AI water en energie verbruik
In dit blogartikel richten we ons op het verduurzamen van AI-technieken, zoals ChatGPT. Uit onderzoek blijkt dat bij het trainen van deze modellen veel water en energie worden verbruikt. Het is daarom belangrijk om duurzame oplossingen te vinden, aangezien dit soort technologieën steeds populairder worden. Het water wordt gebruikt om de servers te koelen die hitte produceren bij de training en bij beantwoorden van vragen.
Waterverbruik bij training chatgpt
Futurism meldt in een recent artikel dat het waterverbruik van ChatGPT een zorg is voor duurzaamheid. ChatGPT is een groot taalmodel dat wordt getraind op grote hoeveelheden gegevens, wat veel energie en water vereist. Het trainen van slechts één ChatGPT-model vereist volgens het artikel evenveel water als nodig is om een nucleaire reactor te koelen. Lees meer over dit onderwerp op: https://futurism.com/the-byte/chatgpt-ai-water-consumption.
” Unfortunately, however, the equally important and enormous water footprint of AI models has remained under the radar. For example, training GPT-3 in Microsoft’s state-of-the-art U.S. data centers can directly consume 700,000 liters of clean freshwater (enough for producing 370 BMW cars or 320 Tesla electric vehicles) and the water consumption would have been tripled if training were done in Microsoft’s Asian data centers, but such information has been kept as a secret.” Paperbron: https://arxiv.org/pdf/2304.03271.pdf
Het waterverbruik van ChatGPT is verbijsterend en benadrukt de noodzaak van duurzame praktijken bij de ontwikkeling en het gebruik van kunstmatige intelligentie. Gelukkig zijn er stappen die kunnen worden genomen om de impact van AI op het milieu te verminderen.
Waterverbruik verminderen
Een mogelijke benadering om het waterverbruik van ChatGPT te verminderen, is om efficiëntere algoritmen en technieken te gebruiken die minder waterintensieve training vereisen. Onderzoekers en ontwikkelaars werken actief aan deze ontwikkelingen en er zijn veelbelovende resultaten. Door de algoritmen en technieken die worden gebruikt om ChatGPT te trainen te optimaliseren, kunnen we de hoeveelheid water die nodig is verminderen en de technologie duurzamer maken. Lees meer over duurzame AI-ontwikkeling op onze website.
Hitte hergebruiken
De hitte kan hergebruikt worden door warmte wisselaars in te zetten voor het koelen van de servers. De hitte opslaan in boiler vaten of ondergronds voor verwarming van wijken en huizen. Het water zal dan in een gesloten systeem komen.
Hernieuwbare energiebronnen gebruiken
Een andere benadering is om hernieuwbare energiebronnen te gebruiken om de datacenters te voeden waar ChatGPT wordt getraind. Dit omvat zonne-, wind- en waterkracht, waardoor de koolstofvoetafdruk van ChatGPT en andere AI-technologieën aanzienlijk kan worden verminderd. Door hernieuwbare energiebronnen te gebruiken, kunnen we ervoor zorgen dat de energie die wordt gebruikt om deze modellen te trainen niet bijdraagt aan klimaatverandering en andere milieukwesties.
Levensduur meenemen
Het is ook belangrijk om de levensduur van AI-technologieën zoals ChatGPT te overwegen. Eenmaal getraind, kunnen deze modellen jaren, zelfs decennia, worden gebruikt zonder extra training nodig te hebben. Door langdurige AI-modellen te ontwikkelen, kunnen we de behoefte aan frequente hertraining verminderen, wat een aanzienlijke impact kan hebben op het milieu.
Samenvatting
Samenvattend is duurzaamheid van AI-technologieën zoals ChatGPT een urgent probleem dat directe aandacht vereist. Hoewel het waterverbruik van ChatGPT een zorg is, zijn er stappen die kunnen worden ondernomen om de impact op het milieu te verminderen. Door efficiëntere algoritmen en technieken te gebruiken, datacenters te voeden met hernieuwbare energie en langdurige AI-modellen te ontwikkelen, kunnen we kunstmatige intelligentie duurzamer maken en onze planeet beschermen voor toekomstige generaties.
Er zijn veel onderzoekers en ontwikkelaars die werken aan het duurzamer maken van AI-modellen zoals ChatGPT. Een van de manieren waarop dit wordt aangepakt, is door efficiëntere algoritmen en technieken te ontwikkelen die minder waterintensieve training vereisen.
Bronnen:
- Universiteit Cornell feb-2023 https://arxiv.org/abs/2303.01980
- Universiteit Cornell https://arxiv.org/abs/2010.13382
- nature.com 2020: https://www.nature.com/articles/s42256-020-0219-9
- Making AI Less “Thirsty”: Uncovering and Addressing the Secret Water Footprint of AI Models
https://arxiv.org/pdf/2304.03271.pdf
Er kan in scholar google diverse onderzoeken en papers opgezocht en ingelezen worden
Co2 calculator machine learning
