Lāintelligenza artificiale ĆØ sempre piĆ¹ integrata in vari prodotti e servizi, da ChatGPT sugli iPhone a Gemini nelle app Google come Gmail e Google Docs. Questi progressi perĆ² hanno delle conseguenze a livello ambientale.
Il recente rapporto ambientale di Google sul 2024, infatti, ha rivelato un preoccupante aumento delle emissioni di gas serra, dovuto principalmente ai data center ad alto consumo energetico necessari per alimentare i sistemi AI. Lāaddestramento e lāesecuzione di questi modelli richiede una potenza di calcolo enorme e di conseguenza un elevato dispendio energetico.
Per questo motivo, la ricerca di soluzioni piĆ¹ efficienti e sostenibili per lāintelligenza artificiale ĆØ diventata una prioritĆ sia per i ricercatori che per le aziende tech, al fine di ridurre lāimpronta ambientale di queste tecnologie in rapida espansione.
LāAI di Google diventa 10 volte piĆ¹ efficiente e 13 volte piĆ¹ veloce con il metodo JEST
In questo contesto, DeepMind, il laboratorio di ricerca sullāIA di Google, ha introdotto JEST, un nuovo metodo per lāaddestramento dei modelli AI. Secondo il rapporto pubblicato, questo metodo puĆ² migliorare notevolmente la velocitĆ di addestramento e lāefficienza energetica.
JEST, acronimo di ājoint example selectionā, utilizza un approccio innovativo per addestrare i modelli di intelligenza artificiale, diverso dai metodi tradizionali. Mentre di solito ci si concentra su singoli dati, JEST si basa sullāanalisi di interi lotti di dati. Inizialmente, un piccolo modello di AI valuta la qualitĆ dei dati provenienti da fonti affidabili e classifica i lotti di dati in base alla loro qualitĆ .
Successivamente, un modello di AI piĆ¹ grande utilizza queste valutazioni di qualitĆ per addestrarsi in modo piĆ¹ efficiente, focalizzandosi sui lotti di dati migliori ed evitando quelli di scarsa qualitĆ . Questo approccio permette un addestramento piĆ¹ veloce, efficiente e accurato dei modelli di intelligenza artificiale.
I risultati promettenti di JEST
I risultati ottenuti dal metodo JEST sono molto promettenti: rispetto ai modelli di AI attuali, JEST consente di ottenere delle prestazioni equivalenti o migliori con un addestramento ridotto e un minor consumo energetico. Tuttavia, questo metodo si basa sulla disponibilitĆ di dati di addestramento iniziali di alta qualitĆ . Per poter sfruttare appieno i vantaggi di JEST ĆØ quindi necessario disporre di basi di dati adeguate, che richiedono capacitĆ e risorse di ricerca elevate per essere create.
Lāinnovazione di JEST arriva dunque in un momento cruciale: cāĆØ una crescente preoccupazione per lāimpatto ambientale dei data center necessari per lāintelligenza artificiale, mentre parallelamente la domanda di potenza di calcolo per lāAI continua a crescere rapidamente. JEST puĆ² contribuire a mitigare questo problema, rendendo lāaddestramento dei modelli piĆ¹ sostenibile.
