Kuidas tehisintellekt keskkonda mõjutab? [Video ja viktoriin]

Lühike vastus: tehisintellekt mõjutab keskkonda peamiselt andmekeskuste elektritarbimise kaudu (nii koolituse kui ka igapäevase järelduse kaudu), lisaks jahutamiseks kasutatava vee kaudu ning riistvaratootmise ja elektroonikajäätmete sisemise mõju kaudu. Kui kasutus ulatub miljardite päringuteni, võib järeldus ületada koolituse; kui võrgud on puhtamad ja süsteemid tõhusad, väheneb mõju, samas kui kasu võib kasvada.

Peamised järeldused:

Elekter: Jälgige arvutusvõimsuse kasutamist; heitkogused vähenevad, kui töökoormus toimib puhtamates võrkudes.

Vesi: Jahutusvalikud muudavad mõju; veepõhised meetodid on kõige olulisemad nappides piirkondades.

Riistvara: kiibid ja serverid avaldavad olulist kehalist mõju; pikendage nende eluiga ja seadke esikohale renoveerimine.

Tagasilöök: efektiivsus võib suurendada kogunõudlust; mõõta tulemusi, mitte ainult ülesandepõhist kasu.

Operatiivsed hoovad: õige suurusega mudelid, optimeeritud järeldused ja läbipaistev päringupõhiste mõõdikute aruandlus.

Artiklid, mida võiksite pärast seda lugeda:

🔗 Kas tehisintellekt on keskkonnale halb?
Avastage tehisintellekti süsiniku jalajälge, elektritarbimist ja andmekeskuste nõudmisi.

🔗 Miks on tehisintellekt ühiskonnale halb?
Vaadake eelarvamusi, töökatkestusi, väärinfot ja sotsiaalse ebavõrdsuse suurenemist.

🔗 Miks on tehisintellekt halb? Tehisintellekti tume pool
Mõista riske nagu jälgimine, manipuleerimine ja inimliku kontrolli kaotamine.

🔗 Kas tehisintellekt on liiale läinud?
Arutelud eetika, regulatsioonide ja innovatsiooni piiride üle.

Kuidas tehisintellekt mõjutab keskkonda: kiire ülevaade ⚡🌱

Kui mäletate vaid mõnda punkti, siis tehke järgmist:

• Tehisintellekt kasutab energiat – enamasti andmekeskustes, kus töötavad graafikaprotsessorid/protsessorid treenimiseks ja igapäevaseks „järelduste” tegemiseks (mudeli abil). IEA: energia ja tehisintellekt

• Energia võib tähendada heitkoguseid – olenevalt kohalikust elektrivõrgust ja elektrienergia lepingutest. IEA: Energia ja tehisintellekt

• Tehisintellekt suudab kasutada üllatavalt palju vett – peamiselt jahutamiseks mõnedes andmekeskuste seadistustes. Li jt (2023): Tehisintellekti vähem januseks muutmine (PDF) USA energeetikaministeerium FEMP: Jahutusvee efektiivsuse võimalused föderaalsete andmekeskuste jaoks

• Tehisintellekt sõltub füüsilistest asjadest – kiipidest, serveritest, võrguseadmetest, akudest, hoonetest... mis tähendab kaevandamist, tootmist, laevandust ja lõpuks ka elektroonikajäätmeid. USA Keskkonnakaitseagentuur: pooljuhtide tööstus ITU: ülemaailmne elektroonikajäätmete monitor 2024

• Tehisintellekt saab vähendada keskkonnamõju mujal – optimeerides logistikat, tuvastades lekkeid, parandades tõhusust, kiirendades uuringuid ja muutes süsteemid vähem raiskavaks. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks

Ja siis on veel see osa, mille inimesed unustavad: skaala. Üks tehisintellekti päring võib olla väike, aga miljardid neist on hoopis teine ​​asi... nagu pisike lumepall, mis kuidagi diivanisuuruseks laviiniks muutub. (See metafoor on veidi paigast ära, aga saate aru.) IEA: Energia ja tehisintellekt

Tehisintellekti keskkonnajalajälg ei ole üks asi – see on kogum 🧱🌎

Kui inimesed vaidlevad tehisintellekti ja jätkusuutlikkuse üle, räägivad nad sageli teineteisest mööda, sest osutavad erinevatele tasanditele:

1) Arvuta elektrit

• Suurte mudelite treenimine võib nõuda suurte klastrite pikka ja intensiivset tööd. IEA: energia ja tehisintellekt

• Järeldamine (igapäevane kasutamine) võib aja jooksul muutuda suuremaks jalajäljeks, kuna see toimub pidevalt ja kõikjal. IEA: energia ja tehisintellekt

2) Andmekeskuse üldkulud

• Jahutus, elektrienergia jaotuskaod, varusüsteemid, võrguseadmed. LBNL (2024): Ameerika Ühendriikide andmekeskuste energiatarbimise aruanne (PDF)

• Samal arvutusel võib olla erinev kohapealne mõju, olenevalt efektiivsusest. Roheline võrk: PUE – mõõdiku põhjalik uurimine.

3) Vesi ja küte

• Paljud asutused kasutavad soojuse haldamiseks otseselt või kaudselt vett. USA energeetikaministeerium FEMP: Jahutusvee efektiivsuse võimalused föderaalsete andmekeskuste jaoks Li jt (2023): Tehisintellekti janususe vähendamiseks (PDF)

• Jääksoojust saab taaskasutada või see võib lihtsalt... kuuma õhuna lahkuda. (Mitte ideaalne.)

4) Riistvara tarneahel

• Materjalide kaevandamine ja rafineerimine.

• Kiipide ja serverite tootmine (energiamahukas). USA Keskkonnakaitse Keskkonnakaitseamet: Pooljuhtide tööstus IMEC: Keskkonnamõju vähendamine kiipide tootmisel

• Saatmine, pakendamine, uuendused, asendused.

5) Käitumine ja tagasilöögiefektid

• Tehisintellekt muudab ülesanded odavamaks ja lihtsamaks, nii et inimesed teevad neid rohkem. OECD (2012): Energiatõhususe parandamise mitmekülgsed eelised (PDF)

• Tõhususe kasvu võib suurenenud nõudlus ära süüa. See on see osa, mis paneb mind kergelt ohkama. OECD (2012): Energiatõhususe parandamise mitmekülgne kasu (PDF)

Seega, kui keegi küsib, kuidas tehisintellekt keskkonda mõjutab, on otsekohene vastus: see sõltub sellest, millist kihti mõõta ja mida „tehisintellekt” selles olukorras tähendab.

Koolitus vs järeldus: erinevus, mis muudab kõike 🧠⚙️

Inimestele meeldib treeningust rääkida, sest see kõlab dramaatiliselt – „üks mudel kasutas X energiat.“ Aga järeldamine on vaikne hiiglane. IEA: energia ja tehisintellekt

Treening (suur ehitus)

Koolitamine on nagu tehase ehitamine. Sa maksad ettemaksu: suured arvutusvõimsused, pikad käitusajad, palju katse-eksituse meetodil käivitamisi (ja jah, palju „ups, mis ei töötanud, proovi uuesti“ iteratsioone). Koolitamist saab optimeerida, kuid see võib siiski olla märkimisväärne. IEA: energia ja tehisintellekt

Järeldus (igapäevane kasutamine)

Järeldamine on nagu tehas, mis töötab iga päev, kõigile, mastaabis:

• Vestlusrobotid vastavad küsimustele

• Kujutise genereerimine

• Otsingu edetabel

• Soovitused

• Kõne tekstiks

• Pettuste avastamine

• Dokumentide ja kooditööriistade kaaspiloodid

Isegi kui iga päring on suhteliselt väike, võib kasutusmaht treeningu ära hoida. See on klassikaline olukord, kus „üks õlekõrs pole midagi, miljon õlekõrt on probleem“. IEA: Energia ja tehisintellekt

Väike märkus – mõned tehisintellekti ülesanded on palju raskemad kui teised. Piltide või pikkade videote genereerimine on tavaliselt energianõudlikum kui lühikeste tekstide liigitamine. Seega on „tehisintellekti” ühte patta panemine natuke sama, mis jalgratta ja kaubalaeva võrdlemine ja mõlema nimetamine „transpordiks”. IEA: energia ja tehisintellekt

Andmekeskused: elekter, jahutus ja see vaikne vee lugu 💧🏢

Andmekeskused pole uued, kuid tehisintellekt muudab intensiivsust. Suure jõudlusega kiirendid suudavad kitsastes kohtades palju energiat tarbida, mis muutub soojuseks, millega tuleb toime tulla. LBNL (2024): Ameerika Ühendriikide andmekeskuste energiakasutuse aruanne (PDF) IEA: Energia ja tehisintellekt

Jahutamise põhitõed (lihtsustatud, aga praktilised)

• Õhujahutus: ventilaatorid, jahutatud õhk, kuuma/külma vahekäigu disain. USA energeetikaministeeriumi FEMP: energiatõhusus andmekeskustes

• Vedeljahutus: tõhusam tihedates lahendustes, kuid võib hõlmata teistsugust infrastruktuuri. ASHRAE (TC 9.9): Vedeljahutuse tekkimine ja laienemine tavapärastes andmekeskustes (PDF)

• Aurustusjahutus: võib mõnes kliimas vähendada elektrienergia tarbimist, kuid suurendab sageli vee tarbimist. USA energeetikaministeeriumi FEMP: Jahutusvee efektiivsuse võimalused föderaalsete andmekeskuste jaoks.

See ongi kompromiss: mõnikord saab elektritarbimist vähendada, toetudes veepõhisele jahutusele. Sõltuvalt kohalikust veepuudusest võib see olla hea... või hoopis tõsine probleem. Li jt (2023): Tehisintellekti „januse vähendamiseks“ (PDF)

Samuti sõltub keskkonnajalajälg suuresti:

• Andmekeskuse asukoht (võrguheitmed varieeruvad) Süsiniku intensiivsuse API (GB) IEA: Energia ja tehisintellekt

• Kui tõhusalt seda käitatakse (kasutusaste on väga oluline) Roheline võrk: PUE – mõõdiku põhjalik uurimine

• Kas jääksoojust taaskasutatakse

• Energiahanke valikud (taastuvad energiaallikad, pikaajalised lepingud jne)

Ausalt öeldes: avalikus vestluses käsitletakse andmekeskust sageli musta kastina. See pole kuri ega maagiline. See on infrastruktuur. See käitub nagu infrastruktuur.

Kiibid ja riistvara: osa, mille inimesed vahele jätavad, kuna see on vähem seksikas 🪨🔧

Tehisintellekt elab riistvara peal. Riistvaral on elutsükkel ja selle mõju võib olla suur. USA Keskkonnakaitseagentuur: pooljuhtide tööstus ITU: ülemaailmne elektroonikajäätmete monitor 2024

Kus keskkonnamõju avaldub

• Materjalide kaevandamine: metallide ja haruldaste materjalide kaevandamine ja rafineerimine.

• Tootmine: pooljuhtide tootmine on keeruline ja energiamahukas. USA Keskkonnakaitse Keskkond: Pooljuhtide tööstus Imec: Keskkonnamõju vähendamine kiipide tootmisel

• Transport: globaalsed tarneahelad liigutavad osi kõikjale.

• Lühikesed asendustsüklid: kiired uuendused võivad suurendada elektroonikajäätmeid ja nendega kaasnevaid heitkoguseid. ITU: ülemaailmne elektroonikajäätmete seire 2024.

E-jäätmed ja „täiesti korras” serverid

Suur osa keskkonnakahjust ei tulene ühest olemasolevast seadmest, vaid selle varajasest väljavahetamisest, kuna see pole enam kulutõhus. Tehisintellekt kiirendab seda, sest jõudluse hüpped võivad olla suured. Kiusatus riistvara uuendada on reaalne. ITU: ülemaailmne elektroonikajäätmete seire 2024. aastal.

Praktiline tähelepanek: riistvara eluea pikendamine, kasutusea parandamine ja uuendamine võivad olla sama olulised kui ükskõik milline uhke mudeli kohandamine. Mõnikord on kõige keskkonnasõbralikum graafikakaart see, mida sa ei osta. (See kõlab nagu loosung, aga on ka... omamoodi tõsi.)

Kuidas tehisintellekt mõjutab keskkonda: käitumisahel „inimesed unustavad selle” 🔁😬

Ja siin on ebamugav sotsiaalne osa: tehisintellekt teeb asjad lihtsamaks, nii et inimesed teevad rohkem asju. See võib olla suurepärane – suurem tootlikkus, rohkem loovust, parem juurdepääs. Aga see võib tähendada ka suuremat ressursikasutust üldiselt. OECD (2012): Energiatõhususe parandamise mitmekülgne kasu (PDF)

Näited:

• Kui tehisintellekt muudab videote genereerimise odavaks, genereerivad inimesed rohkem videoid.

• Kui tehisintellekt muudab reklaamimise tõhusamaks, kuvatakse rohkem reklaame ja tekib rohkem kaasatustsükleid.

• Kui tehisintellekt muudab saatmislogistika tõhusamaks, saab e-kaubandust veelgi keerulisemalt skaleerida.

See ei ole põhjus paanikaks. See on põhjus tulemuste, mitte ainult efektiivsuse mõõtmiseks.

Ebatäiuslik, aga lõbus metafoor: tehisintellekti efektiivsus on nagu teismelisele suurema külmkapi andmine – jah, toidu hoiustamine paraneb, aga kuidagi on külmkapp päeva pärast jälle tühi. Pole just täiuslik metafoor, aga… olete seda näinud 😅

Positiivne külg: tehisintellekt saab keskkonda tõeliselt aidata (õigesti sihtides) 🌿✨

Nüüd aga selle osa juurde, mida alahinnatakse: tehisintellekt suudab vähendada heitkoguseid ja jäätmeid olemasolevates süsteemides, mis on… ausalt öeldes ebaelegantsed. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks

Valdkonnad, kus tehisintellekt saab aidata

• Energiavõrgud: koormuse prognoosimine, nõudlusele reageerimine, varieeruvate taastuvenergiaallikate integreerimine. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks.

• Hooned: nutikam HVAC-juhtimine, ennustav hooldus, elaniku aktiivsuspõhine energiakasutus. IEA: digitaliseerimine

• Transport: marsruutide optimeerimine, autopargi haldamine, tühimiilide vähendamine. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks

• Tootmine: defektide tuvastamine, protsesside häälestamine, praagi vähendamine.

• Põllumajandus: täppisniisutus, kahjurite tuvastamine, väetiste optimeerimine.

• Keskkonnaseire: metaanilekete tuvastamine, metsade hävitamise signaalide jälgimine, bioloogilise mitmekesisuse mustrite kaardistamine. UNEP: Kuidas MARS töötab. Global Forest Watch: GLAD metsade hävitamise hoiatused. Alan Turingi Instituut: tehisintellekt ja autonoomsed süsteemid bioloogilise mitmekesisuse hindamiseks.

• Ringmajandus: parem sorteerimine ja identifitseerimine ringlussevõtuvoogudes.

Oluline nüanss: tehisintellekti „abi“ ei kompenseeri automaatselt tehisintellekti jalajälge. See sõltub sellest, kas tehisintellekti tegelikult rakendatakse, kas seda tegelikult kasutatakse ja kas see viib reaalse vähendamiseni, mitte ainult paremate juhtpaneelideni. Aga jah, potentsiaal on reaalne. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks

Mis teeb keskkonnasõbralikust tehisintellektist hea versiooni? ✅🌍

See on jaotis „Olgu, mida me peaksime siis tegema“. Heal keskkonnateadlikul tehisintellekti seadistusel on tavaliselt:

• Selge kasutusjuhtumi väärtus: kui mudel ei muuda otsuseid ega tulemusi, on see lihtsalt väljamõeldud arvutus.

• Sisseehitatud mõõtmine: energia, süsinikuheite hinnangud, kasutamine ja efektiivsuse näitajad, mida jälgitakse nagu iga teist KPI-d. CodeCarbon: metoodika

• Õige suurusega mudelid: kasutage väiksemaid mudeleid, kui väiksemad mudelid toimivad. Tõhus olemine ei ole moraalne läbikukkumine.

• Tõhus järeldusdisain: vahemällu salvestamine, partiidena salvestamine, kvantiseerimine, otsing ja head viipamismustrid. Gholami jt (2021): Kvantimismeetodite ülevaade (PDF) Lewis jt (2020): Otsinguga laiendatud genereerimine

• Riistvara ja asukoha teadlikkus: käitage töökoormusi seal, kus võrk on puhtam ja infrastruktuur tõhus (kui see on teostatav). Süsiniku intensiivsuse API (GB)

• Riistvara pikem eluiga: maksimaalne kasutamine, taaskasutus ja renoveerimine. ITU: ülemaailmne elektroonikajäätmete monitor 2024.

• Otsekohene aruandlus: vältige rohepesu ja ebamääraseid väiteid nagu „keskkonnasõbralik tehisintellekt” ilma numbriteta.

Kui sa ikka veel jälgid, kuidas tehisintellekt keskkonda mõjutab, siis on see punkt, kus vastus lakkab olemast filosoofiline ja muutub toimivaks: see mõjutab seda sinu valikute põhjal.

Võrdlustabel: tööriistad ja lähenemisviisid, mis tegelikult mõju vähendavad 🧰⚡

Allpool on kiire ja praktiline tabel. See pole täiuslik ja jah, mõned lahtrid on pisut arvamuslikud... sest nii toimib päris tööriistade valik.

Kas märkad, mis puudu on? „Osta maagiline roheline kleebis.“ Seda ei eksisteeri 😬

Praktiline käsiraamat: tehisintellekti mõju vähendamine toodet hävitamata 🛠️🌱

Kui ehitate või ostate tehisintellekti süsteeme, on siin realistlik jada, mis praktikas toimib:

1. samm: alustage mõõtmisega

• Jälgige energiatarbimist või hinnake seda järjepidevalt. CodeCarbon: metoodika

• Mõõda iga treeningtsükli ja iga järeldustaotluse kohta.

• Jälgige kasutamist – jõude olevad ressursid võivad peituda. Roheline võrk: PUE

2. samm: sobitage mudel töö jaoks õige suurusega

• Kasutage klassifitseerimiseks, ekstraheerimiseks ja marsruutimiseks väiksemaid mudeleid.

• Jäta raske mudel kõvade kohvrite jaoks alles.

• Mõelge „mudeli kaskaadile“: esmalt väike mudel, vajadusel ainult suurem mudel.

3. samm: optimeerige järeldusi (siin on skaala mõju)

• Vahemällu salvestamine: salvesta vastused korduvate päringute jaoks (hoolika privaatsuskontrolliga).

• Pakkide jagamine: rühmitada päringuid riistvara tõhususe parandamiseks.

• Lühemad väljundid: pikad väljundid maksavad rohkem – mõnikord pole esseed vaja.

• Viipkäskude distsipliin: korrastamata viipkäsud loovad pikemaid arvutusteid... ja jep, rohkem märke.

4. samm: parandage andmete hügieeni

See kõlab seosetult, aga see pole nii:

• Puhtamad andmekogumid võivad vähendada ümberõppega seotud voolavust.

• Vähem müra tähendab vähem katseid ja vähem raisatud katseid.

5. samm: käsitle riistvara varana, mitte ühekordselt kasutatava esemena

• Pikendage võimaluse korral värskendustsükleid. ITU: ülemaailmne elektroonikajäätmete seire 2024.

• Väiksemate töökoormuste jaoks taaskasutage vanemat riistvara.

• Väldi „alati tipphetkel“ pakkumist.

6. samm: Valige juurutamine targalt

• Tehke paindlikke töid, kus energia on võimalusel puhtam. Süsiniku intensiivsuse API (GB)

• Vähendage tarbetut replikatsiooni.

• Hoidke latentsusaja eesmärgid realistlikud (ülimadal latentsusaeg võib sundida kasutama ebaefektiivseid pidevalt sisse lülitatud seadistusi).

Ja jah… mõnikord on parim samm lihtsalt: ärge käivitage iga kasutajatoimingu puhul automaatselt suurimat mudelit. See harjumus on keskkonna seisukohast samaväärne iga tule põlema jätmisega, sest lüliti juurde kõndimine on tüütu.

Levinud müüdid (ja mis on tõele lähemal) 🧠🧯

Müüt: „Tehisintellekt on alati halvem kui traditsiooniline tarkvara”

Tõde: tehisintellekt võib olla arvutusmahukam, kuid see võib asendada ka ebaefektiivseid käsitsiprotsesse, vähendada raiskamist ja optimeerida süsteeme. See on olukorrapõhine. IEA: tehisintellekt energia optimeerimiseks ja innovatsiooniks.

Müüt: „Ainus probleem on treening”

Tõde: Mastaabis järeldused võivad aja jooksul domineerida. Kui teie toote kasutamine plahvatuslikult suureneb, saab sellest peamine uudis. IEA: Energia ja tehisintellekt

Müüt: „Taastuvad energiaallikad lahendavad probleemi koheselt”

Tõde: Puhtam elekter on küll abiks, aga ei kustuta riistvara jalajälge, veekasutust ega tagasilöögiefekte. Siiski on see oluline. IEA: Energia ja tehisintellekt

Müüt: „Kui see on tõhus, on see jätkusuutlik”

Tõde: Tõhusus ilma nõudluse juhtimiseta võib ikkagi kogumõju suurendada. See on tagasilöögi lõks. OECD (2012): Energiatõhususe parandamise mitmekülgne kasu (PDF)

Juhtimine, läbipaistvus ja mitte teatraalsus 🧾🌍

Kui oled ettevõte, siis just siin usaldus luuakse või kaob.

• Esitage olulisi mõõdikuid: päringu, kasutaja ja ülesande kohta – mitte ainult suuri ja hirmutavaid summasid. LBNL (2024): Ameerika Ühendriikide andmekeskuste energiatarbimise aruanne (PDF)

• Väldi ebamääraseid väiteid: „roheline tehisintellekt” ei tähenda midagi ilma numbrite ja piirideta.

• Mõelge veele ja kohalikule mõjule: süsinik ei ole ainus keskkonnamuutuja. Li jt (2023): Tehisintellekti „januseks“ muutmine (PDF)

• Vaoshoitust arvestav disain: vaikimisi lühemad vastused, odavamad režiimid, ökoseaded, mis tegelikult midagi teevad.

• Mõelge võrdsusele: ulatuslikul ressursikasutusel kohtades, kus on napp vesi või habras elektrivõrk, on tagajärjed, mis ulatuvad kaugemale teie arvutustabelist. USA energeetikaministeeriumi FEMP: Jahutusvee tõhususe võimalused föderaalsete andmekeskuste jaoks.

See on see koht, kus inimesed pööritavad silmi, aga see on oluline. Vastutustundlik tehnoloogia ei seisne ainult nutikas inseneritöös. See seisneb ka selles, et ei tohi teeselda, nagu kompromisse poleks olemas.

Lõppkokkuvõte: lühike ülevaade tehisintellekti mõjust keskkonnale 🌎✅

Tehisintellekti mõju keskkonnale taandub lisakoormusele: elekter, vesi (mõnikord) ja riistvara nõudlus. IEA: Energia ja tehisintellekt Li jt (2023): Tehisintellekti vähem januseks muutmine (PDF) See pakub ka võimsaid tööriistu heitkoguste ja jäätmete vähendamiseks teistes sektorites. IEA: Tehisintellekt energia optimeerimiseks ja innovatsiooniks Lõpptulemus sõltub ulatusest, võrgu puhtusest, efektiivsusvalikutest ja sellest, kas tehisintellekt lahendab tegelikke probleeme või loob uudsust lihtsalt uudsuse pärast. IEA: Energia ja tehisintellekt

Kui soovite kõige lihtsamat praktilist järeldust:

• Mõõtke.

• Õige suurusega.

• Optimeeri järeldusi.

• Pikenda riistvara eluiga.

• Ole kompromisside osas aus.

Ja kui tunned end ülekoormatuna, siis siin on rahustav tõde: väikesed operatiivsed otsused, mida korratakse tuhat korda, on tavaliselt paremad kui üks suur jätkusuutlikkuse avaldus. Natuke nagu hammaste pesemine. Pole glamuurne, aga toimib.. 

Reaalse maailma näide: klienditoe tehisintellektiga assistendi jalajälje vähendamine 🌱🎧

Stsenaarium

Kujutage ette, et väike veebimüüja soovib tehisintellekti abil vastata klientide levinud küsimustele tarneaegade, tagastamiste, kahjustatud pakkide ja toote suuruste kohta.

Esimene versioon on raiskav: iga kliendisõnum läheb otse suurimale saadaolevale mudelile, isegi kui küsimus on lihtne. Assistent kirjutab ka üleliia pikki vastuseid, kordab poliitika teksti ja vastab samadele küsimustele tuhandeid kordi uuesti, selle asemel et uuesti kasutada kinnitatud vastuseid.

Mõistlikum lahendus ei ole „ilma tehisintellektita“. See on paraja suurusega tehisintellekt: kasutage lihtsamate ülesannete jaoks kergemaid tööriistu, hoidke suurem mudel keerukamate juhtumite jaoks ja mõõtke iga lahendatud pileti mõju.

Mida assistent vajab

Meeskond valmistaks ette:

Kehtiv tagastuspoliitika

Kohaletoimetamise reeglid piirkonniti

Toote suuruse märkused

Lühike eskalatsioonipoliitika tagasimaksete, kaebuste ja juriidiliste probleemide korral

50 levinud kliendiküsimuse loend

Korduvate küsimuste lühivastuste heakskiitmine

Lihtne jälgimisleht, mis sisaldab järgmist: päringu tüüp, kasutatud mudel, vastuse pikkus, kas eskaleerimine oli vajalik ja kas vastus läbis inimese läbivaatuse

Näidisjuhis

Kasutage esmalt kõige väiksemat sobivat mudelit või reeglipõhist vastust. Kasutage laiemat mudelit ainult siis, kui kliendi küsimus on ebaselge, emotsionaalne, sisaldab mitut probleemi või nõuab teabe kombineerimist mitmest poliitikast. Hoidke vastused alla 120 sõna, välja arvatud juhul, kui klient küsib üksikasju. Kui enesekindlus on madal, esitage üks selgitav küsimus või suunake see inimesele. Ärge mõelge välja tarnekuupäevi, tagasimakse kinnitusi ega poliitika erandeid.

Kuidas seda testida

Enne turuletoomist tehke 50 piletiga test:

10 küsimust kohaletoimetamise kohta

10 tagastusküsimust

10 küsimust toote suuruse kohta

10 kahjustatud eseme kaebust

10 segast või ebaselget sõnumit

Iga vastuse puhul kontrollige:

Kas kasutati õiget poliitikat?

Kas vahemällu salvestatud kinnitatud vastus oleks selle lahendanud?

Kas suuremat mudelit oli vaja?

Kas assistent vastas lühidalt?

Kas mõni vastus leiutas informatsiooni?

Kas tundlikud juhtumid eskaleerusid õigesti?

Mõistlik lävendipunkt oleks umbes selline: 95% poliitika täpsus, 0 väljamõeldud tagasimakselubadust ja 100% eskaleerimine kaebuste puhul, mis hõlmavad maksevaidlusi või juriidilisi ähvardusi.

Tulemus

Illustreeriv tulemus, mis põhineb ajastusel ja 50 piletiga testi loendamisel enne ja pärast optimeerimist:

Enne optimeerimist kasutasid kõik 50 piletit suuremat mudelit, mille keskmine vastuse pikkus oli 210 sõna.

Pärast optimeerimist kasutas 31 piletit vahemällu salvestatud kinnitatud vastuseid, 14 kasutas väiksemat mudelit ja ainult 5 kasutas suuremat mudelit.

Keskmine vastuse pikkus langes 210 sõnalt 92 sõnale.

Inimese poolt tehtava ülevaatamise aeg langes 4 tunnilt 10 minutilt 1 tunnile 25 minutile.

Meeskond leidis esimeses testis 2 valet poliitikavastust ning pärast allikdokumentide uuendamist ja selgemate eskalatsioonireeglite lisamist ei leidnud nad ühtegi valet poliitikavastust.

See ei tõesta, et assistent on „roheline“. See näitab lihtsalt mõõtmist, mis muudab keskkonnaväite kontrollitavaks: vähem keerukaid mudeliküsitlusi, lühemaid väljundeid, vähem korduvaid genereerimisi ja vähem välditavaid ülevaatustsükleid.

Mis võib valesti minna

Assistent võib ikkagi arvutusvõimsust raisata, kui iga ebamäärane sõnum suunatakse igaks juhuks suurimale mudelile.

Vahemällu salvestatud vastused võivad muutuda riskantseks, kui tagastuspoliitika muutub ja keegi neid ei uuenda.

Lühikesed vastused võivad kliente ärritada, kui need jätavad välja olulised detailid.

Süsiniku- või energiaväited võivad muutuda rohepesuks, kui ettevõte esitab ainult protsentuaalse kokkuhoiu, näitamata mõõtmismeetodit.

Suurim viga on mudeli valiku käsitlemine ainsa hoovana. Praktikas tuleb keskkonnasõbralikum töövoog marsruutimisest, vahemällu salvestamisest, lühematest väljunditest, parematest allikdokumentidest ja kõrge riskiga juhtumite inimlikust läbivaatamisest.

Praktiline kaasavõetav toit

Väiksema mõjuga tehisintellekti süsteem pole tavaliselt kõige uhkem. See on see, mis mõõdab tegelikku kasutamist, väldib ebavajalikke ülekaalukaid järeldusi, taaskasutab võimaluse korral heakskiidetud vastuseid ja annab inimestele siiski kontrolli oluliste otsuste üle.

KKK

Kuidas mõjutab tehisintellekt keskkonda igapäevases kasutuses, mitte ainult suurtes uurimislaborites?

Suurem osa tehisintellekti ökosüsteemi jalajäljest tuleb elektrist, mis annab energiat andmekeskustele, kus töötavad graafikaprotsessorid ja protsessorid nii treeningu kui ka igapäevase „järelduste” tegemise ajal. Üksik päring võib olla tagasihoidlik, kuid suuremas mahus kuhjuvad need päringud kiiresti. Mõju sõltub ka andmekeskuse asukohast, kohaliku elektrivõrgu puhtusest ja infrastruktuuri tõhusast käitamisest.

Kas tehisintellekti mudeli treenimine on keskkonnale halvem kui selle kasutamine (järeldus)?

Koolitamine võib olla suur ja esialgne arvutusvõimsus, kuid järelduste tegemine võib aja jooksul muutuda suuremaks jalajäljeks, kuna see töötab pidevalt ja tohutus mahus. Kui tööriista kasutavad iga päev miljonid inimesed, võivad korduvad päringud kaaluda üles ühekordse koolituskulu. Seetõttu keskendub optimeerimine sageli järelduste tõhususele.

Miks tehisintellekt vett kasutab ja kas see on alati probleem?

Tehisintellekt saab vett kasutada peamiselt seetõttu, et mõned andmekeskused tuginevad veepõhisele jahutusele või kuna vett tarbitakse kaudselt elektrienergia tootmise kaudu. Teatud kliimas võib aurustusjahutus vähendada elektrienergia tarbimist, suurendades samal ajal vee tarbimist, luues tõelise kompromissi. See, kas see on „halb“, sõltub kohalikust veepuudusest, jahutuse disainist ja sellest, kas veekasutust mõõdetakse ja hallatakse.

Milline osa tehisintellekti keskkonnajalajäljest pärineb riistvarast ja elektroonikajäätmetest?

Tehisintellekt sõltub kiipidest, serveritest, võrguseadmetest, hoonetest ja tarneahelatest – see tähendab kaevandamist, tootmist, transporti ja lõpuks ka utiliseerimist. Pooljuhtide tootmine on energiamahukas ja kiired uuendustsüklid võivad suurendada kehastunud heitkoguseid ja elektroonikajäätmeid. Riistvara eluea pikendamine, renoveerimine ja kasutamise parandamine võivad mõju oluliselt vähendada, mis mõnikord võrdub mudeli tasemel muudatustega.

Kas taastuvenergia kasutamine lahendab tehisintellekti keskkonnamõju?

Puhtam elekter võib vähendada arvutusvõimsuse heitkoguseid, kuid see ei kustuta muid mõjusid, nagu veekasutus, riistvara tootmine ja elektroonikajäätmed. Samuti ei lahenda see automaatselt nn tagasilöögiefekte, kus odavam arvutusvõimsus suurendab üldist tarbimist. Taastuvenergia on oluline hoob, kuid see on vaid üks osa jalajäljest.

Mis on tagasilöögiefekt ja miks see on tehisintellekti ja jätkusuutlikkuse jaoks oluline?

Tagasilöögiefekt tekib siis, kui efektiivsuse kasv muudab midagi odavamaks või lihtsamaks, mistõttu inimesed teevad seda rohkem – mõnikord kaotades kokkuhoiu. Tehisintellekti abil võib odavam tootmine või automatiseerimine suurendada sisu, arvutusvõimsuse ja teenuste kogunõudlust. Seetõttu on tulemuste mõõtmine praktikas olulisem kui efektiivsuse eraldiseisev tähistamine.

Millised on praktilised viisid tehisintellekti mõju vähendamiseks ilma toodet kahjustamata?

Levinud lähenemisviis on alustada mõõtmisest (energia ja süsiniku hinnangud, kasutamine), seejärel valida ülesandele sobiva suurusega mudelid ja optimeerida järeldusi vahemällu salvestamise, partiidena töötlemise ja lühemate väljundite abil. Sellised meetodid nagu kvantiseerimine, destilleerimine ja otsingu abil laiendatud genereerimine võivad vähendada arvutusvajadust. Operatiivsed valikud – näiteks töökoormuse ajastamine süsiniku intensiivsuse ja riistvara pikema eluea järgi – annavad sageli suuri võite.

Kuidas saab tehisintellekt keskkonda aidata, mitte kahjustada?

Tehisintellekt suudab vähendada heitkoguseid ja jäätmeid, kui seda kasutatakse reaalsete süsteemide optimeerimiseks: võrgu prognoosimine, nõudlusele reageerimine, hoonete HVAC-juhtimine, logistika marsruutimine, ennustav hooldus ja lekke tuvastamine. See saab toetada ka keskkonnaseiret, näiteks metsade hävitamise hoiatusi ja metaani tuvastamist. Oluline on see, kas süsteem muudab otsuseid ja annab mõõdetavaid vähenemisi, mitte ainult paremaid armatuurlaudu.

Milliseid näitajaid peaksid ettevõtted esitama, et vältida tehisintellekti "rohepesu" väiteid?

Mõõdikute esitamine ülesande või päringu kohta on mõttekam kui ainult suurte koguarvude esitamine, sest see näitab tõhusust üksuse tasandil. Energiatarbimise, süsinikuheite hinnangute, kasutamise ja – kui see on asjakohane – vee mõju jälgimine loob selgema vastutuse. Samuti on oluline: määratleda piirid (mis on hõlmatud) ja vältida ebamääraseid silte nagu „keskkonnasõbralik tehisintellekt” ilma kvantifitseeritud tõenditeta.

Viited

1. Rahvusvaheline Energiaagentuur (IEA) - Energia ja tehisintellekt - iea.org

2. Rahvusvaheline Energiaagentuur (IEA) - Tehisintellekt energia optimeerimiseks ja innovatsiooniks - iea.org

3. Rahvusvaheline Energiaagentuur (IEA) - Digitaliseerimine - iea.org

4. Lawrence Berkeley riiklik labor (LBNL) - Ameerika Ühendriikide andmekeskuse energiatarbimise aruanne (2024) (PDF) - lbl.gov

5. Li jt - Tehisintellekti vähem januseks muutmine (2023) (PDF) - arxiv.org

6. ASHRAE (TC 9.9) - Vedeljahutuse tekkimine ja laienemine tavapärastes andmekeskustes (PDF) - ashrae.org

7. Roheline Grid - PUE - Mõõdiku põhjalik uurimine - thegreengrid.org

8. USA energeetikaministeerium (DOE) - FEMP - Jahutusvee efektiivsuse võimalused föderaalsetele andmekeskustele - energy.gov

9. USA energeetikaministeerium (DOE) - FEMP - Energiatõhusus andmekeskustes - energy.gov

10. USA Keskkonnakaitseagentuur (EPA) - Pooljuhtide tööstus - epa.gov

11. Rahvusvaheline Telekommunikatsiooniliit (ITU) – ülemaailmne elektroonikajäätmete seire 2024 – itu.int

12. OECD - Energiatõhususe parandamise mitmekülgsed eelised (2012) (PDF) - oecd.org

13. Süsiniku intensiivsuse API (GB) - carbonintensity.org.uk

14. imec - Kiibitootmise keskkonnamõju vähendamine - imec-int.com

15. UNEP - Kuidas MARS töötab - unep.org

16. Global Forest Watch - GLADi metsade hävitamise hoiatused - globalforestwatch.org

17. Alan Turingi Instituut – tehisintellekt ja autonoomsed süsteemid bioloogilise mitmekesisuse ja ökosüsteemi tervise hindamiseks – turing.ac.uk

18. CodeCarbon - Metoodika - mlco2.github.io

19. Gholami jt - Kvantimismeetodite ülevaade (2021) (PDF) - arxiv.org

20. Lewis jt - Otsingu ja laiendatud genereerimine (2020) - arxiv.org

21. Hinton jt - Teadmiste destilleerimine närvivõrgus (2015) - arxiv.org

22. CodeCarbon - codecarbon.io

Leia uusim tehisintellekt ametlikust tehisintellekti abilise poest

Meist