Tu vida es ahora más fácil. Desde el reconocimiento de voz, los sistemas de recomendaciones, hasta la mejora en los diagnósticos médicos y los coches de conducción autónoma, la Inteligencia Artificial ha llegado para crear un gran impacto en tu forma de vida, y la de todos.

Esta tecnología, como muchas otras, necesita una fuente de energía. En realidad consumen mucha energía y pueden generar grandes volúmenes de emisiones de carbono que afectan al medioambiente de todo el mundo.

Un estudio realizado en 2019 ha mostrado que entrenar un sistema de procesamiento de lenguaje Inteligencia Artificial listo para usar produjo 650 Kg de emisiones, aproximadamente la cantidad producida por volar una persona entre Barcelona y Los Ángeles.

El conjunto completo de experimentos necesarios para construir y entrenar ese sistema de lenguaje Inteligencia Artificial desde cero puede generar aún más: hasta 35.000 Kg (35 Tn), dependiendo de la fuente de energía. Esto es el doble de lo que una persona promedio exhala durante toda una vida.

La búsqueda por hacer que Machine Learning sea más limpio y ecológico ha derivado en todo un movimiento que se ha llamado "IA verde". Por la forma de operar y de realizar los cálculos internos, algunos algoritmos requieren menos energía que otros, por ejemplo, y muchas sesiones de entrenamiento se pueden mover a ubicaciones remotas que obtienen la mayor parte de su energía de fuentes renovables.

La clave es que tu, los desarrolladores en general y las empresas de Inteligencia Artificial sepáis cuánto están consumiendo vuestros proyectos de Machine Learning y cuánto podrían reducirse esos volúmenes.

 

Machine Learning y carbono

Un equipo de investigadores de Stanford, Facebook Inteligencia Artificial Research y McGill University han creado una herramienta fácil de usar que mide rápidamente cuánta electricidad utilizará un proyecto de Machine Learning y cuánto significa eso en las emisiones de carbono.

"A medida que los sistemas de Machine Learning se vuelven más ubicuos y requieren más recursos, tienen el potencial de contribuir significativamente a las emisiones de carbono", dice Peter Henderson, estudiante de doctorado en Stanford en ciencias de la computación y autor principal. "Pero no se puede resolver un problema si no se puede medir. Nuestro sistema puede ayudar a los investigadores e ingenieros de la industria a comprender cuán eficiente es su trabajo en términos de carbono, y tal vez generar ideas sobre cómo reducir su huella de carbono ".

"Hay un gran impulso para ampliar Machine Learning para resolver problemas cada vez más grandes, utilizando más potencia de cómputo y más datos", dice Dan Jurafsky, presidente de lingüística y profesor de ciencias de la computación en Stanford. "Mientras eso sucede, debemos tener en cuenta si los beneficios de estos modelos de computación pesada valen el costo del impacto en el medio ambiente".

Muchos sistemas de Machine Learning desarrollan sus habilidades ejecutando millones de experimentos estadísticos durante todo el día, refinando constantemente sus modelos para llevar a cabo tareas. Esas sesiones de entrenamiento, que pueden durar semanas o incluso meses, son cada vez más demandantes de energía. Y debido a que los costos se han desplomado tanto para la potencia informática como para los conjuntos de datos masivos, Machine Learning es cada vez más generalizado a nivel empresarial, gubernamental, académico y también en la vida personal.

Para obtener una medida precisa de lo que eso significa para las emisiones de carbono, los investigadores comenzaron midiendo el consumo de energía de un modelo de Inteligencia Artificial en particular.

Esto es más complicado de lo que parece, porque una sola máquina a menudo entrena varios modelos al mismo tiempo, por lo que cada sesión de entrenamiento debe ser aislada de las demás. Cada sesión de entrenamiento también consume energía para las funciones generales compartidas, como el almacenamiento de datos y la refrigeración, que deben asignarse adecuadamente.

El siguiente paso es traducir el consumo de energía en emisiones de carbono, que dependen de la combinación de combustibles renovables y fósiles que producen la electricidad. Esa mezcla varía ampliamente según la ubicación y la hora del día. En áreas con mucha energía solar, por ejemplo, la cantidad de carbono relacionado con la electricidad disminuye a medida que el sol sube más alto en el cielo.

Para obtener esa información, los investigadores buscaron fuentes públicas de datos sobre la combinación de energía en diferentes regiones del el mundo. La ubicación de una sesión de entrenamiento de Inteligencia Artificial puede marcar una gran diferencia en sus emisiones de carbono. Los investigadores estimaron que realizar una sesión en Estonia, que se basa principalmente en el petróleo de esquisto bituminoso, producirá 30 veces el volumen de carbono que la misma sesión en Quebec, que se basa principalmente en fuentes hidroeléctricas.

 

Obtener una IA más verde

La primera recomendación de los investigadores para reducir la huella de carbono es trasladar las sesiones de capacitación a un lugar suministrado principalmente por fuentes renovables. Eso puede ser fácil, porque los conjuntos de datos se pueden almacenar en un servidor en la nube y acceder desde casi cualquier lugar.

Sin embargo, los investigadores encontraron que algunos algoritmos de Machine Learning son más vampiros de energía que otros. En Stanford, por ejemplo, se les pidió a más de 200 estudiantes en una clase sobre aprendizaje de refuerzo que implementaran algoritmos comunes para una tarea. Aunque dos de los algoritmos funcionaron igualmente bien, uno utilizó mucha más potencia. Si todos los estudiantes hubieran usado el algoritmo más eficiente, los investigadores estimaron que habrían reducido su consumo de energía colectiva en 880 kilovatios-hora, aproximadamente lo que usa un hogar típico en un mes.

El resultado resalta las oportunidades para reducir las emisiones de carbono incluso cuando no es práctico trasladar el trabajo a una ubicación amigable con el carbono. Ese suele ser el caso cuando los sistemas de Machine Learning proporcionan servicios en tiempo real, como la navegación en automóvil, porque las largas distancias provocan retrasos en la comunicación o "latencia".

De hecho, los investigadores han incorporado una herramienta fácil de usar en el rastreador que genera un sitio web para comparar la eficiencia energética de diferentes modelos. Dicen que una forma simple de conservar energía sería establecer el programa más eficiente como la configuración predeterminada al elegir cuál usar.

"Con el tiempo", dice Henderson, "es probable que los sistemas de Machine Learning consuman aún más energía en la producción que durante el entrenamiento. Cuanto mejor comprendamos nuestras opciones, más podremos limitar los posibles impactos al medio ambiente”.