Vijay Gadepally, MIT Lincoln Laboratuvarı’nda kıdemli bir araştırmacı olarak birçok projeyi yönetmektedir. Bu projeler, Lincoln Laboratuvarı Süper Bilgisayar Merkezi (LLSC) çerçevesinde bilgisayar platformlarını ve bunlar üzerinde çalışan yapay zeka sistemlerini daha verimli hale getirmeyi hedefliyor. Gadepally, günlük araçlarda giderek artan generatif yapay zeka kullanımını, bunun gizli çevresel etkilerini ve Lincoln Laboratuvarı ile daha geniş yapay zeka topluluğunun sürdürülebilir bir gelecek için emisyonları azaltma yollarını tartışıyor.
Generatif Yapay Zeka Kullanım Trendleri
S: Generatif yapay zeka kullanımında hangi trendleri gözlemliyorsunuz?
A: Generatif yapay zeka, makine öğrenmesini (ML) kullanarak, giriş verilerine dayalı yeni içerikler, örneğin görüntüler ve metinler oluşturmak için kullanılan bir sistemdir. LLSC’de, dünyanın en büyük akademik bilgisayar platformlarından bazılarını tasarlayıp inşa etmekteyiz. Son birkaç yılda, yüksek performanslı bilgisayar erişimine ihtiyaç duyan projelerde hızla bir artış gözlemlemekteyiz. Generatif yapay zeka, sınıflardan iş yerlerine kadar her alanda değişiklikler yapmaya başladı; örneğin, ChatGPT, düzenlemelerin hızla yetişemediği bir biçimde eğitim ve iş dünyasında etkili olmaya başladı.
Gelecek on yıl içinde generatif yapay zekanın çok sayıda kullanımını hayal edebiliyoruz: son derece yetenekli sanal asistanların güçlendirilmesi, yeni ilaç ve malzemelerin geliştirilmesi ve temel bilimleri daha iyi anlama gibi. Ancak, daha karmaşık algoritmalar ve bu algoritmaların hesaplama, enerji ve iklim etkisinin hızla artacağını öngörebiliyoruz.
İklim Etkisini Azaltma Stratejileri
S: LLSC, bu iklim etkisini azaltmak için hangi stratejileri kullanıyor?
A: Hesaplamayı daha verimli hale getirme yolları arıyoruz. Bu sayede veri merkezimiz kaynaklarını en iyi şekilde kullanabiliyor ve bilim insanlarımız işlerini daha verimli bir biçimde ilerletebiliyor.
Örneğin, donanımımızın enerjisini azaltmak için basit değişiklikler yaptık; bu, bir odayı terk ettiğinizde ışıkları söndürmek gibi. Bir deneyde, grafik işlemciler grubunun enerji tüketimini, performanslarını minimal düzeyde etkileyerek, %20 ila %30 oranında azaltmayı başardık. Bu teknik, donanımın işletme sıcaklıklarını da düşürdü ve grafik işlemcilerimizin daha uzun ömürlü olmasını sağladı.
Bir diğer stratejimiz, iklime duyarlı davranışlarımızı değiştirmek. Evde, yenilenebilir enerji kaynaklarıyla veya akıllı planlamalarla seçimler yaparız. LLSC’de de bu tür teknikler kullanıyoruz; örneğin, AI modellerini soğuk hava koşullarında ya da yerel enerji talebinin düşük olduğu zamanlarda eğitmek gibi.
Enerji Tüketimini Azaltan Proje Örnekleri
S: Generatif yapay zeka programlarının enerji üretimini azaltan bir proje örneği verebilir misiniz?
A: Yakın zamanda iklim duyarlı bir bilgisayarlı görme aracı geliştirdik. Bilgisayarlı görme, yapay zekayı görüntülere uygulamakla ilgilidir; örneğin, bir görüntüdeki kediyi ve köpeği ayırt etmek veya bir görüntüdeki nesneleri doğru bir şekilde etiketlemek gibi.
Geliştirdiğimiz araçta, model çalışırken yerel şebekemizin ne kadar karbon ürettiğini gösteren gerçek zamanlı karbon telemetrisi ekledik. Bu bilgiye bağlı olarak, sistemimiz yüksek karbon yoğunluğu zamanlarında genellikle daha az parametreye sahip olan enerji verimli bir modeli veya düşük karbon yoğunluğu zamanlarında daha yüksek kaliteli bir modeli otomatik olarak seçiyor.
Bu uygulama sayesinde, tek bir ya da iki günlük bir süreçte karbondioksit emisyonlarında yaklaşık %80’lik bir azalma sağladık. Yakın zamanda, bu fikri metin özetleme gibi diğer generatif yapay zeka görevlerine de genişlettik ve benzer sonuçlar elde ettik. İlginç bir şekilde, bu tekniği kullanarak performansın bazen iyileştiğini gördük!
Kullanıcıların Rolü
S: Generatif yapay zeka tüketicileri olarak iklim etkisini azaltmak için ne yapabiliriz?
A: Tüketiciler olarak, yapay zeka sağlayıcılarımızdan daha fazla şeffaflık talep edebiliriz. Örneğin, Google Uçuşları üzerinde belirli bir uçağın karbon ayak izini gösteren çeşitli seçenekler görebiliyoruz. Benzer ölçümlerin generatif yapay zeka araçlarından da gelmesi gerektiğini düşünüyorum, böylece hangi ürün veya platformu kullanacağımız konusunda bilinçli kararlar verebiliriz.
Ayrıca, genel olarak generatif yapay zeka emisyonları konusunda daha eğitimli olmaya çalışmalıyız. Araç emisyonlarıyla ilgili bilgileri genellikle biliyoruz; dolayısıyla, generatif yapay zeka emisyonlarını karşılaştırmalı terimlerle tartışmak faydalı olabilir. Örneğin, bir görüntü oluşturma görevinin, bir benzinli araçla dört mil sürmeye eşdeğer olduğunu bilmek oldukça şaşırtıcı olabilir ya da 1,500 metin özeti oluşturmanın bir elektrikli aracı şarj etmekle aynı enerjiye mal olduğunu öğrenmek ilginçtir.
Birçok durumda, müşteriler etkiyi bildiklerinde belirli bir fedakarlığı yapmaya hevesli olabilirler.
Gelecek Beklentileri
S: Gelecek için ne görüyorsunuz?
A: Generatif yapay zekanın iklim etkisini azaltmak, dünya çapında insanların uğraştığı bir sorun ve bu konuda benzer bir hedefe sahipler. Lincoln Laboratuvarı’nda birçok çalışma yürütüyoruz, fakat bu sadece yüzeyde bir başlangıç. Uzun vadede, veri merkezleri, yapay zeka geliştiricileri ve enerji şebekeleri birlikte çalışarak “enerji denetimleri” gerçekleştirmeli ve bilgisayar verimliliklerini artırmak için farklı yollar bulmalıdır. İlerleyebilmek için daha fazla ortaklık ve iş birliği gerekiyor.
Bu çabalar hakkında daha fazla bilgi almak veya Lincoln Laboratuvarı ile iş birliği yapmak isterseniz, lütfen Vijay Gadepally ile iletişime geçin.
