Dua Mahasiswa Mengembangkan Perangkat Lunak untuk Melawan CO2 yang Disebabkan oleh AI

Para ahli setuju bahwa jalur pengembangan kecerdasan buatan (AI) saat ini akan menyebabkan AI menjadi salah satu kontributor utama CO2, meskipun AI digunakan untuk melawan masalah tersebut. Hal ini menyebabkan berbagai bagian industri mulai fokus pada cara untuk memperbaiki situasi, dengan salah satu pengembangan terbaru datang dari dua mahasiswa di Universitas Kopenhagen.

Metode AI yang canggih seperti pembelajaran dalam (deep learning) berkembang dengan kecepatan yang luar biasa, tetapi hal ini juga menyebabkan konsumsi energi yang sangat besar. Seiring dengan peningkatan ini, teknologi dan metode AI, terutama deep learning, kemungkinan akan menjadi kontributor signifikan terhadap perubahan iklim. Namun, hal ini hanya akan terjadi jika tidak ada tindakan yang diambil untuk mengubah jalur saat ini.

Dari tahun 2012 hingga 2018, daya komputasi yang diperlukan untuk deep learning telah meningkat sebesar 300.000%. Salah satu masalah besar dalam industri ini adalah bahwa konsumsi energi dan jejak karbon yang disebabkan oleh pengembangan algoritma jarang diukur. Sementara itu, banyak studi yang mendetailkan masalah ini dan meminta tindakan.

Carbontracker

Dalam upaya untuk mengatasi masalah ini, Lasse F. Wolff Anthony dan Benjamin Kanding di Departemen Ilmu Komputer Universitas Kopenhagen, bersama dengan Asisten Profesor Raghavendra Selvan, telah mengembangkan program perangkat lunak baru yang disebut Carbontracker. Perangkat lunak ini dapat menghitung dan memprediksi konsumsi energi dan emisi CO2 yang dihasilkan dari pelatihan model deep learning dengan akurat.

“Pengembangan dalam bidang ini sedang berlangsung dengan sangat cepat dan model deep learning terus menjadi lebih besar dan lebih canggih,” kata Lasse F. Wolff Anthony. “Saat ini, terdapat pertumbuhan eksponensial. Dan itu berarti konsumsi energi yang meningkat, yang tampaknya tidak dipikirkan oleh banyak orang.”

Model deep learning terus tumbuh dan mengatasi masalah yang lebih kompleks, yang memerlukan peningkatan konsumsi energi yang signifikan.

“Seiring dengan pertumbuhan dataset yang lebih besar setiap hari, masalah yang perlu dipecahkan oleh algoritma menjadi lebih kompleks,” kata Benjamin Kanding.

Program perangkat lunak Carbontracker yang open source dapat ditemukan di sini.

GPT-3

Salah satu contoh terbaik dari hal ini adalah model bahasa canggih GPT-3. Ini adalah salah satu model deep learning terbesar dan paling kompleks yang dikembangkan hingga saat ini, tetapi hal ini juga datang dengan biaya. GPT-3 memerlukan jumlah energi yang sama dengan yang digunakan oleh 126 rumah di Denmark dalam setahun, hanya dalam satu sesi pelatihan. Jumlah CO2 yang dilepaskan setara dengan 700.000 kilometer berkendara.

Menurut Lasse F. Wolff Anthony, “Dalam beberapa tahun, kemungkinan besar akan ada beberapa model yang jauh lebih besar.”

“Jika tren ini terus berlanjut, kecerdasan buatan dapat menjadi kontributor signifikan terhadap perubahan iklim. Menghentikan perkembangan teknologi bukanlah tujuan. Pengembangan ini menawarkan kesempatan luar biasa untuk membantu iklim kita. Sebaliknya, ini tentang menjadi sadar akan masalah dan berpikir: Bagaimana kita dapat memperbaikinya?” kata Benjamin Kanding.

Carbontracker melacak jumlah CO2 yang digunakan untuk menghasilkan energi di daerah-daerah di mana pelatihan deep learning sedang berlangsung, sehingga memungkinkan untuk memprediksi emisi CO2 setelah mengubah konsumsi energi.

Menurut para mahasiswa, pengguna deep learning harus memperhatikan jenis perangkat keras dan algoritma yang digunakan serta kapan pelatihan model dilakukan, karena ada daerah-daerah dengan pasokan energi hijau yang lebih besar.

“Memungkinkan untuk mengurangi dampak iklim secara signifikan. Misalnya, jika seseorang memilih untuk melatih model di Estonia atau Swedia, di mana jejak karbon dari pelatihan model dapat dikurangi lebih dari 60 kali lipat berkat pasokan energi hijau. Algoritma juga bervariasi secara signifikan dalam efisiensi energinya. Beberapa memerlukan komputasi yang lebih sedikit, dan dengan demikian energi yang lebih sedikit, untuk mencapai hasil yang serupa. Jika seseorang dapat menyetel parameter tersebut, hal-hal dapat berubah secara signifikan,” kata Lasse F. Wolff Anthony.