Energy Consumption for Training and Inference of Machine Learning Models and Their Processes

Dieses Kapitel befasst sich mit dem Energieverbrauch und den Kohlenstoffemissionen, die mit der Ausbildung und Schlussfolgerung von Modellen des maschinellen Lernens (ML) und des tiefen Lernens (DL) verbunden sind. Darin werden verschiedene Algorithmen, ihre Nutzungsphasen und die Auswirkungen von Hardware-Entscheidungen auf die Energieeffizienz untersucht. Die Studie vergleicht traditionelle ML-Modelle wie Logistic Regression und Decision Tree Classifiers mit konvolutionalen neuronalen Netzwerken (CNNs) wie MobileNet, AlexNet und benutzerdefinierten CNNs. Die Forschungsergebnisse zeigen, dass einige Modelle wie SVM und VGG-16 energieintensiv sind, andere wie Gaußsche Naive Bayes und kundenspezifische CNNs jedoch ein Gleichgewicht zwischen Genauigkeit und Energieeffizienz bieten. Das Kapitel diskutiert auch die Umweltauswirkungen von KI-Anwendungen und die Notwendigkeit energieeffizienter Designmethoden. Es bietet wertvolle Einblicke in den Energieverbrauch von ML- und DL-Modellen und unterstreicht die Bedeutung energieeffizienter Algorithmen, um Anwendungen grün, schneller und leichter zu halten. Die Studie schließt mit Empfehlungen für leichte Schlüsse und Schulungen von ML-Modellen, die die Notwendigkeit eines Bewusstseins und Umweltbewusstseins bei der Entwicklung künstlicher Intelligenz betonen.