La IA puede ser una herramienta poderosa para combatir el cambio climático, pero tampoco puede pasarse por alto su papel como factor que contribuye a las emisiones.
El primer paso para que la IA sea más ecológica es promover la práctica de una evaluación de modelos más holística y multidimensional.
Al cambiar nuestra mentalidad de que lo más grande siempre es mejor y al perseguir casos de uso de la IA en el ámbito medioambiental, la IA puede ser un activo importante en la lucha contra el cambio climático.
Con olas de calor récord a nivel mundial y inundaciones extremas que afectan a Europa y China, ahora es un momento crucial para analizar la interacción entre la tecnología y el medio ambiente, incluido el papel de la inteligencia artificial (IA).
¿Qué se necesitaría para que la IA sea más ‘ecológica’? Por un lado, primero debemos reconocer colectivamente que la creación y el uso de los sistemas de IA tienen costes tangibles, que, de hecho, pueden ser bastante elevados. Se estima que GPT-3, un reciente y potente modelo de lenguaje de OpenAI, consumió durante su entrenamiento energía suficiente para dejar una huella de carbono equivalente a recorrer en coche la distancia de la Tierra a la Luna y de vuelta.
La IA también puede tener efectos beneficiosos en nuestra relación con el medio ambiente. Un estudio exhaustivo realizado en 2020 evaluó el posible impacto de la IA en los 17 Objetivos de Desarrollo Sostenible de las Naciones Unidas, que abarcan resultados sociales, económicos y medioambientales. Los investigadores concluyeron que la IA podría contribuir de forma positiva al 93% de las metas medioambientales, incluida la creación de ciudades inteligentes y de bajas emisiones de carbono; dispositivos del Internet de las cosas y electrodomésticos que pueden modular su consumo de electricidad; una mejor integración de la energía renovable mediante redes inteligentes; la identificación de tendencias de desertificación mediante imágenes satelitales; y la lucha contra la contaminación marina.
Cemento y telecomunicaciones
Los casos de uso de la IA en la industria pueden contribuir a proteger el medio ambiente y reducir las emisiones de carbono. Por ejemplo, OYAK Cimento, un grupo turco de fabricación de cemento, está utilizando la IA para reducir significativamente su huella de carbono. Según Berkan Fidan, director de rendimiento y procesos de OYAK Cimento: “El control de procesos asistido por IA empresarial ayuda a aumentar la eficiencia operativa, lo que significa una mayor producción con un menor consumo de energía por unidad. Si consideramos una única planta de cemento de capacidad moderada con una producción de 1 millón de toneladas de cemento, una reducción adicional de clínker de tan solo un 1% —gracias al control de procesos y de calidad asistido por IA— produce una reducción de unas 7.000 toneladas de CO2 al año. Esto equivale a la absorción de CO2 de 320.000 árboles en un año.”
Según el centro de estudios Chatham House, el cemento representa aproximadamente el 8% de las emisiones de CO2. Por ello, existe una clara necesidad medioambiental de mejorar la eficiencia en la fabricación de cemento, y una de las herramientas para lograrlo es la IA.
Otro ejemplo de impacto medioambiental positivo de la IA es el de Entel, la mayor empresa de telecomunicaciones de Chile, y sus datos de sensores para identificar incendios forestales. Combatir con éxito los incendios forestales que azotan muchas regiones del mundo, incluidas Grecia y el norte de California, requiere un esfuerzo colectivo. Chile se ve afectado con frecuencia por el cambio climático severo y por condiciones meteorológicas catastróficas, lo que provocó en 2017 el peor incendio forestal de la historia del país, que arrasó unos 714.000 acres. Para un país lleno de maravillas naturales, con una población y una economía que dependen en gran medida de unos bosques prósperos, cualquier tipo de incendio forestal es una tragedia devastadora.
Entel Ocean, la unidad digital de Entel, buscaba identificar los incendios con mayor antelación mediante sensores del Internet de las cosas (IoT). Estos sensores funcionan como una “nariz” digital colocada en los árboles, capaz de detectar partículas en el aire. Los datos generados por estos sensores permitieron a Entel Ocean utilizar la IA para predecir automáticamente cuándo se iniciaría un incendio forestal. “Hemos detectado un incendio forestal 12 minutos antes que con los métodos tradicionales; esto es muy importante a la hora de prevenir incendios”, afirma Lenor Ferrebuz Bastidas, portavoz de soluciones digitales empresariales de Entel Ocean. “Teniendo en cuenta que el fuego puede propagarse en cuestión de segundos, cada minuto cuenta.”
Compensaciones
Gracias a estas aplicaciones, la IA puede ser una herramienta poderosa para combatir el cambio climático. Pero tampoco puede pasarse por alto su papel como factor que contribuye al problema. Para ello, el primer paso es promover la práctica de una evaluación de modelos más holística y multidimensional. Hasta la fecha, el principal foco de la investigación y la innovación ha sido mejorar la precisión o crear nuevos métodos algorítmicos. Estos objetivos suelen consumir cantidades de datos cada vez mayores, lo que da lugar a modelos cada vez más complejos. El ejemplo más revelador se encuentra en el aprendizaje profundo, donde los recursos computacionales aumentaron 300,0000 veces entre 2012-2018.
Sin embargo, la relación entre la precisión y la complejidad del modelo es logarítmica. Para aumentos exponenciales en el tamaño del modelo y en los requisitos de entrenamiento, se producen mejoras lineales en el rendimiento. En la búsqueda de precisión, se da menos prioridad al desarrollo de métodos que mejoren el tiempo de entrenamiento o la eficiencia de los recursos. En adelante, debemos reconocer la compensación entre la precisión y la eficiencia del modelo y la huella de carbono de este, tanto durante el entrenamiento como al realizar inferencias.
¿Qué es la cumbre sobre impacto del desarrollo sostenible del Foro Económico Mundial?
La huella de carbono de un modelo puede ser complicada de determinar y de comparar entre distintos enfoques de modelización e infraestructuras de centros de datos. Un punto de partida razonable puede ser evaluar el número de operaciones de coma flotante, es decir, un recuento discreto de cuántas operaciones matemáticas sencillas (por ejemplo, multiplicación, división, suma, resta y asignación de variables) deben realizarse para entrenar un modelo. Este factor y otros pueden afectar al consumo de energía, junto con la arquitectura del modelo y los recursos de entrenamiento, como el hardware, por ejemplo, GPU o CPU. Además, entran en juego las consideraciones físicas del almacenamiento y la refrigeración de los servidores. Como última complicación, también importa de dónde procede la energía. La energía procedente principalmente de fuentes renovables, en comparación con el gas natural o el carbón, tendrá una huella de carbono menor.
Preguntémonos: “¿Cuánto más podemos hacer con menos?” Tener en cuenta las restricciones que imponen el ahorro energético puede impulsarnos hacia innovaciones nuevas y creativas en la IA. Al adoptar esta mentalidad, en lugar de la de que lo más grande siempre es mejor, y al perseguir casos de uso de la IA en el ámbito medioambiental, la IA puede mantenerse a la vanguardia, convertirse en una tecnología sostenible del futuro y en un activo importante para la protección del clima mundial.
