• Sasha Luccioni, líder de IA y Clima en Hugging Face, exploró el impacto ambiental de los modelos de IA y se centró en la intersección entre la tecnología de IA y la sostenibilidad ambiental, explorando formas de reducir el impacto ecológico de la IA a través de una mejor medición y decisiones informadas.
  • Los modelos de IA, especialmente los modelos de lenguaje grandes como ChatGPT, consumen cantidades significativas de energía tanto durante el entrenamiento como en el despliegue.
  • Inspirada por el programa Energy Star para electrodomésticos, Luccioni propone un sistema de calificación similar para los modelos de IA.

La Dra. Sasha Luccioni es investigadora en inteligencia artificial ética. Durante la última década, su trabajo ha allanado el camino para una mejor comprensión de los impactos sociales y ambientales de las tecnologías de IA. Recientemente, exploró el impacto ambiental de los modelos de IA y se centró en la intersección entre la tecnología de IA y la sostenibilidad ambiental, explorando formas de reducir el impacto ecológico de la IA a través de una mejor medición y decisiones informadas.

1. Impacto ambiental de los modelos de IA

Los modelos de IA, especialmente los modelos de lenguaje grandes como ChatGPT, consumen cantidades significativas de energía tanto durante el entrenamiento como en el despliegue. Este consumo de energía resulta en emisiones de carbono sustanciales, comparables a las producidas por varios automóviles a lo largo de su vida útil. El entrenamiento de estos modelos puede consumir tanta energía como la que anualmente utilizan docenas de hogares estadounidenses.

Lee también: True Fit utiliza IA para ayudar a los compradores en línea a encontrar su mejor atuendo

Lee también: Sword Health recauda $130 millones, su valoración sube a $3 mil millones

2. Desarrollo de calificaciones Energy Star para IA

Inspirada por el programa Energy Star para electrodomésticos, Luccioni propone un sistema de calificación similar para los modelos de IA. Este sistema está diseñado para ayudar a los usuarios a elegir modelos según su eficiencia energética, promoviendo un uso más sostenible de la IA. El objetivo es crear una forma estandarizada de medir y comparar el consumo de energía de varios modelos de IA en diferentes tareas.

3. Pruebas iniciales y resultados

El proyecto implica probar modelos de IA en diversas tareas, incluida la generación de texto, clasificación de imágenes y reconocimiento de voz, utilizando conjuntos de datos estandarizados. Los resultados iniciales muestran una amplia gama en eficiencia energética entre los modelos, siendo algunos significativamente más intensivos en energía que otros según la tarea. Estos hallazgos resaltan el potencial de optimización y mejoras de eficiencia en el despliegue de modelos de IA.

4. Herramientas para medir el consumo de energía

Para ayudar a evaluar el impacto ambiental, se han desarrollado herramientas como Code Carbon. Estas herramientas estiman el consumo de energía y las emisiones de carbono de los modelos de IA, lo que permite a los desarrolladores tomar decisiones más informadas y sostenibles. Al utilizar estas herramientas, las empresas pueden reducir la huella ambiental de sus tecnologías de IA.

5. Trabajo futuro e involucramiento de la comunidad

El trabajo en curso incluye expandir el sistema de calificación para cubrir más tareas y modelos, refinar los métodos de medición y fomentar la retroalimentación de la comunidad. El objetivo final es trabajar con organizaciones como ISO o NIST para una adopción más amplia y publicar un Green AI Leaderboard que ayude a la comunidad de IA a comparar y seleccionar modelos según su eficiencia energética, fomentando un ecosistema de IA más sostenible.