Klimaskaderne forårsaget af drivhusgasemissioner er mere end tydelige og at hjælpe forskningsmiljøet at forstå bidraget fra kunstig intelligens til klimaændringer og vedtage nye forskningsparadigmer, hvor reduktion af emissioner Behandlet som et kritisk præstationsmål har en gruppe internationale AI-forskere og dataforskere samarbejdet om at designe software, der er i stand til at estimere COXNUMX-fodaftrykket i IT-operationer.
KodeCarbon er open source-software designet til at hjælpe virksomheder med at overvåge deres AI-COXNUMX-fodaftryk.
Comet, en leverandør af MLOps-løsninger, har indgået et samarbejde med et konsortium af AI- og datavidenskabsvirksomheder fra hele verden: MILA, AI-forskningslaboratoriet ledet af Yoshua Bengio i Montreal, BCG GAMMA, analyseafdelingen og datavidenskab fra Boston Consulting Group og Haverford College i Pennsylvania for at skabe open source-software.
Om CodeCarbon
CodeCarbon er en software pythonbaseret at vil gøre det muligt for programmører at gøre deres kode mere effektiv og reducere mængden af genereret CO2 til brug af computerressourcer og vil motivere dem til at gøre det.
Softwaren estimerer ikke kun mængden af produceret CO2 til brug af it-ressourcer det giver også udviklere råd om, hvordan man reducerer emissioner vælge din skyinfrastruktur i regioner, der bruger lave energikilder.
Yoshua Bengio, MILA-grundlægger og vinder af Turing-prisen, sagde:
”AI er en stærk teknologi og en styrke til det gode, men det er vigtigt at være opmærksom på dens voksende miljøpåvirkning. CodeCarbon-projektet sigter netop mod at nå dette mål, og jeg håber, det vil inspirere AI-samfundet til at beregne, afsløre og reducere deres COXNUMX-fodaftryk. ”
Sylvain Duranton, Managing Director og Senior Partner hos Boston Consulting Group (BCG) og Global Director hos BCG GAMMA, sagde:
”Baseret på nyere historie vil brugen af IT generelt og AI i særdeleshed fortsat vokse eksponentielt rundt om i verden. I denne sammenhæng kan CodeCarbon hjælpe organisationer med at sikre, at deres samlede COXNUMX-fodaftryk øges så lidt som muligt ”.
I det dybt læringsfokuserede forskningsmiljø opnås fremskridt inden for kunstig intelligens stort set ved at skabe større modeller, samle større datasæt og udnytte større computerkraft.
Uddannelse af en stærk læringsalgoritme kan kræve brug af flere computere i løbet af dage eller uger.
Til arkitekturer som VGG, BERT, GPT-2 og GPT-3, som har millioner af konfigurationer og er trænet i flere GPU'er i flere uger, dette kan være en forskel på flere hundrede kilo CO-ækvivalent.
OpenAIs GPT-2, der blev lanceret i 2019, er baseret på 1.5 milliarder parametre, mens dens efterfølger GPT-3 blev lanceret sidste år, hvis 175 milliarder parametre gør den mere end 100 gange større end sin forgænger. Da de større modeller fortsætter med at komme frem i marken, vil mængden af energi, der forbruges til at træne dem, også øges.
KodeCarbon har et sporingsmekanismemodul, der registrerer mængden af brugt energi af større cloud computing-udbydere og private hostede lokale datacentre.
derefter, systemet bruger data fra offentlige kilder til at estimere mængden af genereret CO2, verificering af statistikkerne for det elektriske netværk, som udstyret er tilsluttet.
Trackeren estimerer den CO2, der produceres for hvert eksperiment ved hjælp af et bestemt AI-modul, der lagrer emissionsdata for projekter og for hele organisationen.
Ideen er, at CodeCarbon vil hjælpe it- og AI-virksomheder med at begrænse deres COXNUMX-fodaftryk når de vokser. CodeCarbon vil generere et dashboard, der gør det muligt for virksomheder let at se mængden af emissioner genereret ved at træne deres maskinindlæringsmodeller.
Evnen til at spore CO2-emissioner repræsenterer et betydeligt fremskridt i udviklernes evne til at bruge energiressourcer klogt og derfor reducere virkningen af deres arbejde i et stadig mere skrøbeligt miljø.
kilde: https://www.comet.ml/