Разработанный в Институте искусственного интеллекта AIRI алгоритм позволит значительно сократить объем энергии, потребляемой в ходе этой процедуры, отметил Иван Оселедец, исполнительный директор организации
Российские ученые создали алгоритм, который позволяет сократить выбросы CO2 при обучении систем ИИ путем подбора облачных сервисов для этой процедуры с учетом стоимости электроэнергии и других показателей, влияющих на углеродный след нейросетей. Об этом в понедельник сообщила пресс-служба Института искусственного интеллекта AIRI.
«При выполнении кода наша библиотека рассчитывает фактическое энергопотребление центральных и графических процессоров, а также устройств хранения данных и оценивает углеродный след с учетом региональных норм углеродной стоимости вырабатываемой электроэнергии», — заявил исполнительный директор Института искусственного интеллекта AIRI Иван Оселедец, чьи слова приводит пресс-служба организации.
Как отметил Оселедец, разработанный специалистами Института искусственного интеллекта AIRI алгоритм позволит значительно сократить выбросы CO2, связанные с процедурой обучения нейросетей. Это длительный и достаточно энергоемкий процесс, в рамках которого разрабатываемые системы ИИ анализируют огромные объемы специально размеченных данных.
Ученые разработали алгоритм, который позволяет отслеживать, как много энергии потребляется на разных этапах обучения систем и конвертировать эти показатели в объемы выбросов CO2. Встроенная нейросеть использует эти данные для выбора одного из 13 облачных сервисов в разных регионах мира, при использовании которого процесс обучения системы ИИ будет оставлять минимальный углеродный след. Так исследователи называют условный показатель количества энергии, затраченной на тот или иной процесс.
В некоторых удачных случаях, как показали первые предварительные проверки подхода, он позволяет сократить выбросы примерно на 90%. Этот алгоритм, получивший имя Eco4cast, был опубликован в открытом доступе, то есть свободен для использования всеми желающими. Как надеются ученые, их разработка поможет снизить затраты на обучение нейросетей и уменьшить связанные с этим процессом выбросы парниковых газов.
