Evaluation of ML Resource Utilization Requires Model Life Cycle Assessment
이 입론서는 AI 시스템의 환경적 영향과 자원 요구량을 평가하기 위해서는 단순히 고립된 학습 또는 추론 이벤트에만 집중하는 것이 아니라, 모델 개발 및 배포 파이프라인 전체에 걸친 비용을 고려하는 포괄적인 전 과정 평가(life cycle assessment) 접근 방식이 필요하다고 주장한다.
원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기
당신이 자동차를 사고 있다고 상상해 보십시오. 만약 당신이 집에서 식료품점까지 운전하는 데 드는 가스비(연료비)만 따진다면, 당신은 이야기의 아주 큰 부분을 놓치고 있는 것입니다. 그 자동차의 엔진을 만들기 위해 금속을 채굴하는 데 얼마나 많은 에너지가 사용되었는지, 공장을 건설할 때 얼마나 많은 오염이 발생했는지, 또는 자동차가 결국 폐기될 때 얼마나 많은 폐기물이 발생하는지에 대해서는 알 수 없을 것입니다.
이 논문은 우리가 현재 인공지능(AI)에 대해 정확히 똑같은 일을 하고 있다고 주장합니다. 우리는 오직 "가스"(단 한 번의 계산에 사용되는 전기)만을 계산하고 있으며, 자동차의 나머지 생애 주기는 무시하고 있습니다.
다음은 저자들이 말하고자 하는 내용을 쉽게 정리한 것입니다.
문제점: 우리는 "가스"만을 계산하고 있습니다
현재 연구자들이나 기업들이 AI 모델이 얼마나 친환경적인지 또는 효율적인지를 측정하려고 할 때, 대개 아주 짧은 한 순간만을 살펴봅니다.
- 학습 과정(Training Run): AI에게 특정 교훈 하나를 가르치는 데 전기가 얼마나 들었는가?
- 추론(Inference): 단 하나의 질문에 답하는 데 전기가 얼마나 들었는가?
저자들은 이것이 마치 자동차의 효율성을 단 1마일을 달릴 때 사용한 가스량만 보고 판단하는 것과 같다고 말합니다. 현대의 AI는 매우 복잡하기 때문에 이는 오해의 소지가 있습니다. 모델이 질문에 답하기 전에도, 다음과 같이 복잡하고 자원이 많이 투입되는 과정을 거쳐야 합니다.
- 모델 구조 설계
- 수천 번의 실험 및 테스트 실행
- 합성 데이터 생성
- 미세 조정(Fine-tuning) 및 재학습
- 마지막으로 질문에 답변하기
만약 당신이 마지막 단계만을 계산한다면, 그 모든 것을 가능하게 했던 "연습 과정"과 하드웨어 제조에 들어간 막대한 자원을 놓치게 됩니다.
해결책: "생애 주기" 관점
저자들은 **전과정 평가(Life Cycle Assessment, LCA)**라는 도구를 사용할 것을 제안합니다. 여러분은 환경 과학에서 플라스틱 병이나 태양광 패널의 영향을 추적하기 위해 이 도구가 사용되는 것을 알고 있을 것입니다.
LCA를 AI를 위한 "요람에서 무덤까지(Cradle-to-Grave)"의 회계 시스템이라고 생각하십시오. LCA는 단순히 AI가 말을 하는 순간만을 보는 것이 아니라, 시작부터 끝까지의 자원을 추적합니다.
- 요람 (하드웨어): 희토류 금속 채굴 및 AI를 구동하는 데 필요한 컴퓨터 칩(GPU) 제조.
- 개발 (학습): 모델을 학습시키는 데 드는 전기와 물, 여기에는 실패한 모든 실험과 재학습 과정이 포함됩니다.
- 사용 (추론): AI가 질문에 답할 때마다 사용되는 전기.
- 무덤 (폐기): 하드웨어가 고장 나거나 구식이 되었을 때 발생하는 일.
이것이 왜 중요한가: "감가상각" 비유
논문은 왜 이것이 중요한지를 설명하기 위해 **감가상각(Amortization)**이라는 개념을 사용합니다.
사무실용 아주 비싸고 고급스러운 커피 머신을 샀다고 가정해 봅시다.
- 시나리오 A: 일 년에 딱 한 번 사용합니다. 이때 커피 한 잔의 "비용"은 천문학적입니다. 왜냐하면 커피를 마실 때마다 기계값 전체를 지불해야 하기 때문입니다.
- 시나리오 B: 일 년에 10,000번 사용합니다. 이때 커피 한 잔의 "비용"은 몇 푼 안 되는 수준으로 떨어집니다. 기계 값을 수천 잔의 커피에 나누어 분담할 수 있기 때문입니다.
저자들은 AI의 경우, "기계"(학습 및 하드웨어)의 비용을 모든 "커피 한 잔"(답변)에 나누어 배분해야 한다고 주장합니다.
- 만약 어떤 AI 모델이 수십억 번 사용된다면, 이를 구축하는 데 드는 환경적 비용은 희석되어 답변당 비용은 낮아집니다.
- 만약 어떤 AI 모델이 학습은 되었지만 거의 사용되지 않는다면, 답변당 비용은 엄청나게 커집니다.
전체적인 그림을 보지 않는다면, 우리는 어떤 AI가 실제로 효율적인지 아니면 그저 자원의 낭비인지 구분할 수 없습니다.
"리바운드" 효과
논문은 또한 까다로운 현상인 **제번스의 역설(Jevons' Paradox)**에 대해 경고합니다. 역사적으로 기술이 더 효율적이 되면(예: 가스를 적게 쓰는 자동차), 사람들은 그것을 덜 사용하는 것이 아니라 오히려 더 많이 사용하게 됩니다. 기술이 더 저렴해지고 매력적으로 변하기 때문입니다.
저자들은 설령 우리가 AI 알고리즘을 매우 효율적으로 만든다 하더라도, 우리가 그것을 더 자주 실행하게 되어 결과적으로 이전보다 더 많은 총 에너지를 소비하게 될 수도 있다고 시사합니다. LCA는 우리가 단순히 더 큰 총 소비로 이어질 수 있는 작은 효율성 승리에 열광하는 대신, 자원을 더 잘 관리할 수 있도록 "큰 그림"을 볼 수 있게 해줍니다.
다음에 무엇이 일어나야 하는가?
논문은 행동 촉구로 결론을 맺습니다. 이 "생애 주기" 회계가 제대로 작동하려면 다음이 필요합니다.
- 더 나은 라벨링: 식품에 영양 성분 표시가 있는 것처럼, AI 모델도 학습, 하드웨어, 사용에 드는 총비용을 알려주는 "자원 라벨"을 가져야 합니다.
- 투명성: 기업들은 단순히 최종 결과뿐만 아니라 실제로 얼마나 많은 에너지와 물을 사용하는지에 대한 데이터를 더 많이 공유해야 합니다.
- 표준화된 규칙: 정부와 과학자들은 모두가 동일한 기준으로 비교할 수 있도록(apples to apples) 이러한 것들을 측정하는 방법에 대해 합의해야 합니다.
요약하자면: 우리는 파이의 아주 작은 조각만을 보고 있다면 AI의 환경적 영향을 해결할 수 없습니다. 컴퓨터를 만든 공장에서부터 AI가 "안녕"이라고 말하는 순간까지, 우리는 파이 전체를 보아야 합니다.
연구 분야의 논문에 파묻히고 계신가요?
연구 키워드에 맞는 최신 논문의 일일 다이제스트를 받아보세요 — 기술 요약 포함, 당신의 언어로.