Sinir ağlarının eğitiminin enerji tüketiminin değerlendirilmesi
Araştırma grubu bünyesinde geliştirilmiştir. alarm"GREENN" projesi, yapay zekanın daha sürdürülebilir olmasını sağlamak amacıyla, sinir ağlarının katman katman elektrik tüketimini ölçmektedir.
La Turing Makinesi Ödülleri'nin 5. edisyonu Bitirme Projesinin mükemmelliğini takdir etti. Elena Ballesteros Morallonşirket tarafından verilen ödül aracılığıyla inetumAynı zamanda 2025 mezuniyet töreninde en iyi akademik başarı ödülünü de alan öğrenci, Profesörler Félix Óscar García Rubio ve María González Gutiérrez'in danışmanlığında hazırladığı çalışmada, teknolojinin güncel zorluklarından biri olan yapay zekanın çevresel etkisini ele alıyor.
| Sinir ağlarının eğitiminin enerji tüketimini değerlendirmek için bir araç. Proje Özeti (GREENN) | |
|---|---|
| 🔴 Sorun | Yapay zekâ eğitimi muazzam miktarda enerji tüketiyor. Tahminlere göre, 2027 yılına kadar yapay zekâ sunucuları Arjantin'in tamamının tükettiği kadar enerji tüketecek. |
| 🟢 Çözüm | Alarcos grubu bünyesinde geliştirilen ve makine öğrenimi modellerinin karbon ayak izini ölçmeyi, analiz etmeyi ve karşılaştırmayı sağlayan bir araç. |
| ⭐ İnovasyon | Yüksek ölçüm doğruluğu sayesinde katman düzeyindeki tanecik boyutuBu sayede şebekenin hangi bölümünün en fazla enerji tükettiğini tam olarak görebilirsiniz. |
| ⚙️ Teknoloji | Integra Kod Karbon Kendi sinir ağı ve Python (MVC) teknolojilerini kullanarak ayrıntılı sürdürülebilirlik raporları üretiyor. |
| 🎯 Etki | Bu, yapay zeka modellerini yalnızca doğruluklarına göre değil, aynı zamanda özelliklerine göre de seçmenize olanak tanır. enerji sorumluluğu. |
Konu: Yapay zekanın gizli ayak izi
Yapay zekâ, internet aramalarından kişiselleştirilmiş öneri sistemlerine kadar her şeyi kolaylaştırarak günlük hayatımızı dönüştürdü. Ancak bu her yerde bulunma durumu, görünmez ama çok yüksek bir maliyetle geliyor: enerji tüketimi.
Tahminler endişe verici: 2027 yılına kadar yapay zekâ odaklı sunucuların elektrik tüketiminin şu kadar olacağı öngörülüyor: Arjantin gibi bir ülkenin yıllık tüketimine eşdeğerBu senaryo göz önüne alındığında, Elena Ballesteros'un çalışması çok önemli bir soruyu gündeme getiriyor:
Bu modellerin etkinliğinden ödün vermeden çevresel etkilerini nasıl azaltabiliriz?
Çözüm: 'GREENN', katman düzeyinde hassasiyet.
Bu zorluğa karşılık olarak aşağıdakiler ortaya çıktı. YEŞİLGREENN, sinir ağlarının eğitim sürecinde enerji tüketimini değerlendirmek için tasarlanmış yenilikçi bir araçtır. Piyasadaki genel ölçümler sunan diğer araçların aksine, GREENN'in en önemli avantajı ayrıntı düzeyidir. Bu araç, sinir ağının katman düzeyine kadar son derece hassas enerji tüketimi ölçümleri yapılmasına olanak tanır.
Bunu başarmak için proje, aşağıdakileri entegre eden sağlam bir mimari uygulamaktadır:
- özel bir sinir ağı Bu, sayaçların yerleştirilmesi için gereken koda erişim sağlar.
- CodeCarbon: Günümüzde en yaygın kullanılan yazılım tabanlı tahmin aracı, deney süresi ve her bir donanım bileşeninin tükettiği enerji gibi ölçümler sağlamak üzere entegre edilmiştir.
- Web Teknolojileri: Kodun sürdürülebilirliğini ve ölçeklenebilirliğini sağlamak amacıyla, öncelikle Python dilinde, View-Controller modeli altında geliştirilmiştir.
Sürdürülebilir makine öğrenimi için bir kontrol paneli
GREENN sadece bir ölçüm motoru değil; araştırmacılar ve geliştiriciler için kapsamlı bir araçtır. Kullanıcılar web arayüzü aracılığıyla şunları yapabilir:
- Proje ve Vaka Çalışmalarının Yönetimi: Belirli testleri ve eğitim parametrelerini yapılandırın.
- Gerçek Zamanlı İzleme: Eğitim ilerlemesini görselleştirin (dönemler, topluve tamamlandığında bildirim alacaksınız.
- Karşılaştırmalı Analiz: Sistem iki ayrı rapor oluşturur. Bir yandan modelin kalite ölçütlerini (örneğin, doğruluk ve kayıp) ve diğer yandan, ilgili enerji maliyeti (toplam, mevsime ve katmana göre).
