Как избежать пяти ключевых ошибок при внедрении ИИ, наносящих вред экологии

Быстрое освоение решений искусственного интеллекта (ИИ) коренным образом меняет многие сферы, при этом предприятия пытаются внедрять эти технологии, недостаточно учитывая их влияние на окружающую среду. Это создает кризис, часто игнорируемый, который ставит под угрозу как глобальные экологические цели, так и долгосрочную устойчивость компаний.

Так что же следует делать, а вернее чего не следует делать, чтобы предотвратить эту ситуацию?

По данным Valyuta.az со ссылкой на зарубежные СМИ, при разработке стратегий искусственного интеллекта можно избежать пяти основных ошибок, увеличивающих воздействие на окружающую среду:

1. Использование гигантских моделей для простых задач

Многие компании руководствуются мыслью «больше — лучше» и обращаются к самым крупным и новейшим моделям. Однако в задачах, где можно добиться того же результата с помощью небольших языковых моделей, применение гигантских моделей приводит к значительному потреблению энергии. Процесс вывода у больших моделей может требовать в 10–100 раз больше энергии на запрос по сравнению с оптимизированными малыми моделями.

Например, использование модели с сотнями миллиардов параметров для простой классификации электронной почты не только избыточно, но и наносит серьезный экологический ущерб. Поэтому компании должны оценивать свои реальные потребности и рассматривать, достаточно ли будет меньшей и более эффективной модели.

2. Игнорирование энергоэффективной инфраструктуры

Запуск рабочих нагрузок ИИ без учета энергоэффективности инфраструктуры и углеродной интенсивности является серьезной ошибкой. Запуск модели в дата-центре, работающем на ископаемом топливе, может создавать углеродный след в 10 раз больше по сравнению с запуском в центре, использующем возобновляемые источники энергии. Кроме того, при отсутствии таких оптимизаций, как сортировка и обрезка данных, модели в процессе вывода потребляют избыточное количество энергии.

Ответственные организации должны проверять обязательства облачных провайдеров по использованию возобновляемой энергии и оптимизировать архитектуру моделей не только для точности, но и для энергоэффективности.

3. Пренебрежение управлением данными и памятью

Данные составляют основу искусственного интеллекта, однако неправильное их управление приводит к дополнительному расходу энергии. Многие компании необоснованно хранят огромные объемы данных, считая, что они могут понадобиться позже. Однако хранение и управление устаревшими, ненужными и повторяющимися данными требует постоянного энергопотребления.

Компании должны внедрять стратегии управления, которые регулярно оценивают ценность данных, определяют политику хранения и применяют методы сжатия. Следует оценивать, необходимо ли постоянно хранить необработанные данные или достаточны меньшие наборы данных, дающие те же результаты.

4. Недостаточные инвестиции в человеческий фактор

Неправильное управление изменениями в процессе внедрения искусственного интеллекта приводит к сопротивлению сотрудников и снижению общей эффективности. Когда сотрудники боятся потерять работу или обладают недостаточными навыками для работы с инструментами ИИ, глубина освоения снижается, и повторяющиеся задачи становятся причиной энергетических потерь.

Организации должны представить искусственный интеллект как бизнес-партнера, позволяющего сотрудникам сосредоточиться на более творческих и ценных задачах. Открытая коммуникация и масштабные обучающие программы создают условия для экологически и экономически устойчивых инвестиций в ИИ.

5. Отсутствие оценки экологического воздействия искусственного интеллекта

Принцип «то, что не измеряется, не может управляться» применим и к ИИ. Очень немногие компании имеют четкое представление о потреблении энергии своих ИИ-систем или выбросах углерода. Без этих данных сложно выявить возможности оптимизации.

Поэтому компании с самого начала должны включать в свои операции экологические показатели, такие как потребление энергии, сокращение углеродного следа и использование возобновляемых источников энергии. Помимо традиционных метрик производительности, отслеживание этих показателей эффективности позволяет обеспечить устойчивое развитие и обоснованно поддерживать инвестиции в более эффективные применения ИИ.

Паша Мамедли