.jpg)
Durch
Leonardo Palma Batista
Diesen Beitrag teilen
In einer Zeit, in der Nachhaltigkeit an erster Stelle steht, ist die Schnittstelle zwischen KI und grünen Initiativen ein Thema von wachsendem Interesse. Bei einer kürzlich stattgefundenen GreenAIdeas-Veranstaltung haben wir zwei Perspektiven untersucht: Wie KI zu umweltfreundlicheren Praktiken beitragen kann und wie wir KI selbst nachhaltiger gestalten können. Karthik Govindappa, Leiter der Abteilung für Datenwissenschaft und maschinelles Lernen bei nyris, stellte eine der Initiativen von nyris vor, mit denen unsere Modelle für maschinelles Lernen nachhaltiger gestaltet werden sollen.
Die doppelte Herausforderung
Die Herausforderung ist zweigeteilt. Einerseits möchten wir KI nutzen, um Prozesse und Systeme zu optimieren, wie beispielsweise nyris und seine visuelle Suchlösung für Ersatzteile und Produkte. KI hilft unseren Nutzern, mit nur einem Klick zu identifizieren, was sie sehen. Andererseits müssen wir sicherstellen, dass die von uns entwickelten KI-Modelle selbst effizient und umweltfreundlich sind, denn zwei Drittel der Energie, die zum Betrieb von Anwendungen auf Ihrem Smartphone benötigt wird, stammt nicht aus Ihrem Smartphone. Die Energie stammt von Servern, auf denen unsere Modelle in der Cloud laufen. Das Problem ist, dass es keine Cloud gibt, sondern nur einen weiteren Computer, und dieser Computer verbraucht wie alles andere auch Energie auf Kohlenstoffbasis.
Ein suchbasierter Ansatz
Wir gehen diese Herausforderung als Suchproblem an. Wir durchsuchen unsere Informationsdatenbank, um die richtigen Lösungen zu finden. Dazu erweitern wir unsere Suchfunktionen und aktualisieren Informationen, um unseren Kunden die umweltfreundlichsten Modelle anbieten zu können.
Die Rolle von Vorbildern
Modelle spielen in unserem Geschäft eine entscheidende Rolle. Wir verwenden neuronale Netze, um Bilddaten in Code zu komprimieren, den wir dann in unsere Suchmaschine einspeisen. Diese dynamische Komponente unserer Pipeline bedient vielfältige Kunden und erfordert ständige Aktualisierungen, um die Zufriedenheit sicherzustellen.
Der Experimentierzyklus
Die Aktualisierung und Ersetzung von Modellen ist ein zyklischer Prozess. Er umfasst das Erfassen von Anforderungen, das Sammeln der richtigen Daten, das Trainieren und Validieren von Modellen und schließlich deren Bereitstellung. Dieser Zyklus ist jedoch zeitaufwändig, ressourcenintensiv und mit erheblichen Auswirkungen auf die Umwelt verbunden.
Vereinfachung des Prozesses
Um diesen Prozess zu vereinfachen, haben wir eine Methode zur Auswahl von Modellen entwickelt. Diese umfasst zwei Auswahlstufen. In der ersten Stufe werden Modelle ausgewählt, die mit unserem Framework für maschinelles Lernen kompatibel sind. In der zweiten Stufe erfolgt eine spezifischere Auswahl auf der Grundlage unserer Problemstellung.
Clusteranalyse
Wir verwenden eine Clusteranalyse, um unsere Modellauswahl weiter zu verfeinern. Dazu arbeiten wir mit Bild-Embeddings und bewerten, wie gut diese Embeddings geclustert sind. Das Ergebnis ist eine Auswahlliste von Modellen, die in unserem spezifischen Anwendungsfall gut funktionieren.
Feinabstimmung und Ergebnisse
Nachdem wir unsere Modelle in die engere Wahl genommen haben, unterziehen wir sie einem Feinabstimmungsprozess. Die Ergebnisse sind vielversprechend, da die Anzahl der für die Experimente erforderlichen Modelle deutlich reduziert werden konnte.
Das Fazit
Unsere ersten Experimente waren vielversprechend, und wir freuen uns darauf, diesen Ansatz auf weitere praktische Probleme anzuwenden. Diese Methode vereinfacht nicht nur den Modellauswahlprozess, sondern spart auch Zeit und Ressourcen, wodurch der Prozess nachhaltiger wird.
Zukünftige Richtungen
Wir möchten die Auswirkungen dieses Ansatzes auf unsere Mission quantifizieren und diese Studie auf andere Bereiche ausweiten. Außerdem interessiert uns, wie diese Methode auf andere Arten von Daten, beispielsweise 3D-Daten, angewendet werden kann.
Zusammenfassend lässt sich sagen, dass unser Ansatz für grüne KI ein Beweis für die Leistungsfähigkeit nachhaltiger Praktiken im Bereich des maschinellen Lernens ist. Durch die Vereinfachung und Effizienzsteigerung unserer Prozesse tragen wir zu einer grüneren Zukunft für KI bei.
