Khi AI chạm đến mọi ngành công nghiệp, việc tối ưu hóa hệ thống để đạt hiệu suất, hiệu quả chi phí và tính bền vững ngày càng trở nên quan trọng. Tại Schneider Electric, chúng tôi hiểu rằng việc xây dựng các giải pháp AI đòi hỏi sự cân bằng tinh tế giữa các yếu tố này. Với chuyên môn về đánh giá vòng đời phần cứng, chúng tôi đã áp dụng các nguyên tắc tương tự vào việc thiết kế và triển khai các hệ thống AI.
Nguồn: Từ Jacques Kluska – blog.se.com
Mặc dù các tiêu chuẩn về tính bền vững của AI vẫn đang trong quá trình định hình, nhưng điều đó không có nghĩa là bạn phải chờ đợi để đưa ra lựa chọn. Mọi quyết định – cách bạn tìm nguồn và chuẩn bị dữ liệu, lựa chọn mô hình nào, nơi bạn chạy chúng, tần suất đào tạo lại, phần cứng bạn cung cấp – đều ảnh hưởng trực tiếp đến mức sử dụng năng lượng, lượng khí thải, độ trễ và chi tiêu.
Dựa trên kinh nghiệm của một tập đoàn bền vững nhất thế giới, tôi sẽ trình bày cách chúng tôi đánh giá từng lựa chọn thiết kế thông qua góc nhìn bền vững để bạn có thể thấy các quyết định kỹ thuật có chủ đích chuyển thành các hệ thống AI hiệu quả và có trách nhiệm hơn như thế nào.
Như đã nêu trong bài viết trước, quyết định đầu tiên cần đưa ra là đánh giá xem AI có thực sự cần thiết cho nhiệm vụ này hay không. Chúng tôi ủng hộ việc sử dụng AI khi cần thiết. Nếu AI thực sự là công nghệ phù hợp nhất, đây là các bước cần thực hiện.
1: Đo lường những gì quan trọng (và thừa nhận những khoảng trống)
Trước khi đi sâu vào thiết kế hệ thống AI, điều cần thiết là phải đo lường các yếu tố quan trọng nhất: tác động môi trường, chi phí, độ trễ và hiệu suất tổng thể.
Phương pháp tiếp cận thực dụng, có khả năng mở rộng của chúng tôi bao gồm việc đo lường trực tiếp những gì chúng tôi có thể, sử dụng dữ liệu về mức tiêu thụ năng lượng và lượng khí thải CO₂ khi có sẵn, và ước tính phần còn lại (vì một số dữ liệu về mức sử dụng tài nguyên trong toàn bộ vòng đời có thể không có sẵn). Chúng tôi sử dụng các công cụ và proxy một cách có trách nhiệm, ghi lại các giả định của mình để đảm bảo tính minh bạch và cung cấp những hiểu biết thiết thực để cải thiện.
2: Chọn mô hình phù hợp cho công việc
Bước tiếp theo là chọn mô hình AI phù hợp với trường hợp sử dụng. AI không phải là một giải pháp phù hợp cho tất cả. Mỗi tác vụ khác nhau đòi hỏi những mô hình khác nhau, và điều quan trọng là phải khớp vị trí và kích thước mô hình với trường hợp sử dụng.
- Đám mây: Các mô hình đám mây có khả năng mở rộng tốt cho các tác vụ tính toán nặng, nhưng chúng đi kèm với chi phí cao hơn do phải truyền và lưu trữ dữ liệu, thay đổi tùy theo vị trí của dịch vụ đám mây, phần cứng cơ bản và lượng dữ liệu được truyền.
- Edge: Các mô hình Edge được triển khai gần điểm sử dụng hơn, giảm độ trễ và cho phép ra quyết định theo thời gian thực. Thiết lập này cũng giúp giảm thiểu việc truyền dữ liệu, giúp tiết kiệm năng lượng hơn.
- Nhúng: Đối với các ứng dụng trên phần cứng hạn chế (ví dụ: cảm biến hoặc băng tải), các mô hình nhúng, thường được nén và dành riêng cho nhiệm vụ, cung cấp các giải pháp tiết kiệm năng lượng mà không ảnh hưởng đến hiệu suất.
Các mô hình AI nhỏ hơn, dành riêng cho từng tác vụ cụ thể thường tiết kiệm năng lượng hơn so với các mô hình đa năng, giúp giảm cả mức tiêu thụ năng lượng và chi phí vận hành. Bằng cách điều chỉnh kích thước mô hình AI cho từng tác vụ cụ thể, các tổ chức có thể giảm thiểu tác động môi trường đồng thời nâng cao hiệu suất hệ thống tổng thể.
3: Tối ưu hóa AI cho các ràng buộc trong thế giới thực
Một trong những yếu tố quan trọng trong việc triển khai AI bền vững là hiểu rõ cơ cấu điện năng của từng khu vực. Tác động môi trường của việc vận hành các mô hình AI phụ thuộc vào nguồn năng lượng. Ví dụ, các quốc gia như Pháp, với tỷ trọng năng lượng hạt nhân đáng kể, hoặc Thụy Điển, với tỷ lệ sử dụng năng lượng tái tạo cao, cung cấp cho các hệ thống AI lượng khí thải carbon thấp hơn so với các khu vực phụ thuộc vào nhiên liệu hóa thạch. Do đó, việc xem xét khu vực triển khai trong tính toán tác động môi trường là rất quan trọng.
Tuy nhiên, việc tối ưu hóa này phải tính đến các thông số khác, chẳng hạn như lưu trữ dữ liệu. Khi triển khai các hệ thống AI, điều cần thiết là phải xem xét bối cảnh pháp lý và quy định của khu vực, đặc biệt là về lưu trữ dữ liệu và chuyển dữ liệu xuyên biên giới. Các tổ chức phải đảm bảo tuân thủ luật hiện hành về bản địa hóa và chủ quyền dữ liệu, đồng thời tiến hành đánh giá rủi ro kỹ lưỡng để bảo vệ dữ liệu cá nhân và dữ liệu nhạy cảm khi chuyển giao qua các khu vực pháp lý. Những biện pháp này giúp duy trì các tiêu chuẩn về quyền riêng tư và xây dựng niềm tin vào các hoạt động AI bền vững.
4: Xem xét các yêu cầu về quy định và các sáng kiến bền vững
Tại Schneider Electric, chúng tôi chủ động tham gia vào bối cảnh pháp lý đang thay đổi. Chúng tôi tham gia vào các sáng kiến như Liên minh AI Bền vững và Quỹ Phần mềm Xanh, đồng thời đang tích cực phát triển các thông số kỹ thuật như Cường độ Carbon Phần mềm (SCI) cho AI.
Mặc dù việc phân tích toàn bộ vòng đời của các giải pháp AI không phải là một nhiệm vụ ngắn hạn, nhưng khuôn khổ chúng tôi đang xây dựng cho phép đánh giá chính xác hơn và cải tiến liên tục các hoạt động AI bền vững. Bằng cách kết hợp kinh nghiệm của mình với các sáng kiến bên ngoài, chúng tôi đảm bảo rằng các hệ thống AI không chỉ đáp ứng các tiêu chuẩn môi trường hiện hành mà còn thích ứng với các yêu cầu pháp lý trong tương lai.
5: Đưa các khuyến nghị vào thực tiễn
Để thực hiện các nguyên tắc này một cách hiệu quả, chúng tôi khuyến nghị các hành động sau:
- Chọn các mô hình cụ thể phù hợp với công việc đang làm.
- Tối ưu hóa kích thước mô hình thông qua các kỹ thuật như cắt tỉa và lượng tử hóa, giảm mức sử dụng năng lượng và chi phí trong khi vẫn duy trì hiệu suất.
- Theo dõi các số liệu về môi trường như mức tiêu thụ năng lượng và lượng khí thải CO₂ một cách nhất quán.
- Tối ưu hóa việc triển khai bằng cách tính đến yêu cầu lưu trữ dữ liệu của từng dự án.
- Ghi lại các giả định và nỗ lực cải tiến liên tục trong việc thu thập dữ liệu và thực hành bền vững.
Chuyên môn sâu rộng của Schneider Electric trong việc tích hợp AI vào bối cảnh công nghiệp đảm bảo rằng khách hàng của chúng tôi được hưởng lợi từ các giải pháp không chỉ hiệu suất cao mà còn thân thiện với môi trường, đáng tin cậy và có khả năng mở rộng.
6. Suy nghĩ cuối cùng
Việc thiết kế các hệ thống AI cân bằng giữa năng lượng, chi phí và hiệu suất đòi hỏi sự hoạch định cẩn thận và cam kết về tính bền vững. Tại Schneider Electric, chúng tôi tập trung vào việc tạo ra các giải pháp AI vừa hiệu quả vừa hiệu suất cao, đảm bảo đáp ứng nhu cầu của khách hàng đồng thời giảm thiểu tác động đến môi trường. Khi công nghệ AI tiếp tục phát triển, phương pháp tiếp cận và trọng tâm của chúng tôi vẫn không thay đổi: chúng tôi tận dụng các công nghệ mới nổi một cách có trách nhiệm để nâng cao hơn nữa tính bền vững.
Nếu bạn muốn tìm hiểu thêm, hãy theo dõi tập AI At Scale với Claude Le Pape về cách áp dụng AI tiết kiệm vào các trường hợp sử dụng kinh doanh thực tế.
Dịch bởi Datasystem
