ಸಂಕ್ಷಿಪ್ತ ಉತ್ತರ: AI ಪರಿಸರದ ಮೇಲೆ ಮುಖ್ಯವಾಗಿ ಪರಿಣಾಮ ಬೀರುವುದು ಡೇಟಾ ಸೆಂಟರ್ಗಳಲ್ಲಿ ವಿದ್ಯುತ್ ಬಳಕೆ (ತರಬೇತಿ ಮತ್ತು ದೈನಂದಿನ ನಿರ್ಣಯ ಎರಡೂ), ತಂಪಾಗಿಸಲು ನೀರು, ಜೊತೆಗೆ ಹಾರ್ಡ್ವೇರ್ ಉತ್ಪಾದನೆ ಮತ್ತು ಇ-ತ್ಯಾಜ್ಯದ ಸಾಕಾರ ಪರಿಣಾಮಗಳ ಮೂಲಕ. ಬಳಕೆಯು ಶತಕೋಟಿ ಪ್ರಶ್ನೆಗಳಿಗೆ ಹೆಚ್ಚಾದರೆ, ನಿರ್ಣಯವು ತರಬೇತಿಯನ್ನು ಮೀರಿಸುತ್ತದೆ; ಗ್ರಿಡ್ಗಳು ಸ್ವಚ್ಛವಾಗಿದ್ದರೆ ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳು ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೆ, ಪರಿಣಾಮಗಳು ಕಡಿಮೆಯಾಗುತ್ತವೆ ಆದರೆ ಪ್ರಯೋಜನಗಳು ಬೆಳೆಯಬಹುದು.
ಪ್ರಮುಖ ಅಂಶಗಳು:
ವಿದ್ಯುತ್: ಟ್ರ್ಯಾಕ್ ಕಂಪ್ಯೂಟ್ ಬಳಕೆ; ಕೆಲಸದ ಹೊರೆಗಳು ಸ್ವಚ್ಛವಾದ ಗ್ರಿಡ್ಗಳಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸಿದಾಗ ಹೊರಸೂಸುವಿಕೆ ಕಡಿಮೆಯಾಗುತ್ತದೆ.
ನೀರು: ತಂಪಾಗಿಸುವ ಆಯ್ಕೆಗಳು ಪರಿಣಾಮಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ; ವಿರಳ ಪ್ರದೇಶಗಳಲ್ಲಿ ನೀರು ಆಧಾರಿತ ವಿಧಾನಗಳು ಹೆಚ್ಚು ಮುಖ್ಯ.
ಹಾರ್ಡ್ವೇರ್: ಚಿಪ್ಗಳು ಮತ್ತು ಸರ್ವರ್ಗಳು ಗಣನೀಯ ಸಾಕಾರ ಪರಿಣಾಮಗಳನ್ನು ಬೀರುತ್ತವೆ; ಜೀವಿತಾವಧಿಯನ್ನು ವಿಸ್ತರಿಸಿ ಮತ್ತು ನವೀಕರಣಕ್ಕೆ ಆದ್ಯತೆ ನೀಡಿ.
ಮರುಕಳಿಸುವಿಕೆ: ದಕ್ಷತೆಯು ಒಟ್ಟು ಬೇಡಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು; ಪ್ರತಿ ಕಾರ್ಯದ ಲಾಭವನ್ನು ಮಾತ್ರವಲ್ಲದೆ ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯಬಹುದು.
ಕಾರ್ಯಾಚರಣಾ ಲಿವರ್ಗಳು: ಬಲ-ಗಾತ್ರದ ಮಾದರಿಗಳು, ನಿರ್ಣಯವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವುದು ಮತ್ತು ಪ್ರತಿ ವಿನಂತಿಯ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ವರದಿ ಮಾಡುವುದು.
ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:
🔗 AI ಪರಿಸರಕ್ಕೆ ಹಾನಿಕಾರಕವೇ?
AI ನ ಇಂಗಾಲದ ಹೆಜ್ಜೆಗುರುತು, ವಿದ್ಯುತ್ ಬಳಕೆ ಮತ್ತು ಡೇಟಾ-ಸೆಂಟರ್ ಬೇಡಿಕೆಗಳನ್ನು ಅನ್ವೇಷಿಸಿ.
🔗 AI ಸಮಾಜಕ್ಕೆ ಏಕೆ ಕೆಟ್ಟದು?
ಪಕ್ಷಪಾತ, ಉದ್ಯೋಗ ಅಡಚಣೆ, ತಪ್ಪು ಮಾಹಿತಿ ಮತ್ತು ಹೆಚ್ಚುತ್ತಿರುವ ಸಾಮಾಜಿಕ ಅಸಮಾನತೆಯನ್ನು ನೋಡಿ.
🔗 AI ಏಕೆ ಕೆಟ್ಟದು? AI ನ ಕರಾಳ ಮುಖ
ಕಣ್ಗಾವಲು, ಕುಶಲತೆ ಮತ್ತು ಮಾನವ ನಿಯಂತ್ರಣದ ನಷ್ಟದಂತಹ ಅಪಾಯಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.
🔗 AI ತುಂಬಾ ದೂರ ಹೋಗಿದೆಯೇ?
ನೀತಿಶಾಸ್ತ್ರ, ನಿಯಂತ್ರಣ ಮತ್ತು ನಾವೀನ್ಯತೆ ಎಲ್ಲಿ ಗೆರೆ ಎಳೆಯಬೇಕು ಎಂಬುದರ ಕುರಿತು ಚರ್ಚೆಗಳು.
AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ: ಒಂದು ಸಣ್ಣ ಚಿತ್ರ ⚡🌱
ನೀವು ಕೆಲವು ಅಂಶಗಳನ್ನು ಮಾತ್ರ ನೆನಪಿಸಿಕೊಂಡರೆ, ಅವುಗಳನ್ನು ಈ ಕೆಳಗಿನಂತೆ ಮಾಡಿ:
-
AI ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ - ಹೆಚ್ಚಾಗಿ ತರಬೇತಿಗಾಗಿ ಮತ್ತು ದೈನಂದಿನ "ಅನುಮಾನ" ಕ್ಕಾಗಿ (ಮಾದರಿಯನ್ನು ಬಳಸಿ) GPU ಗಳು/CPU ಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ ಡೇಟಾ ಕೇಂದ್ರಗಳಲ್ಲಿ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
-
ಶಕ್ತಿ ಎಂದರೆ ಹೊರಸೂಸುವಿಕೆ ಎಂದರ್ಥ - ಸ್ಥಳೀಯ ಗ್ರಿಡ್ ಮಿಶ್ರಣ ಮತ್ತು ವಿದ್ಯುತ್ ಒಪ್ಪಂದಗಳನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
-
AI ಅಚ್ಚರಿಯ ಪ್ರಮಾಣದ ನೀರನ್ನು ಬಳಸಬಹುದು - ಮುಖ್ಯವಾಗಿ ಕೆಲವು ಡೇಟಾ ಸೆಂಟರ್ ಸೆಟಪ್ಗಳಲ್ಲಿ ತಂಪಾಗಿಸಲು. ಲಿ ಮತ್ತು ಇತರರು (2023): AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು (PDF) US DOE FEMP: ಫೆಡರಲ್ ಡೇಟಾ ಸೆಂಟರ್ಗಳಿಗೆ ಕೂಲಿಂಗ್ ನೀರಿನ ದಕ್ಷತೆಯ ಅವಕಾಶಗಳು
-
AI ಭೌತಿಕ ವಸ್ತುಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ - ಚಿಪ್ಸ್, ಸರ್ವರ್ಗಳು, ನೆಟ್ವರ್ಕಿಂಗ್ ಗೇರ್, ಬ್ಯಾಟರಿಗಳು, ಕಟ್ಟಡಗಳು... ಅಂದರೆ ಗಣಿಗಾರಿಕೆ, ಉತ್ಪಾದನೆ, ಸಾಗಣೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ಇ-ತ್ಯಾಜ್ಯ. US EPA: ಸೆಮಿಕಂಡಕ್ಟರ್ ಇಂಡಸ್ಟ್ರಿ ITU: ದಿ ಗ್ಲೋಬಲ್ ಇ-ವೇಸ್ಟ್ ಮಾನಿಟರ್ 2024
-
AI ಬೇರೆಡೆ ಪರಿಸರದ ಮೇಲಿನ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು - ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಅನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವುದು, ಸೋರಿಕೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸುವುದು, ಸಂಶೋಧನೆಯನ್ನು ವೇಗಗೊಳಿಸುವುದು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಕಡಿಮೆ ವ್ಯರ್ಥವಾಗಿಸುವ ಮೂಲಕ. IEA: ಇಂಧನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
ಮತ್ತು ನಂತರ ಜನರು ಮರೆತುಬಿಡುವ ಭಾಗವಿದೆ: ಅಳತೆ. ಒಂದು AI ಪ್ರಶ್ನೆ ಚಿಕ್ಕದಾಗಿರಬಹುದು, ಆದರೆ ಅವುಗಳಲ್ಲಿ ಶತಕೋಟಿಗಳು ಸಂಪೂರ್ಣವಾಗಿ ವಿಭಿನ್ನ ಪ್ರಾಣಿಗಳಾಗಿವೆ... ಒಂದು ಸಣ್ಣ ಹಿಮದ ಉಂಡೆಯಂತೆ ಅದು ಹೇಗಾದರೂ ಸೋಫಾ ಗಾತ್ರದ ಹಿಮಪಾತವಾಗುತ್ತದೆ. (ಆ ರೂಪಕವು ಸ್ವಲ್ಪ ಭಿನ್ನವಾಗಿದೆ, ಆದರೆ ನೀವು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುತ್ತೀರಿ.) IEA: ಶಕ್ತಿ ಮತ್ತು AI
AI ನ ಪರಿಸರ ಹೆಜ್ಜೆಗುರುತು ಒಂದೇ ಅಲ್ಲ - ಅದು ಒಂದು ರಾಶಿ 🧱🌎
ಜನರು AI ಮತ್ತು ಸುಸ್ಥಿರತೆಯ ಬಗ್ಗೆ ವಾದಿಸುವಾಗ, ಅವರು ಪರಸ್ಪರರನ್ನು ಮೀರಿ ಮಾತನಾಡುತ್ತಾರೆ ಏಕೆಂದರೆ ಅವರು ವಿಭಿನ್ನ ಹಂತಗಳನ್ನು ತೋರಿಸುತ್ತಿದ್ದಾರೆ:
1) ವಿದ್ಯುತ್ ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ
-
ದೊಡ್ಡ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ದೊಡ್ಡ ಗುಂಪುಗಳು ದೀರ್ಘಕಾಲದವರೆಗೆ ಕಷ್ಟಪಟ್ಟು ಓಡುವ ಅಗತ್ಯವಿರುತ್ತದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
-
ಅನುಮಾನ (ದೈನಂದಿನ ಬಳಕೆ) ನಿರಂತರವಾಗಿ, ಎಲ್ಲೆಡೆ ನಡೆಯುವುದರಿಂದ ಕಾಲಾನಂತರದಲ್ಲಿ ದೊಡ್ಡ ಹೆಜ್ಜೆಗುರುತಾಗಬಹುದು. IEA: ಶಕ್ತಿ ಮತ್ತು AI
2) ಡೇಟಾ ಸೆಂಟರ್ ಓವರ್ಹೆಡ್
-
ಕೂಲಿಂಗ್, ವಿದ್ಯುತ್ ವಿತರಣಾ ನಷ್ಟಗಳು, ಬ್ಯಾಕಪ್ ವ್ಯವಸ್ಥೆಗಳು, ನೆಟ್ವರ್ಕಿಂಗ್ ಉಪಕರಣಗಳು. LBNL (2024): ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡೇಟಾ ಸೆಂಟರ್ ಎನರ್ಜಿ ಯೂಸೇಜ್ ರಿಪೋರ್ಟ್ (PDF)
-
ದಕ್ಷತೆಯನ್ನು ಅವಲಂಬಿಸಿ ಒಂದೇ ಕಂಪ್ಯೂಟ್ ವಿಭಿನ್ನ ನೆಲದ ಪರಿಣಾಮವನ್ನು ಬೀರಬಹುದು. ಗ್ರೀನ್ ಗ್ರಿಡ್: PUE—ಮೆಟ್ರಿಕ್ನ ಸಮಗ್ರ ಪರೀಕ್ಷೆ
3) ನೀರು ಮತ್ತು ಶಾಖ
-
ಅನೇಕ ಸೌಲಭ್ಯಗಳು ಶಾಖವನ್ನು ನಿರ್ವಹಿಸಲು ನೀರನ್ನು ನೇರವಾಗಿ ಅಥವಾ ಪರೋಕ್ಷವಾಗಿ ಬಳಸುತ್ತವೆ. US DOE FEMP: ಫೆಡರಲ್ ಡೇಟಾ ಸೆಂಟರ್ಗಳಿಗೆ ಕೂಲಿಂಗ್ ವಾಟರ್ ದಕ್ಷತೆಯ ಅವಕಾಶಗಳು ಲಿ ಮತ್ತು ಇತರರು (2023): AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು (PDF)
-
ವ್ಯರ್ಥ ಶಾಖವನ್ನು ಮರಳಿ ಪಡೆಯಬಹುದು, ಅಥವಾ ಅದು ಬಿಸಿ ಗಾಳಿಯಂತೆ ಬಿಡಬಹುದು. (ಸೂಕ್ತವಲ್ಲ.)
4) ಹಾರ್ಡ್ವೇರ್ ಪೂರೈಕೆ ಸರಪಳಿ
-
ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಸಂಸ್ಕರಣಾ ವಸ್ತುಗಳು.
-
ಚಿಪ್ಗಳು ಮತ್ತು ಸರ್ವರ್ಗಳನ್ನು ತಯಾರಿಸುವುದು (ಶಕ್ತಿ-ತೀವ್ರ). US EPA: ಸೆಮಿಕಂಡಕ್ಟರ್ ಇಂಡಸ್ಟ್ರಿ imec: ಚಿಪ್ ತಯಾರಿಕೆಯಲ್ಲಿ ಪರಿಸರದ ಮೇಲೆ ಉಂಟಾಗುವ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು.
-
ಸಾಗಣೆ, ಪ್ಯಾಕೇಜಿಂಗ್, ನವೀಕರಣಗಳು, ಬದಲಿಗಳು.
5) ನಡವಳಿಕೆ ಮತ್ತು ಮರುಕಳಿಸುವ ಪರಿಣಾಮಗಳು
-
AI ಕೆಲಸಗಳನ್ನು ಅಗ್ಗ ಮತ್ತು ಸುಲಭಗೊಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಜನರು ಅವುಗಳಲ್ಲಿ ಹೆಚ್ಚಿನದನ್ನು ಮಾಡುತ್ತಾರೆ. OECD (2012): ಇಂಧನ ದಕ್ಷತೆಯ ಸುಧಾರಣೆಗಳ ಬಹು ಪ್ರಯೋಜನಗಳು (PDF)
-
ಹೆಚ್ಚಿದ ಬೇಡಿಕೆಯಿಂದ ದಕ್ಷತೆಯ ಲಾಭಗಳು ತಿಂದುಹೋಗಬಹುದು. ಇದು ನನಗೆ ಸ್ವಲ್ಪ ನಿಟ್ಟುಸಿರು ಬಿಡುವ ಭಾಗವಾಗಿದೆ. OECD (2012): ಇಂಧನ ದಕ್ಷತೆಯ ಸುಧಾರಣೆಗಳ ಬಹು ಪ್ರಯೋಜನಗಳು (PDF)
ಆದ್ದರಿಂದ ಯಾರಾದರೂ AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂದು ಕೇಳಿದಾಗ, ನೇರ ಉತ್ತರವೆಂದರೆ: ಅದು ನೀವು ಯಾವ ಪದರವನ್ನು ಅಳೆಯುತ್ತಿದ್ದೀರಿ ಮತ್ತು ಆ ಪರಿಸ್ಥಿತಿಯಲ್ಲಿ "AI" ಎಂದರೆ ಏನು ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.
ತರಬೇತಿ vs ಅನುಮಾನ: ಎಲ್ಲವನ್ನೂ ಬದಲಾಯಿಸುವ ವ್ಯತ್ಯಾಸ 🧠⚙️
ತರಬೇತಿಯ ಬಗ್ಗೆ ಮಾತನಾಡಲು ಜನರು ಇಷ್ಟಪಡುತ್ತಾರೆ ಏಕೆಂದರೆ ಅದು ನಾಟಕೀಯವಾಗಿ ತೋರುತ್ತದೆ - "ಒಂದು ಮಾದರಿಯು X ಶಕ್ತಿಯನ್ನು ಬಳಸಿದೆ." ಆದರೆ ಅನುಮಾನವು ಶಾಂತ ದೈತ್ಯ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ತರಬೇತಿ (ದೊಡ್ಡ ನಿರ್ಮಾಣ)
ತರಬೇತಿಯು ಕಾರ್ಖಾನೆಯನ್ನು ನಿರ್ಮಿಸುವಂತಿದೆ. ನೀವು ಮುಂಗಡ ವೆಚ್ಚವನ್ನು ಪಾವತಿಸುತ್ತೀರಿ: ಭಾರೀ ಕಂಪ್ಯೂಟ್, ದೀರ್ಘ ರನ್ಟೈಮ್ಗಳು, ಸಾಕಷ್ಟು ಪ್ರಯೋಗ-ಮತ್ತು-ದೋಷ ರನ್ಗಳು (ಮತ್ತು ಹೌದು, ಸಾಕಷ್ಟು “ಓಪ್ಸ್ ಅದು ಕೆಲಸ ಮಾಡಲಿಲ್ಲ, ಮತ್ತೆ ಪ್ರಯತ್ನಿಸಿ” ಪುನರಾವರ್ತನೆಗಳು). ತರಬೇತಿಯನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದು, ಆದರೆ ಅದು ಇನ್ನೂ ಗಣನೀಯವಾಗಿರಬಹುದು. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ಅನುಮಾನ (ದೈನಂದಿನ ಬಳಕೆ)
ತೀರ್ಮಾನವು ಎಲ್ಲರಿಗೂ ಪ್ರತಿದಿನ ನಡೆಯುವ ಕಾರ್ಖಾನೆಯಂತೆ, ಪ್ರಮಾಣದಲ್ಲಿ:
-
ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸುವ ಚಾಟ್ಬಾಟ್ಗಳು
-
ಚಿತ್ರ ರಚನೆ
-
ಶ್ರೇಯಾಂಕವನ್ನು ಹುಡುಕಿ
-
ಶಿಫಾರಸುಗಳು
-
ಭಾಷಣದಿಂದ ಪಠ್ಯಕ್ಕೆ
-
ವಂಚನೆ ಪತ್ತೆ
-
ದಾಖಲೆಗಳು ಮತ್ತು ಕೋಡ್ ಪರಿಕರಗಳಲ್ಲಿ ಸಹ-ಪೈಲಟ್ಗಳು
ಪ್ರತಿಯೊಂದು ವಿನಂತಿಯು ತುಲನಾತ್ಮಕವಾಗಿ ಚಿಕ್ಕದಾಗಿದ್ದರೂ ಸಹ, ಬಳಕೆಯ ಪ್ರಮಾಣವು ತರಬೇತಿಯನ್ನು ಕುಬ್ಜಗೊಳಿಸಬಹುದು. ಇದು ಕ್ಲಾಸಿಕ್ "ಒಂದು ಹುಲ್ಲು ಏನೂ ಅಲ್ಲ, ಒಂದು ಮಿಲಿಯನ್ ಸ್ಟ್ರಾಗಳು ಒಂದು ಸಮಸ್ಯೆ" ಪರಿಸ್ಥಿತಿ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ಒಂದು ಸಣ್ಣ ಟಿಪ್ಪಣಿ - ಕೆಲವು AI ಕಾರ್ಯಗಳು ಇತರರಿಗಿಂತ ಹೆಚ್ಚು ಭಾರವಾಗಿರುತ್ತದೆ. ಚಿತ್ರಗಳನ್ನು ಅಥವಾ ದೀರ್ಘ ವೀಡಿಯೊಗಳನ್ನು ರಚಿಸುವುದು ಸಣ್ಣ ಪಠ್ಯ ವರ್ಗೀಕರಣಕ್ಕಿಂತ ಹೆಚ್ಚು ಶಕ್ತಿ-ಆಸಕ್ತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಆದ್ದರಿಂದ "AI" ಅನ್ನು ಒಂದೇ ಬಕೆಟ್ಗೆ ಸೇರಿಸುವುದು ಸೈಕಲ್ ಅನ್ನು ಸರಕು ಹಡಗಿಗೆ ಹೋಲಿಸಿ ಅವೆರಡನ್ನೂ "ಸಾರಿಗೆ" ಎಂದು ಕರೆಯುವಂತಿದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ಡೇಟಾ ಕೇಂದ್ರಗಳು: ವಿದ್ಯುತ್, ತಂಪಾಗಿಸುವಿಕೆ ಮತ್ತು ಆ ಶಾಂತ ನೀರಿನ ಕಥೆ 💧🏢
ಡೇಟಾ ಕೇಂದ್ರಗಳು ಹೊಸದಲ್ಲ, ಆದರೆ AI ತೀವ್ರತೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ವೇಗವರ್ಧಕಗಳು ಬಿಗಿಯಾದ ಸ್ಥಳಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಶಕ್ತಿಯನ್ನು ಎಳೆಯಬಹುದು, ಅದು ಶಾಖವಾಗಿ ಬದಲಾಗುತ್ತದೆ, ಇದನ್ನು ನಿರ್ವಹಿಸಬೇಕು. LBNL (2024): ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡೇಟಾ ಸೆಂಟರ್ ಎನರ್ಜಿ ಯೂಸೇಜ್ ರಿಪೋರ್ಟ್ (PDF) IEA: ಎನರ್ಜಿ ಮತ್ತು AI
ತಂಪಾಗಿಸುವ ಮೂಲಗಳು (ಸರಳೀಕೃತ, ಆದರೆ ಪ್ರಾಯೋಗಿಕ)
-
ಗಾಳಿ ತಂಪಾಗಿಸುವಿಕೆ: ಫ್ಯಾನ್ಗಳು, ಶೀತಲ ಗಾಳಿ, ಬಿಸಿ ಹಜಾರ/ತಣ್ಣನೆಯ ಹಜಾರ ವಿನ್ಯಾಸ. US DOE FEMP: ಡೇಟಾ ಕೇಂದ್ರಗಳಲ್ಲಿ ಇಂಧನ ದಕ್ಷತೆ.
-
ದ್ರವ ತಂಪಾಗಿಸುವಿಕೆ: ದಟ್ಟವಾದ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿ, ಆದರೆ ವಿಭಿನ್ನ ಮೂಲಸೌಕರ್ಯಗಳನ್ನು ಒಳಗೊಂಡಿರಬಹುದು. ASHRAE (TC 9.9): ಮುಖ್ಯವಾಹಿನಿಯ ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳಲ್ಲಿ ದ್ರವ ತಂಪಾಗಿಸುವಿಕೆಯ ಹೊರಹೊಮ್ಮುವಿಕೆ ಮತ್ತು ವಿಸ್ತರಣೆ (PDF)
-
ಆವಿಯಾಗುವ ತಂಪಾಗಿಸುವಿಕೆ: ಕೆಲವು ಹವಾಮಾನಗಳಲ್ಲಿ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಆದರೆ ಹೆಚ್ಚಾಗಿ ನೀರಿನ ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. US DOE FEMP: ಫೆಡರಲ್ ಡೇಟಾ ಕೇಂದ್ರಗಳಿಗೆ ತಂಪಾಗಿಸುವ ನೀರಿನ ದಕ್ಷತೆಯ ಅವಕಾಶಗಳು.
ಅದು ವಿನಿಮಯ: ನೀರು ಆಧಾರಿತ ತಂಪಾಗಿಸುವಿಕೆಯನ್ನು ಅವಲಂಬಿಸುವ ಮೂಲಕ ನೀವು ಕೆಲವೊಮ್ಮೆ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು. ಸ್ಥಳೀಯ ನೀರಿನ ಕೊರತೆಯನ್ನು ಅವಲಂಬಿಸಿ, ಅದು ಸರಿಯಾಗಿರಬಹುದು... ಅಥವಾ ಅದು ನಿಜವಾದ ಸಮಸ್ಯೆಯಾಗಿರಬಹುದು. ಲಿ ಮತ್ತು ಇತರರು (2023): AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು (PDF)
ಅಲ್ಲದೆ, ಪರಿಸರದ ಹೆಜ್ಜೆಗುರುತು ಹೆಚ್ಚಾಗಿ ಇದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ:
-
ಡೇಟಾ ಸೆಂಟರ್ ಇರುವ ಸ್ಥಳ (ಗ್ರಿಡ್ ಹೊರಸೂಸುವಿಕೆ ಬದಲಾಗುತ್ತದೆ) ಇಂಗಾಲದ ತೀವ್ರತೆ API (GB) IEA: ಶಕ್ತಿ ಮತ್ತು AI
-
ಅದನ್ನು ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ನಡೆಸಲಾಗುತ್ತದೆ (ಬಳಕೆ ಬಹಳ ಮುಖ್ಯ) ಗ್ರೀನ್ ಗ್ರಿಡ್: PUE—ಮೆಟ್ರಿಕ್ನ ಸಮಗ್ರ ಪರೀಕ್ಷೆ
-
ತ್ಯಾಜ್ಯ ಶಾಖವನ್ನು ಮರುಬಳಕೆ ಮಾಡಲಾಗುತ್ತದೆಯೇ
-
ಇಂಧನ ಸಂಗ್ರಹಣೆ ಆಯ್ಕೆಗಳು (ನವೀಕರಿಸಬಹುದಾದ ವಸ್ತುಗಳು, ದೀರ್ಘಾವಧಿಯ ಒಪ್ಪಂದಗಳು, ಇತ್ಯಾದಿ)
ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ: ಸಾರ್ವಜನಿಕ ಸಂಭಾಷಣೆಯು ಸಾಮಾನ್ಯವಾಗಿ “ಡೇಟಾ ಸೆಂಟರ್” ಅನ್ನು ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಯಂತೆ ಪರಿಗಣಿಸುತ್ತದೆ. ಅದು ಕೆಟ್ಟದ್ದಲ್ಲ, ಮಾಂತ್ರಿಕವಲ್ಲ. ಅದು ಮೂಲಸೌಕರ್ಯ. ಅದು ಮೂಲಸೌಕರ್ಯದಂತೆ ವರ್ತಿಸುತ್ತದೆ.
ಚಿಪ್ಸ್ ಮತ್ತು ಹಾರ್ಡ್ವೇರ್: ಜನರು ಕಡಿಮೆ ಮಾದಕವಾಗಿರುವ ಕಾರಣ ಬಿಟ್ಟುಬಿಡುವ ಭಾಗ 🪨🔧
AI ಹಾರ್ಡ್ವೇರ್ ಮೇಲೆ ಜೀವಿಸುತ್ತದೆ. ಹಾರ್ಡ್ವೇರ್ ಜೀವನಚಕ್ರವನ್ನು ಹೊಂದಿದೆ ಮತ್ತು ಜೀವನಚಕ್ರದ ಪರಿಣಾಮಗಳು ದೊಡ್ಡದಾಗಿರುತ್ತವೆ. US EPA: ಸೆಮಿಕಂಡಕ್ಟರ್ ಇಂಡಸ್ಟ್ರಿ ITU: ದಿ ಗ್ಲೋಬಲ್ ಇ-ವೇಸ್ಟ್ ಮಾನಿಟರ್ 2024
ಪರಿಸರದ ಮೇಲೆ ಉಂಟಾಗುವ ಪರಿಣಾಮಗಳು ಎಲ್ಲಿ ಕಂಡುಬರುತ್ತವೆ
-
ವಸ್ತು ಹೊರತೆಗೆಯುವಿಕೆ: ಲೋಹಗಳು ಮತ್ತು ಅಪರೂಪದ ವಸ್ತುಗಳನ್ನು ಗಣಿಗಾರಿಕೆ ಮತ್ತು ಸಂಸ್ಕರಣೆ.
-
ಉತ್ಪಾದನೆ: ಅರೆವಾಹಕ ತಯಾರಿಕೆಯು ಸಂಕೀರ್ಣ ಮತ್ತು ಶಕ್ತಿ-ತೀವ್ರವಾಗಿದೆ. US EPA: ಅರೆವಾಹಕ ಉದ್ಯಮ imec: ಚಿಪ್ ತಯಾರಿಕೆಯಲ್ಲಿ ಪರಿಸರ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು.
-
ಸಾರಿಗೆ: ಜಾಗತಿಕ ಪೂರೈಕೆ ಸರಪಳಿಗಳು ಎಲ್ಲೆಡೆ ಭಾಗಗಳನ್ನು ಸಾಗಿಸುತ್ತವೆ.
-
ಸಣ್ಣ ಬದಲಿ ಚಕ್ರಗಳು: ತ್ವರಿತ ನವೀಕರಣಗಳು ಇ-ತ್ಯಾಜ್ಯ ಮತ್ತು ಸಾಕಾರಗೊಂಡ ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ITU: ಜಾಗತಿಕ ಇ-ತ್ಯಾಜ್ಯ ಮಾನಿಟರ್ 2024
ಇ-ತ್ಯಾಜ್ಯ ಮತ್ತು "ಸಂಪೂರ್ಣವಾಗಿ ಉತ್ತಮ" ಸರ್ವರ್ಗಳು
ಒಂದು ಸಾಧನವು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವುದರಿಂದ ಹೆಚ್ಚಿನ ಪರಿಸರ ಹಾನಿ ಉಂಟಾಗುವುದಿಲ್ಲ - ಅದು ಇನ್ನು ಮುಂದೆ ವೆಚ್ಚ-ಪರಿಣಾಮಕಾರಿಯಲ್ಲದ ಕಾರಣ ಅದನ್ನು ಮೊದಲೇ ಬದಲಾಯಿಸುವುದರಿಂದ ಉಂಟಾಗುತ್ತದೆ. ಕಾರ್ಯಕ್ಷಮತೆಯ ಜಿಗಿತಗಳು ದೊಡ್ಡದಾಗಿರುವುದರಿಂದ AI ಇದನ್ನು ವೇಗಗೊಳಿಸುತ್ತದೆ. ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ರಿಫ್ರೆಶ್ ಮಾಡುವ ಪ್ರಲೋಭನೆಯು ನಿಜ. ITU: ಜಾಗತಿಕ ಇ-ತ್ಯಾಜ್ಯ ಮಾನಿಟರ್ 2024
ಒಂದು ಪ್ರಾಯೋಗಿಕ ಅಂಶ: ಹಾರ್ಡ್ವೇರ್ ಜೀವಿತಾವಧಿಯನ್ನು ವಿಸ್ತರಿಸುವುದು, ಬಳಕೆಯನ್ನು ಸುಧಾರಿಸುವುದು ಮತ್ತು ನವೀಕರಿಸುವುದು ಯಾವುದೇ ಅಲಂಕಾರಿಕ ಮಾದರಿ ಬದಲಾವಣೆಯಷ್ಟೇ ಮುಖ್ಯವಾಗಬಹುದು. ಕೆಲವೊಮ್ಮೆ ನೀವು ಖರೀದಿಸದಿರುವ ಅತ್ಯಂತ ಹಸಿರು GPU ಆಗಿರುತ್ತದೆ. (ಅದು ಘೋಷಣೆಯಂತೆ ತೋರುತ್ತದೆ, ಆದರೆ ಇದು ... ಸ್ವಲ್ಪ ನಿಜ.)
AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ: "ಜನರು ಇದನ್ನು ಮರೆತುಬಿಡುತ್ತಾರೆ" ಎಂಬ ನಡವಳಿಕೆಯ ಲೂಪ್ 🔁😬
ವಿಚಿತ್ರವಾದ ಸಾಮಾಜಿಕ ಭಾಗ ಇಲ್ಲಿದೆ: AI ವಿಷಯಗಳನ್ನು ಸುಲಭಗೊಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಜನರು ಹೆಚ್ಚಿನ ಕೆಲಸಗಳನ್ನು ಮಾಡುತ್ತಾರೆ. ಅದು ಅದ್ಭುತವಾಗಿರಬಹುದು - ಹೆಚ್ಚು ಉತ್ಪಾದಕತೆ, ಹೆಚ್ಚು ಸೃಜನಶೀಲತೆ, ಹೆಚ್ಚಿನ ಪ್ರವೇಶ. ಆದರೆ ಇದು ಹೆಚ್ಚಿನ ಒಟ್ಟಾರೆ ಸಂಪನ್ಮೂಲ ಬಳಕೆಯನ್ನು ಸಹ ಅರ್ಥೈಸಬಲ್ಲದು. OECD (2012): ಇಂಧನ ದಕ್ಷತೆಯ ಸುಧಾರಣೆಗಳ ಬಹು ಪ್ರಯೋಜನಗಳು (PDF)
ಉದಾಹರಣೆಗಳು:
-
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (AI) ವಿಡಿಯೋ ಉತ್ಪಾದನೆಯನ್ನು ಅಗ್ಗಗೊಳಿಸಿದರೆ, ಜನರು ಹೆಚ್ಚಿನ ವಿಡಿಯೋ ಉತ್ಪಾದಿಸುತ್ತಾರೆ.
-
AI ಜಾಹೀರಾತನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿಸಿದರೆ, ಹೆಚ್ಚಿನ ಜಾಹೀರಾತುಗಳನ್ನು ನೀಡಲಾಗುತ್ತದೆ, ಹೆಚ್ಚಿನ ತೊಡಗಿಸಿಕೊಳ್ಳುವಿಕೆ ಕುಣಿಕೆಗಳು ತಿರುಗುತ್ತವೆ.
-
ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಸಾಗಣೆ ಲಾಜಿಸ್ಟಿಕ್ಸ್ ಅನ್ನು ಹೆಚ್ಚು ಪರಿಣಾಮಕಾರಿಯಾಗಿಸಿದರೆ, ಇ-ಕಾಮರ್ಸ್ ಇನ್ನಷ್ಟು ಕಠಿಣವಾಗಬಹುದು.
ಇದು ಭಯಭೀತರಾಗಲು ಒಂದು ಕಾರಣವಲ್ಲ. ಇದು ಕೇವಲ ದಕ್ಷತೆಯಲ್ಲ, ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯಲು ಒಂದು ಕಾರಣವಾಗಿದೆ.
ಅಪೂರ್ಣ ಆದರೆ ಮೋಜಿನ ರೂಪಕ: AI ದಕ್ಷತೆಯು ಹದಿಹರೆಯದವರಿಗೆ ದೊಡ್ಡ ಫ್ರಿಡ್ಜ್ ನೀಡುವಂತಿದೆ - ಹೌದು, ಆಹಾರ ಸಂಗ್ರಹಣೆ ಸುಧಾರಿಸುತ್ತದೆ, ಆದರೆ ಹೇಗೋ ಒಂದು ದಿನದಲ್ಲಿ ಫ್ರಿಡ್ಜ್ ಮತ್ತೆ ಖಾಲಿಯಾಗುತ್ತದೆ. ಪರಿಪೂರ್ಣ ರೂಪಕವಲ್ಲ, ಆದರೆ... ಅದು ಸಂಭವಿಸುವುದನ್ನು ನೀವು ನೋಡಿದ್ದೀರಿ 😅
ಒಳಿತು: AI ಪರಿಸರಕ್ಕೆ ನಿಜವಾಗಿಯೂ ಸಹಾಯ ಮಾಡುತ್ತದೆ (ಸರಿಯಾದ ಗುರಿಯನ್ನು ಹೊಂದಿದಾಗ) 🌿✨
ಈಗ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಲಾಗುವ ಭಾಗಕ್ಕೆ: AI ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ವ್ಯವಸ್ಥೆಗಳಲ್ಲಿ ಹೊರಸೂಸುವಿಕೆ ಮತ್ತು ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು... ಸ್ಪಷ್ಟವಾಗಿ ಹೇಳುವುದಾದರೆ, ಸೊಗಸಾಗಿರುವುದಿಲ್ಲ. IEA: ಇಂಧನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
AI ಸಹಾಯ ಮಾಡಬಹುದಾದ ಕ್ಷೇತ್ರಗಳು
-
ಇಂಧನ ಗ್ರಿಡ್ಗಳು: ಲೋಡ್ ಮುನ್ಸೂಚನೆ, ಬೇಡಿಕೆ ಪ್ರತಿಕ್ರಿಯೆ, ವೇರಿಯಬಲ್ ನವೀಕರಿಸಬಹುದಾದ ಇಂಧನ ಮೂಲಗಳ ಏಕೀಕರಣ. IEA: ಇಂಧನ ಅತ್ಯುತ್ತಮೀಕರಣ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
-
ಕಟ್ಟಡಗಳು: ಚುರುಕಾದ HVAC ನಿಯಂತ್ರಣ, ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ, ಆಕ್ಯುಪೆನ್ಸಿ ಆಧಾರಿತ ಇಂಧನ ಬಳಕೆ. IEA: ಡಿಜಿಟಲೀಕರಣ.
-
ಸಾರಿಗೆ: ಮಾರ್ಗ ಆಪ್ಟಿಮೈಸೇಶನ್, ಫ್ಲೀಟ್ ನಿರ್ವಹಣೆ, ಖಾಲಿ ಮೈಲುಗಳನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು. IEA: ಇಂಧನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
-
ಉತ್ಪಾದನೆ: ದೋಷ ಪತ್ತೆ, ಪ್ರಕ್ರಿಯೆ ಶ್ರುತಿ, ಕಡಿಮೆಯಾದ ಸ್ಕ್ರ್ಯಾಪ್.
-
ಕೃಷಿ: ನಿಖರ ನೀರಾವರಿ, ಕೀಟ ಪತ್ತೆ, ರಸಗೊಬ್ಬರ ಅತ್ಯುತ್ತಮೀಕರಣ.
-
ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣೆ: ಮೀಥೇನ್ ಸೋರಿಕೆಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ಅರಣ್ಯನಾಶದ ಸಂಕೇತಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ಜೀವವೈವಿಧ್ಯ ಮಾದರಿಗಳನ್ನು ಮ್ಯಾಪಿಂಗ್ ಮಾಡುವುದು. UNEP: MARS ಹೇಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಜಾಗತಿಕ ಅರಣ್ಯ ವೀಕ್ಷಣೆ: ಸಂತೋಷದ ಅರಣ್ಯನಾಶದ ಎಚ್ಚರಿಕೆಗಳು ಅಲನ್ ಟ್ಯೂರಿಂಗ್ ಸಂಸ್ಥೆ: ಜೀವವೈವಿಧ್ಯತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು AI ಮತ್ತು ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು
-
ವೃತ್ತಾಕಾರದ ಆರ್ಥಿಕತೆ: ಮರುಬಳಕೆ ಹೊಳೆಗಳಲ್ಲಿ ಉತ್ತಮ ವಿಂಗಡಣೆ ಮತ್ತು ಗುರುತಿಸುವಿಕೆ.
ಪ್ರಮುಖ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸ: AI "ಸಹಾಯ" ಸ್ವಯಂಚಾಲಿತವಾಗಿ AI ನ ಹೆಜ್ಜೆಗುರುತನ್ನು ಸರಿದೂಗಿಸುವುದಿಲ್ಲ. ಇದು AI ಅನ್ನು ನಿಜವಾಗಿಯೂ ನಿಯೋಜಿಸಲಾಗಿದೆಯೇ, ನಿಜವಾಗಿಯೂ ಬಳಸಲಾಗಿದೆಯೇ ಮತ್ತು ಅದು ಉತ್ತಮ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳಿಗಿಂತ ನಿಜವಾದ ಕಡಿತಕ್ಕೆ ಕಾರಣವಾಗುತ್ತದೆಯೇ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. ಆದರೆ ಹೌದು, ಸಾಮರ್ಥ್ಯವು ನಿಜವಾಗಿದೆ. IEA: ಶಕ್ತಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
ಪರಿಸರ ಸ್ನೇಹಿ AI ನ ಉತ್ತಮ ಆವೃತ್ತಿ ಯಾವುದು? ✅🌍
ಇದು "ಸರಿ ಹಾಗಾದರೆ ನಾವು ಏನು ಮಾಡಬೇಕು" ವಿಭಾಗ. ಉತ್ತಮ ಪರಿಸರ ಜವಾಬ್ದಾರಿಯುತ AI ಸೆಟಪ್ ಸಾಮಾನ್ಯವಾಗಿ ಇವುಗಳನ್ನು ಹೊಂದಿರುತ್ತದೆ:
-
ಬಳಕೆಯ ಸಂದರ್ಭದ ಮೌಲ್ಯವನ್ನು ತೆರವುಗೊಳಿಸಿ: ಮಾದರಿಯು ನಿರ್ಧಾರಗಳು ಅಥವಾ ಫಲಿತಾಂಶಗಳನ್ನು ಬದಲಾಯಿಸದಿದ್ದರೆ, ಅದು ಕೇವಲ ಅಲಂಕಾರಿಕ ಲೆಕ್ಕಾಚಾರವಾಗಿರುತ್ತದೆ.
-
ಮಾಪನವನ್ನು ಇದರಲ್ಲಿ ನಿರ್ಮಿಸಲಾಗಿದೆ: ಶಕ್ತಿ, ಇಂಗಾಲದ ಅಂದಾಜುಗಳು, ಬಳಕೆ ಮತ್ತು ದಕ್ಷತೆಯ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಯಾವುದೇ ಇತರ KPI ನಂತೆ ಟ್ರ್ಯಾಕ್ ಮಾಡಲಾಗುತ್ತದೆ. ಕೋಡ್ಕಾರ್ಬನ್: ವಿಧಾನ
-
ಸರಿಯಾದ ಗಾತ್ರದ ಮಾದರಿಗಳು: ಚಿಕ್ಕ ಮಾದರಿಗಳು ಕೆಲಸ ಮಾಡುವಾಗ ಚಿಕ್ಕ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ. ದಕ್ಷತೆಯನ್ನು ತೋರಿಸಲು ಇದು ನೈತಿಕ ವೈಫಲ್ಯವಲ್ಲ.
-
ಪರಿಣಾಮಕಾರಿ ನಿರ್ಣಯ ವಿನ್ಯಾಸ: ಕ್ಯಾಶಿಂಗ್, ಬ್ಯಾಚಿಂಗ್, ಕ್ವಾಂಟೀಕರಣ, ಮರುಪಡೆಯುವಿಕೆ ಮತ್ತು ಉತ್ತಮ ಪ್ರಾಂಪ್ಟಿಂಗ್ ಮಾದರಿಗಳು. ಘೋಲಾಮಿ ಮತ್ತು ಇತರರು (2021): ಕ್ವಾಂಟೀಕರಣ ವಿಧಾನಗಳ ಸಮೀಕ್ಷೆ (PDF) ಲೆವಿಸ್ ಮತ್ತು ಇತರರು (2020): ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಜನರೇಷನ್
-
ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಸ್ಥಳ ಅರಿವು: ಗ್ರಿಡ್ ಸ್ವಚ್ಛವಾಗಿರುವ ಮತ್ತು ಮೂಲಸೌಕರ್ಯವು ದಕ್ಷವಾಗಿರುವ (ಸಾಧ್ಯವಾದಾಗ) ಕೆಲಸದ ಹೊರೆಗಳನ್ನು ಚಲಾಯಿಸಿ. ಕಾರ್ಬನ್ ಇಂಟೆನ್ಸಿಟಿ API (GB)
-
ದೀರ್ಘ ಯಂತ್ರಾಂಶ ಜೀವಿತಾವಧಿ: ಗರಿಷ್ಠ ಬಳಕೆ, ಮರುಬಳಕೆ ಮತ್ತು ನವೀಕರಣ. ITU: ಜಾಗತಿಕ ಇ-ತ್ಯಾಜ್ಯ ಮಾನಿಟರ್ 2024
-
ನೇರ ವರದಿ ಮಾಡುವಿಕೆ: ಹಸಿರು ತೊಳೆಯುವ ಭಾಷೆ ಮತ್ತು ಸಂಖ್ಯೆಗಳಿಲ್ಲದೆ "ಪರಿಸರ ಸ್ನೇಹಿ AI" ನಂತಹ ಅಸ್ಪಷ್ಟ ಹಕ್ಕುಗಳನ್ನು ತಪ್ಪಿಸಿ.
ನೀವು ಇನ್ನೂ AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುತ್ತಿದ್ದರೆ, ಉತ್ತರವು ತಾತ್ವಿಕವಾಗಿರುವುದನ್ನು ನಿಲ್ಲಿಸಿ ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುವ ಹಂತ ಇದು: ಅದು ನಿಮ್ಮ ಆಯ್ಕೆಗಳ ಆಧಾರದ ಮೇಲೆ ಅದರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: ಪರಿಣಾಮವನ್ನು ವಾಸ್ತವವಾಗಿ ಕಡಿಮೆ ಮಾಡುವ ಸಾಧನಗಳು ಮತ್ತು ವಿಧಾನಗಳು 🧰⚡
ಕೆಳಗೆ ಒಂದು ತ್ವರಿತ, ಪ್ರಾಯೋಗಿಕ ಕೋಷ್ಟಕವಿದೆ. ಇದು ಪರಿಪೂರ್ಣವಲ್ಲ, ಮತ್ತು ಹೌದು, ಕೆಲವು ಕೋಶಗಳು ಸ್ವಲ್ಪ ಅಭಿಪ್ರಾಯಗಳನ್ನು ಹೊಂದಿವೆ... ಏಕೆಂದರೆ ನಿಜವಾದ ಉಪಕರಣದ ಆಯ್ಕೆಯು ಹಾಗೆಯೇ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.
| ಪರಿಕರ / ವಿಧಾನ | ಪ್ರೇಕ್ಷಕರು | ಬೆಲೆ | ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ | |
|---|---|---|---|---|
| ಇಂಗಾಲ/ಶಕ್ತಿ ಟ್ರ್ಯಾಕಿಂಗ್ ಗ್ರಂಥಾಲಯಗಳು (ರನ್ಟೈಮ್ ಅಂದಾಜುಗಾರರು) | ML ತಂಡಗಳು | ಉಚಿತ | ಗೋಚರತೆಯನ್ನು ನೀಡುತ್ತದೆ - ಅಂದಾಜುಗಳು ಸ್ವಲ್ಪ ಅಸ್ಪಷ್ಟವಾಗಿದ್ದರೂ ಸಹ, ಇದು ಅರ್ಧದಷ್ಟು ಯುದ್ಧವಾಗಿದೆ.. | ಕೋಡ್ಕಾರ್ಬನ್ |
| ಹಾರ್ಡ್ವೇರ್ ಪವರ್ ಮಾನಿಟರಿಂಗ್ (GPU/CPU ಟೆಲಿಮೆಟ್ರಿ) | ಇನ್ಫ್ರಾ + ಎಂಎಲ್ | ಉಚಿತ | ನೈಜ ಬಳಕೆಯನ್ನು ಅಳೆಯುತ್ತದೆ; ಬೆಂಚ್ಮಾರ್ಕಿಂಗ್ ರನ್ಗಳಿಗೆ ಒಳ್ಳೆಯದು (ಕಳಪೆಯಿಲ್ಲದ ಆದರೆ ಚಿನ್ನದ ಬಣ್ಣ) | |
| ಮಾದರಿ ಬಟ್ಟಿ ಇಳಿಸುವಿಕೆ | ಎಂಎಲ್ ಎಂಜಿನಿಯರ್ಗಳು | ಉಚಿತ (ಸಮಯ-ವೆಚ್ಚ 😵) | ಚಿಕ್ಕ ವಿದ್ಯಾರ್ಥಿ ಮಾದರಿಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಕಡಿಮೆ ನಿರ್ಣಯ ವೆಚ್ಚದೊಂದಿಗೆ ಹೊಂದಿಸುತ್ತವೆ | ಹಿಂಟನ್ ಮತ್ತು ಇತರರು (2015): ನರಮಂಡಲದಲ್ಲಿ ಜ್ಞಾನವನ್ನು ಬಟ್ಟಿ ಇಳಿಸುವುದು |
| ಪರಿಮಾಣೀಕರಣ (ಕಡಿಮೆ ನಿಖರತೆಯ ನಿರ್ಣಯ) | ML + ಉತ್ಪನ್ನ | ಉಚಿತ | ಸುಪ್ತತೆ ಮತ್ತು ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ; ಕೆಲವೊಮ್ಮೆ ಸಣ್ಣ ಗುಣಮಟ್ಟದ ರಾಜಿ ವಿನಿಮಯಗಳೊಂದಿಗೆ, ಕೆಲವೊಮ್ಮೆ ಯಾವುದೂ ಇಲ್ಲ | ಘೋಲಾಮಿ ಮತ್ತು ಇತರರು (2021): ಕ್ವಾಂಟೀಕರಣ ವಿಧಾನಗಳ ಸಮೀಕ್ಷೆ (PDF) |
| ಕ್ಯಾಶಿಂಗ್ + ಬ್ಯಾಚಿಂಗ್ ಅನುಮಾನ | ಉತ್ಪನ್ನ + ವೇದಿಕೆ | ಉಚಿತ | ಅನಗತ್ಯ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಪುನರಾವರ್ತಿತ ಪ್ರಾಂಪ್ಟ್ಗಳು ಅಥವಾ ಅಂತಹುದೇ ವಿನಂತಿಗಳಿಗೆ ವಿಶೇಷವಾಗಿ ಸೂಕ್ತವಾಗಿದೆ | |
| ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಪೀಳಿಗೆ (RAG) | ಅಪ್ಲಿಕೇಶನ್ ತಂಡಗಳು | ಮಿಶ್ರಿತ | "ಮೆಮೊರಿ"ಯನ್ನು ಮರುಪಡೆಯುವಿಕೆಗೆ ಇಳಿಸುತ್ತದೆ; ದೊಡ್ಡ ಸಂದರ್ಭ ವಿಂಡೋಗಳ ಅಗತ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು | ಲೆವಿಸ್ ಮತ್ತು ಇತರರು (2020): ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಪೀಳಿಗೆ |
| ಇಂಗಾಲದ ತೀವ್ರತೆಯಿಂದ ಕೆಲಸದ ಹೊರೆಗಳನ್ನು ನಿಗದಿಪಡಿಸುವುದು | ಇನ್ಫ್ರಾ/ಆಪ್ಸ್ | ಮಿಶ್ರಿತ | ಹೊಂದಿಕೊಳ್ಳುವ ಕೆಲಸಗಳನ್ನು ಕ್ಲೀನರ್ ಪವರ್ ವಿಂಡೋಗಳಿಗೆ ಬದಲಾಯಿಸುತ್ತದೆ - ಆದರೂ ಸಮನ್ವಯದ ಅಗತ್ಯವಿದೆ | ಕಾರ್ಬನ್ ಇಂಟೆನ್ಸಿಟಿ API (GB) |
| ಡೇಟಾ ಸೆಂಟರ್ ದಕ್ಷತೆಯ ಗಮನ (ಬಳಕೆ, ಕ್ರೋಢೀಕರಣ) | ಐಟಿ ನಾಯಕತ್ವ | ಪಾವತಿಸಲಾಗಿದೆ (ಸಾಮಾನ್ಯವಾಗಿ) | ಕಡಿಮೆ ಆಕರ್ಷಕ ಲಿವರ್, ಆದರೆ ಹೆಚ್ಚಾಗಿ ದೊಡ್ಡದು - ಅರ್ಧ-ಖಾಲಿ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಚಲಾಯಿಸುವುದನ್ನು ನಿಲ್ಲಿಸಿ | ಹಸಿರು ಗ್ರಿಡ್: PUE |
| ಶಾಖ ಮರುಬಳಕೆ ಯೋಜನೆಗಳು | ಸೌಲಭ್ಯಗಳು | ಅದು ಅವಲಂಬಿಸಿರುತ್ತದೆ | ವ್ಯರ್ಥ ಶಾಖವನ್ನು ಮೌಲ್ಯವನ್ನಾಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ; ಯಾವಾಗಲೂ ಕಾರ್ಯಸಾಧ್ಯವಲ್ಲ, ಆದರೆ ಅದು ಸಾಧ್ಯವಾದಾಗ, ಅದು ಸ್ವಲ್ಪ ಸುಂದರವಾಗಿರುತ್ತದೆ | |
| "ನಮಗೆ ಇಲ್ಲಿ AI ಅಗತ್ಯವಿದೆಯೇ?" ಪರಿಶೀಲಿಸಿ | ಎಲ್ಲರೂ | ಉಚಿತ | ಅರ್ಥಹೀನ ಲೆಕ್ಕಾಚಾರವನ್ನು ತಡೆಯುತ್ತದೆ. ಅತ್ಯಂತ ಶಕ್ತಿಶಾಲಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಎಂದರೆ ಇಲ್ಲ ಎಂದು ಹೇಳುವುದು (ಕೆಲವೊಮ್ಮೆ) |
ಏನು ಕಾಣೆಯಾಗಿದೆ ಎಂದು ಗಮನಿಸಿ? "ಮ್ಯಾಜಿಕ್ ಗ್ರೀನ್ ಸ್ಟಿಕ್ಕರ್ ಖರೀದಿಸಿ." ಅದು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ 😬
ಪ್ರಾಯೋಗಿಕ ಪ್ಲೇಬುಕ್: ಉತ್ಪನ್ನವನ್ನು ಕೊಲ್ಲದೆ AI ಪ್ರಭಾವವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು 🛠️🌱
ನೀವು AI ವ್ಯವಸ್ಥೆಗಳನ್ನು ನಿರ್ಮಿಸುತ್ತಿದ್ದರೆ ಅಥವಾ ಖರೀದಿಸುತ್ತಿದ್ದರೆ, ಪ್ರಾಯೋಗಿಕವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವ ವಾಸ್ತವಿಕ ಅನುಕ್ರಮ ಇಲ್ಲಿದೆ:
ಹಂತ 1: ಅಳತೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸಿ
-
ಶಕ್ತಿಯ ಬಳಕೆಯನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡಿ ಅಥವಾ ಅದನ್ನು ಸ್ಥಿರವಾಗಿ ಅಂದಾಜು ಮಾಡಿ. ಕೋಡ್ಕಾರ್ಬನ್: ವಿಧಾನ
-
ತರಬೇತಿ ಓಟ ಮತ್ತು ಅನುಮಾನ ವಿನಂತಿಯ ಮೇರೆಗೆ ಅಳತೆ.
-
ಬಳಕೆಯನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಿ - ನಿಷ್ಕ್ರಿಯ ಸಂಪನ್ಮೂಲಗಳು ಸರಳ ದೃಷ್ಟಿಯಲ್ಲಿ ಅಡಗಿಕೊಳ್ಳುವ ಒಂದು ಮಾರ್ಗವನ್ನು ಹೊಂದಿವೆ. ಹಸಿರು ಗ್ರಿಡ್: PUE
ಹಂತ 2: ಕೆಲಸಕ್ಕೆ ಮಾದರಿಯನ್ನು ಬಲ ಗಾತ್ರಕ್ಕೆ ಹೊಂದಿಸಿ
-
ವರ್ಗೀಕರಣ, ಹೊರತೆಗೆಯುವಿಕೆ, ರೂಟಿಂಗ್ಗಾಗಿ ಸಣ್ಣ ಮಾದರಿಗಳನ್ನು ಬಳಸಿ.
-
ಹಾರ್ಡ್ ಕೇಸ್ಗಳಿಗಾಗಿ ಭಾರವಾದ ಮಾದರಿಯನ್ನು ಉಳಿಸಿ.
-
"ಮಾದರಿ ಕ್ಯಾಸ್ಕೇಡ್" ಅನ್ನು ಪರಿಗಣಿಸಿ: ಮೊದಲು ಸಣ್ಣ ಮಾದರಿ, ಅಗತ್ಯವಿದ್ದರೆ ಮಾತ್ರ ದೊಡ್ಡ ಮಾದರಿ.
ಹಂತ 3: ಅನುಮಾನವನ್ನು ಅತ್ಯುತ್ತಮಗೊಳಿಸಿ (ಸ್ಕೇಲ್ ಕಚ್ಚುವುದು ಇಲ್ಲಿಯೇ)
-
ಕ್ಯಾಶಿಂಗ್: ಪುನರಾವರ್ತಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಗಳನ್ನು ಸಂಗ್ರಹಿಸುತ್ತದೆ (ಎಚ್ಚರಿಕೆಯ ಗೌಪ್ಯತೆ ನಿಯಂತ್ರಣಗಳೊಂದಿಗೆ).
-
ಬ್ಯಾಚಿಂಗ್: ಹಾರ್ಡ್ವೇರ್ ದಕ್ಷತೆಯನ್ನು ಸುಧಾರಿಸಲು ಗುಂಪು ವಿನಂತಿಗಳು.
-
ಕಡಿಮೆ ಔಟ್ಪುಟ್ಗಳು: ದೀರ್ಘ ಔಟ್ಪುಟ್ಗಳು ಹೆಚ್ಚು ದುಬಾರಿಯಾಗುತ್ತವೆ - ಕೆಲವೊಮ್ಮೆ ನಿಮಗೆ ಪ್ರಬಂಧದ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ.
-
ತ್ವರಿತ ಶಿಸ್ತು: ಅಶುದ್ಧವಾದ ಪ್ರಾಂಪ್ಟ್ಗಳು ಉದ್ದವಾದ ಕಂಪ್ಯೂಟ್ ಮಾರ್ಗಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ... ಮತ್ತು ಹೌದು, ಹೆಚ್ಚಿನ ಟೋಕನ್ಗಳು.
ಹಂತ 4: ಡೇಟಾ ನೈರ್ಮಲ್ಯವನ್ನು ಸುಧಾರಿಸಿ
ಇದು ಸಂಬಂಧವಿಲ್ಲದಂತೆ ತೋರುತ್ತದೆ, ಆದರೆ ಅದು ಅಲ್ಲ:
-
ಸ್ಪಷ್ಟವಾದ ಡೇಟಾಸೆಟ್ಗಳು ಮರುತರಬೇತಿ ಮಂಥನವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು.
-
ಕಡಿಮೆ ಶಬ್ದ ಎಂದರೆ ಕಡಿಮೆ ಪ್ರಯೋಗಗಳು ಮತ್ತು ಕಡಿಮೆ ವ್ಯರ್ಥ ರನ್ಗಳು.
ಹಂತ 5: ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಒಂದು ಆಸ್ತಿಯಂತೆ ಪರಿಗಣಿಸಿ, ಬಿಸಾಡಬಹುದಾದ ವಸ್ತುಗಳಂತೆ ಅಲ್ಲ
-
ಸಾಧ್ಯವಾದಲ್ಲೆಲ್ಲಾ ರಿಫ್ರೆಶ್ ಚಕ್ರಗಳನ್ನು ವಿಸ್ತರಿಸಿ. ITU: ಜಾಗತಿಕ ಇ-ತ್ಯಾಜ್ಯ ಮಾನಿಟರ್ 2024
-
ಹಗುರವಾದ ಕೆಲಸದ ಹೊರೆಗಳಿಗಾಗಿ ಹಳೆಯ ಹಾರ್ಡ್ವೇರ್ ಅನ್ನು ಮರುಬಳಕೆ ಮಾಡಿ.
-
"ಯಾವಾಗಲೂ ಗರಿಷ್ಠ" ಪೂರೈಕೆಯನ್ನು ತಪ್ಪಿಸಿ.
ಹಂತ 6: ನಿಯೋಜನೆಯನ್ನು ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಆರಿಸಿ
-
ಸಾಧ್ಯವಾದರೆ ವಿದ್ಯುತ್ ಸ್ವಚ್ಛವಾಗಿರುವಲ್ಲಿ ಹೊಂದಿಕೊಳ್ಳುವ ಕೆಲಸಗಳನ್ನು ಮಾಡಿ. ಕಾರ್ಬನ್ ಇಂಟೆನ್ಸಿಟಿ API (GB)
-
ಅನಗತ್ಯ ಪ್ರತಿಕೃತಿಯನ್ನು ಕಡಿಮೆ ಮಾಡಿ.
-
ಲೇಟೆನ್ಸಿ ಗುರಿಗಳನ್ನು ವಾಸ್ತವಿಕವಾಗಿರಿಸಿಕೊಳ್ಳಿ (ಅತಿ ಕಡಿಮೆ ಲೇಟೆನ್ಸಿ ಅಸಮರ್ಥ ಯಾವಾಗಲೂ ಆನ್ ಆಗಿರುವ ಸೆಟಪ್ಗಳನ್ನು ಒತ್ತಾಯಿಸಬಹುದು).
ಮತ್ತು ಹೌದು... ಕೆಲವೊಮ್ಮೆ ಉತ್ತಮ ಹೆಜ್ಜೆ ಎಂದರೆ: ಪ್ರತಿಯೊಂದು ಬಳಕೆದಾರ ಕ್ರಿಯೆಗೂ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಸ್ವಯಂ-ರನ್ ಮಾಡಬೇಡಿ. ಆ ಅಭ್ಯಾಸವು ಪರಿಸರಕ್ಕೆ ಸಮಾನವಾಗಿದೆ ಏಕೆಂದರೆ ಸ್ವಿಚ್ಗೆ ನಡೆಯುವುದು ಕಿರಿಕಿರಿ ಉಂಟುಮಾಡುತ್ತದೆ.
ಸಾಮಾನ್ಯ ಪುರಾಣಗಳು (ಮತ್ತು ಸತ್ಯಕ್ಕೆ ಹತ್ತಿರವಾದದ್ದು) 🧠🧯
ಮಿಥ್ಯೆ: "AI ಯಾವಾಗಲೂ ಸಾಂಪ್ರದಾಯಿಕ ಸಾಫ್ಟ್ವೇರ್ಗಿಂತ ಕೆಟ್ಟದಾಗಿದೆ"
ಸತ್ಯ: AI ಹೆಚ್ಚು ಕಂಪ್ಯೂಟ್-ಹೆವಿ ಆಗಿರಬಹುದು, ಆದರೆ ಇದು ಅಸಮರ್ಥ ಹಸ್ತಚಾಲಿತ ಪ್ರಕ್ರಿಯೆಗಳನ್ನು ಬದಲಾಯಿಸಬಹುದು, ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು ಮತ್ತು ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಬಹುದು. ಇದು ಸಾಂದರ್ಭಿಕವಾಗಿದೆ. IEA: ಇಂಧನ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI.
ಪುರಾಣ: "ತರಬೇತಿ ಒಂದೇ ಸಮಸ್ಯೆ"
ಸತ್ಯ: ಪ್ರಮಾಣದಲ್ಲಿ ನಿರ್ಣಯವು ಕಾಲಾನಂತರದಲ್ಲಿ ಮೇಲುಗೈ ಸಾಧಿಸಬಹುದು. ನಿಮ್ಮ ಉತ್ಪನ್ನವು ಬಳಕೆಯಲ್ಲಿ ಸ್ಫೋಟಗೊಂಡರೆ, ಇದು ಮುಖ್ಯ ಕಥೆಯಾಗುತ್ತದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ಮಿಥ್ಯ: “ನವೀಕರಿಸಬಹುದಾದ ಇಂಧನಗಳು ಅದನ್ನು ತಕ್ಷಣವೇ ಪರಿಹರಿಸುತ್ತವೆ”
ಸತ್ಯ: ಶುದ್ಧ ವಿದ್ಯುತ್ ಬಹಳಷ್ಟು ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದರೆ ಹಾರ್ಡ್ವೇರ್ ಹೆಜ್ಜೆಗುರುತು, ನೀರಿನ ಬಳಕೆ ಅಥವಾ ಮರುಕಳಿಸುವ ಪರಿಣಾಮಗಳನ್ನು ಅಳಿಸುವುದಿಲ್ಲ. ಆದರೂ ಇನ್ನೂ ಮುಖ್ಯವಾಗಿದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ಮಿಥ್ಯ: "ಅದು ಪರಿಣಾಮಕಾರಿಯಾಗಿದ್ದರೆ, ಅದು ಸುಸ್ಥಿರವಾಗಿರುತ್ತದೆ"
ಸತ್ಯ: ಬೇಡಿಕೆ ನಿಯಂತ್ರಣವಿಲ್ಲದೆ ದಕ್ಷತೆಯು ಇನ್ನೂ ಒಟ್ಟು ಪರಿಣಾಮವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಅದು ಮರುಕಳಿಸುವ ಬಲೆ. OECD (2012): ಇಂಧನ ದಕ್ಷತೆಯ ಸುಧಾರಣೆಗಳ ಬಹು ಪ್ರಯೋಜನಗಳು (PDF)
ಆಡಳಿತ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಅದರ ಬಗ್ಗೆ ನಾಟಕೀಯವಾಗಿ ವರ್ತಿಸದಿರುವುದು 🧾🌍
ನೀವು ಒಂದು ಕಂಪನಿಯಾಗಿದ್ದರೆ, ನಂಬಿಕೆ ನಿರ್ಮಾಣವಾಗುವ ಅಥವಾ ಕಳೆದುಹೋಗುವ ಸ್ಥಳ ಇದು.
-
ಅರ್ಥಪೂರ್ಣ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ವರದಿ ಮಾಡಿ: ಪ್ರತಿ ವಿನಂತಿಗೆ, ಪ್ರತಿ ಬಳಕೆದಾರರಿಗೆ, ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೆ - ಕೇವಲ ದೊಡ್ಡ ಭಯಾನಕ ಮೊತ್ತವಲ್ಲ. LBNL (2024): ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡೇಟಾ ಸೆಂಟರ್ ಎನರ್ಜಿ ಯೂಸೇಜ್ ರಿಪೋರ್ಟ್ (PDF)
-
ಅಸ್ಪಷ್ಟ ಹೇಳಿಕೆಗಳನ್ನು ತಪ್ಪಿಸಿ: "ಹಸಿರು AI" ಎಂದರೆ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ಗಡಿಗಳಿಲ್ಲದೆ ಏನೂ ಅಲ್ಲ.
-
ನೀರು ಮತ್ತು ಸ್ಥಳೀಯ ಪ್ರಭಾವವನ್ನು ಪರಿಗಣಿಸಿ: ಇಂಗಾಲವು ಪರಿಸರದ ಏಕೈಕ ವೇರಿಯಬಲ್ ಅಲ್ಲ. ಲಿ ಮತ್ತು ಇತರರು (2023): AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು (PDF)
-
ಸಂಯಮಕ್ಕಾಗಿ ವಿನ್ಯಾಸ: ಡೀಫಾಲ್ಟ್ ಕಡಿಮೆ ಪ್ರತಿಕ್ರಿಯೆಗಳು, ಕಡಿಮೆ-ವೆಚ್ಚದ ವಿಧಾನಗಳು, ವಾಸ್ತವವಾಗಿ ಏನನ್ನಾದರೂ ಮಾಡುವ "ಪರಿಸರ" ಸೆಟ್ಟಿಂಗ್ಗಳು.
-
ಸಮಾನತೆಯ ಬಗ್ಗೆ ಯೋಚಿಸಿ: ವಿರಳ ನೀರು ಅಥವಾ ದುರ್ಬಲವಾದ ಗ್ರಿಡ್ಗಳಿರುವ ಸ್ಥಳಗಳಲ್ಲಿ ಭಾರೀ ಸಂಪನ್ಮೂಲ ಬಳಕೆಯನ್ನು ಮಾಡುವುದರಿಂದ ನಿಮ್ಮ ಸ್ಪ್ರೆಡ್ಶೀಟ್ಗಿಂತ ಹೆಚ್ಚಿನ ಪರಿಣಾಮಗಳು ಉಂಟಾಗುತ್ತವೆ. US DOE FEMP: ಫೆಡರಲ್ ಡೇಟಾ ಕೇಂದ್ರಗಳಿಗೆ ಕೂಲಿಂಗ್ ನೀರಿನ ದಕ್ಷತೆಯ ಅವಕಾಶಗಳು.
ಜನರು ಕಣ್ಣು ಮಿಟುಕಿಸುವ ಭಾಗ ಇದು, ಆದರೆ ಇದು ಮುಖ್ಯವಾಗಿದೆ. ಜವಾಬ್ದಾರಿಯುತ ತಂತ್ರಜ್ಞಾನವು ಬುದ್ಧಿವಂತ ಎಂಜಿನಿಯರಿಂಗ್ ಬಗ್ಗೆ ಮಾತ್ರವಲ್ಲ. ಇದು ರಾಜಿ ವಿನಿಮಯಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲ ಎಂದು ನಟಿಸದಿರುವ ಬಗ್ಗೆಯೂ ಆಗಿದೆ.
ಮುಕ್ತಾಯದ ಸಾರಾಂಶ: AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದರ ಸಂಕ್ಷಿಪ್ತ ಸಾರಾಂಶ 🌎✅
AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ ಎಂಬುದು ಹೆಚ್ಚುವರಿ ಹೊರೆಗೆ ಬರುತ್ತದೆ: ವಿದ್ಯುತ್, ನೀರು (ಕೆಲವೊಮ್ಮೆ), ಮತ್ತು ಹಾರ್ಡ್ವೇರ್ ಬೇಡಿಕೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI ಲಿ ಮತ್ತು ಇತರರು (2023): AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು (PDF) ಇದು ಇತರ ವಲಯಗಳಲ್ಲಿ ಹೊರಸೂಸುವಿಕೆ ಮತ್ತು ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಬಲ ಸಾಧನಗಳನ್ನು ಸಹ ನೀಡುತ್ತದೆ. IEA: ಶಕ್ತಿ ಆಪ್ಟಿಮೈಸೇಶನ್ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI ನಿವ್ವಳ ಫಲಿತಾಂಶವು ಪ್ರಮಾಣ, ಗ್ರಿಡ್ ಸ್ವಚ್ಛತೆ, ದಕ್ಷತೆಯ ಆಯ್ಕೆಗಳು ಮತ್ತು AI ನಿಜವಾದ ಸಮಸ್ಯೆಗಳನ್ನು ಪರಿಹರಿಸುತ್ತಿದೆಯೇ ಅಥವಾ ನವೀನತೆಯ ಸಲುವಾಗಿ ನವೀನತೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತಿದೆಯೇ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ. IEA: ಶಕ್ತಿ ಮತ್ತು AI
ನೀವು ಸರಳವಾದ ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗವನ್ನು ಬಯಸಿದರೆ:
-
ಅಳತೆ.
-
ಬಲ ಗಾತ್ರ.
-
ನಿರ್ಣಯವನ್ನು ಅತ್ಯುತ್ತಮಗೊಳಿಸಿ.
-
ಹಾರ್ಡ್ವೇರ್ ಜೀವಿತಾವಧಿಯನ್ನು ವಿಸ್ತರಿಸಿ.
-
ರಾಜಿ ವಿನಿಮಯಗಳ ಬಗ್ಗೆ ಪ್ರಾಮಾಣಿಕವಾಗಿರಿ.
ಮತ್ತು ನೀವು ತುಂಬಾ ಒತ್ತಡಕ್ಕೊಳಗಾಗಿದ್ದರೆ, ಇಲ್ಲಿ ಒಂದು ಶಾಂತಗೊಳಿಸುವ ಸತ್ಯವಿದೆ: ಸಣ್ಣ ಕಾರ್ಯಾಚರಣೆಯ ನಿರ್ಧಾರಗಳು, ಸಾವಿರ ಬಾರಿ ಪುನರಾವರ್ತಿಸಲ್ಪಡುತ್ತವೆ, ಸಾಮಾನ್ಯವಾಗಿ ಒಂದು ದೊಡ್ಡ ಸುಸ್ಥಿರತೆಯ ಹೇಳಿಕೆಯನ್ನು ಮೀರಿಸುತ್ತದೆ. ಹಲ್ಲುಜ್ಜುವ ಹಾಗೆ. ಆಕರ್ಷಕವಲ್ಲ, ಆದರೆ ಅದು ಕೆಲಸ ಮಾಡುತ್ತದೆ..
ನೈಜ-ಪ್ರಪಂಚದ ಉದಾಹರಣೆ: ಗ್ರಾಹಕ ಬೆಂಬಲ AI ಸಹಾಯಕನ ಹೆಜ್ಜೆಗುರುತನ್ನು ಕತ್ತರಿಸುವುದು 🌱🎧
ಸನ್ನಿವೇಶ
ಒಬ್ಬ ಸಣ್ಣ ಆನ್ಲೈನ್ ಚಿಲ್ಲರೆ ವ್ಯಾಪಾರಿ ವಿತರಣಾ ಸಮಯ, ರಿಟರ್ನ್ಗಳು, ಹಾನಿಗೊಳಗಾದ ಪಾರ್ಸೆಲ್ಗಳು ಮತ್ತು ಉತ್ಪನ್ನದ ಗಾತ್ರದ ಬಗ್ಗೆ ಗ್ರಾಹಕರ ಸಾಮಾನ್ಯ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಲು AI ಅನ್ನು ಬಳಸಲು ಬಯಸುತ್ತಾನೆ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ.
ಮೊದಲ ಆವೃತ್ತಿ ವ್ಯರ್ಥ: ಪ್ರಶ್ನೆ ಸರಳವಾಗಿದ್ದರೂ ಸಹ, ಪ್ರತಿ ಗ್ರಾಹಕರ ಸಂದೇಶವು ನೇರವಾಗಿ ಲಭ್ಯವಿರುವ ದೊಡ್ಡ ಮಾದರಿಗೆ ಹೋಗುತ್ತದೆ. ಸಹಾಯಕವು ಅನುಮೋದಿತ ಪ್ರತಿಕ್ರಿಯೆಗಳನ್ನು ಮರುಬಳಕೆ ಮಾಡುವ ಬದಲು ದೀರ್ಘವಾದ ಪ್ರತ್ಯುತ್ತರಗಳನ್ನು ಬರೆಯುತ್ತದೆ, ನೀತಿ ಪಠ್ಯವನ್ನು ಪುನರಾವರ್ತಿಸುತ್ತದೆ ಮತ್ತು ಅದೇ ಪ್ರಶ್ನೆಗಳಿಗೆ ಸಾವಿರಾರು ಬಾರಿ ಮರು ಉತ್ತರಿಸುತ್ತದೆ.
ಹೆಚ್ಚು ಸಮಂಜಸವಾದ ಸೆಟಪ್ "AI ಇಲ್ಲ" ಅಲ್ಲ. ಇದು ಸರಿಯಾದ ಗಾತ್ರದ AI: ಸುಲಭವಾದ ಕಾರ್ಯಗಳಿಗಾಗಿ ಹಗುರವಾದ ಪರಿಕರಗಳನ್ನು ಬಳಸಿ, ಸಂಕೀರ್ಣ ಪ್ರಕರಣಗಳಿಗೆ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಕಾಯ್ದಿರಿಸಿ ಮತ್ತು ಪರಿಹರಿಸಲಾದ ಟಿಕೆಟ್ಗೆ ಪರಿಣಾಮವನ್ನು ಅಳೆಯಿರಿ.
ಸಹಾಯಕನಿಗೆ ಏನು ಬೇಕು
ತಂಡವು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ:
ಪ್ರಸ್ತುತ ರಿಟರ್ನ್ಸ್ ನೀತಿ
ಪ್ರದೇಶವಾರು ವಿತರಣಾ ನಿಯಮಗಳು
ಉತ್ಪನ್ನ ಗಾತ್ರದ ಟಿಪ್ಪಣಿಗಳು
ಮರುಪಾವತಿಗಳು, ದೂರುಗಳು ಮತ್ತು ಕಾನೂನು ಸಮಸ್ಯೆಗಳಿಗೆ ಸಂಬಂಧಿಸಿದಂತೆ ಒಂದು ಸಣ್ಣ ಪರಿಹಾರ ನೀತಿ
50 ಸಾಮಾನ್ಯ ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಗಳ ಪಟ್ಟಿ
ಪುನರಾವರ್ತಿತ ಪ್ರಶ್ನೆಗಳಿಗೆ ಅನುಮೋದಿತ ಸಣ್ಣ ಉತ್ತರಗಳು
ವಿನಂತಿಯ ಪ್ರಕಾರ, ಬಳಸಿದ ಮಾದರಿ, ಪ್ರತಿಕ್ರಿಯೆಯ ಉದ್ದ, ಏರಿಕೆ ಅಗತ್ಯವಿದೆಯೇ ಮತ್ತು ಉತ್ತರವು ಮಾನವ ವಿಮರ್ಶೆಯಲ್ಲಿ ಉತ್ತೀರ್ಣವಾಗಿದೆಯೇ ಎಂಬುದನ್ನು ಒಳಗೊಂಡಿರುವ ಸರಳ ಟ್ರ್ಯಾಕಿಂಗ್ ಹಾಳೆ
ಉದಾಹರಣೆ ಸೂಚನೆ
ಮೊದಲು ಸೂಕ್ತವಾದ ಚಿಕ್ಕ ಮಾದರಿ ಅಥವಾ ನಿಯಮ ಆಧಾರಿತ ಉತ್ತರವನ್ನು ಬಳಸಿ. ಗ್ರಾಹಕರ ಪ್ರಶ್ನೆಯು ಅಸ್ಪಷ್ಟವಾಗಿದ್ದರೆ, ಭಾವನಾತ್ಮಕವಾಗಿದ್ದರೆ, ಬಹು ಸಮಸ್ಯೆಗಳನ್ನು ಹೊಂದಿದ್ದರೆ ಅಥವಾ ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು ನೀತಿಗಳಿಂದ ಮಾಹಿತಿಯನ್ನು ಸಂಯೋಜಿಸುವ ಅಗತ್ಯವಿರುವಾಗ ಮಾತ್ರ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಬಳಸಿ. ಗ್ರಾಹಕರು ವಿವರಗಳಿಗಾಗಿ ಕೇಳದ ಹೊರತು ಉತ್ತರಗಳನ್ನು 120 ಪದಗಳ ಒಳಗೆ ಇರಿಸಿ. ವಿಶ್ವಾಸ ಕಡಿಮೆಯಿದ್ದರೆ, ಒಂದು ಸ್ಪಷ್ಟೀಕರಣ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಿ ಅಥವಾ ಮನುಷ್ಯನಿಗೆ ತಿಳಿಸಬೇಡಿ. ವಿತರಣಾ ದಿನಾಂಕಗಳು, ಮರುಪಾವತಿ ಅನುಮೋದನೆಗಳು ಅಥವಾ ನೀತಿ ವಿನಾಯಿತಿಗಳನ್ನು ಆವಿಷ್ಕರಿಸಬೇಡಿ.
ಅದನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಹೇಗೆ
ಪ್ರಾರಂಭಿಸುವ ಮೊದಲು 50-ಟಿಕೆಟ್ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಿ:
10 ವಿತರಣಾ ಪ್ರಶ್ನೆಗಳು
10 ರಿಟರ್ನ್ಸ್ ಪ್ರಶ್ನೆಗಳು
ಉತ್ಪನ್ನ ಗಾತ್ರಕ್ಕೆ ಸಂಬಂಧಿಸಿದ 10 ಪ್ರಶ್ನೆಗಳು
ಹಾನಿಗೊಳಗಾದ ವಸ್ತುಗಳ ಕುರಿತು 10 ದೂರುಗಳು
10 ಮಿಶ್ರ ಅಥವಾ ಅಸ್ಪಷ್ಟ ಸಂದೇಶಗಳು
ಪ್ರತಿ ಉತ್ತರಕ್ಕೂ, ಪರಿಶೀಲಿಸಿ:
ಸರಿಯಾದ ನೀತಿಯನ್ನು ಬಳಸಲಾಗಿದೆಯೇ?
ಕ್ಯಾಶ್ ಮಾಡಿದ ಅನುಮೋದಿತ ಉತ್ತರವು ಅದನ್ನು ಪರಿಹರಿಸಬಹುದೇ?
ದೊಡ್ಡ ಮಾದರಿಯ ಅಗತ್ಯವಿತ್ತೇ?
ಸಹಾಯಕ ಉತ್ತರವನ್ನು ಚಿಕ್ಕದಾಗಿ ಬರೆದಿದ್ದಾರೆಯೇ?
ಯಾವುದೇ ಉತ್ತರವು ಮಾಹಿತಿಯನ್ನು ಕಂಡುಹಿಡಿದಿದೆಯೇ?
ಸೂಕ್ಷ್ಮ ಪ್ರಕರಣಗಳು ಸರಿಯಾಗಿ ಉಲ್ಬಣಗೊಂಡಿವೆಯೇ?
ಸಮಂಜಸವಾದ ಪಾಸ್ ಮಾರ್ಕ್ ಹೀಗಿರುತ್ತದೆ: 95% ನೀತಿ ನಿಖರತೆ, 0 ಹೊಸ ಮರುಪಾವತಿ ಭರವಸೆಗಳು ಮತ್ತು ಪಾವತಿ ವಿವಾದಗಳು ಅಥವಾ ಕಾನೂನು ಬೆದರಿಕೆಗಳನ್ನು ಒಳಗೊಂಡ ದೂರುಗಳ ಮೇಲೆ 100% ಏರಿಕೆ.
ಫಲಿತಾಂಶ
ಆಪ್ಟಿಮೈಸೇಶನ್ ಮೊದಲು ಮತ್ತು ನಂತರ 50-ಟಿಕೆಟ್ ಪರೀಕ್ಷೆಯ ಸಮಯ ಮತ್ತು ಎಣಿಕೆಯ ಆಧಾರದ ಮೇಲೆ ವಿವರಣಾತ್ಮಕ ಫಲಿತಾಂಶ:
ಆಪ್ಟಿಮೈಸೇಶನ್ ಮಾಡುವ ಮೊದಲು, ಎಲ್ಲಾ 50 ಟಿಕೆಟ್ಗಳು ಸರಾಸರಿ 210 ಪದಗಳ ಪ್ರತ್ಯುತ್ತರ ಉದ್ದದೊಂದಿಗೆ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಬಳಸುತ್ತಿದ್ದವು.
ಆಪ್ಟಿಮೈಸೇಶನ್ ನಂತರ, 31 ಟಿಕೆಟ್ಗಳು ಕ್ಯಾಶ್ ಮಾಡಿದ ಅನುಮೋದಿತ ಉತ್ತರಗಳನ್ನು ಬಳಸಿದವು, 14 ಟಿಕೆಟ್ಗಳು ಚಿಕ್ಕ ಮಾದರಿಯನ್ನು ಬಳಸಿದವು ಮತ್ತು 5 ಟಿಕೆಟ್ಗಳು ಮಾತ್ರ ದೊಡ್ಡ ಮಾದರಿಯನ್ನು ಬಳಸಿದವು.
ಸರಾಸರಿ ಪ್ರತ್ಯುತ್ತರ ಉದ್ದವು 210 ಪದಗಳಿಂದ 92 ಪದಗಳಿಗೆ ಇಳಿದಿದೆ.
ಮಾನವ ವಿಮರ್ಶೆ ಸಮಯ 4 ಗಂಟೆ 10 ನಿಮಿಷಗಳಿಂದ 1 ಗಂಟೆ 25 ನಿಮಿಷಗಳಿಗೆ ಇಳಿದಿದೆ.
ಮೊದಲ ಪರೀಕ್ಷಾರ್ಥ ಚಾಲನೆಯಲ್ಲಿ ತಂಡವು 2 ತಪ್ಪಾದ ನೀತಿ ಉತ್ತರಗಳನ್ನು ಕಂಡುಕೊಂಡಿತು, ನಂತರ ಮೂಲ ದಾಖಲೆಗಳನ್ನು ನವೀಕರಿಸಿದ ನಂತರ ಮತ್ತು ಸ್ಪಷ್ಟವಾದ ಎಸ್ಕಲೇಷನ್ ನಿಯಮಗಳನ್ನು ಸೇರಿಸಿದ ನಂತರ 0 ತಪ್ಪಾದ ನೀತಿ ಉತ್ತರಗಳನ್ನು ಕಂಡುಕೊಂಡಿತು.
ಇದು ಸಹಾಯಕ "ಹಸಿರು" ಎಂದು ಸಾಬೀತುಪಡಿಸುವುದಿಲ್ಲ. ಪರಿಸರ ಹಕ್ಕನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ಅಳತೆಯ ಪ್ರಕಾರವನ್ನು ಇದು ತೋರಿಸುತ್ತದೆ: ಕಡಿಮೆ ಹೆವಿ-ಮಾಡೆಲ್ ಕರೆಗಳು, ಕಡಿಮೆ ಔಟ್ಪುಟ್ಗಳು, ಕಡಿಮೆ ಪುನರಾವರ್ತಿತ ಪೀಳಿಗೆಗಳು ಮತ್ತು ಕಡಿಮೆ ತಪ್ಪಿಸಬಹುದಾದ ವಿಮರ್ಶೆ ಚಕ್ರಗಳು.
ಏನು ತಪ್ಪಾಗಬಹುದು?
ಪ್ರತಿಯೊಂದು ಅಸ್ಪಷ್ಟ ಸಂದೇಶವನ್ನು "ಕೇವಲ ಸಂದರ್ಭದಲ್ಲಿ" ದೊಡ್ಡ ಮಾದರಿಗೆ ರವಾನಿಸಿದರೆ ಸಹಾಯಕನು ಇನ್ನೂ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ವ್ಯರ್ಥ ಮಾಡಬಹುದು.
ರಿಟರ್ನ್ಸ್ ನೀತಿ ಬದಲಾದರೆ ಮತ್ತು ಯಾರೂ ಅವುಗಳನ್ನು ನವೀಕರಿಸದಿದ್ದರೆ ಕ್ಯಾಶ್ ಮಾಡಿದ ಉತ್ತರಗಳು ಅಪಾಯಕಾರಿಯಾಗಬಹುದು.
ಗ್ರಾಹಕರು ಪ್ರಮುಖ ವಿವರಗಳನ್ನು ತೆಗೆದುಹಾಕಿದರೆ ಸಣ್ಣ ಉತ್ತರಗಳು ಅವರನ್ನು ನಿರಾಶೆಗೊಳಿಸಬಹುದು.
ಕಂಪನಿಯು ಮಾಪನ ವಿಧಾನವನ್ನು ತೋರಿಸದೆ ಶೇಕಡಾವಾರು ಉಳಿತಾಯವನ್ನು ಮಾತ್ರ ವರದಿ ಮಾಡಿದರೆ ಇಂಗಾಲ ಅಥವಾ ಶಕ್ತಿಯ ಹಕ್ಕುಗಳು ಹಸಿರು ತೊಳೆಯುವಿಕೆಯಾಗಬಹುದು.
ಮಾದರಿ ಆಯ್ಕೆಯನ್ನು ಏಕೈಕ ಲಿವರ್ ಆಗಿ ಪರಿಗಣಿಸುವುದು ದೊಡ್ಡ ತಪ್ಪು. ಪ್ರಾಯೋಗಿಕವಾಗಿ, ಹಸಿರು ಕೆಲಸದ ಹರಿವು ರೂಟಿಂಗ್, ಕ್ಯಾಶಿಂಗ್, ಕಡಿಮೆ ಔಟ್ಪುಟ್ಗಳು, ಉತ್ತಮ ಮೂಲ ದಾಖಲೆಗಳು ಮತ್ತು ಹೆಚ್ಚಿನ ಅಪಾಯದ ಪ್ರಕರಣಗಳಿಗೆ ಮಾನವ ವಿಮರ್ಶೆಯಿಂದ ಬರುತ್ತದೆ.
ಪ್ರಾಯೋಗಿಕ ತೀರ್ಮಾನ
ಕಡಿಮೆ ಪರಿಣಾಮ ಬೀರುವ AI ವ್ಯವಸ್ಥೆಯು ಸಾಮಾನ್ಯವಾಗಿ ಅತ್ಯಂತ ಅಲಂಕಾರಿಕವಲ್ಲ. ಇದು ನಿಜವಾದ ಬಳಕೆಯನ್ನು ಅಳೆಯುವ, ಅನಗತ್ಯ ಭಾರವಾದ ತೀರ್ಮಾನವನ್ನು ತಪ್ಪಿಸುವ, ಸಾಧ್ಯವಾದಲ್ಲೆಲ್ಲಾ ಅನುಮೋದಿತ ಉತ್ತರಗಳನ್ನು ಮರುಬಳಕೆ ಮಾಡುವ ಮತ್ತು ಇನ್ನೂ ಮುಖ್ಯವಾದ ನಿರ್ಧಾರಗಳ ಮೇಲೆ ಮಾನವರಿಗೆ ನಿಯಂತ್ರಣವನ್ನು ನೀಡುವ ವ್ಯವಸ್ಥೆಯಾಗಿದೆ.
ಪದೇ ಪದೇ ಕೇಳಲಾಗುವ ಪ್ರಶ್ನೆಗಳು
ದೊಡ್ಡ ಸಂಶೋಧನಾ ಪ್ರಯೋಗಾಲಯಗಳಲ್ಲಿ ಮಾತ್ರವಲ್ಲದೆ, ದೈನಂದಿನ ಬಳಕೆಯಲ್ಲಿಯೂ AI ಪರಿಸರದ ಮೇಲೆ ಹೇಗೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ?
AI ನ ಹೆಚ್ಚಿನ ಹೆಜ್ಜೆಗುರುತು ತರಬೇತಿ ಮತ್ತು ದೈನಂದಿನ "ಅನುಮಾನ" ಎರಡರಲ್ಲೂ GPU ಗಳು ಮತ್ತು CPU ಗಳನ್ನು ಚಲಾಯಿಸುವ ಡೇಟಾ ಕೇಂದ್ರಗಳಿಗೆ ಶಕ್ತಿ ನೀಡುವ ವಿದ್ಯುತ್ನಿಂದ ಬರುತ್ತದೆ. ಒಂದೇ ವಿನಂತಿಯು ಸಾಧಾರಣವಾಗಿರಬಹುದು, ಆದರೆ ಪ್ರಮಾಣದಲ್ಲಿ ಆ ವಿನಂತಿಗಳು ವೇಗವಾಗಿ ಸಂಗ್ರಹವಾಗುತ್ತವೆ. ಡೇಟಾ ಕೇಂದ್ರವು ಎಲ್ಲಿದೆ, ಸ್ಥಳೀಯ ಗ್ರಿಡ್ ಎಷ್ಟು ಸ್ವಚ್ಛವಾಗಿದೆ ಮತ್ತು ಮೂಲಸೌಕರ್ಯವು ಎಷ್ಟು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ.
AI ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡುವುದು ಪರಿಸರಕ್ಕೆ ಅದನ್ನು ಬಳಸುವುದಕ್ಕಿಂತ ಕೆಟ್ಟದ್ದೇ (ಅನುಮಾನ)?
ತರಬೇತಿಯು ದೊಡ್ಡ, ಮುಂಗಡ ಕಂಪ್ಯೂಟ್ನ ಸ್ಫೋಟವಾಗಬಹುದು, ಆದರೆ ನಿರ್ಣಯವು ನಿರಂತರವಾಗಿ ಮತ್ತು ಬೃಹತ್ ಪ್ರಮಾಣದಲ್ಲಿ ನಡೆಯುವುದರಿಂದ ಕಾಲಾನಂತರದಲ್ಲಿ ದೊಡ್ಡ ಹೆಜ್ಜೆಗುರುತಾಗಬಹುದು. ಪ್ರತಿದಿನ ಲಕ್ಷಾಂತರ ಜನರು ಒಂದು ಸಾಧನವನ್ನು ಬಳಸಿದರೆ, ಪುನರಾವರ್ತಿತ ವಿನಂತಿಗಳು ಒಂದು ಬಾರಿಯ ತರಬೇತಿ ವೆಚ್ಚವನ್ನು ಮೀರಿಸಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ ಆಪ್ಟಿಮೈಸೇಶನ್ ಹೆಚ್ಚಾಗಿ ನಿರ್ಣಯ ದಕ್ಷತೆಯ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.
AI ನೀರನ್ನು ಏಕೆ ಬಳಸುತ್ತದೆ, ಮತ್ತು ಅದು ಯಾವಾಗಲೂ ಸಮಸ್ಯೆಯೇ?
ಕೆಲವು ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳು ನೀರು ಆಧಾರಿತ ತಂಪಾಗಿಸುವಿಕೆಯನ್ನು ಅವಲಂಬಿಸಿರುವುದರಿಂದ ಅಥವಾ ವಿದ್ಯುತ್ ಉತ್ಪಾದನೆಯ ಮೂಲಕ ಪರೋಕ್ಷವಾಗಿ ನೀರನ್ನು ಬಳಸುವುದರಿಂದ AI ನೀರನ್ನು ಬಳಸಬಹುದು. ಕೆಲವು ಹವಾಮಾನಗಳಲ್ಲಿ, ಆವಿಯಾಗುವ ತಂಪಾಗಿಸುವಿಕೆಯು ನೀರಿನ ಬಳಕೆಯನ್ನು ಹೆಚ್ಚಿಸುವಾಗ ವಿದ್ಯುತ್ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಇದು ನಿಜವಾದ ವಿನಿಮಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಅದು "ಕೆಟ್ಟದು" ಎಂಬುದು ಸ್ಥಳೀಯ ನೀರಿನ ಕೊರತೆ, ತಂಪಾಗಿಸುವ ವಿನ್ಯಾಸ ಮತ್ತು ನೀರಿನ ಬಳಕೆಯನ್ನು ಅಳೆಯಲಾಗುತ್ತದೆ ಮತ್ತು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆಯೇ ಎಂಬುದರ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿರುತ್ತದೆ.
AI ನ ಪರಿಸರ ಹೆಜ್ಜೆಗುರುತಿನ ಯಾವ ಭಾಗಗಳು ಹಾರ್ಡ್ವೇರ್ ಮತ್ತು ಇ-ತ್ಯಾಜ್ಯದಿಂದ ಬರುತ್ತವೆ?
AI ಚಿಪ್ಗಳು, ಸರ್ವರ್ಗಳು, ನೆಟ್ವರ್ಕಿಂಗ್ ಗೇರ್, ಕಟ್ಟಡಗಳು ಮತ್ತು ಪೂರೈಕೆ ಸರಪಳಿಗಳನ್ನು ಅವಲಂಬಿಸಿದೆ - ಅಂದರೆ ಗಣಿಗಾರಿಕೆ, ಉತ್ಪಾದನೆ, ಸಾಗಣೆ ಮತ್ತು ಅಂತಿಮವಾಗಿ ವಿಲೇವಾರಿ. ಸೆಮಿಕಂಡಕ್ಟರ್ ತಯಾರಿಕೆಯು ಶಕ್ತಿ-ತೀವ್ರವಾಗಿರುತ್ತದೆ ಮತ್ತು ತ್ವರಿತ ಅಪ್ಗ್ರೇಡ್ ಚಕ್ರಗಳು ಸಾಕಾರಗೊಂಡ ಹೊರಸೂಸುವಿಕೆ ಮತ್ತು ಇ-ತ್ಯಾಜ್ಯವನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಹಾರ್ಡ್ವೇರ್ ಜೀವಿತಾವಧಿಯನ್ನು ವಿಸ್ತರಿಸುವುದು, ನವೀಕರಿಸುವುದು ಮತ್ತು ಬಳಕೆಯನ್ನು ಸುಧಾರಿಸುವುದು ಪರಿಣಾಮವನ್ನು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ, ಕೆಲವೊಮ್ಮೆ ಮಾದರಿ-ಮಟ್ಟದ ಬದಲಾವಣೆಗಳಿಗೆ ಪ್ರತಿಸ್ಪರ್ಧಿಯಾಗಬಹುದು.
ನವೀಕರಿಸಬಹುದಾದ ಶಕ್ತಿಯನ್ನು ಬಳಸುವುದರಿಂದ AI ಯ ಪರಿಸರದ ಮೇಲಿನ ಪರಿಣಾಮ ಪರಿಹಾರವಾಗುತ್ತದೆಯೇ?
ಶುದ್ಧ ವಿದ್ಯುತ್ ಕಂಪ್ಯೂಟ್ನಿಂದ ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು, ಆದರೆ ಇದು ನೀರಿನ ಬಳಕೆ, ಹಾರ್ಡ್ವೇರ್ ಉತ್ಪಾದನೆ ಮತ್ತು ಇ-ತ್ಯಾಜ್ಯದಂತಹ ಇತರ ಪರಿಣಾಮಗಳನ್ನು ಅಳಿಸುವುದಿಲ್ಲ. ಕಡಿಮೆ-ವೆಚ್ಚದ ಕಂಪ್ಯೂಟ್ ಒಟ್ಟಾರೆಯಾಗಿ ಹೆಚ್ಚಿನ ಬಳಕೆಗೆ ಕಾರಣವಾಗುವ "ಮರುಕಳಿಸುವ ಪರಿಣಾಮಗಳನ್ನು" ಇದು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಪರಿಹರಿಸುವುದಿಲ್ಲ. ನವೀಕರಿಸಬಹುದಾದ ವಸ್ತುಗಳು ಒಂದು ಪ್ರಮುಖ ಲಿವರ್ ಆಗಿದೆ, ಆದರೆ ಅವು ಹೆಜ್ಜೆಗುರುತು ಸಂಗ್ರಹದ ಒಂದು ಭಾಗ ಮಾತ್ರ.
ಮರುಕಳಿಸುವ ಪರಿಣಾಮವೇನು, ಮತ್ತು ಅದು AI ಮತ್ತು ಸುಸ್ಥಿರತೆಗೆ ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
ದಕ್ಷತೆಯ ಲಾಭಗಳು ಏನನ್ನಾದರೂ ಅಗ್ಗವಾಗಿ ಅಥವಾ ಸುಲಭವಾಗಿಸಿದಾಗ ಮರುಕಳಿಸುವ ಪರಿಣಾಮ ಉಂಟಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಜನರು ಅದನ್ನು ಹೆಚ್ಚಾಗಿ ಮಾಡುತ್ತಾರೆ - ಕೆಲವೊಮ್ಮೆ ಉಳಿತಾಯವನ್ನು ಅಳಿಸಿಹಾಕುತ್ತಾರೆ. AI ಯೊಂದಿಗೆ, ಅಗ್ಗದ ಉತ್ಪಾದನೆ ಅಥವಾ ಯಾಂತ್ರೀಕೃತಗೊಳಿಸುವಿಕೆಯು ವಿಷಯ, ಕಂಪ್ಯೂಟ್ ಮತ್ತು ಸೇವೆಗಳಿಗೆ ಒಟ್ಟು ಬೇಡಿಕೆಯನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಅದಕ್ಕಾಗಿಯೇ ಪ್ರಾಯೋಗಿಕವಾಗಿ ಫಲಿತಾಂಶಗಳನ್ನು ಅಳೆಯುವುದು ದಕ್ಷತೆಯನ್ನು ಪ್ರತ್ಯೇಕವಾಗಿ ಆಚರಿಸುವುದಕ್ಕಿಂತ ಮುಖ್ಯವಾಗಿದೆ.
ಉತ್ಪನ್ನಕ್ಕೆ ಹಾನಿಯಾಗದಂತೆ AI ಪ್ರಭಾವವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗಗಳು ಯಾವುವು?
ಸಾಮಾನ್ಯ ವಿಧಾನವೆಂದರೆ ಮಾಪನದಿಂದ (ಶಕ್ತಿ ಮತ್ತು ಇಂಗಾಲದ ಅಂದಾಜುಗಳು, ಬಳಕೆ) ಪ್ರಾರಂಭಿಸಿ, ನಂತರ ಕಾರ್ಯಕ್ಕೆ ಸರಿಯಾದ ಗಾತ್ರದ ಮಾದರಿಗಳನ್ನು ನೀಡಿ ಮತ್ತು ಕ್ಯಾಶಿಂಗ್, ಬ್ಯಾಚಿಂಗ್ ಮತ್ತು ಕಡಿಮೆ ಔಟ್ಪುಟ್ಗಳೊಂದಿಗೆ ನಿರ್ಣಯವನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸುವುದು. ಕ್ವಾಂಟೈಸೇಶನ್, ಡಿಸ್ಟಿಲೇಷನ್ ಮತ್ತು ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಉತ್ಪಾದನೆಯಂತಹ ತಂತ್ರಗಳು ಕಂಪ್ಯೂಟ್ ಅಗತ್ಯಗಳನ್ನು ಕಡಿತಗೊಳಿಸಬಹುದು. ಕಾರ್ಬನ್ ತೀವ್ರತೆ ಮತ್ತು ದೀರ್ಘ ಹಾರ್ಡ್ವೇರ್ ಜೀವಿತಾವಧಿಯಿಂದ ಕೆಲಸದ ಹೊರೆ ವೇಳಾಪಟ್ಟಿಯಂತಹ ಕಾರ್ಯಾಚರಣೆಯ ಆಯ್ಕೆಗಳು ಹೆಚ್ಚಾಗಿ ದೊಡ್ಡ ಗೆಲುವುಗಳನ್ನು ನೀಡುತ್ತವೆ.
ಪರಿಸರಕ್ಕೆ ಹಾನಿ ಮಾಡುವ ಬದಲು AI ಹೇಗೆ ಸಹಾಯ ಮಾಡುತ್ತದೆ?
ನೈಜ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಅತ್ಯುತ್ತಮವಾಗಿಸಲು ನಿಯೋಜಿಸಿದಾಗ AI ಹೊರಸೂಸುವಿಕೆ ಮತ್ತು ತ್ಯಾಜ್ಯವನ್ನು ಕಡಿಮೆ ಮಾಡಬಹುದು: ಗ್ರಿಡ್ ಮುನ್ಸೂಚನೆ, ಬೇಡಿಕೆ ಪ್ರತಿಕ್ರಿಯೆ, ಕಟ್ಟಡ HVAC ನಿಯಂತ್ರಣ, ಲಾಜಿಸ್ಟಿಕ್ಸ್ ರೂಟಿಂಗ್, ಮುನ್ಸೂಚಕ ನಿರ್ವಹಣೆ ಮತ್ತು ಸೋರಿಕೆ ಪತ್ತೆ. ಅರಣ್ಯನಾಶದ ಎಚ್ಚರಿಕೆಗಳು ಮತ್ತು ಮೀಥೇನ್ ಪತ್ತೆಯಂತಹ ಪರಿಸರ ಮೇಲ್ವಿಚಾರಣೆಯನ್ನು ಸಹ ಇದು ಬೆಂಬಲಿಸಬಹುದು. ವ್ಯವಸ್ಥೆಯು ನಿರ್ಧಾರಗಳನ್ನು ಬದಲಾಯಿಸುತ್ತದೆಯೇ ಮತ್ತು ಅಳೆಯಬಹುದಾದ ಕಡಿತಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆಯೇ ಎಂಬುದು ಮುಖ್ಯ, ಉತ್ತಮ ಡ್ಯಾಶ್ಬೋರ್ಡ್ಗಳು ಮಾತ್ರವಲ್ಲ.
AI ಹಕ್ಕುಗಳನ್ನು "ಹಸಿರುಗಾಳಿ" ಮಾಡುವುದನ್ನು ತಪ್ಪಿಸಲು ಕಂಪನಿಗಳು ಯಾವ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ವರದಿ ಮಾಡಬೇಕು?
ದೊಡ್ಡ ಒಟ್ಟು ಸಂಖ್ಯೆಗಳಿಗಿಂತ ಪ್ರತಿ ಕಾರ್ಯ ಅಥವಾ ಪ್ರತಿ ವಿನಂತಿಯ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ವರದಿ ಮಾಡುವುದು ಹೆಚ್ಚು ಅರ್ಥಪೂರ್ಣವಾಗಿದೆ, ಏಕೆಂದರೆ ಇದು ಘಟಕ ಮಟ್ಟದಲ್ಲಿ ದಕ್ಷತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಶಕ್ತಿಯ ಬಳಕೆ, ಇಂಗಾಲದ ಅಂದಾಜುಗಳು, ಬಳಕೆ ಮತ್ತು - ಸಂಬಂಧಿತವಾದಲ್ಲಿ - ನೀರಿನ ಪರಿಣಾಮಗಳನ್ನು ಟ್ರ್ಯಾಕ್ ಮಾಡುವುದು ಸ್ಪಷ್ಟವಾದ ಹೊಣೆಗಾರಿಕೆಯನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ. ಅಲ್ಲದೆ ಮುಖ್ಯ: ಗಡಿಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ (ಏನು ಸೇರಿಸಲಾಗಿದೆ) ಮತ್ತು ಪರಿಮಾಣಾತ್ಮಕ ಪುರಾವೆಗಳಿಲ್ಲದೆ “ಪರಿಸರ ಸ್ನೇಹಿ AI” ನಂತಹ ಅಸ್ಪಷ್ಟ ಲೇಬಲ್ಗಳನ್ನು ತಪ್ಪಿಸಿ.
ಉಲ್ಲೇಖಗಳು
-
ಅಂತರರಾಷ್ಟ್ರೀಯ ಇಂಧನ ಸಂಸ್ಥೆ (IEA) - ಇಂಧನ ಮತ್ತು AI - iea.org
-
ಅಂತರರಾಷ್ಟ್ರೀಯ ಇಂಧನ ಸಂಸ್ಥೆ (IEA) - ಇಂಧನ ಅತ್ಯುತ್ತಮೀಕರಣ ಮತ್ತು ನಾವೀನ್ಯತೆಗಾಗಿ AI - iea.org
-
ಅಂತರರಾಷ್ಟ್ರೀಯ ಇಂಧನ ಸಂಸ್ಥೆ (IEA) - ಡಿಜಿಟಲೀಕರಣ - iea.org
-
ಲಾರೆನ್ಸ್ ಬರ್ಕ್ಲಿ ರಾಷ್ಟ್ರೀಯ ಪ್ರಯೋಗಾಲಯ (LBNL) - ಯುನೈಟೆಡ್ ಸ್ಟೇಟ್ಸ್ ಡೇಟಾ ಸೆಂಟರ್ ಇಂಧನ ಬಳಕೆಯ ವರದಿ (2024) (PDF) - lbl.gov
-
ಲಿ ಮತ್ತು ಇತರರು - AI ಅನ್ನು "ಬಾಯಾರಿಕೆ" ಕಡಿಮೆ ಮಾಡುವುದು (2023) (PDF) - arxiv.org
-
ASHRAE (TC 9.9) - ಮುಖ್ಯವಾಹಿನಿಯ ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳಲ್ಲಿ ದ್ರವ ತಂಪಾಗಿಸುವಿಕೆಯ ಹೊರಹೊಮ್ಮುವಿಕೆ ಮತ್ತು ವಿಸ್ತರಣೆ (PDF) - ashrae.org
-
ದಿ ಗ್ರೀನ್ ಗ್ರಿಡ್ - PUE-ಮೆಟ್ರಿಕ್ನ ಸಮಗ್ರ ಪರೀಕ್ಷೆ - thegreengrid.org
-
US ಇಂಧನ ಇಲಾಖೆ (DOE) - FEMP - ಫೆಡರಲ್ ಡೇಟಾ ಸೆಂಟರ್ಗಳಿಗೆ ತಂಪಾಗಿಸುವ ನೀರಿನ ದಕ್ಷತೆಯ ಅವಕಾಶಗಳು - energy.gov
-
US ಇಂಧನ ಇಲಾಖೆ (DOE) - FEMP - ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳಲ್ಲಿ ಇಂಧನ ದಕ್ಷತೆ - energy.gov
-
US ಪರಿಸರ ಸಂರಕ್ಷಣಾ ಸಂಸ್ಥೆ (EPA) - ಸೆಮಿಕಂಡಕ್ಟರ್ ಇಂಡಸ್ಟ್ರಿ - epa.gov
-
ಅಂತರರಾಷ್ಟ್ರೀಯ ದೂರಸಂಪರ್ಕ ಒಕ್ಕೂಟ (ITU) - ಜಾಗತಿಕ ಇ-ತ್ಯಾಜ್ಯ ಮಾನಿಟರ್ 2024 - itu.int
-
OECD - ಇಂಧನ ದಕ್ಷತೆಯ ಸುಧಾರಣೆಗಳ ಬಹು ಪ್ರಯೋಜನಗಳು (2012) (PDF) - oecd.org
-
ಕಾರ್ಬನ್ ಇಂಟೆನ್ಸಿಟಿ API (GB) - carbonintensity.org.uk
-
imec - ಚಿಪ್ ತಯಾರಿಕೆಯಲ್ಲಿ ಪರಿಸರದ ಮೇಲೆ ಉಂಟಾಗುವ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು - imec-int.com
-
UNEP - MARS ಹೇಗೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ - unep.org
-
ಜಾಗತಿಕ ಅರಣ್ಯ ವೀಕ್ಷಣೆ - ಅರಣ್ಯನಾಶಕ್ಕೆ ಸಂತೋಷದ ಎಚ್ಚರಿಕೆಗಳು - globalforestwatch.org
-
ಅಲನ್ ಟ್ಯೂರಿಂಗ್ ಸಂಸ್ಥೆ - ಜೀವವೈವಿಧ್ಯ ಮತ್ತು ಪರಿಸರ ವ್ಯವಸ್ಥೆಯ ಆರೋಗ್ಯವನ್ನು ನಿರ್ಣಯಿಸಲು AI ಮತ್ತು ಸ್ವಾಯತ್ತ ವ್ಯವಸ್ಥೆಗಳು - turing.ac.uk
-
ಕೋಡ್ಕಾರ್ಬನ್ - ವಿಧಾನ - mlco2.github.io
-
ಘೋಲಾಮಿ ಮತ್ತು ಇತರರು - ಕ್ವಾಂಟೀಕರಣ ವಿಧಾನಗಳ ಸಮೀಕ್ಷೆ (2021) (PDF) - arxiv.org
-
ಲೆವಿಸ್ ಮತ್ತು ಇತರರು - ಮರುಪಡೆಯುವಿಕೆ-ವರ್ಧಿತ ಜನರೇಷನ್ (2020) - arxiv.org
-
ಹಿಂಟನ್ ಮತ್ತು ಇತರರು - ನರಮಂಡಲ ಜಾಲದಲ್ಲಿ ಜ್ಞಾನದ ಬಟ್ಟಿ ಇಳಿಸುವಿಕೆ (2015) - arxiv.org
-
ಕೋಡ್ಕಾರ್ಬನ್ - codecarbon.io