論文の概要: Evaluation of ML Resource Utilization Requires Model Life Cycle Assessment

• arxiv url: http://arxiv.org/abs/2606.07632v1
• Date: Sun, 31 May 2026 05:58:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.164758
• Title: Evaluation of ML Resource Utilization Requires Model Life Cycle Assessment
• Title（参考訳）: モデルライフサイクルアセスメントを必要とするML資源利用の評価
• Abstract要約: 研究者、開発者、政策立案者、ユーザが大規模システム構築の障壁を評価するためには、AIシステムのエネルギー要件と環境への影響を適切に説明する必要がある。 AI効率を評価するためのこれまでのアプローチは、単一のトレーニング実行のコストや個々の推論予測に重点を置いていた。 ライフサイクルアセスメントにより、AIシステムとその基盤となるインフラストラクチャのライフサイクル全体にわたるコストの取り込みが可能になる。
• 参考スコア（独自算出の注目度）: 25.560048903709653
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Proper accounting of the energy requirements and environmental impact of artificial intelligence (AI) systems is necessary for researchers, developers, policy makers, and users to assess the barriers to building systems at scale. With the growing complexity of pipelines and underlying infrastructure needed to develop and deploy AI systems, previous approaches for evaluating AI efficiency which focus on the costs of a single training run or an individual inference prediction are no longer sufficient. In this position paper, we enunciate the need for applying life cycle assessment to evaluate the costs of the machine learning model development and deployment pipeline to properly account for the required resources and downstream impact. Life cycle assessments enable the incorporation of costs across the full life cycle of an AI system and its underlying infrastructure, from the embodied costs associated with the physical computing hardware through the operational costs in training and inference.
• Abstract（参考訳）: 研究者、開発者、政策立案者、ユーザが大規模システム構築の障壁を評価するためには、人工知能(AI)システムのエネルギー要件と環境への影響を適切に説明する必要がある。 パイプラインの複雑さの増大と、AIシステムの開発とデプロイに必要な基盤となるインフラストラクチャにより、単一のトレーニング実行のコストや個々の推論予測に重点を置くAI効率を評価するための従来のアプローチは、もはや不十分である。 本稿では,機械学習モデルの開発とデプロイメントパイプラインのコストを評価するためにライフサイクルアセスメントを適用し,必要なリソースとダウンストリームの影響を適切に考慮する必要性について論じる。 ライフサイクルアセスメントにより、トレーニングや推論の運用コストを通じて、物理コンピューティングハードウェアに関連する具体的コストから、AIシステムとその基盤となるインフラストラクチャの全ライフサイクルにわたるコストの編入が可能になる。

関連論文リスト

• FLARE: A Systematic, Uncertainty-Aware Framework for Evidence-Based Adoption of Artificial Intelligence in Healthcare [0.5382679710017696]
  FLAREは、医療におけるAIの採用による財務的および運用上の影響を評価するための、体系的で不確実性を認識したフレームワークである。 ケーススタディは、FLAREが従来のパスコスト、AI関連の開発と反復コスト、AI対応サービスセーブを定量化する方法を示している。 その結果, 経済的利益は, アルゴリズムの性能だけでなく, 患者数, 検証時間, インフラストラクチャの選択, ワークフロー設計にも依存することがわかった。
  論文  参考訳（メタデータ） (2026-08-24T07:12:10Z)
• Towards Sustainable Artificial Intelligence: A Comprehensive Review and Comparative Analysis of Deep Learning Models' Carbon Footprint [0.0]
  人工知能(AI)と機械学習(ML)は、複雑なヒューマンタスクをサポートし、自動化するための強力なツールになっている。 彼らの利益にもかかわらず、彼らの環境への影響に注意が向けられている。 本稿では,グリーンAI,グリーンDL,およびAIモデルによる環境影響の低減を目的とした最適化手法について,系統的なレビューを行う。
  論文  参考訳（メタデータ） (2026-08-07T13:52:38Z)
• ACEM: A Cost Estimation Model for Agentic Software Engineering [0.0]
  本稿では,エージェント開発総コストを3つの付加次元に分解するACEM(Agentic Cost Estimation Model)を提案する。 ACEMはエージェントダイナミクスのための3つの構成要素を紹介している。Revision Factor (RF)、出力の拒絶と再試行からトークンのオーバーヘッドをモデル化するContext Factor (CF)、コンテキストの蓄積に伴ってトークンの消費が上昇するのをキャプチャする HITL Intensity Score (HIS)、そして4段階の監視分類スキームであるHITL Intensity Score (HIS)である。 アーリーステージの提案として、研究コミュニティに実際のプロジェクトデータを通じてモデルを調整、テスト、拡張するよう呼びかけている。
  論文  参考訳（メタデータ） (2026-08-03T17:54:11Z)
• A Survey on the Green Development of Large Models: From Resource-Efficient Architectures to Hardware-Software Co-Design [71.32556809242666]
  大規模AIモデルの急速な拡張は、さまざまな領域で大幅なパフォーマンスのブレークスルーをもたらした。 また、計算コスト、エネルギー消費、環境の持続可能性に関する重要な懸念を提起している。 この調査は、大規模モデルの持続的、スケーラブルで、社会的に責任のある開発に向けて、全体的なロードマップを提供することを目的としている。
  論文  参考訳（メタデータ） (2026-07-10T04:02:22Z)
• Perspective: Towards sustainable exploration of chemical spaces with machine learning [49.29528647472741]
  持続可能な進歩は、オープンデータとモデル、再利用可能なデータセット、ドメイン固有のAIシステムに依存します。 我々は、汎用機械学習(ML)モデル、多要素アプローチ、モデルの蒸留、アクティブラーニングなど、効率を高めるための新たな戦略を強調した。
  論文  参考訳（メタデータ） (2026-03-31T13:29:20Z)
• Sustainable Materials Discovery in the Era of Artificial Intelligence [3.222363676081407]
  本稿では,上流機械学習(ML)支援材料発見と下流ライフサイクルアセスメントを一様ML-LCA環境に統合することを提案する。 ML-LCAフレームワークは、材料環境知識ベースを構築するための情報抽出、サステナビリティメトリクスにプロパティをリンクする調和データベース、原子特性をライフサイクルへの影響にブリッジするマルチスケールモデル、不確実な定量化を伴う製造経路のアンサンブル予測、不確実性を考慮した最適化の5つのコンポーネントを統合する。
  論文  参考訳（メタデータ） (2026-01-29T10:42:44Z)
• Ground-Truthing AI Energy Consumption: Validating CodeCarbon Against External Measurements [2.538209532048867]
  本研究では静的および動的エネルギー推定手法の信頼性を系統的に評価する。 確立された推定手法は、一貫して最大40%の誤差を発生させる。 この研究は透明性を確立し、持続可能なAI開発に広く利用されているツールを検証する。
  論文  参考訳（メタデータ） (2025-09-26T09:12:21Z)
• Criteria for Credible AI-assisted Carbon Footprinting Systems: The Cases of Mapping and Lifecycle Modeling [0.0]
  製品や材料に対する温室効果ガス(GHG)排出量を算出するAI支援システムを検証するための一連の基準を提案する。 このアプローチは、AI支援環境アセスメントツールを評価するための実践者、監査人、および標準機関の基盤として使用することができる。
  論文  参考訳（メタデータ） (2025-08-29T21:05:19Z)
• Edge-Cloud Collaborative Computing on Distributed Intelligence and Model Optimization: A Survey [58.50944604905037]
  エッジクラウドコラボレーティブコンピューティング(ECCC)は、現代のインテリジェントアプリケーションの計算要求に対処するための重要なパラダイムとして登場した。 AIの最近の進歩、特にディープラーニングと大規模言語モデル(LLM)は、これらの分散システムの能力を劇的に向上させてきた。 この調査は、基本的なアーキテクチャ、技術の実現、新しいアプリケーションに関する構造化されたチュートリアルを提供する。
  論文  参考訳（メタデータ） (2025-05-03T13:55:38Z)
• Toward an Evaluation Science for Generative AI Systems [22.733049816407114]
  生成型AIシステムの評価科学の成熟を提唱する。 特に,評価指標を実世界のパフォーマンスに適用し,評価指標を反復的に洗練し,評価機関と基準を確立すること,の3つの重要な教訓を提示する。
  論文  参考訳（メタデータ） (2025-03-07T11:23:48Z)
• The Responsible Foundation Model Development Cheatsheet: A Review of Tools & Resources [100.23208165760114]
  ファンデーションモデル開発は、急速に成長するコントリビュータ、科学者、アプリケーションを引き付けている。 責任ある開発プラクティスを形成するために、我々はFoundation Model Development Cheatsheetを紹介します。
  論文  参考訳（メタデータ） (2024-06-24T15:55:49Z)
• 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)
• Sustainable AIGC Workload Scheduling of Geo-Distributed Data Centers: A Multi-Agent Reinforcement Learning Approach [48.18355658448509]
  生成的人工知能の最近の進歩は、機械学習トレーニングの需要が急増し、エネルギー消費の大幅な増加によるコスト負担と環境問題を引き起こしている。 地理的に分散したクラウドデータセンタ間でのトレーニングジョブのスケジューリングは、安価で低炭素エネルギーのコンピューティング能力の使用を最適化する機会を浮き彫りにする。 本研究では,実生活におけるワークロードパターン,エネルギー価格,炭素強度を組み込んだクラウドシステムと対話することで,マルチエージェント強化学習とアクタクリティカルな手法に基づく最適協調スケジューリング戦略の学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-17T02:12:30Z)

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。