.png)
Dans la foulée de la publication par la Maison Blanche de son plan d'action en matière d'IA, Read AI s'efforce de continuer à s'appuyer sur notre quatre principes climatiques qui nous aident à donner la priorité à l'efficacité et à la réduction des émissions de carbone dans notre feuille de route. Nous sommes encouragés par le fait que nos progrès ont été remarquables et que notre influence augmente au fur et à mesure que notre plateforme évolue.
Notre plan et notre approche sont relativement simples et faciles à suivre : nous prenons des décisions fondées sur les données, donnons la priorité à l'efficacité intentionnelle et à l'innovation proactive, et donnons à nos clients les moyens de montrer l'exemple et de continuer à fonctionner de la manière la plus durable possible.
La semaine dernière, nous avons présenté nos résultats lors de la Semaine du climat du nord-ouest du Pacifique, en fournissant des instructions sur les moyens de calculer et de mesurer les émissions pour les éditeurs de logiciels de toutes tailles. Pour illustrer nos principes, nous avons passé en revue nos derniers jalons, qui mettent en évidence l'impact que nous avons eu en peu de temps et qui, espérons-le, serviront d'inspiration future aux équipes internes et au public. Nous pensons qu'il nous incombe désormais à tous de réduire de manière efficiente et efficace nos émissions en mettant l'IA au service du grand public.
Prioriser la mesure d'abord
À la fin de 2024, notre migration vers des instances basées sur AWS Graviton a contribué à améliorer notre débit et nos performances tout en réduisant nos coûts d'environ 20 %. Nous avons relevé le défi de quantifier l'évolution des émissions de carbone liée à cette migration, et nous avons découvert que les outils standard existants pour mesurer les émissions de carbone provenant des logiciels et du matériel pouvaient résoudre le problème.
Pour nous, la réponse était celle de la Green Software Foundation Spécification logicielle de l'intensité du carbone (SCIENCE SCIENTIFIQUE). Nous utilisons le SCI pour mesurer les scores de nos instances précédentes et les comparer à nos nouvelles instances de Graviton. Le SCI prend en compte l'énergie totale consommée par le logiciel, l'intensité en carbone de l'énergie consommée et le carbone intégré du matériel sur lequel il fonctionne pour calculer un taux d'émission pour le logiciel.
Surmonter les obstacles liés au calcul
Certaines des données nécessaires à ce calcul ne sont pas facilement accessibles ou partagées publiquement (par exemple, la puissance du processeur des processeurs Graviton, la durée de vie d'un serveur dans un cloud public), nous avons donc dû estimer une partie des chiffres. Puisque nous comparons des instances, nous pouvons nous concentrer sur la précision, c'est-à-dire que les valeurs calculées sont exactes les unes par rapport aux autres, plutôt que sur l'exactitude, ce qui signifie que les valeurs calculées sont exactes par rapport aux valeurs réelles. Cela nous permet de traiter certaines parties de l'équation SCI, comme l'intensité énergétique, comme des constantes puisque nous les déployons dans la même région de cloud public.
Dans nos calculs, les deux seules variables que nous avons dû estimer étaient la puissance du processeur du processeur Graviton et l'analyse du cycle de vie (carbone intégré) de l'instance Graviton. À travers Analyse comparative par des tiers nous avons pu estimer que la puissance du processeur de Graviton était 33 % inférieure à celle de nos types d'instances précédents. Pour les données d'analyse du cycle de vie, nous avons estimé que Graviton était à peu près équivalent aux autres processeurs ARM du même groupe de calcul et avons fait la moyenne de ces coefficients intégrés à partir du Empreinte carbone du cloud référentiel.
Réaliser notre premier ensemble d'objectifs Au final, nous avons calculé une réduction de 20 % des émissions de carbone en remplaçant nos types d'instances optimisés pour le calcul par des instances basées sur Graviton. Depuis la publication initiale de cette étude de cas, nous avons identifié des opportunités de coûts et de performances similaires pour nos types d'instances optimisées en mémoire et avons commencé à les migrer vers Graviton. Environ 60 % de nos charges de travail globales sont effectuées sur des instances optimisées pour le calcul, mais environ 10 % de nos charges de travail globales sont effectuées sur des types d'instances optimisés pour la mémoire. En suivant les mêmes étapes que ci-dessus, nous avons comparé les émissions de nos instances optimisées en mémoire existantes à celles des nouvelles instances Graviton optimisées en mémoire et avons calculé une réduction de 40 % des émissions de carbone.
Favoriser l'efficacité La mesure de notre consommation d'énergie et de nos émissions de carbone répond à notre premier principe climatique, mais ce n'est que le début. Notre deuxième principe climatique consiste à optimiser nos logiciels et notre matériel pour l'efficacité énergétique et la réduction des émissions de carbone. Pour y parvenir, nous avons 3 domaines sur lesquels nous concentrer :
Dans conclusion
Read AI estime qu'il est de notre responsabilité de fonctionner de manière durable et de contribuer à l'effort mondial contre le changement climatique. L'IA est l'une des technologies les plus gourmandes en énergie au monde et nous nous engageons à mesurer et à limiter l'impact environnemental de notre organisation dans la mesure du possible.
Nous continuerons à intégrer ces principes dans notre travail et à partager nos réussites (et nos échecs !) en cours de route, nous mettons d'autres entreprises, en particulier celles qui utilisent l'IA, au défi d'établir et de partager leurs propres principes climatiques et le travail qu'elles accomplissent pour réduire leur consommation d'énergie et leurs émissions de carbone. Ensemble, nous pouvons réduire les besoins énergétiques globaux liés à l'IA et les émissions de carbone qu'elle produit.
%2C%20Color%3DOriginal.png)
