La croissance des technologies à forte intensité de calcul telles que l’apprentissage automatique entraîne une empreinte carbone élevée et contribue au changement climatique. Parallèlement à cette croissance rapide, un portefeuille en expansion d’outils et de techniques d’IA verte aide à compenser la consommation de carbone et offre une voie à suivre plus durable.
Le coût pour l’environnement est élevé, selon une étude publiée le mois dernier par Microsoft et l’Allen Institute for AI, avec des co-auteurs de l’Université hébraïque, de l’Université Carnegie Mellon et de Hugging Face, une communauté d’IA. Selon Will Buchanan, chef de produit pour Azure machine learning chez Microsoft, membre de la Green Software Foundation et co-auteur de l’étude.
Dans le passé, le code était optimisé dans les systèmes embarqués qui sont limités par des ressources limitées telles que celles observées dans les téléphones, les réfrigérateurs ou les satellites, a déclaré Abhijit Sunil, analyste chez Forrester Research. Cependant, les technologies émergentes telles que l’IA et le ML ne sont pas soumises à ces limitations, a-t-il déclaré.
« Lorsque nous avons des ressources apparemment illimitées, la priorité était de créer autant de code que possible », a déclaré Sunil.
L’IA est-elle le bon outil pour le travail ?
L’IA verte, ou le processus visant à rendre le développement de l’IA plus durable, apparaît comme une solution possible au problème des algorithmes gourmands en énergie. « Il s’agit de réduire les coûts cachés du développement de la technologie elle-même », a déclaré Buchanan.
Un point de départ pour tout développeur est de se demander si l’IA est le bon outil pour le travail et d’être clair sur la raison pour laquelle l’apprentissage automatique est déployé en premier lieu, a déclaré Abhishek Gupta, fondateur et chercheur principal à l’Institut d’éthique de l’IA de Montréal et président. du groupe de travail sur les normes de la Green Software Foundation.
« Vous n’avez pas toujours besoin d’apprentissage automatique pour résoudre un problème », a déclaré Gupta.
Les développeurs doivent également considérer effectuer une analyse coûts-avantages lors du déploiement du ML, dit Gupta. Par exemple, si l’utilisation du ML augmente le taux de satisfaction d’une plate-forme de 95 % à 96 %, cela pourrait ne pas valoir le coût supplémentaire pour l’environnement, a-t-il déclaré.
Choisissez une région respectueuse du carbone
Une fois qu’un développeur a décidé d’utiliser l’IA, le choix de déployer un modèle dans une région respectueuse du carbone peut avoir le plus grand effet sur les émissions opérationnelles, réduisant le taux d’intensité carbone du logiciel d’environ 75 %, a déclaré Buchanan.
« C’est le levier le plus percutant que tout développeur puisse utiliser aujourd’hui », a déclaré Buchanan.
Les fournisseurs de cloud doivent faire des investissements concertés pour devenir plus économes en énergie.
Est-ce que BuchananChef de produit Azure Machine Learning, Microsoft
Gupta a fourni l’exemple suivant : Au lieu d’exécuter un projet dans le Midwest américain, où l’électricité est principalement obtenue à partir de combustibles fossiles, les promoteurs peuvent choisir de l’exécuter au Québec, qui tire plus de 90 % de son électricité de l’hydroélectricité.
Les entreprises devront également tenir compte d’autres facteurs au-delà du type d’énergie lorsqu’elles décideront où un travail de ML doit s’exécuter. En avril 2021, Google Cloud a présenté son sélecteur de région verte, qui aide les entreprises à évaluer les coûts, la latence et l’empreinte carbone lorsqu’elles choisissent où opérer. Mais des outils comme ceux-ci ne sont pas facilement disponibles auprès de tous les fournisseurs de cloud, a déclaré Buchanan.
Pour résoudre le problème, la Green Software Foundation travaille sur un nouvel outil appelé Carbon Aware SDK, qui recommandera la meilleure région pour développer les ressources, a-t-il déclaré. Une version alpha devrait être disponible dans les prochains mois.
D’autres façons d’être vert
Si le seul ordinateur disponible se trouve dans une région électrique sale, les développeurs pourraient utiliser un déploiement de type apprentissage fédéré où la formation se déroule de manière distribuée sur tous les appareils qui existent dans un régime électrique, a déclaré Gupta. Mais l’apprentissage fédéré peut ne pas fonctionner pour toutes les charges de travail, telles que celles qui doivent respecter les considérations légales de confidentialité.
Une autre option consiste pour les développeurs à utiliser tinyML, qui réduit les modèles d’apprentissage automatique grâce à la quantification, à la distillation des connaissances et à d’autres approches, a déclaré Gupta. L’objectif est de minimiser les modèles afin qu’ils puissent être déployés de manière plus efficace en termes de ressources, comme sur les appareils périphériques, a-t-il déclaré. Mais comme ces modèles offrent une intelligence limitée, ils peuvent ne pas être adaptés aux cas d’utilisation complexes.
Des arbres clairsemés et peu profonds – des modèles basés sur des arbres divisés en un petit nombre de régions avec des caractéristiques clairsemées – peuvent également fournir les mêmes résultats à moindre coût, a déclaré Buchanan. Les développeurs peuvent facilement les définir avec un ensemble de paramètres lors du choix d’une architecture de réseau neuronal, a-t-il déclaré.
« Il y a une tendance à l’échelle de l’industrie à penser que plus c’est gros, mieux c’est, mais nos recherches montrent que vous pouvez repousser cela et dire spécifiquement que vous devez choisir le bon outil pour le travail », a déclaré Buchanan.
Les indicateurs de consommation pourraient être la solution
La Green Software Foundation et d’autres initiatives progressent vers la mesure et l’atténuation de l’empreinte carbone des logiciels, a déclaré Buchanan.
Par exemple, Microsoft a rendu disponibles l’année dernière des mesures de consommation d’énergie dans Azure Machine Learning, permettant aux développeurs d’identifier leurs tâches les plus énergivores. Les métriques se concentrent sur les GPU gourmands en énergie, qui sont plus rapides que les CPU mais peuvent consommer plus de 10 fois plus d’énergie. Souvent utilisés pour exécuter des modèles d’IA, les GPU sont généralement les plus grands coupables en matière de consommation d’énergie, a déclaré Buchanan.
Cependant, ce qui reste nécessaire, ce sont des outils plus interopérables, a déclaré Buchanan, faisant référence aux outils d’IA verts fragmentaires actuellement disponibles. « La Green Software Foundation fait un morceau », a-t-il déclaré, « mais je pense que les fournisseurs de cloud doivent faire des investissements concertés dans des outils ouverts et interopérables pour devenir plus économes en énergie et en carbone. »
En fin de compte, l’objectif est de déclencher un changement de comportement afin que les pratiques d’IA verte deviennent la norme, selon Gupta. « Nous ne faisons pas cela uniquement à des fins comptables », a-t-il déclaré.
Ce site utilise des cookies pour améliorer votre expérience. Nous supposerons que cela vous convient, mais vous pouvez vous désinscrire si vous le souhaitez.
J'accepteLire la suite
