論文の概要: GAISSALabel: A tool for energy labeling of ML models
- arxiv url: http://arxiv.org/abs/2401.17150v1
- Date: Tue, 30 Jan 2024 16:31:48 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-31 14:20:44.095287
- Title: GAISSALabel: A tool for energy labeling of ML models
- Title（参考訳）: GAISSALabel:MLモデルのエネルギーラベル付けツール
- Authors: Pau Duran, Joel Casta\~no, Cristina G\'omez, Silverio
Mart\'inez-Fern\'andez
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.5899411215927992
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: The increasing environmental impact of Information Technologies,
particularly in Machine Learning (ML), highlights the need for sustainable
practices in software engineering. The escalating complexity and energy
consumption of ML models need tools for assessing and improving their energy
efficiency. Goal: This paper introduces GAISSALabel, a web-based tool designed
to evaluate and label the energy efficiency of ML models. Method: GAISSALabel
is a technology transfer development from a former research on energy
efficiency classification of ML, consisting of a holistic tool for assessing
both the training and inference phases of ML models, considering various
metrics such as power draw, model size efficiency, CO2e emissions and more.
Results: GAISSALabel offers a labeling system for energy efficiency, akin to
labels on consumer appliances, making it accessible to ML stakeholders of
varying backgrounds. The tool's adaptability allows for customization in the
proposed labeling system, ensuring its relevance in the rapidly evolving ML
field. Conclusions: GAISSALabel represents a significant step forward in
sustainable software engineering, offering a solution for balancing
high-performance ML models with environmental impacts. The tool's effectiveness
and market relevance will be further assessed through planned evaluations using
the Technology Acceptance Model.
- Abstract（参考訳）: 背景: 情報技術,特に機械学習(ML)における環境影響の増大は,ソフトウェアエンジニアリングにおける持続可能なプラクティスの必要性を強調している。
MLモデルの複雑さの増大とエネルギー消費は、そのエネルギー効率を評価し改善するためのツールを必要とする。
Goal: 本稿では,MLモデルのエネルギー効率を評価し,評価するためのWebベースのツールであるGAISSALabelを紹介する。
方法:GAISSALabelはMLのエネルギー効率分類に関する以前の研究から得られた技術移転開発であり、パワードロー、モデルサイズ効率、CO2e排出などの様々な指標を考慮して、MLモデルのトレーニングと推論フェーズの両方を評価するための総合的なツールからなる。
結果:GAISSALabelは、消費者家電のラベルと同様、エネルギー効率のラベルシステムを提供しており、さまざまなバックグラウンドを持つML利害関係者にアクセスできる。
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。
結論: GAISSALabelは持続可能なソフトウェアエンジニアリングにおける重要な一歩であり、高性能なMLモデルを環境への影響とバランスさせるソリューションを提供する。
このツールの有効性と市場関連性は、Technology Acceptance Modelを用いて計画された評価によってさらに評価される。
関連論文リスト
- MLPerf Power: Benchmarking the Energy Efficiency of Machine Learning Systems from μWatts to MWatts for Sustainable AI [5.50579824344998]
機械学習(ML)技術は、さまざまなシステムで電力消費が急増している。
本稿では,マイクロワットからメガワットまでの電力レベルでMLシステムのエネルギー効率を評価するための総合的なベンチマーク手法であるSerf Powerを紹介する。
論文 参考訳（メタデータ） (2024-10-15T20:06:33Z) - Impact of ML Optimization Tactics on Greener Pre-Trained ML Models [46.78148962732881]
本研究の目的は,画像分類データセットと事前学習モデルの解析,最適化モデルと非最適化モデルを比較して推論効率を向上させること,最適化の経済的影響を評価することである。
画像分類におけるPyTorch最適化手法(動的量子化、トーチ・コンパイル、局所プルーニング、グローバルプルーニング)と42のHugging Faceモデルの影響を評価するための制御実験を行った。
動的量子化は推論時間とエネルギー消費の大幅な削減を示し、大規模システムに非常に適している。
論文 参考訳（メタデータ） (2024-09-19T16:23:03Z) - Computing Within Limits: An Empirical Study of Energy Consumption in ML Training and Inference [2.553456266022126]
機械学習(ML)は大きな進歩を遂げているが、その環境のフットプリントは依然として懸念されている。
本稿では,グリーンMLの環境影響の増大を認め,グリーンMLについて検討する。
論文 参考訳（メタデータ） (2024-06-20T13:59:34Z) - 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) - EgoPlan-Bench: Benchmarking Multimodal Large Language Models for Human-Level Planning [84.6451394629312]
実世界のシナリオにおけるMLLMの計画能力を評価するベンチマークであるEgoPlan-Benchを紹介する。
EgoPlan-Benchは、人間レベルのタスクプランニングを実現するためのMLLMの改善のかなりの範囲を浮き彫りにする。
また,EgoPlan-Bench上でのモデル性能を効果的に向上する特殊命令チューニングデータセットであるEgoPlan-ITを提案する。
論文 参考訳（メタデータ） (2023-12-11T03:35:58Z) - 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) - From Quantity to Quality: Boosting LLM Performance with Self-Guided Data Selection for Instruction Tuning [52.257422715393574]
本稿では,Large Language Models (LLMs) の自己誘導手法を導入し,オープンソースデータセットからサクラサンプルを自動識別し,選択する。
我々の重要な革新である命令追従困難度(IFD)メトリックは、モデルが期待する応答と本質的な生成能力の相違を識別するための重要な指標として現れます。
論文 参考訳（メタデータ） (2023-08-23T09:45:29Z) - Benchmarking Automated Machine Learning Methods for Price Forecasting
Applications [58.720142291102135]
自動機械学習(AutoML)ソリューションで手作業で作成したMLパイプラインを置換する可能性を示す。
CRISP-DMプロセスに基づいて,手動MLパイプラインを機械学習と非機械学習に分割した。
本稿では、価格予測の産業利用事例として、ドメイン知識とAutoMLを組み合わせることで、ML専門家への依存が弱まることを示す。
論文 参考訳（メタデータ） (2023-04-28T10:27:38Z) - Machine Learning for a Sustainable Energy Future [8.421378169245827]
機械学習によるエネルギー研究の最近の進歩を概観する。
我々は,エネルギー収穫の発展にMLを適用した最新の技術について論じ,評価を行った。
我々は、MLの適用によるさらなる利益を目論むエネルギー分野の潜在的研究分野の展望を提供する。
論文 参考訳（メタデータ） (2022-10-19T08:59:53Z) - Transfer Learning without Knowing: Reprogramming Black-box Machine
Learning Models with Scarce Data and Limited Resources [78.72922528736011]
そこで我々は,ブラックボックス・アタベラル・リプログラミング (BAR) という新しい手法を提案する。
ゼロオーダー最適化とマルチラベルマッピング技術を用いて、BARは入力出力応答のみに基づいてブラックボックスMLモデルをプログラムする。
BARは最先端の手法より優れ、バニラ対逆プログラミング法に匹敵する性能を得る。
論文 参考訳（メタデータ） (2020-07-17T01:52:34Z)
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。