Институт искусственного интеллекта AIRI при поддержке Сбера разработал открытую библиотеку Eco4cast (0+) для снижения выбросов углекислого газа при обучении нейронных сетей. Об этом рассказал первый заместитель председателя правления Сбербанка Александр Ведяхин на ВЭФ-2023 (6+), пишет ИА IrkutskMedia со ссылкой на пресс-службу Байкальского банка Сбербанка.
Инновационное решение поможет уменьшить эмиссию CO2 (в отдельных сценариях — до 90%) при выполнении ресурсоёмких вычислений на Python (0+), в том числе при обучении больших ИИ-моделей. Библиотека прогнозирует временные интервалы, в которые происходят вычисления, а также предлагает для проведения операций регионы с наименьшей текущей косвенной углеродной стоимостью электроэнергии. Точность прогнозов обеспечивает нейронная сеть. Она анализирует данные об эмиссии и 20 погодных показателей в регионах.
Eco4cast для снижения углеродного следа можно запустить как локально, так и с помощью облачных сервисов, перемещая вычисления между географическими зонами для минимизации выбросов.
При создании библиотеки учёные использовали совместно разработанный ранее пакет мониторинга динамики энергопотребления ИИ-моделей под названием Eco2AI (0+).
"Современный мир невозможно представить без искусственного интеллекта. Он используется в медицине, образовании, транспорте, строительстве, банковском деле и во многих других сферах. Но обучение нейросетей на суперкомпьютерах сопровождается большим расходом электроэнергии и, следовательно, высоким углеродным следом. Одна из важнейших задач климатической повестки — сокращение выбросов парниковых газов, в том числе в ИТ-сфере. Понимая это, мы поддержали Институт AIRI в перспективной ESG-разработке", — уточнил первый заместитель председателя правления Сбербанка Александр Ведяхин.
Д. ф.-м. н. СЕО Института искусственного интеллекта AIRI Иван Оселедец рассказал, что использования технологий ИИ во благо важно не только стремиться к качественным результатам работы моделей, но и оптимизировать сам процесс достижения целей.
"В том числе — следить за энергетической эффективностью процессов обучения алгоритмов. При выполнении кода наша библиотека рассчитывает фактическое энергопотребление центральных и графических процессоров, а также устройств хранения данных и оценивает углеродный след с учётом региональных норм углеродной стоимости вырабатываемой электроэнергии", — прокомментировал он.
