Dos estudiantes desarrollan software para combatir el CO2 causado por la IA

Los expertos coinciden en que el camino actual del desarrollo de la inteligencia artificial (IA) la convertirá en uno de los principales contribuyentes de CO2, a pesar de su uso para combatir ese mismo problema. Esto ha llevado a diversas partes de la industria a comenzar a centrarse en cómo remediar la situación, con uno de los desarrollos más recientes provenientes de dos estudiantes de la Universidad de Copenhague.

Métodos de IA avanzados, como el aprendizaje profundo, se están desarrollando a un ritmo asombroso, pero esto conlleva niveles de consumo de energía masivos. A medida que esto continúa aumentando, las tecnologías y métodos de IA, especialmente el aprendizaje profundo, probablemente se convertirán en un contribuyente significativo al cambio climático. Sin embargo, esto solo ocurrirá si no se toman medidas para alterar el camino actual.

De 2012 a 2018, la potencia computacional requerida para el aprendizaje profundo aumentó un 300.000%. Uno de los problemas significativos de la industria es que el consumo de energía y la huella de carbono debido al desarrollo de algoritmos rara vez se miden. Al mismo tiempo, muchos estudios están detallando este problema y pidiendo acción.

Carbontracker

Al buscar abordar este problema, Lasse F. Wolff Anthony y Benjamin Kanding en el Departamento de Ciencias de la Computación de la Universidad de Copenhague, junto con el profesor asistente Raghavendra Selvan, han desarrollado un nuevo programa de software llamado Carbontracker. Este software puede calcular y predecir con precisión la cantidad de consumo de energía y emisiones de CO2 que provienen del entrenamiento de modelos de aprendizaje profundo.

“Los desarrollos en este campo están avanzando a un ritmo increíble y los modelos de aprendizaje profundo están creciendo constantemente en escala y complejidad”, dijo Lasse F. Wolff Anthony. “En este momento, hay un crecimiento exponencial. Y eso significa un aumento en el consumo de energía que la mayoría de las personas parecen no considerar”.

Los modelos de aprendizaje profundo continúan creciendo y abordando problemas mucho más complejos, lo que requiere un aumento significativo en el consumo de energía.

“A medida que los conjuntos de datos crecen cada día, los problemas que los algoritmos necesitan resolver se vuelven más y más complejos”, dice Benjamin Kanding.

El programa de código abierto Carbontracker se puede encontrar aquí.

GPT-3

Uno de los mejores ejemplos de esto es el modelo de lenguaje avanzado GPT-3. Es uno de los modelos de aprendizaje profundo más grandes y complejos desarrollados hasta la fecha, pero tiene un costo. GPT-3 requiere la misma cantidad de energía que utilizan 126 hogares daneses en un año, todo en una sola sesión de entrenamiento. La cantidad de CO2 liberada es equivalente a 700.000 kilómetros de conducción.

Según Lasse F. Wolff Anthony, “En unos pocos años, probablemente habrá varios modelos que sean muchas veces más grandes”.

“Si la tendencia continúa, la inteligencia artificial podría convertirse en un contribuyente significativo al cambio climático. No se trata de frenar el desarrollo tecnológico, sino de ser conscientes del problema y pensar: ¿Cómo podemos mejorar?”, dice Benjamin Kanding.

Carbontracker rastrea la cantidad de CO2 utilizada para producir energía en áreas donde se realiza el entrenamiento de aprendizaje profundo, lo que hace posible predecir las emisiones de CO2 después de convertir el consumo de energía.

Según los estudiantes, los usuarios de aprendizaje profundo deben prestar atención al tipo de hardware y algoritmos que se utilizan y cuándo se realiza el entrenamiento del modelo, ya que hay áreas con suministros de energía más verdes.

“Es posible reducir el impacto climático de manera significativa. Por ejemplo, es relevante si uno opta por entrenar su modelo en Estonia o Suecia, donde la huella de carbono de un entrenamiento de modelo se puede reducir más de 60 veces gracias a suministros de energía más verdes. Los algoritmos también varían mucho en terms de eficiencia energética. Algunos requieren menos cálculo y, por lo tanto, menos energía, para lograr resultados similares. Si se pueden ajustar este tipo de parámetros, las cosas pueden cambiar considerablemente”, dice Lasse F. Wolff Anthony.