By Lewis Lovejoy, CTO bij Slimmer.ai.

Sinds het concept van 'thinking machines' werd geïntroduceerd in Alan Turing's 1950 paper "Computermachines en intelligentie,” gesprekken over kunstmatige intelligentie en het mogelijke gebruik ervan in moderne technologie zijn wijdverbreid.

Het is heel goed mogelijk dat de algemene bevolking alleen is blootgesteld aan AI via de charmante droids van Star Wars en de robotmeid van The Jetsons. Hoewel het optreden als back-up voor Luke Skywalker en Jane Jetson misschien voldoende impact heeft voor de gemiddelde Joe, vragen anderen zich misschien af ​​hoe AI-modellen complexere problemen zoals klimaatverandering en wijdverbreide vervuiling aanpakken.

Klimaatverandering en AI: wat is de COXNUMX-voetafdruk van machine learning?

Ondanks dat ze wordt geprezen voor het veranderen van de wereld van werk, heeft de AI-industrie een onmiskenbaar grote ecologische voetafdruk die een klimaatprobleem vormt.

Een impactvolle studie door de Universiteit van Massachusetts heeft onthuld dat het proces van het trainen van een groot AI-model via deep learning meer dan 626,000 pond koolstofdioxide heeft vrijgemaakt, [1], wat bijna vijf keer de uitstoot is van de gemiddelde Amerikaanse auto gedurende zijn levensduur. [2] Dit omvat niet alleen de lopende emissies, maar ook de emissies die vrijkomen tijdens de productie.

Bij het nader onderzoeken van dit emissieprobleem blijkt taalmodellering een uitstekende case study. Toen verschillende natuurlijke taalverwerkingsmodellen (NLP) werden beoordeeld, bleek dat het energieverbruik dat nodig is om een ​​enkel model te trainen 300,000 kg koolstofdioxide vrijmaakte.[3] Het GPT-3-taalmodel van OpenAI is een specifieker voorbeeld van de duizelingwekkende CO552-voetafdruk van AI, waarbij tijdens de training 2 ton CO4 vrijkomt.[XNUMX]

Het trainingsproces voor modellen is al ongelooflijk energie-intensief, maar elke verfijning die bedrijven aan algoritmen vragen, tilt emissies naar een hoger niveau. Dit komt omdat bij fijnafstemming veel gegevens naar een model worden gevoerd, wat resulteert in een enorme energieverspilling door verhoogde computervereisten.

Wat kunnen we doen om de impact van machine learning op klimaatverandering te bestrijden?

Hoewel de vooruitgang in modellering zeker opwindend is, geldt dat hoe groter en specifieker deze modellen worden, hoe meer berekeningen er nodig zijn om ze te trainen. Het gebruik van hernieuwbare energienetwerken voor complexe neurale netwerktraining is iets waar grote technologiebedrijven in kunnen investeren, maar efficiëntere GPU's zijn cruciaal om de CO5-impact van AI op wereldschaal te verminderen.[XNUMX]

Bovendien is het van cruciaal belang dat grote internationale bedrijven hun gegevens delen en hun uitstoot kwantificeren. Immers, hoe kunnen emissies op een zinvolle manier worden aangepakt als we geen goed beeld krijgen waar veranderingen moeten worden doorgevoerd?

Hoewel dit in principe eenvoudig lijkt, zelfs wanneer gegevens beschikbaar worden gesteld, worden toezeggingen tot koolstofneutraliteit en CO15-neutrale operaties door bedrijven met voeten getreden. Zo steeg de uitstoot van Amazon alleen al in 2019 met maar liefst 2025%, ondanks de belofte van het bedrijf om tegen 6 koolstofvrij te blijven.[XNUMX]

Ook al zijn deze cijfers alarmerend, we mogen de hoop niet verliezen.

Het ontwerp van machine learning-algoritmen, de gebruikte trainingshardware en elektriciteitsopwekking kunnen allemaal een enorm verschil maken voor de CO10-voetafdruk van AI. Deze infrastructuur is misschien minder kosteneffectief voor technologiebedrijven, maar een onderzoek van de University of Berkley heeft aangetoond dat zelfs het verplaatsen van datacenters van kolenintensieve energiegebieden naar elektrisch geleide gebieden de uitstoot met een factor 100 tot 7 keer zou kunnen verminderen.[ XNUMX] Als bedrijven migreren naar de cloud voor hun algoritmetraining, kan de factorreductie nog significanter blijken te zijn.

Bovendien kan het gebruik van neurale netwerkspecifieke chips de energie die nodig is om grote modellen te trainen aanzienlijk verminderen.[8] Het upgraden van modellen om de nieuwste beschikbare AI-chips te vereisen, zal initiële investeringskosten met zich meebrengen, maar de COXNUMX-besparingen in de loop van de tijd zijn indrukwekkend.

Hoe de wereld en het bedrijfsleven kunnen profiteren van milieu-AI

Met de klimaatcrisis in onze handen en de koolstofimpact van AI die zichtbaarder is dan ooit tevoren, zou het toepassen van ecologisch duurzame praktijken een belangrijke overweging moeten zijn voor elke sector. Realistisch gezien, hoe waardevol een product of dienst ook is, afzien van duurzaamheid in 2021 kan leiden tot vervreemding van waardevolle consumenten.

Alsof dat nog niet overtuigend genoeg was, kan het verminderen van de ecologische voetafdruk van een bedrijf zijn profiel verhogen en op den duur geld besparen door verbeterde efficiëntie. Massa-recyclingstations en zonnepanelen zijn effectieve noodoplossingen voor bedrijven, maar het stoppen van de aantasting van het milieu vereist een radicalere aanpak met een slim netwerkontwerp, een emissiearme infrastructuur en transparante systemen.[9]

Verschillende grote bedrijven hebben milieu-AI al omarmd, waarbij de DeepMind-divisie van Google een van de meest productieve voorbeelden is van aan klimaatverandering gerelateerde AI in de rest van de wereld. Hoewel de uitstoot van Google nog steeds hoger is dan optimaal is, speelde DeepMind een belangrijke rol bij het verminderen van de energiebehoefte van Google's datacenters met maar liefst 40%,[10] en laat zien hoe effectief milieu-AI kan zijn bij het verduurzamen van commerciële bedrijven.

Na verloop van tijd zullen bedrijven hun energiebehoefte verminderen door middel van vergelijkbare AI-voorspellingsmodellen en beter beheer van hulpbronnen.

Wat kan milieu-AI precies doen op wereldwijde schaal?

Na al die negativiteit vraag je je misschien af ​​wat AI kan doen For de omgeving.

AI speelt natuurlijk een dubbele rol in de samenleving, en ondanks zijn tekortkomingen als het gaat om CO2-emissies, kan AI-modellering nog steeds het vervoer duurzamer maken, het weer monitoren, helpen bij adaptief stadsbeheer en duurzame visserij bevorderen. Dit is zeker indrukwekkend, maar het is slechts een fractie van wat milieu-AI op wereldschaal hoopt te bereiken.

Om ons punt vooruit te helpen, gaan we naar het Texaanse energiebedrijf Xcel Energy als een specifiek voorbeeld van Environmental AI in de praktijk. Om klimaatverandering aan te pakken en af ​​te stappen van onbetrouwbare windenergie, heeft dit bedrijf geïnvesteerd in machine learning om weerpatronen beter te begrijpen. NCAR-gegevens van AI-sensoren op turbines gebruiken, kunnen ze nu de windniveaus beter voorspellen.

Daardoor zijn ze erin geslaagd hun prijzen te verlagen en minder kolen en gas te gebruiken om hun energie op te wekken.[11] Door duurzame modellen voor machinaal leren op wereldwijde schaal in te zetten, zouden bedrijven over de hele wereld dit succes moeten kunnen weerspiegelen. Dit zou op termijn de productie efficiënter moeten maken en de afhankelijkheid van niet-duurzame energiebronnen moeten verminderen.

Vanwege hun nauwkeurigheid en groot bereik worden AI-modellen ook met succes gebruikt in de stedenbouw. Met de juiste gegevens kunnen machine learning-modellen congestie verminderen, automatisch de verwarmingsniveaus regelen en het aantal beschikbare groene ruimten voor burgers vergroten.[12] Aangezien luchtvervuiling verantwoordelijk is voor ongeveer 4.2 miljoen sterfgevallen per jaar, zou de introductie van effectieve milieu-AI in deze sectoren een duidelijk effect kunnen hebben op de wereldwijde sterfte.[13]

Met de juiste algoritmen en intelligente systemen kunnen nauwkeurige metingen worden uitgevoerd om te monitoren elke milieu in de loop van de tijd, waardoor stedenbouwkundigen effectieve stappen kunnen zetten in de richting van duurzaamheid voordat het te laat is.

Aangezien 97% van de klimaatwetenschappers van mening is dat menselijke activiteit de belangrijkste aanjager is van klimaatverandering, is het gebruik van AI om de stadsemissies te verminderen en vervuiling te beheersen een onderneming die aanzienlijke tijd- en kosteninvesteringen waard is.

Duiken in diep leren: het argument complexiteit versus eenvoud

Zoals we hebben besproken, speelt AI-technologie bijna altijd een dubbele rol als het om het milieu gaat. In wezen is het in staat om de klimaatveranderingscrisis evenzeer te belemmeren en te helpen.

Het argument complexiteit versus eenvoud is een eeuwig argument binnen de AI-industrie, aangezien, in theorie, hoe complexer bedrijven hun AI-modellen kunnen maken, hoe groter de kans is dat ze een revolutie teweeg zullen brengen in de toekomst van de productie. Het valt niet te ontkennen dat dit het bedrijfsresultaat van de gemiddelde onderneming enorm ten goede zal komen, aangezien complexe modellen te maken hebben met hyperparameters die ze in de loop van de tijd productiever maken.

Dat wil echter niet zeggen dat complexe neurale netwerken nodig zijn voor alle bedrijven wanneer eenvoudige Bayesiaanse modellering de gegevens en projecties zou opleveren die nodig zijn om veelvoorkomende problemen op te lossen. Waarom zouden bedrijven in principe het equivalent van een Formule 1-auto kopen als een Honda Civic voldoende rekenkracht heeft om de klus te klaren?

Hoewel deze analogie verwijst naar auto's en niet naar datacenters, kiezen voor eenvoudige modellen die de aarde niet kosten, zal AI democratiseren, waardoor de voordelen van deze technologie voor iedereen toegankelijker worden. In de loop van de tijd zal dit ertoe leiden dat er minder modellen worden getraind en dat de COXNUMX-uitstoot wordt verminderd, aangezien kleinere bedrijven in de voetsporen treden van de grote technologie en AI gebruiken om de efficiëntie te verbeteren. Het kan het ego van een CEO versterken om te investeren in de meest complexe technologie die er is, maar in de praktijk is het niet nodig of bijzonder zakelijk om te kiezen voor op maat gemaakte AI-oplossingen.

Om de aantasting van het milieu te vertragen, heeft AI-wetenschapper Deepika Sandeep van Bharat Light & Power bedrijven aangespoord om alternatieve oplossingen te vinden voor nieuwe modellering. Dit wil niet zeggen dat AI niet kan worden gebruikt om problemen op te lossen, maar het doel zou moeten zijn om trainingscycli te minimaliseren en te voorkomen dat je overgaat op diepe neurale netwerken wanneer problemen kunnen worden opgelost met "minder rekenintensieve AI".

Waarom milieu-AI de toekomst is

Ongeacht waar het wordt gebruikt, de toekomst zal op de een of andere manier AI bevatten. Naarmate machine learning-technologie meer alomtegenwoordig wordt en noodzakelijk voor bedrijven die een concurrentievoordeel willen behalen, degenen die er niet mee bezig zijn, zullen gewoon achterop raken.

Hoewel machine learning relevant is in het bedrijfsleven als het gaat om het opvoeren van de productie en het beoordelen van het gedrag van klanten, door tijdrovende administratieve taken opnieuw toe te wijzen en te zijn waar mensen dat niet kunnen, kan kunstmatige intelligentie ook helpen de klimaatverandering tegen te gaan door de COXNUMX-impact te verminderen die komt met onzekerheid.

Volgens een onderzoek naar AI en Sustainable Development Goals (SDG's) door Nature Communications in 2020 zou massaal gebruik van AI-technologie kunnen helpen bij het bereiken van 79% van alle SDG's.[15] We moeten zeker ons gebruik van energieverslindende machine learning-modellen in de gaten houden en de noodzaak minimaliseren om nieuwe onnodig te trainen om deze doelen te bereiken, maar het hergebruik van AI-modellen en het kiezen voor minder complexe oplossingen waar mogelijk zou het machine learning-gerelateerde klimaat moeten behouden. veranderen op een beheersbaar niveau.

Een laatste woord over AI en het milieu

Als je twijfelt over milieu-AI en of investeren in kwaliteit, herbruikbare oplossingen een aanzienlijke impact zullen hebben op klimaatverandering, laat me dan deze afscheidswoorden achter.

Het valt niet te ontkennen dat mensen een uitstekende verwerkingscapaciteit hebben. Niettemin blijven neurale netwerken en AI-gegevensverwerkingstechnieken veel efficiënter dan zelfs de meest ijverige werker. Als gevolg hiervan zal het nooit gemakkelijk zijn om de "juiste" route te kiezen als het gaat om AI voor bedrijven die winst boven duurzaamheid willen stellen.

Om de klimaatverandering te vertragen, de behoefte aan energieverslindende modellen te verminderen en de algemene reactietijden op zakelijke problemen te verhogen, waardoor herbruikbare en minder computerintensieve AI centraal kan komen te staan ​​boven specifieke, verfijnde modellen, is in alle opzichten, een uitstekend idee.

Referenties

[1] Emma Strubell, Ananya Ganesh, Andrew McCallum, "Energie- en beleidsoverwegingen voor diep leren in NLP", gepubliceerd op 5 juni 2019,

[2] Karen Hao, "Het trainen van een enkel AI-model kan tijdens hun leven evenveel koolstof uitstoten als vijf auto's", laatst gewijzigd op 6 juni 2019, https://www.technologyreview.com/2019/06/06/239031/ training-een-enkel-ai-model-kan-zoveel-koolstof-uitstoten-als-vijf-auto's-in-hun-leven/

[3] Emma Strubell, Ananya Ganesh, Andrew McCallum, "Energie- en beleidsoverwegingen voor diep leren in NLP", gepubliceerd op 5 juni 2019,

[4] Jeremy Kahn, "De CO22-voetafdruk van AI is groot, maar gemakkelijk te verkleinen, zeggen Google-onderzoekers", laatst gewijzigd op 2021 april 2021, https://fortune.com/04/21/XNUMX/ai-carbon- footprint-reduce-milieu-impact-of-tech-google-research-study/

[5] Payal Dhar, “The Carbon Impact of Artificial Intelligence, Nat Mach Intell 2, 423 -425 (2020), gepubliceerd op 12 augustus 2020, https://doi.org/10.1038/s42256-020-0219-9

[6] Lisa Stiffler, "Amazon's ecologische voetafdruk groeide met 15% in 2019, wat de uitdaging van netto nuluitstoot benadrukt", laatst gewijzigd op 23 juni 2020, https://www.geekwire.com/2020/amazons-carbon-footprint- groeide-15-2019-highlighting-challenge-net-zero-emissions/

[7] David Patterson, Joseph Gonzalez, Quoc Le, Chen Liang, Lluis-Miquel Munguia, Daniel Rothchild, David So, Maud Texier, Jeff Dean, “Carbon Emissions and Large Neural Network Training, Gepubliceerd op 21 april 2021, https:// arxiv.org/abs/2104.10350

[8] Jeremy Kahn, "De CO22-voetafdruk van AI is groot, maar gemakkelijk te verkleinen, zeggen Google-onderzoekers", laatst gewijzigd op 2021 april 2021, https://fortune.com/04/21/XNUMX/ai-carbon- footprint-reduce-milieu-impact-of-tech-google-research-study/

[9] Payal Dhar, “The Carbon Impact of Artificial Intelligence, Nat Mach Intell 2, 423 -425 (2020), gepubliceerd op 12 augustus 2020, https://doi.org/10.1038/s42256-020-0219-9

[10] Richard Evans, Jim Gao, "DeepMind AI verlaagt de rekening voor koeling van Google-datacenter met 40%", 20 juli 2016, https://deepmind.com/blog/article/deepmind-ai-reduces-google-data-center -koelrekening-40

[11] Schiermeir, Quirin, "Duitslands duurzame revolutie wacht op energieprognose.", Nature, vol. 535, nee. 7611, 13 juli 2016, blz. 212-213

[12] Eirini Malliaraki, "AI en klimaatverandering: de belofte, de gevaren en pijlers voor actie", laatst gewijzigd op 05 november 2020, https://www.climate-kic.org/opinion/ai-and-climate-change -de-belofte-de-gevaren-en-pilaren-voor-actie/

[13] Wereldgezondheidsorganisatie (WHO), “Air Pollution”, WHO, 6 nov 2017, https://www.who.int/health-topics/air-pollution

[14] Payal Dhar, “The Carbon Impact of Artificial Intelligence, Nat Mach Intell 2, 423 -425 (2020), gepubliceerd op 12 augustus 2020, https://doi.org/10.1038/s42256-020-0219-9

[15] Vinuesa, R., Azizpour, H., Leite, I. et al. De rol van kunstmatige intelligentie bij het behalen van de Sustainable Development Goals. Nat Commun 11, 233 (2020). https://doi.org/10.1038/s41467-019-14108-y

ORIGINELE. Met toestemming opnieuw gepost.

Bio: Lewis Lovejoy is een zeer commerciële technische leider met een bewezen staat van dienst in de financiële technologie-arena, die heeft gewerkt van een junior technoloog tot senior executive niveau door consequent boven verwachting te presteren en binnen strikte middelenbeperkingen. Lewis heeft een sterke zelfmotivatie en scherpe leiderschapsvaardigheden, in combinatie met een overtuigende technische achtergrond en creatieve flair, die een aantal organisaties hebben geholpen hun volledige potentieel op de markt te realiseren.

Bron: https://www.kdnuggets.com/2021/12/ai-climate-change-is-complicated.html