グリーン AI が気候変動への影響にどう対処するか

機械学習などの計算集約型テクノロジーの開発は、高い二酸化炭素排出量を生み出し、気候変動の一因となります。 Machinery は、急速な成長に加えて、炭素排出量を相殺し、より持続可能な開発への道を提供するグリーン AI ツールとテクノロジーのポートフォリオを拡大しています。

マイクロソフトとアレン人工知能研究所、ヘブライ大学、カーネギーメロン大学、AIコミュニティhugsFaceの共著者らが先月発表した研究結果によると、環境コストは高いという。 Green Software Foundation のメンバーであり、この研究の共著者でもある Microsoft の Azure Machine Learning プロダクト マネージャーである Will Buchanan 氏は、この研究ではデータを外挿して、60 億パラメータの ML モデル (大規模言語) について次のことが示されたと述べました。モデル)、1 つのトレーニング インスタンスは、大型列車の石炭をすべて燃やすのと同じ量の二酸化炭素を生成します。

Forrester Research アナリストの Abhijit Sunil 氏は、これまでコードは、携帯電話、冷蔵庫、衛星など、限られたリソースに制約された組み込みシステムで最適化されていたと述べました。ただし、AI や ML などの新興テクノロジーはこれらの制限の影響を受けないと彼は言いました。

「リソースが無限にあるように見える場合、優先順位はできるだけ多くのコードを書くことです」と Sunil 氏は言います。

人工知能はこの仕事に適したツールですか?

人工知能の開発をより持続可能にするプロセスであるグリーン人工知能は、アルゴリズムの電力消費の問題に対する可能な解決策として浮上しています。 「これはすべて、技術開発自体の隠れたコストを削減するためのものです」とブキャナン氏は述べています。アビシェーク・グプタ氏は、開発者にとっての出発点は、人工知能がその仕事に適しているかどうかを理解し、そもそもなぜ機械学習が導入されるのかを理解することだと述べた。

「問題を解決するために必ずしも機械学習が必要なわけではありません」とグプタ氏は言います。

Gupta 氏は、開発者は ML を導入する際に費用対効果分析の実施も検討する必要があると述べました。たとえば、機械学習を使用してプラットフォームの満足度を 95% から 96% に高めたとしても、それは環境に追加のコストを費やす価値はないかもしれない、と同氏は述べた。

炭素に優しい地域を選択する

開発者が AI の使用を決定したら、炭素に優しい地域にモデルをデプロイすることを選択すると、運用上の排出量に最大の影響を及ぼし、ソフトウェアの炭素強度率が高まります、とブキャナン氏は述べています。約75％削減されました。

ブキャナン氏は次のように述べています:「これは現在、あらゆる開発者が使用できる最も影響力のある手段です。」

グプタ氏は例を挙げました:開発者はカナダで構築することを選択できます米国ではなくケベックで運営されています。中西部では、電力は主に化石燃料から供給されています。カナダのケベック州では、電力の 90% 以上が水力発電によるものです。

機械学習ジョブをどこで実行するかを決定する際、企業はエネルギー源の種類以外の要素も考慮する必要があります。 2021 年 4 月、Google Cloud は、企業が運営場所を選択する際にコスト、レイテンシ、二酸化炭素排出量を評価できるようにするグリーン ゾーン セレクターを開始しました。しかし、すべてのクラウドプロバイダーがそのようなツールをすぐに利用できるわけではないとブキャナン氏は言う。

この問題を解決するために、Green Software Foundation は、リソースを起動するのに最適なリージョンを推奨する Carbon AwareSDK と呼ばれる新しいツールを開発中であると同氏は述べました。アルファ版は今後数か月以内に公開される予定です。

その他の環境に優しいアプローチ

利用可能なコンピューターが電力の弱い地域にあるだけの場合、開発者はフェデレーテッド ラーニング スタイルの展開を使用できるとグプタ氏は述べました。この展開では、電力全体に分散された方法でトレーニングが実行されます。システム内に存在するすべてのデバイスで実行されます。ただし、フェデレーション ラーニングは、法的なプライバシーに関する考慮事項に準拠する必要があるワークロードなど、すべてのワークロードに適しているわけではありません。 Gupta 氏によると、もう 1 つの選択肢は、開発者が tinyML を使用することです。tinyML は、量子化、知識の蒸留、その他の方法を通じて機械学習モデルを縮小します。同氏によると、目標はモデルを最小限に抑え、エッジデバイスなど、よりリソース効率の高い方法で導入できるようにすることだという。ただし、これらのモデルが提供するインテリジェンスは限られているため、複雑なユースケースには適さない可能性があります。

「業界全体の傾向は、規模が大きいほど良いと考える傾向にありますが、私たちの調査では、それを打ち破ることができ、仕事に適したツールを選択する必要があることが明らかになりました」とブキャナン氏は述べています。

消費指標が解決策になる可能性がある

ブキャナン氏は、Green Software Foundationや他の取り組みがソフトウェアの二酸化炭素排出量の測定と削減において進歩を遂げたと述べた。

たとえば、Microsoft は昨年、エネルギー消費メトリクスを Azure Machine Learning で利用できるようにし、開発者が最もエネルギーを消費する作業を正確に特定できるようにしました。これらの指標は、CPU よりも高速ですが、10 倍以上のエネルギーを消費する、電力を大量に消費する GPU に焦点を当てています。ブキャナン氏によると、AI モデルの実行によく使用される GPU は、電力消費に関して最大​​の原因となることがよくあります。

しかし、ブキャナン氏は、現在利用可能な断片化されたグリーン AI ツールについて言及し、より相互運用可能なツールが依然として必要であると述べました。 「Green Software Foundation は 1 つのことに取り組んでいます。しかし、クラウド プロバイダーはエネルギー効率を向上させるために調整された投資を行う必要があると思います。」

グプタ氏によると、最終的な目標は、環境に優しい AI の実践が標準となるよう、行動の変化を引き起こすことです。 「我々は会計上の目的だけでこれを行っているわけではない」と同氏は語った。

以上がグリーン AI が気候変動への影響にどう対処するかの詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。