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

• arxiv url: http://arxiv.org/abs/2309.02065v2
• Date: Sat, 22 Mar 2025 10:02:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-25 14:33:00.319299
• Title: Efficiency is Not Enough: A Critical Perspective of Environmentally Sustainable AI
• Title（参考訳）: 効率性は十分ではない:環境に持続可能なAIの批判的視点
• Authors: Dustin Wright, Christian Igel, Gabrielle Samuel, Raghavendra Selvan,
• Abstract要約: 我々は、MLをより環境に持続可能なものにするために、効率性を超えて目を向けるべき時だと論じている。 本稿では,MLの効率と環境持続可能性に影響を及ぼす変数の相違点を3つ提示する。
• 参考スコア（独自算出の注目度）: 9.079217351521413
• License:
• Abstract: Artificial intelligence (AI) is currently spearheaded by machine learning (ML) methods such as deep learning which have accelerated progress on many tasks thought to be out of reach of AI. These recent ML methods are often compute hungry, energy intensive, and result in significant green house gas emissions, a known driver of anthropogenic climate change. Additionally, the platforms on which ML systems run are associated with environmental impacts that go beyond the energy consumption driven carbon emissions. The primary solution lionized by both industry and the ML community to improve the environmental sustainability of ML is to increase the compute and energy efficiency with which ML systems operate. In this perspective, we argue that it is time to look beyond efficiency in order to make ML more environmentally sustainable. We present three high-level discrepancies between the many variables that influence the efficiency of ML and the environmental sustainability of ML. Firstly, we discuss how compute efficiency does not imply energy efficiency or carbon efficiency. Second, we present the unexpected effects of efficiency on operational emissions throughout the ML model life cycle. And, finally, we explore the broader environmental impacts that are not accounted by efficiency. These discrepancies show as to why efficiency alone is not enough to remedy the adverse environmental impacts of ML. Instead, we argue for systems thinking as the next step towards holistically improving the environmental sustainability of ML.
• Abstract（参考訳）: 人工知能(AI)は現在、ディープラーニングのような機械学習(ML)手法によって先導されている。 これらのML手法は、しばしば空腹でエネルギーを集中的に計算し、人為的な気候変動の原動力として知られる温室効果ガスを排出する。 さらに、MLシステムが動作するプラットフォームは、エネルギー消費による二酸化炭素排出量を超える環境影響と関連している。 MLの環境持続可能性を改善するため、産業とMLコミュニティの両方が結集した主要なソリューションは、MLシステムが運用する計算とエネルギー効率を向上させることである。 この観点から、MLをより環境的に持続可能なものにするために、効率性を超えて検討する時が来たと論じる。 本稿では,MLの効率と環境持続可能性に影響を及ぼす変数の相違点を3つ提示する。 まず、計算効率がエネルギー効率や炭素効率を示唆しないかについて議論する。 第2に,MLモデルライフサイクル全体を通して,効率の予想外のエミッションへの影響を示す。 そして最後に、効率性によって説明できない幅広い環境影響について検討する。 これらの不一致は、効率だけではMLの有害な環境影響を軽減できない理由を示している。 むしろ、MLの環境持続可能性を高めるための次のステップとしてシステム思考を論じる。

関連論文リスト

• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  この議論の多くは、大きな間接効果に対処することなく直接的影響に集中している。 本稿では,Jevonsのパラドックス問題がどのようにAIに適用され,効率向上がパラドックス的に消費増加を促すかを検討する。 これらの2次の影響を理解するには、ライフサイクルアセスメントと社会経済分析を組み合わせた学際的アプローチが必要であると論じる。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• The Dual-use Dilemma in LLMs: Do Empowering Ethical Capacities Make a Degraded Utility? [54.18519360412294]
  大きな言語モデル(LLM)は、安全のための有害な要求を拒否することと、ユーティリティのための正当な要求を収容することのバランスをとる必要がある。 本稿では,DPO(Direct Preference Optimization)に基づくアライメントフレームワークを提案する。 得られたモデルLibraChemは,Claude-3,GPT-4o,LLaMA-3などのLLMをそれぞれ13.44%,7.16%,7.10%で上回った。
  論文  参考訳（メタデータ） (2025-01-20T06:35:01Z)
• Do Developers Adopt Green Architectural Tactics for ML-Enabled Systems? A Mining Software Repository Study [10.997873336451498]
  グリーンAIは、精度を維持しながら計算要求を減らすことを提唱している。 本稿は、GitHub上の168のオープンソースMLプロジェクトを研究することで、このギャップに対処する。 新たな大規模言語モデル(LLM)ベースのマイニング機構を使用して、グリーン戦略を特定し分析する。
  論文  参考訳（メタデータ） (2024-10-09T09:27:07Z)
• 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)
• 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)
• 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)

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。