המדריך לשמירה על הסביבה (והתקציב) בעידן ה-AI

בעידן שבו הבינה המלאכותית משנה תעשיות בקצב מסחרר, ארגונים רבים ממהרים ליישם פתרונות AI מבלי להתחשב בהשפעה הסביבתית שלהם. התוצאה? משבר סמוי המאיים הסביבה והן על קיימות עסקית.

הנה חמש טעויות קריטיות שכדאי להימנע מהן בעת גיבוש אסטרטגיית AI.

1. שימוש במודלים גדולים מדי למשימות פשוטות

רבים בוחרים במודלי שפה גדולים (LLMs) מתוך מחשבה ש"גדול יותר זה טוב יותר", אך הפעלת מודלים ענקיים צורכת פי 100-10 יותר אנרגיה לכל שאילתה לעומת מודלים קטנים ויעילים יותר. שימוש במודל של 175 מיליארד פרמטרים לסיווג אימיילים או חילוץ נתונים בסיסיים דומה לשימוש במשאית ענק להובלת שקית קניות מהמכולת.

לכן, חשוב לשאול: האם באמת נדרש מודל מתקדם, או שמודל קטן יותר, ואפילו למידת מכונה מסורתית, יכולים לספק את אותה תוצאה בעלות סביבתית נמוכה בהרבה? לכל אחד מהשחקנים הגדולים, למשל ChatGPT, יש היצע גדול של מודלים אפשריים להתאמה לשימוש הנדרש.

2. התעלמות מיעילות אנרגטית ותשתיות ירוקות

לא כל מרכזי הנתונים זהים מבחינת צריכת אנרגיה ופליטות פחמן. הרצת אותו מודל במרכז נתונים מבוסס פחם לעומת מרכז הפועל על אנרגיה מתחדשת יכולה להביא להבדלים של פי 10 בטביעת הרגל הסביבתית.

שימוש בשרתים מבוססי קירור נוזלי חוסך עד 90% בצריכת החשמל ו-37% בעוצמת הקירור הנדרשת לכל שרת. בנוסף, מעבר להשפעה על הסביבה יש פה השפעה ישירה על עלויות ההפעלה של הארגון, במערכות AI לא יעילות עלות החשמל מגיעה ליותר מ 40% מעלויות הפתרון.

ארגונים חכמים בודקים את מחויבות ספקי הענן או האירוח שלהם לאנרגיה ירוקה ומיישמים טכניקות אופטימיזציה של מודלים, כמו קוונטיזציה, גיזום או זיקוק ידע,  כדי להפחית את צריכת האנרגיה מבלי לפגוע בדיוק.

שילוב חשיבה סביבתית כבר בשלב התכנון יעניק יתרון תחרותי ברור לארגונים בעולם שבו הבינה המלאכותית הופכת לחלק בלתי נפרד מהכלכלה

3. ניהול לקוי של נתונים ואחסון

נתונים הם הדלק של הבינה המלאכותית, אבל היגיינת נתונים לקויה יוצרת עלויות נסתרות עצומות. ארגונים רבים אוספים ומאחסנים כמויות עצומות של נתונים "ליתר ביטחון", ללא מדיניות לניהול מחזור חיים של נתונים.

נתונים מיותרים, מיושנים, לא איכותיים או חסרי ערך עדיין דורשים אנרגיה לאחסון, גיבוי ותחזוקה. חשוב להנהיג מדיניות ברורה של מחזור חיי נתונים, דחיסה וניקוי מידע ישן.

מדדים בתעשייה מצביעים על ארגונים ששומרים ששה עותקים של מידע, גם אם הוא לא חשוב או מיושן (אתר ראשי, אתר משני, SNAP, גיבוי שנתי, עותק שלישי, קלטות).

4. הזנחת ההון האנושי והתקשורת הפנים-ארגונית

ניהול שינויים לקוי סביב אימוץ בינה מלאכותית יוצר התנגדות ארגונית, מפחית את יעילות ההטמעה ואף תורם לבזבוז משאבים - מחקרים ממש מהחודש האחרון מצביעים על 3% הצלחה בלבד בארגונים.

כאשר עובדים חוששים מפיטורים או חסרים את הכישורים לעבוד ביעילות עם כלי AI, ארגונים נאלצים להתמודד עם שיעורי אימוץ נמוכים ותוצאות לא אופטימליות. תקשורת ברורה שממצבת את הבינה המלאכותית ככלי שיתופי שיסייע לעובדים להתמקד בפתרונות יצירתיים בעלי ערך ולא בהחלפתם, בשילוב עם תוכניות הדרכה מקיפות, מבטיחה שההשקעות בבינה מלאכותית יספקו לארגון ערך גבוה, תוך שמירה על מעורבות ופרודוקטיביות של כוח העבודה.

5. העדר מדידה וניטור של השפעת הקיימות

אי אפשר לנהל מה שלא נמדד. מרבית הארגונים אינם עוקבים אחר צריכת האנרגיה, המים או פליטות הפחמן של מערכות ה-AI שלהם. יש לשלב כלי מדידה וניטור מיום ההשקה, כולל מדדים כמו צריכת אנרגיה לכל משימה, שימוש במשאבים לאינטראקציה, יעילות חישובית למול תוצאות, ושימוש באנרגיה מתחדשת.

ל-HPE, למשל, יש כלי המאפשר לבצע מדידות אלה, בהתאם לתקנות האירופיות והאמריקניות.

שילוב קיימות ב-AI כבר משלב התכנון

קיימות במחשוב ובחדרי מחשב המפעילים מערכות AI אינה עוסקת רק בפליטות פחמן והפחתת סיכונים סביבתיים - היא גם חכמה עסקית. על מנת לשמור על כושר התחרותיות ולהשיג תועלת מקסימלית מתשתיות ה-AI היקרות, חייבים לבחור מראש ארכיטקטורה נכונה לפתרון. קירור מותאם לצרכי AI לחיסכון מקסימלי בעלויות חשמל, ושימוש במודלים מתאימים החוסכים בעלויות תפעול, משפרים ביצועים ומגינים על השקעות טכנולוגיות, ומאפשרים תאימות לרגולציות עתידיות.

שילוב חשיבה סביבתית כבר בשלב התכנון יעניק יתרון תחרותי ברור לארגונים בעולם שבו הבינה המלאכותית הופכת לחלק בלתי נפרד מהכלכלה. לארגונים ששולטים בפרקטיקות בינה מלאכותית בנות קיימא היום יהיה יתרון תחרותי משמעותי מחר.

הכותב הוא מנהל תחום תשתיות היברידיות, חטיבת הייעוץ והפרויקטים בחברת HPE