El ingente consumo de energía que requieren los supercomputadores deriva en grandes volúmenes de emisiones de CO2 (.)
Entrenar a ordenadores en el aprendizaje del habla humana supone un nivel de emisiones de CO2 cinco veces superior a las que genera un coche durante toda su vida útil
Alimentar de datos a una máquina para que sea capaz de aprender el lenguaje de los humanos tiene un coste para el medio ambiente cinco veces superior a lo que contamina un automóvil durante toda su vida útil. Es la conclusión principal a la que han llegado investigadores de la Universidad de Amherst (Massachusetts, Estados Unidos), que por primera vez han evaluado la huella ecológica que supone entrenar un sistema de inteligencia artificial (IA).
El estudio analiza la energía que consume un modelo de procesamiento del lenguaje natural (PLN, o NLP, siglás en ingés de Natural Language Processing) para funcionar con precisión. Esa energía procede de la ingente cantidad de datos que se extraen de internet y que se procesan a través de sistemas informáticos. Estos sistemas de aprendizaje automático han obtenido notables avances en los últimos años que se han aplicado a herramientas de uso cada vez más común como los traductores automáticos, los chatbots, los asistentes personales que incorporan algunos smartphones o los sistemas de descripción natural de imágenes .
Inversión
“También cuesta años formar a un ingeniero, pero una vez sale de la escuela, aplicar su conocimiento es rápido y genera valor”
El informe descubre que el proceso de desarrollo de técnicas de “aprendizaje profundo” en disciplinas como el ‘Machine Learning’, una de las ramas de la IA que “entrena” a los ordenadores en el reconocimiento y aprendizaje del habla humana, puede llegar a emitir 284 toneladas de dióxido de carbono equivalente (CO2e). Este nivel de emisiones es equiparable a lo que contaminan 47 ciudadanos españoles durante todo un año, si se toman como referencia los últimos datos disponibles de emisiones de CO2 per cápita.
Jordi Torres, catedrático de la UPC e investigador de Barcelona Supercomputing Center (BSC), admite que estos modelos consumen mucha energía durante la fase de entrenamiento, pero matiza que “una vez entrenados, estos modelos resultan muy baratos energéticamente, porque una vez están preparados son muy eficientes: se pueden usar de manera pública (caso de los traductores automáticos) y también se pueden reutilizar para mejorar los productos resultantes”, explica el experto. “También cuesta años formar a un ingeniero, pero una vez sale de la escuela, aplicar su conocimiento es rápido y genera valor”, reflexiona.
En el artículo, los investigadores evalúan también el gasto que supone el desarrollo de estas redes neuronales. Esto es lo que cuesta el hardware, el consumo de energía que se requiere, el mantenimiento (por ejemplo, de los sistemas de aire acondicionado de necesitan estas máquinas) y lo que vale almacenar los datos en los sistemas de computación en la nube. Sobre la base de estos hallazgos, los expertos recomiendan varias medidas dirigidas a reducir los costes financieros y ambientales de la industria de la inteligencia artificial.
Los investigadores han analizado los cuatro modelos de NPL más avanzados: Transformer, ELMo, BERT y GPT-2. En uno de los ejemplos que presenta el artículo se identifica un modelo que necesitó “entrenarse” durante 274.000 horas para presentar resultados precisos. Durante el proceso se emitió una cantidad de dióxido de carbono equivalente a más de 300 vuelos de ida y vuelta entre Madrid y Nueva York.
Tecnología renovable
“La nube” es más ecológica
Los volúmenes se calculan en función de las cargas de trabajo realizadas en los‘datacenters “terrenales”, no en “la nube”. Según el informe, la computación en nube es más respetuosa con el medio ambiente, ya que los centros de datos de la nube obtienen una cantidad significativa de energía de fuentes renovables.
Jordi Torres, que forma parte del equipo que trabaja con la supercomputadora Mare Nostrum en Barcelona, considera que la estimación que hacen los investigadores de Amherst puede ser correcta, pero precisa que los algoritmos sobre los que se basa el estudio para evaluar el consumo de energía de los modelos de inteligencia artificial analizados son “un poco rebuscados”, lo que incrementa la necesidad de energía (y en consecuencia, el impacto ambiental).
“Los modelos en los que se basa este estudio funcionan mediante lo que llamamos fuerza bruta: esto es, probar “a lo bruto” todas las opciones, lo que genera un mayor esfuerzo de la máquina y por tanto un mayor coste energético; lo habitual es trabajar de un modo más afinado, pensando más las opciones de parámetros que son viables antes de ejecutar y así ahorrar ejecuciones no útiles”, explica.
“Por otra parte -sigue Torres- hay que tener en consideración los avances que implica la inteligencia artificial: entre otras cosas, puede servir para mejorar la detección de posibles enfermedades en una radiografía. No se puede comparar con el coste ambiental de actividades humanas -que antes eran poco significativas y ahora se han generalizado- y no producen beneficio alguno, como que tanta gente coja un avión para irse de vacaciones”, concluye el experto.
No hay comentarios:
Publicar un comentario
Nota: solo los miembros de este blog pueden publicar comentarios.