ВЭФ-2023: Институт ИИ AIRI при поддержке Сбера создал решение для снижения выбросов CO2 при обучении нейросетей
Институт искусственного интеллекта AIRI при поддержке Сбера разработал открытую библиотеку Eco4cast для снижения выбросов углекислого газа при обучении нейронных сетей. Об этом рассказал первый заместитель Председателя Правления Сбербанка Александр Ведяхин на ВЭФ-2023.
Инновационное решение поможет уменьшить эмиссию CO2 (в отдельных сценариях — до 90%) при выполнении ресурсоёмких вычислений на Python, 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.
Александр Ведяхин, первый заместитель Председателя Правления Сбербанка:
«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».
Иван Оселедец, д. ф.-м. н., СЕО Института искусственного интеллекта AIRI:
«Чтобы использовать технологии искусственного интеллекта 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».