Valutazione del consumo energetico dell'addestramento della rete neurale
Sviluppato all'interno del gruppo di ricerca alarcosIl progetto "GREENN" misura il consumo elettrico delle reti neurali strato per strato, promuovendo un'Intelligenza Artificiale più sostenibile.
La Quinta edizione dei Turing Machine Awards riconosciuto l'eccellenza del Progetto di Laurea Finale di Elena Ballesteros Morallonattraverso il premio conferito dall'azienda Ineto, che ha anche ricevuto il premio per il miglior curriculum accademico alla cerimonia di laurea del 2025. Il lavoro, supervisionato dai professori Félix Óscar García Rubio e María González Gutiérrez, affronta una delle attuali sfide della tecnologia: l'impatto ambientale dell'intelligenza artificiale.
| Strumento per la valutazione del consumo energetico dell'addestramento delle reti neurali Riepilogo del progetto (GREENN) | |
|---|---|
| 🔴 Il problema | L'addestramento dell'intelligenza artificiale consuma un'enorme quantità di energia. Si stima che entro il 2027 i server di intelligenza artificiale consumeranno la stessa quantità di energia dell'intera Argentina. |
| 🟢 La soluzione | Uno strumento sviluppato all'interno del gruppo Alarcos che consente di misurare, analizzare e confrontare l'impronta di carbonio dei modelli di apprendimento automatico. |
| ⭐ Innovazione | Elevata precisione di misura grazie alla sua granularità a livello di strato, consentendo di vedere esattamente quale parte della rete consuma più energia. |
| ⚙️ Tecnologia | Integra CodiceCarbon con la propria rete neurale e tecnologie Python (MVC) per generare report dettagliati sulla sostenibilità. |
| 🎯 Impatto | Ti consente di scegliere modelli di intelligenza artificiale non solo in base alla loro accuratezza, ma anche alla loro responsabilità energetica. |
Il contesto: l'impronta nascosta dell'intelligenza artificiale
L'intelligenza artificiale ha trasformato la nostra vita quotidiana, semplificando ogni cosa, dalle ricerche su Internet ai sistemi di raccomandazione personalizzati. Tuttavia, questa onnipresenza ha un costo invisibile ma molto elevato: il consumo di energia.
Le stime sono allarmanti: si prevede che entro il 2027 il consumo di elettricità dei server focalizzati sull’intelligenza artificiale sarà equivalente al consumo annuo di un paese come l'ArgentinaIn questo scenario, il lavoro di Elena Ballesteros solleva una domanda cruciale:
Come possiamo ridurre l'impatto ambientale di questi modelli senza sacrificarne l'efficacia?
La soluzione: 'GREENN', precisione a livello di strato
In risposta a questa sfida è nato quanto segue VERDEGREENN è uno strumento innovativo progettato per valutare il consumo energetico durante l'addestramento delle reti neurali. A differenza di altri strumenti sul mercato che offrono misurazioni generiche, il vantaggio principale di GREENN è la sua granularità. Lo strumento consente misurazioni del consumo energetico estremamente accurate, anche a livello di singolo strato all'interno della rete neurale.
Per raggiungere questo obiettivo, il progetto implementa un'architettura robusta che integra:
- Una rete neurale personalizzata che consente di accedere al codice per inserire i contatori.
- CodiceCarbon: Il software di stima più ampiamente utilizzato oggi, integrato per fornire parametri quali la durata dell'esperimento e l'energia consumata da ciascun componente hardware.
- Tecnologie Web: Sviluppato principalmente in Python secondo un modello View-Controller, garantendo la manutenibilità e la scalabilità del codice.
Un pannello di controllo per l'apprendimento automatico sostenibile
GREENN non è solo un motore di misurazione: è uno strumento completo per ricercatori e sviluppatori. Attraverso la sua interfaccia web, gli utenti possono:
- Gestione di progetti e casi di studio: Configurare test specifici e parametri di allenamento.
- Monitoraggio in tempo reale: Visualizza i progressi dell'allenamento (periodi, lotti) e ricevere notifiche al termine.
- Analisi comparativa: Il sistema genera doppi report. Da un lato, mostra le metriche di qualità del modello (come precisione e perdite) e, dall'altro, il costo energetico associato (totale, per stagione e per strato).
