تسعى البحوث الحديثة إلى تحقيق توازن بين تطوير الذكاء الاصطناعي وحماية البيئة، ومن أبرز هذه الجهود هي دراسة جديدة تناولت التعلم الفيدرالي (Federated Learning) وطريقة قياس أثره البيئي. فالتعلم الفيدرالي يسمح بتدريب النماذج بشكل تعاوني عبر بيانات موزعة مع الحفاظ على خصوصية المستخدم، ولكن قلة التوحيد في قياسات التأثير البيئي جعلت من الصعب مقارنة الدراسات المختلفة.

ويقدم الباحثون منهجية عملية جديدة لحساب كمية انبعاثات ثاني أكسيد الكربون (CO2e) خلال مراحل التعلم الفيدرالي باستخدام أدوات مثل NVIDIA NVFlare و CodeCarbon. تشمل هذه المهام تحديد مراحل مثل التهيئة، التدريب الدوري، التقييم، والأوقاتIdle/Coordination ، وذلك لتقديم صورة دقيقة عن التأثير البيئي.

بالإضافة إلى حساب الانبعاثات الهامة من الحوسبة، تم أيضًا تقدير انبعاثات الطاقة الناتجة عن حجم تحديثات النماذج المرسلة، مما يساعد في فهم الأثر البيئي بشكل شامل.

قاد البحث تجارب متعددة، منها تصنيف الصور باستخدام مجموعة بيانات CIFAR-10، حيث أظهرت النتائج أن التضييق من الكفاءة النظامية يمكن أن يزيد من الانبعاثات الكربونية بشكل كبير.

كما تم اختبار خوارزميات مختلفة خلال تقسيم قرص العين الشبكي، مما كشف عن تفاوتات ملحوظة في استهلاك الطاقة والانبعاثات بين نماذج GPU مختلفة، ممّا يشدد على أهمية الإبلاغ عن النتائج بشكل مفصل لكل موقع وكل جولة.

بصورة عامة، تدعم النتائج الاقتراح بضرورة وجود منهجيات موحدة لحساب انبعاثات الكربون، كخطوة حيوية نحو تقييم أكثر دقة وتأثيرًا أخضر للتعلم الفيدرالي. للاطلاع على الشيفرة المستخدمة في هذا البحث يمكنك زيارة الرابط.

ما رأيكم في أهمية هذه المبادرات لتحقيق بيئة مستدامة؟ شاركونا آرائكم في التعليقات!