Evaluación del consumo de energía del entrenamiento de redes neuronales
Desarrollado en el seno del grupo de investigación Alarcos, el proyecto «GREENN» mide el consumo eléctrico de las redes neuronales capa a capa, promoviendo una Inteligencia Artificial más sostenible.
La V edición de los Premios Máquina de Turing reconoció la excelencia del Trabajo Fin de Grado de Elena Ballesteros Morallón, a través del premio otorgado por la empresa Inetum, quien también recibió el premio al mejor expediente en el acto de Graduación 2025. El trabajo, tutorizado por los profesores Félix Óscar García Rubio y María González Gutiérrez, aborda uno de los desafíos actuales de la tecnología actual: el impacto ambiental de la Inteligencia Artificial.
| Herramienta para la evaluación del consumo de energía del entrenamiento de redes neuronales Resumen del Proyecto (GREENN) | |
|---|---|
| 🔴 El Problema | El entrenamiento de IA consume una energía inmensa. Se estima que en 2027 los servidores de IA consumirán tanto como toda Argentina. |
| 🟢 La Solución | Una herramienta desarrollada en el seno del grupo Alarcos que permite medir, analizar y comparar la huella de carbono de los modelos de aprendizaje automático. |
| ⭐ Innovación | Alta precisión de medición gracias a su granularidad a nivel de capa, permitiendo ver qué parte exacta de la red consume más energía. |
| ⚙️ Tecnología | Integra CodeCarbon con una red neuronal propia y tecnologías Python (MVC) para generar informes de sostenibilidad detallados. |
| 🎯 Impacto | Permite elegir modelos de IA basándose no solo en su precisión, sino también en su responsabilidad energética. |
El contexto: La huella oculta de la IA
La inteligencia artificial ha transformado nuestro día a día, facilitando desde búsquedas en internet hasta sistemas de recomendación personalizados. Sin embargo, esta omnipresencia tiene un coste invisible pero muy alto: el consumo energético.
Las estimaciones son alarmantes: se prevé que para el año 2027, el consumo eléctrico de los servidores especializados en IA sea equivalente al consumo anual de un país como Argentina. Ante este escenario, el trabajo de Elena Ballesteros plantea una pregunta crucial:
¿Cómo podemos reducir el impacto ambiental de estos modelos sin renunciar a su eficacia?
La solución: ‘GREENN’, precisión al nivel de capa
Como respuesta a este desafío nace GREENN, una herramienta innovadora diseñada para la evaluación del consumo de energía durante el entrenamiento de redes neuronales. A diferencia de otras herramientas del mercado que ofrecen mediciones generales, la gran aportación de GREENN es su granularidad. La herramienta permite medir el consumo energético con alta precisión, llegando incluso a evaluar el gasto a nivel de capa dentro de la red neuronal.
Para lograr esto, el proyecto implementa una arquitectura robusta que integra:
- Una red neuronal propia que permite acceder al código para insertar los medidores.
- CodeCarbon: El estimador de software más utilizado actualmente, integrado para proporcionar métricas como la duración del experimento y la energía consumida por cada componente del hardware.
- Tecnologías Web: Desarrollado principalmente en Python bajo un modelo Vista-Controlador, garantizando la mantenibilidad y escalabilidad del código.
Un panel de control para un «Machine Learning» sostenible
GREENN no es solo un motor de medición, es una herramienta completa para investigadores y desarrolladores. A través de su interfaz web, el usuario puede:
- Gestionar Proyectos y Casos de Estudio: Configurar tests específicos y parámetros de entrenamiento.
- Monitorización en Tiempo Real: Visualizar el progreso del entrenamiento (épocas, batches) y recibir notificaciones al finalizar.
- Análisis Comparativo: El sistema genera informes duales. Por un lado, muestra las métricas de calidad del modelo (como accuracy y pérdida) y, por otro, el coste energético asociado (total, por época y por capa).
