Service-preserving carbon- and water-aware resource allocation for geo-distributed AI inference
यह शोध पत्र भू-वितरित (geo-distributed) एआई इन्फरेंस के लिए एक ट्रेस-ड्रिवन, दो-चरणीय लेक्सिकोग्राफिक ढांचे का प्रस्ताव करता है जो सख्त भौतिक जल बाधाओं के तहत कार्बन उत्सर्जन को अनुकूलित करते हुए सेवा व्यवहार्यता को प्राथमिकता देता है, जो महत्वपूर्ण पर्यावरणीय समझौतों (trade-offs) को प्रदर्शित करता है और टिकाऊ संसाधन आवंटन के लिए एक पुनरुत्पादनीय बेंचमार्क प्रदान करता है।
मूल पेपर CC BY 4.0 (https://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
जब आर्टिफिशियल इंटेलिजेंस सिस्टम किसी प्रश्न का उत्तर देते हैं या कोई छवि उत्पन्न करते हैं, तो वे शून्य में अस्तित्व में नहीं होते। वे विभिन्न शहरों और देशों में फैले कंप्यूटरों के विशाल नेटवर्क पर चलते हैं, जिसे जियो-डिस्ट्रिब्यूटेड कंप्यूटिंग (geo-distributed computing) के रूप में जाना जाता है। हालांकि ये सिस्टम शक्तिशाली हैं, लेकिन वे उन सर्वरों को ठंडा रखने के लिए भारी मात्रा में बिजली और पानी की खपत करते हैं जो उन्हें चलाने के लिए आवश्यक होते हैं। बिजली उन पावर ग्रिड से आती है जो अपनी स्वच्छता (cleanliness) के मामले में भिन्न होते हैं; कुछ क्षेत्र कोयले पर बहुत अधिक निर्भर करते हैं, जबकि अन्य पवन या सौर ऊर्जा का उपयोग करते हैं। इसी तरह, इन मशीनों को ठंडा करने के लिए उपयोग किया जाने वाला पानी स्थानीय नदियों और जलाशयों से लिया जाता है, जो मौसम और स्थानीय जलवायु के आधार पर अलग-अलग स्तर के तनाव का सामना करते हैं। इंजीनियरों के लिए चुनौती यह तय करना है कि प्रत्येक अनुरोध (request) को कहाँ भेजा जाए। उन्हें गति, कंप्यूटर शक्ति की उपलब्धता और पर्यावरण को कम से कम नुकसान पहुँचाने की इच्छा के बीच संतुलन बनाना होता है। यदि कोई सिस्टम केवल सबसे स्वच्छ पावर ग्रिड को काम भेजने का निर्णय लेता है, तो वह अनजाने में सूखे से प्रभावित क्षेत्र में स्थानीय नदी को खाली कर सकता है। यदि वह पानी बचाने के लिए काम भेजता है, तो वह अधिक कार्बन जला सकता है। सेवा को धीमा किए बिना सही संतुलन बनाना एक जटिल पहेली है जिसे शोधकर्ता अभी हल करना शुरू ही कर रहे हैं।
नॉर्थ चाइना इलेक्ट्रिक पावर यूनिवर्सिटी के शोधकर्ताओं की एक टीम ने इस पहेली को हल करने का एक नया तरीका विकसित किया है, जो विशेष रूप से उन विशाल AI सिस्टम पर केंद्रित है जो छवियां और टेक्स्ट उत्पन्न करते हैं। उन्होंने एक दो-चरणीय योजना पद्धति (two-step planning method) बनाई है जो यह सुनिश्चित करती है कि AI सेवा कभी धीमी न हो या विफल न हो, भले ही सिस्टम अधिक पर्यावरण के अनुकूल होने का प्रयास कर रहा हो। उनका दृष्टिकोण स्वयं सेवा को ही सबसे महत्वपूर्ण चीज़ के रूप में सुरक्षित रखने पर आधारित है। सबसे पहले, सिस्टम गणना करता है कि कंप्यूटर क्षमता, नेटवर्क गति और डेटा के यात्रा समय की वर्तमान सीमाओं को देखते हुए कार्य करने की पूर्ण अधिकतम क्षमता कितनी है। एक बार जब यह अधिकतम सीमा निर्धारित हो जाती है, तो सिस्टम फिर कार्बन उत्सर्जन और पानी के उपयोग को कम करने के लिए उसी सटीक मात्रा में कार्य को वितरित करने का सबसे अच्छा तरीका खोजता है। यह पद्धति एक सामान्य गलती को रोकती है जहाँ एक सिस्टम कम काम करके या कठिन कार्यों को छोड़कर "अधिक हरा-भरा" (greener) होने का दावा कर सकता है। इसके बजाय, यह पूरे वर्कलोड के लिए सबसे हरित मार्ग खोजता है।
शोधकर्ताओं ने अपने तरीके का परीक्षण 26,000 से अधिक सफल AI अनुरोधों के वास्तविक रिकॉर्ड का उपयोग करके किया जो 554 घंटों में हुए थे। उन्होंने एक नेटवर्क का अनुकरण (simulate) किया जिसमें चार अलग-अलग क्षेत्र थे, जिनमें से प्रत्येक के पास ऊर्जा स्रोतों, पानी की उपलब्धता और कंप्यूटर सीमाओं का अपना मिश्रण था। अपने सबसे विस्तृत परीक्षण में, उन्होंने 21 विभिन्न परिदृश्यों का एक मानचित्र बनाया, जिसमें पानी के सभी उपयोगों से लेकर अत्यधिक तनाव वाले क्षेत्रों में पानी के उपयोग पर पूरी तरह से प्रतिबंध लगाने तक के विकल्प शामिल थे। उन्होंने पाया कि तनावग्रस्त क्षेत्रों में पानी के उपयोग से सख्ती से बचकर, सिस्टम मानक दृष्टिकोण (जो केवल कार्बन की परवाह करता है) की तुलना में 2.4250 लीटर प्रत्यक्ष पानी बचा सकता है। यह बचत एक बहुत छोटी लागत के साथ आई: सिस्टम ने 0.0582 किलोग्राम कार्बन डाइऑक्साइड समकक्ष का अतिरिक्त उत्पादन किया। हालांकि, इस मामूली वृद्धि के बावजूद, कुल कार्बन फुटप्रिंट उस स्थिति की तुलना में काफी कम था यदि सिस्टम ने समय बचाने के लिए क्षेत्रों के बीच काम भेजने से इनकार कर दिया होता।
अध्ययन से पता चला कि अधिक हरा-भरा होने की लागत हर स्तर पर समान नहीं होती है। जब शोधकर्ताओं ने पानी के नियमों को थोड़ा ढीला किया, तो सिस्टम ने लगभग बिना किसी अतिरिक्त कार्बन लागत के बहुत सारा पानी बचा लिया। लेकिन जैसे-जैसे उन्होंने नियमों को और सख्त करने की कोशिश की, यानी तनावग्रस्त क्षेत्रों में पानी की आखिरी बूंदों से बचने की कोशिश की, कार्बन लागत तेजी से बढ़ने लगी। यह एक स्पष्ट ट्रेड-ऑफ कर्व (trade-off curve), या फ्रंटियर बनाता है, जिसका उपयोग प्रबंधक निर्णय लेने के लिए कर सकते हैं। वे देख सकते हैं कि पानी की एक विशिष्ट मात्रा बचाने के लिए उन्हें कितनी अतिरिक्त कार्बन स्वीकार करनी होगी। शोधकर्ताओं ने दबाव में अपने निष्कर्षों की पुष्टि करने के लिए पावर ग्रिड की स्थितियों, कंप्यूटर की गति और नेटवर्क विलंब (delay) के हजारों विभिन्न संयोजनों का परीक्षण किया। उन्होंने पाया कि हालांकि सटीक संख्याएँ स्थितियों के आधार पर बदलती रहती हैं, लेकिन समग्र दिशा वही रहती है: यह संभव है कि सेवा की रक्षा की जाए, तनावग्रस्त क्षेत्रों में पानी बचाया जाए और फिर भी कार्बन उत्सर्जन को कम रखा जाए।
सबसे महत्वपूर्ण निष्कर्षों में से एक यह था कि पानी का स्थान (location) कुल मात्रा से अधिक मायने रखता है। चूंकि सर्वरों को ठंडा करने के लिए उपयोग किए जाने वाले पानी की गणना इस आधार पर की जाती है कि कितनी बिजली उपयोग की जा रही है, इसलिए सिस्टम द्वारा उपयोग किए जाने वाले पानी की कुल मात्रा काम को स्थानांतरित करने से नहीं बदली। जो बदला, वह यह था कि वह पानी कहाँ से लिया गया। काम को उच्च जल तनाव वाले क्षेत्रों से हटाकर प्रचुर पानी वाले क्षेत्रों में स्थानांतरित करके, सिस्टम ने कमजोर स्थानीय पारिस्थितिक तंत्रों पर दबाव डालने से परहेज किया। शोधकर्ताओं ने पुष्टि की कि यह उनके विशिष्ट डेटा का कोई संयोग नहीं था; उन्होंने विभिन्न समय पैटर्न और पानी की दक्षता दरों के साथ हजारों सिमुलेशन चलाए, और मूल निष्कर्ष स्थिर रहा। यह पद्धति इन विशाल AI सिस्टम को प्रबंधित करने का एक पारदर्शी, ऑडिट योग्य तरीका प्रदान करती है, जिससे ऑपरेटर पानी के उपयोग के स्पष्ट सीमाएँ निर्धारित कर सकते हैं और उन सीमाओं को लागू करने से पहले उन सीमाओं की सटीक पर्यावरणीय कीमत देख सकते हैं। यह निर्णय लेने वालों को बढ़ती डिजिटल दुनिया की मांगों और ग्रह की भौतिक सीमाओं के बीच संतुलन बनाने के लिए एक उपकरण देता है, जिससे यह सुनिश्चित होता है कि भविष्य का AI उन संसाधनों को सुखाए बिना कुशलता से चल सके जिन पर यह निर्भर करता 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।