预测间隔

OC3-2025-TES-01

g-ai.1绿色AI指标关键字：绿色AI指标；计算成本；能源使用监视；能源效率；可持续性。监测绿色AI指标的最先进状态侧重于开发标准化，准确的指标，以衡量AI在其整个生命周期中对环境的影响。这些指标旨在评估AI体系结构的性能准确性，还为能源效率和减少碳排放，包括硬件制造的影响。重大工作旨在估算各种AI模型的计算效率，例如浮点操作（Flops），促进在固定计算预算下的比较，对于资源有限的中小企业至关重要。在行业中，有一项运动旨在将绿色AI原则整合到系统开发中，以促进效率和鲁棒性，而不仅仅是仅依靠最新的硬件进展。包括大语言模型（LLMS）在内的生成AI的广泛采用进一步强调了由于其庞大的计算要求而解决的紧迫性。这一趋势强调了开发和采用绿色AI指标以监视，报告和优化能源使用的重要性，同时还可以在物联网设备和远程部署等低功率环境中启用资源高效的解决方案。科学挑战是监测绿色AI指标的主要科学挑战之一在于在各种AI系统体系结构之间建立和标准化这些指标。如何计算这些指标的透明度对于防止误解或滥用至关重要。这不仅包括算法效率和准确性的计算，还包括从硬件生产到操作部署的整个AI生命周期的环境影响。这些指标的可靠性是另一个关键挑战，确保测量值是一致，可再现和代表现实世界使用情况的另一个关键挑战。研究人员必须努力应对普遍接受的指标的缺乏，以及评估AI技术的全部环境足迹所需的综合数据的有限可用性。这一挑战是由跨学科协作的需求加剧了，以确保任何发达的指标在技术上都是合理的，而且具有环境意义。这一挑战的目标之一是创建一套标准化的绿色AI指标，以平衡性能与能源效率之间，指导既有强大又可持续的AI系统的设计。为了进行全面的建议，研究人员将需要访问当前的AI模型，能源消耗数据和跨部门环境影响评估，以及在这些新指标下对AI体系结构进行仿真和评估的工具。当今存在多种工具研究活动，可用于实时估算培训和使用AI模型的碳排放。但是，这些工具通常仅限于特定环境，在覆盖范围和适应性方面留下了很大的差距。这里的研究活动应着重于通过在以前未考虑的上下文中提供新工具来填补空白。可能的主机组织在代码级别上，现有工具通常是开发基于AI的算法时可以使用的Python库。需要使用新的实时工具，以不同的和更低级的语言进行编程，例如C/C ++。这样的工具可以在资源约束环境中实现更广泛的兼容性和性能。还需要在更广泛的平台上（例如边缘设备和非标准计算系统）部署工具。研究活动可能包括开发C/C ++工具/库的开发，用于在培训和使用AI模型时提供与CO2排放和用电使用相关的不同指标。焦点被建议放在深度学习算法和工业场景上，涉及机器人技术和机器视觉，例如废物分类应用程序或拆卸操作。此外，研究必须解决这些工具的准确性，可伸缩性和解释性，以确保它们在技术上不健壮，而且可以用于实际部署。与应用于横截面数据的LLM和模型相反，测量时间序列算法的排放存在差距。尤其是，大多数评估这些算法（例如Makridakis竞赛）的性能的大多数比赛都只关注预测能力（有时在点预测和预测间隔中）。因此，需要在这些竞争中包括计算效率指标。预期的结果研究结果将导致开发新工具和新基准，这对开发基于AI的算法的任何人都可能有益。我们认为，应开发和测试指标混合预测能力和效率（低计算成本 - 排放），以便可以比较时间序列模型并在这两个维度中进行排名。恩菲尔德项目旨在为科学社区的新颖工具，指标和指导提供在各种用例中开发绿色算法的指导。预计将通过发表的论文，开源法规和有针对性的传播活动来传播这些结果，从而确保广泛的可访问性和影响力。这一挑战不仅在于降低计算成本，还涉及重塑AI在应对全球可持续性挑战中的作用。通过开发可靠的，标准化的绿色AI指标，我们可以指导下一代AI技术来实现更环保的创新。