.avif)
Von
Leonardo Palma Batista
Diesen Beitrag teilen
Nachhaltigkeit steht weit oben auf der Agenda, und die Verbindung von KI und grünen Initiativen gewinnt an Interesse. Bei einem GreenAIdeas-Event haben wir zwei Perspektiven betrachtet: Wie KI zu grüneren Abläufen beiträgt und wie KI selbst nachhaltiger wird. Karthik Govindappa, Head of Data Science and Machine Learning bei nyris, stellte eine Initiative vor, mit der nyris seine Machine-Learning-Modelle nachhaltiger macht.
Die doppelte Herausforderung
Die Herausforderung hat zwei Seiten. Einerseits wollen wir KI nutzen, um Prozesse und Systeme zu optimieren, wie nyris mit seiner visuellen Suche für Ersatzteile und Produkte. KI hilft unseren Nutzern, mit einem Klick zu erkennen, was sie vor sich haben. Andererseits müssen die KI-Modelle, die wir entwickeln, selbst effizient und umweltfreundlich sein. Denn zwei Drittel der Energie für Anwendungen auf Ihrem Smartphone stammen nicht aus Ihrem Smartphone. Sie kommt von Servern, auf denen unsere Modelle in der Cloud laufen. Das Problem: Es gibt keine Cloud, es ist nur ein weiterer Computer. Und dieser Computer verbraucht dieselbe Energie aus fossilen Quellen wie alles andere.
Ein suchbasierter Ansatz
Wir behandeln diese Herausforderung als Suchproblem. Wir durchsuchen unsere Datenbank, um die passenden Modelle zu finden. Dazu erweitern wir unsere Suchfunktionen und aktualisieren die zugrunde liegenden Informationen, damit unsere Kunden die umweltfreundlichsten Modelle erhalten.
Die Rolle der Modelle
Modelle spielen in unserem Geschäft eine zentrale Rolle. Wir verwenden neuronale Netze, um Bilddaten in Code zu komprimieren, den wir dann in unsere Suchmaschine einspeisen. Diese dynamische Komponente unserer Pipeline bedient sehr unterschiedliche Kunden und erfordert ständige Updates, damit die Ergebnisse stimmen.
Der Experimentierzyklus
Modelle zu aktualisieren und zu ersetzen, ist ein zyklischer Prozess. Er umfasst das Erfassen der Anforderungen, das Sammeln der richtigen Daten, das Trainieren und Validieren der Modelle und schließlich das Deployment. Dieser Zyklus kostet jedoch Zeit, Ressourcen und belastet die Umwelt.
Den Prozess vereinfachen
Um diesen Prozess zu vereinfachen, haben wir eine Methode entwickelt, mit der wir Modelle gezielt auswählen. Die Auswahl läuft in zwei Stufen. In der ersten Stufe wählen wir Modelle aus, die zu unserem Framework für maschinelles Lernen passen. In der zweiten Stufe treffen wir eine spezifischere Auswahl anhand unserer Problemstellung.
Clusteranalyse
Wir setzen eine Clusteranalyse ein, um die Modellauswahl weiter zu verfeinern. Dazu arbeiten wir mit Bild-Embeddings und bewerten, wie gut diese Embeddings clustern. Das Ergebnis ist eine kurze Liste von Modellen, die in unserem Anwendungsfall gut abschneiden.
Feinabstimmung und Ergebnisse
Sobald die Liste steht, unterziehen wir die Modelle einer Feinabstimmung. Die Ergebnisse sind vielversprechend: Die Zahl der Modelle, die wir für Experimente brauchen, sinkt deutlich.
Das Fazit
Unsere ersten Experimente stimmen uns zuversichtlich, und wir wollen den Ansatz auf weitere praktische Aufgaben anwenden. Die Methode vereinfacht nicht nur die Modellauswahl, sie spart auch Zeit und Ressourcen und macht den Prozess nachhaltiger.
Ausblick
Wir wollen die Wirkung dieses Ansatzes auf unsere Mission messen und die Studie auf weitere Bereiche ausweiten. Uns interessiert außerdem, wie sich die Methode auf andere Datentypen übertragen lässt, etwa auf 3D-Daten.
Unser Ansatz für grüne KI zeigt, was nachhaltige Arbeitsweisen im maschinellen Lernen bewirken. Indem wir unsere Prozesse vereinfachen und effizienter machen, tragen wir zu einer grüneren Zukunft der KI bei.
