論文の概要: Efficiency is Not Enough: A Critical Perspective of Environmentally Sustainable AI

• arxiv url: http://arxiv.org/abs/2309.02065v1
• Date: Tue, 5 Sep 2023 09:07:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-06 15:44:49.560070
• Title: Efficiency is Not Enough: A Critical Perspective of Environmentally Sustainable AI
• Title（参考訳）: 効率は不十分:環境に優しいaiの批判的視点
• Authors: Dustin Wright and Christian Igel and Gabrielle Samuel and Raghavendra Selvan
• Abstract要約: 効率だけではMLを環境的に持続できる技術にするには不十分である、と我々は主張する。 我々は,MLの環境持続可能性向上に向けたシステム思考の実践的道として,システム思考を論じる。
• 参考スコア（独自算出の注目度）: 9.918392710009774
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Artificial Intelligence (AI) is currently spearheaded by machine learning (ML) methods such as deep learning (DL) which have accelerated progress on many tasks thought to be out of reach of AI. These ML methods can often be compute hungry, energy intensive, and result in significant carbon emissions, a known driver of anthropogenic climate change. Additionally, the platforms on which ML systems run are associated with environmental impacts including and beyond carbon emissions. The solution lionized by both industry and the ML community to improve the environmental sustainability of ML is to increase the efficiency with which ML systems operate in terms of both compute and energy consumption. In this perspective, we argue that efficiency alone is not enough to make ML as a technology environmentally sustainable. We do so by presenting three high level discrepancies between the effect of efficiency on the environmental sustainability of ML when considering the many variables which it interacts with. In doing so, we comprehensively demonstrate, at multiple levels of granularity both technical and non-technical reasons, why efficiency is not enough to fully remedy the environmental impacts of ML. Based on this, we present and argue for systems thinking as a viable path towards improving the environmental sustainability of ML holistically.
• Abstract（参考訳）: 人工知能(AI)は現在、ディープラーニング(DL)のような機械学習(ML)手法によって先導されており、AIから外れていると考えられる多くのタスクの進捗を加速している。 これらのml法は、しばしば空腹でエネルギー集約的な計算となり、人為的な気候変動の原動力として既知の炭素排出量を発生させる。 さらに、MLシステムが動作するプラットフォームは、二酸化炭素を含む環境への影響と関連している。 MLの環境持続可能性を高めるため、産業とMLコミュニティの両方が結集した解決策は、計算とエネルギー消費の両面でMLシステムが運用する効率を高めることである。 この観点では、効率だけではMLを環境的に持続できる技術にするには不十分である。 そこで我々は,mlの環境持続性に及ぼす効率性の影響について,その相互作用する多数の変数を考慮した場合の3つの高レベルな差異を提示する。 そこで我々は、技術的理由と非技術的理由の両方において、MLの環境影響を完全に是正するのに効率が不十分な理由を、複数のレベルで包括的に示す。 そこで本研究では,mlの環境持続可能性を改善するための有効な経路としてシステム思考を提示し,議論する。

関連論文リスト

• EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems [1.0923877073891446]
  ソフトウェアシステム内での省エネの可能性で認識されている自己適応技術は、マシンラーニングの実現可能なシステムにおいて、まだ広く研究されていない。 本研究は、インテリジェントランタイム適応によるMLSサステナビリティ向上の可能性を明らかにする。
  論文  参考訳（メタデータ） (2024-04-17T14:12:47Z)
• Towards Sustainable SecureML: Quantifying Carbon Footprint of Adversarial Machine Learning [0.0]
  敵MLの炭素フットプリントに関する最初の研究を開拓した。 ロバストネス炭素トレードオフ指数(RCTI)について紹介する。 この新しい計量は、経済の弾力性原理にインスパイアされ、反対の強靭性の変化に対する二酸化炭素の感度を捉えている。
  論文  参考訳（メタデータ） (2024-03-27T21:02:15Z)
• GAISSALabel: A tool for energy labeling of ML models [1.5899411215927992]
  本稿では,機械学習モデルのエネルギー効率の評価とラベル付けを目的としたWebベースのツールであるGAISSALabelを紹介する。 このツールの適応性は、提案されたラベルシステムのカスタマイズを可能にし、急速に進化するML分野におけるその関連性を保証する。
  論文  参考訳（メタデータ） (2024-01-30T16:31:48Z)
• A Synthesis of Green Architectural Tactics for ML-Enabled Systems [9.720968127923925]
  ML対応システムのための30のグリーンアーキテクチャ戦略のカタログを提供する。 アーキテクチャ戦術は、ソフトウェア品質を改善するための高度な設計手法である。 透明性を高め、その普及を促進するため、我々はオンラインで簡単に消費可能なフォーマットで戦術を利用できるようにした。
  論文  参考訳（メタデータ） (2023-12-15T08:53:45Z)
• Power Hungry Processing: Watts Driving the Cost of AI Deployment? [74.19749699665216]
  生成された多目的AIシステムは、機械学習(ML)モデルをテクノロジに構築するための統一的なアプローチを約束する。 この「一般性」の野心は、これらのシステムが必要とするエネルギー量と放出する炭素量を考えると、環境に急激なコストがかかる。 これらのモデルを用いて,代表的なベンチマークデータセット上で1,000の推論を行うのに必要なエネルギーと炭素の量として,デプロイメントコストを測定した。 本稿は、多目的MLシステムの展開動向に関する議論から締めくくり、エネルギーと排出の面でコストの増大に対して、その実用性はより意図的に重み付けされるべきである、と警告する。
  論文  参考訳（メタデータ） (2023-11-28T15:09:36Z)
• 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)
• Is TinyML Sustainable? Assessing the Environmental Impacts of Machine Learning on Microcontrollers [11.038060631389273]
  Tiny Machine Learning(TinyML)は,持続可能なコンピューティングプラクティスを通じて,環境問題に対処する機会を提供する。 本稿では、これらのTinyMLアプリケーションが、重要な持続可能性課題に対処する可能性と、この新興技術の環境フットプリントについて論じる。 TinyMLシステムは、他のセクターの排出量を減らすアプリケーションを可能にすることで、二酸化炭素排出量を相殺する機会を提供する。
  論文  参考訳（メタデータ） (2023-01-27T18:23:10Z)
• AI Maintenance: A Robustness Perspective [91.28724422822003]
  我々は、AIライフサイクルにおけるロバストネスの課題を強調し、自動車のメンテナンスに類似させることで、AIのメンテナンスを動機付ける。 本稿では,ロバストネスリスクの検出と軽減を目的としたAIモデル検査フレームワークを提案する。 我々のAIメンテナンスの提案は、AIライフサイクル全体を通して堅牢性評価、状態追跡、リスクスキャン、モデル硬化、規制を促進する。
  論文  参考訳（メタデータ） (2023-01-08T15:02:38Z)
• Towards Green Automated Machine Learning: Status Quo and Future Directions [71.86820260846369]
  AutoMLは高いリソース消費で批判されている。 本稿では,AutoMLプロセス全体を環境に優しいものにするためのパラダイムであるGreen AutoMLを提案する。
  論文  参考訳（メタデータ） (2021-11-10T18:57:27Z)
• Technology Readiness Levels for AI & ML [79.22051549519989]
  機械学習システムの開発は、現代的なツールで容易に実行できるが、プロセスは通常急いで、エンドツーエンドで実行される。 エンジニアリングシステムは、高品質で信頼性の高い結果の開発を効率化するために、明確に定義されたプロセスとテスト標準に従います。 我々は、機械学習の開発と展開のための実証されたシステムエンジニアリングアプローチを提案する。
  論文  参考訳（メタデータ） (2020-06-21T17:14:34Z)

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。