Ian R Hodgkinson , Nick Jennings ve Tom Jackson/ Ekim 2024
Yapay Zeka (AI), dünya çapındaki toplumlar üzerinde derin bir etkiye sahiptir. Uygulaması birçok kişinin hayatını iyileştirir, ancak aynı zamanda eşitsizlikleri de artırabilir. YZ’nın olumsuz etkilerine karşı korunmak için, tüm aktörler YZ’yı sorumlu bir şekilde geliştirmeli ve dağıtmalıdır .
Yapay zekanın sorumlu kullanımı genellikle adalet, şeffaflık, hesap verebilirlik ve güvenliği sağlamaya odaklanır ancak ek olarak çevresel sorumluluğa odaklanır. Bu önemli bir gözetimdir çünkü yapay zekanın birçok kritik ekolojik etkisi vardır ve bunlar basitçe göz ardı edilemez, bunlara birçok yapay zeka modelinin eğitmek ve işletmek, görevi(leri) gerçekleştirmek ve küresel çevrenin bir temsilini oluşturmak gibi çıktı(lar) üretmek için kullandığı büyük miktardaki verileri depolamak ve işlemekle ilişkili olanlar dahildir. Örneğin, Luccioni ve meslektaşları farklı modeller arasındaki enerji maliyetlerini analizlerinde sınıflandırma görevlerinin 1.000 çıkarım başına 0,002 ila 0,007 kWh arasında enerji gerektirdiğini ortaya koymaktadır. Karşılaştırıldığında, üretken görevler aynı sayıda çıkarım için yaklaşık on kat daha fazla enerji gerektirir (yaklaşık 0,05 kWh).
Yapay zekanın artan kullanımı çevresel maliyetleri artırıyor
Yapay zeka alanında son dönemde kaydedilen ilerlemenin büyük bir kısmı, veri tüketiminde ve bilgi işlem altyapılarında yaşanan önemli artışlar sayesinde sağlandı.
Veri, YZ modellerinin model ve algoritmalar oluşturma, seçme ve kalibre etme konusunda eğitilmesinde merkezi bir rol oynar. Ayrıca, eğitilmiş bir modelin yepyeni verilerden sonuçlar çıkarmak için kullandığı süreç olan çıkarımlar için de önemlidir. YZ’nın büyümesi, küresel veri oluşturma hacminin hızla genişlemesi için önemli bir itici güçtür. Gerçekten de, 2025 yılına kadar dünyanın 181 zettabayt yeni veri üreteceği ve bunun 2035 yılına kadar 2.000 zettabaytın üzerine çıkacağı tahmin edilmektedir .
Yapay zeka sistemleri için bilgi işlem altyapısı, genel amaçlı işlemcilerden Grafik İşleme Birimleri (GPU’lar), Tensör İşleme Birimleri (TPU’lar) ve Sinirsel İşleme Birimleri (NPU’lar) gibi özel işlemcilere geçiş yaptı. Ancak talep yavaşlamıyor. Aslında, genel amaçlı yapay zeka modellerini eğitmek artık 2010’daki son teknoloji model eğitiminden yaklaşık on milyar kat daha fazla bilgi işlem gerektiriyor.
Bu devasa ölçeklendirmeye bağımlılık sürdürülebilirlik sorunlarını ön plana çıkarıyor. Yapay zekada umut edilen ilerlemenin çoğu bu kaçınılmaz eğilimlerin devam etmesine dayandığından, bunun daha da kötüleşmesi muhtemel. Örneğin, 2026’ya kadar, yapay zeka için küresel hesaplamanın Avusturya ve Finlandiya gibi ülkelerle benzer miktarda yıllık elektrik gerektirmesi öngörülüyor .
Bu bağlamda, YZ’nın sorumlu ve verimli kullanımı özel ve kamusal karbon emisyonlarını yönetmek için kritik öneme sahiptir. Yalnızca dijital karbonsuzlaştırma hususlarını YZ yaşam döngüsü yönetimine yerleştirerek YZ teknolojilerinden sürdürülebilir bir şekilde yararlanabilir ve buna karşılık gelecekte çevresel zararı azaltabiliriz.
Yapay zekanın, ölçülmesi zor olan doğrudan ve dolaylı çevresel etkileri vardır
Yapay zekanın çevresel etkisini yönetmeye yönelik tüm çabalar doğrudan ve dolaylı etkileri hesaba katmalıdır . Doğrudan etkiler, yapay zeka hesaplama kaynaklarının yaşam döngüsünden kaynaklanır ve bir yapay zeka sisteminin üretim, taşıma, işletme ve kullanım ömrü sonu aşamalarını içerir. Kaynak tüketimine yöneliktir ve çoğunlukla su kaynaklarını, enerjiyi ve ilişkili sera gazı (GHG) emisyonlarını ve diğer ham maddeleri olumsuz etkiler. Dolaylı etkiler yapay zeka uygulamalarından kaynaklanır ve akıllı şebeke ve hassas tarım teknolojileri gibi daha olumlu etkiler taşır. Ayrıca tüketimde sürdürülemez değişiklikler gibi bazı olumsuz etkileri de vardır.
Yapay zeka sistemlerinin sürdürülebilirliğini ölçmek için daha fazla çalışmaya ihtiyaç var, özellikle de doğrudan olanlardan çok daha zor olan dolaylı etkiler açısından. Bulut bilişim alanı muhtemelen bu konuda en gelişmiş olanıdır ve birçok büyük sağlayıcı karbon yoğunluğu, donanım emisyonları, zaman içinde bulut kullanımı ve hizmet ve veri merkezi bölgesine göre emisyonlar gibi ölçümler hakkında rapor verir. Birçok bulut sağlayıcı ayrıca, Avrupa’daki veri merkezlerini 2030 yılına kadar iklim açısından nötr hale getirme ortak taahhüdüne sahip bir özdüzenleme girişimi olan İklim Nötr Veri Merkezi Paktı’nın imzacılarıdır.
Ancak, endüstri genelinde daha fazla şeffaflığa ihtiyaç duyulmaktadır ve bugüne kadar benimsenen önlemler AI’ya özgü ve daha genel kullanım arasında ayrım yapmamaktadır. Bu ölçülebilirlik sorunu, depolama ve ağ enerji maliyetleri de dahil olmak üzere AI ile ilgili hesaplamanın enerji tüketiminin muhasebeleştirilmesine ilişkin mutabık kalınmış bir standardın olmaması nedeniyle daha da karmaşık hale gelmektedir. Sonuç olarak, AI sistemlerinin mevcut çevresel etkisini belirlemenin bir yolunu bulmamız gerekmektedir.
Sorumlu veri yönetimi, yapay zekanın sürdürülebilirliği açısından hayati önem taşıyor
Sorumlu veri yönetimi uygulamaları, yapay zekanın çevresel etkisini azaltacak gereksiz veri depolamasını en aza indirmede önemli bir rol oynayabilir. Yapay zeka sistemlerini eğitmek için kapsamlı veri kümeleri ve verimsiz depolama uygulamaları, artan enerji tüketimi yoluyla çevreye zarar verebilir. Özellikle zararlı uygulamalardan biri sentetik veridir. Genellikle bilgisayar simülasyonları tarafından üretilen sentetik veriler, eğitim için sınırlı veri kullanılabilirliğini aşmaya yardımcı olur. Ancak, küresel veri oluşturmayı hızlandırdığı için çevreyi tehdit eder. Çevresel endişelerin ötesinde, sentetik veriler önyargıları artırabilir ve yapay zeka modellerinde istenmeyen davranışlara yol açabilir .
Veri minimizasyonu, verimli depolama ve sorumlu veri imhasına öncelik veren yönetim stratejilerini benimseyerek YZ’nın çevresel ayak izini önemli ölçüde azaltabiliriz. Son araştırmalar bu noktayı iyi bir şekilde göstermektedir: kuruluşların şirket içi birincil iş verilerinin %80’ine kadarı karanlık veri veya gereksiz, eski ve önemsiz veri olabilir ve binlerce terabayta denk gelebilir.
Bu çabanın bir parçası, YZ modellerini eğitmenin çevresel etkisini yeterince karakterize etmektir. Nadiren tartışılır, ancak uzmanlar “eğitimin çıkarımdan çok daha fazla enerji ve karbon yoğun olmaya devam ettiğini” söylüyor. Luccioni ve meslektaşları, AI modelleri için farklı enerji gereksinimlerine odaklanan mükemmel, daha kapsamlı bir analiz sunuyorlar. Tek bir görevi gerçekleştiren ince ayarlı modeller olan ‘görev-özel’ YZmodellerinin ve birden fazla görev için eğitilen ‘genel amaçlı’ modellerin devam eden çıkarım maliyetini karşılaştırıyorlar. Çıkarımsal soru cevaplama için görev-özel modellerin “en verimli”sini genel amaçlı modellerle karşılaştırırken, ilkinin aynı çıkarım hacmi için 10g yayan ikinci modellere kıyasla 0,3g 𝐶𝑂2𝑒 yaydığını gözlemlediler. Bu, çevre üzerindeki olumsuz etkide büyük bir farklılıktan kaçınmak için eldeki görev için doğru YZ modelini kullanmanın önemini vurguluyor.
Yapay Zeka geliştirmenin dezavantajları
Yapay zekanın çevreye duyarlı kullanımı, tasarım seçimleri ve uzlaşmaların kapsamlı bir şekilde ele alınmasını gerektirir. Örneğin, farklı yapay zeka modellerini değerlendirirken, önemli bir adım, gerekli genellik düzeyini eleştirel bir şekilde değerlendirmektir. En büyük yapay zeka modellerini benimsemek cazip gelebilirken, bu tür modellerin performansı gerçekten artırıp artırmadığını veya daha basit, daha az kaynak yoğun modellerin yeterli olup olmayacağını değerlendirmek hayati önem taşır.
Ayrıca, genel amaçlı modeller benimseniyorsa, bu modellerin nasıl eğitildiği veya eğitildiği dikkate alınmalıdır. Örneğin, açık kaynaklı veri kümeleri yeni veri oluşturmanın hızlanmasını sınırlamaya yardımcı olur ve böylece eğitimle ilişkili sera gazı emisyonlarının miktarını azaltır. Eğitim kümelerinden üretilen ‘karanlık verilerin’ yaygınlığını azaltmak, “gereksiz, tekrarlayan veya çakışan veri altyapısının yayılmasını” önlemek için bir diğer önemli husustur.
Çevresel verimlilikleri tüm eğitim seviyelerine entegre etme fırsatları vardır. Örneğin, OECD Dijital Ekonomi Görünümü 2024, bireysel kullanıcıların kendi cihazlarındaki verileri kullanarak eğiterek, ardından verileri merkezi bir sunucuya aktararak ve daha sonra kullanıcı topluluğuna yeniden dağıtarak yapay zeka modellerinin nasıl birlikte oluşturulmasına yardımcı olabileceğini vurgular. Bu da, yeni veri oluşturmaya bağımlı olmak yerine mevcut eğitim verilerini en üst düzeye çıkarır ve çevresel verimlilikler üretir.
Farkındalığı artırmak, daha sürdürülebilir yapay zekaya doğru atılan ilk adımdır
Sorumlu AI, şeffaflık, hesap verebilirlik ve çevresel etki gibi ilkeli kaygılarla optimize edilmiş performansı dengelemek anlamına gelir. AI’nın performansı ölçeklenebilirlik yoluyla iyileştikçe, artan enerji tüketimi birkaç nedenden dolayı sürdürülemez hale gelir: (i) sınırlı hesaplama ve veri kaynakları darboğaz oluşturmaktadır; (ii) genel amaçlı AI modelleriyle ilişkili enerji tüketimi yenilenebilir enerji kaynaklarının kapasitesinden daha hızlı artmaktadır ve (iii) veriyle ilgili CO2 emisyonları artmakta olup, YZ modellerini küresel emisyonların önemli bir parçası haline getirmektedir.
Yapay zeka geliştirme ve operasyon sürdürülebilirliği bu zorlukları çözmek için bir öncelik haline gelmelidir. Yapay zeka büyümesini dijital karbonsuzlaştırmanın daha geniş hedefleriyle uyumlu hale getirerek, yapay zekanın toplum genelindeki entegrasyonunun sürdürülebilir ve sorumlu olmasını sağlayabiliriz. Bu, sürdürülebilirliğe odaklı yönergeleri oluşturmak ve yürürlüğe koymak için politika yapıcılar, araştırmacılar ve endüstri liderleri arasında iş birliğine dayalı bir çaba gerektirecektir. Yapay zeka uygulayıcıları arasında çalışmalarının çevresel sonuçları hakkında farkındalık yaratmak, yapay zeka topluluğu içinde sürdürülebilirlik odaklı bir kültür oluşturmanın ve anlamlı ilerlemeyi yönlendirmenin ilk adımıdır.
Bu yazının tercümesinde DeepL tercüme algoritması kullanılmıştır. Yazı daha sonra revize edilmiştir.