論文の概要: Making AI Less "Thirsty": Uncovering and Addressing the Secret Water
Footprint of AI Models
- arxiv url: http://arxiv.org/abs/2304.03271v1
- Date: Thu, 6 Apr 2023 17:55:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 13:06:07.106778
- Title: Making AI Less "Thirsty": Uncovering and Addressing the Secret Water
Footprint of AI Models
- Title(参考訳): AIを"Thirsty"以下にする - AIモデルの秘密のフットプリントの発見と対処
- Authors: Pengfei Li and Jianyi Yang and Mohammad A. Islam and Shaolei Ren
- Abstract要約: Microsoftの最先端の米国データセンターでGPT-3を訓練すれば、70万リットルのクリーンな淡水を直接消費することができる。
Microsoftのアジアのデータセンターでトレーニングをすれば、水の消費量は3倍になっただろう。
グローバルな水の課題に対応するために、AIモデルは、社会的責任を負い、例によってリードする必要がある。
- 参考スコア(独自算出の注目度): 27.44262261387153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The growing carbon footprint of artificial intelligence (AI) models,
especially large ones such as GPT-3 and GPT-4, has been undergoing public
scrutiny. Unfortunately, however, the equally important and enormous water
footprint of AI models has remained under the radar. For example, training
GPT-3 in Microsoft's state-of-the-art U.S. data centers can directly consume
700,000 liters of clean freshwater (enough for producing 370 BMW cars or 320
Tesla electric vehicles) and the water consumption would have been tripled if
training were done in Microsoft's Asian data centers, but such information has
been kept as a secret. This is extremely concerning, as freshwater scarcity has
become one of the most pressing challenges shared by all of us in the wake of
the rapidly growing population, depleting water resources, and aging water
infrastructures. To respond to the global water challenges, AI models can, and
also should, take social responsibility and lead by example by addressing their
own water footprint. In this paper, we provide a principled methodology to
estimate fine-grained water footprint of AI models, and also discuss the unique
spatial-temporal diversities of AI models' runtime water efficiency. Finally,
we highlight the necessity of holistically addressing water footprint along
with carbon footprint to enable truly sustainable AI.
- Abstract(参考訳): 人工知能(AI)モデルの炭素フットプリントの増加、特にGPT-3やGPT-4のような大きなフットプリントは、公衆の監視を受けている。
しかし残念ながら、AIモデルの等しく重要で巨大な水深は、まだレーダーの下に残っている。
例えば、microsoftの最先端の米国データセンターでのトレーニングgpt-3は70万リットルの清浄な淡水を直接消費することができ(bmw車370台またはteslaの電気自動車320台を生産できる)、もしトレーニングがmicrosoftのアジアデータセンターで行われた場合、水消費量は3倍になるはずだったが、そのような情報は秘密にされている。
人口が急増し、水資源が枯渇し、水のインフラが老朽化している中で、淡水不足は私たち全員にとって最も大きな課題となっている。
世界中の水の問題に対応するために、aiモデルは社会的責任を負い、自分の水足跡に対処してリードすることができる。
本稿では,AIモデルの粒度を推定する原理的手法を提案するとともに,AIモデルの実行時の水効率の空間的・時間的差異について考察する。
最後に,真に持続的なaiを実現するために,水フットプリントとカーボンフットプリントの連携の必要性を強調する。
関連論文リスト
- Ten Hard Problems in Artificial Intelligence We Must Get Right [72.99597122935903]
AIの約束を阻止し、AIのリスクを引き起こすAI2050の「ハード問題」について検討する。
それぞれの問題について、その領域を概説し、最近の重要な作業を特定し、今後の方向性を提案する。
論文 参考訳(メタデータ) (2024-02-06T23:16:41Z) - DeepEn2023: Energy Datasets for Edge Artificial Intelligence [3.0996501197166975]
我々は、エッジAIのための大規模エネルギーデータセットDeepEn2023を提案し、幅広いカーネル、最先端のディープニューラルネットワークモデル、一般的なエッジAIアプリケーションをカバーする。
DeepEn2023は、デバイス上でのディープラーニングにおける持続可能性の透明性を、さまざまなエッジAIシステムやアプリケーションにわたって改善することを期待しています。
論文 参考訳(メタデータ) (2023-11-30T16:54:36Z) - 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) - ACWA: An AI-driven Cyber-Physical Testbed for Intelligent Water Systems [0.0]
ACWAは、AIとサイバーセキュリティの実験を使用して給水管理を進める必要性によって動機付けられている。
ACWAは、複数のトポロジ、センサー、計算ノード、ポンプ、タンク、スマートウォーターデバイス、およびシステムを制御するデータベースとAIモデルで構成されている。
ACWAデータはAIとウォータードメインの研究者が利用でき、オンラインのパブリックリポジトリにホストされている。
論文 参考訳(メタデータ) (2023-09-27T00:59:52Z) - The Future of Fundamental Science Led by Generative Closed-Loop
Artificial Intelligence [67.70415658080121]
機械学習とAIの最近の進歩は、技術革新、製品開発、社会全体を破壊している。
AIは、科学的な実践とモデル発見のための高品質なデータの大規模なデータセットへのアクセスがより困難であるため、基礎科学にはあまり貢献していない。
ここでは、科学的な発見に対するAI駆動、自動化、クローズドループアプローチの側面を調査し、調査する。
論文 参考訳(メタデータ) (2023-07-09T21:16:56Z) - Towards Environmentally Equitable AI via Geographical Load Balancing [40.142341503145275]
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) - An evaluation of deep learning models for predicting water depth
evolution in urban floods [59.31940764426359]
高空間分解能水深予測のための異なる深層学習モデルの比較を行った。
深層学習モデルはCADDIESセル-オートマタフラッドモデルによってシミュレーションされたデータを再現するために訓練される。
その結果,ディープラーニングモデルでは,他の手法に比べて誤差が低いことがわかった。
論文 参考訳(メタデータ) (2023-02-20T16:08:54Z) - 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) - Water Level Estimation Using Sentinel-1 Synthetic Aperture Radar Imagery
And Digital Elevation Models [0.0]
Sentinel-1 Synthetic Aperture Radar ImageryとDigital Elevation Modelデータセットを用いた新しい水位抽出手法を提案する。
実験の結果、このアルゴリズムは世界中の3つの貯水池で0.93mの低い平均誤差を達成した。
論文 参考訳(メタデータ) (2020-12-11T18:42:15Z) - A Comprehensive Review of Deep Learning Applications in Hydrology and
Water Resources [0.0]
デジタルデータのグローバルボリュームは2025年までに175ゼタバイトに達すると予想されている。
この研究は、水産業で使われている最先端のディープラーニングアプローチの包括的なレビューを提供する。
論文 参考訳(メタデータ) (2020-06-17T16:57:17Z)
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。