KI trenger en ordentlig slankekur

Inntoget av kunstig intelligens reiser spørsmål om strømforbruk og klimagassutslippet som følger med. Ifølge International Energy Agency (IEA) står datasentre, kunstig intelligens og kryptovaluta for to prosent av den totale globale etterspørselen etter elektrisitet.

KI-sektoren alene vil tidoble seg innen 2026 sammenlignet med 2023, spår IEA. Ettersom KI fortsetter å utvikle seg i eksponentielt tempo, må vi måle og begrense miljøpåvirkningen og holde energiforbruket på et lavest mulig nivå.

Målet med KI må være at vi skal klare å løse den største utfordringen i vår tid: klimaendringer.

Bruk av KI for å oppnå energieffektivitet krever samtidig at vi overvåker den andre siden av ligningen og har kontroll på hvor mye energi og ressurser KI-systemene selv bruker.

Da KI-ekspertene i Schneider Electric begynte å jobbe med å utvikle egne metoder for å vurdere effektiviteten til ulike KI-systemer, oppdaget de raskt behovet for å etablere globale standarder på feltet.

Vi må designe mindre glupske KI-systemer

I januar 2024 inngikk vi et samarbeid med det franske standardiseringsorganet, AFNOR, som tok initiativet til å utvikle en standard for nøysom bruk av kunstig intelligens: AFNOR Spec on Frugal AI.

Med frugal AI mener vi å maksimere effektiviteten, samtidig som vi minimerer ressursforbruket – altså at bruken av KI skal være fornuftig og sparsom.

Vi er tilhengere av en nøysom KI-utvikling basert på en edruelig tilnærming til utvikling og konstant jakt på effektivitet – med fokus på riktig balanse mellom miljø og kostnader.

I arbeidet med retningslinjene var målet å gjennomføre en omfattende vurdering av KIs miljøpåvirkning, samtidig som vi kunne gi

organisasjoner og enkeltpersoner praktisk veiledning for design og betjening av KI-baserte systemer.

140 deltakere, som representerer et mangfold av organisasjoner, har deltatt i samarbeidet: fra industribedrifter, startups og offentlig sektor til frivillige organisasjoner og akademia.

Tre arbeidsgrupper har jobbet med temaene «definisjoner og kommunikasjon», «miljøindikatorer og metodikk» og «beste praksis».

På jakt etter nøysom konsensus

En av de mest intense debattene som dukket opp under arbeidet handlet om omfanget av nøysomhetssvurderingen. For et KI-system som sikter mot å forbedre energieffektiviteten eller redusere karbonutslipp, kan man sammenligne to tall:

1) mengden CO2 som spares av den KI-baserte løsningen

2) CO2-mengden som slippes ut under utvikling og drift av løsningen.

Det første tallet bør selvsagt være betydelig høyere enn det andre.

Det er imidlertid omstridt hvordan man skal veie begge sider når KI-løsningen ikke har en direkte effekt på reduksjon av karbonutslipp, men brukes på et helt annet felt, som helsevesen eller finans.

Dette førte til tre definisjoner:

• «Effektive KI-systemer»: det fremhever hvordan vi kan optimalisere et KI-system (modellen, dataene osv.) for å minimere miljøpåvirkningen
• «Nøysomme KI-tjenester»: det omfatter hele tjenestekjeden og bruken av tjenesten
• «KI-tjenester med positiv innvirkning»: tar utgangspunkt i en gitt kategori av påvirkning (for eksempel karbonutslipp, vannforbruk, og så videre) og skal vise at de positive virkningene av tjenesten overstiger de negative virkningene for den gitte kategorien.

Tre spørsmål for å sikre frugalitet innen KI

Nøkkelen til å lage nøysomme KI-løsninger er å jobbe med disse tre spørsmålene:

1. Må vi i det hele tatt bruke KI?

Vi bør bruke KI til å løse problemer. Noen KI-løsninger har til hensikt å spare energi eller karbonutslipp, noen brukes til andre formål, sparer tid eller kostnader, forbedrer systemers pålitelighet eller sikkerhet, og så videre. I begge tilfeller er det avgjørende å sjekke om det finnes andre metoder, og om KI er mer effektiv enn andre metoder.

2. Hvordan kan vi bruke KI så effektivt som mulig?

Utgangspunktet er å måle ytelsen til KI, med tanke på resultatene og de tilhørende kostnadene. Hvis målet med en KI-løsning er å spare energi eller miljøutslipp, må vi ganske enkelt inkludere energi/CO2-kostnaden i KI-evalueringen.

Hvis KI brukes til et annet formål, for eksempel sikkerhet, må vi vurdere kompromisset mellom energi- og CO2-kostnader og forbedret sikkerhet.

3. Hvordan forbedre KI-bruken med tanke på karbonutslipp?

Selv om den totale balansen er tilfredsstillende, er det alltid rom for forbedring.

Det kan oppnås på flere måter:

• bruke den KI-baserte applikasjonen sjeldnere, for eksempel revidere prognoser for energiproduksjon/forbruk en gang fremfor fire ganger i timen
• bruke grønn energi til å kjøre KI-beregningen
• forbedre løsningsarkitekturen, for eksempel gjøre flere beregninger i styresysteme lokalt, bruke mer energieffektiv maskinvare, og så videre
• avveie modellpresisjon, for eksempel satse på mindre datasett, mindre nevrale nettverk og parametere kodet med 8 bits i stedet for 64
• sprøyte inn kunnskap i en maskinlæringsprosedyre, for eksempel ved bruk av fysikkinformerte nevrale nettverk
• bruke en hybridmetode, for eksempel KI for prognoser kombinert med lineær optimalisering for planlegging.

Noen av disse metodene har en potensiell innvirkning på løsningskvaliteten. Da må vi vurdere kompromissene mellom karbonavtrykk og ytelsen til løsningen.

Effektive KI-løsninger som standard i bransjen

AFNOR-spesifikasjonen for Frugal AI, publisert i juni 2024, representerer en betydelig milepæl i reisen mot å etablere internasjonale standarder for miljøbevisst KI-praksis.

Samtidig som vi i Schneider fortsetter å jobbe lidenskapelig for å oppnå effektivitet, oppmuntrer vi andre til å innrette seg etter de høyeste standardene for miljøansvar for KI-systemer og -tjenester.