論文の概要: How sustainable is "common" data science in terms of power consumption?
- arxiv url: http://arxiv.org/abs/2207.01934v1
- Date: Tue, 5 Jul 2022 10:15:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 09:43:16.593989
- Title: How sustainable is "common" data science in terms of power consumption?
- Title（参考訳）: 電力消費の観点からデータサイエンスはどこまで持続可能か?
- Authors: Bjorge Meulemeester, David Martens
- Abstract要約: この研究は、グローバルな炭素フットプリントへの「一般的な」データ科学の貢献を推定する。
一般的な"データサイエンスは、通常のコンピュータ使用量より2.57ドル高い電力を消費するが、照明や暖房といった日常的な電力消費のタスクよりも少ない。
大規模データサイエンスは、一般的なデータサイエンスよりもはるかに多くのパワーを消費する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Continuous developments in data science have brought forth an exponential
increase in complexity of machine learning models. Additionally, data
scientists have become ubiquitous in the private market, academic environments
and even as a hobby. All of these trends are on a steady rise, and are
associated with an increase in power consumption and associated carbon
footprint. The increasing carbon footprint of large-scale advanced data science
has already received attention, but the latter trend has not. This work aims to
estimate the contribution of the increasingly popular "common" data science to
the global carbon footprint. To this end, the power consumption of several
typical tasks in the aforementioned common data science tasks will be measured
and compared to: large-scale "advanced" data science, common computer-related
tasks, and everyday non-computer related tasks. This is done by converting the
measurements to the equivalent unit of "km driven by car". Our main findings
are: "common" data science consumes $2.57$ more power than regular computer
usage, but less than some common everyday power-consuming tasks such as
lighting or heating; large-scale data science consumes substantially more power
than common data science.
- Abstract（参考訳）: データサイエンスの継続的な発展により、機械学習モデルの複雑さが指数関数的に増加した。
さらに、データサイエンティストは、プライベートマーケットや学術的環境、さらには趣味としてもユビキタスになりつつある。
これらの傾向はいずれも着実に増加しており、消費電力の増加とカーボンフットプリントに関連している。
大規模データサイエンスの炭素フットプリントの増大はすでに注目されているが、後者の傾向は注目されていない。
この研究は、グローバルな炭素フットプリントへの「一般的な」データ科学の貢献を推定することを目的としている。
この目的のために、前述の共通データサイエンスタスクにおけるいくつかの典型的なタスクの消費電力は、大規模データサイエンス、一般的なコンピュータ関連タスク、日々の非コンピュータ関連タスクと比較される。
これは測定値を"km driven by car"の等価単位に変換することによって行われる。
一般的な」データサイエンスは通常のコンピュータ使用量よりも2.57ドル高い電力を消費しますが、照明や暖房といった日常的な電力消費タスクよりも少ないです。
関連論文リスト
- Towards Data-Driven Electricity Management: Multi-Region Harmonized Data and Knowledge Graph [0.196629787330046]
住宅部門は世界の電力消費の25%を占めている。
複数の地域にまたがる家庭レベルでの均一な消費データ不足は、大規模な研究を妨げる。
本稿では、公開されているソースからコンパイルされ、均一なフォーマットで提示されるマルチリージョンデータセットについて紹介する。
論文 参考訳（メタデータ） (2024-05-29T08:30:34Z) - 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) - Advanced Data Augmentation Approaches: A Comprehensive Survey and Future
directions [57.30984060215482]
データ拡張の背景、レビューされたデータ拡張技術の新しい包括的分類法、および各技術の強さと弱点(可能ならば)を提供する。
また、画像分類、オブジェクト検出、セマンティックセグメンテーションなどの3つの一般的なコンピュータビジョンタスクに対して、データ拡張効果の総合的な結果を提供する。
論文 参考訳（メタデータ） (2023-01-07T11:37:32Z) - Research Trends and Applications of Data Augmentation Algorithms [77.34726150561087]
我々は,データ拡張アルゴリズムの適用分野,使用するアルゴリズムの種類,重要な研究動向,時間経過に伴う研究の進展,およびデータ拡張文学における研究ギャップを同定する。
我々は、読者がデータ拡張の可能性を理解し、将来の研究方向を特定し、データ拡張研究の中で質問を開くことを期待する。
論文 参考訳（メタデータ） (2022-07-18T11:38:32Z) - Machine Learning and Data Science: Foundations, Concepts, Algorithms,
and Tools [0.0]
データは企業にとって重要な洞察を得て、パフォーマンスを向上させるためのツールであり、燃料なのです。
現在、データを使用しない業界は存在しない。
すべてはデータアナリストやデータサイエンティストによって行われます。
論文 参考訳（メタデータ） (2022-02-03T08:30:02Z) - Understanding the World Through Action [91.3755431537592]
ラベルのないデータを利用するための汎用的で原則的で強力なフレームワークは、強化学習から導き出すことができると私は主張する。
このような手順が、下流の潜在的なタスクとどのように密接に一致しているかについて論じます。
論文 参考訳（メタデータ） (2021-10-24T22:33:52Z) - Compute and Energy Consumption Trends in Deep Learning Inference [67.32875669386488]
コンピュータビジョンと自然言語処理の分野における関連モデルについて検討する。
継続的な性能向上のために、これまで予想されていたよりもエネルギー消費の軟化が見られた。
論文 参考訳（メタデータ） (2021-09-12T09:40:18Z) - Data science and Machine learning in the Clouds: A Perspective for the
Future [0.0]
データ駆動科学(いわゆる第4の科学パラダイム)が研究とイノベーションの原動力となる。
この新たなパラダイムの下で処理される膨大なデータを、将来的には大きな懸念事項になるでしょう。
これらの計算のあらゆる面において、クラウドベースのサービスを強く要求する。
論文 参考訳（メタデータ） (2021-09-02T17:36:24Z) - Synthetic Data: Opening the data floodgates to enable faster, more
directed development of machine learning methods [96.92041573661407]
機械学習における画期的な進歩の多くは、大量のリッチデータを利用できることに起因する。
多くの大規模データセットは、医療データなど高度に敏感であり、機械学習コミュニティでは広く利用できない。
プライバシー保証で合成データを生成することは、そのようなソリューションを提供します。
論文 参考訳（メタデータ） (2020-12-08T17:26:10Z) - Biases in Data Science Lifecycle [0.0]
本研究の目的は,データ科学者の実践的ガイドラインを提供し,その意識を高めることである。
この研究では、さまざまなバイアス源をレビューし、データサイエンスライフサイクルの異なる段階の下でグループ化しました。
論文 参考訳（メタデータ） (2020-09-10T13:41:48Z) - From Data to Knowledge to Action: A Global Enabler for the 21st Century [26.32590947516587]
コンピュータと数理科学の進歩が相まって、真の証拠に基づく意思決定を可能にする前例のない能力がもたらされた。
これらの機能は、データの大規模なキャプチャと、そのデータの洞察とレコメンデーションへの変換を可能にする。
商業、科学、教育、芸術、エンターテイメントのWebへの移行により、人間の活動に関する構造化された、非構造化されたデータベースが、これまで例のない量で利用可能になった。
論文 参考訳（メタデータ） (2020-07-31T19:19:42Z)
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。