論文の概要: EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems
- arxiv url: http://arxiv.org/abs/2404.11411v1
- Date: Wed, 17 Apr 2024 14:12:47 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-18 13:45:12.006039
- Title: EcoMLS: A Self-Adaptation Approach for Architecting Green ML-Enabled Systems
- Title（参考訳）: EcoMLS: Green ML-Enabledシステム構築のための自己適応アプローチ
- Authors: Meghana Tedla, Shubham Kulkarni, Karthik Vaidhyanathan,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 1.0923877073891446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The sustainability of Machine Learning-Enabled Systems (MLS), particularly with regard to energy efficiency, is an important challenge in their development and deployment. Self-adaptation techniques, recognized for their potential in energy savings within software systems, have yet to be extensively explored in Machine Learning-Enabled Systems (MLS), where runtime uncertainties can significantly impact model performance and energy consumption. This variability, alongside the fluctuating energy demands of ML models during operation, necessitates a dynamic approach. Addressing these challenges, we introduce EcoMLS approach, which leverages the Machine Learning Model Balancer concept to enhance the sustainability of MLS through runtime ML model switching. By adapting to monitored runtime conditions, EcoMLS optimally balances energy consumption with model confidence, demonstrating a significant advancement towards sustainable, energy-efficient machine learning solutions. Through an object detection exemplar, we illustrate the application of EcoMLS, showcasing its ability to reduce energy consumption while maintaining high model accuracy throughout its use. This research underscores the feasibility of enhancing MLS sustainability through intelligent runtime adaptations, contributing a valuable perspective to the ongoing discourse on energy-efficient machine learning.
- Abstract（参考訳）: 機械学習可能システム(MLS)の持続可能性、特にエネルギー効率に関しては、開発と展開において重要な課題である。
ソフトウェアシステム内の省エネの可能性で認識されている自己適応技術は、実行時の不確実性がモデルの性能とエネルギー消費に大きな影響を及ぼす機械学習・エンタブル・システム(MLS)において、まだ広く研究されていない。
この変動性は、動作中のMLモデルの変動エネルギー要求と並んで、動的アプローチを必要とする。
これらの課題に対処するために,機械学習モデルバランサの概念を活用して,実行時MLモデルスイッチングによるMLSの持続可能性を高めるEcoMLSアプローチを導入する。
監視されたランタイム条件に適応することにより、EcoMLSはエネルギー消費とモデル信頼性のバランスを最適に保ち、持続的でエネルギー効率のよい機械学習ソリューションへの大きな進歩を示す。
オブジェクト検出の例を通して、EcoMLSの適用例を説明し、その使用を通して高いモデル精度を維持しながら、エネルギー消費を減らす能力を示す。
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実現可能性を強調し、エネルギー効率のよい機械学習に関する現在進行中の議論に価値ある視点を提供する。
関連論文リスト
- 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) - 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) - 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) - Efficiency is Not Enough: A Critical Perspective of Environmentally
Sustainable AI [9.918392710009774]
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。
論文 参考訳（メタデータ） (2023-09-05T09:07:24Z) - Towards Self-Adaptive Machine Learning-Enabled Systems Through QoS-Aware
Model Switching [1.2277343096128712]
本稿では,機械学習モデルバランサの概念を提案し,複数のモデルを用いてMLモデルに関連する不確実性を管理する。
AdaMLSは、この概念を活用し、従来のMAPE-Kループを拡張した新しい自己適応手法である。
予備的な結果は、AdaMLSが保証において、単純で単一の最先端モデルを上回ることを示唆している。
論文 参考訳（メタデータ） (2023-08-19T09:33:51Z) - Efficiency Pentathlon: A Standardized Arena for Efficiency Evaluation [82.85015548989223]
Pentathlonは、モデル効率の総合的で現実的な評価のためのベンチマークである。
Pentathlonは、モデルライフサイクルにおける計算の大部分を占める推論に焦点を当てている。
レイテンシ、スループット、メモリオーバーヘッド、エネルギー消費など、さまざまな効率面をターゲットにしたメトリクスが組み込まれている。
論文 参考訳（メタデータ） (2023-07-19T01:05:33Z) - 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) - Systematic review of deep learning and machine learning for building
energy [0.0]
建設エネルギー(BE)管理は、都市持続可能性やスマートシティにおいて重要な役割を担っている。
機械学習(ML)とディープラーニング(DL)の手法と応用は、正確で高性能なエネルギーモデルの進歩に期待されている。
本研究は、BEシステムに応用されたMLおよびDLに基づく手法の総合的なレビューを提供する。
論文 参考訳（メタデータ） (2022-02-23T13:40:45Z) - Risk-Aware Energy Scheduling for Edge Computing with Microgrid: A
Multi-Agent Deep Reinforcement Learning Approach [82.6692222294594]
マイクログリッドを用いたMECネットワークにおけるリスク対応エネルギースケジューリング問題について検討する。
ニューラルネットワークを用いたマルチエージェントディープ強化学習(MADRL)に基づくアドバンテージアクター・クリティック(A3C)アルゴリズムを適用し,その解を導出する。
論文 参考訳（メタデータ） (2020-02-21T02:14:38Z) - Multi-Agent Meta-Reinforcement Learning for Self-Powered and Sustainable
Edge Computing Systems [87.4519172058185]
エッジコンピューティング機能を有するセルフパワー無線ネットワークの効率的なエネルギー分配機構について検討した。
定式化問題を解くために,新しいマルチエージェントメタ強化学習(MAMRL)フレームワークを提案する。
実験の結果、提案されたMAMRLモデルは、再生不可能なエネルギー使用量を最大11%削減し、エネルギーコストを22.4%削減できることが示された。
論文 参考訳（メタデータ） (2020-02-20T04:58:07Z)
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。