Cómo reducir el impacto ambiental de las soluciones de IA

La Inteligencia Artificial (IA) ha evolucionado desde su entusiasmo inicial hasta ser ampliamente utilizada para el reconocimiento de patrones y la simulación de la inteligencia humana, contribuyendo significativamente a la economía global y la creación de empleo. Sin embargo, el impacto ambiental de la IA, debido a sus altas necesidades computacionales y las grandes huellas de carbono de los centros de datos, presenta desafíos importantes.

Estos efectos deben ser mitigados en la mayor medida posible y esta es una tarea que los arquitectos de soluciones y desarrolladores no pueden ignorar ni dejar de lado. Desarrollar una solución de IA considerando estrategias de reducción del impacto ambiental es crucial para construir una solución amigable con el medio ambiente.

Por Alvaro Soria y Nicolas Cieri, Solution Architects en GlobalLogic Latam.

Introducción

Hoy en día, la tecnología de Inteligencia Artificial (IA) ha superado su fase inicial de entusiasmo y ahora se utiliza ampliamente para aprender, adaptarse, reconocer patrones y simular la inteligencia humana a gran escala. En particular, la aplicación de la IA en aplicaciones medioambientales tendrá el potencial de contribuir hasta 5.2 billones de dólares a la economía global para 2030, resultando en un aumento del 4.4% en comparación con el escenario de negocios habitual. Esta transición hacia la IA también se espera que cree 38.2 millones de nuevos empleos, con más oportunidades para ocupaciones calificadas.

Sin embargo, las soluciones de IA vienen con varios inconvenientes cuando consideramos el impacto ambiental de esta nueva tecnología. Algunos de los desafíos ambientales más importantes que afectan la sostenibilidad de la solución incluyen necesidades computacionales significativas, una gran huella de carbono de los centros de datos y la gestión compleja del ciclo de vida del hardware. Entre los modelos de IA, los de aprendizaje profundo, como los Modelos de Lenguaje Grande (LLM), requieren una gran cantidad de electricidad durante largos períodos cuando se entrenan modelos avanzados de IA, y ejecutar estos modelos también demanda recursos computacionales sustanciales.

Para apoyar esta alta demanda de recursos computacionales, los centros de datos, que a menudo dependen de fuentes de energía no renovables, necesitan una refrigeración extensiva que contribuye significativamente a las emisiones de gases de efecto invernadero. Además, la infraestructura informática, que abarca CPU, GPU, TPU, servidores y centros de datos, tiene altos costos ambientales a lo largo de la cadena de suministro del hardware, desde la fabricación hasta la eliminación, como el aumento de residuos electrónicos y el consumo de energía.

En el panorama en evolución de la IA, las principales preocupaciones respecto a su impacto ambiental parecen centrarse en mejorar la eficiencia energética, usar energía renovable y desarrollar soluciones de hardware sostenibles. En este contexto, los arquitectos de soluciones y desarrolladores de IA deben adherirse a los principios y directrices de sostenibilidad. En particular, deben entender y mitigar el impacto ambiental asociado con estas tecnologías. Las siguientes secciones introducirán los consejos de diseño y herramientas más relevantes para poder apoyar las acciones necesarias para reducir este impacto ambiental.

Consejos de diseño para reducir el daño ambiental de la IA

En esta sección exploraremos las directrices relevantes que los arquitectos de soluciones y desarrolladores deben seguir para reducir la huella de carbono de las soluciones basadas en la nube de IA. Primero, deben asegurar la eliminación de recursos inactivos usando tecnologías sin servidor y automatización del entorno. Segundo, deben centrarse en minimizar el procesamiento y almacenamiento de datos innecesarios, y utilizar el procesamiento asíncrono tanto como sea posible. Finalmente, la eficiencia de la CPU debe mejorarse utilizando versiones simplificadas de algoritmos y compilación de modelos. Estas recomendaciones se adhieren a las mejores prácticas y objetivos dirigidos a reducir el impacto ambiental de las soluciones en la nube basadas en IA.

Algunas de las estrategias más efectivas para minimizar el impacto ambiental de la Inteligencia Artificial (IA) son las siguientes. Primero, priorizar proveedores que obtengan electricidad de fuentes de energía renovable para reducir las emisiones de carbono. Además, emplear métodos computacionales que ahorren energía e incorporar herramientas como tarjetas de modelos para evaluar la huella de carbono de las actividades de IA, integrando estos datos en el programa general de monitoreo de carbono de la empresa. Algunos de los proveedores de nube más conocidos ofrecen este tipo de herramientas, tales como: AzureCarbonMonitoringTool, AWSCarbonMonitoringTool y GoogleCarbonMonitoringTool. Segundo, usar conjuntos de datos y modelos públicamente disponibles existentes, y ajustarlos según sea necesario, puede ahorrar energía y recursos en comparación con la creación de nuevos modelos desde cero. También es importante evitar el sobreentrenamiento de los modelos de IA; entrenar hasta el más alto grado de precisión no siempre es necesario y puede ser ambientalmente costoso. Optar por modelos más pequeños y dimensionados correctamente que sean más eficientes energéticamente. Según el tipo de procesamiento de IA que su proyecto necesite, puede elegir uno de los siguientes ejemplos: Common Crawl, GPT-3, DALL-E, CLIP. Finalmente, evalúe críticamente si la Inteligencia Artificial Generativa (GenAI) es esencial para el proyecto y considere alternativas menos intensivas en energía cuando sea apropiado.

Herramientas en proveedores de hiperescala para reducir la huella de carbono de la IA

Para alinearse con estos objetivos, los principales proveedores de nube ofrecen los siguientes servicios para optimizar y reducir el consumo de energía:

AWS ofrece Amazon SageMaker, que es un servicio completamente administrado para construir, entrenar y desplegar modelos de aprendizaje automático. El servicio incluye características como la optimización automática de modelos y la optimización de costos, lo que puede ayudar a reducir el consumo de energía del entrenamiento y despliegue de modelos. Se utiliza en la industria energética para predecir y optimizar el rendimiento de turbinas eólicas, lo que puede ayudar a aumentar la producción de energía y reducir la necesidad de combustibles fósiles. Google proporciona una Plataforma de IA en la nube con una gama de servicios para construir y desplegar modelos de aprendizaje automático, incluyendo AutoML, que automatiza el proceso de construcción de modelos personalizados. Esto puede ayudar a reducir la cantidad de recursos computacionales necesarios para entrenar modelos y ha sido utilizado por la industria del transporte para optimizar rutas y reducir el consumo de combustible para flotas de vehículos, incluidos taxis y camiones de reparto. Finalmente, Azure ofrece Azure Machine Learning (AzureML), que es un servicio basado en la nube para construir, entrenar y desplegar modelos de aprendizaje automático. El servicio incluye características como el aprendizaje automático automatizado y la gestión de modelos, lo que puede ayudar a reducir el consumo de energía de la construcción y despliegue de modelos. Esto ha sido utilizado por la industria minorista para optimizar la gestión de inventarios y reducir el desperdicio, lo que puede ayudar a reducir el impacto ambiental de la sobreproducción y los bienes no vendidos.

Conclusión

La integración de la Inteligencia Artificial (IA) en varios sectores promete crecimiento económico y creación de empleo. Sin embargo, esta contribución a la economía global no viene sola. La IA tiene un impacto ecológico significativo y no puede ser pasado por alto. Algunos de los desafíos de sostenibilidad más serios y relevantes que presenta la IA están relacionados con las altas demandas computacionales, el considerable consumo de energía asociado con el procesamiento en centros de datos y la gestión del ciclo de vida del hardware.

En este contexto, los arquitectos de soluciones y desarrolladores de IA deben diseñar aplicaciones de IA centrándose principalmente en priorizar la eficiencia energética, usar centros de datos respaldados por fuentes de energía renovable y desarrollar soluciones de hardware sostenibles. De esta manera, podemos reducir sustancialmente la huella ecológica de los nuevos y actuales desarrollos de IA.

Afortunadamente, la oferta de herramientas y servicios diseñados para optimizar el consumo de energía y apoyar los esfuerzos de sostenibilidad está aumentando. Los principales proveedores de nube como AWS, Google y Azure están colaborando con los principales actores de IA: Google y DeepMind están desarrollando un sistema de recomendación basado en IA que optimiza la eficiencia energética de los centros de datos, y el programa AI for Earth de Microsoft, que proporciona herramientas en la nube y de IA a investigadores que trabajan en desafíos ambientales.

En resumen, aunque la IA ofrece un potencial transformador, su crecimiento necesita ser planificado cuidadosamente para que sus beneficios no vengan a expensas de nuestro planeta.

Esta publicación fue escrita por Álvaro Soria y Nicolas Cieri.