La crisis climática sin precedentes obliga a todos los países, y especialmente a aquellos que forman parte de las Naciones Unidas, dado que son signatarios de la Agenda 2030 para el desarrollo sostenible, a impulsar estrategias e iniciativas para combatirla. Sin embargo, no es sólo una cuestión de ética o responsabilidad. Varios estudios muestran que la sostenibilidad es clave para el éxito de las iniciativas privadas[1],[2], puesto que cada vez la legislación es más estricta y los inversores y consumidores finales son más conscientes y críticos.
La inteligencia artificial verde, en inglés Green AI, es un paradigma emergente cuya finalidad es responder e integrar los criterios de responsabilidad medioambiental y sostenibilidad en los sistemas de inteligencia artificial. Este paradigma reconoce los esfuerzos globales hacia la sostenibilidad e integra, tanto las métricas clásicas de calidad de los algoritmos, la precisión y la rapidez, como métricas que hacen referencia a la huella ecológica, como puede verse en el reciente artículo donde se describe el modelo Llama2[3], y donde se dedica una sección entera a discutir sus emisiones.
Es fundamental abordar cómo la industria de la Inteligencia Artificial puede contribuir al avance de la Agenda 2030. Aunque la respuesta puede parecer evidente, podemos identificar dos áreas clave: a) la reducción de las emisiones originadas por la propia generación de IA yb) la colaboración al afrontar retos medioambientales, en este artículo, nos proponemos explorar, contextualizar y ejemplificar con detalle cada una de ellas.
Es evidente que la IA puede jugar un papel determinante en el éxito de los Objetivos de Desarrollo Sostenible (ODS) ofreciendo respuestas a retos específicos. De hecho, la Generalidad de Cataluña, en su informe de julio de 2019[4], ya recoge ejemplos de cómo la IA puede contribuir a la consecución de cada uno de los 17 ODSs recogidos en la Agenda 2030.
Existe un sinfín de ejemplos para ilustrar el potencial de la IA en este ámbito. Podríamos hablar, por ejemplo, del acuerdo entre Microsoft y la Generalitat de Catalunya[5], que aborda la gestión de las cuencas hidrográficas para garantizar el cumplimiento de la legislación catalana, el recuento de animales salvajes mediante el uso de drones o la detección inteligente de la contaminación en plantas de tratamiento de aguas residuales. Otro ejemplo es un proyecto realizado por NTT Data y ProDrone para identificar y localizar una planta invasora que es altamente tóxica tanto para las personas como para los animales[6].
Sin embargo, si bien es cierto que la IA puede ser un impulso en el camino hacia la sostenibilidad, no podemos obviar que también forma parte del problema[7]. La Universidad de Massachusetts fue una de las primeras instituciones en alertar sobre esta cuestión, estimando que sólo el proceso de entrenamiento de un modelo de aprendizaje profundo (Deep Learning) de procesamiento de lenguaje natural (NLP) emitía cinco veces más CO2 que el consumo medio de un coche a lo largo de toda su vida útil[8]. Es más, de acuerdo a estudios recientes, con el actual ritmo de adopción de la IA, la cuota mundial de consumo de energía en centros de datos pasará del 2% en 2019 al 10% en 2025[9]. Otros estudios afirman que el consumo de energía global se incrementará de 190TWh en 2018 hasta el 3000TWh en 2030[10].
La Green Software Foundation[11], de la que desde NTT formamos parte desde 2021, es una organización sin ánimo de lucro fundada por la Linux Foundation que tiene como objetivo principal la reducción del 45% de las emisiones producidas por las Tecnologías de la Información y la Comunicación (TIC). Desde la fundación se han señalado tres áreas de acción para la reducción de emisiones, que son aplicables en el ámbito de la IA:
- La primera es la optimización de los Clouds o centros de datos. Uno de los principales retos en este ámbito es reducir el uso de sistemas de refrigeración, que consumen hasta el 40% de la energía. Por ejemplo, en NTT DATA hemos testeado el sistema de inmersión para la refrigeración, que ha logrado ahorrar hasta el 97%[12] el consumo energético dedicado a la refrigeración. Otro ejemplo es el de Google, que ha utilizado técnicas de aprendizaje automático con el mismo objetivo, obteniendo mejoras de hasta el 40%[13].
- La segunda área es la optimización del propio hardware, como los servidores de Cloud o los distintos componentes de los equipos personales. Es necesario desarrollar diseños especializados en ejecutar workflows de IA. Un ejemplo claro es la evolución de las Unidades Centrales de Procesamiento (CPU) genéricas hacia las Unidades de Procesamiento Gráfico (GPUs) especializadas y hace unos cinco años la aparición de las Unidades de Procesamiento de Tensores (TPUs), diseñadas por Google específicamente para acelerar los procesos de ML.
- Por último, la tercera área, consiste en optimizar el software mediante i) técnicas de compresión de modelos para reducir el tiempo de entrenamiento y el de ejecución, así como, de rebote, reducir el uso de la memoria, ii) el uso de lenguajes de programación pre-compilados, como C++ o Java, que tienen mayor velocidad de procesamiento que el popular Python, y pueden, por tanto, reducir el coste energético de su ejecución y y su almacenamiento, como por ejemplo Parquet, un formato orientado a columnas que es mucho más eficiente que el CSV.
Lo cierto es que los usos de la IA para dar respuesta a retos en el marco de la sostenibilidad son infinitos y, seguramente en estos momentos, inimaginables. Sin embargo, es crucial que su producción y explotación sean también sostenibles. Como es habitual frente a retos globales, sólo con una conjunción de la investigación, de la iniciativa pública y privada, donde intervengan el conjunto del ecosistema de la producción de hardware y de software y con una apuesta clara por el desarrollo de la IA desde una perspectiva medioambiental, la IA podrá convertirse realmente en verde y una verdadera herramienta en la consecución de los ODSs.[1] https://online.hbs.edu/blog/post/business-sustainability-strategies [2] https://www.forbes.com/sites/forbesbusinesscouncil/2021/02/10/why-corporate-strategies-should-be-focused-on-sustainability/?sh=6daed0a27e9f [3] Touvron, Hugo, et al. «Llama 2: Open Foundation and Fine-Tuned Chat Models.» https://ai.meta.com/research/publications/llama-2-open-foundation-and-fine-tuned-chat-models/ (2023).
[4]http://www.accio.gencat.cat/web/.content/bancconocimiento/documents/informes_sectoriales/informe-tecnologic-inteligencia-artificial.pdf [5] https://news.microsoft.com/es-es/2022/08/04/microsoft-y-la-generalitat-de-catalunya-colaboran-en-la-puesta-en-marcha-de-tres-proyectos-de-inteligencia-artificial-para-la-mejora-de-la-sostenibilidad-medioambient [6] https://nttdata-solutions.com/us/services/innovation-consulting/giant-hogweed-case/ [7] CIDAI Masterclass: NTT FECHA Generative AI & LLMs: https://www.youtube.com/watch?v=4zyuoIIA_rw&t=2312s [8] https://archiv.org/abs/1906.02243 [9]https://observer.com/2019/08/artificial -intelligence -bitcoin -cloud -computing -climate -change/ [10] https://dl.ndl.go.jp/view/prepareDownload?itemId=info%3Andljp%2Fpid%2F11546567&contentNo=1 [11] https://greensoftware.foundation/ [12] https://www.nttdata.com/jp/ja/news/release/2022/060601/ [13] https://www.deepmind.com/blog/deepmind-ai-reduces-google-data-centre-cooling-bill-by-40