По мере развития технологий машинного обучения (ML) их углеродный след будет выравниваться и даже сокращаться. К такому выводу пришли в Google в ходе нового исследования. О его результатах рассказывает Data Center Dynamics.

Энергопотребление можно снизить, выбрав эффективные модели машинного обучения и запуская их предпочтительно в облаке на оптимизированных процессорах. В совокупности эти меры могут уменьшить энергопотребление машинного обучения в сто раз, а углеродный след ML — в тысячу раз, согласно отчету.

Авторы исследования признают, что даже с учетом этой оптимизации машинное обучение потребляет большую долю энергии в Google — от 10% до 15%.

«Мы определили четыре передовых метода, которые значительно сокращают потребление энергии и выбросы углекислого газа. Они применяются в Google сегодня и доступны всем, кто использует наши облачные сервисы», — говорит Брайан Паттерсон из команды Google Research.

В отчете отмечается, что если пользователи выбирают «разреженные» модели машинного обучения, это может сократить объем вычислений в три — десять раз. А использование оборудования, оптимизированного для машинного обучения, повысит энергоэффективность еще в два — пять раз. Группа Паттерсона подсчитала, что почти удвоила эффективность за счет перехода на облачные ресурсы с локальных центров обработки данных.

Наконец, сократить выбросы углекислого газа в десять раз можно, выбрав самую «зеленую» область для размещения нагрузок, что разрешено в облаке Google.

В компании обещают, что к 2030 году все ее центры обработки данных будут работать на 100% локальном безуглеродном источнике энергии 24 часа в сутки.

Фото: Pixabay