Bezüglich „Green AI„, die wichtigste Forschungsarbeit, die während meines Promotionsstudiums veröffentlicht wurde, war „Environmentally-Friendly Metrics for Evaluating the Performance of Deep Learning Models and Systems„. Ich habe hier letztes Jahr insbesondere über das Problem von MLPerf geschrieben, dass der Energieverbrauch und die Kosten eines DL-basierten Modells oder Systems bei der Bewertung der Leistung und der Erstellung der Top-Siegerliste nicht berücksichtigt werden.

Nun, vor ein paar Tagen habe ich herausgefunden, dass MLCommons, die Organisation hinter dem MLPerf-Benchmark, kürzlich MLPerf Power Measurement eingeführt hat – eine neue Metrik zum Verständnis der Systemeffizienz.

Super! Jetzt ist es an der Zeit, dass sie auch Leistungskennzahlen wie die umweltfreundlichen berücksichtigen, die ich während meines Doktoratsstudiums vorgeschlagen habe, nämlich APC, APEC, TTCAPC und TTCAPEC.

Ich hoffe, dass alle zukünftigen KI-Forscher nur noch grüne Energie verwenden, um ihre KI-Systeme zu betreiben!

PS. Vor ein paar Tagen entdeckte ich auch eine Forschungsarbeit namens „Carbon Emissions and Large Neural Network Training„. Die Autoren untersuchten den Gesamtenergieverbrauch und die Kohlenstoffemissionen von fünf NLP-Modellen; sie fanden auch heraus, dass die Inferenz mehr Energie verbraucht als das Training (nun, das war keine Überraschung für mich, denn das ist der Grund, warum ich auch die Inferenz und nicht das Training wähle, wenn ich einen zweiachsigen Solartracker verwende, der auf dem Cast-Shadow-Prinzip basiert, um ein auf Deep Learning basierendes Echtzeitsystem vollständig mit grüner Energie zu versorgen); Die Autoren fanden auch heraus, dass Chips, die speziell für maschinelles Lernen entwickelt wurden, sowohl schneller als auch effizienter sind als GPUs; auch, dass Rechenzentren, die erneuerbare Energiequellen nutzen, umweltfreundlicher sind, und dass Zentren, die in der Nähe ihrer Energiequelle gebaut werden, weitere Einsparungen bringen, da die Übertragung von Energie über große Entfernungen relativ teuer und ineffizient ist.

Eine weitere sehr interessante Forschungsarbeit, die Sie sicher gerne lesen möchten, ist der „MLPerf Mobile Inference Benchmark„.

 

Leave a Comment

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahren Sie mehr darüber, wie Ihre Kommentardaten verarbeitet werden .

Scroll Up