Fugu-MT 論文翻訳(概要): Coca4ai: checking energy behaviors on AI data centers

論文の概要: Coca4ai: checking energy behaviors on AI data centers

arxiv url: http://arxiv.org/abs/2407.15670v1
Date: Mon, 22 Jul 2024 14:33:10 GMT
ステータス: 処理完了
システム内更新日: 2024-07-23 14:40:28.523507
Title: Coca4ai: checking energy behaviors on AI data centers
Title（参考訳）: AIデータセンターのエネルギー挙動をチェックするCoca4ai
Authors: Paul Gay, Éric Bilinski, Anne-Laure Ligozat,
Abstract要約: 本稿では,データセンター全体の規模でのエネルギー挙動の簡易かつ軽量なモニタリングという概念の実証について述べる。結果は、効率性の観点から興味深い可能性があり、ユーザーエンゲージメントを生み出すための議論を提供することを示している。
参考スコア（独自算出の注目度）: 0.12997390777731951
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Monitoring energy behaviors in AI data centers is crucial, both to reduce their energy consumption and to raise awareness among their users which are key actors in the AI field. This paper shows a proof of concept of easy and lightweight monitoring of energy behaviors at the scale of a whole data center, a user or a job submission. Our system uses software wattmeters and we validate our setup with per node accurate external wattmeters. Results show that there is an interesting potential from the efficiency point of view, providing arguments to create user engagement thanks to energy monitoring.
Abstract（参考訳）: AIデータセンターにおけるエネルギーの挙動のモニタリングは、エネルギー消費の削減と、AI分野で重要な役割を担っているユーザ間の認識を高めるために重要である。本稿では,データセンター全体,ユーザ,あるいはジョブの規模でのエネルギー挙動の簡易かつ軽量なモニタリングという概念の実証について述べる。本システムでは,ソフトウェアワットメータを用いて,ノードごとの正確な外部ワットメータのセットアップを検証する。結果から,エネルギモニタリングによるユーザエンゲージメントの獲得を議論する上で,効率の観点から興味深い可能性が示唆された。

関連論文リスト

Local Differential Privacy for Smart Meter Data Sharing [13.362785829428457]
ローカルディファレンシャルプライバシ(LDP)メソッドは、プライバシの懸念に対処する上で、高い効率で強力なプライバシ保証を提供する。スライドウィンドウを用いたランダム化応答手法を用いた新しいLPP手法(LDP-SmartEnergy)を提案する。評価の結果, LDP-SmartEnergy はベースライン法と比較して効率よく動作することがわかった。
論文参考訳（メタデータ） (2023-11-08T09:22:23Z)
Unveiling Energy Efficiency in Deep Learning: Measurement, Prediction, and Scoring across Edge Devices [8.140572894424208]
我々はエネルギー測定、予測、効率評価を含む3倍の研究を行う。まず、デバイス上での深層学習のエネルギー消費特性を明らかにするための、第1級の詳細な測定結果を示す。第2に、カーネルレベルのエネルギーデータセットに基づいて、エッジデバイスのための最初のカーネルレベルのエネルギー予測器を設計、実装する。
論文参考訳（メタデータ） (2023-10-19T23:55:00Z)
Non-Intrusive Electric Load Monitoring Approach Based on Current Feature Visualization for Smart Energy Management [51.89904044860731]
我々はAIのコンピュータビジョン技術を用いて、スマートエネルギー管理のための非侵襲的な負荷監視手法を設計する。マルチスケールの特徴抽出とアテンション機構を備えたU字型ディープニューラルネットワークを用いて,色特徴画像からすべての電気負荷を認識することを提案する。
論文参考訳（メタデータ） (2023-08-08T04:52:19Z)
Learning, Computing, and Trustworthiness in Intelligent IoT Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文参考訳（メタデータ） (2021-10-04T19:41:42Z)
Adversarial Energy Disaggregation for Non-intrusive Load Monitoring [78.47901044638525]
非侵入負荷モニタリング(Non-Inrusive Load Monitoring, NILM)としても知られるエネルギー分散は、家庭全体の電力消費を家電固有の個人消費に分けるという問題に挑戦する。近年の進歩は、ディープニューラルネットワーク(DNN)がNILMに有利な性能を得られることを示している。我々は、エネルギー分散タスクに新しくなったNILMに、敵対的学習の考え方を導入する。
論文参考訳（メタデータ） (2021-08-02T03:56:35Z)
EnergyVis: Interactively Tracking and Exploring Energy Consumption for ML Models [8.939420322774243]
EnergyVisは機械学習(ML)モデルのためのインタラクティブなエネルギー消費トラッカーです。研究者は、重要なエネルギー消費と炭素フットプリントのメトリクス間で、モデルエネルギー消費をインタラクティブに追跡、可視化、比較することができる。 EnergyVisは、モデルトレーニング中に過剰なエネルギー使用量をインタラクティブに強調することで、計算持続可能性に関する意識向上を目指しています。
論文参考訳（メタデータ） (2021-03-30T15:33:43Z)
Energy Drain of the Object Detection Processing Pipeline for Mobile Devices: Analysis and Implications [77.00418462388525]
本稿では、移動体拡張現実(AR)クライアントのエネルギー消費と、畳み込みニューラルネットワーク(CNN)に基づく物体検出を行う際の検出遅延について、初めて詳細な実験を行った。我々は,移動体ARクライアントのエネルギー分析を精査し,CNNによる物体検出を行う際のエネルギー消費に関するいくつかの興味深い視点を明らかにした。
論文参考訳（メタデータ） (2020-11-26T00:32:07Z)
Energy Aware Deep Reinforcement Learning Scheduling for Sensors Correlated in Time and Space [62.39318039798564]
相関情報を利用するスケジューリング機構を提案する。提案したメカニズムは、センサが更新を送信する頻度を決定することができる。我々は,センサの寿命を大幅に延長できることを示した。
論文参考訳（メタデータ） (2020-11-19T09:53:27Z)
Reshaping consumption habits by exploiting energy-related micro-moment recommendations: A case study [2.741120981602367]
この研究は、消費ログから繰り返し使われるパターンを検出することに基づいている。これは、センサ、スマートメーター、アクチュエータのセットを使用するエネルギー消費削減システムの構造と運用を示す。システムは、適切なタイミングで適切な省エネ行動を行うことをユーザに推奨し、徐々にユーザの習慣を形作る。
論文参考訳（メタデータ） (2020-10-09T17:29:56Z)
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。