هوش مصنوعی (AI) به ابزاری اساسی برای سازمان ها در طیف گسترده ای از صنایع ، از مراقبت های بهداشتی گرفته تا کشاورزی تبدیل شده است. با این حال ، توسعه و استقرار مدل های یادگیری ماشین (ML) که این راه حل ها را بدون عواقب محیطی ندارند.
قدرت محاسباتی بالا مورد نیاز برای آموزش و استنباط مدل و همچنین مصرف انرژی مرتبط ، می تواند منجر به ردپای کربن قابل توجهی با سطح مختلف شدت کربن شود. تحقیقات نشان داده است که آموزش یک مدل بزرگ زبان می تواند به اندازه 626155 پوند معادل دی اکسید کربن (CO2E) ساطع کند ، که تقریباً برابر با کل اثر کربن در طول عمر پنج اتومبیل است.
در این مقاله ، ابتدا توضیح خواهیم داد که چگونه هوش مصنوعی بر محیط تأثیر می گذارد ، قبل از آنکه سه ابزار را بررسی کنیم که می تواند به اندازه گیری ردپای کربن مدل های ML شما کمک کند.
چگونه AI بر محیط زیست تأثیر می گذارد
ردپای کربن هوش مصنوعی مقدار دی اکسید کربن (CO2) و سایر گازهای گلخانه ای است که در طول تولید ، آموزش و استفاده از سیستم های AI ساطع می شود. این سیستم ها به طور فزاینده ای پیچیده می شوند و برای آموزش به داده های بیشتری نیاز دارند ، به این معنی که ردپای کربن آنها در حال رشد است.
گوگل نشان داده است که هوش مصنوعی به 10-15 ٪ از مصرف کلی برق آنها کمک می کند ، که در سال 2021 18.3 ساعت Terawatt بود. این بدان معنی است که هوش مصنوعی گوگل سالانه حدود 2.3 ساعت تروات می سوزد ، تقریباً دو برابر میزان برق مورد نیاز برای تأمین سالانه لندن در زیر زمین است.
اکثر ردپای کربن هوش مصنوعی از انرژی مورد استفاده برای آموزش و اجرای سیستم های هوش مصنوعی ناشی می شود. سیستم های هوش مصنوعی به طور معمول در مجموعه داده های بزرگی که در مراکز داده ذخیره می شوند آموزش می یابند. هرچه میزان انرژی این مراکز داده بیشتر باشد ، ردپای کربن مدل بیشتر می شود.
ابزارهای زیر به سازمانها راه هایی برای اندازه گیری ردپای کربن مدل های یادگیری ماشین و سیستم های هوش مصنوعی خود در اختیار سازمانها قرار می دهند. با استفاده از این ابزارها ، سازمانها می توانند در مورد تأثیر محیطی سیستم های هوش مصنوعی خود بینشی کسب کنند و برای کاهش انتشار کربن خود اقدام کنند.
ماشین حساب پایداری مایکروسافت
از آنجا که سازمان های بیشتر شرکت ها برای نیازهای هوش مصنوعی خود به خدمات ابری مانند خدمات شناختی Azure و خدمات Azure Openai روی می آورند ، ارزیابی ردپای کربن این خدمات به طور فزاینده ای اهمیت پیدا می کند. ماشین حساب پایداری مایکروسافت به عنوان یک برنامه Power BI در دسترس است و برای کمک به سازمانها در اندازه گیری و ردیابی ردپای کربن زیرساخت های فناوری اطلاعات خود طراحی شده است.
این ماشین حساب نمای کاملی از تأثیرات زیست محیطی استفاده از خدمات ابری ارائه شده توسط Azure را ارائه می دهد و به سازمان ها این امکان را می دهد تا در مورد زیرساخت های هوش مصنوعی خود تصمیمات آگاهانه بگیرند و ردپای کلی کربن خود را کاهش دهند.
این برنامه شامل انواع منابع داده ، از جمله عوامل انتشار استاندارد صنعت و معیارهای مصرف انرژی ، برای ارائه تخمین دقیق از انتشار کربن و مصرف انرژی است. همچنین طیف وسیعی از گزینه های گزارشگری را ارائه می دهد و به کاربران این امکان را می دهد تا گزارش های سفارشی را ایجاد کنند که نشان دهنده تأثیر کربن سرمایه گذاری های فناوری آنها در طول زمان است.
سه مزیت اصلی ماشین حساب شامل موارد زیر است:
- مناطقی را برای بهبود مشخص می کند: ماشین حساب پایداری مایکروسافت می تواند به سازمانها کمک کند مناطقی را برای بهبود زیرساخت های فناوری اطلاعات خود شناسایی کنند. با شناسایی مناطق پر انرژی ، سازمان ها می توانند برای کاهش ردپای کربن خود اقداماتی انجام دهند و پایدارتر شوند.
- پیشرفت در طول زمان: این ماشین حساب همچنین به سازمانها اجازه می دهد تا پیشرفت خود را به مرور زمان پیگیری کنند. با تعیین اندازه گیری های پایه و مقایسه آنها با اندازه گیری های فعلی ، سازمان ها می توانند پیشرفت خود را در جهت اهداف پایداری نظارت کنند.
- پشتیبانی شرکت: با استفاده از ماشین حساب پایداری مایکروسافت ، سازمان ها به پشتیبانی شرکت اختصاصی ارائه شده توسط مایکروسافت دسترسی دارند. این پشتیبانی شامل دسترسی به کارشناسان فنی و قابلیت های گزارش دهی سفارشی برای کمک به سازمانها برای ردیابی انتشار کربن خود به مرور زمان است. این سطح پشتیبانی می تواند به اطمینان حاصل شود که سازمانها به طور دقیق اندازه گیری و کاهش ردپای کربن خود و همچنین هماهنگی اهداف پایداری آنها با استراتژی تجاری گسترده تر خود را انجام می دهند.
با این وجود سازمانها باید در نظر داشته باشند که ماشین حساب پایداری مایکروسافت فقط تخمین ردپای کربن مدل یادگیری ماشین شما را ارائه می دهد. ردپای کربن واقعی بسته به عوامل مختلفی از جمله مشخصات منبع تغذیه محلی شما و هرگونه بهینه سازی شما برای کاهش انتشار در هنگام آموزش ممکن است متفاوت باشد.
ML CO2 MANDION MACCULTOR
ماشین حساب Impact ML CO2 ابزاری مفید برای اندازه گیری دی اکسید کربن معادل تولید شده در طول آموزش مدل های یادگیری ماشین است. در دسترس آنلاین ، کاربران با وارد کردن اطلاعات در مورد سخت افزار ، زمان اجرا و ارائه دهنده ابر ، برآوردی در مورد تأثیر کربن راه حل های خود دریافت می کنند.
پس از اتمام محاسبات ، ماشین حساب دو شکل تولید می کند: انتشار کربن خام و انتشار کربن تخمین زده شده ، که بسته به شبکه ارائه دهنده ابر ممکن است تغییر کند.
سه مزیت اصلی برای ماشین حساب شامل موارد زیر است:
- در دسترس بودن: ماشین حساب ابزاری رایگان است که بصورت آنلاین در دسترس است. این بدان معناست که می توان به هر کسی که دارای اتصال به اینترنت است ، دسترسی پیدا کرد و آن را به یک گزینه مناسب برای سازمانها در هر اندازه تبدیل کرد.
- سازگاری: این ماشین حساب با طیف گسترده ای از خدمات ابری از جمله خدمات وب مایکروسافت لاجورد و آمازون سازگار است. این امر به سازمانهایی که از خدمات یادگیری ماشین مبتنی بر ابر استفاده می کنند اجازه می دهد تا به راحتی ردپای کربن خود را تخمین بزنند و برای کاهش اثرات زیست محیطی خود اقداماتی انجام دهند.
- جامعه فعال: این ماشین حساب به رهبری محققان و دانشگاهیان ، براساس آخرین تحقیقات در مورد انتشار کربن مدل های یادگیری ماشین است.
یکی از اشکالات بالقوه استفاده از ماشین حساب تأثیر ML CO2 این است که ممکن است تخمین دقیقی برای همه سناریوها ارائه ندهد. این ماشین حساب به فرضیات و تخمین ها برای عوامل خاص مانند بهره وری انرژی سخت افزار و شدت کربن شبکه برق مورد استفاده توسط ارائه دهنده ابر متکی است. مهم است که این محدودیت را در نظر بگیرید و از تخمین ارائه شده توسط ماشین حساب به عنوان یک راهنمای خشن و نه یک اندازه گیری دقیق استفاده کنید.
کدگذاری
Codecarbon یک کتابخانه پایتون است که می تواند برای اندازه گیری انتشار کربن آموزش یادگیری ماشین و بارهای کار استنتاج استفاده شود. این می تواند در تنظیمات مختلفی از جمله محیط های توسعه محلی ، نمونه های محاسبات ابری و خوشه های محاسباتی با کارایی بالا استفاده شود.
سه مزایای Codecarbon عبارتند از:
- اندازه گیری دانه: Codecarbon با ردیابی مصرف انرژی دستگاههای CPU و GPU فردی در طی فرایند آموزش و استنتاج ، اندازه گیری ریز از انتشار کربن را ارائه می دهد. این سطح از جزئیات ، توسعه دهندگان را قادر می سازد تا کدام مؤلفه های سیستم را بیشترین میزان در انتشار کربن را داشته باشند و برای بهینه سازی آنها اقدام کنند.
- ادغام آسان: CodeCarbon از آنجا که به عنوان یک کتابخانه پایتون ساخته شده است ، می تواند در گردش کار یادگیری ماشین موجود ادغام شود. این می تواند در چارچوب های محبوب یادگیری ماشین مانند Tensorflow ، Pytorch و Scikit-Learn استفاده شود.
- منبع باز: Codecarbon یک پروژه منبع باز است ، به این معنی که برای استفاده آزادانه برای استفاده در دسترس است و می تواند برای پاسخگویی به نیازهای خاص سازمانهای انفرادی اصلاح شود. این می تواند به سازمانها کمک کند تا در هزینه های صدور مجوز صرفه جویی کنند و در عین حال به تلاش بیشتر جامعه برای کاهش تأثیر محیطی یادگیری ماشین کمک کنند.
یکی از اشکالات بالقوه استفاده از Codecarbon این است که به تخصص فنی و دانش در مورد توسعه یادگیری ماشین سنتی ، به ویژه با پایتون نیاز دارد. این می تواند مانعی برای سازمانهایی باشد که تخصص داخلی ندارند یا ممکن است برای یادگیری ماشین جدید باشند.
پایان
اندازه گیری ردپای کربن مدل یادگیری ماشین شما گامی مهم در جهت ساخت راه حل های هوش مصنوعی پایدار و سازگار با محیط زیست است. سه ابزار مورد بحث در این مقاله ، ماشین حساب پایداری مایکروسافت ، ماشین حساب تأثیر ML CO2 و Codecarbon ، سازمان های مختلفی را برای تخمین انتشار کربن خود و شناسایی مناطقی برای بهبود ارائه می دهد.
در حالی که این ابزارها بینش های ارزشمندی را ارائه می دهند ، باید در نظر داشته باشید که آنها تخمین می زنند و ممکن است اندازه گیری های دقیقی را در تمام سناریوها ارائه ندهند. با این وجود ، می توان از آنها به عنوان نقطه شروع برای سازمان ها استفاده کرد تا ردپای کربن خود را کاهش داده و به سمت آینده ای پایدار حرکت کنند.
