OpenAI web sitesinde yazıyor: “En büyük yapay zekada kullanılan bilgi işlem miktarı [artificial intelligence] eğitim çalışmaları 3,4 aylık bir iki katına çıkma süresiyle katlanarak artıyor (karşılaştırıldığında, Moore Yasası iki yıllık bir iki katına çıkma süresine sahipti).”
OpenAI’ye göre bu büyüme, 2012’ye kıyasla bugün gerekli olan 300.000 kat daha fazla bilgi işlem gücüne tekabül ediyor; bu, iki yılda iki katına çıkacağını varsayarsak, aynı dönemde elde ettiğiniz bilgi işlem gücünün yedi kat artmasından çok daha büyük bir artış. Moore Yasasının öngördüğü periyot.
Tahmin ettiğinizde iki şey ortaya çıkıyor. Birincisi, bazı yıkıcı değişiklikler meydana gelmedikçe ve endüstrinin kullanımına sunulmadıkça, bilgisayarlar asla yapay zeka uygulamalarından gelen talep artışına ayak uyduramayacaktır. Kuantum hesaplama ve bellek içi hesaplama, oyunun kurallarını değiştirebilecek potansiyele sahip iki teknoloji olmasına rağmen, her ikisinin de henüz birkaç yılı var.
Açıkça görülen ikinci şey, bilgisayar üreticilerinin yapay zekanın taleplerine ayak uydurma mücadelesi içinde yeni donanım ve veri merkezleri üretip sahip oldukları her şeyi maksimum güçte çalıştıracak olmalarıdır. Sonuç olarak, e-atıklar ve karbon ayak izleri yakında kontrolden çıkacak. Şu anda içinde bulunduğumuz senaryo budur ve önümüzdeki birkaç yıl boyunca da burada olacağız.
Buna göre Niklas SundbergKuehne+Nagel’in dijital sorumlusu ve kıdemli başkan yardımcısı olan AI’nın halihazırda büyük bir karbon ayak izi var ve hızla büyüyor. Bu, yalnızca e-atık haline gelen metalleri gerektirmekle kalmayıp, aynı zamanda üretim sürecinde çok fazla karbon emisyonu üreten çok sayıda yeni donanım gerektirir. Dahası, donanımı hem yapay zeka eğitimi hem de çıkarım için gereken yoğunluklarda çalıştırmak, sürekli olarak daha fazla karbon emisyonu üretiyor.
Sundberg kitabını yayınladı: Teknoloji liderleri için sürdürülebilir BT taktik kitabıEkim 2022’de, OpenAI’nin ChatGPT’yi başlatmasından yaklaşık bir ay önce. Teknolojilerin isimleri değişti ancak kitabının ilkeleri post-üretken yapay zeka (GenAI) dünyası için hala geçerli.
Bir yandan BT liderlerinin, kuruluşlarının rekabetçi kalabilmesi için teknolojiye ayak uydurması gerekiyor. Öte yandan, iklim değişikliği konusunda sorumlu bir şekilde hareket etmeleri gerekiyor; bu sadece yapılacak doğru şey değil, aynı zamanda tedarik zincirindeki emisyonları kapsayan Kapsam 3 raporlaması da dahil olmak üzere yeni düzenlemelere uymanın tek yoludur. .
Karbon emisyonlarınızı azaltmanın üç yolu
başlıklı yeni bir makalede Yapay zekanın iklim değişikliği sorunuyla mücadeleMITS Kredi Yönetimi İncelemesinin Kış 2024 sayısında yayınlanan Sundberg, karbon emisyonlarını en aza indirmek için kısa vadede en iyi üç uygulamanın uygulanabileceğini öne sürüyor. Bunlara 3R adını veriyor: yer değiştirme, doğru boyut ve yeniden mimarlık
RVeri merkezlerini, enerjinin neredeyse %100 yenilenebilir olduğu ve ortalama karbon yoğunluğunun kilovatsaat başına 32 gram olduğu Quebec gibi yerlere yerleştirdiğini yazıyor. Bir veri merkezi için ortalama karbon emisyonunun kilovatsaat başına 519 gram olduğu Amerikalı BT liderleri için bu, 16 kat azalmaya yol açacaktır.
Sundberg’e göre kuruluşlar, şirket içi BT varlıklarını iyi tasarlanmış bulut tabanlı bir veri merkezine taşıyarak emisyon ve enerjiden 1,4’e 2 kat tasarruf edebilir. Bulut tabanlı veri merkezleri enerji verimliliği için tasarlanmıştır.
RYapay zeka modellerinizi ve uygulamalarınızı gerçekten ihtiyacınız olana uyacak şekilde boyutlandırın. Sundberg, şirketlerin yapay zeka modellerini ve uygulamalarını doğru boyutlandırarak ve iyi arşivleme prosedürlerini kullanarak karbon ayak izlerini azaltabileceklerini yazıyor.
Sundberg, genel amaçlı donanım ve platformlar yerine makine öğrenimi için tasarlanmış işlemciler ve sistemler kullanırsanız hem performansı hem de verimliliği iki ila beş kat artırabileceğinizi yazıyor. Kapsam, model boyutu, model kalitesi ve verimlilik arasında doğru dengeyi arayın. Antrenman dönemlerini günün karbon yoğunluğunun daha düşük olduğu saatlerde çalışacak şekilde planlayabilirseniz bu da yardımcı olur.
Doğru makine öğrenimi modeli mimarisini seçmek de büyük bir fark yaratabilir. Örneğin seyrek bir model, yalnızca makine öğreniminin kalitesini artırmakla kalmaz, aynı zamanda hesaplamayı üç ila 10 kat arasında azaltabilir.
Yapay zeka için neden organizasyonlar arası yönetişime ihtiyaç var?
Sundberg, “Genel olarak yapay zeka söz konusu olduğunda, kişisel ve toplumsal güvenin bir miktar ihlal edildiği görülüyor” diyor. “GenAI’nin oldukça hızlı bir şekilde ortaya çıkmasıyla bunun sonuçlarını görüyoruz. BT’nin bu verileri yönetme ve güvenilir olduğundan emin olma konusunda oynayacağı bir rol vardır. Bu son derece önemli ve Davos’ta da bu konu konuşuldu.”
Sundberg’e göre etkinliğe katılan 3.000 yönetici arasında yalnızca 60 BT lideri varken tartışmaya GenAI hakim oldu. “Herkes yönetişimden ve yapay zekanın sorumlu kullanımından bahsediyordu” diyor.
Yapay zekanın geniş çapta uygulanabilirliği nedeniyle, iş birimleri, işlevsel birimler ve dış dünya genelinde geniş uygulanabilirliği nedeniyle yönetişimin çok disiplinli olması gerekir. Organizasyonel siloları birbirine bağlayan ve farklı fonksiyonları ve liderleri birleştiren bir köprü olması gerekiyor.
Sundberg, “Teknoloji çok çok hızlı bir şekilde gelişiyor ve yürüttüğünüz veya ortaya çıkan bu kullanım senaryoları boyunca bir yapay zeka yönetişim çerçevesini uygulamaya koyduğunuzdan emin olmak gerçekten önemli” diyor. “CIO’lar [chief information officers] Kabul edilebilir kullanım politikaları, tasarım ilkeleri ve benzeri şeyleri ayarlamamız gerekiyor.”