Green AI: costi dei modelli di IA
A partire dal 2012, il campo dell’intelligenza artificiale ha registrato notevoli progressi in un’ampia gamma di compiti, tra cui il riconoscimento di oggetti, giochi di vario tipo, riconoscimento del parlato e traduzione automatica… Ma a che costo?
Gran parte di questi progressi sono stati raggiunti infatti grazie a dei modelli di deep learning sempre più grandi e computazionalmente sempre più complessi.
Ma una crescita così rapida, che impatto ha, in termini ambientali, sociali ed economici?
Uno studio ha dimostrato che negli ultimi sei anni la quantità di risorse computazionali utilizzate per addestrare dei modelli di deep learning ha avuto un incremento di 300.000 volte.
Questo dato diventa ancora più importante se parliamo di sistemi che usano approcci di NLP. Per questo motivo, ci si riferisce a questo tipo di attività come Red AI.
L’IA rossa si riferisce alla ricerca sull’IA che cerca di migliorare l’accuratezza (o misure correlate) attraverso l’uso di un’enorme potenza di calcolo, senza tener conto dei costi a livello ambientale, oltre che economici.
La tendenza nel rincorrere una maggior accuratezza è determinata dalla forte attenzione della comunità dell’IA sull’ottenimento di risultati sempre migliori; non a caso, le pubblicazioni che parlano di come questi algoritmi ottengano certi risultati, omettono qualsiasi menzione in termini di costi o di efficienza.
Sono poche le aziende o istituzioni che valutano anche questi aspetti: tra queste, c’è l’università di Stanford, che ha reso pubbliche le metriche circa l’accuratezza, l’hardware e il costo sostenuto per l’addestramento di modelli come ResNet.
Per questo, diverse istituzioni hanno proposto di rendere l’efficienza un criterio di valutazione fisso per i modelli di intelligenza artificiale, insieme alle consuete metriche, come accuratezza e misure correlate.
Questo perché la ricerca che sfrutta l’intelligenza artificiale può essere computazionalmente costosa in diversi modi, ma ciascuno di essi offre opportunità per miglioramenti sotto diversi punti di vista; ad esempio, è possibile utilizzare i dati stessi circa l’addestramento di modelli e i relativi consumi per studiare l’ottimizzazione dei processi tramite tecniche di machine learning.
Quando parliamo invece di Green AI?
Il termine si riferisce alla ricerca in ambito di intelligenza artificiale che porta nuovi risultati mentre tiene in considerazione l’aspetto del costo computazionale, incoraggiando anche una riduzione delle risorse utilizzate, pur mantenendo alte le prestazioni.
La ricerca sulla costruzione efficiente in termini di spazio e tempo dei modelli è spesso motivata dal poter implementare e utilizzare alcuni modelli su dispositivi portatili o con risorse limitate, purché abbastanza veloci da elaborare gli esempi in tempo reale: esempio di applicazione sono i sottotitoli delle immagini per i non vedenti ottenuti in tempo reale.
In questo senso, è importante sottolineare l’importanza di un approccio volto all’aumento di sistemi che sposano la Green AI non solo per rendere il loro addestramento meno costoso, ma perché in aree come lingue minoritarie dove si hanno scarse risorse o domini storici ridotti, è estremamente difficile generare più dati, quindi puntare sull’ottimizzazione serve a far progredire e rendere più efficienti l’utilizzo di ciò che è già disponibile.
