El aprendizaje automático o machine learning se ha vuelto una herramienta imprescindible en las tecnologías de la información aunque, si bien es indiscutible los avances propiciados por estas tecnologías, el auge en su uso ha hecho que se despierte cierta preocupación cómo de sostenible son determinados avances tecnológicos.
Hablamos, fundamentalmente, en términos de huella de carbono, es decir, de emisión de gases con efecto invernadero. Esta preocupación, lógicamente, ha avivado el debate acerca de las emisiones de CO2 que genera el aprendizaje automático, pero también ha puesto en evidencia la necesidad de disponer de datos precisos para evaluar de manera real la huella de carbono y, así, identificar las estrategias más adecuadas para mitigarla.
Según señala David Patterson, Distinguished Engineer de Brain Team de Google Research, el artículo La huella de carbono generada por el entrenamiento de aprendizaje automático se estabilizará y luego disminuirá , que fue aceptado para publicación en IEEE Computer, refleja precisamente las emisiones operacionales de CO2, es decir, los costes energéticos derivados del funcionamiento de esta tecnología.
También, se analizan las prácticas idóneas para reducir esas emisiones, contribuyendo de este modo a mantener el consumo energético derivado del uso del machine learning por debajo del 15% del consumo energético total de Google.
Las 4Ms: las mejores prácticas para reducir la huella energética y de carbono
Se han identificado cuatro buenas prácticas que reducen considerablemente el consumo de energía y las emisiones de CO2. Todas ellas son utilizadas por Google hoy y están disponibles y al alcance de cualquiera que utilice los servicios de Google Cloud.
Estas cuatro prácticas, también llamadas las 4Ms, pueden reducir 100 veces el consumo de energía, lo que supondría reducir en 1.000 veces las emisiones de carbono.
Model
Elegir modelos de machine learning eficientes, como es el caso de los modelos dispersos, puede reducir la computación entre 3 y 10 veces al mismo tiempo que mejora la calidad del proceso.
Machine
Utilizar procesadores y sistemas especializados para el aprendizaje automático en lugar de procesadores de uso general, ya que mejorará el rendimiento y la eficiencia energética entre 2 y 5 veces.
Mechanization
La computación en la nube reduce entre 1,4 y 2 veces el consumo de energía (y por lo tanto las emisiones) en comparación con la computación física. Los centros de datos en la nube son nuevos almacenes personalizados y preparados para la eficiencia energética de 50.000 servidores, lo que resulta en una muy buena efectividad en el uso de energía (PUE – Power Usage Effectiveness). Además, los centros de datos físicos suelen ser más antiguos y más pequeños, lo que impide amortizar el coste que supone la instalación de nuevos sistemas eficientes de refrigeración y distribución de energía.
Map optimization
Además, la nube permite a los clientes elegir las ubicaciones que disponen de la energía más limpia, lo que reduce otras 5-10 veces la huella de carbono bruta. Podría surgir la preocupación de que la optimización geográfica llegue a provocar un exceso de ocupación en las ubicaciones más ecológicas; sin embargo, ante un aumento de solicitudes de centros de datos eficientes dará como resultado un avance continuo en el diseño y la implementación de centros de datos ecológicos.
Cabe señalar que Google iguala el 100% de su consumo de energía operativa con energías renovables. Del mismo modo, se ha comprometido a descarbonizar todo su consumo de energía para llegar a 2030 con un consumo 100% libre de carbono las 24 horas del día, utilizando la misma red en la que consume la energía. Algunos centros de datos de Google ya funcionan con un 90% de energía limpia, siendo la evolución de nuestro consumo de energía limpia de un 61% en 2019 y un 67% en 2020.
