एआयचा पर्यावरणावर कसा परिणाम होतो?

एआय पर्यावरणावर कसा परिणाम करते? [व्हिडिओ आणि प्रश्नमंजुषा]

थोडक्यात उत्तर: एआय पर्यावरणावर प्रामुख्याने डेटा सेंटरमध्ये वीज वापर (प्रशिक्षण आणि दैनंदिन अनुमान दोन्ही), थंड करण्यासाठी पाण्याबरोबरच हार्डवेअर उत्पादन आणि ई-कचऱ्याचे मूर्त परिणाम यांच्याद्वारे परिणाम करते. जर वापर अब्जावधी प्रश्नांपर्यंत पोहोचला तर अनुमान प्रशिक्षणापेक्षा जास्त असू शकते; जर ग्रिड स्वच्छ असतील आणि प्रणाली कार्यक्षम असतील तर परिणाम कमी होतात तर फायदे वाढू शकतात.

महत्वाचे मुद्दे:

वीज: संगणकीय वापराचा मागोवा घ्या; स्वच्छ ग्रिडवर कामाचे भार चालतात तेव्हा उत्सर्जन कमी होते.

पाणी: थंड करण्याच्या निवडी परिणाम बदलतात; दुर्मिळ प्रदेशांमध्ये पाण्यावर आधारित पद्धती सर्वात महत्त्वाच्या असतात.

हार्डवेअर: चिप्स आणि सर्व्हर्समध्ये लक्षणीय मूर्त परिणाम होतात; आयुष्य वाढवा आणि नूतनीकरणाला प्राधान्य द्या.

रिबाउंड: कार्यक्षमता एकूण मागणी वाढवू शकते; केवळ प्रति-कार्य नफ्याचेच नव्हे तर परिणामांचे मोजमाप करते.

ऑपरेशनल लीव्हर्स: उजव्या आकाराचे मॉडेल, अनुमान ऑप्टिमाइझ करणे आणि प्रति-विनंती मेट्रिक्स पारदर्शकपणे अहवाल देणे.

एआयचा पर्यावरणावर कसा परिणाम होतो? इन्फोग्राफिक

या लेखानंतर तुम्हाला वाचायला आवडतील असे लेख:

🔗 एआय पर्यावरणासाठी वाईट आहे का?
एआयचा कार्बन फूटप्रिंट, वीज वापर आणि डेटा-सेंटरच्या मागण्या एक्सप्लोर करा.

🔗 एआय समाजासाठी वाईट का आहे?
पक्षपात, नोकरीतील व्यत्यय, चुकीची माहिती आणि वाढती सामाजिक असमानता पहा.

🔗 एआय वाईट का आहे? एआयची काळी बाजू
पाळत ठेवणे, हाताळणी करणे आणि मानवी नियंत्रण गमावणे यासारखे धोके समजून घ्या.

🔗 एआय खूप पुढे गेला आहे का?
नीतिमत्ता, नियमन आणि नवोपक्रम कुठे रेषा आखून देतात यावर चर्चा.

एआय पर्यावरणावर कसा परिणाम करते: एक झटपट झलक ⚡🌱

जर तुम्हाला फक्त काही मुद्दे आठवत असतील तर ते असे करा:

आणि मग एक असा भाग आहे जो लोक विसरतात: व्याप्ती. एक एआय क्वेरी लहान असू शकते, पण अब्जावधी क्वेरी म्हणजे एक पूर्णपणे वेगळीच गोष्ट आहे… जसं की एक लहानसा बर्फाचा गोळा कसातरी सोफ्याच्या आकाराचा हिमस्खलन बनतो. (हे रूपक थोडे चुकीचे आहे, पण तुम्हाला मुद्दा कळला असेल.) IEA: ऊर्जा आणि एआय

एआयचा पर्यावरणीय प्रभाव हा एकच नाही - तो एक स्टॅक आहे 🧱🌎

जेव्हा लोक एआय आणि शाश्वततेबद्दल वाद घालतात तेव्हा ते अनेकदा एकमेकांना मागे टाकून बोलतात कारण ते वेगवेगळ्या स्तरांकडे बोट दाखवत असतात:

१) वीज मोजा

  • मोठ्या मॉडेल्सना प्रशिक्षण देण्यासाठी मोठ्या क्लस्टरना दीर्घकाळ कठोर परिश्रम करावे लागू शकतात. IEA: ऊर्जा आणि AI

  • अनुमान (दैनंदिन वापर) कालांतराने मोठे पाऊल पडू शकते कारण ते सतत, सर्वत्र घडते. IEA: ऊर्जा आणि AI

२) डेटा सेंटर ओव्हरहेड

३) पाणी आणि उष्णता

४) हार्डवेअर पुरवठा साखळी

५) वर्तन आणि पुनरागमन परिणाम

म्हणून जेव्हा कोणी विचारते की एआय पर्यावरणावर कसा परिणाम करते, तेव्हा त्याचे सरळ उत्तर असे आहे: ते तुम्ही कोणत्या थराचे मोजमाप करत आहात आणि त्या परिस्थितीत "एआय" चा अर्थ काय आहे यावर अवलंबून असते.

प्रशिक्षण विरुद्ध अनुमान: सर्वकाही बदलणारा फरक 🧠⚙️

लोकांना प्रशिक्षणाबद्दल बोलायला आवडते कारण ते नाट्यमय वाटते - "एका मॉडेलने X ऊर्जा वापरली." पण अनुमान ही एक छुपी महाशक्ती आहे. IEA: ऊर्जा आणि AI

प्रशिक्षण (मोठी बांधणी)

प्रशिक्षण हे एखादा कारखाना उभारण्यासारखे आहे. तुम्हाला सुरुवातीलाच किंमत मोजावी लागते: प्रचंड संगणकीय शक्ती, जास्त वेळ लागणे, अनेक वेळा प्रयत्न करून चुका सुधारणे (आणि हो, ‘अरेरे, हे जमले नाही, पुन्हा प्रयत्न करा’ अशा अनेक फेऱ्या). प्रशिक्षण अधिक कार्यक्षम बनवता येते, पण तरीही ते मोठे असू शकते. IEA: ऊर्जा आणि AI

अनुमान (दैनंदिन वापर)

अनुमान हे प्रत्येकासाठी, प्रमाणात दररोज चालणाऱ्या कारखान्यासारखे आहे:

  • प्रश्नांची उत्तरे देणारे चॅटबॉट्स

  • प्रतिमा निर्मिती

  • शोध रँकिंग

  • शिफारसी

  • भाषण ते मजकूर

  • फसवणूक शोधणे

  • कागदपत्रे आणि कोड टूल्समध्ये सह-पायलट

जरी प्रत्येक विनंती तुलनेने लहान असली तरी, वापराचे प्रमाण प्रशिक्षणालाही मागे टाकू शकते. ही 'एक काडी म्हणजे काहीच नाही, पण लाखो काड्या म्हणजे एक समस्या' या म्हणीसारखीच परिस्थिती आहे. IEA: ऊर्जा आणि AI

एक लहानशी नोंद - काही एआय कार्ये इतरांपेक्षा खूपच जड असतात. लहान मजकुराच्या वर्गीकरणापेक्षा प्रतिमा किंवा लांब व्हिडिओ तयार करण्यासाठी जास्त ऊर्जा लागते. त्यामुळे “एआय”ला एकाच गटात टाकणे म्हणजे सायकलची मालवाहू जहाजाशी तुलना करून दोघांनाही “वाहतूक” म्हणण्यासारखे आहे. आयईए: ऊर्जा आणि एआय

डेटा सेंटर्स: वीज, थंडपणा आणि ती शांत पाण्याची कहाणी 💧🏢

डेटा सेंटर्स नवीन नाहीत, पण एआयमुळे (AI) तीव्रता वाढते. उच्च-कार्यक्षमतेचे ॲक्सिलरेटर्स कमी जागेत प्रचंड ऊर्जा वापरतात, जी उष्णतेत रूपांतरित होते आणि तिचे व्यवस्थापन करणे आवश्यक असते. एलबीएनएल (२०२४): युनायटेड स्टेट्स डेटा सेंटर ऊर्जा वापर अहवाल (पीडीएफ) आयईए: ऊर्जा आणि एआय

थंड करण्याच्या मूलभूत गोष्टी (सरलीकृत, पण व्यावहारिक)

हाच तो तोटा आहे: पाण्यावर आधारित शीतकरणाचा वापर करून तुम्ही कधीकधी विजेचा वापर कमी करू शकता. स्थानिक पाण्याच्या टंचाईनुसार, हे ठीक असू शकते… किंवा ती एक खरी समस्याही असू शकते. ली आणि इतर (२०२३): एआयला कमी “तहानलेले” बनवणे (पीडीएफ)

तसेच, पर्यावरणीय प्रभाव यावर मोठ्या प्रमाणात अवलंबून असतो:

स्पष्टपणे सांगायचे तर: सार्वजनिक संभाषणात अनेकदा "डेटा सेंटर" ला ब्लॅक बॉक्ससारखे वागवले जाते. ते वाईट नाही, ते जादूई नाही. ते पायाभूत सुविधा आहे. ते पायाभूत सुविधांसारखे वागते.

चिप्स आणि हार्डवेअर: कमी सेक्सी असल्याने लोक तो भाग वगळतात 🪨🔧

एआय हार्डवेअरवर अवलंबून असते. हार्डवेअरचे एक जीवनचक्र असते आणि या जीवनचक्राचे परिणाम मोठे असू शकतात. यूएस ईपीए: सेमीकंडक्टर उद्योग, आयटीयू: द ग्लोबल ई-वेस्ट मॉनिटर २०२४

पर्यावरणीय परिणाम कुठे दिसून येतो

ई-कचरा आणि "पूर्णपणे चांगले" सर्व्हर

पर्यावरणाची बरीच हानी ही एखादे उपकरण अस्तित्वात असल्यामुळे होत नाही - तर ते किफायतशीर नसल्याने वेळेपूर्वीच बदलल्यामुळे होते. एआय (AI) या प्रक्रियेला गती देते, कारण कार्यक्षमतेतील मोठी झेप खूप मोठी असू शकते. हार्डवेअर अद्ययावत करण्याचा मोह खरा आहे. आयटीयू: जागतिक ई-कचरा मॉनिटर २०२४

एक व्यावहारिक मुद्दा: हार्डवेअरचे आयुष्य वाढवणे, वापर सुधारणे आणि नूतनीकरण करणे हे कोणत्याही फॅन्सी मॉडेलच्या बदलाइतकेच महत्त्वाचे असू शकते. कधीकधी सर्वात हिरवा GPU तो असतो जो तुम्ही खरेदी करत नाही. (ते एखाद्या घोषणेसारखे वाटते, पण ते... थोडे खरे देखील आहे.)

एआय पर्यावरणावर कसा परिणाम करते: "लोक हे विसरतात" वर्तन चक्र 🔁😬

यातला अवघड सामाजिक भाग असा आहे: एआयमुळे गोष्टी सोप्या होतात, त्यामुळे लोक अधिक गोष्टी करतात. हे खूप छान असू शकते - अधिक उत्पादकता, अधिक सर्जनशीलता, अधिक उपलब्धता. पण याचा अर्थ एकूण संसाधनांचा अधिक वापर असाही होऊ शकतो. ओईसीडी (२०१२): ऊर्जा कार्यक्षमता सुधारणांचे अनेक फायदे (पीडीएफ)

उदाहरणे:

  • जर एआय व्हिडिओ जनरेशन स्वस्त बनवते, तर लोक अधिक व्हिडिओ जनरेशन करतील.

  • जर एआय जाहिरातींना अधिक प्रभावी बनवते, तर अधिक जाहिराती दिल्या जातील, अधिक एंगेजमेंट लूप फिरतील.

  • जर एआयने शिपिंग लॉजिस्टिक्स अधिक कार्यक्षम बनवले तर ई-कॉमर्स आणखी कठीण होऊ शकते.

हे घाबरण्याचे कारण नाही. हे केवळ कार्यक्षमता नव्हे तर परिणामांचे मोजमाप करण्याचे कारण आहे.

एक अपूर्ण पण मजेदार रूपक: एआय कार्यक्षमता म्हणजे एखाद्या किशोरवयीन मुलाला मोठा फ्रीज देण्यासारखे आहे - हो, अन्न साठवणूक सुधारते, परंतु कसा तरी फ्रीज एका दिवसात पुन्हा रिकामा होतो. परिपूर्ण रूपक नाही, पण... तुम्ही ते घडताना पाहिले आहे 😅

फायदा: एआय खरोखरच पर्यावरणाला मदत करू शकते (जर योग्य लक्ष्य ठेवले तर) 🌿✨

आता त्या भागाकडे वळूया ज्याकडे अनेकदा दुर्लक्ष केले जाते: एआय (AI) सध्याच्या प्रणालींमधील उत्सर्जन आणि अपव्यय कमी करू शकते, ज्या प्रणाली खरं तर... अव्यवस्थित आहेत. आयईए: ऊर्जा अनुकूलन आणि नवोपक्रमासाठी एआय (AI).

एआय मदत करू शकते अशी क्षेत्रे

महत्त्वाची सूक्ष्म बाब: एआयची “मदत” केल्याने त्याचा पर्यावरणीय ठसा आपोआप नाहीसा होत नाही. हे एआय प्रत्यक्षात तैनात केले जाते का, त्याचा वापर केला जातो का, आणि त्यामुळे केवळ चांगले डॅशबोर्ड दिसण्याऐवजी खऱ्या अर्थाने घट होते का, यावर अवलंबून असते. पण हो, यात प्रचंड क्षमता आहे. आयईए: ऊर्जा अनुकूलन आणि नवोपक्रमासाठी एआय.

पर्यावरणपूरक एआयची चांगली आवृत्ती काय असू शकते? ✅🌍

हा "ठीक आहे मग आपण काय करावे" विभाग आहे. पर्यावरणाच्या दृष्टीने जबाबदार असलेल्या चांगल्या एआय सेटअपमध्ये सहसा हे असते:

जर तुम्ही अजूनही एआय पर्यावरणावर कसा परिणाम करते याचा मागोवा घेत असाल, तर हाच मुद्दा आहे जिथे उत्तर तात्विक राहणे थांबवते आणि ते कार्यात्मक बनते: ते तुमच्या निवडींवर आधारित त्यावर परिणाम करते.

तुलना सारणी: प्रत्यक्षात प्रभाव कमी करणारी साधने आणि दृष्टिकोन 🧰⚡

खाली एक जलद, व्यावहारिक सारणी आहे. ती परिपूर्ण नाही, आणि हो, काही सेल थोडे मतप्रणालीचे आहेत... कारण खऱ्या साधनांची निवड अशा प्रकारे कार्य करते.

साधन / दृष्टिकोन प्रेक्षक किंमत ते का काम करते
कार्बन/ऊर्जा ट्रॅकिंग लायब्ररी (रनटाइम अंदाजक) एमएल संघ मुक्त दृश्यमानता देते - जे अर्धे युद्ध आहे, जरी अंदाज थोडे अस्पष्ट असले तरीही.. कोडकार्बन
हार्डवेअर पॉवर मॉनिटरिंग (GPU/CPU टेलीमेट्री) इन्फ्रा + एमएल मोफत वास्तविक वापर मोजतो; बेंचमार्किंग रनसाठी चांगले (फ्लॅश नसलेले पण सोनेरी)
मॉडेल डिस्टिलेशन एमएल अभियंते मोफत (वेळ खर्च 😵) लहान विद्यार्थी मॉडेल्स बहुतेकदा कामगिरीशी खूपच कमी अनुमान खर्चासह जुळतात हिंटन आणि इतर (२०१५): न्यूरल नेटवर्कमध्ये ज्ञानाचे डिस्टिलिंग
परिमाणीकरण (कमी अचूक अनुमान) एमएल + उत्पादन मोफत विलंब आणि वीज वापर कमी करते; कधीकधी लहान दर्जाच्या तडजोडींसह, कधीकधी काहीच नाही घोलामी आणि इतर (२०२१): परिमाणीकरण पद्धतींचे सर्वेक्षण (पीडीएफ)
कॅशिंग + बॅचिंग अनुमान उत्पादन + प्लॅटफॉर्म मोफत अनावश्यक गणना कमी करते; विशेषतः वारंवार येणाऱ्या सूचना किंवा तत्सम विनंत्यांसाठी उपयुक्त
पुनर्प्राप्ती-संवर्धित पिढी (RAG) अ‍ॅप टीम मिश्रित "मेमरी" पुनर्प्राप्तीसाठी ऑफलोड करते; मोठ्या संदर्भ विंडोची आवश्यकता कमी करू शकते लुईस आणि इतर (२०२०): पुनर्प्राप्ती-संवर्धित पिढी
कार्बन तीव्रतेनुसार कामाचे वेळापत्रक तयार करणे इन्फ्रा/ऑप्स मिश्रित लवचिक कामे स्वच्छ पॉवर विंडोकडे वळवतो - तरीही समन्वय आवश्यक आहे कार्बन इंटेन्सिटी API (GB)
डेटा सेंटर कार्यक्षमता फोकस (उपयोग, एकत्रीकरण) आयटी नेतृत्व पैसे दिले (सहसा) सर्वात कमी ग्लॅमरस लीव्हर, परंतु बहुतेकदा सर्वात मोठा - अर्ध्या रिकाम्या सिस्टीम चालवणे थांबवा हिरवा ग्रिड: PUE
उष्णता पुनर्वापर प्रकल्प सुविधा ते अवलंबून आहे वाया जाणाऱ्या उष्णतेचे मूल्यात रूपांतर करते; नेहमीच शक्य नसते, पण जेव्हा ते शक्य असते तेव्हा ते थोडे सुंदर असते
"आपल्याला इथे एआयची गरज आहे का?" तपासा प्रत्येकजण मोफत निरर्थक गणना प्रतिबंधित करते. सर्वात शक्तिशाली ऑप्टिमायझेशन म्हणजे नाही म्हणणे (कधीकधी)

काय गहाळ आहे ते लक्षात घ्या? "एक जादूचा हिरवा स्टिकर खरेदी करा." तो अस्तित्वात नाही 😬

व्यावहारिक खेळ: उत्पादन नष्ट न करता एआय प्रभाव कमी करणे 🛠️🌱

जर तुम्ही एआय सिस्टीम बनवत असाल किंवा खरेदी करत असाल, तर येथे एक वास्तववादी क्रम आहे जो प्रत्यक्षात काम करतो:

पायरी १: मापनाने सुरुवात करा

  • ऊर्जेच्या वापराचा मागोवा घ्या किंवा त्याचा सातत्याने अंदाज घ्या. कोडकार्बन: कार्यपद्धती

  • प्रति प्रशिक्षण धाव आणि प्रति अनुमान विनंती मोजा.

  • मॉनिटर वापर - निष्क्रिय संसाधने स्पष्ट दृष्टीक्षेपात लपण्याचा एक मार्ग आहे. ग्रीन ग्रिड: PUE

पायरी २: कामाच्या ठिकाणी मॉडेलचा उजवा आकार घ्या

  • वर्गीकरण, निष्कर्षण, रूटिंगसाठी लहान मॉडेल्स वापरा.

  • कठीण केसेससाठी जड मॉडेल ठेवा.

  • "मॉडेल कॅस्केड" विचारात घ्या: प्रथम लहान मॉडेल, गरज पडल्यासच मोठे मॉडेल.

पायरी ३: अनुमान ऑप्टिमाइझ करा (येथे स्केल चावतो)

  • कॅशिंग: वारंवार येणाऱ्या प्रश्नांची उत्तरे साठवा (कागदी गोपनीयता नियंत्रणांसह).

  • बॅचिंग: हार्डवेअर कार्यक्षमता सुधारण्यासाठी गट विनंत्या.

  • छोटे लेख: मोठे लेख महाग असतात - कधीकधी तुम्हाला संपूर्ण निबंधाची गरज नसते.

  • प्रॉम्प्ट शिस्त: अव्यवस्थित प्रॉम्प्ट्समुळे कम्प्युट पाथ लांब होतात… आणि हो, अधिक टोकन्स लागतात.

पायरी ४: डेटा स्वच्छता सुधारा

हे असंबंधित वाटतं, पण तसं नाहीये:

  • स्वच्छ डेटासेटमुळे पुनर्प्रशिक्षण मंथन कमी होऊ शकते.

  • कमी आवाज म्हणजे कमी प्रयोग आणि कमी धावा वाया जातात.

पायरी ५: हार्डवेअरला एका मालमत्तेसारखे समजा, एक्झोबेबल म्हणून नाही

  • शक्य असेल तिथे रिफ्रेश सायकल वाढवा. ITU: द ग्लोबल ई-वेस्ट मॉनिटर २०२४

  • हलक्या कामाच्या भारासाठी जुन्या हार्डवेअरचा पुनर्वापर करा.

  • "नेहमीच सर्वाधिक" तरतूद टाळा.

पायरी ६: तैनाती हुशारीने निवडा

  • शक्य असल्यास, जिथे वीज अधिक स्वच्छ असेल तिथे लवचिक कामे करा. कार्बन इंटेन्सिटी API (GB)

  • अनावश्यक प्रतिकृती कमी करा.

  • लेटन्सी लक्ष्ये वास्तववादी ठेवा (अल्ट्रा-लो लेटन्सीमुळे नेहमी-चालू सेटअप अकार्यक्षम होऊ शकतात).

आणि हो... कधीकधी सर्वोत्तम पाऊल म्हणजे: प्रत्येक वापरकर्त्याच्या कृतीसाठी सर्वात मोठे मॉडेल ऑटो-रन करू नका. ती सवय म्हणजे प्रत्येक लाईट चालू ठेवण्यासारखे आहे कारण स्विचकडे चालणे त्रासदायक आहे.

सामान्य मिथक (आणि सत्याच्या जवळ काय आहे) 🧠🧯

गैरसमज: "एआय नेहमीच पारंपारिक सॉफ्टवेअरपेक्षा वाईट असते"

सत्य: एआयला अधिक संगणकीय संसाधने लागू शकतात, पण ते अकार्यक्षम मानवी प्रक्रियांची जागा घेऊ शकते, अपव्यय कमी करू शकते आणि प्रणालींना अनुकूलित करू शकते. हे परिस्थितीवर अवलंबून असते. आयईए: ऊर्जा अनुकूलन आणि नवोपक्रमासाठी एआय.

गैरसमज: "प्रशिक्षण ही एकमेव समस्या आहे"

सत्य: कालांतराने प्रमाणानुसार अनुमान वर्चस्व गाजवू शकते. जर तुमच्या उत्पादनाचा वापर वाढला तर ही मुख्य गोष्ट बनते. IEA: ऊर्जा आणि AI

गैरसमज: "नवीकरणीय ऊर्जा त्वरित सोडवते"

सत्य: स्वच्छ वीज खूप मदत करते, पण त्यामुळे हार्डवेअरचा वापर, पाण्याचा वापर किंवा त्याचे दुष्परिणाम पूर्णपणे नाहीसे होत नाहीत. तरीही ते महत्त्वाचे आहे. आयईए: ऊर्जा आणि एआय

गैरसमज: "जर ते कार्यक्षम असेल तर ते शाश्वत असेल"

सत्य: मागणी नियंत्रणाशिवाय कार्यक्षमता देखील एकूण परिणाम वाढवू शकते. हाच तो प्रतिघात सापळा आहे. ओईसीडी (२०१२): ऊर्जा कार्यक्षमता सुधारणांचे अनेक फायदे (पीडीएफ)

प्रशासन, पारदर्शकता आणि त्याबद्दल नाटकीय न होणे 🧾🌍

जर तुम्ही कंपनी असाल, तर इथेच विश्वास निर्माण होतो किंवा गमावला जातो.

लोक याकडे डोळेझाक करतात, पण ते महत्त्वाचे आहे. जबाबदार तंत्रज्ञान म्हणजे केवळ हुशार अभियांत्रिकी नाही. ते असे न भासवण्याबद्दल देखील आहे की व्यवहार अस्तित्वात नाहीत.

शेवटचा सारांश: एआय पर्यावरणावर कसा परिणाम करते याचा संक्षिप्त आढावा 🌎✅

एआयचा पर्यावरणावर होणारा परिणाम हा अतिरिक्त भारावर अवलंबून असतो: वीज, पाणी (कधीकधी), आणि हार्डवेअरची मागणी. आयईए: एनर्जी अँड एआय ली एट अल. (२०२३): मेकिंग एआय लेस “थर्स्टी” (पीडीएफ). हे इतर क्षेत्रांमधील उत्सर्जन आणि अपव्यय कमी करण्यासाठी शक्तिशाली साधने देखील प्रदान करते. आयईए: एआय फॉर एनर्जी ऑप्टिमायझेशन अँड इनोव्हेशन. अंतिम परिणाम हा व्याप्ती, ग्रिडची स्वच्छता, कार्यक्षमतेचे पर्याय आणि एआय खऱ्या समस्या सोडवत आहे की केवळ नवीनतेसाठी नवीनता निर्माण करत आहे यावर अवलंबून असतो. आयईए: एनर्जी अँड एआय

जर तुम्हाला सर्वात सोपा व्यावहारिक उपाय हवा असेल तर:

  • मोजमाप.

  • योग्य आकार.

  • अनुमान ऑप्टिमाइझ करा.

  • हार्डवेअरचे आयुष्य वाढवा.

  • तडजोडींबद्दल स्पष्ट बोला.

आणि जर तुम्हाला दडपण आल्यासारखं वाटत असेल, तर एक दिलासादायक सत्य जाणून घ्या: हजार वेळा घेतलेले छोटे छोटे व्यावहारिक निर्णय, सहसा एका मोठ्या शाश्वततेच्या घोषणेपेक्षा अधिक प्रभावी ठरतात. अगदी दात घासण्यासारखंच. आकर्षक नाही, पण ते उपयोगी पडतं… 

वास्तविक उदाहरण: ग्राहक सेवा एआय सहाय्यकाचा आवाका कमी करणे 🌱🎧

परिस्थिती

कल्पना करा की एका लहान ऑनलाइन विक्रेत्याला डिलिव्हरीची वेळ, वस्तू परत करणे, खराब झालेले पार्सल आणि उत्पादनाचे आकारमान यांसारख्या ग्राहकांच्या सामान्य प्रश्नांची उत्तरे देण्यासाठी AI चा वापर करायचा आहे.

पहिली आवृत्ती अनावश्यक संसाधनांची उधळपट्टी करणारी आहे: प्रश्न सोपा असला तरीही, प्रत्येक ग्राहकाचा संदेश थेट उपलब्ध असलेल्या सर्वात मोठ्या मॉडेलकडे जातो. तसेच, सहाय्यक मंजूर प्रतिसादांचा पुनर्वापर करण्याऐवजी अनावश्यकपणे लांबलचक उत्तरे लिहितो, धोरणातील मजकूर पुन्हा पुन्हा सांगतो आणि त्याच प्रश्नांची हजारो वेळा पुन्हा उत्तरे देतो.

अधिक व्यवहार्य रचना म्हणजे ‘एआय न वापरणे’ नव्हे. ती म्हणजे योग्य आकाराचे एआय वापरणे: सोप्या कामांसाठी हलकी साधने वापरा, गुंतागुंतीच्या प्रकरणांसाठी मोठे मॉडेल राखून ठेवा आणि सोडवलेल्या प्रत्येक तिकीटामागील परिणामाचे मोजमाप करा.

सहाय्यकाला काय हवे आहे

संघ तयारी करेल:

सध्याचे परतावा धोरण

प्रदेशानुसार वितरणाचे नियम

उत्पादनाच्या आकाराबद्दलच्या नोंदी

परतावा, तक्रारी आणि कायदेशीर बाबींसाठी एक संक्षिप्त तक्रार निवारण धोरण

ग्राहकांच्या ५० सामान्य प्रश्नांची यादी

पुनरावृत्त प्रश्नांसाठी मंजूर संक्षिप्त उत्तरे

एक साधे ट्रॅकिंग शीट, ज्यामध्ये खालील माहिती असते: विनंतीचा प्रकार, वापरलेले मॉडेल, प्रतिसादाची लांबी, प्रकरण वरिष्ठ अधिकाऱ्यांकडे पाठवण्याची गरज होती की नाही, आणि उत्तर मानवी तपासणीत उत्तीर्ण झाले की नाही

उदाहरण सूचना

प्रथम सर्वात लहान योग्य मॉडेल किंवा नियमांवर आधारित उत्तर वापरा. ​​जेव्हा ग्राहकाचा प्रश्न अस्पष्ट, भावनिक असेल, त्यात अनेक मुद्दे असतील किंवा एकापेक्षा जास्त पॉलिसींमधील माहिती एकत्र करण्याची आवश्यकता असेल, तेव्हाच मोठे मॉडेल वापरा. ​​ग्राहकाने तपशील विचारल्याशिवाय उत्तरे १२० शब्दांपेक्षा कमी ठेवा. जर विश्वास कमी असेल, तर एक स्पष्टीकरणात्मक प्रश्न विचारा किंवा मानवी प्रतिनिधीकडे प्रकरण सोपवा. डिलिव्हरीच्या तारखा, परताव्याची मंजुरी किंवा पॉलिसीमधील अपवाद स्वतःच्या मनाने तयार करू नका.

त्याची चाचणी कशी करावी

लाँच करण्यापूर्वी ५० तिकिटांची चाचणी घ्या:

१० डिलिव्हरी प्रश्न

१० परतीचे प्रश्न

उत्पादनाच्या आकाराबद्दलचे १० प्रश्न

१० खराब झालेल्या वस्तूंच्या तक्रारी

१० मिश्र किंवा अस्पष्ट संदेश

प्रत्येक उत्तरासाठी तपासा:

योग्य धोरण वापरले गेले का?

कॅश केलेल्या मंजूर उत्तराने ते सुटले असते का?

मोठ्या मॉडेलची गरज होती का?

सहाय्यकाने उत्तर संक्षिप्त ठेवले का?

कोणत्याही उत्तराने माहिती तयार केली का?

संवेदनशील प्रकरणे योग्य रीतीने वरिष्ठ अधिकाऱ्यांकडे वर्ग करण्यात आली का?

उत्तीर्ण होण्यासाठी एक वाजवी निकष साधारणपणे असा असेल: धोरणाची ९५% अचूकता, परताव्याची एकही खोटी आश्वासने नाहीत, आणि पेमेंटमधील वाद किंवा कायदेशीर धमक्यांशी संबंधित तक्रारींवर १००% पुढील स्तरावर कारवाई.

निकाल

ऑप्टिमायझेशनच्या आधी आणि नंतर केलेल्या ५०-तिकिटांच्या चाचणीची वेळ आणि मोजणी यावर आधारित प्रातिनिधिक निकाल:

ऑप्टिमायझेशनपूर्वी, सर्व ५० तिकिटांमध्ये मोठे मॉडेल वापरले गेले होते, आणि उत्तराची सरासरी लांबी २१० शब्द होती.

ऑप्टिमायझेशननंतर, ३१ तिकिटांमध्ये कॅश केलेली मंजूर उत्तरे वापरली गेली, १४ तिकिटांमध्ये लहान मॉडेल वापरले गेले आणि फक्त ५ तिकिटांमध्ये मोठे मॉडेल वापरले गेले.

उत्तराची सरासरी लांबी २१० शब्दांवरून ९२ शब्दांपर्यंत कमी झाली.

मानवी पुनरावलोकनाचा वेळ ४ तास १० मिनिटांवरून १ तास २५ मिनिटांपर्यंत कमी झाला.

टीमला पहिल्या चाचणीत २ चुकीची धोरणात्मक उत्तरे आढळली, त्यानंतर मूळ कागदपत्रे अद्ययावत करून आणि अधिक स्पष्ट एस्केलेशन नियम जोडल्यानंतर ० चुकीची धोरणात्मक उत्तरे आढळली.

यामुळे असिस्टंट 'पर्यावरणपूरक' आहे हे सिद्ध होत नाही. यातून केवळ अशा प्रकारचे मोजमाप दिसून येते, ज्यामुळे पर्यावरणासंबंधीचा दावा तपासता येतो: कमी अवजड मॉडेल कॉल्स, लहान आउटपुट्स, कमी पुनरावृत्त जनरेशन्स आणि कमी टाळता येण्याजोगी रिव्ह्यू सायकल्स.

काय बिघडू शकतं?

जर प्रत्येक अस्पष्ट संदेश 'फक्त खबरदारी म्हणून' सर्वात मोठ्या मॉडेलकडे पाठवला गेला, तर असिस्टंट अजूनही कम्प्युटिंग वाया घालवू शकतो.

परतावा धोरण बदलल्यास आणि कोणीही कॅश केलेली उत्तरे अद्ययावत न केल्यास, ती धोकादायक ठरू शकतात.

महत्त्वाची माहिती वगळल्यास संक्षिप्त उत्तरे ग्राहकांना निराश करू शकतात.

जर कंपनीने मोजमापाची पद्धत न दाखवता केवळ टक्केवारीतील बचतीचा अहवाल दिला, तर कार्बन किंवा ऊर्जेसंबंधीचे दावे हे 'ग्रीनवॉशिंग' ठरू शकतात.

मॉडेलच्या निवडीला एकमेव साधन मानणे ही सर्वात मोठी चूक आहे. प्रत्यक्षात, रूटिंग, कॅशिंग, संक्षिप्त आउटपुट, उत्तम मूळ दस्तऐवज आणि उच्च-जोखमीच्या प्रकरणांसाठी मानवी पुनरावलोकन यांमुळे अधिक पर्यावरणपूरक कार्यप्रवाह साध्य होतो.

व्यावहारिक निष्कर्ष

कमी परिणाम करणारी एआय प्रणाली सहसा सर्वात अत्याधुनिक नसते. ही अशी प्रणाली असते जी खऱ्या वापराचे मोजमाप करते, अनावश्यक आणि अवजड अनुमान टाळते, शक्य असेल तिथे मान्यताप्राप्त उत्तरांचा पुनर्वापर करते आणि तरीही महत्त्वाच्या निर्णयांवर मानवांना नियंत्रण देते.

वारंवार विचारले जाणारे प्रश्न

मोठ्या संशोधन प्रयोगशाळांमध्येच नव्हे तर दैनंदिन वापरातही एआयचा पर्यावरणावर कसा परिणाम होतो?

एआयचा बहुतेक प्रभाव प्रशिक्षण आणि दैनंदिन "अनुमान" दरम्यान GPU आणि CPU चालवणाऱ्या डेटा सेंटर्सना वीज पुरवणाऱ्या विजेपासून येतो. एकच विनंती सामान्य असू शकते, परंतु मोठ्या प्रमाणात त्या विनंत्या जलद जमा होतात. डेटा सेंटर कुठे आहे, स्थानिक ग्रिड किती स्वच्छ आहे आणि पायाभूत सुविधा किती कार्यक्षमतेने चालवल्या जातात यावर देखील परिणाम अवलंबून असतो.

एआय मॉडेलला प्रशिक्षण देणे हे पर्यावरणासाठी वापरण्यापेक्षा वाईट आहे का (अनुमान)?

प्रशिक्षण हे गणनाचा एक मोठा, आगाऊ स्फोट असू शकतो, परंतु अनुमान कालांतराने मोठे पाऊल बनू शकते कारण ते सतत आणि मोठ्या प्रमाणात चालते. जर एखादे साधन दररोज लाखो लोक वापरत असतील, तर वारंवार होणाऱ्या विनंत्या एक-वेळच्या प्रशिक्षण खर्चापेक्षा जास्त असू शकतात. म्हणूनच ऑप्टिमायझेशन बहुतेकदा अनुमान कार्यक्षमतेवर लक्ष केंद्रित करते.

एआय पाण्याचा वापर का करते आणि ते नेहमीच एक समस्या असते का?

काही डेटा सेंटर्स पाण्यावर आधारित कूलिंगवर अवलंबून असल्याने किंवा वीज निर्मितीद्वारे अप्रत्यक्षपणे पाण्याचा वापर केला जातो म्हणून एआय पाण्याचा वापर करू शकते. विशिष्ट हवामानात, बाष्पीभवन कूलिंगमुळे पाण्याचा वापर वाढवताना विजेचा वापर कमी होऊ शकतो, ज्यामुळे खरा व्यापार निर्माण होतो. ते "वाईट" आहे की नाही हे स्थानिक पाण्याच्या कमतरतेवर, कूलिंग डिझाइनवर आणि पाण्याचा वापर मोजला आणि व्यवस्थापित केला जातो की नाही यावर अवलंबून असते.

हार्डवेअर आणि ई-कचऱ्यापासून एआयच्या पर्यावरणीय प्रभावाचे कोणते भाग येतात?

एआय चिप्स, सर्व्हर, नेटवर्किंग गियर, इमारती आणि पुरवठा साखळ्यांवर अवलंबून असते - म्हणजे खाणकाम, उत्पादन, शिपिंग आणि अंतिम विल्हेवाट. सेमीकंडक्टर उत्पादन हे ऊर्जा-केंद्रित आहे आणि जलद अपग्रेड सायकलमुळे अंतर्भूत उत्सर्जन आणि ई-कचरा वाढू शकतो. हार्डवेअरचे आयुष्य वाढवणे, नूतनीकरण करणे आणि वापर सुधारणे यामुळे प्रभाव लक्षणीयरीत्या कमी होऊ शकतो, कधीकधी मॉडेल-स्तरीय बदलांशी स्पर्धा करणे देखील शक्य आहे.

अक्षय ऊर्जेचा वापर केल्याने एआयचा पर्यावरणीय परिणाम दूर होतो का?

स्वच्छ वीज संगणकातून होणारे उत्सर्जन कमी करू शकते, परंतु ते पाण्याचा वापर, हार्डवेअर उत्पादन आणि ई-कचरा यासारख्या इतर परिणामांना मिटवत नाही. ते "रिबाउंड इफेक्ट्स" देखील आपोआप संबोधित करत नाही, जिथे कमी किमतीच्या संगणकामुळे एकूणच अधिक वापर होतो. नवीकरणीय ऊर्जा ही एक महत्त्वाची लीव्हर आहे, परंतु ती फूटप्रिंट स्टॅकचा फक्त एक भाग आहे.

रिबाउंड इफेक्ट काय आहे आणि ते एआय आणि शाश्वततेसाठी का महत्त्वाचे आहे?

कार्यक्षमता वाढल्याने एखादी गोष्ट स्वस्त किंवा सोपी होते तेव्हा रिबाउंड इफेक्ट होतो, त्यामुळे लोक ते जास्त करतात - कधीकधी बचत कमी होते. एआय सह, स्वस्त निर्मिती किंवा ऑटोमेशनमुळे कंटेंट, कॉम्प्युट आणि सेवांची एकूण मागणी वाढू शकते. म्हणूनच व्यवहारात निकाल मोजणे हे एकाकी कार्यक्षमता साजरी करण्यापेक्षा जास्त महत्त्वाचे आहे.

उत्पादनाला हानी पोहोचवल्याशिवाय एआयचा प्रभाव कमी करण्याचे व्यावहारिक मार्ग कोणते आहेत?

एक सामान्य दृष्टिकोन म्हणजे मापन (ऊर्जा आणि कार्बन अंदाज, वापर) पासून सुरुवात करणे, नंतर कार्यासाठी योग्य-आकाराचे मॉडेल तयार करणे आणि कॅशिंग, बॅचिंग आणि लहान आउटपुटसह अनुमान ऑप्टिमाइझ करणे. क्वांटायझेशन, डिस्टिलेशन आणि पुनर्प्राप्ती-संवर्धित निर्मिती यासारख्या तंत्रांमुळे संगणकीय गरजा कमी होऊ शकतात. ऑपरेशनल पर्याय - जसे की कार्बन तीव्रतेनुसार वर्कलोड शेड्यूलिंग आणि दीर्घ हार्डवेअर लाइफटाइम - बहुतेकदा मोठे विजय मिळवतात.

एआय पर्यावरणाला हानी पोहोचवण्याऐवजी कशी मदत करू शकते?

वास्तविक प्रणालींना अनुकूल करण्यासाठी वापरल्यास एआय उत्सर्जन आणि कचरा कमी करू शकते: ग्रिड अंदाज, मागणी प्रतिसाद, इमारत एचव्हीएसी नियंत्रण, लॉजिस्टिक्स रूटिंग, भाकित देखभाल आणि गळती शोधणे. ते जंगलतोडीच्या सूचना आणि मिथेन शोधणे यासारख्या पर्यावरणीय देखरेखीला देखील समर्थन देऊ शकते. मुख्य म्हणजे सिस्टम निर्णय बदलते आणि केवळ चांगले डॅशबोर्डच नाही तर मोजता येण्याजोगे कपात निर्माण करते का.

एआय दाव्यांचे "ग्रीनवॉशिंग" टाळण्यासाठी कंपन्यांनी कोणते मेट्रिक्स नोंदवावेत?

केवळ मोठ्या एकूण आकड्यांपेक्षा प्रति-कार्य किंवा प्रति-विनंती मेट्रिक्सचा अहवाल देणे अधिक अर्थपूर्ण आहे, कारण ते युनिट पातळीवर कार्यक्षमता दर्शवते. ऊर्जेचा वापर, कार्बन अंदाज, वापर आणि - जिथे संबंधित असेल - पाण्याच्या प्रभावांचा मागोवा घेतल्याने स्पष्ट जबाबदारी निर्माण होते. हे देखील महत्त्वाचे आहे: सीमा परिभाषित करा (काय समाविष्ट आहे) आणि प्रमाणित पुराव्याशिवाय "पर्यावरणास अनुकूल एआय" सारखे अस्पष्ट लेबल्स टाळा.

संदर्भ

  1. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - ऊर्जा आणि AI - iea.org

  2. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - ऊर्जा ऑप्टिमायझेशन आणि नवोपक्रमासाठी AI - iea.org

  3. आंतरराष्ट्रीय ऊर्जा संस्था (IEA) - डिजिटलायझेशन - iea.org

  4. लॉरेन्स बर्कले राष्ट्रीय प्रयोगशाळा (LBNL) - युनायटेड स्टेट्स डेटा सेंटर ऊर्जा वापर अहवाल (२०२४) (PDF) - lbl.gov

  5. ली आणि इतर - एआयला कमी “तहानलेले” बनवणे (२०२३) (पीडीएफ) - arxiv.org

  6. ASHRAE (TC 9.9) - मुख्य प्रवाहातील डेटा सेंटर्समध्ये द्रव शीतकरणाचा उदय आणि विस्तार (PDF) - ashrae.org

  7. ग्रीन ग्रिड - PUE-मेट्रिकची एक व्यापक परीक्षा - thegreengrid.org

  8. यूएस डिपार्टमेंट ऑफ एनर्जी (DOE) - FEMP - फेडरल डेटा सेंटर्ससाठी थंड पाण्याच्या कार्यक्षमतेच्या संधी - energy.gov

  9. यूएस डिपार्टमेंट ऑफ एनर्जी (DOE) - FEMP - डेटा सेंटर्समध्ये ऊर्जा कार्यक्षमता - energy.gov

  10. यूएस पर्यावरण संरक्षण एजन्सी (EPA) - सेमीकंडक्टर उद्योग - epa.gov

  11. आंतरराष्ट्रीय दूरसंचार संघ (ITU) - ग्लोबल ई-कचरा मॉनिटर २०२४ - itu.int

  12. ओईसीडी - ऊर्जा कार्यक्षमता सुधारणांचे बहुविध फायदे (२०१२) (पीडीएफ) - oecd.org

  13. कार्बन इंटेन्सिटी एपीआय (जीबी) - carbonintensity.org.uk

  14. imec - चिप उत्पादनात पर्यावरणीय परिणाम कमी करणे - imec-int.com

  15. UNEP - MARS कसे कार्य करते - unep.org

  16. जागतिक वन निरीक्षण - जंगलतोडीच्या आनंदाच्या सूचना - globalforestwatch.org

  17. अ‍ॅलन ट्युरिंग इन्स्टिट्यूट - जैवविविधता आणि परिसंस्थेच्या आरोग्याचे मूल्यांकन करण्यासाठी एआय आणि स्वायत्त प्रणाली - turing.ac.uk

  18. कोडकार्बन - कार्यपद्धती - mlco2.github.io

  19. घोलामी आणि इतर - क्वांटायझेशन पद्धतींचे सर्वेक्षण (२०२१) (पीडीएफ) - arxiv.org

  20. लुईस आणि इतर - पुनर्प्राप्ती-संवर्धित पिढी (२०२०) - arxiv.org

  21. हिंटन आणि इतर - न्यूरल नेटवर्कमध्ये ज्ञानाचे डिस्टिलिंग (२०१५) - arxiv.org

  22. कोडकार्बन - codecarbon.io

अधिकृत एआय असिस्टंट स्टोअरमध्ये नवीनतम एआय शोधा

आमच्याबद्दल

एआय आणि पर्यावरण प्रश्नमंजुषा
१. मजकुराच्या अनुसार, 'प्रशिक्षण' पेक्षा 'अनुमान' चा पर्यावरणीय ठसा अंतिमतः मोठा का असू शकतो?

२. डेटा सेंटर्समधील पाण्यावर आधारित कूलिंग संदर्भात नमूद केलेला एक महत्त्वाचा तोटा कोणता आहे?

३. 'रिबाउंड इफेक्ट' एआयच्या कार्यक्षमतेला कसा लागू होतो?

४. लेखानुसार, एआय ई-कचऱ्याच्या निर्मितीला गती का देते?

५. खालीलपैकी कोणते उदाहरण एआय पर्यावरणाला प्रत्यक्षात कशी मदत करू शकते हे दर्शवते?


ब्लॉगवर परत

अतिरिक्त वारंवार विचारले जाणारे प्रश्न

  • एआय ऊर्जा वापरावर कसा परिणाम करत आहे?

    एआयचा ऊर्जा वापरावर लक्षणीय परिणाम होतो, प्रामुख्याने डेटा सेंटर्समध्ये मॉडेल्सना प्रशिक्षण देण्यासाठी आणि दैनंदिन कामांवर प्रक्रिया करण्यासाठी (इन्फरन्स) वापरल्या जाणाऱ्या विजेमुळे. विनंत्यांची संख्या वाढल्यास, ऊर्जेचा वापर वेगाने वाढू शकतो.

  • एआयच्या पर्यावरणीय परिणामात पाण्याची भूमिका काय आहे?

    काही डेटा सेंटर सेटअपमध्ये पाण्याचा वापर प्रामुख्याने शीतलीकरणासाठी केला जातो. शीतलीकरणाच्या पद्धतींची निवड एकूण पाण्याच्या वापरावर लक्षणीय परिणाम करू शकते, विशेषतः पाणीटंचाई असलेल्या भागांमध्ये.

  • एआयचे पर्यावरणीय परिणाम केवळ विजेच्या वापरापुरतेच मर्यादित आहेत का?

    नाही, एआयचे पर्यावरणीय परिणाम केवळ वीज वापरापुरते मर्यादित नाहीत. त्यात चिप्स आणि सर्व्हर्ससारख्या हार्डवेअरच्या निर्मितीमुळे होणारे परिणाम, तसेच ही उपकरणे टाकून दिल्यावर निर्माण होणाऱ्या अंतिम ई-कचऱ्याचाही समावेश होतो.

  • पर्यावरणावरील परिणाम कमी करण्यासाठी एआयला कसे अनुकूलित केले जाऊ शकते?

    एआयला अनुकूलित करण्यामध्ये अनेक धोरणांचा समावेश असू शकतो, जसे की मॉडेल्सचा योग्य आकार निश्चित करणे, अनुमान कार्यक्षमता सुधारणे, हार्डवेअरचे आयुष्य वाढवणे आणि स्वच्छ ऊर्जा स्रोतांचा वापर करणे. कॅशिंग आणि रिक्वेस्ट बॅचिंग यांसारख्या तंत्रांचा वापर केल्याने ऊर्जेचा वापर कमी करण्यास देखील मदत होते.

  • एआय आणि शाश्वततेच्या संदर्भात 'रिबाउंड इफेक्ट' म्हणजे काय?

    जेव्हा एआयमधील कार्यक्षमतेतील वाढीमुळे त्याचा वापर वाढतो, तेव्हा उलट परिणाम दिसून येतो. उदाहरणार्थ, जर एआयने काही कामे स्वस्त आणि सोपी केली, तर लोक ती अधिक वेळा करू शकतात, ज्यामुळे कार्यक्षमतेचे फायदे संभाव्यतः नाहीसे होऊ शकतात.

  • पर्यावरणीय शाश्वततेसाठी एआय सकारात्मक योगदान कसे देते?

    एआय विविध क्षेत्रांमध्ये कार्यक्षमता वाढवण्यासाठी, लॉजिस्टिक्स सुव्यवस्थित करण्यासाठी, ऊर्जा व्यवस्थापन सुधारण्यासाठी आणि अपव्यय कमी करण्यासाठी मदत करू शकते, ज्यामुळे अखेरीस उत्सर्जन कमी होऊन एकूण पर्यावरणीय प्रभावही लहान होऊ शकतो.

  • एआयच्या पर्यावरणीय परिणामाचे मूल्यांकन करण्यासाठी कोणते मापदंड वापरावेत?

    अर्थपूर्ण मापदंडांमध्ये ऊर्जेचा वापर, प्रति विनंती कार्बन उत्सर्जन आणि संसाधनांचा वापर यांचा मागोवा घेणे समाविष्ट आहे. हे मापदंड एआयच्या पर्यावरणीय परिणामाचे अधिक स्पष्ट चित्र देतात आणि त्याच्या शाश्वततेचे अधिक अचूकपणे मूल्यांकन करण्यास मदत करतात.

  • नवीकरणीय ऊर्जेचा वापर करून एआयचे पर्यावरणीय परिणाम पूर्णपणे कमी करता येतील का?

    जरी नवीकरणीय ऊर्जेच्या वापरामुळे एआयच्या वीज वापराशी संबंधित उत्सर्जन लक्षणीयरीत्या कमी होऊ शकते, तरी त्यामुळे हार्डवेअर उत्पादनावरील परिणाम आणि ई-कचरा यांसारख्या समस्या सुटत नाहीत. सर्व घटकांचा विचार करणारा एक समग्र दृष्टिकोन आवश्यक आहे.