Az üvegházhatású gázok kibocsátása által okozott éghajlati kár több mint nyilvánvaló és hogy segítse a kutatói közösséget megérteni a mesterséges intelligencia hozzájárulását az éghajlatváltozáshoz és új kutatási paradigmákat fogadjon el, amelyekben csökkenteni kell a kibocsátást Kritikus teljesítménymérőként kezelve a nemzetközi mesterséges intelligencia-kutatók és adattudósok együttműködtek olyan szoftver tervezésében, amely képes megbecsülni az informatikai műveletek szén-dioxid-kibocsátását.
CodeCarbon nyílt forráskódú szoftver célja, hogy segítse a vállalatokat a mesterséges intelligencia szénlábnyomának nyomon követésében.
A Comet, az MLOps megoldások szállítója a világ minden tájáról származó AI és adattudományi társaságok konzorciumával állt össze: a MILA, a montreali Yoshua Bengio által vezetett AI kutatólaboratórium, a BCG GAMMA, a bostoni elemzési részleg és az adattudomány Consulting Group és a Pennsylvania Haverford College, nyílt forráskódú szoftverek létrehozására.
A CodeCarbonról
A CodeCarbon egy szoftver python alapú hogy lehetővé teszi a programozók számára, hogy hatékonyabbá tegyék kódjukat és csökkentsék a keletkező CO2 mennyiségét számítástechnikai erőforrások felhasználására, és erre ösztönzi őket.
A szoftver nemcsak a megtermelt CO2 mennyiségét becsüli meg az informatikai erőforrások felhasználására, a fejlesztőknek tanácsokat ad a kibocsátás csökkentésére is a felhőinfrastruktúra kiválasztása alacsony energiaforrásokat használó régiókban.
Yoshua Bengio, a MILA alapítója és a Turing-díj nyertese elmondta:
„Az AI egy erőteljes technológia és erő a jóra, de fontos tisztában lenni annak növekvő környezeti hatásával. A CodeCarbon projekt éppen ennek a célnak a megvalósítását tűzte ki célul, és remélem, hogy ez ösztönzi az AI-közösséget a szénlábnyom kiszámítására, nyilvánosságra hozatalára és csökkentésére. "
Sylvain Duranton, a Boston Consulting Group (BCG) ügyvezető igazgatója és vezető partnere, valamint a BCG GAMMA globális igazgatója elmondta:
„A közelmúlt története alapján az informatika, és különösen az intelligencia használata továbbra is exponenciálisan fog növekedni az egész világon. Ebben az összefüggésben a CodeCarbon segíthet a szervezeteknek abban, hogy kollektív szén-dioxid-kibocsátásuk a lehető legkevesebb mértékben növekedjen ”.
A mély tanulásra fókuszáló kutatási környezetben a mesterséges intelligencia fejlődése nagyrészt nagyobb modellek létrehozásával, nagyobb adathalmazok összesítésével és a nagyobb számítási teljesítmény kihasználásával valósul meg.
Egy hatékony tanulási algoritmus kiképzése több számítógép használatát igényelheti napok vagy hetek alatt.
Olyan architektúrákhoz, mint a VGG, a BERT, a GPT-2 és a GPT-3, amelyek milliókonfigurációval rendelkeznek, és több hétig több GPU-n vannak kiképezve, ez több száz kilogramm CO-ekv. különbség lehet.
Az OpenAI 2-ben elindított GPT-2019-je 1.5 milliárd paraméteren alapul, míg utódja GPT-3 tavaly indult, amelynek 175 milliárd paramétere több mint százszor nagyobb, mint elődje. Mivel a nagyobb modellek továbbra is előrelépnek a terepen, az edzéshez elfogyasztott energia mennyisége is növekszik.
CodeCarbon rendelkezik egy nyomkövető mechanizmus modullal, amely rögzíti a felhasznált energia mennyiségét vezető felhőalapú számítástechnikai szolgáltatók és magántulajdonban lévő helyszíni adatközpontok által.
akkor, a rendszer nyilvános forrásokból származó adatokat használ a becsült CO2 mennyiségének becsléséhez, annak az elektromos hálózatnak a statisztikai adatainak ellenőrzése, amelyhez a berendezés csatlakozik.
A nyomkövető megbecsüli az egyes kísérletek során előállított CO2-t egy adott AI-modul felhasználásával, a projektek és az egész szervezet kibocsátási adatait tárolja.
Az ötlet az, hogy a CodeCarbon segít az informatikai és mesterséges intelligencia-vállalatoknak korlátozni szén-dioxid-kibocsátásukat ahogy nőnek. A CodeCarbon létrehoz egy olyan irányítópultot, amely lehetővé teszi a vállalatok számára, hogy könnyedén lássák a gépi tanulási modellek betanításával keletkező kibocsátások mennyiségét.
A CO
forrás: https://www.comet.ml/