論文の概要: Greening AI Inference with Accuracy and Latency-aware User Incentives

• arxiv url: http://arxiv.org/abs/2605.27309v1
• Date: Tue, 26 May 2026 17:19:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-27 17:51:42.489093
• Title: Greening AI Inference with Accuracy and Latency-aware User Incentives
• Title（参考訳）: 正確性とレイテンシを意識したユーザインセンティブによるAI推論のグリーン化
• Authors: Vasilios A. Siris, Adamantia Stamou, George D. Stamoulis, Konstantinos Varsos, Ramin Khalili,
• Abstract要約: 我々は,AI推論のインセンティブを,推論品質と遅延に対するユーザの評価に基づいて設計するためのフレームワークを紹介する。 私たちのアプローチは、AIモデルのサイズと複雑さに依存するさまざまなトレードオフに対応できます。
• 参考スコア（独自算出の注目度）: 3.819760790465372
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The widespread use of AI services has raised concerns for its environmental sustainability, towards which recent studies have identified carbon emissions of AI inference as the major contributor. This paper introduces a framework for designing AI inference incentives based on the users' valuation for inference quality and latency, together with their environmental consciousness, while accounting for the tradeoff between carbon emissions and the two QoE parameters. Our approach can accommodate different tradeoffs, that depend on the size and complexity of the AI models and the allocation of resources to serve inference requests. The incentives can be offered through a practical two-tier service subscription that offers users a discount in exchange for reduced carbon emissions. The discounted service option gives the AI provider the flexibility to serve some percentage of inference requests at a lower quality and higher latency during periods of high carbon intensity.
• Abstract（参考訳）: AIサービスの普及により、環境の持続可能性に対する懸念が高まり、最近の研究では、AI推論の二酸化炭素排出量が主要な貢献者となっている。 本稿では, 環境意識とともに, 予測品質と遅延に対するユーザの評価に基づくAI推論インセンティブを設計するためのフレームワークを紹介し, 二酸化炭素と2つのQoEパラメータのトレードオフを考慮に入れた。 当社のアプローチは,AIモデルのサイズや複雑性や,推論要求を処理するリソースの割り当てに依存する,さまざまなトレードオフに対応することが可能です。 このインセンティブは、二酸化炭素排出量の削減と引き換えにディスカウントを提供する、実用的な2層サービスサブスクリプションを通じて提供される。 ディスカウントされたサービスオプションにより、AIプロバイダは、高い炭素強度の期間において、より低い品質と高いレイテンシで、推論要求のある程度のパーセンテージを提供する柔軟性を提供する。

関連論文リスト

• Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation [2.2165845825140695]
  本稿では,サステナビリティ・ファクターとともにコード生成の精度に異なるエンジニアリング・ストラテジーがどう影響するかを,最初の系統的な実証的研究を行った。 我々は,HumanEval+ベンチマークとMBPP+ベンチマークを用いて,11個のオープンソースモデル(1Bから34Bパラメータ)にまたがる6つの顕著なプロンプト戦略を評価した。 以上の結果から,より単純なプロンプト技術であるChain-of-Thoughtは,推理能力とエネルギー効率のほぼ最適バランスを実現できることが示唆された。
  論文  参考訳（メタデータ） (2026-04-03T06:37:51Z)
• The Hidden AI Race: Tracking Environmental Costs of Innovation [2.5782420501870296]
  異なる期間にわたって異なるドメインでモデルによって放出される二酸化炭素の量について検討する。 その結果, モデルサイズとバージョニング周波数は, 高いエミッションと強く相関していることが判明した。 大学主導のプロジェクトは最も高い排出率を示し、その後に非営利団体や企業が続いた。
  論文  参考訳（メタデータ） (2025-11-27T22:14:43Z)
• From Efficiency Gains to Rebound Effects: The Problem of Jevons' Paradox in AI's Polarized Environmental Debate [69.05573887799203]
  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。 AIの真の気候フットプリントを誤って表現し、意味のある介入の範囲を制限している、と我々は主張する。
  論文  参考訳（メタデータ） (2025-01-27T22:45:06Z)
• AI-Enhanced Decision-Making for Sustainable Supply Chains: Reducing Carbon Footprints in the USA [0.0]
  本研究は, 炭素フットプリントに特化して, 持続可能なサプライチェーンの意思決定を支援する方法について論じる。 この論文は、米国における持続可能なサプライチェーンの実践を促進するためのAI駆動ソリューションの実装に関する課題と機会についてレビューする。
  論文  参考訳（メタデータ） (2024-12-08T19:47:15Z)
• Leakage-Resilient and Carbon-Neutral Aggregation Featuring the Federated AI-enabled Critical Infrastructure [42.688679691088204]
  本稿では,ACIネットワークに対するリーク耐性,通信効率,カーボンニュートラルアプローチを提案する。 また,CDPAは通信コストを半減し,モデルユーティリティを保ちながら通信コストを半減できることを示す。 我々はCDPAの2.6倍から100倍以上の炭素排出量を発生させる既存のベンチマークを強調した。
  論文  参考訳（メタデータ） (2024-05-24T06:35:09Z)
• Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
  ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている 本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。 本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
  論文  参考訳（メタデータ） (2024-04-28T05:46:28Z)
• Towards Carbon-Neutral Edge Computing: Greening Edge AI by Harnessing Spot and Future Carbon Markets [24.462679595118672]
  我々は、CERを複数の時間スケールで購入し、機械学習タスクをオフロードする場所を決定するオンラインアルゴリズムを提案する。 さらに,$T$-slot問題のNP硬度を考慮し,資源制限付きランダム化依存ラウンドリングアルゴリズムを提案する。 実炭素強度トレースによって駆動される理論解析と広範囲なシミュレーション結果は,提案アルゴリズムの優れた性能を示す。
  論文  参考訳（メタデータ） (2023-04-22T11:14:16Z)
• Eco2AI: carbon emissions tracking of machine learning models as the first step towards sustainable AI [47.130004596434816]
  eco2AIでは、エネルギー消費の追跡と地域CO2排出量の正当性に重点を置いている。 モチベーションは、サステナブルAIとグリーンAI経路の両方で、AIベースの温室効果ガスの隔離サイクルの概念からもたらされる。
  論文  参考訳（メタデータ） (2022-07-31T09:34:53Z)

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。