論文の概要: Unraveling the hidden environmental impacts of AI solutions for
environment
- arxiv url: http://arxiv.org/abs/2110.11822v1
- Date: Fri, 22 Oct 2021 14:56:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-25 17:50:21.926791
- Title: Unraveling the hidden environmental impacts of AI solutions for
environment
- Title(参考訳): 環境に対するAIソリューションの隠れた環境影響の解明
- Authors: Anne-Laure Ligozat, Julien Lef\`evre, Aur\'elie Bugeau, Jacques Combaz
- Abstract要約: 過去10年間、人工知能はこのような劇的な進歩に遭遇し、現在、環境問題を解決するツールとして選択されている。
ディープラーニングコミュニティは、より多くのパラメータを持つトレーニングモデルには大量のエネルギーと結果としてGHG排出量が必要であることに気付き始めた。
本稿では,「緑のためのAI」の負の影響について考察する。
- 参考スコア(独自算出の注目度): 0.04588028371034406
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In the past ten years artificial intelligence has encountered such dramatic
progress that it is seen now as a tool of choice to solve environmental issues
and in the first place greenhouse gas emissions (GHG). At the same time the
deep learning community began to realize that training models with more and
more parameters required a lot of energy and as a consequence GHG emissions. To
our knowledge, questioning the complete environmental impacts of AI methods for
environment ("AI for green"), and not only GHG, has never been addressed
directly. In this article we propose to study the possible negative impact of
"AI for green" 1) by reviewing first the different types of AI impacts 2) by
presenting the different methodologies used to assess those impacts, in
particular life cycle assessment and 3) by discussing how to assess the
environmental usefulness of a general AI service.
- Abstract(参考訳): 過去10年間、人工知能は、環境問題や温室効果ガス排出量(ghg)を解決するためのツールとして、現在選択されているような劇的な進歩に遭遇してきた。
同時に、ディープラーニングコミュニティは、より多くのパラメータを持つトレーニングモデルには大量のエネルギーと結果としてGHG排出量が必要であることに気づき始めた。
我々の知る限り、環境に対するAI手法の完全な環境影響("AI for Green")に疑問を投げかけることは、GHGだけでなく、直接的に対処することはない。
本稿では,「緑のためのAI」の負の影響について考察する。
1)まず、異なるタイプのAI影響をレビューすることで、
2)これらの影響,特にライフサイクルアセスメントを評価するための異なる方法論を提示し,
3)一般AIサービスの環境有用性を評価する方法について論じる。
関連論文リスト
- Recommendations for public action towards sustainable generative AI
systems [0.0]
本稿では,生成AIの環境フットプリントの構成要素について述べる。
これは、大規模な言語モデルのトレーニングに関連する大量のCO2排出量と水消費を強調します。
また, 環境負荷に影響を及ぼすモデルの特徴と要因についても検討した。
論文 参考訳(メタデータ) (2024-01-04T08:55:53Z) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳(メタデータ) (2023-11-01T11:16:41Z) - Towards Sustainable Development: A Novel Integrated Machine Learning
Model for Holistic Environmental Health Monitoring [0.0]
都市化は経済成長を可能にするが、劣化によって環境を害する。
機械学習は、主要な予測的特徴を特定することによって環境劣化を追跡するための有望なツールとして登場した。
本研究の目的は、介入点の特定、計画と保全の取り組みの改善、そして究極的には持続可能な開発への貢献を支援することである。
論文 参考訳(メタデータ) (2023-08-20T16:35:21Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳(メタデータ) (2023-07-01T15:18:00Z) - Towards Environmentally Equitable AI via Geographical Load Balancing [33.46440985085419]
本稿では、その地域的負の環境影響のバランスをとることによって、AIの環境不平等に対処する第一歩を踏み出す。
大規模言語AIモデルに対する推論要求を提供する地理的に分散した10のデータセンタを考慮し、トレースベースのシミュレーションを実行する。
その結果,既存のGLBアプローチは環境不平等を増大させる可能性を示し,提案したエクイティ対応GLBは,炭素および水のフットプリントにおける地域格差を著しく低減できることを示した。
論文 参考訳(メタデータ) (2023-06-20T17:13:33Z) - Towards Sustainable Artificial Intelligence: An Overview of
Environmental Protection Uses and Issues [0.0]
本稿では,明日の生態学的課題に対応するエネルギー消費技術のパラドックスについて述べる。
これは、ユースケースや具体的な例を示すために、グリーンプレイヤー向けのAIから多くの例を引き合いに出している。
環境の次元は、AIの幅広い倫理的問題の一部であり、長期的にAIの持続可能性を保証するために不可欠である。
論文 参考訳(メタデータ) (2022-12-22T14:31:48Z) - Eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI [47.130004596434816]
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。
モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
論文 参考訳(メタデータ) (2022-07-31T09:34:53Z) - Climate Change & Computer Audition: A Call to Action and Overview on
Audio Intelligence to Help Save the Planet [98.97255654573662]
この研究は、オーディオインテリジェンスが気候に関わる課題を克服するために貢献できる領域の概要を提供する。
我々は、地球、水、空気、火、エーテルの5つの要素に従って、潜在的なコンピュータオーディションの応用を分類する。
論文 参考訳(メタデータ) (2022-03-10T13:32:31Z) - The Need for Ethical, Responsible, and Trustworthy Artificial
Intelligence for Environmental Sciences [0.04588028371034406]
AIの倫理的利用と責任に関する議論を始めることが不可欠である。
一般的な誤解は、環境科学はAIが使われているときに意図しない結果に免疫があるということである。
天気や気候の例に焦点をあてるが、その結論は環境科学に広く当てはまる。
論文 参考訳(メタデータ) (2021-12-15T19:57:38Z) - Analyzing Sustainability Reports Using Natural Language Processing [68.8204255655161]
近年、企業は環境への影響を緩和し、気候変動の状況に適応することを目指している。
これは、環境・社会・ガバナンス(ESG)の傘下にある様々な種類の気候リスクと暴露を網羅する、ますます徹底した報告を通じて報告されている。
本稿では,本稿で開発したツールと方法論について紹介する。
論文 参考訳(メタデータ) (2020-11-03T21:22:42Z) - Ecological Reinforcement Learning [76.9893572776141]
このような条件下での学習を容易にする環境特性について検討する。
環境の特性が強化学習エージェントのパフォーマンスにどのように影響するかを理解することは、学習を魅力的にする方法でタスクを構造化するのに役立ちます。
論文 参考訳(メタデータ) (2020-06-22T17:55:03Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。