Nola eragiten dio IAk ingurumenari?

Nola eragiten dio IAk ingurumenari?

Erantzun laburra: Adimen Artifizialak ingurumenean eragiten du batez ere datu-zentroetan elektrizitatearen erabileraren bidez (bai prestakuntzan bai eguneroko inferentzian), hozteko urarekin batera, eta hardwarearen fabrikazioaren eta hondakin elektronikoen eragin gorpuztuekin. Erabilera milaka milioi kontsultatara iristen bada, inferentziak prestakuntza baino handiagoa izan daiteke; sare elektrikoak garbiagoak badira eta sistemak eraginkorrak badira, inpaktuak gutxitu egiten dira, eta onurak handitu.

Ondorio nagusiak:

Elektrizitatea : Jarrai ezazu konputazio-erabilera; isuriak gutxitzen dira lan-kargak sare garbiagoetan exekutatzen direnean.

Ura : Hozteko aukerek eraginak aldatzen dituzte; uretan oinarritutako metodoek eragin handiagoa dute eskualde urrikoetan.

Hardwarea : Txipek eta zerbitzariek eragin fisiko handiak dituzte; bizitza luzatzen dute eta lehentasuna ematen diete berritze-lanei.

Errebotea : Eraginkortasunak eskaera osoa handitu dezake; neurtu emaitzak, ez bakarrik zeregin bakoitzeko irabaziak.

Palanka operatiboak : Ereduen tamaina egokia, inferentzia optimizatu eta eskaera bakoitzeko metriken berri eman modu garden batean.

Nola eragiten dio IAk ingurumenari? Infografia

Honen ondoren irakurri nahi izango dituzun artikuluak:

🔗 IA txarra al da ingurumenarentzat?
Aztertu IAren karbono-aztarna, elektrizitate-kontsumoa eta datu-zentroen eskaerak.

🔗 Zergatik da IA ​​txarra gizartearentzat?
Begira iezaiozu alborapenari, lan-etenaldiari, desinformazioari eta gero eta handiagoa den gizarte-desberdintasunari.

🔗 Zergatik da txarra IA? IAren alde iluna
Zaintza, manipulazioa eta giza kontrola galtzea bezalako arriskuak ulertu.

🔗 IA gehiegi joan al da?
Etikari, araudiari eta berrikuntzak mugak non jarri behar dituen eztabaidak.

Nola eragiten dion IAk ingurumenari: laburpen azkarra ⚡🌱

Puntu batzuk bakarrik gogoratzen badituzu, hauek izan daitezela:

Eta gero jendeak ahazten duen zatia dago: eskala . IA kontsulta bat txikia izan daiteke, baina milaka milioi animalia guztiz desberdina dira... sofa baten tamainako elur-jausi bihurtzen den elur-bola txiki bat bezala. (Metafora hori apur bat okerra da, baina ulertzen duzu.) IEA: Energia eta IA

IAren ingurumen-aztarna ez da gauza bat - pila bat da 🧱🌎

Jendeak IA eta jasangarritasunari buruz eztabaidatzen duenean, askotan elkarri garrantzia kenduz hitz egiten dute, geruza desberdinak seinalatzen ari direlako:

1) Kalkulatu elektrizitatea

2) Datu-zentroaren gainkostuak

3) Ura eta beroa

4) Hardwarearen hornikuntza-katea

5) Portaera eta errebote efektuak

Beraz, norbaitek IAk ingurumenean nola eragiten duen galdetzen duenean, erantzun zuzena hau da: neurtzen ari zaren geruzaren eta egoera horretan “IA”k zer esan nahi duen araberakoa da.

Prestakuntza vs. inferentzia: dena aldatzen duen aldea 🧠⚙️

Jendeari gustatzen zaio prestakuntzaz hitz egitea, dramatikoa dirudielako - "eredu batek X energia erabili zuen". Baina inferentzia erraldoi isila da. IEA: Energia eta IA

Prestakuntza (eraikuntza handia)

Prestakuntza fabrika bat eraikitzea bezalakoa da. Aurrez ordaindu behar duzu kostua: kalkulu-lan astuna, exekuzio-denbora luzeak, proba-errore asko (eta bai, "ups, funtzionatu ez baduzu, saiatu berriro" iterazio asko). Prestakuntza optimizatu daiteke, baina hala ere garrantzitsua izan daiteke. IEA: Energia eta AI

Ondorioa (eguneroko erabilera)

Ondorioa egunero martxan dagoen fabrika baten antzekoa da, guztiontzat, eskala handian:

  • Txatbotak galderak erantzuten

  • Irudien sorrera

  • Bilaketa-sailkapena

  • Gomendioak

  • Ahots-testu bihurtzea

  • Iruzurraren detekzioa

  • Kopilotuak dokumentuetan eta kode tresnetan

Eskaera bakoitza nahiko txikia izan arren, erabilera-bolumenak prestakuntza txikitu dezake. "Lastotxo bat ezer ez da, milioi bat lastotxo arazo bat dira" egoera klasikoa da. IEA: Energia eta IA

Ohar txiki bat - IA zeregin batzuk beste batzuk baino askoz astunagoak dira. Irudiak edo bideo luzeak sortzeak testu laburren sailkapenak baino energia gehiago kontsumitzen du. Beraz, "IA" multzo bakarrean sartzea bizikleta bat zamaontzi batekin alderatzea eta biei "garraio" deitzea bezalakoa da. IEA: Energia eta IA

Datu-zentroak: energia, hoztea eta ur isilaren istorio hori 💧🏢

Datu-zentroak ez dira berriak, baina IAk intentsitatea aldatzen du. Errendimendu handiko azeleragailuek potentzia handia xurgatu dezakete espazio estuetan, eta hori bero bihurtzen da, eta hori kudeatu egin behar da. LBNL (2024): Estatu Batuetako Datu-zentroen energia-erabileraren txostena (PDF) IEA: Energia eta IA

Hozteko oinarriak (sinplifikatuak, baina praktikoak)

Hori da trukea: batzuetan elektrizitate-kontsumoa murriztu dezakezu uretan oinarritutako hoztean oinarrituz. Tokiko ur-eskasiaren arabera, ondo egon daiteke... edo benetako arazoa izan daiteke. Li et al. (2023): IA gutxiago “egarri” bihurtzea (PDF)

Gainera, ingurumen-aztarna neurri handi batean honen araberakoa da:

Zintzoa izateko: elkarrizketa publikoak askotan “datu-zentroa” kutxa beltz bat bezala tratatzen du. Ez da gaiztoa, ez da magikoa. Azpiegitura da. Azpiegitura bezala jokatzen du.

Txip eta hardwarea: jendeak saltatzen duen atala, ez hain sexya delako 🪨🔧

Adimen artifiziala hardwarean bizi da. Hardwareak bizi-ziklo bat du, eta bizi-zikloaren eraginak handiak izan daitezke. AEBko EPA: Erdieroaleen Industria ITU: Hondakin Elektronikoen Monitore Globala 2024

Ingurumen-inpaktua non agertzen den

Hondakin elektronikoak eta “perfektuki ondo” dauden zerbitzariak

Ingurumen-kalte asko ez dira gailu bakar baten ondorioz sortzen, baizik eta gailu hori goiz ordezkatzeagatik, kostu-eraginkorra ez delako. Adimen artifizialak bizkortzen du hori, errendimendu-jauziak handiak izan daitezkeelako. Hardwarea berritzeko tentazioa erreala da. ITU: The Global E-waste Monitor 2024

Puntu praktiko bat: hardwarearen bizitza luzatzea, erabilera hobetzea eta berritzea edozein modelo dotore bezain garrantzitsua izan daiteke. Batzuetan GPU ekologikoena erosten ez duzuna da. (Eslogana dirudi, baina... neurri batean egia ere bada.)

Nola eragiten dion IAk ingurumenean: "jendeak hau ahazten du" portaera-begizta 🔁😬

Hona hemen alderdi sozial deserosoa: IAk gauzak errazten ditu, jendeak gauza gehiago egin ditzan. Hori zoragarria izan daiteke: produktibitate handiagoa, sormen handiagoa, sarbide gehiago. Baina baliabideen erabilera orokorra handiagoa ere esan nahi du. OECD (2012): Energia-eraginkortasunaren hobekuntzen onura anitzak (PDF)

Adibideak:

  • IA-k bideoen sorkuntza merkea egiten badu, jendeak bideo gehiago sortzen du.

  • Adimen artifizialak publizitatea eraginkorragoa egiten badu, iragarki gehiago zerbitzatuko dira, eta konpromiso-begizta gehiago biratuko dira.

  • Adimen artifizialak bidalketa logistika eraginkorragoa egiten badu, merkataritza elektronikoa are zailagoa izan daiteke.

Hau ez da izutzeko arrazoia. Emaitzak neurtzeko arrazoia da, ez bakarrik eraginkortasuna.

Metafora inperfektua baina dibertigarria: IAren eraginkortasuna nerabe bati hozkailu handiago bat ematea bezalakoa da - bai, janariaren biltegiratzea hobetzen da, baina nolabait hozkailua berriro husten da egun batean. Ez da metafora perfektua, baina... ikusi duzu gertatzen 😅

Alde onak: Adimen Artifizialak benetan lagun dezake ingurumena (ondo zuzenduta dagoenean) 🌿✨

Orain gutxietsi egiten den zatia: IAk isuriak eta hondakinak murriztu ditzake dauden sistemetan, eta, egia esan, ez dira dotoreak. IEA: IA energia optimizatzeko eta berrikuntzarako

IAk lagun dezakeen arloak

Ñabardura garrantzitsua: IAren “laguntzeak” ez du automatikoki IAren aztarna konpentsatzen. IA benetan zabaltzen den, benetan erabiltzen den eta benetako murrizketak ekartzen dituen araberakoa da, kontrol-panel hobeak baino. Baina bai, potentziala erreala da. IEA: IA energia optimizatzeko eta berrikuntzarako

Zerk egiten du IA ekologikoaren bertsio ona? ✅🌍

Hau da “ondo, zer egin beharko genuke” atala. Ingurumenarekiko arduratsua den IA konfigurazio on batek normalean honako hauek ditu:

  • Erabilera-kasuaren balio argia : ereduak erabakiak edo emaitzak aldatzen ez baditu, konputazio dotorea besterik ez da.

  • Neurketa txertatua : Energia, karbonoaren estimazioak, erabilera eta eraginkortasun metrikak beste edozein KPI bezala jarraitzen dira. CodeCarbon: Metodologia

  • Tamaina egokia duten modeloak : Erabili modelo txikiagoak modelo txikiagoek funtzionatzen dutenean. Ez da porrot moral bat eraginkorra izatea.

  • Inferentzia-diseinu eraginkorra : cachea, multzokatzea, kuantizazioa, berreskurapena eta gonbidapen-eredu onak. Gholami et al. (2021): Kuantizazio-metodoen inkesta (PDF) Lewis et al. (2020): Berreskurapen-sorkuntza areagotua

  • Hardwarearen eta kokapenaren kontzientzia : exekutatu lan-kargak sare garbiagoa eta azpiegitura eraginkorra den lekuetan (bideragarria denean). Karbono Intentsitatearen APIa (GB)

  • Hardwarearen bizitza luzeagoa : erabilera, berrerabilpena eta berritzea maximizatu. ITU: Hondakin Elektronikoen Monitore Globala 2024

  • Txosten zuzena : saihestu "greenwashing" hizkuntza eta "ingurumena errespetatzen duen IA" bezalako baieztapen lausoak zenbakirik gabe.

IAk ingurumenean nola eragiten duen jarraitzen ari bazara, hau da erantzuna filosofikoa izateari uzten dion eta operatibo bihurtzen den puntua: zure aukeren arabera eragiten dio.

Konparazio taula: benetan eragina murrizten duten tresnak eta ikuspegiak 🧰⚡

Jarraian taula azkar eta praktiko bat dago. Ez da perfektua, eta bai, gelaxka batzuk iritzi sendo samarrak dira... horrela funtzionatzen baitu benetako tresna hautaketak.

Tresna / Ikuspegia Publikoa Prezioa Zergatik funtzionatzen duen
Karbono/energia jarraipen liburutegiak (exekuzio-denbora estimatzaileak) ML taldeak Doako itxurakoa Ikusgarritasuna ematen du - eta hori borrokaren erdia da, nahiz eta estimazioak lausoak izan.. CodeCarbon
Hardwarearen energia monitorizazioa (GPU/CPU telemetria) Azpiegiturak + ML Doan Benetako kontsumoa neurtzen du; erreferentziazko analisietarako ona (ez oso distiratsua baina oso preziatua)
Eredu destilazioa ML ingeniariak Doan (denbora-kostua 😵) Ikasle txikiagoen ereduek askotan errendimendua parekatzen dute inferentzia-kostu askoz txikiagoarekin Hinton et al. (2015): Ezagutza sare neuronal batean destilatzea
Kuantizazioa (zehaztasun txikiagoko inferentzia) ML + produktua Doan Latentzia eta energia-kontsumoa murrizten ditu; batzuetan kalitate-konpentsazio txikiekin, batzuetan batere ez Gholami et al. (2021): Kuantizazio metodoen inkesta (PDF)
Cachea + multzokatze inferentzia Produktua + plataforma Doan Konputazio erredundantea murrizten du; bereziki erabilgarria errepikatutako gonbitetarako edo antzeko eskaeretarako
Berreskurapen bidezko belaunaldia (RAG) Aplikazio taldeak Mistoa "Memoria" berreskurapenerako askatzen du; testuinguru-leiho erraldoien beharra murriztu dezake Lewis et al. (2020): Berreskuratze-Generazio Areagotua
Karbono intentsitatearen araberako lan-kargak programatzea Azpiegiturak/eragiketak Mistoa Lanpostu malguak leiho elektriko garbiagoetara aldatzen ditu - koordinazioa behar du, ordea Karbono Intentsitatearen APIa (GB)
Datu-zentroen eraginkortasunean arreta jartzea (erabilera, bateratzea) IT lidergoa Ordainduta (normalean) Palanka gutxien glamourduna, baina askotan handiena - sistema erdi hutsak erabiltzeari uztea Sare Berdea: PUE
Beroa berrerabiltzeko proiektuak Instalazioak araberakoa da Hondakin-beroa balio bihurtzen du; ez da beti bideragarria, baina bideragarria denean, nahiko ederra da
"Behar al dugu hemen IA?" egiaztatu Denak Doan Kalkulu alferrikakoak saihesten ditu. Optimizaziorik indartsuena ezetz esatea da (batzuetan)

Ohartu zara zer falta den? “Erosi pegatina berde magiko bat”. Hori ez da existitzen 😬

Jokabide praktikoa: produktua hil gabe IAren eragina murriztea 🛠️🌱

Adimen artifizialaren sistemak eraikitzen edo erosten ari bazara, hona hemen praktikan funtzionatzen duen sekuentzia errealista bat:

1. urratsa: Neurketarekin hasi

  • Jarrai ezazu energia-kontsumoa edo kalkulatu modu koherentean. CodeCarbon: Metodologia

  • Neurtu entrenamendu-exekuzio bakoitzeko eta inferentzia-eskaera bakoitzeko.

  • Erabilera kontrolatu - baliabide inaktiboek bistatik ezkutatzeko modua dute. Sare Berdea: PUE

2. urratsa: Egokitu modeloaren tamaina lanerako

  • Erabili modelo txikiagoak sailkapenerako, erauzketarako eta bideratzeetarako.

  • Gorde modelo astuna kasu gogorretarako.

  • Demagun “eredu-jauzi” bat: lehenengo eredu txikia, eta behar izanez gero bakarrik eredu handiagoa.

3. urratsa: Ondorioa optimizatu (eskala hemen eragiten du)

  • Cachea : errepikatutako kontsulten erantzunak gorde (pribatutasun-kontrol zainduekin).

  • Multzokatze : eskaerak taldekatu hardwarearen eraginkortasuna hobetzeko.

  • Emaitza laburragoak : emaitza luzeek garestiagoak dira - batzuetan ez duzu saiakerarik behar.

  • Proposamenen diziplina : proposamen nahasiek konputazio-bide luzeagoak sortzen dituzte... eta bai, token gehiago.

4. urratsa: Datuen higienea hobetu

Honek zerikusirik ez duela dirudi, baina ez da hala:

  • Datu-multzo garbiagoek birprestakuntzaren uzkurtzea murriztu dezakete.

  • Zarata gutxiagok esperimentu gutxiago eta alferrik galtzeko exekuzio gutxiago esan nahi du.

5. urratsa: Hardwarea aktibo gisa tratatu, ez botatzeko moduko gisa

6. urratsa: Aukeratu hedapena zentzuz

  • Egin lan malguak energia garbiagoa den lekuetan, ahal baduzu. Karbono Intentsitatearen APIa (GB)

  • Murriztu beharrezkoak ez diren erreplikazioak.

  • Mantendu latentzia-helburuak errealistak (latentzia ultra-baxuak konfigurazio ez-eraginkorrak sor ditzake beti piztuta).

Eta bai... batzuetan urrats onena hauxe da: ez exekutatu automatikoki modelo handiena erabiltzaile bakoitzaren ekintzarako. Ohitura hori ingurumen aldetik argi guztiak piztuta uztearen parekoa da, etengailura joatea gogaikarria delako.

Ohiko mitoak (eta egiara hurbilago dagoena) 🧠🧯

Mitoa: «IA beti da software tradizionala baino okerragoa»

Egia: Adimen artifiziala (IA) konputazio-beharrezkoa izan daiteke, baina baita prozesu eskuzko eraginkortasunik gabekoak ordezkatu, hondakinak murriztu eta sistemak optimizatu ere. Egoeraren araberakoa da. IEA: IA energia optimizatzeko eta berrikuntzarako

Mitoa: “Prestakuntza da arazo bakarra”

Egia: Eskala handiko inferentziak denboran zehar nagusitu daiteke. Zure produktuaren erabileran leherketa bat egiten badu, hori izango da istorio nagusia. IEA: Energia eta IA

Mitoa: «Energia berriztagarriek berehala konpontzen dute arazoa»

Egia: Elektrizitate garbiagoak asko laguntzen du, baina ez ditu hardwarearen aztarna, uraren erabilera edo errebote efektuak ezabatzen. Hala ere, garrantzitsua da. IEA: Energia eta IA

Mitoa: «Eraginkorra bada, iraunkorra da»

Egia: Eskariaren kontrolik gabeko eraginkortasunak eragin osoa handitu dezake oraindik. Hori da errebote-tranpa. OECD (2012): Energia-eraginkortasunaren hobekuntzen onura anitzak (PDF)

Gobernantza, gardentasuna, eta ez antzerkira jotzea 🧾🌍

Enpresa bat bazara, hemen eraikitzen edo galtzen da konfiantza.

Hau da jendeak begiak iraultzen dituen atala, baina garrantzitsua da. Teknologia arduratsua ez da ingeniaritza adimentsua bakarrik. Konpentsazioak existitzen ez direla itxuratzea ere bada.

Amaierako laburpena: IAk ingurumenean duen eraginari buruzko laburpen trinkoa 🌎✅

IAk ingurumenean duen eragina karga gehigarriaren araberakoa da: elektrizitatea, ura (batzuetan) eta hardwarearen eskaria. IEA: Energia eta IA Li et al. (2023): IA gutxiago “egarri” bihurtzea (PDF) Tresna indartsuak ere eskaintzen ditu beste sektore batzuetan isuriak eta hondakinak murrizteko. IEA: IA energia optimizatzeko eta berrikuntzarako Emaitza garbia eskalaren, sarearen garbitasunaren, eraginkortasun aukeren eta IAk benetako arazoak konpontzen dituen edo berritasuna sortzen duen araberakoa da. IEA: Energia eta IA

Ondorio praktiko eta errazena nahi baduzu:

  • Neurtu.

  • Tamaina egokia.

  • Optimizatu inferentzia.

  • Hardwarearen bizitza luzatu.

  • Izan zaitez zintzoa truke-aukerei buruz.

Eta gainezka sentitzen bazara, hona hemen lasaigarria den egia bat: mila aldiz errepikatutako eragiketa-erabaki txikiek jasangarritasun-adierazpen handi bat gainditzen dute normalean. Hortzak garbitzea bezala. Ez da glamourtsua, baina funtzionatzen du… 😄🪥

Maiz egiten diren galderak

Nola eragiten dio IAk ingurumenari eguneroko erabileran, ez bakarrik ikerketa laborategi handietan?

IAren aztarna gehiena GPUak eta CPUak exekutatzen dituzten datu-zentroek elikatzen duten elektrizitatetik dator, bai entrenamenduan bai eguneroko "inferentzia" prozesuan. Eskaera bakarra apala izan daiteke, baina eskala handian eskaera horiek azkar pilatzen dira. Eragina datu-zentroa non dagoen, tokiko sarea zein garbi dagoen eta azpiegitura zein eraginkortasunez erabiltzen den ere araberakoa da.

IA eredu bat entrenatzea erabiltzea baino okerragoa al da ingurumenarentzat (ondorioa)?

Prestakuntza konputazio-leherketa handi eta hasierako bat izan daiteke, baina inferentziak denboran zehar aztarna handiena izan dezake, etengabe eta eskala handian exekutatzen baita. Tresna bat egunero milioika pertsonek erabiltzen badute, eskaera errepikatuek prestakuntza-kostu bakarra gainditu dezakete. Horregatik, optimizazioak askotan inferentziaren eraginkortasunean jartzen du arreta.

Zergatik erabiltzen du IAk ura, eta beti al da arazo bat?

Adimen artifizialak ura erabil dezake batez ere datu-zentro batzuek uretan oinarritutako hoztea erabiltzen dutelako, edo ura zeharka kontsumitzen delako elektrizitatea sortuz. Klima batzuetan, lurruntze-hozteak elektrizitatearen erabilera murriztu dezake uraren erabilera handituz, benetako oreka sortuz. "Txarra" den ala ez tokiko ur-eskasiaren, hozte-diseinuaren eta ur-erabilera neurtzen eta kudeatzen den ala ez araberakoa da.

IAren ingurumen-aztarnaren zein zati datoz hardwaretik eta hondakin elektronikoetatik?

Adimen artifiziala txipen, zerbitzarien, sareko ekipoen, eraikinen eta hornikuntza-kateen menpe dago; horrek esan nahi du meatzaritza, fabrikazioa, bidalketa eta, azkenik, ezabatzea. Erdieroaleen fabrikazioa energia asko kontsumitzen du, eta eguneratze-ziklo azkarrek areagotu egin ditzakete isuri organikoak eta hondakin elektronikoak. Hardwarearen bizitza luzatzeak, berritzeak eta erabilera hobetzeak nabarmen murriztu dezakete eragina, batzuetan modelo-mailako aldaketen parekoa izanik.

Energia berriztagarriak erabiltzeak IAren ingurumen-inpaktua konpontzen al du?

Elektrizitate garbiagoak konputaziotik datozen isurketak murriztu ditzake, baina ez ditu beste eragin batzuk ezabatzen, hala nola uraren erabilera, hardwarearen fabrikazioa eta hondakin elektronikoak. Gainera, ez ditu automatikoki konpontzen "errebote efektuak", non konputazio merkeagoak erabilera orokor handiagoa dakarren. Energia berriztagarriak palanka garrantzitsua dira, baina aztarna-multzoaren zati bat baino ez dira.

Zer da errebote efektua, eta zergatik da garrantzitsua adimen artifizialarentzat eta iraunkortasunerako?

Errebote efektua gertatzen da eraginkortasun-irabaziek zerbait merkeagoa edo errazagoa egiten dutenean, eta, beraz, jendeak gehiago egiten duenean - batzuetan aurrezkiak ezabatuz. Adimen artifizialarekin, sorkuntza edo automatizazio merkeagoak edukiaren, konputazioaren eta zerbitzuen eskaria handitu dezake. Horregatik, praktikan emaitzak neurtzea garrantzitsuagoa da eraginkortasuna isolatuta ospatzea baino.

Zein dira produktua kaltetu gabe IAren eragina murrizteko modu praktikoak?

Ohiko ikuspegia neurketekin hastea da (energia eta karbonoaren estimazioak, erabilera), ondoren ereduak zereginera egokitzea eta inferentzia optimizatzea cachearekin, multzokatzearekin eta irteera laburragoekin. Kuantizazioak, destilazioak eta berreskurapen bidezko sorkuntzak bezalako teknikek konputazio-beharrak murriztu ditzakete. Eragiketa-aukerek (karbono-intentsitatearen arabera lan-karga programatzeak eta hardwarearen bizitza luzeagoak bezalakoek) askotan irabazi handiak ematen dituzte.

Nola lagun dezake IAk ingurumena kaltetu beharrean?

Adimen artifizialak isuriak eta hondakinak murriztu ditzake benetako sistemak optimizatzeko erabiltzen denean: sarearen aurreikuspena, eskariaren erantzuna, eraikinen berokuntza, aire girotuaren kontrola, logistikaren bideratzea, mantentze prediktiboa eta ihesen detekzioa. Ingurumenaren monitorizazioa ere lagun dezake, hala nola, deforestazio alertak eta metanoaren detekzioa. Gakoa sistemak erabakiak aldatzen dituen eta murrizketa neurgarriak sortzen dituen da, ez bakarrik aginte-panel hobeak.

Zer neurri jakinarazi beharko lituzkete enpresek IAren "greenwashing" salaketak saihesteko?

Zenbaki handien berri ematea baino esanguratsuagoa da zeregin edo eskaera bakoitzeko metriken berri ematea, unitate mailan eraginkortasuna erakusten baitu. Energiaren erabileraren, karbonoaren estimazioen, erabileraren eta -dagokionean- uraren eraginen jarraipenak kontuak emateko modu argiagoa sortzen du. Garrantzitsua da, halaber, mugak definitzea (zer sartzen den) eta saihestu "IA ekologikoa" bezalako etiketa lausoak froga kuantifikaturik gabe.

Erreferentziak

  1. Nazioarteko Energia Agentzia (IEA) - Energia eta IA - iea.org

  2. Nazioarteko Energia Agentzia (IEA) - Adimen Artifiziala energia optimizatzeko eta berrikuntzarako - iea.org

  3. Nazioarteko Energia Agentzia (IEA) - Digitalizazioa - iea.org

  4. Lawrence Berkeley Laborategi Nazionala (LBNL) - Ameriketako Estatu Batuetako Datu Zentroaren Energia Erabileraren Txostena (2024) (PDF) - lbl.gov

  5. Li et al. - Adimen Artifiziala "egarri" gutxiago egitea (2023) (PDF) - arxiv.org

  6. ASHRAE (TC 9.9) - Hozte likidoaren sorrera eta hedapena datu-zentro nagusietan (PDF) - ashrae.org

  7. Sare Berdea - PUE-Metrika Azterketa Osoa - thegreengrid.org

  8. AEBetako Energia Saila (DOE) - FEMP - Datu Zentro Federaletarako Hozteko Uraren Eraginkortasun Aukerak - energy.gov

  9. AEBetako Energia Saila (DOE) - FEMP - Datu Zentroetako Energia Eraginkortasuna - energy.gov

  10. AEBetako Ingurumen Babeserako Agentzia (EPA) - Erdieroaleen Industria - epa.gov

  11. Nazioarteko Telekomunikazio Batasuna (UIT) - Hondakin Elektronikoen Mundu Mailako Monitorea 2024 - itu.int

  12. ELGA - Energia-eraginkortasunaren hobekuntzen onura anitzak (2012) (PDF) - oecd.org

  13. Karbono Intentsitatearen APIa (GB) - carboninintensity.org.uk

  14. imec - Txip fabrikazioan ingurumen-inpaktua murriztea - imec-int.com

  15. UNEP - Nola funtzionatzen duen MARSek - unep.org

  16. Global Forest Watch - GLAD deforestazioaren alertak - globalforestwatch.org

  17. Alan Turing Institutua - Biodibertsitatea eta ekosistemen osasuna ebaluatzeko adimen artifiziala eta sistema autonomoak - turing.ac.uk

  18. CodeCarbon - Metodologia - mlco2.github.io

  19. Gholami et al. - Kuantizazio Metodoen Inkesta (2021) (PDF) - arxiv.org

  20. Lewis et al. - Berreskuratze-Generazio Areagotua (2020) - arxiv.org

  21. Hinton et al. - Ezagutza sare neuronal batean destilatzen (2015) - arxiv.org

  22. CodeCarbon - codecarbon.io

Aurkitu azken IA AI Laguntzaileen Denda Ofizialean

Guri buruz

Blogera itzuli