Intelligenza artificiale, clima e ambiente

Intelligenza artificiale, clima e ambiente

 

Parte II: Gli impatti ambientali diretti ed indiretti dell’intelligenza artificiale

Impatti ambientali diretti: Energia e emissioni di CO2

Tra gli impatti ambientali diretti più dannosi troviamo il consumo considerevole di energia e le elevate emissioni di CO2, dove l’impronta di carbonio è proporzionale al consumo energetico. Uno studio condotto dall’University of Massachussetts ha dimostrato che l’addestramento di un determinato modello di reti neurali per l’elaborazione del linguaggio naturale (Natural Language Processing),[1] comporta l’emissione di circa 284 tonnellate di CO2: cinque volte l’impatto ambientale di un’automobile durante tutto il suo ciclo vitale (Figura 1). [2]

Attività	Emissioni di CO2 (tonnellate)
Un passeggero che viaggia in aereo da New York a San Francisco	0,9
1 anno di vita umana (media)	5
1 anno di vita di uno Statunitense (media)	16.4
Ciclo vitale di una macchina (carburante incluso)	57.15
Addestramento dell’architettura della rete neurale per NLP	284.02

Figura 1: Stima delle emissioni di CO2 (espresse in tonnellate) generate da attività differenti. Emma Strubell, Ananya Ganesh e Andrew McCallum, Energy and Policy Considerations for Deep Learning in NLP (University of Massachussets Amherst, 5 Giugno 2019) in https://arxiv.org/pdf/1906.02243.pdf.

Naturalmente, l’impatto ambientale dell’IA varierà a seconda del tipo di rete energetica utilizzata e della durata e intensità dell’addestramento.[3] È chiaro quindi che la fonte di energia impiegata avrà un impatto ambientale differente, dove combustili fossili, quelli ad oggi maggiormente utilizzati nel settore, causano maggiori danni.[4] Questo aspetto appare ancor più critico se si considera la durata e l’intensità dell’addestramento. Infatti, per il Deep Learning sarà necessario fornire al programma grandissime quantità di dati per permettere ad esso di apprendere per periodi lunghi e per migliorare la sua performance (Figura 2). Inoltre, come in tutte le fasi creative, la creazione del modello richiederà prove ed errori. Gli sviluppatori creano migliaia di versioni del modello, sperimentando con strutture neurali differenti in modo da ottenere il design perfetto. Per ogni versione diversa, nuove risorse ed emissioni seguiranno.[5]

 

Un’altra fase ad alto consumo energetico è l’inferenza. Quando si parla di inferenza, parliamo del processo di utilizzo di un modello addestrato per fare previsioni sui nuovi dati, quindi dell’applicazione del programma con l’utente nella vita di tutti i giorni. Questa fase è responsabile del 80-90% del consumo energetico di un modello del Machine Learning.[6]  Basti pensare ad un’auto a guida autonoma, che dopo essere stata addestrata, esegue l’inferenza in maniera continuata durante ogni guida, aggiornando i suoi parametri con l’esperienza, consumando chiaramente grandi quantità di energia, non solo per implementare ciò per cui è stata addestrata, ma soprattutto per migliorare ad ogni guida la sua prestazione. [7]

Ciononostante, è importante ricordare che l’IA può essere progettata in modo sostenibile, e che tale scelta dipende solamente dalle priorità che ci si propone. Sono tante le iniziative intraprese da aziende private e NGOs che, ad esempio, mirano a limitare l’impatto ambientale dei data centers, i quali svolgono un ruolo essenziale per il funzionamento dell’IA dato che conservano ed elaborano i dati necessari per l’addestramento e l’inferenza. Queste iniziative sono focalizzate sul potenziamento dell’efficienza energetica e sull’uso di energie rinnovabili, in modo da minimizzare o azzerare le emissioni di CO2.

Tra queste abbiamo il Deep Mind AI di Google, un’azienda specializzata nel campo dell’intelligenza artificiale, che nel 2016 ha creato un sistema di raccomandazione basato sul Deep Learning con l’obiettivo di migliorare l’efficienza energetica del sistema di raffreddamento dei suoi data centers, riducendo così l’energia utilizzata del 40% e le relative emissioni di CO2. Deep Mind utilizza l’IA per estrarre un’immagine del sistema di raffreddamento grazie ai sensori disposti nel data center. Questa viene poi inserita nelle reti neurali profonde, che deducono azioni per ridurre al minimo il consumo di energia e la temperatura. Le azioni più eco sostenibili sono poi inviate nuovamente al data center, dove vengono implementate. [8] Un altro esempio è il Lefdal Mine Datacenter in Norvegia, alimentato al 98.5% da energia idroelettrica, che sfrutta la sua ubicazione geografica per minimizzare i costi ambientali. Il data center utilizza l’acqua di mare fredda del fiordo, che attraverso uno scambiatore di calore raffredda l’acqua posta in un circuito, che viene poi trasformata in aria fredda per raffreddare i computer. Inoltre, anche il calore generato da queste operazioni viene poi riutilizzato all’interno del data center.[9]

Questi esempi dimostrano come l’IA sia uno strumento, il cui impatto ambientale dipende dalle priorità fissate da chi sviluppa e utilizza questa tecnologia. È necessario adottare un approccio diverso e interiorizzare la filosofia che “bigger is not always better”, soverchiando l’attuale ideologia dominante nel settore che detta un uso e una progettazione dell’IA spropositata. Infatti, l’utilizzo dell’IA dovrebbe essere limitato a quelle funzioni e applicazioni per cui non esistono alternative equivalentemente efficienti.[10] In secondo luogo, la scala dei modelli andrebbe ridotta potenziandone l’efficienza, così da minimizzare l’energia e le emissioni di CO2 senza perderne in efficienza.[11] Infine, i ricercatori dovrebbero rilasciare informazioni e dettagli su come hanno aumentato l’efficienza dei modelli, in modo da permettere di replicare le tecniche migliori già sperimentate, salvando così risorse ed emissioni.

Impatti ambientali indiretti

Al contrario degli impatti ambientali diretti, che dimostrano diverse criticità, quelli indiretti sembrano essere generalmente positivi. Infatti, l’applicazione dell’IA offre possibilità straordinarie per far fronte alla crisi climatica. Ad esempio l’IA può essere utilizzare per fronteggiare il problema degli incendi che aggravano la deforestazione, la perdita della biodiversità oltre ad emettere grandi quantità di CO2. Per questo motivo, Entel Ocean, l’unità digitale di Entel si è impegnata a creare una tecnologia per affrontare questo problema attraverso l’aiuto della piattaforma IA di DataRobot. Il risultato è stato la creazione di “nasi digitali” ovvero di sensori IoT (Internet of Things),[12] che vengono posti sugli alberi, in modo da rilevare le particelle nell’aria. Questi sensori rilevano una serie di dati sui livelli di umidità, temperatura, e concentrazione di certi materiali, che vengono poi inviate alla piattaforma IoT di Entel. Il Machine Learning di Data Robot analizza poi i dati e fa previsioni sulla probabilità di insorgenza di incendi fino a 12 minuti più velocemente rispetto alle tecnologie utilizzate finora.[13]

Un altro esempio è dato dal programma “Destinazione Terra”, nato da un’iniziativa della Commissione Ue, che mira a creare una replica digitale completa della terra entro il 2030 attraverso l’uso di big data, IA e sensori IoT. L’iniziativa, inaugurata a Marzo 2022, servirà da mezzo per studiare e quindi capire le cause ed effetti del cambiamento climatico, così da anticipare possibili scenari futuri. Sulla base di queste previsioni, si potranno implementare azioni di mitigazione, adattamento e gestione dei rischi connessi al cambiamento climatico. Sarà possibile, ad esempio, monitorare e prevedere con accuratezza e precisione l’innalzamento del livello del mare.[14] La Commissione Ue in questo modo si impegna a supportare sia la transizione verde che digitale attraverso l’uso, tra gli altri, dell’Intelligenza artificiale.

Un terzo esempio che dimostra il ruolo pivotale dell’IA nel raggiungere obiettivi sostenibili è il progetto di una coalizione globale no profit, Climate Trace, lanciato nel 2020: un inventario mondiale di emissioni, che utilizza l’intelligenza artificiale per analizzare più di 59 trilioni di bytes provenienti da oltre 300 satelliti e circa 11.100 sensori in modo da identificare le fonti di emissioni di CO2 in tutto il mondo.  L’iniziativa è di estrema importanza dato che aiuta a superare uno degli ostacoli principali nella lotta climatica, ovvero la segnalazione delle emissioni di CO2. Il problema giace nel fatto che il reporting ha sempre avuto una natura volontaria, mancando spesso di trasparenza, accuratezza e attendibilità. Ancora oggi appare difficile individuare i responsabili delle emissioni e soprattutto quantificare con precisione quante emissioni sono attribuite a quale attività e/o processo della catena di produzione.  È a partire da questa considerazione che nasce questa iniziativa. Dato che si può ridurre solo ciò che si può quantificare e misurare, Climate Trace ha creato un database globale, che combinando tecniche diverse, fornisce dati sulle emissioni di ogni paese e continente per anno e settore. Questi gruppi di esperti hanno utilizzato la visione artificiale, addestrando algoritmi a riconoscere le fonti di emissioni, creando quindi un sistema di monitoraggio dettagliato che rivendica requisiti di indipendenza, trasparenza, tempestività e accessibilità a tutti. [15]

 

Note: