Google revela como a IA e o aprendizado de máquina estão moldando sua estratégia de sustentabilidade

jijomathai - stock.adobe.com

O Google revelou como a inteligência artificial (IA) e o aprendizado de máquina (ML) estão ajudando consumidores e empresas a reduzir a pegada ambiental de suas atividades, permitindo-lhes fazer ajustes em tempo real que podem reduzir seus gases de efeito estufa (GEE). ) emissões.

Detalhes do seu trabalho nesta área podem ser encontrados no mais recente relatório ambiental anual da gigante da tecnologia. Cobrindo os 12 meses até 31 de dezembro de 2022, o documento fornece atualizações sobre como estão progredindo os esforços da gigante da tecnologia para operar seus datacenters e escritórios com energia livre de carbono (CFE) 24 horas por dia e como sua tentativa de reduzir a água consumida por suas operações estão indo.

“Alcançamos aproximadamente 64% de CFE 24 horas por dia em todos os nossos datacenters e escritórios, [e] este ano, expandimos nossos relatórios de CFE para incluir escritórios e datacenters de terceiros, além de datacenters de propriedade e operados pelo Google, ”, disse a empresa.

“No final de 2022, os nossos projetos de bacias hidrográficas contratados reabasteceram 271 milhões de galões de água – o equivalente a mais de 400 piscinas olímpicas – para apoiar a nossa meta de reabastecer 120% da água doce que utilizámos.”

O relatório também documenta como, sete anos depois de se declarar uma “empresa que prioriza a IA”, esta tecnologia está a sustentar os esforços de mitigação das alterações climáticas da própria empresa.

Até este ponto, a empresa disse que estava a utilizar a IA para acelerar o desenvolvimento de ferramentas de combate às alterações climáticas que podem fornecer “melhores informações aos indivíduos, otimização operacional para as organizações e melhores previsões e previsões”.

Como exemplo, a empresa apontou a forma como o Google Maps utiliza IA para ajudar os utilizadores a planear viagens de uma forma mais ecológica, minimizando a quantidade de combustível e energia da bateria que utilizam para ir de A a B.

“As rotas ecológicas ajudaram a evitar 1,2 toneladas métricas de emissões estimadas de carbono desde o lançamento – o equivalente a retirar das estradas aproximadamente 250.000 carros movidos a combustível durante um ano”, informou.

A tecnologia também está a revelar-se útil no trabalho da empresa para reduzir a pegada ambiental dos seus modelos de IA, ajudando os centros de dados onde estão alojados a funcionar de forma mais eficiente em termos energéticos.

“Fizemos investimentos significativos em computação em nuvem mais limpa, tornando nossos datacenters alguns dos mais eficientes do mundo e fornecendo mais energia livre de carbono”, afirmou o relatório. “Estamos ajudando nossos clientes a tomar decisões em tempo real para reduzir emissões e mitigar riscos climáticos com dados e IA.”

Para reforçar este ponto, a empresa citou a implementação do seu recurso Active Assist para clientes do Google Cloud, que usa aprendizado de máquina para identificar cargas de trabalho não utilizadas e potencialmente desperdiçadoras, para que possam ser interrompidas para economizar dinheiro e reduzir as emissões de carbono da organização ao mesmo tempo. tempo.

Por outro lado, porém, o relatório reconheceu que aumentar a utilização da IA ​​desta forma também aumenta a quantidade de trabalho que os seus datacenters estão a realizar, o que está a dar origem a preocupações sobre o impacto ambiental e os hábitos de consumo de energia da sua IA. cargas de trabalho.

“Com a IA num ponto de inflexão, prever o crescimento futuro do uso de energia e das emissões provenientes da computação de IA nos nossos datacenters é um desafio”, continua o relatório.

“Historicamente, a pesquisa mostrou que, à medida que a demanda por computação de IA/ML aumentou, a energia necessária para alimentar essa tecnologia aumentou a um ritmo muito mais lento do que muitas previsões previam. Utilizamos práticas testadas para reduzir largamente a pegada de carbono das cargas de trabalho; juntos, esses princípios reduziram a energia de treinamento de um modelo em até 100 vezes e as emissões em até 1.000 vezes.”

O relatório acrescentou: “Planejamos continuar aplicando essas práticas testadas e desenvolvendo novas maneiras de tornar a computação de IA mais eficiente”.