論文の概要: Towards Socially and Environmentally Responsible AI

• arxiv url: http://arxiv.org/abs/2407.05176v1
• Date: Tue, 23 Apr 2024 00:41:41 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-22 14:29:03.389156
• Title: Towards Socially and Environmentally Responsible AI
• Title（参考訳）: 社会的・環境に責任のあるAIを目指して
• Authors: Pengfei Li, Yejia Liu, Jianyi Yang, Shaolei Ren,
• Abstract要約: 本稿では,AIの地域的社会的・環境的コストを公平にバランスさせるため,均等な地理的負荷分散(GLB)を提案する。 実験の結果,既存のGLBアルゴリズムは,特定の地域での社会的・環境的コストが不均等に大きいのに対して,提案する同等のGLBは,AIの社会的・環境的コストの負のバランスをとることができることがわかった。
• 参考スコア（独自算出の注目度）: 33.398841227207264
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The sharply increasing sizes of artificial intelligence (AI) models come with significant energy consumption and environmental footprints, which can disproportionately impact certain (often marginalized) regions and hence create environmental inequity concerns. Moreover, concerns with social inequity have also emerged, as AI computing resources may not be equitably distributed across the globe and users from certain disadvantaged regions with severe resource constraints can consistently experience inferior model performance. Importantly, the inequity concerns that encompass both social and environmental dimensions still remain unexplored and have increasingly hindered responsible AI. In this paper, we leverage the spatial flexibility of AI inference workloads and propose equitable geographical load balancing (GLB) to fairly balance AI's regional social and environmental costs. Concretely, to penalize the disproportionately high social and environmental costs for equity, we introduce $L_q$ norms as novel regularization terms into the optimization objective for GLB decisions. Our empirical results based on real-world AI inference traces demonstrate that while the existing GLB algorithms result in disproportionately large social and environmental costs in certain regions, our proposed equitable GLB can fairly balance AI's negative social and environmental costs across all the regions.
• Abstract（参考訳）: 人工知能(AI)モデルのサイズが急速に大きくなると、エネルギー消費と環境フットプリントが大幅に増加し、特定の(しばしば辺境化される)領域に不均等に影響を及ぼし、環境不平等の懸念が生じる。 さらに、AIコンピューティングリソースは世界中に均等に分散しない可能性があり、厳しいリソース制約のある特定の不利な地域からのユーザは、モデルのパフォーマンスが一貫して劣っていることを経験できるため、社会的不平等に対する懸念も浮上している。 重要なことは、社会的次元と環境次元の両方を包含する不平等な懸念はいまだ未解決のままであり、責任あるAIをますます妨げている。 本稿では,AI推論ワークロードの空間的柔軟性を活用し,空間的空間的負荷分散(GLB)を提案し,AIの地域的社会的・環境的コストを公平にバランスさせる。 具体的には、不当に高い社会的・環境コストを均等化するために、GLB決定の最適化目標に新しい正規化用語として$L_q$ノルムを導入する。 実世界のAI推論に基づく実証的な結果から、既存のGLBアルゴリズムは、特定の地域での社会的・環境的コストが不均等に大きい一方で、提案した同等なGLBは、すべての地域でAIの負の社会的・環境的コストを公平にバランスさせることが示されている。

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)
• Exploring the sustainable scaling of AI dilemma: A projective study of corporations' AI environmental impacts [0.0]
  企業のAIポートフォリオの環境影響を推定する手法を提案する。 その結果、大規模な生成AIモデルは従来のモデルよりも最大4600倍のエネルギーを消費していることが確認された。 2030年までにジェネレーティブAIの環境影響を緩和するには、AIバリューチェーン全体にわたる協調的な努力が必要である。
  論文  参考訳（メタデータ） (2025-01-24T08:58:49Z)
• Towards Environmentally Equitable AI [23.332350246411124]
  我々は、将来のAIシステムの管理の優先事項として、環境エクイティを提唱する。 我々は、地域によって環境コストをかなり分散させるために、エクイティ対応の地理的負荷分散の可能性を明らかにする。 我々は、AIの環境不平等を緩和するシステム管理アプローチの可能性を最大限活用するための、いくつかの今後の方向性を議論することで締めくくります。
  論文  参考訳（メタデータ） (2024-12-21T08:46:19Z)
• The Impossibility of Fair LLMs [59.424918263776284]
  大規模言語モデル(LLM)の時代において、公正なAIの必要性はますます明確になっている。 我々は、機械学習研究者が公正性を評価するために使った技術フレームワークについてレビューする。 我々は、特定のユースケースにおける公平性を達成するためのより現実的な目標のためのガイドラインを策定する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• 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)
• Fairness in AI and Its Long-Term Implications on Society [68.8204255655161]
  AIフェアネスを詳しく見て、AIフェアネスの欠如が、時間の経過とともにバイアスの深化につながるかを分析します。 偏りのあるモデルが特定のグループに対してよりネガティブな現実的な結果をもたらすかについて議論する。 問題が続くと、他のリスクとの相互作用によって強化され、社会不安という形で社会に深刻な影響を及ぼす可能性がある。
  論文  参考訳（メタデータ） (2023-04-16T11:22:59Z)
• Towards Sustainable Artificial Intelligence: An Overview of Environmental Protection Uses and Issues [0.0]
  本稿では,明日の生態学的課題に対応するエネルギー消費技術のパラドックスについて述べる。 これは、ユースケースや具体的な例を示すために、グリーンプレイヤー向けのAIから多くの例を引き合いに出している。 環境の次元は、AIの幅広い倫理的問題の一部であり、長期的にAIの持続可能性を保証するために不可欠である。
  論文  参考訳（メタデータ） (2022-12-22T14:31:48Z)
• Building a Foundation for Data-Driven, Interpretable, and Robust Policy Design using the AI Economist [67.08543240320756]
  AIエコノミストフレームワークは,2段階強化学習とデータ駆動型シミュレーションを用いて,効果的な,柔軟な,解釈可能なポリシー設計を可能にする。 RLを用いて訓練されたログリニア政策は、過去の結果と比較して、公衆衛生と経済の両面から社会福祉を著しく改善することがわかった。
  論文  参考訳（メタデータ） (2021-08-06T01:30:41Z)
• AI in the "Real World": Examining the Impact of AI Deployment in Low-Resource Contexts [1.90365714903665]
  本稿では,低リソース環境における大規模産業ラボによるAIの展開について検討する。 予想外のデプロイメントに影響を与える要因を強調し、グローバルサウスにおけるAIデプロイメントの状況を反映する。
  論文  参考訳（メタデータ） (2020-11-28T01:49:24Z)

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。