論文の概要: WattsOnAI: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads
- arxiv url: http://arxiv.org/abs/2506.20535v1
- Date: Wed, 25 Jun 2025 15:24:45 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-26 21:00:42.815927
- Title: WattsOnAI: Measuring, Analyzing, and Visualizing Energy and Carbon Footprint of AI Workloads
- Title（参考訳）: WattsOnAI:AIワークロードのエネルギーとカーボンフットプリントの測定、分析、可視化
- Authors: Hongzhen Huang, Kunming Zhang, Hanlong Liao, Kui Wu, Guoming Tang,
- Abstract要約: WattsOnAIは、AIワークロード全体にわたるエネルギー使用、電力引き込み、ハードウェアパフォーマンス、二酸化炭素排出量の測定、分析、可視化のための包括的なソフトウェアツールキットである。
既存のAIフレームワークとシームレスに統合することで、WattsOnAIは標準化されたレポートを提供し、詳細な時系列データをエクスポートする。
WattsOnAIは、研究コミュニティに対して、AIワークロードの生のパフォーマンスとともに環境への影響を評価することを奨励し、より持続可能な"グリーンAI"プラクティスへの移行を進める。
- 参考スコア（独自算出の注目度）: 8.545822371190125
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid advancement of AI, particularly large language models (LLMs), has raised significant concerns about the energy use and carbon emissions associated with model training and inference. However, existing tools for measuring and reporting such impacts are often fragmented, lacking systematic metric integration and offering limited support for correlation analysis among them. This paper presents WattsOnAI, a comprehensive software toolkit for the measurement, analysis, and visualization of energy use, power draw, hardware performance, and carbon emissions across AI workloads. By seamlessly integrating with existing AI frameworks, WattsOnAI offers standardized reports and exports fine-grained time-series data to support benchmarking and reproducibility in a lightweight manner. It further enables in-depth correlation analysis between hardware metrics and model performance and thus facilitates bottleneck identification and performance enhancement. By addressing critical limitations in existing tools, WattsOnAI encourages the research community to weigh environmental impact alongside raw performance of AI workloads and advances the shift toward more sustainable "Green AI" practices. The code is available at https://github.com/SusCom-Lab/WattsOnAI.
- Abstract（参考訳）: AIの急速な進歩、特に大きな言語モデル(LLM)は、モデルトレーニングと推論に関連するエネルギー使用と二酸化炭素排出量に関する重要な懸念を引き起こしている。
しかし、そのような影響を計測および報告するための既存のツールは、しばしば断片化され、体系的なメートル法統合が欠如し、相関解析の限定的なサポートを提供する。
本稿では、AIワークロード全体にわたるエネルギー使用量、消費電力、ハードウェア性能、二酸化炭素排出量の測定、分析、可視化のための包括的なソフトウェアツールキットであるWattsOnAIについて述べる。
既存のAIフレームワークとシームレスに統合することにより、WattsOnAIは標準化されたレポートを提供し、ベンチマークと再現性をサポートするために詳細な時系列データをエクスポートする。
さらに、ハードウェアメトリクスとモデルパフォーマンスの詳細な相関分析を可能にし、ボトルネック識別とパフォーマンス向上を容易にする。
既存のツールの限界に対処することによって、WattsOnAIは研究コミュニティに対して、AIワークロードの生のパフォーマンスと並行して環境への影響を評価することを奨励し、より持続可能な"グリーンAI"プラクティスへの移行を進める。
コードはhttps://github.com/SusCom-Lab/WattsOnAIで入手できる。
関連論文リスト
- Calculating Software's Energy Use and Carbon Emissions: A Survey of the State of Art, Challenges, and the Way Ahead [8.377809633825196]
ソフトウェアとAIの普及には、その成長するエネルギーと炭素フットプリントという、隠れたリスクが伴う。
ソフトウェアおよびAI関連エネルギーおよび/または二酸化炭素排出量の測定を可能にする方法とツールについて、最先端のレビューを行う。
論文 参考訳（メタデータ） (2025-06-11T13:02:00Z) - Breaking the ICE: Exploring promises and challenges of benchmarks for Inference Carbon & Energy estimation for LLMs [8.377809633825196]
本稿では, 現状のアプローチの課題について論じるとともに, 炭素排出量を推定するフレームワークであるR-ICEについて述べる。
我々の有望な検証結果は、ベンチマークベースのモデリングが推定放射推定に大きな可能性を秘めていることを示唆している。
論文 参考訳（メタデータ） (2025-06-10T12:23:02Z) - Green MLOps to Green GenOps: An Empirical Study of Energy Consumption in Discriminative and Generative AI Operations [2.2765705959685234]
本研究では,実世界のMLOpsパイプラインにおける識別型および生成型AIモデルのエネルギー消費について検討する。
さまざまな構成、モデル、データセットにわたるレプリケーションの容易性を保証するために、ソフトウェアベースのパワー測定を採用しています。
論文 参考訳（メタデータ） (2025-03-31T10:28:04Z) - General Scales Unlock AI Evaluation with Explanatory and Predictive Power [57.7995945974989]
ベンチマークはAIの進歩を導くものだが、汎用AIシステムには限られた説明力と予測力を提供している。
私たちは、一般的なAIベンチマークが実際に何を計測しているかを説明することができる、AI評価のための一般的な尺度を紹介します。
私たちの完全に自動化された方法論は、飽和しない一般的なスケールにインスタンス要求を配置する18の新しく作られたルーリックの上に構築されます。
論文 参考訳（メタデータ） (2025-03-09T01:13:56Z) - A Beginner's Guide to Power and Energy Measurement and Estimation for Computing and Machine Learning [0.5224038339798622]
本稿では,エネルギー測定ツールの音質化に要する主な考察を紹介する。
これには、オン・ザ・ウォールとオン・デバイスの測定、サンプリング戦略とベストプラクティス、一般的なエラー源、プロキシ測定などが含まれる。
測定手法の現状を改善するための行動を呼び掛けて締めくくっている。
論文 参考訳（メタデータ） (2024-12-11T19:00:00Z) - 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) - On the Opportunities of Green Computing: A Survey [80.21955522431168]
人工知能(AI)は数十年にわたり、技術と研究において大きな進歩を遂げてきた。
高いコンピューティングパワーの必要性は、より高い二酸化炭素排出量をもたらし、研究の公正性を損なう。
コンピューティングリソースの課題とAIの環境への影響に取り組むため、グリーンコンピューティングはホットな研究トピックとなっている。
論文 参考訳（メタデータ） (2023-11-01T11:16:41Z) - 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)
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。