グリーンAIが気候変動の影響にどう対処できるか

機械学習などの計算集約型テクノロジーの開発には、大きな二酸化炭素排出量が伴い、気候変動の一因となります。機会の急速な増加に加えて、炭素排出量を相殺し、より持続可能な開発の道筋を提供するのに役立つグリーン AI ツールとテクノロジーのポートフォリオも拡大しています。

マイクロソフトとアレン人工知能研究所が、ヘブライ大学、カーネギーメロン大学、AIコミュニティhugsFaceの共著者らと先月発表した研究によると、環境コストは高いという。マイクロソフトの Azure Machine Learning プロダクト マネージャーであり、グリーン ソフトウェア財団のメンバーで、この研究の共著者でもあるウィル ブキャナン氏は、この研究では、60 億のパラメータを持つ ML モデル (大規模言語モデル) の場合、単一のトレーニング インスタンスで、大型列車の車両内のすべての石炭を燃やすのと同じ量の二酸化炭素が生成されることを示すデータを推定したと述べています。

フォレスター・リサーチのアナリスト、アビジット・スニル氏は、これまでコードは電話、冷蔵庫、衛星など限られたリソースに制約される組み込みシステム向けに最適化されていたと述べた。しかし、AIやMLなどの新興技術はこうした制限を受けないと彼は述べた。

「リソースが無限にあるように見えたとき、優先事項はできる限り多くのコードを書くことでした」とスニル氏は語った。

AI は仕事に適したツールでしょうか?

AI 開発をより持続可能にするプロセスであるグリーン AI は、アルゴリズムの電力消費の問題に対する可能な解決策として浮上しています。 「これは、技術自体の開発にかかる隠れたコストを削減することが目的です」とブキャナン氏は語った。

モントリオールAI倫理研究所の創設者兼主任研究員であり、グリーンソフトウェア財団の標準ワーキンググループの議長を務めるアビシェク・グプタ氏は、開発者にとっての出発点は、AIがその仕事に適しているかどうかを理解し、そもそも機械学習が導入される理由を解明することだと述べた。

「問題を解決するために必ずしも機械学習が必要なわけではない」とグプタ氏は言う。

グプタ氏は、開発者は ML を導入する際に費用対効果分析も考慮すべきだと述べた。例えば、機械学習の使用によってプラットフォームの満足度が 95% から 96% に上昇した場合、環境に与える追加コストに見合わない可能性がある、と彼は述べた。

炭素に優しい地域を選択する

開発者がAIの使用を決定したら、炭素排出量に優しい地域でモデルを展開することを選択すると、運用上の排出量に最も大きな影響が出て、ソフトウェアの炭素強度率が約75％削減されるとブキャナン氏は述べた。

「これは、現在開発者が利用できる最も影響力のある手段です」とブキャナン氏は語った。

グプタ氏は、電力のほとんどが化石燃料で発電されている米国中西部ではなく、カナダのケベック州で事業を行うことを選択する可能性のある開発業者の例を挙げた。カナダのケベック州の電力の90%以上は水力発電によるものです。

企業は、機械学習のワークロードをどこで実行するかを決定する際に、エネルギーの種類以外の要素も考慮する必要があります。 2021 年 4 月、Google Cloud は、企業が事業を展開する場所を選択する際にコスト、レイテンシ、二酸化炭素排出量を評価できるように、グリーン リージョン セレクターをリリースしました。しかしブキャナン氏は、そのようなツールはすべてのクラウドプロバイダーからすぐに入手できるわけではないと述べた。

これに対処するため、グリーンソフトウェア財団は、リソースを起動するのに最適な地域を推奨する「Carbon Aware SDK」という新しいツールを開発していると彼は述べた。アルファ版は今後数か月以内に利用可能になる予定です。

その他の環境に優しい方法

グプタ氏によると、利用可能なコンピューターが電力が限られている地域にある場合、開発者はフェデレーテッド・ラーニング・スタイルの展開を利用できる。この展開では、電力体制内に存在するすべてのデバイス間で分散型でトレーニングが行われる。しかし、フェデレーテッド ラーニングは、法的プライバシーの考慮事項に準拠する必要があるワークロードなど、すべてのワークロードに適しているわけではありません。

グプタ氏によると、開発者にとってもう一つの選択肢は、量子化、知識蒸留、その他の方法を通じて機械学習モデルを縮小するtinyMLを使用することだという。同氏によると、目標はモデルを最小化して、エッジデバイスなど、よりリソース効率の高い方法で展開できるようにすることだという。ただし、これらのモデルは限られたインテリジェンスしか提供しないため、複雑なユースケースには適さない可能性があります。

「業界全体では、大きいほど良いと考える傾向がありますが、私たちの調査では、それに対抗し、仕事に適したツールを選択する必要があることを明確にできることがわかっています」とブキャナン氏は語った。

消費指標が解決策になるかもしれない

ブキャナン氏は、グリーン・ソフトウェア財団やその他の取り組みにより、ソフトウェアの二酸化炭素排出量の測定と削減が進展したと述べた。

たとえば、マイクロソフトは昨年、Azure Machine Learning でエネルギー消費量の指標を利用できるようにし、開発者が最もエネルギーを消費するタスクを正確に特定できるようにしました。これらのメトリックは、CPU よりも高速だが​​ 10 倍以上のエネルギーを消費する、電力を大量に消費する GPU に焦点を当てています。 AIモデルの実行によく使用されるGPUは、電力消費に関して言えば、最も大きな原因となることが多いとブキャナン氏は述べた。

しかし、現在利用可能なグリーンAIツールは断片化されているため、より相互運用性の高いツールがまだ必要だとブキャナン氏は述べた。 「グリーンソフトウェア財団は一つのことを行っています」と彼は言う。「しかし、エネルギー効率を改善するにはクラウドプロバイダーによる協調的な投資が必要だと私は思います。」

グプタ氏は、最終的な目標は行動の変化を引き起こし、グリーン AI の実践が標準となることだと述べた。 「我々は会計目的のためだけにこれを行っているのではない」と彼は言った。