Egy fontos újítás, amitől a mesterséges intelligencia is fenntarthatóbb lesz

Már mindenhol ott van

A mesterséges intelligencia modelleket a mai világban egyre szélesebb körben használjuk. Ott vannak a nyelvi feldolgozási, fordítási feladatok és a spam szűrők mögött, de ez a technológia biztosítja az olyan intelligens asszisztensek, mint Siri vagy Alex, illetve az önvezető autók működését és tudását is. A széleskörű funkciók érdekében ezeket a modelleket meg kell tanítani a nagy adatkészletek kezelésére, hogy később alkalmasak legyenek az önálló feladatmegoldásra is. Ez azonban számos matematikai művelet végrehajtását jelenti, minden egyes betáplált adat esetében. Ezek az adatmennyiségek ráadásul elképesztő ütemben növekednek. Például az egyik legutóbbi nyelvi feldolgozásért felelős modellt 40 milliárd szóból álló adatkészletre tanították meg. 

A tanulás nem csak emberként nehéz feladat

Ennek eredményeként az energia, amit a mesterséges intelligencia tudásának gyarapítására használnak, elképesztő méreteket ölt. Az adatok bevitele, azaz a gépi tanulás, általában speciális adatkezelő hardvereken történik, óriási adatközpontokban. 

2019-ben a Massachusetts-i Egyetem kutatóinak egy csoportja úgy becsülte, hogy a természetes nyelv feldolgozására használt nagy mesterséges intelligencia modell betanítása körülbelül ugyanannyi szén-dioxid kibocsátást eredményezhet, mint 5 személygépkocsi működése a teljes élettartama alatt. 

A mesterséges intelligencia falja az áramot

Ahogyan növekszik a mesterséges intelligencia térhódítása, úgy lesz egyre aggasztóbb az általa okozott károsanyag-kibocsátás mértéke és hatása is. Ezért a Cambridge-i Egyetem kutatói egy energiahatékony megközelítés lehetőségét vizsgálták, az Oxfordi Egyetem, a University College London és az Avignon Université munkatársaival együttműködve. Megállapították, hogy egy új adatbeviteli forma, melyet hálózati tanulásnak nevezhetünk, sokkal fenntarthatóbb módja a mesterséges intelligencia betanításának. Ez ugyanis ahelyett, hogy a modelleket adatközpontokban tanítaná, számos egyedi gép hálózatán keresztül valósítja meg. 

A megosztás a lényeg

Az új módszer közelebb áll a mély tanulás módszeréhez, mely a gépi tanulás fejlettebb típusa, és aminél az emberi agyhoz hasonló neurális hálózatot használnak. A hálózati tanulás esetében megosztott eszközökön, például okostelefonokon, keresztül jutnak az információk a mesterséges intelligenciához. Például egy olyan alkalmazás esetében, mely a szöveges üzenetek írásakor igyekszik kitalálni az üzenet korábbi részéből, hogy mi a következő szó, amit írni szeretnénk, bizonyos következtetéseket, azaz információkat nyer a mi saját szokásainkból. Ezeket az információkat aztán továbbítja egy szerverre, ahol összesítik sok más felhasználó adataival, és a végeredmény kerül be a modellbe, amit aztán vissza is küldenek minden közreműködő felhasználónak. 

A megosztás ellenére is biztonságban lesznek az adataink

Az információk megosztása azonban ebben az esetben nem jelenti azt, hogy privát adatok is kijutnának a saját eszközünkről. Ugyanis a hálózati tanulás folyamatában a nyers adatok az adott eszközön maradnak, csak a gépi tanuláshoz szükséges algoritmikus információk hagyják el a telefonunkat. Ezzel a módszerrel akár több millió mobileszköz együttes erejét használják fel a mesterséges intelligencia tanítására anélkül, hogy bárki személyes vagy privát adatai elhagynák a telefont. 

A hűtés a legpazarlóbb folyamat

Ugyan a mobiltelefonok sokkal kisebb feldolgozási képességgel rendelkeznek, mint a hatalmas adatközpontokban használt hardveres gyorsítók, nem is igényelnek akkora hűtési kapacitást. Az eszközök hűtéséhez szükséges tetemes teljesítmény pedig rendkívüli módon megnöveli a folyamat energiaigényét. Így a széles eszközkészletben megosztott mesterséges intelligencia modellek tanulási folyamatai óriási szén-dioxid kibocsátás csökkenést eredményezhetnek. 

Mindenki számolhat

Eredményeik alapján a kutatók közzétettek egy „Hálózati Tanulás Karbon Kalkulátort”, hogy más szakemberek is képesek legyen megbecsülni, hogy egy adott eszközkészlet használata mennyi szén-dioxidot termel a hálózati tanulás során. A kalkulátor lehetővé teszi a felhasználók számára, hogy beállítsák az általuk használt eszközök számát és típusát, hogy milyen adatkészleteket és feltöltési/letöltési sebességeket használnak, vagy hogy egyes eszközök hányszor szolgáltattak adatokat. Lehetőség van külön beállítani azt is, hogy melyik országban tartózkodunk, hiszen egy másik kutatásból az is kiderült, hogy országonként eltérés tapasztalható adott modellek létrehozása során, a szükséges energiamennyiség terén. Bár az energiafelhasználás, és ezáltal a szén-dioxid kibocsátás, közötti országonkénti különbségek sokkal jelentősebbek a nagy adatközpontok esetében, a hálózati tanulás során is érdemes lehet figyelembe venni ezt a tényezőt is. 

Csak a fenntartható út járható

A kutatók szerint a hasonló, decentralizált módszerek kulcsfontosságúak lesznek a mesterséges intelligencia fenntartható formáinak kifejlesztéséhez. Ez pedig, bár még nem robotok zsonganak minket körbe, igenis jelentős és szükséges változást hozhat az emberi faj jövője és életben maradása szempontjából. Hiába igyekszünk ugyanis más területeken drasztikusan csökkenteni a szén-dioxid kibocsátást, ha a mesterséges intelligencia rohamos fejlődésével és terjedésével ugyanazt a veszélyes helyzetet teremtjük meg, mint az elmúlt évtizedekben az ipar. 

A cikket fordította Papp Helga.