تصویر توسط ویرایشگر
برنامه های کاربردی هوش مصنوعی دارای قابلیت های محاسباتی بی نظیری هستند که می توانند پیشرفت را با سرعتی بی سابقه به پیش ببرند. با این وجود، این ابزارها برای عملیات خود به شدت به مراکز داده پرمصرف انرژی متکی هستند که منجر به کمبود نگران کننده حساسیت انرژی می شود که به طور قابل توجهی به ردپای کربن آنها کمک می کند. با کمال تعجب، این برنامههای کاربردی هوش مصنوعی در حال حاضر به میزان قابل توجهی اختصاص دارند 2.5 به 3.7 درصد انتشار گازهای گلخانه ای جهانی، از انتشارات صنعت هوانوردی پیشی گرفته است.
و متأسفانه، این ردپای کربن با سرعت زیادی در حال افزایش است.
در حال حاضر، نیاز مبرم اندازهگیری ردپای کربن برنامههای یادگیری ماشینی است، همانطور که توسط خرد پیتر دراکر تأکید شده است که «شما نمیتوانید آنچه را که نمیتوانید اندازهگیری کنید، مدیریت کنید». در حال حاضر، فقدان وضوح قابل توجهی در تعیین کمیت تأثیرات زیستمحیطی هوش مصنوعی وجود دارد و ارقام دقیق از ما دوری میکنند.
علاوه بر اندازه گیری ردپای کربن، رهبران صنعت هوش مصنوعی باید فعالانه روی بهینه سازی آن تمرکز کنند. این رویکرد دوگانه برای پرداختن به نگرانیهای زیستمحیطی پیرامون برنامههای هوش مصنوعی و حصول اطمینان از مسیری پایدارتر به جلو حیاتی است.
افزایش استفاده از یادگیری ماشینی مستلزم افزایش مراکز داده است که بسیاری از آنها تشنه انرژی هستند و بنابراین ردپای کربن قابل توجهی دارند. میزان مصرف برق جهانی توسط مراکز داده به میزان بود 0.9 به 1.3 درصد در 2021.
A مطالعه 2021 تخمین زده می شود که این استفاده می تواند تا سال 1.86 به 2030 درصد افزایش یابد شکل نشان دهنده روند افزایشی تقاضای انرژی ناشی از مراکز داده است
© روند مصرف انرژی و سهم استفاده از مراکز داده
قابل ذکر است که هرچه مصرف انرژی بیشتر باشد، ردپای کربن بیشتر خواهد بود. مراکز داده در حین پردازش گرم می شوند و می توانند معیوب شوند و حتی به دلیل گرمای بیش از حد از کار بیفتند. از این رو، آنها نیاز به خنک کننده دارند، که نیاز به انرژی اضافی دارد. دور و بر 40 درصد از برق مصرفی مراکز داده برای تهویه مطبوع است.
با توجه به افزایش ردپای استفاده از هوش مصنوعی، شدت کربن این ابزارها باید در نظر گرفته شود. در حال حاضر، تحقیق در این زمینه محدود به تحلیل چند مدل است و به اندازه کافی به تنوع مدلهای مذکور نمیپردازد.
در اینجا یک روش تکامل یافته و چند ابزار موثر برای محاسبه شدت کربن سیستم های هوش مصنوعی وجود دارد.
شدت کربن نرم افزار (SCI) استاندارد یک رویکرد موثر برای تخمین شدت کربن سیستمهای هوش مصنوعی است. بر خلاف روشهای مرسوم که از رویکرد حسابداری کربن اسنادی استفاده میکنند، از یک رویکرد محاسباتی نتیجهای استفاده میکند.
رویکرد نتیجهای تلاش میکند تا تغییر حاشیهای در انتشار ناشی از یک مداخله یا تصمیم، مانند تصمیم برای تولید یک واحد اضافی را محاسبه کند. در حالی که، انتساب به دادههای شدت متوسط حسابداری یا موجودیهای ساکن انتشارات اشاره دارد.
A مقاله در مورد "اندازه گیری شدت کربن هوش مصنوعی در نمونه های ابری" توسط جسی دوج و همکاران. از این روش برای ارائه تحقیقات آگاهانه تر استفاده کرده است. از آنجایی که مقدار قابل توجهی از آموزش مدل هوش مصنوعی بر روی نمونه های محاسبات ابری انجام می شود، می تواند یک چارچوب معتبر برای محاسبه ردپای کربن مدل های هوش مصنوعی باشد. این مقاله فرمول SCI را برای برآوردهایی مانند:
که از :
که ناشی از
که در آن:
E: انرژی مصرف شده توسط یک سیستم نرم افزاری، عمدتاً واحدهای پردازش گرافیکی-GPU که سخت افزار تخصصی ML است.
I: انتشار کربن حاشیه ای مبتنی بر مکان توسط شبکه برق رسانی به مرکز داده.
M: کربن جاسازی شده یا جاسازی شده، کربنی است که در طول استفاده، ایجاد و دفع سخت افزار منتشر می شود.
R: واحد عملکردی که در این مورد یکی از وظایف آموزش یادگیری ماشین است.
C= O+M که O برابر با E*I است
این مقاله از فرمول برای تخمین مصرف برق یک نمونه ابر استفاده می کند. در سیستم های ML مبتنی بر یادگیری عمیق، مصرف عمده برق مدیون GPU است که در این فرمول گنجانده شده است. آنها یک مدل پایه BERT را با استفاده از یک واحد پردازشگر گرافیکی NVIDIA TITAN X (12 گیگابایت) در یک سرور کالا با دو پردازنده Intel Xeon E5-2630 v3 (2.4GHz) و 256GB RAM (16x16GB DIMM) آموزش دادند تا کاربرد این فرمول را آزمایش کنند. شکل زیر نتایج این آزمایش را نشان می دهد:
© مصرف انرژی و تقسیم بین اجزای یک سرور
GPU ادعا می کند 74 درصد از مصرف انرژی. اگرچه هنوز توسط نویسندگان مقاله به عنوان دست کم گرفته شده ادعا می شود، گنجاندن GPU گامی در جهت درست است. تمرکز تکنیکهای تخمین مرسوم نیست، به این معنی که یکی از عوامل اصلی ردپای کربن در برآوردها نادیده گرفته میشود. بدیهی است که SCI محاسبات کامل تر و قابل اعتمادتری از شدت کربن ارائه می دهد.
آموزش مدل هوش مصنوعی اغلب بر روی نمونه های محاسبات ابری انجام می شود، زیرا ابر آن را انعطاف پذیر، در دسترس و مقرون به صرفه می کند. رایانش ابری زیرساخت و منابعی را برای استقرار و آموزش مدلهای هوش مصنوعی در مقیاس فراهم میکند. به همین دلیل است که آموزش مدل در رایانش ابری به تدریج در حال افزایش است.
اندازه گیری شدت کربن در زمان واقعی نمونه های محاسبات ابری برای شناسایی مناطق مناسب برای تلاش های کاهش مهم است. محاسبه انتشارات نهایی مبتنی بر زمان و مکان خاص در واحد انرژی می تواند به محاسبه انتشار کربن عملیاتی کمک کند، همانطور که توسط یک مقاله 2022.
An متن باز ابزار، نرم افزار Cloud Carbon Footprint (CCF) نیز برای محاسبه تاثیر نمونه های ابری موجود است.
در اینجا 7 روش برای بهینه سازی شدت کربن سیستم های هوش مصنوعی آورده شده است.
1. کد بهتر و کارآمدتر بنویسید
کدهای بهینه شده می توانند مصرف انرژی را کاهش دهند 30 درصد از طریق کاهش حافظه و استفاده از پردازنده. نوشتن یک کد کربن کارآمد شامل بهینه سازی الگوریتم ها برای اجرای سریعتر، کاهش محاسبات غیر ضروری و انتخاب سخت افزار با انرژی کارآمد برای انجام وظایف با توان کمتر است.
توسعه دهندگان می توانند از ابزارهای پروفایل برای شناسایی تنگناهای عملکرد و مناطق برای بهینه سازی در کد خود استفاده کنند. این فرآیند می تواند منجر به نرم افزارهای کم مصرف تر شود. همچنین، پیادهسازی تکنیکهای برنامهنویسی آگاه از انرژی را در نظر بگیرید، جایی که کد برای انطباق با منابع موجود و اولویتبندی مسیرهای اجرای کارآمد انرژی طراحی شده است.
2. مدل کارآمدتر را انتخاب کنید
انتخاب الگوریتم ها و ساختارهای داده مناسب بسیار مهم است. توسعه دهندگان باید الگوریتم هایی را انتخاب کنند که پیچیدگی محاسباتی و در نتیجه مصرف انرژی را به حداقل برساند. اگر مدل پیچیدهتر فقط 3-5٪ پیشرفت داشته باشد، اما 2-3 برابر زمان بیشتری برای آموزش نیاز دارد. سپس مدل ساده تر و سریعتر را انتخاب کنید.
تقطیر مدل تکنیک دیگری برای متراکم کردن مدلهای بزرگ به نسخههای کوچکتر است تا با حفظ دانش ضروری، کارآمدتر شود. این را می توان با آموزش یک مدل کوچک برای تقلید از مدل بزرگ یا حذف اتصالات غیر ضروری از یک شبکه عصبی به دست آورد.
3. پارامترهای مدل را تنظیم کنید
فراپارامترها را برای مدل با استفاده از بهینهسازی دو هدفه تنظیم کنید که عملکرد مدل (به عنوان مثال، دقت) و مصرف انرژی را متعادل میکند. این رویکرد دوهدفه تضمین میکند که شما یکی را فدای دیگری نمیکنید و مدلهای خود را کارآمدتر میکند.
تکنیک های اهرمی مانند تنظیم دقیق پارامتر کارآمد (PEFT) که هدف آن دستیابی به عملکردی مشابه تنظیم دقیق سنتی اما با کاهش تعداد پارامترهای قابل آموزش است. این رویکرد شامل تنظیم دقیق زیرمجموعه کوچکی از پارامترهای مدل است در حالی که اکثر مدلهای زبان بزرگ (LLM) از پیش آموزشدیدهشده را ثابت نگه میدارد، که منجر به کاهش قابلتوجه در منابع محاسباتی و مصرف انرژی میشود.
4. فشرده سازی داده ها و استفاده از ذخیره سازی کم انرژی
پیاده سازی تکنیک های فشرده سازی داده ها برای کاهش حجم داده های ارسالی. داده های فشرده به انرژی کمتری برای انتقال نیاز دارند و فضای کمتری را روی دیسک اشغال می کنند. در طول مرحله ارائه مدل، استفاده از حافظه پنهان می تواند به کاهش تماس های برقرار شده با لایه ذخیره سازی آنلاین کمک کند و در نتیجه کاهش دهد.
علاوه بر این، انتخاب فناوری ذخیره سازی مناسب می تواند به دستاوردهای قابل توجهی منجر شود. برای مثال AWS Glacier یک راه حل کارآمد برای آرشیو داده ها است و در صورتی که نیازی به دسترسی مکرر به داده ها نباشد، می تواند رویکرد پایدارتری نسبت به استفاده از S3 باشد.
5. مدل های قطار در مورد انرژی پاک تر
اگر از یک سرویس ابری برای آموزش مدل استفاده میکنید، میتوانید منطقه را برای انجام محاسبات انتخاب کنید. منطقه ای را انتخاب کنید که از منابع انرژی تجدیدپذیر برای این منظور استفاده می کند، و می توانید انتشار گازهای گلخانه ای را تا حداکثر کاهش دهید. بار 30. AWS پست های وبلاگ تعادل بین بهینه سازی برای کسب و کار و اهداف پایداری را ترسیم می کند.
گزینه دیگر انتخاب زمان مناسب برای اجرای مدل است. در ساعات معینی از روز؛ انرژی پاک تر است و چنین داده هایی را می توان از طریق یک سرویس پولی مانند نقشه برق، که دسترسی به داده های بلادرنگ و پیش بینی های آینده در مورد شدت کربن برق در مناطق مختلف را ارائه می دهد.
6. از مراکز داده و سخت افزار تخصصی برای آموزش مدل استفاده کنید
انتخاب مراکز داده و سخت افزار کارآمدتر می تواند تفاوت زیادی در شدت کربن ایجاد کند. مراکز داده و سخت افزار خاص ML می تواند باشد 1.4-2 و 2 تا 5 برابر مصرف انرژی بیشتر از معمول است.
7. از استقرارهای بدون سرور مانند AWS Lambda، Azure Functions استفاده کنید
استقرارهای سنتی مستلزم این است که سرور همیشه روشن باشد، که به معنای مصرف انرژی 24×7 است. استقرارهای بدون سرور مانند AWS Lambda و Azure Functions به خوبی با حداقل شدت کربن کار می کنند.
بخش هوش مصنوعی در حال تجربه رشد تصاعدی است که در هر جنبه ای از تجارت و زندگی روزمره نفوذ می کند. با این حال، این گسترش هزینه دارد - ردپای کربن رو به رشدی که تهدید می کند ما را از هدف محدود کردن افزایش دمای جهانی به تنها 1 درجه سانتی گراد دور کند.
این ردپای کربن فقط یک نگرانی فعلی نیست. پیامدهای آن ممکن است بین نسلها گسترش یابد و بر کسانی تأثیر بگذارد که هیچ مسئولیتی در قبال ایجاد آن ندارند. بنابراین، انجام اقدامات قاطع برای کاهش انتشار کربن مرتبط با هوش مصنوعی و کشف راههای پایدار برای استفاده از پتانسیل آن ضروری است. بسیار مهم است که اطمینان حاصل شود که مزایای هوش مصنوعی به ضرر محیط زیست و رفاه نسل های آینده تمام نمی شود.
آنکور گوپتا یک رهبر مهندسی با یک دهه تجربه در حوزه های پایداری، حمل و نقل، مخابرات و زیرساخت است. در حال حاضر سمت مدیر مهندسی Uber را دارد. در این نقش، او نقشی محوری در پیشبرد پلتفرم وسایل نقلیه Uber ایفا میکند و از طریق ادغام وسایل نقلیه برقی و متصل بههمراه، هزینه را به سمت آیندهای با آلایندگی صفر هدایت میکند.
- محتوای مبتنی بر SEO و توزیع روابط عمومی. امروز تقویت شوید.
- PlatoData.Network Vertical Generative Ai. به خودت قدرت بده دسترسی به اینجا.
- PlatoAiStream. هوش وب 3 دانش تقویت شده دسترسی به اینجا.
- PlatoESG. کربن ، CleanTech، انرژی، محیط، خورشیدی، مدیریت پسماند دسترسی به اینجا.
- PlatoHealth. هوش بیوتکنولوژی و آزمایشات بالینی. دسترسی به اینجا.
- منبع: https://www.kdnuggets.com/greening-ai-7-strategies-to-make-applications-more-sustainable?utm_source=rss&utm_medium=rss&utm_campaign=greening-ai-7-strategies-to-make-applications-more-sustainable
- : دارد
- :است
- :نه
- :جایی که
- $UP
- 1
- 1.3
- 12
- ٪۱۰۰
- 2021
- 2030
- 7
- 9
- a
- دسترسی
- قابل دسترسی است
- در دسترس
- حساب
- اختصاص
- حسابداری (Accounting)
- دقت
- دست
- ACM
- به دست آورد
- در میان
- اقدامات
- فعالانه
- وفق دادن
- اضافه
- اضافی
- نشانی
- خطاب به
- به اندازه کافی
- پیشرفت
- موثر بر
- AI
- مدل های هوش مصنوعی
- سیستم های هوش مصنوعی
- AIR
- تهویه مطبوع
- AL
- الگوریتم
- قبلا
- همچنین
- هر چند
- همیشه
- آمازون
- مقدار
- an
- تجزیه و تحلیل
- و
- و زیرساخت
- دیگر
- کاربرد
- برنامه های کاربردی
- روش
- هستند
- مناطق
- دور و بر
- AS
- At
- رسیدن
- تلاشها
- نویسندگان
- در دسترس
- راه ها
- میانگین
- هوانوردی
- دور
- AWS
- AWS لامبدا
- لاجوردی
- برج میزان
- مستقر
- BE
- خرس
- شدن
- شود
- بودن
- مزایای
- بهتر
- میان
- تنگناها
- به ارمغان بیاورد
- کسب و کار
- اما
- by
- نهانگاه
- محاسبه
- تماس ها
- CAN
- قابلیت های
- کربن
- انتشار کربن
- رد پای کربن
- مورد
- مراکز
- معین
- تغییر دادن
- بار
- را انتخاب کنید
- ادعا کرد که
- ادعای
- وضوح
- پاک کننده
- ابر
- محاسبات ابری
- رمز
- کد
- بیا
- می آید
- کالا
- پیچیده
- پیچیدگی
- اجزاء
- محاسبه
- محاسباتی
- محاسبات
- محاسبه
- محاسبه
- نگرانی
- در باره
- نگرانی ها
- انجام
- متصل
- اتصالات
- دارای اهمیت
- در نتیجه
- در نظر بگیرید
- مصرف
- مصرف
- کمک می کند
- شرکت کننده
- معمولی
- ایجاد
- بسیار سخت
- در حال حاضر
- لبه برش
- روزانه
- داده ها
- مرکز دادهها
- مرکز داده
- روز
- دهه
- تصمیم
- قاطع
- کاهش یافته
- عمیق
- یادگیری عمیق
- تقاضا
- گسترش
- اعزام ها
- طراحی
- توسعه دهندگان
- تفاوت
- مختلف
- جهت
- دسترس
- تنوع
- do
- میکند
- سگ
- حوزه
- انجام شده
- رانندگی
- دو
- در طی
- e
- E&T
- موثر
- موثر
- تلاش
- برقی
- برق
- مصرف برق
- مصرف برق
- جاسازی شده
- تولید گازهای گلخانه ای
- تاکید
- به کار گرفته شده
- کار می کند
- انرژی
- مصرف انرژی
- مهندسی
- اطمینان حاصل شود
- تضمین می کند
- حصول اطمینان از
- محیط
- محیطی
- نگرانی های زیست محیطی
- برابر
- ضروری است
- تخمین زدن
- برآورد
- اتر (ETH)
- حتی
- هر
- تکامل
- اعدام
- وجود دارد
- توسعه
- تجربه
- تجربه
- تجربه
- اکتشاف
- نمایی
- رشد نمایی
- گسترش
- اضافی
- FAST
- سریعتر
- معیوب
- کمی از
- شکل
- آمار و ارقام
- پایان
- قابل انعطاف
- تمرکز
- پیروی
- رد پا
- برای
- فرمول
- به جلو
- چارچوب
- غالبا
- از جانب
- منجمد
- تابعی
- عملکرد
- توابع
- بیشتر
- آینده
- عایدات
- GAS
- سوالات عمومی
- تولید می کنند
- نسل ها
- جهانی
- هدف
- اهداف
- GPU
- بتدریج
- گاز گلخانه ای
- انتشار گازهای گلخانه ای
- توری
- رشد
- سخت افزار
- بهره برداری
- آیا
- he
- به شدت
- کمک
- از این رو
- بالاتر
- دارای
- اما
- HTTPS
- بزرگ
- گرسنه
- شناسایی
- IEA
- if
- تأثیر
- امری ضروری
- اجرای
- مهم
- بهبود
- in
- مشمول
- گنجاندن
- افزایش
- افزایش
- افزایش
- افزایش
- صنعت
- اطلاع
- شالوده
- نمونه
- نمونه ها
- ادغام
- اینتل
- مداخله
- به
- شامل
- IT
- ITS
- JPG
- تنها
- kdnuggets
- نگهداری
- دانش
- عدم
- زبان
- بزرگ
- لایه
- رهبری
- رهبر
- رهبران
- برجسته
- یادگیری
- کمتر
- پسندیدن
- محدود شده
- لینک
- بر اساس موقعیت مکانی
- کاهش
- دستگاه
- فراگیری ماشین
- ساخته
- عمده
- اکثریت
- ساخت
- باعث می شود
- ساخت
- مدیریت
- مدیر
- بسیاری
- ممکن است..
- به معنی
- اندازه
- اندازه گیری
- حافظه
- متدولوژی ها
- روش شناسی
- حداقل
- به حداقل رساندن
- کاهش
- کاهش
- ML
- مدل
- مدل
- بیش
- کارآمدتر
- باید
- نیاز
- نیازهای
- شبکه
- عصبی
- شبکه های عصبی
- با این اوصاف
- نه
- عدد
- کارت گرافیک Nvidia
- اشغال می کند
- of
- پیشنهادات
- غالبا
- on
- ONE
- آنهایی که
- آنلاین
- فقط
- کار
- قابل استفاده
- عملیات
- بموقع
- بهینه سازی
- بهینه سازی
- بهینه سازی
- گزینه
- or
- دیگر
- نمای کلی
- سرعت
- پرداخت
- مقاله
- پارامترهای
- مسیر
- برای
- در صد
- انجام دادن
- کارایی
- از پا افتادن
- فاز
- انتخاب کنید
- محوری
- سکو
- افلاطون
- هوش داده افلاطون
- PlatoData
- نقش
- موقعیت
- داشتن
- پتانسیل
- قدرت
- برق
- دقیق
- پیش بینی
- در حال حاضر
- فشار
- در درجه اول
- اولویت بندی
- روند
- در حال پردازش
- پردازنده
- پروفایل
- برنامه نويسي
- پیشرفت
- پروانه
- فراهم می کند
- هدف
- رم
- زمان واقعی
- داده های زمان واقعی
- كاهش دادن
- کاهش
- کاهش
- کاهش
- اشاره دارد
- پالوده
- با توجه
- منطقه
- مناطق
- قابل اعتماد
- تکیه
- از بین بردن
- تجدید پذیر
- انرژی تجدید پذیر
- پیامدهای
- نشان دهنده
- نیاز
- نیاز
- تحقیق
- منابع
- مسئوليت
- نتیجه
- نتیجه
- نتایج
- حفظ
- راست
- نقش
- دویدن
- s
- قربانی کردن
- سعید
- مقیاس
- SCI
- بخش
- انتخاب
- حساسیت
- سرور
- بدون سرور
- سرویس
- خدمت
- اشتراک گذاری
- باید
- نشان می دهد
- قابل توجه
- به طور قابل توجهی
- مشابه
- پس از
- تنها
- کوچک
- کوچکتر
- نرم افزار
- راه حل
- منابع
- فضا
- تنش
- تخصصی
- انشعاب
- هدایت کردن
- گام
- هنوز
- توقف
- ذخیره سازی
- استراتژی ها
- ساختار
- موضوع
- قابل توجه
- چنین
- مناسب
- فراتر
- اطراف
- پایداری
- قابل تحمل
- سیستم
- سیستم های
- T
- گرفتن
- طول می کشد
- کار
- وظایف
- تکنیک
- تکنیک
- پیشرفته
- ارتباط از راه دور
- نسبت به
- که
- La
- شان
- آنها
- سپس
- آنجا.
- در نتیجه
- از این رو
- اینها
- آنها
- این
- کسانی که
- تهدید می کند
- از طریق
- بدین ترتیب
- زمان
- بار
- تیتان
- به
- ابزار
- ابزار
- طرف
- سنتی
- قطار
- آموزش دیده
- آموزش
- انتقال
- حمل و نقل
- روند
- دو
- حال بارگذاری
- متاسفانه
- واحد
- بر خلاف
- بی نظیر
- بی سابقه
- us
- استفاده
- استفاده کنید
- استفاده
- با استفاده از
- معتبر
- وسایل نقلیه
- حیاتی
- راه
- چی
- در حالیکه
- که
- در حین
- WHO
- که
- چرا
- اراده
- خرد
- با
- مهاجرت کاری
- نوشتن
- نوشته
- X
- بازده
- شما
- شما
- زفیرنت