कैसे रीड AI ने सॉफ़्टवेयर उत्सर्जन को 40% तक कम किया।

व्हाइट हाउस की AI एक्शन प्लान जारी करने के बाद, हम रीड AI में अपनी चार जलवायु सिद्धांतों का पालन करने पर केंद्रित हैं, जो हमें दक्षता को प्राथमिकता देने और हमारे रोडमैप में कार्बन उत्सर्जन को कम करने में मदद करते हैं। हमें प्रोत्साहित किया गया है कि हमारी प्रगति उल्लेखनीय रही है, और जैसे-जैसे हमारा मंच बढ़ता है, वैसे-वैसे हमारा प्रभाव भी बढ़ सकता है।

हमारी योजना और दृष्टिकोण अनुकरणीय और अनुसरण करने में आसान है: हम डेटा-आधारित निर्णय लेते हैं, जानबूझकर दक्षता और सक्रिय नवाचार को प्राथमिकता देते हैं, और अपने ग्राहकों को सशक्त बनाते हैं ताकि हम एक उदाहरण बन सकें और जितना संभव हो उतना टिकाऊ संचालन जारी रख सकें।

पिछले सप्ताह, हमने पैसिफिक नॉर्थवेस्ट के क्लाइमेट वीक में अपने निष्कर्ष प्रस्तुत करते हुए, किसी भी आकार की सॉफ़्टवेयर कंपनियों के लिए उत्सर्जन की गणना और उन्हें मापने के तरीके बताएं। अपने सिद्धांतों को चित्रित करने में मदद करने के लिए, हमने अपने नवीनतम मील के पत्थर की समीक्षा की, जो हमारे द्वारा एक छोटे समय में किए गए प्रभाव को दिखाते हैं, और भविष्य की प्रेरणा के रूप में आंतरिक टीमों और दर्शकों के लिए काम करने की उम्मीद करते हैं। हम मानते हैं कि अब हम सभी पर यह जिम्मेदारी है कि हम प्रभावी तरीके से उत्सर्जन को कम करें क्योंकि हम जनता के लिए AI की संभावनाओं को उन्मुक्त करें।
‍

माप को पहले प्राथमिकता देना

2024 के अंत में, AWS Graviton-आधारित उदाहरणों के लिए हमारा परिवर्तन ने हमारी थ्रूपुट और प्रदर्शन में सुधार किया जबकि हमारी लागतों को लगभग 20% कम किया। इस परिवर्तन के लिए कार्बन उत्सर्जन के परिवर्तन के मापन की चुनौती को स्वीकारते हुए हमने पाया कि सॉफ़्टवेयर और हार्डवेयर से कार्बन उत्सर्जन को मापने के लिए मौजूदा उद्योग मानक उपकरण इस मुद्दे का हल कर सकते हैं।

हमारे लिए, उत्तर था ग्रीन सॉफ़्टवेयर फाउंडेशन का सॉफ़्टवेयर कार्बन इंटेंसिटी स्पेसिफिकेशन (SCI)। हम SCI का उपयोग करते हैं ताकि हम अपने पिछले उदाहरणों के लिए स्कोर माप सकें और उनकी तुलना अपने नए ग्रेविटॉन उदाहरणों से कर सकें। SCI संघर्ष के कुल ऊर्जा खपत के लिए खाता बनाता है, खपत की ऊर्जा के कार्बन इंटेंसिटी के लिए और हार्डवेयर के अंतर्निहित कार्बन के लिए जो इसका संचालन करता है ताकि अवरोध दर की गणना हो सके।
‍

गणना के अवरोध को पार करना

कुछ डेटा जो इस गणना के लिए आवश्यक है, आसानी से उपलब्ध या सार्वजनिक रूप से साझा नहीं होता है (जैसे कि ग्रेविटॉन प्रोसेसर का CPU पावर, सार्वजनिक क्लाउड में एक सर्वर का जीवनकाल) इसलिए हमें संख्या के एक हिस्से का अनुमान लगाना होता है। चूंकि हम उदाहरणों की तुलना कर रहे हैं, हम सटीक होने पर ध्यान केंद्रित कर सकते हैं, यानी गणितीय मान एक-दूसरे के सापेक्ष सही होते हैं, न कि सटीकता के अर्थ में, यानी गणितीय मान वास्तविक मानों के सापेक्ष सही होते हैं। यह हमें SCI समीकरण के हिस्सों को जैसे ऊर्जा तीव्रता को स्थिरांक मानने की अनुमति देता है क्योंकि हम उन्हें एक ही सार्वजनिक क्लाउड क्षेत्र में लागू करते हैं।

हमारे गणनाओं में, केवल 2 चर हमें अनुमान लगाना पड़ता था, वे ग्रेविटॉन प्रोसेसर का CPU पावर और ग्रेविटॉन उदाहरण का जीवनचक्र विश्लेषण (अंतर्निहित कार्बन) था। तीसरे पक्ष के बेंचमार्किंग के माध्यम से हमने ग्रेविटॉन के CPU पावर का अनुमान लगाया कि यह हमारी पिछली उदाहरण प्रकारों की तुलना में 33% कम है। जीवनचक्र विश्लेषण डेटा के लिए हमने अनुमान लगाया कि ग्रेविटॉन लगभग समान गणना समूह के तहत अन्य आर्म-आधारित प्रोसेसर के तुलनीय है और उनका औसत अंतर्निहित गुणांकों को क्लाउड कार्बन फुटप्रिंट भंडार से लिया।

अपने पहले सेट के लक्ष्य पूरे करना

अंत में, हमने ग्रेविटॉन-आधारित उदाहरणों पर स्विच करने से 20% की कार्बन उत्सर्जन में कमी की गणना की। इस केस स्टडी के मूल रूप से प्रकाशित होने के बाद से, हमने अपने मेमोरी-अनुकूलन उदाहरण प्रकारों के लिए समान लागत और प्रदर्शन के अवसरों की पहचान की और उन्हें ग्रेविटॉन में स्थानांतरित करना शुरू किया। हमारे कुल कार्यभार का लगभग 60% कंप्यूट-आधारित उदाहरणों पर किया जाता है, लेकिन कुल कार्यभार का लगभग 10% हमारी मेमोरी-अनुकूलित उदाहरण प्रकारों पर किया जाता है। उपरोक्त समान चरणों का उपयोग करते हुए, हमने अपनी मौजूदा मेमोरी-अनुकूलित उदाहरण प्रकारों की तुलना ग्रेविटॉन मेमोरी-अनुकूलित उदाहरणों से करके कार्बन उत्सर्जन में 40% की कमी की गणना की।
‍

अधिक दक्षता के लिए प्रेरक

हमारी ऊर्जा खपत और कार्बन उत्सर्जन को मापना हमारा पहला जलवायु सिद्धांत पूरा करता है, लेकिन यह तो बस शुरुआत है। हमारा दूसरा जलवायु सिद्धांत हमारे सॉफ़्टवेयर और हार्डवेयर को ऊर्जा दक्षता के लिए अनुकूलित करना और कार्बन उत्सर्जन को कम करना है। इसे प्राप्त करने के लिए, हमारे पास ध्यान केंद्रित करने के लिए 3 क्षेत्र हैं:

• कम हार्डवेयर का उपयोग करना: उदाहरणों में हमारे हार्डवेयर के उपयोग को बढ़ाना, अप्रयुक्त हार्डवेयर को बंद करना, हमारे उदाहरणों का आकार ठीक करना, और कम डेटा का भंडारण और रखरखाव करना शामिल है।
• कम ऊर्जा का उपयोग करना: उदाहरणों में कम ऊर्जा वाली मशीनें जैसे ग्रेविटॉन का उपयोग करना, प्रदर्शन को बढ़ाना, और हमारे सॉफ़्टवेयर की दक्षता को बढ़ाना शामिल है।
• ऊर्जा को अधिक बुदिधमत्तापूर्ण तरीके से उपयोग करना: काम के कम तीव्र समय में करना जब ऊर्जा ग्रिड प्रदूषित होती है, और जब यह साफ होती है तब अधिक करना। इसे एक कार्बन जागरूक प्रणाली के रूप में भी जाना जाता है। तीसरे पक्ष के प्रदाता जैसे WattTime.org और Electricity Maps इस प्रकार की प्रणाली का समर्थन करने के लिए लाइभ और पूर्वानुमानित ऊर्जा ग्रिड डेटा प्रदान कर सकते हैं।
  ‍

निष्कर्ष

रीड AI का मानना है कि यह हमारी जिम्मेदारी है कि हम सतत संचालन करें और जलवायु परिवर्तन के खिलाफ वैश्विक प्रयास में योगदान दें। AI दुनिया की कुछ सबसे ऊर्जा-आवश्यक तकनीकों में से है, और हम अपने संगठन के पर्यावरणीय प्रभाव को मापने और सीमित करने के लिए प्रतिबद्ध हैं, जहां भी संभव हो।

हम इन सिद्धांतों को अपने काम में सक्रिय रूप से लागू करना जारी रखेंगे और अपनी सफलताओं (और असफलताओं) को साझा करेंगे और हम अन्य कंपनियों, विशेष रूप से AI का उपयोग करने वालों को चुनौती देते हैं कि वे अपने स्वयं के जलवायु सिद्धांतों को स्थापित करें और अपने ऊर्जा खपत और कार्बन उत्सर्जन को कम करने के लिए किया जा रहा काम साझा करें। एक साथ मिलकर हम समग्र ऊर्जा आवश्यकताओं और उनके द्वारा उत्पन्न कार्बन उत्सर्जन को कम कर सकते हैं।

लेखक: बिल जॉनसन, इंजीनियरिंग निदेशक, रीड AI