повысить прозрачность в этом вопросе, мир ИИ может сдерживать нас в борьбе за замедление изменения климата.

Чтобы быть в курсе последних тенденций в бизнесе и технологиях, подпишитесь на мою рассылку, следите за мной в Twitter, LinkedIn и YouTube и ознакомьтесь с моими книгами «Навыки будущего: 20 навыков и компетенций, которые нужны каждому». Достичь успеха в цифровом мире» и «Бизнес-тенденции на практике», получившие награду «Книга года по бизнесу 2022 года».