Green AI가 기후 변화에 미치는 영향을 해결하는 방법

머신러닝 등 컴퓨팅 집약적 기술의 발전은 높은 탄소 배출량을 가져오고 기후 변화에 기여합니다. 빠른 성장 외에도 Machinery는 탄소 배출을 상쇄하고 보다 지속 가능한 개발 경로를 제공하는 데 도움이 되는 친환경 AI 도구 및 기술 포트폴리오를 확대하고 있습니다.

Microsoft와 Allen Institute for Artificial Intelligence가 지난달 발표한 연구에 따르면 환경 비용이 높다고 합니다. 공동 저자인 히브리 대학, 카네기 멜론 대학, AI 커뮤니티 HussFace도 마찬가지입니다. Green Software Foundation의 회원이자 연구의 공동 저자인 Microsoft의 Azure Machine Learning 제품 관리자인 Will Buchanan은 이 연구가 60억 개의 매개변수 ML 모델(대규모 언어)에 대해 데이터를 추정했다고 말했습니다. 모델), 하나의 훈련 인스턴스는 대형 열차의 모든 석탄을 태우는 것과 같은 양의 이산화탄소를 생성합니다.

Forrester Research 분석가 Abhijit Sunil은 과거에는 휴대폰, 냉장고 또는 위성과 같이 리소스가 제한된 임베디드 시스템에서 코드가 최적화되었다고 말했습니다. 그러나 AI, ML 등 신흥 기술에는 이러한 제한이 적용되지 않는다고 그는 말했습니다.

Sunil은 "리소스가 무한해 보이는 경우 최대한 많은 코드를 작성하는 것이 최우선입니다."라고 말합니다.

인공지능이 업무에 적합한 도구일까요?

인공지능 개발을 더욱 지속 가능하게 만드는 과정인 녹색 인공지능이 알고리즘 전력 소비 문제에 대한 가능한 솔루션으로 떠오르고 있습니다. Buchanan은 "이것은 모두 기술 개발 자체의 숨겨진 비용을 줄이는 것입니다."라고 말했습니다.

Abhishek Gupta, Montreal Institute for Ethics in Artificial Intelligence의 창립자이자 수석 연구원이자 Green Software Foundation의 표준 실무 그룹 회장(출발점) Abhishek Gupta는 모든 개발자가 AI가 해당 업무에 적합한지 이해하고 애초에 머신러닝이 배포되는 이유를 파악하는 것이라고 말합니다.

굽타는 “문제를 해결하기 위해 항상 머신러닝이 필요한 것은 아닙니다.”라고 말했습니다.

Gupta는 개발자가 ML을 배포할 때 비용 편익 분석 수행도 고려해야 한다고 말했습니다. 예를 들어, 플랫폼에 대한 만족도를 95%에서 96%로 높이기 위해 머신러닝을 사용한다면 환경에 추가 비용을 들일 가치가 없을 수도 있다고 그는 말했습니다.

탄소 친화적인 지역 선택

개발자가 AI를 사용하기로 결정하면 탄소 친화적인 지역에 모델을 배포하도록 선택하는 것이 운영 배출량에 가장 큰 영향을 미치고 소프트웨어 탄소 집약도 비율을 약 75%까지 줄일 것이라고 뷰캐넌은 말했습니다.

Buchanan은 "이것은 오늘날 모든 개발자가 사용할 수 있는 가장 영향력 있는 수단입니다."

Gupta가 예를 들었습니다. 개발자는 전기가 공급되기 때문에 미국 중서부 지역에서 운영하는 대신 캐나다 퀘벡 주에서 운영하도록 선택할 수 있습니다. 주로 화석 연료에서 나옵니다. 캐나다 퀘벡주 전력의 90% 이상이 수력 발전에서 나옵니다.

기계 학습 작업을 실행할 위치를 결정할 때 기업은 에너지 유형 이외의 요소도 고려해야 합니다. 2021년 4월, Google Cloud는 기업이 운영 위치를 선택할 때 비용, 지연 시간, 탄소 배출량을 평가하는 데 도움이 되는 Green Zone Selector를 출시했습니다. 그러나 모든 클라우드 제공업체가 이러한 도구를 즉시 사용할 수 있는 것은 아니라고 뷰캐넌은 말했습니다.

이 문제를 해결하기 위해 Green Software Foundation은 Carbon AwareSDK라는 새로운 도구를 개발하고 있으며, 이 도구는 리소스를 시작할 수 있는 최고의 지역을 추천한다고 그는 말했습니다. 앞으로 몇 달 안에 알파 버전이 출시될 예정입니다.

기타 친환경 접근 방식

Gupta는 전력이 부족한 지역에 사용 가능한 컴퓨터만 있는 경우 개발자는 전력망에 있는 모든 장치에 걸쳐 분산 방식으로 훈련이 이루어지는 연합 학습 스타일 배포를 사용할 수 있다고 말했습니다. 그러나 연합 학습은 법적 개인 정보 보호 고려 사항을 준수해야 하는 워크로드 등 모든 워크로드에 적합하지 않을 수 있습니다.

또 다른 옵션은 개발자가 정량화, 지식 증류 및 기타 방법을 통해 기계 학습 모델을 축소하는tinyML을 사용하는 것이라고 굽타는 말했습니다. 목표는 모델을 최소화하여 엣지 장치와 같이 보다 리소스 효율적인 방식으로 배포할 수 있는 것이라고 그는 말했습니다. 그러나 이러한 모델은 제한된 지능을 제공하므로 복잡한 사용 사례에는 적합하지 않을 수 있습니다.

"업계 전체의 추세는 클수록 좋다는 생각이지만, 우리 연구에 따르면 이에 반대할 수 있으며 작업에 적합한 도구를 선택해야 한다는 점을 분명히 했습니다."라고 Buchanan은 말합니다.

소비 지표가 해결책이 될 수 있습니다

Buchanan은 Green Software Foundation 및 기타 이니셔티브가 소프트웨어의 탄소 배출량을 측정하고 줄이는 데 진전을 이루고 있다고 말했습니다.

예를 들어 Microsoft는 작년에 Azure Machine Learning에서 에너지 소비 메트릭을 제공하여 개발자가 가장 에너지 집약적인 작업을 정확히 찾아낼 수 있도록 했습니다. 이러한 지표는 CPU보다 빠르지만 10배 이상의 에너지를 소비하는 전력 소모가 많은 GPU에 중점을 둡니다. 뷰캐넌은 AI 모델을 실행하는 데 자주 사용되는 GPU가 전력 소비 측면에서 가장 큰 원인인 경우가 많다고 말했습니다.

그러나 뷰캐넌은 현재 사용할 수 있는 단편화된 친환경 AI 도구를 언급하면서 여전히 더 많은 상호 운용 가능한 도구가 필요하다고 말했습니다. "그린 소프트웨어 재단(Green Software Foundation)이 한 가지 일을 하고 있습니다. 하지만 클라우드 제공업체는 에너지 효율성을 높이기 위해 공동 투자를 해야 한다고 생각합니다."

굽타는 궁극적인 목표는 행동 변화를 촉발하고 친환경 AI 관행을 표준으로 만드는 것이라고 말했습니다. “우리는 단지 회계 목적으로만 이 일을 하는 것이 아닙니다.”라고 그는 말했습니다.

위 내용은 Green AI가 기후 변화에 미치는 영향을 해결하는 방법의 상세 내용입니다. 자세한 내용은 PHP 중국어 웹사이트의 기타 관련 기사를 참조하세요!