Evaluation of ML Resource Utilization Requires Model Life Cycle Assessment
यह स्थिति पत्र (position paper) तर्क देता है कि एआई प्रणालियों के पर्यावरणीय प्रभाव और संसाधन आवश्यकताओं का मूल्यांकन करने के लिए एक व्यापक जीवन चक्र मूल्यांकन दृष्टिकोण की आवश्यकता है जो केवल पृथक प्रशिक्षण या अनुमान घटनाओं पर ध्यान केंद्रित करने के बजाय, संपूर्ण मॉडल विकास और परिनियोजन पाइपलाइन में लागतों को समाहित करता हो।
मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें
कल्पना कीजिए कि आप एक कार खरीद रहे हैं। यदि आप केवल अपने घर से किराने की दुकान तक जाने के लिए लगने वाले पेट्रोल की कीमत देखते हैं, तो आप कहानी का एक बहुत बड़ा हिस्सा मिस कर देंगे। आपको यह नहीं पता होगा कि इंजन के लिए धातु निकालने में कितनी ऊर्जा खर्च हुई, फैक्ट्री बनाने में कितना प्रदूषण हुआ, या जब कार अंततः कबाड़ में जाती है तो कितना कचरा पैदा होता है।
यह शोध पत्र तर्क देता है कि हम वर्तमान में आर्टिफिशियल इंटेलिजेंस (AI) के साथ बिल्कुल यही कर रहे हैं। हम केवल "पेट्रोल" (एक एकल गणना के लिए उपयोग की जाने वाली बिजली) को गिन रहे हैं, लेकिन कार के बाकी जीवन को अनदेखा कर रहे हैं।
यहाँ एक सरल विवरण दिया गया है कि लेखक क्या कह रहे हैं:
समस्या: हम केवल "पेट्रोल" को गिन रहे हैं
अभी, जब शोधकर्ता या कंपनियाँ यह मापने की कोशिश करती हैं कि एक AI मॉडल कितना "हरा" (eco-friendly) या कुशल है, तो वे आमतौर पर समय के केवल एक छोटे से क्षण को देखती हैं:
- ट्रेनिंग रन (Training Run): AI को एक विशिष्ट पाठ सिखाने में कितनी बिजली लगी?
- इन्फरेंस (Inference): एक अकेले प्रश्न का उत्तर देने में कितनी बिजली लगी?
लेखकों का कहना है कि यह एक कार की दक्षता को केवल एक मील के लिए उपयोग किए गए पेट्रोल को देखकर आंकने जैसा है। यह भ्रामक है क्योंकि आधुनिक AI अविश्वसनीय रूप से जटिल है। इससे पहले कि एक मॉडल किसी प्रश्न का उत्तर दे सके, वह एक अव्यवस्थित और संसाधन-भारी यात्रा से गुजरता है जिसमें शामिल हैं:
- मॉडल आर्किटेक्चर को डिजाइन करना।
- हजारों प्रयोग और परीक्षण चलाना।
- सिंथेटिक डेटा बनाना।
- फाइन-ट्यूनिंग और री-ट्रेनिंग करना।
- अंत में, प्रश्न का उत्तर देना।
यदि आप केवल अंतिम चरण को गिनते हैं, तो आप उन विशाल संसाधनों को मिस कर देते हैं जो "अभ्यास सत्रों" (practice runs) और उस हार्डवेयर के निर्माण में खर्च हुए जिन्होंने यह सब संभव बनाया।
समाधान: "लाइफ साइकिल" (जीवन चक्र) दृष्टिकोण
लेखक लाइफ साइकिल असेसमेंट (LCA) नामक उपकरण का उपयोग करने का प्रस्ताव देते हैं। आप इसे पर्यावरण विज्ञान से जानते होंगे, जहाँ इसका उपयोग प्लास्टिक की बोतल से लेकर सोलर पैनल तक सब कुछ ट्रैक करने के लिए किया जाता है।
LCA को AI के लिए एक "पालने से कब्र तक" (Cradle-to-Grave) लेखांकन प्रणाली के रूप में समझें। केवल यह देखने के बजाय कि AI कब बोलता है, LCA शुरुआत से अंत तक संसाधनों को ट्रैक करता है:
- पालना (हार्डवेयर): दुर्लभ धातुओं का खनन और उन कंप्यूटर चिप्स (GPUs) का निर्माण जो AI चलाने के लिए आवश्यक हैं।
- विकास (ट्रेनिंग): मॉडल को प्रशिक्षित करने में उपयोग की गई बिजली और पानी, जिसमें सभी विफल प्रयोग और री-ट्रेनिंग भी शामिल है।
- उपयोग (इन्फरेंस): हर बार जब AI प्रश्न का उत्तर देता है, तो उपयोग की जाने वाली बिजली।
- कब्र (निपटान): जब हार्डवेयर टूट जाता है या पुराना हो जाता है, तो उसका क्या होता है।
यह क्यों मायने रखता है: "एमोर्टाइजेशन" (Amortization) सादृश्य
यह पत्र समझाने के लिए कि यह क्यों महत्वपूर्ण है, एमोर्टाइजेशन नामक अवधारणा का उपयोग करता है।
कल्पना कीजिए कि आप अपने कार्यालय के लिए एक बहुत महंगी, हाई-एंड कॉफी मशीन खरीदते हैं।
- परिदृश्य A: आप इसका साल में एक बार उपयोग करते हैं। उस एक कप कॉफी की "लागत" बहुत अधिक है क्योंकि आपको हर बार मशीन की पूरी कीमत चुकानी पड़ती है।
- परिदृश्य B: आप साल में 10,000 बार इसका उपयोग करते हैं। उस एक कप कॉफी की "लागत" कुछ पैसों में गिर जाती है क्योंकि मशीन की लागत हजारों कपों में बंट जाती है।
लेखक तर्क देते हैं कि AI के लिए, हमें "मशीन" (ट्रेनिंग और हार्डवेयर) की लागत को सभी "कॉफी के कपों" (दिए गए उत्तरों) पर फैलाना होगा।
- यदि एक AI मॉडल का अरबों बार उपयोग किया जाता है, तो इसे बनाने की पर्यावरणीय लागत कम हो जाती है, और प्रति उत्तर लागत कम होती है।
- यदि एक AI मॉडल को प्रशिक्षित किया जाता है लेकिन उसका उपयोग शायद ही कभी किया जाता है, तो प्रति उत्तर लागत बहुत अधिक होती है।
पूरी तस्वीर देखे बिना, हम यह नहीं बता सकते कि क्या कोई AI वास्तव में कुशल है या केवल संसाधनों की बर्बादी है।
"रिबाउंड" प्रभाव
यह पत्र जेवन्स के विरोधाभास (Jevons' Paradox) नामक एक पेचीदा घटना के बारे में चेतावनी देता है। ऐतिहासिक रूप से, जब तकनीक अधिक कुशल हो जाती है (जैसे कारें कम गैस का उपयोग करती हैं), तो लोग इसका कम उपयोग करने के बजाय, इसका अधिक उपयोग करने लगते हैं, क्योंकि यह सस्ता और अधिक आकर्षक हो जाता है।
लेखक सुझाव देते हैं कि भले ही हम AI एल्गोरिदम को सुपर-एफिशिएंट बना दें, हम शायद उन्हें और अधिक बार चलाएंगे, जिससे संभावित रूप से पहले की तुलना में अधिक कुल ऊर्जा खर्च होगी। LCA हमें "बड़ी तस्वीर" देखने में मदद करता है ताकि हम संसाधनों को बेहतर ढंग से प्रबंधित कर सकें, न कि केवल छोटी दक्षता जीत का जश्न मना सकें जो बड़े कुल उपभोग की ओर ले जा सकती हैं।
आगे क्या होना चाहिए?
पत्र एक आह्वान के साथ समाप्त होता है। इस "लाइफ साइकिल" अकाउंटिंग को काम करने के लिए, हमें आवश्यकता है:
- बेहतर लेबल: जैसे खाद्य पदार्थों पर पोषण लेबल होते हैं, AI मॉडलों पर भी "संसाधन लेबल" होने चाहिए जो आपको प्रशिक्षण, हार्डवेयर और उपयोग की कुल लागत बताते हों।
- पारदर्शिता: कंपनियों को यह साझा करने की आवश्यकता है कि वे वास्तव में कितनी ऊर्जा और पानी का उपयोग करती हैं, न कि केवल अंतिम परिणाम।
- मानक नियम: सरकारों और वैज्ञानिकों को इन चीजों को मापने के तरीके पर सहमत होने की आवश्यकता है ताकि हर कोई समान आधार पर तुलना कर सके।
संक्षेप में: हम AI के पर्यावरणीय प्रभाव को ठीक नहीं कर सकते यदि हम केवल पाई के एक छोटे से टुकड़े को देख रहे हैं। हमें पूरा पाई देखना होगा—उस कंप्यूटर बनाने वाली फैक्ट्री से लेकर उस क्षण तक जब AI "नमस्ते" कहता है।
अपने क्षेत्र के पेपरों की भीड़ में उलझे हुए हैं?
आपके रिसर्च कीवर्ड से मेल खाने वाले सबसे नए और अलग सोच वाले पेपरों का रोज़ाना Digest पाएँ—तकनीकी सारांश के साथ, आपकी भाषा में।