"AI ಪ್ರತಿ ಕೆಲವು ಪ್ರಶ್ನೆಗಳಿಗೆ ಒಂದು ಬಾಟಲ್ ನೀರನ್ನು ಕುಡಿಯುತ್ತದೆ" ಎಂಬುದರಿಂದ ಹಿಡಿದು "ಇದು ಮೂಲತಃ ಕೆಲವು ಹನಿಗಳು" ಎಂಬುದನ್ನೂ ನೀವು ಕೇಳಿರಬಹುದು ಎಂದು ನಾನು ಭಾವಿಸುತ್ತೇನೆ. ಸತ್ಯವು ಹೆಚ್ಚು ಸೂಕ್ಷ್ಮವಾಗಿದೆ. AI ಯ ನೀರಿನ ಹೆಜ್ಜೆಗುರುತು ಅದು ಎಲ್ಲಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ನಿಮ್ಮ ಪ್ರಾಂಪ್ಟ್ ಎಷ್ಟು ಸಮಯ ಇರುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಸೆಂಟರ್ ತನ್ನ ಸರ್ವರ್ಗಳನ್ನು ಹೇಗೆ ತಂಪಾಗಿಸುತ್ತದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವ್ಯಾಪಕವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಹೌದು, ಶೀರ್ಷಿಕೆ ಸಂಖ್ಯೆ ಅಸ್ತಿತ್ವದಲ್ಲಿದೆ, ಆದರೆ ಅದು ಎಚ್ಚರಿಕೆಗಳ ಗುಂಪಿನೊಳಗೆ ವಾಸಿಸುತ್ತದೆ.
ಕೆಳಗೆ ನಾನು ಸ್ಪಷ್ಟ, ನಿರ್ಧಾರ-ಸಿದ್ಧ ಸಂಖ್ಯೆಗಳನ್ನು ಬಿಚ್ಚಿಡುತ್ತೇನೆ, ಅಂದಾಜುಗಳು ಏಕೆ ಭಿನ್ನಾಭಿಪ್ರಾಯ ಹೊಂದಿವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತೇನೆ ಮತ್ತು ಬಿಲ್ಡರ್ಗಳು ಮತ್ತು ದೈನಂದಿನ ಬಳಕೆದಾರರು ಸುಸ್ಥಿರತೆಯ ಸನ್ಯಾಸಿಗಳಾಗಿ ಬದಲಾಗದೆ ನೀರಿನ ಟ್ಯಾಬ್ ಅನ್ನು ಹೇಗೆ ಕುಗ್ಗಿಸಬಹುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತೇನೆ.
ಇದರ ನಂತರ ನೀವು ಓದಲು ಇಷ್ಟಪಡಬಹುದಾದ ಲೇಖನಗಳು:
🔗 AI ಡೇಟಾಸೆಟ್ ಎಂದರೇನು?
ಡೇಟಾಸೆಟ್ಗಳು ಯಂತ್ರ ಕಲಿಕೆ ತರಬೇತಿ ಮತ್ತು ಮಾದರಿ ಅಭಿವೃದ್ಧಿಯನ್ನು ಹೇಗೆ ಸಕ್ರಿಯಗೊಳಿಸುತ್ತವೆ ಎಂಬುದನ್ನು ವಿವರಿಸುತ್ತದೆ.
🔗 AI ಪ್ರವೃತ್ತಿಗಳನ್ನು ಹೇಗೆ ಊಹಿಸುತ್ತದೆ
ಬದಲಾವಣೆಗಳು ಮತ್ತು ಭವಿಷ್ಯದ ಫಲಿತಾಂಶಗಳನ್ನು ಮುನ್ಸೂಚಿಸಲು AI ಮಾದರಿಗಳನ್ನು ಹೇಗೆ ವಿಶ್ಲೇಷಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ.
🔗 AI ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯುವುದು ಹೇಗೆ
ನಿಖರತೆ, ವೇಗ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಅಗತ್ಯವಾದ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ವಿಭಜಿಸುತ್ತದೆ.
🔗 AI ಜೊತೆ ಮಾತನಾಡುವುದು ಹೇಗೆ
ಸ್ಪಷ್ಟತೆ, ಫಲಿತಾಂಶಗಳು ಮತ್ತು ಸ್ಥಿರತೆಯನ್ನು ಸುಧಾರಿಸಲು ಪರಿಣಾಮಕಾರಿ ಪ್ರೇರಕ ತಂತ್ರಗಳಿಗೆ ಮಾರ್ಗದರ್ಶನ ನೀಡುತ್ತದೆ.
AI ಎಷ್ಟು ನೀರನ್ನು ಬಳಸುತ್ತದೆ? ನೀವು ನಿಜವಾಗಿಯೂ ಬಳಸಬಹುದಾದ ತ್ವರಿತ ಸಂಖ್ಯೆಗಳು 📏
-
ಇಂದಿನ ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್ಗೆ ವಿಶಿಷ್ಟ ಶ್ರೇಣಿ: ಒಂದು ಮುಖ್ಯವಾಹಿನಿಯ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಮಧ್ಯಮ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ಗೆ ಸಬ್-ಮಿಲಿಲೀಟರ್ನಿಂದ, ಇನ್ನೊಂದರಲ್ಲಿ ದೀರ್ಘ , ಹೆಚ್ಚಿನ-ಕಂಪ್ಯೂಟ್ ಪ್ರತಿಕ್ರಿಯೆಗೆ ಹತ್ತಾರು ಮಿಲಿಲೀಟರ್ಗಳವರೆಗೆ . ಉದಾಹರಣೆಗೆ, Google ನ ಉತ್ಪಾದನಾ ಲೆಕ್ಕಪತ್ರ ನಿರ್ವಹಣೆಯು ಸರಾಸರಿ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ~0.26 mL (ಪೂರ್ಣ ಸರ್ವಿಂಗ್ ಓವರ್ಹೆಡ್ ಅನ್ನು ಒಳಗೊಂಡಂತೆ) ವರದಿ ಮಾಡುತ್ತದೆ [1]. ಮಿಸ್ಟ್ರಾಲ್ನ ಜೀವನಚಕ್ರ ಮೌಲ್ಯಮಾಪನವು ~45 mL (ಕನಿಷ್ಠ ನಿರ್ಣಯ) [2] ನಲ್ಲಿ 400-ಟೋಕನ್ ಸಹಾಯಕ ಉತ್ತರವನ್ನು ಜೋಡಿಸುತ್ತದೆ . ಸಂದರ್ಭ ಮತ್ತು ಮಾದರಿಯು ಬಹಳಷ್ಟು ಮುಖ್ಯವಾಗಿದೆ.
-
ಫ್ರಾಂಟಿಯರ್-ಸ್ಕೇಲ್ ಮಾದರಿಯ ತರಬೇತಿ: ಲಕ್ಷಾಂತರ ಲೀಟರ್ಗಳಿಗೆ ಓಡಬಹುದು , ಹೆಚ್ಚಾಗಿ ತಂಪಾಗಿಸುವಿಕೆ ಮತ್ತು ವಿದ್ಯುತ್ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಹುದುಗಿಸಲಾದ ನೀರಿನಿಂದ. ವ್ಯಾಪಕವಾಗಿ ಉಲ್ಲೇಖಿಸಲಾದ ಶೈಕ್ಷಣಿಕ ವಿಶ್ಲೇಷಣೆಯು GPT-ವರ್ಗ ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡಲು ~5.4 ಮಿಲಿಯನ್ ಲೀಟರ್ಗಳನ್ನು ಅಂದಾಜಿಸಿದೆ, ಇದರಲ್ಲಿ ತಂಪಾಗಿಸಲು ಸೈಟ್ನಲ್ಲಿ ಸೇವಿಸುವ ~700,000 ಲೀಟರ್ಗಳು ಸೇರಿವೆ - ಮತ್ತು ನೀರಿನ ತೀವ್ರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡಲು ಸ್ಮಾರ್ಟ್ ವೇಳಾಪಟ್ಟಿಗಾಗಿ ವಾದಿಸಲಾಗಿದೆ [3].
-
ಸಾಮಾನ್ಯವಾಗಿ ದತ್ತಾಂಶ ಕೇಂದ್ರಗಳು: ದೊಡ್ಡ ತಾಣಗಳು ಪ್ರಮುಖ ನಿರ್ವಾಹಕರಲ್ಲಿ ದಿನಕ್ಕೆ ಸರಾಸರಿ ಲಕ್ಷಾಂತರ ಗ್ಯಾಲನ್ಗಳನ್ನು ವ್ಯಾಪಿಸುತ್ತವೆ, ಹವಾಮಾನ ಮತ್ತು ವಿನ್ಯಾಸವನ್ನು ಅವಲಂಬಿಸಿ ಕೆಲವು ಕ್ಯಾಂಪಸ್ಗಳಲ್ಲಿ ಹೆಚ್ಚಿನ ಶಿಖರಗಳು ಇರುತ್ತವೆ [5].
ಪ್ರಾಮಾಣಿಕವಾಗಿ ಹೇಳಬೇಕೆಂದರೆ: ಆ ಅಂಕಿಅಂಶಗಳು ಮೊದಲಿಗೆ ಅಸಮಂಜಸವೆನಿಸುತ್ತದೆ. ಅವು ಹಾಗೆ ಇರುತ್ತವೆ. ಮತ್ತು ಅದಕ್ಕೆ ಒಳ್ಳೆಯ ಕಾರಣಗಳಿವೆ.
AI ನೀರಿನ ಬಳಕೆಯ ಮಾಪನಗಳು ✅
AI ಎಷ್ಟು ನೀರು ಬಳಸುತ್ತದೆ ಎಂಬುದಕ್ಕೆ ಉತ್ತಮ ಉತ್ತರವೆಂದರೆ ಕೆಲವು ಪೆಟ್ಟಿಗೆಗಳನ್ನು ಪರಿಶೀಲಿಸಬೇಕು:
-
ಗಡಿ ಸ್ಪಷ್ಟತೆ ಇದು ಆನ್-ಸೈಟ್ ತಂಪಾಗಿಸುವ ನೀರನ್ನು ಮಾತ್ರ ಒಳಗೊಂಡಿದೆಯೇ ಅಥವಾ ವಿದ್ಯುತ್ ಸ್ಥಾವರಗಳು ವಿದ್ಯುತ್ ಉತ್ಪಾದಿಸಲು ಬಳಸುವ ಆಫ್-ಸೈಟ್ ನೀರನ್ನು ಸಹ ಒಳಗೊಂಡಿದೆಯೇ? ಉತ್ತಮ ಅಭ್ಯಾಸವು ಕಾರ್ಬನ್ ಲೆಕ್ಕಪತ್ರ ನಿರ್ವಹಣೆಯಂತೆಯೇ ನೀರಿನ ಹಿಂತೆಗೆದುಕೊಳ್ಳುವಿಕೆ ಮತ್ತು ನೀರಿನ ಬಳಕೆ ಮತ್ತು ಸ್ಕೋಪ್ಗಳನ್ನು 1-2-3 ಎಂದು ಪ್ರತ್ಯೇಕಿಸುತ್ತದೆ [3].
-
ಸ್ಥಳ ಸೂಕ್ಷ್ಮತೆ
ಪ್ರತಿ kWh ಗೆ ನೀರು ಪ್ರದೇಶ ಮತ್ತು ಗ್ರಿಡ್ ಮಿಶ್ರಣದಿಂದ ಬದಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ ಅದನ್ನು ಎಲ್ಲಿ ಪೂರೈಸಲಾಗುತ್ತದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ವಿಭಿನ್ನ ನೀರಿನ ಪರಿಣಾಮಗಳನ್ನು ಬೀರಬಹುದು - ಸಾಹಿತ್ಯವು ಸಮಯ-ಮತ್ತು-ಸ್ಥಳ-ಅರಿವಿನ ವೇಳಾಪಟ್ಟಿಯನ್ನು [3]. -
ಕೆಲಸದ ಹೊರೆ ವಾಸ್ತವಿಕತೆ
ಸಂಖ್ಯೆಯು ಸರಾಸರಿ ಉತ್ಪಾದನಾ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನುಅಥವಾ ಗರಿಷ್ಠದಲ್ಲಿರುವ ಆಕ್ಸಿಲರೇಟರ್ ಅನ್ನು ಮಾತ್ರ ಪ್ರತಿಬಿಂಬಿಸುತ್ತದೆಯೇ? ಗೂಗಲ್ TPU ಗಣಿತವನ್ನು ಮಾತ್ರವಲ್ಲದೆ, ಪೂರ್ಣ-ಸಿಸ್ಟಮ್ ಲೆಕ್ಕಪತ್ರ ನಿರ್ವಹಣೆಯನ್ನು (ಐಡಲ್, CPUಗಳು/DRAM, ಮತ್ತು ಡೇಟಾ-ಸೆಂಟರ್ ಓವರ್ಹೆಡ್) ನಿರ್ಣಯಕ್ಕಾಗಿ ಒತ್ತಿಹೇಳುತ್ತದೆ [1]. -
ಕೂಲಿಂಗ್ ತಂತ್ರಜ್ಞಾನ ಆವಿಯಾಗುವ ಕೂಲಿಂಗ್, ಕ್ಲೋಸ್ಡ್-ಲೂಪ್ ಲಿಕ್ವಿಡ್ ಕೂಲಿಂಗ್, ಏರ್ ಕೂಲಿಂಗ್ ಮತ್ತು ಉದಯೋನ್ಮುಖ ಡೈರೆಕ್ಟ್-ಟು-ಚಿಪ್ ವಿಧಾನಗಳು ನೀರಿನ ತೀವ್ರತೆಯನ್ನು ನಾಟಕೀಯವಾಗಿ ಬದಲಾಯಿಸುತ್ತವೆ. ಮೈಕ್ರೋಸಾಫ್ಟ್ ಕೆಲವು ಮುಂದಿನ ಪೀಳಿಗೆಯ ಸೈಟ್ಗಳಿಗೆ ಕೂಲಿಂಗ್ ನೀರಿನ ಬಳಕೆಯನ್ನು ತೆಗೆದುಹಾಕುವ ಉದ್ದೇಶದಿಂದ ವಿನ್ಯಾಸಗಳನ್ನು ಹೊರತರುತ್ತಿದೆ [4].
-
ದಿನದ ಸಮಯ ಮತ್ತು ಋತುಮಾನ
ಶಾಖ, ಆರ್ದ್ರತೆ ಮತ್ತು ಗ್ರಿಡ್ ಪರಿಸ್ಥಿತಿಗಳು ನೀರಿನ ಬಳಕೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ; ಒಂದು ಪ್ರಭಾವಶಾಲಿ ಅಧ್ಯಯನವು ನೀರಿನ ತೀವ್ರತೆ ಕಡಿಮೆಯಾದಾಗ ಮತ್ತು ಎಲ್ಲಿ ಪ್ರಮುಖ ಕೆಲಸಗಳನ್ನು ನಿಗದಿಪಡಿಸಬೇಕೆಂದು ಸೂಚಿಸುತ್ತದೆ [3].
ನೀರು ಹಿಂತೆಗೆದುಕೊಳ್ಳುವಿಕೆ vs ನೀರಿನ ಬಳಕೆ, ವಿವರಿಸಲಾಗಿದೆ 💡
-
ಹಿಂತೆಗೆದುಕೊಳ್ಳುವಿಕೆ = ನದಿಗಳು, ಸರೋವರಗಳು ಅಥವಾ ಜಲಚರಗಳಿಂದ ತೆಗೆದುಕೊಂಡ ನೀರು (ಕೆಲವು ಮರಳಿಸುವುದು).
-
ಬಳಕೆ = ನೀರು ಆವಿಯಾಗುವುದರಿಂದ ಅಥವಾ ಪ್ರಕ್ರಿಯೆಗಳು/ಉತ್ಪನ್ನಗಳಲ್ಲಿ ಸೇರಿಸಲ್ಪಟ್ಟಿರುವುದರಿಂದ ಅದು ಹಿಂತಿರುಗಿಸಲ್ಪಡುವುದಿಲ್ಲ .
ಶೈತ್ಯೀಕರಣ ಗೋಪುರಗಳು ಪ್ರಾಥಮಿಕವಾಗಿ ಬಳಸುತ್ತವೆ . ವಿದ್ಯುತ್ ಉತ್ಪಾದನೆಯು ಹಿಂತೆಗೆದುಕೊಳ್ಳಬಹುದು . ಇದು ವರದಿ ಮಾಡುವ ವಿಶ್ವಾಸಾರ್ಹ AI-ನೀರಿನ ಸಂಖ್ಯೆ ಲೇಬಲ್ಗಳು [3].
AI ನಲ್ಲಿ ನೀರು ಎಲ್ಲಿಗೆ ಹೋಗುತ್ತದೆ: ಮೂರು ಬಕೆಟ್ಗಳು 🪣
-
ವ್ಯಾಪ್ತಿ 1 - ಆನ್-ಸೈಟ್ ಕೂಲಿಂಗ್
ಗೋಚರ ಭಾಗ: ಡೇಟಾ ಸೆಂಟರ್ನಲ್ಲಿಯೇ ನೀರು ಆವಿಯಾಗುತ್ತದೆ. ಆವಿಯಾಗುವಿಕೆ vs. ಗಾಳಿ ಅಥವಾ ಮುಚ್ಚಿದ-ಲೂಪ್ ದ್ರವದಂತಹ ಬೇಸ್ಲೈನ್ ಅನ್ನು ಹೊಂದಿಸುತ್ತವೆ [5]. -
ವ್ಯಾಪ್ತಿ 2 - ವಿದ್ಯುತ್ ಉತ್ಪಾದನೆ
ಪ್ರತಿ kWh ಒಂದು ಗುಪ್ತ ನೀರಿನ ಟ್ಯಾಗ್ ಅನ್ನು ಹೊಂದಿರಬಹುದು; ಮಿಶ್ರಣ ಮತ್ತು ಸ್ಥಳವು ನಿಮ್ಮ ಕೆಲಸದ ಹೊರೆ ಆನುವಂಶಿಕವಾಗಿ ಪಡೆಯುವ ಲೀಟರ್-ಪ್ರತಿ-kWh ಸಂಕೇತವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ [3]. -
ವ್ಯಾಪ್ತಿ 3 - ಪೂರೈಕೆ ಸರಪಳಿ
ಚಿಪ್ ತಯಾರಿಕೆಯು ತಯಾರಿಕೆಯಲ್ಲಿ ಅತಿ-ಶುದ್ಧ ನೀರಿನ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಗಡಿರೇಖೆಯು ಸ್ಪಷ್ಟವಾಗಿ ಸಾಕಾರಗೊಂಡ ಪರಿಣಾಮಗಳನ್ನು (ಉದಾ, ಪೂರ್ಣ LCA) ಒಳಗೊಂಡಿಲ್ಲದಿದ್ದರೆ ನೀವು ಅದನ್ನು "ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್" ಮೆಟ್ರಿಕ್ನಲ್ಲಿ ನೋಡುವುದಿಲ್ಲ [2][3].
ಸಂಖ್ಯೆಗಳ ಮೂಲಕ ಪೂರೈಕೆದಾರರು, ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳೊಂದಿಗೆ 🧮
-
ಗೂಗಲ್ ಜೆಮಿನಿ
ಫುಲ್-ಸ್ಟ್ಯಾಕ್ ಸರ್ವಿಂಗ್ ವಿಧಾನವನ್ನು ಪ್ರಾಂಪ್ಟ್ ಮಾಡುತ್ತದೆ (ಐಡಲ್ ಮತ್ತು ಫೆಸಿಲಿಟಿ ಓವರ್ಹೆಡ್ ಸೇರಿದಂತೆ). ಸರಾಸರಿ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ ~0.26 mL ನೀರಿನ ಜೊತೆಗೆ ~0.24 Wh ಶಕ್ತಿ; ಅಂಕಿಅಂಶಗಳು ಉತ್ಪಾದನಾ ದಟ್ಟಣೆ ಮತ್ತು ಸಮಗ್ರ ಗಡಿಗಳನ್ನು ಪ್ರತಿಬಿಂಬಿಸುತ್ತವೆ [1]. -
ಮಿಸ್ಟ್ರಲ್ ಲಾರ್ಜ್ 2 ಜೀವನಚಕ್ರ ಅಪರೂಪದ ಸ್ವತಂತ್ರ LCA (ADEME/ಕಾರ್ಬೋನ್ 4 ನೊಂದಿಗೆ) ತರಬೇತಿ + ಆರಂಭಿಕ ಬಳಕೆಗಾಗಿ ~281,000 m³ ಮತ್ತು 400-ಟೋಕನ್ ಸಹಾಯಕ ಪ್ರತ್ಯುತ್ತರಕ್ಕಾಗಿ ~45 mL ನ ನಿರ್ಣಯದ ಮಿತಿಯನ್ನು ಬಹಿರಂಗಪಡಿಸುತ್ತದೆ [2].
-
ಮೈಕ್ರೋಸಾಫ್ಟ್ನ ಶೂನ್ಯ-ನೀರಿನ ತಂಪಾಗಿಸುವಿಕೆಯ ಮಹತ್ವಾಕಾಂಕ್ಷೆಯ ಮುಂದಿನ-ಜನ್ ಡೇಟಾ ಕೇಂದ್ರಗಳು ನೇರ-ಚಿಪ್ ವಿಧಾನಗಳ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿ, ತಂಪಾಗಿಸಲು ಶೂನ್ಯ ನೀರನ್ನು ಬಳಸುವಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ ; ನಿರ್ವಾಹಕ ಬಳಕೆಗಳಿಗೆ ಇನ್ನೂ ಸ್ವಲ್ಪ ನೀರು ಬೇಕಾಗುತ್ತದೆ [4]
-
ಸಾಮಾನ್ಯ ದತ್ತಾಂಶ ಕೇಂದ್ರ ಮಾಪಕ ಪ್ರಮುಖ ನಿರ್ವಾಹಕರು ಸಾರ್ವಜನಿಕವಾಗಿ ಪ್ರತ್ಯೇಕ ಸ್ಥಳಗಳಲ್ಲಿ ದಿನಕ್ಕೆ ಸರಾಸರಿ ಲಕ್ಷಾಂತರ ಗ್ಯಾಲನ್ಗಳನ್ನು ವರದಿ ಮಾಡುತ್ತಾರೆ; ಹವಾಮಾನ ಮತ್ತು ವಿನ್ಯಾಸವು ಸಂಖ್ಯೆಗಳನ್ನು ಮೇಲಕ್ಕೆ ಅಥವಾ ಕೆಳಕ್ಕೆ ತಳ್ಳುತ್ತದೆ [5].
-
ಹಿಂದಿನ ಶೈಕ್ಷಣಿಕ ಆಧಾರಸೂಚಿ "ಥರ್ಸ್ಟಿ ಎಐ" ವಿಶ್ಲೇಷಣೆಯು ಜಿಪಿಟಿ-ವರ್ಗ ಮಾದರಿಗಳಿಗೆ ತರಬೇತಿ ನೀಡಲು ಲಕ್ಷಾಂತರ ಲೀಟರ್ಗಳನ್ನು ಅಂದಾಜಿಸಿದೆ, ಮತ್ತು 10–50 ಮಧ್ಯಮ ಉತ್ತರಗಳು ಸರಿಸುಮಾರು 500 ಎಂಎಲ್ ಬಾಟಲಿಗೆ ಸಮನಾಗಿರಬಹುದು - ಅವು ಯಾವಾಗ/ಎಲ್ಲಿ ಓಡುತ್ತವೆ ಎಂಬುದರ ಮೇಲೆ ಹೆಚ್ಚು ಅವಲಂಬಿತವಾಗಿದೆ [3].
ಅಂದಾಜುಗಳು ಏಕೆ ಇಷ್ಟೊಂದು ಭಿನ್ನವಾಗಿರುತ್ತವೆ 🤷
-
ವಿಭಿನ್ನ ಗಡಿಗಳು ಕೆಲವು ಅಂಕಿಅಂಶಗಳು ಆನ್-ಸೈಟ್ ಕೂಲಿಂಗ್ ಅನ್ನು ಮಾತ್ರ ಎಣಿಸುತ್ತವೆ; ಇನ್ನು ಕೆಲವು ವಿದ್ಯುತ್ನ ನೀರನ್ನು ಸೇರಿಸುತ್ತವೆ ; LCAಗಳು ಚಿಪ್ ತಯಾರಿಕೆಯನ್ನು ಸೇರಿಸಬಹುದು . ಸೇಬುಗಳು, ಕಿತ್ತಳೆಗಳು ಮತ್ತು ಹಣ್ಣಿನ ಸಲಾಡ್ [2][3].
-
ವಿಭಿನ್ನ ಕೆಲಸದ ಹೊರೆಗಳು
ಸಣ್ಣ ಪಠ್ಯ ಪ್ರಾಂಪ್ಟ್ ದೀರ್ಘ ಮಲ್ಟಿಮೋಡಲ್/ಕೋಡ್ ರನ್ ಅಲ್ಲ; ಬ್ಯಾಚಿಂಗ್, ಏಕಕಾಲಿಕತೆ ಮತ್ತು ಲೇಟೆನ್ಸಿ ಗುರಿಗಳು ಬಳಕೆಯನ್ನು ಬದಲಾಯಿಸುತ್ತವೆ [1][2]. -
ವಿಭಿನ್ನ ಹವಾಮಾನ ಮತ್ತು ಗ್ರಿಡ್ಗಳು
ಬಿಸಿ, ಶುಷ್ಕ ಪ್ರದೇಶದಲ್ಲಿ ಆವಿಯಾಗುವ ತಂಪಾಗಿಸುವಿಕೆ ≠ ತಂಪಾದ, ತೇವವಿರುವ ಪ್ರದೇಶದಲ್ಲಿ ಗಾಳಿ/ದ್ರವ ತಂಪಾಗಿಸುವಿಕೆ. ಗ್ರಿಡ್ ನೀರಿನ ತೀವ್ರತೆಯು ವ್ಯಾಪಕವಾಗಿ ಬದಲಾಗುತ್ತದೆ [3]. -
ಮಾರಾಟಗಾರರ ವಿಧಾನಗಳು
ಗೂಗಲ್ ಸಿಸ್ಟಮ್-ವೈಡ್ ಸರ್ವಿಂಗ್ ವಿಧಾನವನ್ನು ಪ್ರಕಟಿಸಿತು; ಮಿಸ್ಟ್ರಾಲ್ ಔಪಚಾರಿಕ LCA ಅನ್ನು ಪ್ರಕಟಿಸಿತು. ಇತರರು ವಿರಳ ವಿಧಾನಗಳೊಂದಿಗೆ ಪಾಯಿಂಟ್ ಅಂದಾಜುಗಳನ್ನು ನೀಡುತ್ತಾರೆ. "ಟೀಚಮಚದ ಹದಿನೈದನೇ ಒಂದು ಭಾಗ" ಹಕ್ಕು ಸುದ್ದಿಗಳನ್ನು ಮಾಡಿತು - ಆದರೆ ಗಡಿ ವಿವರಗಳಿಲ್ಲದೆ, ಅದನ್ನು ಹೋಲಿಸಲಾಗುವುದಿಲ್ಲ [1][3]. -
ಚಲಿಸುವ ಗುರಿ
ಕೂಲಿಂಗ್ ವೇಗವಾಗಿ ವಿಕಸನಗೊಳ್ಳುತ್ತಿದೆ. ಮೈಕ್ರೋಸಾಫ್ಟ್ ನೀರು-ಮುಕ್ತ ಕೂಲಿಂಗ್ ಅನ್ನು ; ಅಪ್ಸ್ಟ್ರೀಮ್ ವಿದ್ಯುತ್ ಇನ್ನೂ ನೀರಿನ ಸಂಕೇತವನ್ನು ಹೊಂದಿದ್ದರೂ ಸಹ, ಇವುಗಳನ್ನು ಹೊರತರುವುದರಿಂದ ಆನ್-ಸೈಟ್ ನೀರಿನ ಪ್ರಮಾಣ ಕಡಿಮೆಯಾಗುತ್ತದೆ [4].
AI ನ ನೀರಿನ ಹೆಜ್ಜೆಗುರುತನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನೀವು ಇಂದು ಏನು ಮಾಡಬಹುದು 🌱
-
ಬಲ-ಗಾತ್ರದ ಮಾದರಿ
ಚಿಕ್ಕದಾದ, ಕಾರ್ಯ-ಟ್ಯೂನ್ ಮಾಡಲಾದ ಮಾದರಿಗಳು ಆಗಾಗ್ಗೆ ನಿಖರತೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತವೆ ಆದರೆ ಕಡಿಮೆ ಕಂಪ್ಯೂಟ್ ಅನ್ನು ಬರೆಯುತ್ತವೆ. ಮಿಸ್ಟ್ರಾಲ್ನ ಮೌಲ್ಯಮಾಪನವು ಬಲವಾದ ಗಾತ್ರ-ಹೆಜ್ಜೆಗುರುತು ಪರಸ್ಪರ ಸಂಬಂಧಗಳನ್ನು ಒತ್ತಿಹೇಳುತ್ತದೆ - ಮತ್ತು ನೀವು ಟ್ರೇಡ್ಆಫ್ಗಳ ಬಗ್ಗೆ ತರ್ಕಿಸಲು ಸಾಧ್ಯವಾಗುವಂತೆ ಮಾರ್ಜಿನಲ್ ಅನುಮಾನ ಸಂಖ್ಯೆಗಳನ್ನು ಪ್ರಕಟಿಸುತ್ತದೆ [2]. -
ನೀರಿನ ಪ್ರಕಾರದ ಪ್ರದೇಶಗಳನ್ನು ಆರಿಸಿ
ತಂಪಾದ ಹವಾಮಾನ, ಪರಿಣಾಮಕಾರಿ ತಂಪಾಗಿಸುವಿಕೆ ಮತ್ತು ಪ್ರತಿ kWh ಗೆ ಕಡಿಮೆ ನೀರಿನ ತೀವ್ರತೆಯನ್ನು ಹೊಂದಿರುವ ಗ್ರಿಡ್ಗಳನ್ನು ಹೊಂದಿರುವ ಪ್ರದೇಶಗಳಿಗೆ ಆದ್ಯತೆ ನೀಡಿ; "ಬಾಯಾರಿದ AI" ಕೆಲಸವು ಸಮಯ ಮತ್ತು ಸ್ಥಳ-ಅರಿವಿನ ವೇಳಾಪಟ್ಟಿ ಸಹಾಯ ಮಾಡುತ್ತದೆ ಎಂದು ತೋರಿಸುತ್ತದೆ [3]. -
ಕೆಲಸದ ಹೊರೆಗಳನ್ನು ಸಮಯಕ್ಕೆ ತಕ್ಕಂತೆ ಬದಲಾಯಿಸಿ
ನೀರಿನ ದಕ್ಷತೆಯ ಸಮಯಕ್ಕಾಗಿ ತರಬೇತಿ/ಭಾರೀ ಬ್ಯಾಚ್ ನಿರ್ಣಯವನ್ನು ನಿಗದಿಪಡಿಸಿ (ತಂಪಾದ ರಾತ್ರಿಗಳು, ಅನುಕೂಲಕರ ಗ್ರಿಡ್ ಪರಿಸ್ಥಿತಿಗಳು) [3]. -
ಪಾರದರ್ಶಕ ಮೆಟ್ರಿಕ್ಗಳಿಗಾಗಿ ನಿಮ್ಮ ಮಾರಾಟಗಾರರನ್ನು ಕೇಳಿ ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್ ನೀರಿನ ಬೇಡಿಕೆ , ಗಡಿ ವ್ಯಾಖ್ಯಾನಗಳು ಮತ್ತು ಸಂಖ್ಯೆಗಳು ನಿಷ್ಕ್ರಿಯ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಸೌಲಭ್ಯದ ಓವರ್ಹೆಡ್ ಅನ್ನು ಒಳಗೊಂಡಿವೆಯೇ ಎಂದು. ಸೇಬುಗಳಿಂದ ಸೇಬುಗಳ ಹೋಲಿಕೆಗಳನ್ನು ಸಾಧ್ಯವಾಗಿಸಲು ನೀತಿ ಗುಂಪುಗಳು ಕಡ್ಡಾಯ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಗೆ ಒತ್ತಾಯಿಸುತ್ತಿವೆ [3].
-
ಕೂಲಿಂಗ್ ತಂತ್ರಜ್ಞಾನ ಮುಖ್ಯ
ನೀವು ಹಾರ್ಡ್ವೇರ್ ಬಳಸುತ್ತಿದ್ದರೆ, ಕ್ಲೋಸ್ಡ್-ಲೂಪ್/ಡೈರೆಕ್ಟ್-ಟು-ಚಿಪ್ ಕೂಲಿಂಗ್ ಅನ್ನು; ನೀವು ಕ್ಲೌಡ್ನಲ್ಲಿದ್ದರೆ, ನೀರು-ಬೆಳಕಿನ ವಿನ್ಯಾಸಗಳಲ್ಲಿ [4][5]. -
ಬೂದು ನೀರು ಮತ್ತು ಮರುಬಳಕೆ ಆಯ್ಕೆಗಳನ್ನು ಬಳಸಿ
ಅನೇಕ ಕ್ಯಾಂಪಸ್ಗಳು ಕುಡಿಯಲು ಯೋಗ್ಯವಲ್ಲದ ಮೂಲಗಳನ್ನು ಬದಲಿಸಬಹುದು ಅಥವಾ ಲೂಪ್ಗಳೊಳಗೆ ಮರುಬಳಕೆ ಮಾಡಬಹುದು; ದೊಡ್ಡ ನಿರ್ವಾಹಕರು ನಿವ್ವಳ ಪರಿಣಾಮವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ನೀರಿನ ಮೂಲಗಳನ್ನು ಸಮತೋಲನಗೊಳಿಸುವುದು ಮತ್ತು ತಂಪಾಗಿಸುವ ಆಯ್ಕೆಗಳನ್ನು ವಿವರಿಸುತ್ತಾರೆ [5].
ಇದನ್ನು ನಿಜವಾಗಿಸಲು ಒಂದು ತ್ವರಿತ ಉದಾಹರಣೆ (ಸಾರ್ವತ್ರಿಕ ನಿಯಮವಲ್ಲ): ಬೇಸಿಗೆಯ ಮಧ್ಯದಲ್ಲಿ ಬಿಸಿ, ಶುಷ್ಕ ಪ್ರದೇಶದಿಂದ ವಸಂತಕಾಲದಲ್ಲಿ ತಂಪಾದ, ಹೆಚ್ಚು ಆರ್ದ್ರ ಪ್ರದೇಶಕ್ಕೆ ರಾತ್ರಿಯ ತರಬೇತಿ ಕೆಲಸವನ್ನು ಸ್ಥಳಾಂತರಿಸುವುದು - ಮತ್ತು ಆಫ್-ಪೀಕ್, ತಂಪಾದ ಸಮಯದಲ್ಲಿ ಅದನ್ನು ನಡೆಸುವುದು - ಆನ್-ಸೈಟ್ ನೀರಿನ ಬಳಕೆ ಮತ್ತು ಆಫ್-ಸೈಟ್ (ಗ್ರಿಡ್) ನೀರಿನ ತೀವ್ರತೆ ಎರಡನ್ನೂ ಬದಲಾಯಿಸಬಹುದು. ಅದು ಪ್ರಾಯೋಗಿಕ, ಕಡಿಮೆ-ನಾಟಕ ಗೆಲುವಿನ ವೇಳಾಪಟ್ಟಿಯನ್ನು ಅನ್ಲಾಕ್ ಮಾಡಬಹುದು [3].
ಹೋಲಿಕೆ ಕೋಷ್ಟಕ: AI ನ ನೀರಿನ ಶುಲ್ಕವನ್ನು ಕಡಿಮೆ ಮಾಡಲು ತ್ವರಿತ ಆಯ್ಕೆಗಳು 🧰
| ಉಪಕರಣ | ಪ್ರೇಕ್ಷಕರು | ಬೆಲೆ | ಅದು ಏಕೆ ಕೆಲಸ ಮಾಡುತ್ತದೆ? |
|---|---|---|---|
| ಚಿಕ್ಕದಾದ, ಕಾರ್ಯ-ಶ್ರುತಿ ಮಾಡಲಾದ ಮಾದರಿಗಳು | ML ತಂಡಗಳು, ಉತ್ಪನ್ನ ಪ್ರಮುಖರು | ಕಡಿಮೆ–ಮಧ್ಯಮ | ಪ್ರತಿ ಟೋಕನ್ಗೆ ಕಡಿಮೆ ಕಂಪ್ಯೂಟ್ = ಕಡಿಮೆ ತಂಪಾಗಿಸುವಿಕೆ + ವಿದ್ಯುತ್ ನೀರು; LCA-ಶೈಲಿಯ ವರದಿಯಲ್ಲಿ ಸಾಬೀತಾಗಿದೆ [2]. |
| ನೀರು/kWh ಆಧಾರದ ಮೇಲೆ ಪ್ರದೇಶ ಆಯ್ಕೆ | ಮೇಘ ವಾಸ್ತುಶಿಲ್ಪಿಗಳು, ಸಂಗ್ರಹಣೆ | ಮಧ್ಯಮ | ಕಡಿಮೆ ನೀರಿನ ತೀವ್ರತೆಯ ತಂಪಾದ ಹವಾಮಾನ ಮತ್ತು ಗ್ರಿಡ್ಗಳಿಗೆ ಬದಲಿಸಿ; ಬೇಡಿಕೆ-ಅರಿವಿನ ರೂಟಿಂಗ್ನೊಂದಿಗೆ ಜೋಡಿಸಿ [3]. |
| ದಿನದ ತರಬೇತಿ ಸಮಯದ ವಿಂಡೋಗಳು | MLOps, ಶೆಡ್ಯೂಲರ್ಗಳು | ಕಡಿಮೆ | ತಂಪಾದ ರಾತ್ರಿಗಳು + ಉತ್ತಮ ಗ್ರಿಡ್ ಪರಿಸ್ಥಿತಿಗಳು ಪರಿಣಾಮಕಾರಿ ನೀರಿನ ತೀವ್ರತೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ [3]. |
| ನೇರ-ಚಿಪ್/ಮುಚ್ಚಿದ-ಲೂಪ್ ಕೂಲಿಂಗ್ | ಡೇಟಾ-ಸೆಂಟರ್ ಕಾರ್ಯಾಚರಣೆಗಳು | ಮಧ್ಯಮ-ಉನ್ನತ | ಸಾಧ್ಯವಾದಲ್ಲೆಲ್ಲಾ ಆವಿಯಾಗುವ ಗೋಪುರಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ, ಸ್ಥಳದಲ್ಲೇ ಬಳಕೆಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ [4]. |
| ಪ್ರಾಂಪ್ಟ್ ಉದ್ದ ಮತ್ತು ಬ್ಯಾಚ್ ನಿಯಂತ್ರಣಗಳು | ಅಪ್ಲಿಕೇಶನ್ ಡೆವಲಪರ್ಗಳು | ಕಡಿಮೆ | ರನ್ಅವೇ ಟೋಕನ್ಗಳನ್ನು ಕ್ಯಾಪ್ ಮಾಡಿ, ಬುದ್ಧಿವಂತಿಕೆಯಿಂದ ಬ್ಯಾಚ್ ಮಾಡಿ, ಫಲಿತಾಂಶಗಳನ್ನು ಸಂಗ್ರಹಿಸಿ; ಕಡಿಮೆ ಮಿಲಿಸೆಕೆಂಡುಗಳು, ಕಡಿಮೆ ಮಿಲಿಲೀಟರ್ಗಳು [1][2]. |
| ಮಾರಾಟಗಾರರ ಪಾರದರ್ಶಕತೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ | ಸಿಟಿಒಗಳು, ಸುಸ್ಥಿರತೆಯ ಮುನ್ನಡೆಗಳು | ಉಚಿತ | ಗಡಿ ಸ್ಪಷ್ಟತೆಯನ್ನು (ಆನ್-ಸೈಟ್ vs ಆಫ್-ಸೈಟ್) ಮತ್ತು ಆಪಲ್ಸ್-ಟು-ಆಪಲ್ಸ್ ವರದಿ ಮಾಡುವಿಕೆಯನ್ನು ಒತ್ತಾಯಿಸುತ್ತದೆ [3]. |
| ಬೂದು ನೀರು ಅಥವಾ ಮರಳಿ ಪಡೆದ ಮೂಲಗಳು | ಸೌಲಭ್ಯಗಳು, ಪುರಸಭೆಗಳು | ಮಧ್ಯಮ | ಕುಡಿಯಲು ಯೋಗ್ಯವಲ್ಲದ ನೀರನ್ನು ಬದಲಿಸುವುದರಿಂದ ಕುಡಿಯುವ ಸರಬರಾಜುಗಳ ಮೇಲಿನ ಒತ್ತಡ ಕಡಿಮೆಯಾಗುತ್ತದೆ [5]. |
| ಶಾಖ-ಮರುಬಳಕೆ ಪಾಲುದಾರಿಕೆಗಳು | ನಿರ್ವಾಹಕರು, ಸ್ಥಳೀಯ ಮಂಡಳಿಗಳು | ಮಧ್ಯಮ | ಉತ್ತಮ ಉಷ್ಣ ದಕ್ಷತೆಯು ಪರೋಕ್ಷವಾಗಿ ತಂಪಾಗಿಸುವಿಕೆಯ ಬೇಡಿಕೆಯನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಸ್ಥಳೀಯ ಸದ್ಭಾವನೆಯನ್ನು ನಿರ್ಮಿಸುತ್ತದೆ [5]. |
(“ಬೆಲೆ” ವಿನ್ಯಾಸದಲ್ಲಿ ಮೆತ್ತಗಿದೆ - ನಿಯೋಜನೆಗಳು ಬದಲಾಗುತ್ತವೆ.)
ಆಳವಾಗಿ ಮುಳುಗಿ: ನೀತಿಯ ಡ್ರಮ್ ಬೀಟ್ ಜೋರಾಗುತ್ತಿದೆ 🥁
ಎಂಜಿನಿಯರಿಂಗ್ ಸಂಸ್ಥೆಗಳು ಡೇಟಾ-ಸೆಂಟರ್ ಇಂಧನ ಮತ್ತು ನೀರಿನ ಕಡ್ಡಾಯ ಬಹಿರಂಗಪಡಿಸುವಿಕೆಯನ್ನು ಒತ್ತಾಯಿಸುತ್ತವೆ , ಇದರಿಂದಾಗಿ ಖರೀದಿದಾರರು ಮತ್ತು ಸಮುದಾಯಗಳು ವೆಚ್ಚ ಮತ್ತು ಪ್ರಯೋಜನಗಳನ್ನು ನಿರ್ಣಯಿಸಬಹುದು. ಶಿಫಾರಸುಗಳಲ್ಲಿ ಸ್ಕೋಪ್ ವ್ಯಾಖ್ಯಾನಗಳು, ಸೈಟ್-ಮಟ್ಟದ ವರದಿ ಮಾಡುವಿಕೆ ಮತ್ತು ಸ್ಥಳ ಮಾರ್ಗದರ್ಶನ ಸೇರಿವೆ - ಏಕೆಂದರೆ ಹೋಲಿಸಬಹುದಾದ, ಸ್ಥಳ-ಅರಿವಿನ ಮೆಟ್ರಿಕ್ಗಳಿಲ್ಲದೆ, ನಾವು ಕತ್ತಲೆಯಲ್ಲಿ ವಾದಿಸುತ್ತಿದ್ದೇವೆ [3].
ಆಳವಾದ ಅಧ್ಯಯನ: ಡೇಟಾ ಕೇಂದ್ರಗಳು ಒಂದೇ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುವುದಿಲ್ಲ 🚰
"ಗಾಳಿಯ ತಂಪಾಗಿಸುವಿಕೆಯು ನೀರನ್ನು ಬಳಸುವುದಿಲ್ಲ" ಎಂಬ ನಿರಂತರ ಪುರಾಣವಿದೆ. ಸಂಪೂರ್ಣವಾಗಿ ಅಲ್ಲ. ಗಾಳಿ-ಭಾರವಾದ ವ್ಯವಸ್ಥೆಗಳಿಗೆ ಹೆಚ್ಚಾಗಿ ಹೆಚ್ಚಿನ ವಿದ್ಯುತ್ ಅಗತ್ಯವಿರುತ್ತದೆ , ಇದು ಅನೇಕ ಪ್ರದೇಶಗಳಲ್ಲಿ ಗ್ರಿಡ್ನಿಂದ ಗುಪ್ತ ನೀರನ್ನು ಒಯ್ಯುತ್ತದೆ; ಇದಕ್ಕೆ ವಿರುದ್ಧವಾಗಿ, ನೀರಿನ ತಂಪಾಗಿಸುವಿಕೆಯು ಆನ್-ಸೈಟ್ ನೀರಿನ ವೆಚ್ಚದಲ್ಲಿ ವಿದ್ಯುತ್ ಮತ್ತು ಹೊರಸೂಸುವಿಕೆಯನ್ನು ಕಡಿತಗೊಳಿಸುತ್ತದೆ. ದೊಡ್ಡ ನಿರ್ವಾಹಕರು ಈ ಟ್ರೇಡ್-ಆಫ್ಗಳನ್ನು ಸೈಟ್-ಬೈ-ಸೈಟ್ನಲ್ಲಿ ಸ್ಪಷ್ಟವಾಗಿ ಸಮತೋಲನಗೊಳಿಸುತ್ತಾರೆ [1][5].
ಆಳವಾದ ಅಧ್ಯಯನ: ವೈರಲ್ ಹಕ್ಕುಗಳ ಕುರಿತು ಒಂದು ತ್ವರಿತ ರಿಯಾಲಿಟಿ ಪರಿಶೀಲನೆ 🧪
ಒಂದೇ ಪ್ರಾಂಪ್ಟ್ "ನೀರಿನ ಬಾಟಲಿ" ಅಥವಾ ಇನ್ನೊಂದು ತುದಿಯಲ್ಲಿ "ಕೆಲವೇ ಹನಿಗಳು" ಎಂಬ ದಿಟ್ಟ ಹೇಳಿಕೆಗಳನ್ನು ನೀವು ನೋಡಿರಬಹುದು. ಉತ್ತಮ ಭಂಗಿ: ಗಣಿತದೊಂದಿಗೆ ನಮ್ರತೆ . ಇಂದಿನ ವಿಶ್ವಾಸಾರ್ಹ ಬುಕೆಂಡ್ಗಳು ಪೂರ್ಣ ಸರ್ವಿಂಗ್ ಓವರ್ಹೆಡ್ನೊಂದಿಗೆ ಸರಾಸರಿ ಉತ್ಪಾದನಾ ಪ್ರಾಂಪ್ಟ್ಗೆ ~0.26 mL ಮತ್ತು 400-ಟೋಕನ್ ಸಹಾಯಕ ಪ್ರತ್ಯುತ್ತರಕ್ಕೆ (ಕನಿಷ್ಠ ನಿರ್ಣಯ) ~45 mL [2]. ಹೆಚ್ಚು ಹಂಚಿಕೆಯಾದ "ಒಂದು ಟೀಚಮಚದ ಹದಿನೈದನೇ ಒಂದು ಭಾಗ" ಹಕ್ಕು ಸಾರ್ವಜನಿಕ ಗಡಿ/ವಿಧಾನವನ್ನು ಹೊಂದಿಲ್ಲ; ನಗರವಿಲ್ಲದೆ ಹವಾಮಾನ ಮುನ್ಸೂಚನೆಯಂತೆ ಅದನ್ನು ಪರಿಗಣಿಸಿ [1][3].
ಮಿನಿ-FAQ: AI ಎಷ್ಟು ನೀರನ್ನು ಬಳಸುತ್ತದೆ? ಮತ್ತೊಮ್ಮೆ, ಸರಳ ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ 🗣️
-
ಹಾಗಾದರೆ, ಸಭೆಯಲ್ಲಿ ನಾನು ಏನು ಹೇಳಬೇಕು? "ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್ಗೆ, ಇದು ಮಾದರಿ, ಉದ್ದ ಮತ್ತು ಅದು ಎಲ್ಲಿ ನಡೆಯುತ್ತದೆ ಎಂಬುದರ ಆಧಾರದ ಮೇಲೆ ಹನಿಗಳಿಂದ ಕೆಲವು ಸಿಪ್ಗಳವರೆಗೆ ಇರುತ್ತದೆ. ತರಬೇತಿಯು ಕೊಚ್ಚೆ ಗುಂಡಿಗಳಲ್ಲ, ಪೂಲ್ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ." ನಂತರ ಮೇಲಿನ ಒಂದು ಅಥವಾ ಎರಡು ಉದಾಹರಣೆಗಳನ್ನು ಉಲ್ಲೇಖಿಸಿ.
-
AI ವಿಶಿಷ್ಟವಾಗಿ ಕೆಟ್ಟದ್ದೇ?
ಇದು ವಿಶಿಷ್ಟವಾಗಿ ಕೇಂದ್ರೀಕೃತವಾಗಿದೆ: ಒಟ್ಟಿಗೆ ಪ್ಯಾಕ್ ಮಾಡಲಾದ ಹೆಚ್ಚಿನ ಶಕ್ತಿಯ ಚಿಪ್ಗಳು ದೊಡ್ಡ ತಂಪಾಗಿಸುವ ಹೊರೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತವೆ. ಆದರೆ ಡೇಟಾ ಕೇಂದ್ರಗಳು ಸಹ ಉತ್ತಮ ದಕ್ಷತೆಯ ತಂತ್ರಜ್ಞಾನವು ಮೊದಲು ಇಳಿಯುವ ಸ್ಥಳಗಳಾಗಿವೆ [1][4]. -
ನಾವು ಎಲ್ಲವನ್ನೂ ಗಾಳಿ ತಂಪಾಗಿಸುವಿಕೆಗೆ ಬದಲಾಯಿಸಿದರೆ ಏನಾಗುತ್ತದೆ? ನೀವು ಆನ್-ಸೈಟ್ ನೀರನ್ನು ಕಡಿತಗೊಳಿಸಬಹುದು ಆದರೆ ವಿದ್ಯುತ್ ಮೂಲಕ ಆಫ್-ಸೈಟ್ ನೀರನ್ನು ಹೆಚ್ಚಿಸಬಹುದು. ಅತ್ಯಾಧುನಿಕ ನಿರ್ವಾಹಕರು ಎರಡನ್ನೂ ತೂಗುತ್ತಾರೆ [1][5].
-
ಭವಿಷ್ಯದ ತಂತ್ರಜ್ಞಾನದ ಬಗ್ಗೆ ಏನು? ಪ್ರಮಾಣದಲ್ಲಿ ನೀರನ್ನು ತಂಪಾಗಿಸುವುದನ್ನು ತಪ್ಪಿಸುವ ವಿನ್ಯಾಸಗಳು ಸ್ಕೋಪ್ 1 ಕ್ಕೆ ಗೇಮ್-ಚೇಂಜರ್ ಆಗಿರುತ್ತವೆ. ಕೆಲವು ನಿರ್ವಾಹಕರು ಈ ರೀತಿ ಚಲಿಸುತ್ತಿದ್ದಾರೆ; ಗ್ರಿಡ್ಗಳು ಬದಲಾಗುವವರೆಗೆ ಅಪ್ಸ್ಟ್ರೀಮ್ ವಿದ್ಯುತ್ ಇನ್ನೂ ನೀರಿನ ಸಂಕೇತವನ್ನು ಹೊಂದಿರುತ್ತದೆ [4].
ಅಂತಿಮ ಟಿಪ್ಪಣಿಗಳು - ತುಂಬಾ ಉದ್ದವಾಗಿದೆ, ನಾನು ಅದನ್ನು ಓದಿಲ್ಲ 🌊
-
ಪ್ರತಿ ಪ್ರಾಂಪ್ಟ್ಗೆ: ಮಾದರಿ, ಪ್ರಾಂಪ್ಟ್ ಉದ್ದ ಮತ್ತು ಅದು ಎಲ್ಲಿ ಚಲಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಅವಲಂಬಿಸಿ, ಉಪ-ಮಿಲಿಲೀಟರ್ನಿಂದ ಹತ್ತಾರು ಮಿಲಿಲೀಟರ್ಗಳವರೆಗೆ ಯೋಚಿಸಿ . ಒಂದು ಪ್ರಮುಖ ಸ್ಟ್ಯಾಕ್ನಲ್ಲಿ ಸರಾಸರಿ ಪ್ರಾಂಪ್ಟ್ ~0.26 mL ; ಇನ್ನೊಂದರಲ್ಲಿ 400-ಟೋಕನ್ ಪ್ರತ್ಯುತ್ತರಕ್ಕೆ ~45 mL [1][2].
-
ತರಬೇತಿ: ಲಕ್ಷಾಂತರ ಲೀಟರ್ಗಳು , ವೇಳಾಪಟ್ಟಿ, ಸ್ಥಳ ಮತ್ತು ತಂಪಾಗಿಸುವ ತಂತ್ರಜ್ಞಾನವನ್ನು ನಿರ್ಣಾಯಕವಾಗಿಸುತ್ತದೆ [3].
-
ಏನು ಮಾಡಬೇಕು: ಸರಿಯಾದ ಗಾತ್ರದ ಮಾದರಿಗಳು, ನೀರಿನ ಪ್ರಕಾರ ಪ್ರದೇಶಗಳನ್ನು ಆರಿಸಿ, ಭಾರೀ ಕೆಲಸಗಳನ್ನು ತಂಪಾದ ಸಮಯಗಳಿಗೆ ಬದಲಾಯಿಸಿ, ನೀರು-ಬೆಳಕಿನ ವಿನ್ಯಾಸಗಳನ್ನು ಸಾಬೀತುಪಡಿಸುವ ಮಾರಾಟಗಾರರಿಗೆ ಆದ್ಯತೆ ನೀಡಿ ಮತ್ತು ಪಾರದರ್ಶಕ ಗಡಿಗಳನ್ನು ಬೇಡಿಕೊಳ್ಳಿ [1][3][4][5].
ಕೊನೆಯಲ್ಲಿ ಸ್ವಲ್ಪ ದೋಷಪೂರಿತ ರೂಪಕ: AI ಒಂದು ಬಾಯಾರಿದ ಆರ್ಕೆಸ್ಟ್ರಾ - ಮಧುರವು ಕಂಪ್ಯೂಟ್ ಆಗಿದೆ, ಆದರೆ ಡ್ರಮ್ಗಳು ತಂಪಾಗಿಸುತ್ತಿವೆ ಮತ್ತು ನೀರನ್ನು ಗ್ರಿಡ್ ಮಾಡುತ್ತಿವೆ. ಬ್ಯಾಂಡ್ ಅನ್ನು ಟ್ಯೂನ್ ಮಾಡಿ, ಮತ್ತು ಪ್ರೇಕ್ಷಕರು ಸ್ಪ್ರಿಂಕ್ಲರ್ಗಳನ್ನು ಆಫ್ ಮಾಡದೆಯೇ ಸಂಗೀತವನ್ನು ಕೇಳುತ್ತಾರೆ. 🎻💦
ಉಲ್ಲೇಖಗಳು
-
ಗೂಗಲ್ ಕ್ಲೌಡ್ ಬ್ಲಾಗ್ - ಗೂಗಲ್ನ AI ಎಷ್ಟು ಶಕ್ತಿಯನ್ನು ಬಳಸುತ್ತದೆ? ನಾವು ಗಣಿತವನ್ನು ಮಾಡಿದ್ದೇವೆ (ವಿಧಾನಶಾಸ್ತ್ರ + ~0.26 mL ಸರಾಸರಿ ಪ್ರಾಂಪ್ಟ್, ಪೂರ್ಣ ಸರ್ವಿಂಗ್ ಓವರ್ಹೆಡ್). ಲಿಂಕ್
(ತಾಂತ್ರಿಕ ಪೇಪರ್ PDF: ಗೂಗಲ್ ಸ್ಕೇಲ್ನಲ್ಲಿ AI ಅನ್ನು ತಲುಪಿಸುವ ಪರಿಸರ ಪರಿಣಾಮವನ್ನು ಅಳೆಯುವುದು.) ಲಿಂಕ್ -
ಮಿಸ್ಟ್ರಲ್ AI - AI ಗಾಗಿ ಜಾಗತಿಕ ಪರಿಸರ ಮಾನದಂಡಕ್ಕೆ ನಮ್ಮ ಕೊಡುಗೆ (ADEME/ಕಾರ್ಬೋನ್ 4 ನೊಂದಿಗೆ LCA; ~281,000 m³ ತರಬೇತಿ + ಆರಂಭಿಕ ಬಳಕೆ; 400-ಟೋಕನ್ ಪ್ರತ್ಯುತ್ತರಕ್ಕೆ ~45 mL , ಕನಿಷ್ಠ ನಿರ್ಣಯ). ಲಿಂಕ್
-
ಲಿ ಮತ್ತು ಇತರರು - AI ಅನ್ನು ಕಡಿಮೆ "ಬಾಯಾರಿಕೆ" ಮಾಡುವುದು: AI ಮಾದರಿಗಳ ರಹಸ್ಯ ನೀರಿನ ಹೆಜ್ಜೆಗುರುತನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದು ಮತ್ತು ಪರಿಹರಿಸುವುದು ( ಲಕ್ಷಾಂತರ ಲೀಟರ್ಗಳ ತರಬೇತಿ , ಸಮಯ ಮತ್ತು ಸ್ಥಳ-ಅರಿವಿನ ವೇಳಾಪಟ್ಟಿ, ಹಿಂಪಡೆಯುವಿಕೆ vs. ಬಳಕೆ). ಲಿಂಕ್
-
ಮೈಕ್ರೋಸಾಫ್ಟ್ - ಮುಂದಿನ ಪೀಳಿಗೆಯ ಡೇಟಾಸೆಂಟರ್ಗಳು ತಂಪಾಗಿಸಲು ಶೂನ್ಯ ನೀರನ್ನು ಬಳಸುತ್ತವೆ (ಕೆಲವು ಸೈಟ್ಗಳಲ್ಲಿ ನೀರು-ಮುಕ್ತ ತಂಪಾಗಿಸುವಿಕೆಯನ್ನು ಗುರಿಯಾಗಿಸಿಕೊಂಡು ನೇರ-ಚಿಪ್ ವಿನ್ಯಾಸಗಳು). ಲಿಂಕ್
-
ಗೂಗಲ್ ಡೇಟಾ ಸೆಂಟರ್ಗಳು - ಸುಸ್ಥಿರವಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತಿವೆ (ಸೈಟ್-ಬೈ-ಸೈಟ್ ಕೂಲಿಂಗ್ ಟ್ರೇಡ್-ಆಫ್ಗಳು; ರಿಕ್ಲೈಮ್ಡ್/ಗ್ರೇವಾಟರ್ ಸೇರಿದಂತೆ ವರದಿ ಮಾಡುವಿಕೆ ಮತ್ತು ಮರುಬಳಕೆ; ಪ್ರಮಾಣಿತ ದೈನಂದಿನ ಸೈಟ್-ಮಟ್ಟದ ಬಳಕೆಯ ಆದೇಶಗಳು). ಲಿಂಕ್