Medindo os impactos ambientais da IA

Como medir o impacto ambiental da IA? Este foi outro tópico significativo discutido na Cimeira Global do AI Standards Hub, e eis o que aprendi:

Como definir limites relativamente aos ciclos de treino e custos de telecomunicações?

O que constitui um ciclo de treino? É uma única iteração de um algoritmo? Um ciclo de treino completo até à convergência? Ou todo o ciclo de vida do desenvolvimento do modelo, incluindo experimentação e ajuste de hiperparâmetros? Cada definição resultará em diferentes valores de consumo de energia.

As aplicações de IA envolvem frequentemente transferências massivas de dados entre dispositivos (por exemplo, smartphones, sensores) e centros de dados.

Medir a energia consumida durante estas transferências é difícil, pois depende de muitos fatores.

O desafio prático reside na obtenção dos dados granulares e precisos necessários para uma medição precisa:

Alguns dados podem ser proprietários (por exemplo, energia usada para transmitir dados para uma aplicação de IA específica) ou impossíveis de obter (como o impacto ambiental da mineração e fabrico de todo o hardware usado num sistema de IA).

A IA está profundamente interligada com tecnologias digitais mais amplas, e é difícil isolar a pegada ambiental específica da IA do impacto geral da digitalização.
Impacto ambiental indireto que pode não estar a considerar - alterações impulsionadas pela IA no comportamento dos consumidores:

pode decidir substituir o seu telefone mais antigo, mas ainda funcional, por um mais recente com funcionalidades alimentadas por IA mais cedo do que faria se não fosse o desenvolvimento da IA. Este ciclo de consumo aumentado contribui para a carga ambiental geral.

A eletrificação dos transportes está a aumentar a procura de eletricidade juntamente com a IA.

Isto coloca pressão sobre as redes elétricas existentes e levanta preocupações sobre o impacto ambiental da geração de eletricidade, especialmente se depender fortemente de combustíveis fósseis.

Algumas das soluções propostas?

Acelerar e melhorar a avaliação do impacto ambiental da IA: capacitar especialistas em normalização e investigadores de IA e outros (trazendo o seu conhecimento de metodologia de investigação para a mesa) para trabalharem juntos.
Usar a crescente digitalização das normas para permitir uma investigação mais rápida (por exemplo, através de referências cruzadas e utilização de dicionários existentes)

Muitos agradecimentos à Dra. Valerie Livina CMath FIMA, Juliette Fropier, Arti Garg e Uzma Chaudhry por esta fantástica discussão!