Uporaba umetne inteligence (UI) hitro narašča, z njo pa tudi vprašanja o porabi energije, emisijah toplogrednih plinov in porabi vode. Podjetja zato iščejo načine, kako vpliv UI vključiti v svoje trajnostne cilje in ga čim bolje meriti. Med novimi orodji in pristopi so ocenjevanje vodnih tveganj podatkovnih centrov, izbira energijsko varčnejših modelov ter sprotno spremljanje emisij pri uporabi UI, poroča Trellis.
Eden od novih analiznih pristopov opozarja, da je poraba vode podatkovnih centrov precej večja, kot kažejo zgolj podatki o vodi, ki jo centri neposredno uporabljajo za hlajenje. Organizacija Ceres ocenjuje, da se v sedmih ameriških zveznih državah, kjer je več kot polovica podatkovnih centrov v ZDA, za proizvodnjo energije iz termo- in hidroelektrarn letno porabi od 3 do 4 trilijone galon vode. Do leta 2030 naj bi posredna poraba predstavljala več kot 79 odstotkov celotne porabe vode podatkovnih centrov.
Pomembna je tudi izbira modela
Med možnostmi za zmanjšanje okoljskega odtisa UI je uporaba manjših oziroma »lažjih« modelov, kadar za določeno nalogo ne potrebujemo najzmogljivejšega modela. Francosko svetovalno podjetje BetterTech je razvilo Frugal AI Switchboard, ki primerja odprtokodne alternative velikim vodilnim modelom ter prikazuje podatke o njihovi porabi energije in emisijah. Primerjava zajema modele za klepet, programiranje, pisanje, analizo podatkov, ustvarjanje slik in sestanke.
Za spremljanje emisij med dejansko uporabo UI je bil razvit tudi Carbonlog, ki se povezuje z modelom Claude in ocenjuje emisije CO₂, nastale med programerskimi sejami. Orodje je namenjeno tudi strokovnjakom za trajnost, ki želijo v podjetjih bolj konkretno prikazati povezavo med uporabo UI, porabo električne energije in emisijami.
Vse več orodij za merjenje
Podjetja lahko okoljski vpliv UI spremljajo z različnimi orodji in metodologijami. Business Council on Climate Change priporoča, da podjetja od ponudnikov UI že pri pogajanjih o pogodbah zahtevajo podatke o emisijah toplogrednih plinov in porabi sladke vode, povezani z njihovo infrastrukturo.
Platforma AI Energy Score, ki jo gosti Hugging Face v sodelovanju s Salesforceom, meri porabo električne energije različnih UI-modelov in jih primerja glede na energijsko učinkovitost. Podobno britanski Greenpixie ponuja orodje za primerjavo emisij vodilnih modelov UI.
Razvijajo se tudi širši standardi. Tokenomics Foundation, ki jo podpirajo med drugim Accenture in IBM, si prizadeva oblikovati odprte okvire za merjenje stroškov, energije in drugih kazalnikov, povezanih z uporabo tokenov, osnovnih enot podatkov, ki jih obdelujejo veliki jezikovni modeli.
Poseben izziv predstavlja generativni video. Po ocenah Sustainable AI Group lahko že nekaj sekund videa, ustvarjenega z UI, zahteva najmanj tisočkrat več energije kot en poziv klepetalnemu modelu. Njihovo odprtokodno orodje LightCameraCarbon zato omogoča ocenjevanje energetskega odtisa produkcije videa z UI.
Tudi podjetje Watershed je objavilo metodologijo za obračun emisij, povezanih z uporabo UI. Pristop temelji na številu tokenov, torej majhnih delih besedila, ki jih modeli obdelujejo pri pripravi odgovorov.
Od merjenja k upravljanju
Vse več podjetij okoljski vidik vključuje tudi v notranje upravljanje uporabe UI. SAP pri novih projektih ocenjuje njihov potencialni vpliv na porabo energije in emisije ter med ukrepi za zmanjšanje vplivov spodbuja uporabo manjših modelov.
Salesforce je v tehnične liste svojih modelov strojnega učenja vključil podatke o porabi energije in emisijah, in sicer tako za fazo učenja modelov kot za njihovo uporabo. Pri Okta je trajnostna ekipa skupaj s strokovnjaki za inženiring in IT pripravila smernice, ki zaposlenim pomagajo določiti, kdaj uporabiti UI in kateri modeli imajo manjšo porabo energije.
Tudi GitLab je pripravil smernice za uporabo UI ter zahteve glede podatkov, ki naj jih ponudniki UI razkrivajo v pogodbah. Njegova trajnostna ekipa je razvila tudi orodje za pregled ponudb dobaviteljev in prepoznavanje vprašanj, povezanih z emisijami UI.
