Зелений інтелект: чому дані та ШІ мають стати більш стійкими

Оскільки великі дані, машинне навчання та штучний інтелект продовжують набувати популярності в інформаційних технологіях, експерти висловлюють занепокоєння щодо екологічної вартості обчислень — насамперед даних і вуглецевого сліду ШІ та викидів парникових газів.

Проблема полягає в тому, що немає ознак уповільнення. У результаті пандемії COVID-19 розгортання даних і штучного інтелекту зросло експоненціально, оскільки зростав попит на цифрову трансформацію.

Массачусетський технологічний інститут повідомив, що хмара тепер має більший вуглецевий слід, ніж уся галузь авіаперевезень, і один центр обробки даних може споживати кількість електроенергії, еквівалентну 50 000 будинків.

Тим часом набори даних, які використовуються для навчання штучного інтелекту, стають дедалі більшими та потребують величезної кількості енергії для роботи. Массачусетський технологічний огляд повідомляє, що навчання лише однієї моделі штучного інтелекту може викидати понад 626 00 фунтів еквіваленту вуглекислого газу, що майже в п’ять разів перевищує викиди середньостатистичного американського автомобіля за весь термін служби.

Давайте подивимося, чому підприємствам важливо вирішити, як зберігання даних і ШІ впливають на викиди парникових газів, і що ми можемо зробити, щоб пом’якшити наслідки цієї постійної проблеми.

Чому ми повинні вирішити цю проблему

Санджай Поддер, керуючий директор і глобальний керівник технологічних інновацій у сфері сталого розвитку в Accenture, каже, що експоненційне зростання обсягу даних і збільшення попиту на енергію може фактично протидіяти та перешкоджати нашому глобальному прогресу у боротьбі зі зміною клімату.

Прямо зараз спільнота штучного інтелекту прийняла позицію «чим більше, тим краще» щодо даних і штучного інтелекту, але такий підхід загрожує завдати серйозної шкоди навколишньому середовищу в майбутньому.

Технічним експертам потрібно буде витрачати все більше і більше енергії, щоб створювати все більші моделі з дедалі меншим підвищенням продуктивності.

Наприклад, штучний інтелект, який лежить в основі автономних транспортних засобів, потрібно навчити керувати автомобілем. Після завершення початкового навчання модель ШІ в автономному транспортному засобі виконує безперервні висновки, щоб вона могла орієнтуватися в навколишньому середовищі. Цей процес відбувається день за днем, поки ми використовуємо автомобіль. Це велика потреба в енергії лише для одного автомобіля.

Нам потрібні сміливі, продумані ініціативи, щоб вивести сферу ШІ на більш стійку траєкторію.

Пропозиції щодо подолання впливу штучного інтелекту на сталий розвиток

Що можуть зробити корпоративні компанії, щоб пом’якшити вплив штучного інтелекту та великих даних на навколишнє середовище, продовжуючи просувати інновації? Ось кілька пропозицій щодо стабільності даних:

Розглянемо, як вимірюється вплив на навколишнє середовище. Нам потрібно покращити облік викидів вуглецю, надаючи швидші та точніші дані про вуглецеві сліди та вплив на стійкість. Такі інструменти, як Salesforce Net Zero Cloud, SustainLife і Microsoft Cloud for Sustainability, можуть допомогти компаніям візуалізувати та зрозуміти свої помилки, щоб вони могли виявити можливості для вдосконалення.

Оцініть вуглецевий слід моделей ШІ. Калькулятор викидів машинного навчання може допомогти фахівцям проводити оцінки на основі таких факторів, як хмарний постачальник, географічний регіон і апаратне забезпечення.

Вивчіть, як і де зберігаються дані. Деякі з найбільших робочих місць у сфері машинного навчання можуть бути переміщені в більш сприятливі для вуглецю регіони світу. Наприклад, у Монреалі, Канада, є кілька центрів обробки даних, які працюють на гідроелектростанції.

Збільште прозорість і вимірювання. Коли дослідники штучного інтелекту публікують свої результати для нових моделей, вони повинні включати вимірювання кількості енергії, випромінюваної в їхній моделі, разом із своїми показниками продуктивності та точності.

Дотримуйтеся передових методів Google “4M”. Google визначив чотири найкращі практики, відомі як "4Ms", які можуть значно зменшити викиди енергії та вуглекислого газу для тих, хто користується службами Google Cloud. До них належать вибір ефективної архітектури моделі машинного навчання, використання процесорів і систем, оптимізованих для навчання машинному обчисленню, обчислення в хмарі, а не локальні, і оптимізація карт для вибору місць з найчистішою енергією. Дотримуючись цих практик, стверджує Google, можна зменшити енергію в 100 разів, а викиди – у 1000 разів.

Як працювати над новими парадигмами ШІ

Оскільки ми продовжуємо спостерігати прискорене впровадження технологій ШІ та машинного навчання в наше суспільство, ми повинні враховувати, що ці інструменти та системи роблять із навколишнім середовищем. Якщо ми не захочемо реформувати сьогоднішній порядок денний досліджень штучного інтелекту та підвищити прозорість навколо цього питання, світ штучного інтелекту може стримати нас у боротьбі за уповільнення зміни клімату.

Щоб бути в курсі останніх новин і нових тенденцій у бізнесі та техніці, обов’язково підписуйтеся на мою розсилку, слідкуйте за мною в Twitter, LinkedIn і YouTube і читайте мої книги «Навички майбутнього: 20 навичок і компетенцій, які потрібні кожному». Досягти успіху в цифровому світі» та «Бізнес-тенденції на практиці», яка отримала нагороду «Книга року про бізнес у 2022 році».