Meten van milieu-impacten van AI

Hoe de milieu-impact van AI te meten? Dit was een ander belangrijk onderwerp dat werd besproken op de AI Standards Hub Global Summit, en dit is wat ik heb geleerd:

Hoe grenzen te definiëren met betrekking tot trainingsruns en telecommunicatiekosten?

Wat vormt een trainingsrun? Is het een enkele iteratie van een algoritme? Een volledige trainingscyclus tot convergentie? Of de gehele levenscyclus van modelontwikkeling, inclusief experimenteren en hyperparameter-tuning? Elke definitie zal resulteren in verschillende energieverbruikscijfers.

AI-toepassingen omvatten vaak enorme gegevensoverdrachten tussen apparaten (bijv. smartphones, sensoren) en datacenters.

Het meten van de energie die tijdens deze overdrachten wordt verbruikt, is moeilijk, omdat dit afhangt van vele factoren.

De praktische uitdaging ligt in het verkrijgen van de gedetailleerde, nauwkeurige gegevens die nodig zijn voor een precieze meting:

Sommige gegevens kunnen bedrijfseigen zijn (bijvoorbeeld energie die wordt gebruikt om gegevens te verzenden voor een specifieke AI-app) of onmogelijk te verkrijgen (zoals de milieu-impact van de winning en productie van alle hardware die in een AI-systeem wordt gebruikt).

AI is nauw verweven met bredere digitale technologieën, en het is moeilijk om de specifieke ecologische voetafdruk van AI te isoleren van de algehele impact van digitalisering.
Indirecte milieu-impact waar u misschien geen rekening mee houdt - door AI veroorzaakte veranderingen in het consumentengedrag:

u kunt besluiten uw oudere maar nog functionerende telefoon eerder te vervangen door een nieuwere met AI-aangedreven functies dan u zou hebben gedaan als de AI-ontwikkeling er niet was geweest. Deze verhoogde consumptiecyclus draagt bij aan de algehele milieubelasting.

Elektrificatie van transport verhoogt de vraag naar elektriciteit naast AI.

Dit legt een druk op bestaande elektriciteitsnetten en roept zorgen op over de milieu-impact van elektriciteitsopwekking, vooral als deze sterk afhankelijk is van fossiele brandstoffen.

Enkele van de voorgestelde oplossingen?

Versnel en verbeter de milieueffectbeoordeling van AI: geef standaardisatie-experts en AI- en andere onderzoekers (die hun kennis van onderzoeksmethodologie inbrengen) de mogelijkheid om samen te werken.
Gebruik de toenemende digitalisering van standaarden om sneller onderzoek mogelijk te maken (bijvoorbeeld door kruisverwijzingen en het gebruik van bestaande woordenboeken)

Veel dank aan Dr Valerie Livina CMath FIMA, Juliette Fropier, Arti Garg en Uzma Chaudhry voor deze fantastische discussie!