A hardver és az idegháló-tanítás módszertanának utóbbi évekbeli fejlődése óriáshálózatok új generációjához vezetett. Ezek a hálózatok hihetetlen adatmennyiségen gyakorolnak, és a bőséges adatok lehetővé teszik például számos természetesnyelv-feldolgozási probléma megoldását.
Csakhogy a pontosságnak, az MI-k javuló teljesítményének ára van: óriási számítógépes kapacitás kell hozzá, ami jelentős energiafogyasztással jár. Egy tanulságos adat: 2012 és 2018 között meg 300 ezerszereződött a mélytanulás-kutatáshoz szükséges számítások mennyisége. A sors paradoxona, hogy a mélytanulást (deep learning) a közismerten energiahatékony emberi agy inspirálja…
Végeredményként, sikeres modellek fejlesztése és gyakoroltatása anyagilag és a „széndioxid-lábnyom miatt” a környezetre nézve is költséges.
A seattle-i Allen Institute for Artificial Intelligence a témáról szóló, nemrég kiadott tanulmányának szerzői abból indultak ki, hogy új modelleknél az energiahatékonyság legalább annyira fontos, mint a pontosság, majd tanácsokat adnak az MI-fejlesztéseket korlátozó károsanyag-kibocsátás csökkentésére vonatkozóan.
Az anyagi költségek redukálására a kutatói közösségek miatt is szükség lenne, mert a kevésbé gazdag országok egyre nehezebben engedhetik meg maguknak a gépitanulás-kutatásokat.
Az Intézet rájuk is gondolva javasolja, hogy a rendszerek kiértékelésénél az energiahatékonysági szempontok ugyanannyira számítsanak, mint az eredményesség. Célszerű lenne beszámolni a modellek fejlesztésének, tanulásának és működtetésének teljes és részletes anyagi költségeiről, mert a legjobb módszereket csak így lehet nevesíteni, és az MI csak így „zöldül ki”, és válhat minél szélesebb rétegek számára elérhető kutatási területté.
A szerzők három csúcskategóriás MI-konferencia 60 tanulmányát vizsgálták át.
Megállapították, hogy az anyagok 80 százaléka a pontosságot tartja a legfontosabb eredménynek. Az energiafogyasztást három változó határozza meg: a gyakorláshoz használt adatsor mérete, a hiperparaméteres kísérletek száma és a modell egyszerű példán történő megvalósításának anyagi kiadásai. (A hiperparaméterek a tanulóalgoritmus működését befolyásoló paraméterek, például az iterációk száma, hogy mennyire tanul a hibákból stb.)
