آی‌تی‌من- تحقیقی که در سال گذشته میلادی انجام شد، نشان داد که آموزش سیستم‌های غیر سفارشی پردازش زبان موجب انتشار 1400 پوند (نزدیک یه 635 کیلوگرم) کربن می‌شود که تقریبا معادل یک پرواز رفت و برگشت یک نفر با هواپیما بین نیویورک تا سان‌فرانسیسکو است. همچنین کل فرایند تولید و آموزش یک سیستم هوش مصنوعی پردازش زبان، بسته به منبع انرژی، موجب انتشار حداکثر 78هزار پوند (35 تن) کربن می‌شود که دو برابر میزان باز دم یک فرد آمریکایی در طول زندگی‌اش است.

گفتنی است که میانگین انتشار کربن یک خانوار آمریکایی در حدود ۵۰ تن دی‌اکسید کربن در هر سال است. بزرگترین منبع انتشار برای هر خانوار معمولی از رانندگی کردن و مصرف بنزین به وجود می‌آید و بعد از آن مسائل مربوط به خانه (برق، گاز طبیعی، آب و ساختمان سازی)، مواد غذایی، محصولات و در آخر هم خدمات قرار دارند. البته انتشار کربن یک خانوار آمریکایی حدوداً ۵ برابر میانگین جهانی است، که برای هر خانوار در هر سال حدود ۱۰ تن دی‌اکسید کربن است.

اما روش‌هایی برای سبزتر کردن یادگیری ماشین و کاهش اثر کربن (Carbon footprint) آن وجود دارد و در این زمینه، تلاشی جهانی با عنوان هوش مصنوعی سبز (Green AI) شکل گرفته است. برای مثال برخی الگوریتم‌ها انرژی کمتری مصرف می‌کنند و بسیاری از جلسات آموزش را می‌توان به مناطقی منتقل کرد که انرژی مصرفی را از منابع تجدیدپذیر تامین می‌کنند.

نکته اصلی و مهم البته این است که توسعه‌دهندگان و شرکت‌های فعال در زمینه هوش مصنوعی، بدانند که آزمایش‌های یادگیری ماشین آنها چه میزان کربن منتشر می‌کند و چگونه می‌توان حجم آن را کاهش داد.

حالا، تیمی متشکل از محققان دانشگاه استنفورد، واحد تحقیقات هوش مصنوعی فیس‌بوک و دانشگاه مک‌گیل، ابزاری برای اندازه‌گیری مصرف الکتریسیته پروژه‌های یادگیری ماشین و میزان انتشار کربن آن ایجاد کرده‌اند.

پیتر هندرسون، دانشجوی دکتری علوم رایانه در دانشگاه استنفورد و نویسنده اصلی این تحقیق می‌گوید: سیستم‌های یادگیری ماشین فراگیرتر می‌شوند و به همین دلیل نقش مهمی در انتشار کربن خواهند داشت. اما برای حل این مشکل، باید بتوانیم آن را اندازه‌گیری کنیم.

وی می‌افزاید: سیستم ما می‌تواند به محققان و مهندسان صنعت کمک کند که بدانند کارشان تا چه اندازه از نظر انتشار کربن بهینه است و شاید ایده‌هایی درباره چگونگی کاهش اثر کربن به آنها بدهد.

ردگیری انتشار کربن
هندرسون به همراه دن یورافسکی (Dan Jurafsky) رییس دپارتمان زبان‌شناسی و استاد علوم کامپیوتر دانشگاه استانفورد، اما برانسکیل (Emma Brunskill) استادیار علوم کامپیوتر در استانفورد، جیه‌رو هو (Jieru Hu) مهندس نرم‌افزار واحد تحقیقات هوش مصنوعی فیس‌بوک، جوئل پینیا (Joelle Pineau) استاد علوم کامپیوتر دانشگاه مک‌گیل و مدیر‌ واحد تحقیقات هوش مصنوعی فیس‌بوک وجاشوا روموف (Joshua Romoff) دانشجوی دکترای دانشگاه مک‌گیل سیستمی به نام experiment impact tracker ایجاد کرده‌اند که میزان اثر کربن آزمایش‌های هوش مصنوعی را مشخص می‌کند.

یورافسکی می‌گوید: نیاز به توسعه به‌کارگیری یادگیری ماشین برای حل مسایل بزرگ‌تر، روز به روز بیشتر می‌شود که این مساله، موجب مصرف بیش از پیش انرژی برای رایانش شده است. به همین دلیل ما باید به این موضوع بیندیشیم که آیا منافع این مدل‌های رایانشی سنگین در برابر آثاری که بر محیط زیست می‌گذارند، چقدر است.

سیستم‌های یادگیری ماشین از طریق اجرای میلیون‌ها تجربه آماری در ساعت، مهارت‌شان را برای انجام امور افزایش می‌دهند. این جلسات یادگیری که ممکن است هفته‌ها یا ماه‌ها به بینجامد، بسیار از نظر انرژی پرمصرف هستند و از آنجا که هزینه به‌کار گیری توان محاسباتی و مجموعه داده‌های عظیم کاهش یافته است، استفاده از یادگیری ماشین در کسب‌وکارها، دولت‌ها، مراکز دانشگاهی و تحقیقاتی و حتی زندگی روزمره، بیش از پیش توسعه یافته است.

محققان برای اینکه معیاری دقیق از میزان انتشار کربن به دست آورند، کارشان را با محاسبه میزان مصرف انرژی در یک مدل هوش مصنوعی مشخص آغاز کردند. البته این کار پیچیده‌ای بود؛ زیرا یک ماشین یکتا گاه در آن واحد، فرایند یادگیری چندین الگوریتم‌ را انجام می‌دهد و باید این جلسات یادگیری از هم مجزا می‌شد. از سوی دیگر، در هر جلسه یادگیری، برای عملکردهای مشترک بالاسری، مانند ذخیره داده و خنک‌سازی سیستم، انرژی مصرف می‌شود که این‌ها نیز باید به دقت محاسبه شود.

قدم بعدی، محاسبه میزان انتشار کربن بر اساس مصرف انرژی یا الکتریسیته است که خود با ترکیبی از سوخت‌های فسیلی و تجدیدپذیر به دست می‌آید. ترکیب سوخت مصرفی بسته به مکان جغرافیایی و ساعت شبانه روز، متفاوت است. مثلا در مناطقی که انرژی خورشیدی بیشتری در دسترس است، تراکم انتشار کربن ناشی از مصرف سوخت با نزدیک‌شدن به ظهر و قرار گرفتن خورشید در بالاترین نقطه، کاهش می‌یابد.

محققان برای دریافت چنین اطلاعاتی، منابع موجود درباره ترکیب انرژی در مناطق مختلف ایالات متحده و جهان را جمع‌آوری و بررسی کردند. بر اساس این بررسی‌ها، اجرای یک جلسه یادگیری مثلا در استونی، که متکی به نفت شیل است، نسبت به اجرای همان جلسه در کبک کانادا که بیشتر برق‌آبی است، 30 برابر انتشار کربن بیشتری دارد.

هوش مصنوعی سبزتر
توصیه نخست این محققان برای کاهش اثر کربن، انتقال جلسات یادگیری به مناطقی است که از انرژی‌های تجدیدپذیر استفاده می‌کنند. این کار هم با توجه به امکان ذخیره مجموعه داده‌ها روی سرورهای ابری، ساده است.

علاوه بر این، محققان دریافتند که بعضی از الگوریتم‌های یادگیری ماشین، از دیگر الگوریتم‌ها پرمصرف‌ترند. برای مثال در دانشگاه استانفورد از بیش از 200 دانشجویی که روی یادگیری تقویتی (reinforcement learning) کار می‌کردند، خواسته شد که الگوریتم‌هایی برای دادن تکالیف درسی طراحی کنند. از میان دو الگوریتمی که از نظر عملکرد شبیه هم بودند، یکی مصرف انرژی بسیار بالاتری داشت. محققان برآورد کردند که اگر همه الگوریتم‌های طراحی شده توسط این دانشجویان، بهره‌ور باشد، میزان مصرف انرژی در مجموع به میزان 880 کیلووات ساعت کاهش می‌یابد که معادل مصرف متوسط یک خانوار آمریکایی در ماه است.

این مساله نشان داد که حتی اگر جلسات یادگیری به مناطقی با مصرف انرژی‌های پاک منتقل نشود، بهینه سازی الگوریتم‌ها نیز نقش مهمی در کاهش انتشار کربن ایفا خواهد کرد. این مساله به ویژه در مورد سیستم‌هایی که خدمات بی‌درنگ ارایه می‌کنند، مانند مسیریابی خودروها، بسیار مهم است؛ زیرا در این سیستم‌ها فاصله می‌تواند در ارتباطات تاخیر ایجاد کند و از این رو، انتقال پردازش‌ها به نقاط دوردست، راه‌حل مناسبی نیست.

تیم مذکور نرم‌افزار experiment impact tracker خود را در گیت‌هاب در اختیار محققان قرار داده‌اند.



 
 

ITMen