Data science

วงดนตรีสามารถลดคาร์บอนฟุตพริ้นท์ของแมชชีนเลิร์นนิงได้อย่างไร

การประยุกต์ใช้ปัญญาประดิษฐ์และแมชชีนเลิร์นนิงในเชิงพาณิชย์และอุตสาหกรรมกำลังปลดล็อกโอกาสทางเศรษฐกิจ เปลี่ยนแปลงวิธีการทำธุรกิจของเรา และแม้กระทั่งช่วยแก้ปัญหาทางสังคมและสิ่งแวดล้อมที่ซับซ้อน อันที่จริง การใช้งานเชิงกำเนิดของเทคโนโลยีนี้ได้กลายเป็นเครื่องมือสำหรับความยั่งยืนของสิ่งแวดล้อม ด้วยความสามารถของแมชชีนเลิร์นนิงในการวิเคราะห์และคาดการณ์โดยใช้กลุ่มข้อมูลขนาดใหญ่ แอปพลิเคชันเหล่านี้จึงสามารถจำลองการเปลี่ยนแปลงสภาพภูมิอากาศและความผันผวนได้อย่างแม่นยำ เพื่อให้สามารถปรับเปลี่ยนโครงสร้างพื้นฐานด้านพลังงานและการใช้พลังงานได้อย่างเหมาะสม น่าแปลกที่การฝึกโมเดลขนาดใหญ่ผ่านโครงข่ายประสาทเทียมลึกนั้นต้องการพลังในการคำนวณมหาศาล นอกจากนี้ยังผลิตพลังงานความร้อนจำนวนมากจากแต่ละหน่วยประมวลผลกราฟิก (GPU) ที่เกี่ยวข้องหรือหน่วยประมวลผลเทนเซอร์ (TPU) ที่ใช้ แรงผลักดันเพื่อให้ได้ความแม่นยำในระดับสูงได้เข้ามาแทนที่ความพยายามในการลดการปล่อยก๊าซคาร์บอนไดออกไซด์ของแมชชีนเลิร์นนิง อันที่จริง พลังการคำนวณที่จำเป็นในการฝึกโมเดล AI ที่ใหญ่ที่สุดสำหรับแต่ละรอบนั้นเพิ่มขึ้นเป็นสองเท่าทุก ๆ 3.4 เดือนนับตั้งแต่ 2012 ดังนั้นจึงมีการสนับสนุนมากขึ้นในการค้นหา AI และวิธีการเรียนรู้ของเครื่องที่ใช้พลังงานน้อยกว่ามาก วิธีหนึ่งดังกล่าวคือตระการตา ซึ่งนวัตกรรมล่าสุดในแบบจำลองการเรียนรู้ได้ลดความท้าทายในการตั้งค่าและใช้งานอัลกอริทึมประเภทนี้ แม้ว่าพวกเขาจะอยู่มาเป็นเวลานาน แต่วงดนตรีก็กลับมามีความสำคัญอีกครั้ง เนื่องจากไม่เพียงแต่ลดความซับซ้อนในการคำนวณเท่านั้น แต่ยังช่วยลดต้นทุนทางเศรษฐกิจและสิ่งแวดล้อมที่มักเกี่ยวข้องกับ AI ระบบนิเวศที่เกิดใหม่อีกครั้งของ Ensemble learning จะช่วยปรับปรุงผลลัพธ์การเรียนรู้ของเครื่องโดยการรวมโมเดลต่างๆ เข้าด้วยกัน แทนที่จะใช้โมเดลเดียว เพื่อลดความแปรปรวนและปรับปรุงลักษณะทั่วไป การใช้แบบจำลองที่หลากหลายทำให้สามารถคาดการณ์ได้ดีกว่า โดยพื้นฐานแล้ว ผู้เรียนที่อ่อนแอจะถูกรวมเข้าด้วยกันเพื่อสร้างผู้เรียนที่เข้มแข็ง ส่งผลให้มีการคาดการณ์ที่แม่นยำยิ่งขึ้น เราไม่จำเป็นต้องมองไปไกลกว่าการแข่งขันด้านวิทยาศาสตร์ข้อมูลเมื่อเร็วๆ นี้ เพื่อดูว่าวิธีการทั้งมวลได้ถูกนำมาใช้อย่างประสบความสำเร็จในการแก้ปัญหาที่ยากลำบากอย่างไร การใช้งานในโลกแห่งความเป็นจริงนั้นแม่นยำเช่นกันเมื่อพิจารณาว่านักวิจัยใช้เครือข่ายประสาทลึกเพื่อคาดการณ์ฮอตสปอตสำหรับไฟป่าในออสเตรเลียรวมถึงความถี่และความรุนแรง การคาดการณ์มีความถูกต้อง % และช่วยปูทางสำหรับการวิจัยทางวิทยาศาสตร์โดยมุ่งเป้าไปที่การทำความเข้าใจปัญหาสภาพภูมิอากาศของออสเตรเลียให้ดีขึ้น เมื่อฝึก Deep Neural Network ผลลัพธ์มักจะได้มาจาก Subnetwork ที่มีขนาดเล็กกว่ามากและเน้นไปที่งานเฉพาะ เครือข่ายขนาดเล็กเหล่านั้นใช้เวลาฝึกอบรมน้อยลง และในหลายกรณี เนื่องจากเครือข่ายเหล่านี้มีเป้าหมายสูง เครือข่ายเหล่านี้จึงไม่ต้องการการฝึกอบรมเพิ่มเติม เช่นเดียวกับกรณีที่มีการใช้งานจำกัดน้อยกว่า ด้วยเหตุนี้ เราจึงเริ่มเห็นการผลิตเครือข่ายย่อยที่มีขนาดเล็กลง และการสร้างระบบนิเวศของวงดนตรีที่รวมกันเป็นกลุ่ม แนวโน้มนี้จะเร่งขึ้นเนื่องจากมีข้อดีหลายประการในการรวมเครือข่ายขนาดเล็กเหล่านี้และฝึกอบรมใหม่เฉพาะส่วนเล็กๆ ตามความจำเป็น ข้อดีไม่เพียงแต่ลดความสามารถในการลดคาร์บอนฟุตพริ้นต์ของแมชชีนเลิร์นนิงเท่านั้น แต่ยังรวมถึงประโยชน์ของการแชร์โมเดลการฝึกที่มีขนาดเล็กลงและได้รับการปรับแต่งอย่างประณีตมากขึ้น เพื่อสร้างโมเดลที่ใหญ่ขึ้นและแม่นยำยิ่งขึ้นอย่างน่าทึ่ง แม้ว่าตอนนี้ตระการตาส่วนใหญ่จะจำกัดอยู่ที่แผนผังการตัดสินใจ แต่ขณะนี้กำลังขยายไปสู่วิธีการเรียนรู้ด้วยเครื่องอื่น ๆ ด้วยการบรรจุถุงและการเพิ่มประสิทธิภาพ ซึ่งถือเป็นเทคนิคยอดนิยมที่สุดในการสร้างชุดวงดนตรี การบรรจุถุงและฟอเรสต์แบบสุ่มเป็นอัลกอริธึมที่ออกแบบมาเพื่อลดความแปรปรวนของแบบจำลองการฝึกอบรมและปรับปรุงความแม่นยำในการพยากรณ์ การส่งเสริมเป็นวิธีเปลี่ยนผู้เรียนที่อ่อนแอให้แข็งแกร่งขึ้นโดยการเพิ่มความซับซ้อนของแบบจำลองที่มีอคติสูงซึ่งแตกต่างจากการบรรจุถุง แม้ว่าอัลกอริธึมแมชชีนเลิร์นนิงมักจะออกแบบมาเพื่อปรับปรุงความแม่นยำโดยลดข้อผิดพลาด แต่ก็ไม่ได้คำนึงถึงการกระจายและสัดส่วนหรือ “ความสมดุล” ของข้อมูล นี่เป็นปัญหาเนื่องจากอัลกอริธึมการเรียนรู้ของเครื่องมักจะสร้างแบบจำลองการจัดหมวดหมู่ เช่น ตัวแยกประเภทการตัดสินใจ ตัวแยกประเภทตามกฎ โครงข่ายประสาทเทียม และเทคนิคอื่นๆ ซึ่งไม่น่าพอใจกับชุดข้อมูลที่ไม่สมดุล เพื่อให้วงดนตรีมีประสิทธิภาพอย่างแท้จริง จำเป็นต้องใช้อัลกอริธึมการปรับสมดุลอัตโนมัติแบบใหม่ ซึ่งเรียนรู้ได้อย่างรวดเร็วและสามารถเข้าถึงโมเดลย่อยที่มีประสิทธิภาพดีที่สุดได้อย่างรวดเร็วภายในชุดข้อมูล กล่าวโดยย่อ เราต้องการวิธีการใหม่ในการ “รวม” โครงข่ายประสาทเทียมที่มีขนาดเล็กลง ในกรณีนี้ การปรับปรุงที่ใหม่กว่าสำหรับโครงข่ายประสาทเทียมโดยใช้ตระการตากำลังพิสูจน์ให้เห็นถึงเครื่องมือในการแก้ปัญหาภาวะที่กลืนไม่เข้าคายไม่ออกนี้ นอกจากนี้ ตระการตายังเสนอความสามารถในการให้การอัปเดตที่ปลอดภัยสำหรับโมเดลการเรียนรู้ ซึ่งสามารถกำหนดเป้าหมายไปยังชุดข้อมูลเฉพาะ แล้วพับเป็นโครงข่ายประสาทเทียมร่วมกันได้อย่างราบรื่น แนวทางที่ดีขึ้นและมีความรับผิดชอบมากขึ้น พิจารณาว่าศูนย์ข้อมูลมีส่วนรับผิดชอบต่อการใช้ไฟฟ้า 3% ทั่วโลก ซึ่งเท่ากับประมาณ 2% ของการปล่อยเรือนกระจก AI และแมชชีนเลิร์นนิงจะมีผลกระทบอย่างมากต่อการใช้พลังงานเนื่องจากแอปพลิเคชันของพวกเขามีเพิ่มมากขึ้น ศูนย์ข้อมูลเองก็เติบโตขึ้นในอัตราที่น่าเหลือเชื่อ 20% ในแต่ละปี เมื่อมีการใช้วงกว้างขึ้นเพื่อตอบสนองต่อความเสื่อมโทรมของสิ่งแวดล้อมที่เกิดจาก AI ที่หิวโหยพลังงานและการประมวลผลด้วยการเรียนรู้ของเครื่องจักร ผู้เล่นในอุตสาหกรรม ไม่ว่าจะเป็นบริษัทที่แสวงหาผลกำไรหรือองค์กรวิจัย จะพิจารณาการเปิดเผยการใช้พลังงานเกี่ยวกับการสร้างแบบจำลอง AI อย่างแน่นอน และยังจำแนกข้อมูลผ่านแบบจำลองต่างๆ ได้ใกล้เคียงกับระดับพลังงานและประสิทธิภาพที่ใช้กับเครื่องใช้ไฟฟ้าและบ้านในปัจจุบัน นี้เป็นสิ่งที่ดี ถึงเวลาแล้วที่ความพยายามในการควบคุมการใช้พลังงานอย่างมหาศาลของ AI และแมชชีนเลิร์นนิงกลายเป็นหัวข้อที่โดดเด่นมากขึ้นในการอภิปรายเกี่ยวกับจริยธรรมของ AI สิ่งนี้จะเกิดขึ้นในบริบทของวงดนตรีที่มีความสำคัญ ด้วยความสามารถในการสร้างโมเดลการเรียนรู้ที่แข็งแกร่งโดยใช้ข้อมูลจำนวนน้อยลงและเครือข่ายที่มีขนาดเล็กลง ดังนั้นจึงใช้กำลังในการคำนวณน้อยลง ตระการตาจึงถูกตั้งค่าให้ช่วยลดผลกระทบต่อสิ่งแวดล้อมโดยรวมของ AI และการเรียนรู้ของเครื่อง Kevin Gidney เป็นผู้ร่วมก่อตั้งและ CTO ของ Seal Software เขาได้ดำรงตำแหน่งด้านเทคนิคระดับสูงหลายตำแหน่งที่ Legato, EMC, Kazeon, Iptor และ Open Text บทบาทของเขารวมถึงการจัดการ สถาปัตยกรรมโซลูชัน และการขายล่วงหน้าทางเทคนิค โดยมีพื้นฐานด้านอิเล็กทรอนิกส์และวิศวกรรมคอมพิวเตอร์ นำไปใช้กับโซลูชันซอฟต์แวร์และฮาร์ดแวร์

  • บ้าน
  • Business
  • Data science
  • Marketing
  • Leave a Reply

    Your email address will not be published. Required fields are marked *

    Back to top button