Credit Manager Magazine 9/2024

WRZESIEŃ / SEPTEMBER 2024 www.creditmanagermagazine.pl 62 TECHNOLOGIE „Emisje to jednak nie jedyny negatywny ślad ekologiczny pozostawiany przez sztuczną inteligencję. Naukowcy z Uniwersytetu Kalifornijskiego w Riverside ujawnili znaczny ślad wodny modeli SI, takich jak ChatGPT-3 i 4. Z badania wynika, że Microsoft zużył około 700 tys. litrów słodkiej wody podczas szkolenia GPT-3 w swoich centrach danych.” Mimo to emisje będą wyzwaniem, bo wielkość modeli sztucznej inteligencji szybko rośnie, podwajając się w ciągu ostatnich kilku lat średnio co 3,4 miesiąca. Sam Google w 2021 r. zużywał do 15 proc. swojej konsumpcji energii na zastosowania SI, z uwagi na jej postęp teraz udział ten może być znacznie większy. Jak podaje firma konsultingowa Gartner obecnie centra danych, w których trenowane modele SI konsumują już 2 proc. energii zużywanej w USA, mogą być od 10 do 50 razy bardziej energochłonne niż tradycyjne budynki biurowe. Więcej wody Emisje to jednak nie jedyny negatywny ślad ekologiczny pozostawiany przez sztuczną inteligencję. Naukowcy z Uniwersytetu Kalifornijskiego w Riverside ujawnili znaczny ślad wodny modeli SI, takich jak ChatGPT-3 i 4. Z badania wynika, że Microsoft zużył około 700 tys. litrów słodkiej wody podczas szkolenia GPT-3 w swoich centrach danych – to jest ilość wody równoważna produkcji 370 samochodów BMW lub 320 pojazdów Tesli. Dzieje się tak przede wszystkim w wyniku procesu szkoleniowego, podczas którego zużywane są duże ilości energii i następnie przekształcane w ciepło, co wymaga utrzymania temperatury pod kontrolą oraz chłodzenia maszyn. Co więcej, model zużywa również znaczną ilość wody w procesie wnioskowania, który ma miejsce, gdy ChatGPT jest używany do takich zadań, jak odpowiadanie na pytania lub generowanie tekstu. W przypadku prostej rozmowy składającej się z 20–50 pytań zużyta woda odpowiada butelce o pojemności 0,5 litra, co biorąc pod uwagę setki milionów użytkowników oznacza, że całkowity ślad wodny jest znaczny. Zrównoważona sztuczna inteligencja Najprostszym sposobem redukcji śladu węglowego przy trenowaniu i użytkowaniu sztucznej inteligencji jest korzystanie z odnawialnych źródeł energii. Przeprowadzone doświadczenia wskazują, że przy szkoleniu sieci neuronowych, można zmniejszyć emisję od 30 do 40 razy w porównaniu z energią pozyskiwaną z paliw kopalnych. Firmy technologiczne mogą więc korzystać z centrów danych opartych na energii słonecznej (służyć temu może zawarcie umów zakupu czystej energii, czyli tzw. PPA), które redukują lub kompensują emisję gazów cieplarnianych. Do innych możliwości redukcji śladu węglowego należą także: monitorowanie zużycie energii podczas uczenia maszynowego i jego przerwanie, gdy tylko ulepszenia staną się jednolite; lokalne przechowywanie danych na potrzeby treningu SI; wykorzystywanie ponowne modeli już uprzednio przeszkolonych w razie potrzeby dostosowując je do nowego kontekstu; ocenienie możliwości wykorzystania tzw. złożonej sztucznej inteligencji, która wykorzystuje struktury sieciowe do organizowania się i uczenia się na podobieństwo mózgu człowieka. Zasadne byłoby także zbadanie wpływu rozwijanej sztucznej inteligencji na środowisko i optymalizowanie zużycia energii jeszcze przed rozpoczęciem trenowania jej modeli. Do zmniejszenia konsumpcji energii w trakcie korzystania z LLM powinni przyczynić się też sami użytkownicy SI, którzy mogą ją użytkować w sposób bardziej zrównoważony, czyli na przykład w godzinach, kiedy popyt na energię jest mniejszy lub będzie ona pochodziła ze źródeł odnawialnych. Użytecznym w tym kontekście byłoby opracowanie zielonego kodeksu pracy ze sztuczną inteligencją. Rozpowszechnienie sztucznej inteligencji coraz bardziej sprawia, że znajduje ona wiele zastosowań związanych z oszczędzaniem energii. Wykorzystywana już jest do zarządzania energią w budynkach – analizą danych z systemów ogrzewania, wentylacji i klimatyzacji, co służy identyfikacji wzorców konsumpcji i poprawie efektywności energetycznej budynków, a więc oszczędności energii oraz zmniejszeniu emisji. Sztuczna inteligencja może też pomóc w zarządzaniu inteligentnymi sieciami (smart grids), czyli sieciami dostaw energii elektrycznej wykorzystującymi technologię komunikacji cyfrowej do wykrywania lokalnych zmian w użytkowaniu i reagowania na nie. Algorytmy sztucznej inteligencji mogą zatem przewidywać wzorce zużycia na podstawie danych historycznych i danych pochodzących z czasu rzeczywistego, co przedsiębiorstwom użyteczności „Najprostszym sposobem redukcji śladu węglowego przy trenowaniu i użytkowaniu sztucznej inteligencji jest korzystanie z odnawialnych źródeł energii. Przeprowadzone doświadczenia wskazują, że przy szkoleniu sieci neuronowych, można zmniejszyć emisję od 30 do 40 razy w porównaniu z energią pozyskiwaną z paliw kopalnych.”