Inteligência Artificial Verde e Quantização em Modelos de Aprendizagem Profunda
Resumo
As preocupações com o meio ambiente têm assumido um papel cada vez maior na sociedade. A Inteligência Artificial (IA), por meio da Aprendizagem Profunda (AP), oferece ferramentas úteis no tratamento das questões ambientais. Apesar do crescente potencial dos modelos de AP, esses costumam demandar grande poder computacional, resultando em elevados níveis de consumo energético e pegada de carbono. A IA Verde se propõe a desenvolver modelos de AP que equilibrem eficiência energética e desempenho, a fim de diminuir o impacto ambiental. Este trabalho foca na quantização como uma forma de atingir os objetivos da IA Verde, comparando como a quantização de precisão mista impacta o consumo energético e o desempenho de algumas redes neurais para visão computacional. Os resultados experimentais apontam que a quantização pode levar à construção de modelos energeticamente mais eficientes e ainda assim efetivos, promovendo uma abordagem mais sustentável.
Referências
Aggarwal, C. C. (2023). Neural Networks and Deep Learning: A Textbook. Springer Publishing Company, Incorporated, 2nd edition.
Amodei, D. and Hernandez, D. (2018). AI and Compute. [link]. Acesso em: 27 set. 2024.
Bouza, L., Bugeau, A., and Lannelongue, L. (2023). How to estimate carbon footprint when training deep learning models? a guide and review. Environmental Research Communications, 5(11):115014.
Breder, G., Brum, D., Dirk, L., and Ferro, M. (2024). O paradoxo da ia para sustentabilidade e a sustentabilidade da ia. In Anais do V Workshop sobre as Implicações da Computação na Sociedade, pages 105–116, Porto Alegre, RS, Brasil. SBC.
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.
Ferraro, V., Gullo, G., Costa, D., and Moura, P. (2024). Aprendizagem profunda e inteligência artificial verde: Caminhos para um futuro mais sustentável. In Anais do XV Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 159–168, Porto Alegre, RS, Brasil. SBC.
Gholami, A., Kim, S., Dong, Z., Yao, Z., Mahoney, M. W., and Keutzer, K. (2021). A survey of quantization methods for efficient neural network inference. CoRR, abs/2103.13630.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. arXiv.org.
Krizhevsky, A. (2009). Learning multiple layers of features from tiny images. Technical Report TR-2009, University of Toronto.
Krizhevsky, A., Sutskever, I., and Hinton, G. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
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.
Lottick, K., Susai, S., Friedler, S. A., and Wilson, J. P. (2019). Energy usage reports: Environmental awareness as part of algorithmic accountability. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT*).
Luccioni, S., Jernite, Y., and Strubell, E. (2024). Power hungry processing: Watts driving the cost of ai deployment? In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency, FAccT ’24, page 85–99, New York, NY, USA. Association for Computing Machinery.
Micikevicius, P., Narang, S., Alben, J., Diamos, G., Elsen, E., Garcia, D., Ginsburg, B., Houston, M., Kuchaiev, O., Venkatesh, G., and Wu, H. (2018). Mixed precision training.
Organização das Nações Unidas (2015). Transformando nosso mundo: a agenda 2030 para o desenvolvimento sustentável. [link]. Acesso em: 12 mar. 2025.
Rajput, S. and Sharma, T. (2024). Benchmarking emerging deep learning quantization methods for energy efficiency. In 2024 IEEE 21st International Conference on Software Architecture Companion (ICSA-C), pages 238–242.
Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12):54–63.
Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In International Conference on Learning Representations (ICLR). arXiv:1409.1556.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR), pages 1–9.
Wolff Anthony, L. F., Kanding, B., and Selvan, R. (2020). Carbontracker: Tracking and predicting the carbon footprint of training deep learning models. [link].
Amodei, D. and Hernandez, D. (2018). AI and Compute. [link]. Acesso em: 27 set. 2024.
Bouza, L., Bugeau, A., and Lannelongue, L. (2023). How to estimate carbon footprint when training deep learning models? a guide and review. Environmental Research Communications, 5(11):115014.
Breder, G., Brum, D., Dirk, L., and Ferro, M. (2024). O paradoxo da ia para sustentabilidade e a sustentabilidade da ia. In Anais do V Workshop sobre as Implicações da Computação na Sociedade, pages 105–116, Porto Alegre, RS, Brasil. SBC.
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.
Ferraro, V., Gullo, G., Costa, D., and Moura, P. (2024). Aprendizagem profunda e inteligência artificial verde: Caminhos para um futuro mais sustentável. In Anais do XV Workshop de Computação Aplicada à Gestão do Meio Ambiente e Recursos Naturais, pages 159–168, Porto Alegre, RS, Brasil. SBC.
Gholami, A., Kim, S., Dong, Z., Yao, Z., Mahoney, M. W., and Keutzer, K. (2021). A survey of quantization methods for efficient neural network inference. CoRR, abs/2103.13630.
He, K., Zhang, X., Ren, S., and Sun, J. (2015). Deep residual learning for image recognition. arXiv.org.
Krizhevsky, A. (2009). Learning multiple layers of features from tiny images. Technical Report TR-2009, University of Toronto.
Krizhevsky, A., Sutskever, I., and Hinton, G. (2012). Imagenet classification with deep convolutional neural networks. Advances in neural information processing systems, 25.
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.
Lottick, K., Susai, S., Friedler, S. A., and Wilson, J. P. (2019). Energy usage reports: Environmental awareness as part of algorithmic accountability. Proceedings of the Conference on Fairness, Accountability, and Transparency (FAT*).
Luccioni, S., Jernite, Y., and Strubell, E. (2024). Power hungry processing: Watts driving the cost of ai deployment? In Proceedings of the 2024 ACM Conference on Fairness, Accountability, and Transparency, FAccT ’24, page 85–99, New York, NY, USA. Association for Computing Machinery.
Micikevicius, P., Narang, S., Alben, J., Diamos, G., Elsen, E., Garcia, D., Ginsburg, B., Houston, M., Kuchaiev, O., Venkatesh, G., and Wu, H. (2018). Mixed precision training.
Organização das Nações Unidas (2015). Transformando nosso mundo: a agenda 2030 para o desenvolvimento sustentável. [link]. Acesso em: 12 mar. 2025.
Rajput, S. and Sharma, T. (2024). Benchmarking emerging deep learning quantization methods for energy efficiency. In 2024 IEEE 21st International Conference on Software Architecture Companion (ICSA-C), pages 238–242.
Schwartz, R., Dodge, J., Smith, N. A., and Etzioni, O. (2020). Green ai. Communications of the ACM, 63(12):54–63.
Simonyan, K. and Zisserman, A. (2015). Very deep convolutional networks for large-scale image recognition. In International Conference on Learning Representations (ICLR). arXiv:1409.1556.
Szegedy, C., Liu, W., Jia, Y., Sermanet, P., Reed, S., Anguelov, D., Erhan, D., Vanhoucke, V., and Rabinovich, A. (2015). Going deeper with convolutions. In Proceedings of the IEEE conference on computer vision and pattern recognition (CVPR), pages 1–9.
Wolff Anthony, L. F., Kanding, B., and Selvan, R. (2020). Carbontracker: Tracking and predicting the carbon footprint of training deep learning models. [link].
Publicado
20/07/2025
Como Citar
GONÇALVES, Eduardo F.; MOURA, Pedro Nuno de S.; COSTA, Daniel da S.; ALVIM, Adriana C. F..
Inteligência Artificial Verde e Quantização em Modelos de Aprendizagem Profunda. In: WORKSHOP DE COMPUTAÇÃO APLICADA À GESTÃO DO MEIO AMBIENTE E RECURSOS NATURAIS (WCAMA), 16. , 2025, Maceió/AL.
Anais [...].
Porto Alegre: Sociedade Brasileira de Computação,
2025
.
p. 186-195.
ISSN 2595-6124.
DOI: https://doi.org/10.5753/wcama.2025.8923.
