Aprendizagem Profunda e Inteligência Artificial Verde: Caminhos para um Futuro mais Sustentável

• Vívian R. G. Ferraro UNIRIO
• Gabriel Gullo UNIRIO
• Daniel da Silva Costa UNIRIO
• Pedro Nuno de S. Moura UNIRIO

DOI: https://doi.org/10.5753/wcama.2024.3033

Resumo

Na última década, houve avanços significativos nos resultados alcançados por modelos de Aprendizagem Profunda e uma ampla adoção desses na academia e na indústria. Embora esses modelos tenham potencial para auxiliar na gestão de recursos naturais e em questões ambientais, eles tipicamente demandam grande poder computacional, resultando em maiores gastos energéticos e também em grandes números de pegada de carbono. Este trabalho busca evidenciar e discutir o gasto energético envolvido no uso de modelos de redes neurais, comparando experimentalmente algumas arquiteturas em relação ao desempenho, à eficiência energética e ao custo computacional. Os resultados obtidos reforçam que é possível construir modelos que consumam menos energia e que tenham desempenho compatível com aqueles mais dispendiosos, contribuindo para uma abordagem mais sustentável.

Referências

Aggarwal, C. C. (2023). Neural Networks and Deep Learning: A Textbook. Springer Publishing Company, Incorporated, 2nd edition.

Desislavov, R., Martínez-Plumed, F., and Hernández-Orallo, J. (2023). Trends in ai inference energy consumption: Beyond the performance-vs-parameter laws of deep learning. Sustainable Computing: Informatics and Systems, 38:100857.

Dhar, P. (2020). The carbon impact of artificial intelligence. Nat. Mach. Intell., 2(8):423–425.

Douwes, C., Esling, P., and Briot, J.-P. (2021). Energy consumption of deep generative audio models. arXiv preprint arXiv:2107.02621.

He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. arXiv.org.

Howard, A. G., Zhu, M., Chen, B., Kalenichenko, D., Wang, W., Weyand, T., Andreetto, M., and Hartwig, A. (2017). Mobilenets: Efficient convolutional neural networks for mobile vision applications. arXiv.org.

Kelleher, J. D. (2019). Deep Learning. The MIT Press Essential Knowledge series, 1st edition.

Krizhevsky, A., Sutskever, I., and Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.

Krohn, J. and Beyleveld, G. ang Bassens, A. (2020). Deep Learning Illustrated. A Visual, Interactive Guide to Artificial Intelligence. Addison Wesley Data & Analytics Series.

Lacoste, A., Luccioni, A., Schmidt, V., and Dandres, T. (2019). Quantifying the carbon emissions of machine learning. arXiv.org.

LeCun, Y., Bottou, L., Bengio, Y., and Haffner, P. (1998). Gradient-based learning applied to document recognition. Proceedings of the IEEE, 86(11):2278–2324.

Lenherr, N., Pawlitzek, R., and Michel, B. (2021). New universal sustainability metrics to assess edge intelligence. Sustainable Computing: Informatics and Systems, 31:100580.

Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12):54–63.

Strubell, E., Ganesh, A., and McCallum, A. (2019). Energy and policy considerations for deep learning in nlp. arXiv preprint arXiv:1906.02243.

Wolff Anthony, L. F., Kanding, B., and Selvan, R. (2020). Carbontracker: Tracking and predicting the carbon footprint of training deep learning models. arXiv.org.