論文の概要: eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI
- arxiv url: http://arxiv.org/abs/2208.00406v1
- Date: Sun, 31 Jul 2022 09:34:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-02 13:17:57.772322
- Title: eco2AI: carbon emissions tracking of machine learning models as the
first step towards sustainable AI
- Title（参考訳）: eco2AI:持続可能なAIに向けた第一歩として機械学習モデルの二酸化炭素排出量追跡
- Authors: Semen Budennyy, Vladimir Lazarev, Nikita Zakharenko, Alexey Korovin,
Olga Plosskaya, Denis Dimitrov, Vladimir Arkhipkin, Ivan Oseledets, Ivan
Barsola, Ilya Egorov, Aleksandra Kosterina, Leonid Zhukov
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 47.130004596434816
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The size and complexity of deep neural networks continue to grow
exponentially, significantly increasing energy consumption for training and
inference by these models. We introduce an open-source package eco2AI to help
data scientist and researchers track energy consumption and equivalent CO2
emissions of their models in a straightforward way. In eco2AI we put emphasis
on accuracy of energy consumption tracking and correct regional CO2 emissions
accounting. We encourage research community to search for new optimal
Artificial Intelligence (AI) architectures with a lower computational cost. The
motivation also comes from the concept of AI-based green house gases
sequestrating cycle with both Sustainable AI and Green AI pathways.
- Abstract（参考訳）: ディープニューラルネットワークのサイズと複雑さは指数関数的に増加し続けており、これらのモデルによるトレーニングと推論のエネルギー消費は著しく増加した。
我々は、データサイエンティストや研究者が彼らのモデルのエネルギー消費と同等のCO2排出量を簡単に追跡するのに役立つオープンソースのパッケージeco2AIを紹介します。
eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に注目した。
我々は研究コミュニティに対して、計算コストの低い新しい最適人工知能(AI)アーキテクチャの探索を奨励する。
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。
関連論文リスト
- The Energy Cost of Artificial Intelligence of Things Lifecycle [0.47998222538650537]
そこで本研究では,AIoTシステムのライフサイクル全体にわたって,推論のエネルギーコストを計測する新しい指標を提案する。
eCALでは、モデルが良くなるほど、それが使われるほど、推論のエネルギー効率が良くなることを示す。
また、エネルギー消費と炭素強度(CI)に基づいて、同等のCO$2$排出量を計算し、AIoTシステムの炭素フットプリントを評価する。
論文 参考訳（メタデータ） (2024-08-01T13:23:15Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - Green AI: Exploring Carbon Footprints, Mitigation Strategies, and Trade Offs in Large Language Model Training [9.182429523979598]
特に炭素フットプリントが高い大言語モデルのCO2排出量について検討した。
我々は, 二酸化炭素排出削減対策を提案することによって, 責任と持続性を有するLLMの育成を議論する。
論文 参考訳（メタデータ） (2024-04-01T15:01:45Z) - Learn to Code Sustainably: An Empirical Study on LLM-based Green Code
Generation [7.8273713434806345]
生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。
3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
論文 参考訳（メタデータ） (2024-03-05T22:12:01Z) - 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) - 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) - Counting Carbon: A Survey of Factors Influencing the Emissions of
Machine Learning [77.62876532784759]
機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。
このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。
本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
論文 参考訳（メタデータ） (2023-02-16T18:35:00Z) - 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) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
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。