_Tecnologia

Fazer imagem usando IA gasta energia suficiente para carregar seu celular 100%

Estudo analisa o consumo de energia e a emissão de carbono ao utilizar modelos de IA para gerar textos e imagens

Empresas aderem a IA sem base científica para monitorar emoções de funcionários

A inteligência artificial generativa facilita inúmeros processos. Mas existe um custo por trás disso: os modelos para gerar textos e imagens consomem mais energia elétrica. É o que mostra um estudo que mediu as emissões de carbono causadas por modelos de IA.

A iniciativa foi realizada por Alexandra Sasha Luccioni e Yacine Jernite, da startup norte-americana Hugging Face, e por Emma Strubell, da universidade Carnegie Mellon, dos Estados Unidos. O estudo foi apresentado com o seguinte título: “Power Hungry Processing:⚡Watts⚡Driving the Cost of AI Deployment?”

Durante o experimento, os pesquisadores notaram que as tarefas de classificação consomem menos energia e emitem menos carbono. Mas não se pode dizer o mesmo quando se trata de atividades generativas, para construir textos e imagens.

Segundo o estudo, tarefas gerativas, como geração de texto e resumo, usam, em média, mais de 10 vezes mais energia para o mesmo número de inferências. Ou seja, cerca de 0,05 kWh-hora para 1.000 inferências.

Na prática, isto significa que o modelo para gerar texto mais eficiente utiliza tanto energia quanto 16% de uma carga completa de smartphone. Para a comparação, o estudo considera que a recarga de um “celular médio” requer 0,012 kWh.

O consumo aumenta consideravelmente em tarefas multimodais. Especialmente ao gerar legenda de imagens ou construir imagens a partir de texto. Neste caso, o resultado dessas tarefas varia de 0,06 a 2,9 kWh horas para 1.000 inferências.

Considerando o comparativo anterior, isto significa que o modelo menos eficiente para gerar imagem é capaz de oferecer quase uma carga de bateria por geração de imagem.

Mas o estudo aponta que existe uma grande variação entre os sistemas, a depender das suas propriedades e possibilidades.

Confira os resultados:

Tarefa Média
Classificação de texto 0,002 kWh
Controle de qualidade extrativo 0,003 kWh
Modelagem de linguagem mascarada 0,003 kWh
Classificação de tokens 0,004 kWh
Classificação de imagem 0,007 kWh
Detecção de objetos 0,038 kWh
Geração de texto 0,047 kWh
Resumo de textos 0,049 kWh
Legenda de imagem 0,063 kWh
Geração de imagem 2,907 kWh

Modelos de imagem também emitem mais carbono

O estudo ainda analisou a emissão de carbono a partir dos recursos de IA. Os pesquisadores apontaram que os sistemas para desenvolver imagens a partir de comandos de texto (prompts) são os mais poluentes. Mas a intensidade varia de modelo para modelo.

O grande destaque vai para o modelo Stable Diffusion XL, que gera 1.594 gramas de CO2 para 1.000 inferências. A quantidade equivale a cerca de 6,5 km dirigidos em um carro movido à gasolina.

“Isso pode aumentar rapidamente quando a imagem modelos de geração como Dall-E e MidJourney são implantados em aplicações voltadas para o usuário e usados por milhões de usuários globalmente”, diz o estudo.

Veja o comparativo por tarefas no gráfico a seguir:

Análise de emissão de carbono a partir do uso de modelos de IA (Imagem: Reprodução/ArXiv)

Como o estudo foi realizado?

Para fazer a análise, os pesquisadores selecionaram dez tarefas de machine learning (ML) de cinco modalidades diferentes: classificação de texto, geração de texto, classificação de imagens, descrição de imagens e geração de imagens a partir de comandos de texto (prompt).

As modalidades foram escolhidas pois são tarefas em comum no processamento de linguagem natural (NLP) e visão computacional. Este fator possibilita a análise de múltiplas atividades envolvendo inteligência artificial.

Ao todo, 88 modelos foram usados para a análise. No estudo, foi utilizada uma máquina virtual hospedada no Amazon Web Services (AWS) com a GPU Nvidia A100-SMX4 de 80 GB. Os pesquisadores também usaram o pacote Code Carbon para mensurar a energia consumida e o carbono emitido durante a inferência.

Segundo o MIT Technology Review, o estudo ainda será revisado por pares. Mas você já pode conferir o preprint eletrônico no ArXiv.

Sair da versão mobile