Wirth Research, sebuah perusahaan teknik yang mengkhususkan diri dalam dinamika fluida komputasi, menjadi semakin peduli dengan kelestarian lingkungan.
Awalnya berfokus pada desain mobil balap, memungkinkan klien untuk mengganti angin yang mahal terowongan bekerja dengan pemodelan terkomputerisasi, tetapi dalam beberapa tahun terakhir ia telah merancang peralatan yang mengurangi hambatan aerodinamis truk, dan perangkat yang mengurangi udara dingin yang keluar dari lemari es supermarket bagian depan, memotong penggunaan energi hingga seperempatnya.
Perusahaan yang berbasis di Bicester juga ingin mengurangi energi yang digunakan oleh pemodelan terkomputerisasi yang terperinci, yang untuk aerodinamika mobil mensimulasikan sekitar setengah miliar sel kecil udara. Itu sudah menyesuaikan resolusi sel dalam setiap model, dengan jaring sub-milimeter yang lebih halus digunakan di dekat tepi yang tajam.
Kemudian, selama pandemi ketika menyadari staf dapat bekerja secara efektif dari rumah, Wirth pindah komputasinya dari situsnya sendiri ke pusat data bertenaga energi terbarukan di Islandia yang dijalankan oleh Verne Global. Perangkat keras baru telah memangkas kebutuhan energi hingga tiga perempat dan daya yang digunakan adalah netral karbon.
Manajer teknik Rob Rowsell mengatakan bahwa total biaya peralatan baru tersebar selama beberapa tahun, ditambah penggunaan Fasilitas dan konektivitas Islandia, jumlahnya kurang dari tagihan listrik Inggris yang lama. Selain itu, karena berencana untuk melanjutkan pekerjaan hibrida, perusahaan telah pindah ke kantor yang lebih kecil di gedung yang ramah lingkungan.
Wirth ingin membuat proses komputasinya tetap lebih efisien. Itu sudah dapat menghentikan iterasi model virtual ketika mereka menstabilkan daripada menjalankannya beberapa kali, tetapi melihat bagaimana itu dapat menggunakan kecerdasan buatan (AI) yang dilatih pada pekerjaan sebelumnya untuk menggunakan beberapa iterasi untuk memprediksi versi yang stabil dari model yang biasanya membutuhkan waktu lebih lama untuk dicapai.
Prediksi tidak perlu sepenuhnya akurat karena perusahaan kemudian akan melakukan beberapa iterasi lagi untuk memeriksa kestabilan model. “Pada akhirnya Anda akan dapat melakukan 15 atau 20 iterasi daripada 100,” kata Rowsell.
Ada banyak potensi untuk menggunakan AI untuk mengatasi perubahan iklim, kata Peter van der Putten, direktur keputusan dan solusi AI di penyedia perangkat lunak berbasis di Massachusetts Pegasystems dan asisten profesor di Universitas Leiden di Belanda.
Namun dalam beberapa tahun terakhir, AI semakin berarti menggunakan model pembelajaran mendalam yang membutuhkan komputasi dalam jumlah besar dan listrik untuk dijalankan, seperti model bahasa GPT3 OpenAI, dilatih pada hampir 500 miliar kata dan menggunakan 175 miliar parameter.
“Sampai saat ini, model lain yang lebih besar adalah mode ,” kata van der Putten. Tetapi pertimbangan lingkungan menyoroti manfaat membuat AI lebih efisien, dengan meningkatnya biaya listrik meningkatkan pembenaran ekonomi. “Baik dari sudut pandang keuangan maupun dari sudut pandang iklim, kecil itu indah.”
Alasan lain adalah model yang lebih sederhana dan lebih efisien dapat menghasilkan hasil yang lebih baik. Pada tahun 2000, van der Putten ikut melakukan tantangan di mana peserta mencoba memprediksi pelanggan perusahaan asuransi mana yang akan tertarik untuk membeli perlindungan karavan, berdasarkan lusinan variabel pada ribuan orang.
Ini menampilkan data bising kehidupan nyata, yang dapat menyesatkan model kompleks. “Anda mungkin mulai melihat pola di mana tidak ada. Anda mulai melebih-lebihkan data,” kata van der Putten. Masalah ini terjadi ketika data pelatihan tidak sama persis dengan data yang membutuhkan prediksi – seperti ketika mereka mencakup dua kumpulan orang yang berbeda. Model yang lebih sederhana juga berfungsi dengan baik bila ada hubungan yang jelas atau bila hanya ada beberapa titik data.
Merevisi model besar yang dilatih pada data dalam jumlah besar juga bisa jadi sulit dan mahal. Untuk situasi yang berkembang, seperti mengalokasikan pekerjaan ke sekelompok karyawan dengan banyak yang bergabung dan keluar, model “pembelajaran online” yang lebih ringan yang dirancang untuk beradaptasi dengan cepat berdasarkan informasi baru dapat menjadi pilihan terbaik.
Van der Putten mengatakan bahwa selain lebih murah dan memiliki dampak lingkungan yang lebih sedikit, model ini juga lebih mudah untuk diinterpretasikan. Ada juga opsi untuk menggunakan algoritme pembelajaran mesin klasik, seperti mesin vektor pendukung, yang digunakan untuk mengklasifikasikan item, yang cenderung lebih ringan karena dikembangkan pada masa daya komputasi yang jauh lebih terbatas.
Van der Putten mengatakan bahwa spesialis AI dibagi menjadi suku-suku yang menyukai teknik tertentu dari akhir 1980-an dan awal 1990-an, tetapi para praktisi kemudian belajar menggunakan pendekatan yang berbeda dalam situasi yang berbeda atau menggabungkannya. “Kembali ke lebih banyak pendekatan multi-disiplin akan sehat” katanya tentang hal-hal sekarang, mengingat alternatif untuk pembelajaran mendalam yang didorong oleh data besar umumnya menggunakan daya komputasi yang jauh lebih sedikit.
Daftar Isi
Harus memulai di suatu tempat
Salah satu opsi adalah memberikan model AI awal titik atau struktur, menurut Jon Crowcroft, profesor sistem komunikasi di Universitas Cambridge dan pendiri perusahaan penemuan data iKVA yang berbasis di Cambridge.
Model bahasa digunakan untuk memasukkan aturan struktural daripada didasarkan pada analisis miliaran kata, dan model serupa yang berfokus pada sains dapat mengambil manfaat dari prinsip-prinsip yang relevan yang diprogram. Hal ini terutama berlaku saat menganalisis bahasa, video, atau gambar, di mana volume data cenderung sangat tinggi.
Misalnya , sistem AI dapat belajar mengidentifikasi protein lonjakan virus corona secara lebih efisien jika diberi sampel bentuk lonjakan. “Daripada hanya memiliki miliaran gambar dan seseorang melabelinya, Anda memiliki model kebenaran dasar,” kata Crowcroft.
Dia menambahkan bahwa pendekatan ini tepat ketika setiap hasil dapat memiliki konsekuensi yang signifikan, seperti dengan gambar medis. Hal ini dapat membutuhkan spesialis untuk memberikan materi awal, meskipun ini mungkin bukan kelemahan yang signifikan jika mereka yang menyiapkan model adalah ahli, seperti yang mungkin terjadi untuk penggunaan akademis. Masukan manusia awal tersebut dapat memotong daya komputasi yang diperlukan untuk mengembangkan model AI secara signifikan dan membuatnya lebih mudah untuk menjelaskan model.
Menjalankan AI secara lokal berarti lebih sedikit data yang dikirim melalui jaringan, menghemat daya dan uang
Ini juga dapat membantu untuk mengubah tempat AI bekerja, serta bagaimana caranya. Model pembelajaran mesin gabungan dapat melibatkan pengukur yang benar-benar cerdas menganalisis penggunaan listrik pelanggan dan mengirimkan pembaruan sesekali dari model yang dihasilkan ke pemasok, berbeda dengan pengukur saat ini yang mengirim data penggunaan setiap beberapa menit.
“Perusahaan listrik peduli untuk memiliki model yang dapat digunakan semua orang dari waktu ke waktu”, bukan apa yang dilakukan setiap pelanggan hampir secara real-time, kata Crowcroft.
Melakukan AI secara lokal akan jauh lebih berarti data yang dikirim melalui jaringan, menghemat daya dan uang, dan akan menawarkan privasi yang lebih besar karena data penggunaan yang terperinci tidak akan meninggalkan properti. “Anda bisa membalikkan keadaan,” tambah Crowcroft. “Pembelajaran tepi” semacam itu dapat bekerja dengan baik untuk monitor perawatan kesehatan pribadi, di mana privasi sangat penting.
Jika diperlukan model pembelajaran mendalam yang terpusat, ada cara untuk membuatnya lebih efisien. Spesialis pengoptimalan kode yang berbasis di London, TurinTech, menganggap biasanya dapat mengurangi energi yang dibutuhkan untuk menjalankan model AI hingga 40%. Jika kecocokan yang sedikit kurang akurat dapat diterima maka penghematan yang jauh lebih besar dimungkinkan, menurut kepala eksekutif Leslie Kanthan. , model yang dilatih pada data perdagangan keuangan masa lalu tidak dapat memprediksi perilakunya di masa depan. Model yang lebih sederhana dapat memberikan prediksi yang baik, jauh lebih murah untuk dikembangkan, dan lebih cepat untuk disiapkan dan diubah – keuntungan signifikan dalam perdagangan.
Pengoptimal TurinTech menggunakan hibrida pembelajaran mendalam dan algoritme genetika atau evolusioner untuk mengadaptasi model berdasarkan informasi baru, daripada perlu membuat ulang dari awal. “Ini akan mencoba membengkokkan model pembelajaran mendalam agar sesuai,” kata Kanthan.
Harvey Lewis, mitra rekanan Ernst and Young UK dan kepala ilmuwan data dari praktik pajaknya, mengatakan bahwa algoritma evolusioner dan metode statistik Bayesian berguna dalam membuat pembelajaran mendalam menjadi lebih efisien. Namun, adalah umum untuk mengambil pendekatan brute force untuk menyetel parameter dalam model, menjalankan sejumlah besar kombinasi untuk melihat apa yang berhasil, yang untuk miliaran parameter “akan menjadi sangat mahal secara komputasi”.
Biaya pekerjaan tersebut dapat dikurangi dengan menggunakan perangkat keras khusus, kata Lewis. Unit pemrosesan grafis, yang dirancang untuk melakukan perhitungan dengan cepat untuk menghasilkan gambar, lebih baik daripada komputer pribadi untuk keperluan umum. Array gerbang yang dapat diprogram lapangan yang dapat dikonfigurasi oleh pengguna dan unit pemrosesan tensor yang dirancang oleh Google khusus untuk AI lebih efisien, dan komputasi kuantum diatur untuk melangkah lebih jauh.
Tetapi Lewis mengatakan bahwa itu membuat masuk akal terlebih dahulu untuk menanyakan apakah AI yang kompleks benar-benar diperlukan. Model pembelajaran mendalam pandai menganalisis volume besar data yang konsisten. “Mereka sangat baik dalam melakukan tugas sempit yang telah mereka latih,” katanya. Namun dalam banyak kasus, ada opsi yang lebih sederhana dan lebih murah yang memiliki dampak lingkungan yang lebih kecil.
Lewis suka menemukan garis dasar, model AI paling sederhana yang dapat menghasilkan jawaban yang masuk akal. “Setelah Anda mendapatkannya, apakah Anda perlu melangkah lebih jauh, atau apakah itu memberikan apa yang Anda butuhkan?” dia berkata. Selain menghemat uang, listrik, dan emisi, model yang lebih sederhana seperti pohon keputusan lebih mudah dipahami dan dijelaskan, fitur yang berguna di bidang seperti perpajakan yang perlu terbuka untuk diperiksa dan diaudit.
Dia menambahkan bahwa seringkali bermanfaat untuk menggabungkan kecerdasan manusia dengan jenis buatan. Ini dapat mencakup pemeriksaan manual untuk masalah kualitas data dasar, seperti apakah bidang yang ditandai sebagai tanggal dapat dikenali seperti ini, sebelum pekerjaan otomatis dimulai.
Sehingga seringkali lebih efisien untuk membagi proses antara mesin dan manusia , dengan perangkat lunak yang melakukan penyortiran volume tinggi seperti melihat gambar dengan anjing, lalu orang membuat penilaian yang lebih menantang seperti mengklasifikasikan ras. “Membawa manusia ke dalam lingkaran adalah cara untuk membantu kinerja dan membuatnya lebih berkelanjutan,” kata Lewis.