Yapay zeka, bir şirketin daha az enerji tüketmesine, israfı azaltmasına ve ESG raporlamasını daha az manuel hale getirmesine yardımcı olabilir. Ancak yapay zeka ürünleri geliştirenler, hikayenin diğer yarısını da biliyor: Her model enerji tüketen altyapılar üzerinde çalışıyor, her API çağrısının bir hesaplama maliyeti var ve hesaplama talebi azalmak bilmiyor.
Bu nedenle yapay zekanın sürdürülebilirliği ne bir slogan ne de telafi edilmesi gereken bir suç olarak ele alınmamalıdır. Operasyonel bir sorun olarak yönetilmelidir. İtalya’da tartışma artık iki net fikir etrafında şekillenmiştir: “yapay zekanın sürdürülebilirliği ” ve “sürdürülebilirlik için yapay zeka”. İlki, yapay zekanın kendisinin çevresel etkisiyle ilgilidir. İkincisi ise süreçleri, tüketimi ve çevresel yönetişimi iyileştirmek için yapay zekanın kullanımıyla ilgilidir. Aynı bağlamda, yapay zeka destekli ESG raporlama bileşeni, yapay zekanın sürdürülebilirliği ve ESG yönetişimi üzerine yapılan bu analize göre “son bir yılda neredeyse üç katına çıkmıştır ”.
Bir yapay zeka şirketinin kurucusu olarak, hem otomatik alarmcılığı hem de tembel teknolojik iyimserliği verimsiz buluyorum. Mesele, yapay zekanın çevre için “iyi” mi yoksa “kötü” mü olduğuna karar vermek değil. Mesele , yapay zekanın nerede kaynak tükettiğini, ne zaman gerçek değer yarattığını ve faydayı ortadan kaldırmadan etkiyi azaltacak somut seçimlerin neler olduğunu anlamaktır.
Sürdürülebilirlik ve yapay zeka konusundaki tartışma artık daha olgun bir hal aldı. Nihayet. Bu, sorunun çözüldüğü için değil, onu basmakalıp bir cümleye indirgemek artık imkânsız hale geldiği için.
Bir yandan, yapay zeka (AI) şirketlerin ve tesislerin enerjiyi daha verimli kullanmasına, israfı azaltmasına ve ESG raporlamasını daha düzenli hale getirmesine yardımcı oluyor. Öte yandan, bu sistemlerin kendisi de gerçek bir çevresel maliyeti olan hesaplama gücü, veri merkezleri, soğutma sistemleri, ağlar ve donanım bileşenlerine ihtiyaç duyuyor. Bu iki yönün sadece birine bakılırsa, yanlış bir karar verilir.
En sık kullandığım iki kategori, artık İtalya’da da yaygınlaşmış olan şunlardır:
Bu fark teorik değildir. Bu fark, iki farklı soru sormaya zorlar. İlki şudur: AI yığınımın ağırlığı ne kadar? İkincisi ise şudur: Bu ağırlık, onu haklı çıkaracak kadar somut bir çevresel veya operasyonel fayda sağlıyor mu?
Asıl soru “AI kullanmalı mı, kullanmamalı mı?” değildir. Asıl soru “Bu görev için gerçekten bu kadar hesaplama gücü gerekli mi?”dir.
En sık gördüğüm hata teknolojik değil. Karar vermeyle ilgili. Birçok şirket, sanki mevcut tüm güç her zaman kullanılmalıymış gibi yapay zekayı benimsiyor. Pratikte, sorun çok daha basit olsa bile en büyük modeli, en karmaşık iş akışını ve en kapsamlı otomasyonu seçiyorlar.
Aslında, sürdürülebilir bir strateji daha az göze çarpan bir ilkeye dayanır: orantılılık. Bir görev, daha az hesaplama, daha az veri aktarımı ve daha az karmaşıklıkla iyi bir şekilde yerine getirilebiliyorsa, bu bir ödün vermek değildir. Bu, daha iyi bir seçimdir.
Tartışmanın en yararlı kısmı, soyut konuşmalardan vazgeçildiğinde başlar. Yapay zekanın çevresel etkisi bir görüş değildir. Bu, ihtiyatlı davranmayı gerektirecek kadar net rakamların mevcut olduğu bir altyapı konusudur.
Uluslararası verileri aktaran bir İtalyan kaynak, Massachusetts Üniversitesi’nin 2019 tarihli bir çalışmasında, tek bir yapay zeka modelinin eğitilmesinin 284 metrik tondan fazla CO₂ salımına yol açabileceğinin tahmin edildiğini bildiriyor; bu miktar, beş otomobilin tüm yaşam döngüsü boyunca saldığı emisyonlara eşdeğer. Aynı kaynak, ChatGPT-3’ün geliştirilmesinin yaklaşık 1.287 MWh elektrik gerektirdiğini, bunun da ortalama bir Amerikan hanesinin yıllık tüketimine eşdeğer olduğunu belirtiyor ve ayrıca Goldman Sachs Research’ün, veri merkezlerinin elektrik talebinin %160 artabileceği yönündeki tahminine de atıfta bulunuyor; 2023 ile 2030 yılları arasında yıllık yaklaşık 200 TWh’lik bir artışa yol açacağını, 2028 yılına kadar ise yapay zeka kaynaklı tüketimin veri merkezlerinin toplam enerji ihtiyacının %19’una ulaşabileceğini belirtmektedir. Tüm bu veriler, yapay zekanın çevresel maliyeti üzerine hazırlanan bu İtalyan analizinde yer almaktadır.
Mesele, bu rakamları iletişim yoluyla korku yaratmak için kullanmak değil. Mesele, ölçeği kavramaktır. Yapay zeka geliştirir veya kullanırsanız, sadece kendi bulut bütçenizle değil, tüm altyapıları ilgilendiren bir enerji talebindeki artışa katkıda bulunmuş olursunuz.
Pratik kural: Bir yapay zeka projesini değerlendirirken, token başına veya API çağrısı başına maliyeti göz önünde bulundurmanın ötesine bakın. Asıl sorun genellikle daha öncesinde, o çağrıyı mümkün kılan altyapıda yatmaktadır.
Birçok kişi, yapay zekanın çevresel maliyetinin neredeyse tamamen eğitim aşamasıyla sınırlı olduğunu düşünür. Bu, kolaycı ama yanlış bir genellemedir. Enerji tüketimi, çeşitli aşamalara yayılır:
| Bileşen | Neden önemli? |
|---|---|
| Eğitim | Yoğun hesaplama işlemlerini gerektirir |
| Çıkarım | Her kullanıcı talebi, zaman içinde tekrarlanan iş yükü yaratır |
| Veri merkezi | Güç kaynağı, yedeklilik ve altyapının kesintisiz yönetimi |
| Soğutma | Sistemler tarafından üretilen ısı, verimli bir şekilde dağıtılmalıdır |
| Ağlar ve veri aktarımı | Sistemler, bölgeler ve hizmetler arasında veri aktarımı enerji maliyeti doğurur |
Bu durum, yapay zekanın sürdürülebilirliğinin ele alınış şeklini değiştiriyor. “Model ne kadar enerji tüketiyor?” diye sormak yeterli değil. Modelin nerede çalıştığını, ne kadar trafik ürettiğini, kaç kez sorgulandığını ve mimarinin israfı sınırlamak üzere tasarlanıp tasarlanmadığını da sormalısın.
Bu nedenle, yapay zekanın kendi altyapısını iyileştirmek için kullanıldığı örnekleri de incelemek mantıklıdır.Yapay zeka ile veri merkezlerinin enerji verimliliğinin artırılması, bu konuyu iyi bir şekilde ortaya koyan yararlı bir örnektir; bu örnek, basit bir gerçeği açıkça göstermektedir: Sorun sadece modelde değil, onu destekleyen tüm teknik ortamdadır.
Sadece maliyetlere odaklanırsak, resmin yarısını gözden kaçırırız. Yapay zeka, kurumsal sürdürülebilirliği iyileştirmek için ciddi bir itici güç olabilir. Bu, retorik anlamda değil, son derece somut süreçler açısından geçerlidir.
İtalya bağlamında, enerji yönetim sistemlerine uygulandığında yapay zeka, talep piklerini öngörerek ve HVAC ile aydınlatma gibi yükleri gerçek zamanlı olarak düzenleyerek endüstriyel tesislerde ve KOBİ’lerde işletme tüketimini azaltabilir. Bu durum, Kapsam 2 emisyonları üzerinde doğrudan bir etkiye sahiptir ve yapay zeka destekli enerji yönetim sistemleri hakkındaki bu ayrıntılı incelemede de açıklandığı üzere, aralıklı yenilenebilir kaynakların kullanımını optimize etmeye yardımcı olur.
Bu, çevresel açıdan da savunulabilir bulduğum türden bir uygulamadır. Ücretsiz olduğu için değil, hesaplamaları kullanarak sürekli fiziksel israfı ortadan kaldırdığı için. Talebin değişken olduğu bir tesiste, havalandırma, iklimlendirme veya aydınlatmayı gerçek zamanlı olarak düzenlemek, yeşil geçişle ilgili binlerce slayttan daha değerli olabilir.
Yapay zekanın gerçekten yararlı olduğu üç alan şunlardır:
Bir KOBİ için fayda, genellikle olağanüstü bir modelden kaynaklanmaz. Bu fayda, işin tekrarlanmasını önleyen bir sistemden doğar. Manuel dışa aktarmalar, çok sayıda Excel dosyası, defalarca gönderilen ekler, aynı veriler üzerinde farklı kişiler tarafından yapılan mutabakatlar. Tüm bunlar zaman, donanım, bant genişliği ve dikkat gerektirir.
Farklı kişiler tarafından beş kez tekrarlanan bir süreç, sadece organizasyonel açıdan değil, çevresel açıdan da verimsizdir.
Yapay zeka verileri merkezileştirdiğinde, tekrarlayan adımları otomatikleştirdiğinde ve analizleri yeniden kullanılabilir hale getirdiğinde, çevresel değer tek bir çıkarımda yatmaz. Bu değer, gereksiz tekrarların ortadan kaldırılmasında yatmaktadır.
Raporlama alanında çalışanlar için, bu soruna yakın bir örnek, ESG raporlaması için kullanılan ELECTE’dir; bu örnek, otomasyonun her faaliyeti karmaşık bir BT projesine dönüştürmeden manuel adımları ve bilgi dağınıklığını nasıl azaltabileceğini anlamak açısından yararlıdır.
Umut verici olan nokta, sektörün durgunlaşmamış olmasıdır. Yapay zeka bu sorunu yaratıyor, ancak aynı zamanda enerji maliyetini düşürmeyi amaçlayan yenilikleri de teşvik ediyor. Ancak dürüst olmak gerekirse: tek bir çözüm yok.
Umut vaat eden bir yön, ağ bağlantıları ve altyapının verimliliğine odaklanan yaklaşımdır. Bilgi işlem sistemleri veri beklerken, kurulu güç verimsiz bir şekilde kullanılır. Bu, yeni nesil donanımın sadece performans açısından değil, aynı zamanda verimlilik açısından da değerlendirilmesi gerektiğinin nedenlerinden biridir.
Teknoloji tartışmalarında, fotonik bağlantılar, daha iyi veri aktarımı ve daha az enerji kaybı üzerine odaklanan öneriler gündeme geliyor. Bulut hizmetleri satın alanlar için – yonga satın alanlar değil – asıl önemli olan başka bir konudur: daha az bekleme süresi, daha az trafik ve daha az ek yükle daha fazla yararlı iş yapan yığınları seçmek.
Bu mantık, dar anlamıyla yapay zeka (AI) alanının dışında da geçerlidir. Daha az kaynak israfına yol açan üretim modelleri hakkında daha genel bir bakış açısıyla düşünmek isteyenler, bu sürdürülebilir ekonomi uygulamalarında, özellikle de dijital verimliliği süreçlerdeki malzeme israfının azaltılmasıyla ilişkilendirmek açısından yararlı ipuçları bulabilirler.
Yazılım açısından bakıldığında, en ilgi çekici unsurlar genellikle daha az göz alıcı, ancak daha somut olanlardır:
Deneyimlerime göre, en büyük etkiyi yaratan seçim buydu. En etkili değişiklik, geleceğe yönelik bir teknolojiyi uygulamaya koymak değil, her şey için en güçlü modeli kullanmaktan vazgeçmekti. Sınıflandırma, biçimlendirme, bilinen kalıpların çıkarılması ve pek çok destek işlemi her zaman en gelişmiş bir model gerektirmez. Bunlar, mimari disiplin gerektirir.
Kullanıcı açısından sonuç aynı kalıyorsa, daha az hesaplama yapmak bir ödün vermek değildir. Bu, daha iyi bir tasarımdır.
Bu nedenle sık sık “doğru görev için doğru model”den bahsediyorum. Pratikte bu, her işlemi gerekli güç seviyesine atayan bir yönlendirme katmanı oluşturmak anlamına gelir. Bu hem maliyet hem de sürdürülebilirlik açısından yapılan bir tercihtir.
Teknik çözümler ile çevresel etki arasındaki bağı daha derinlemesine incelemek isteyenler, ELECTE’nin yapay zeka ve çevre üzerine yayınladığı makaleyi de okuyabilirler; bu makale, çeşitli örnekleri ve gelişme yönlerini, bunları mucizevi çözümlermiş gibi sunmadan ele almaktadır.
En önemli itiraz, aynı zamanda en rahatsız edici olanıdır: Yapay zekayı daha verimli hale getirmek, toplam tüketimde otomatik olarak bir azalmayı garanti etmez. Hatta bazen tam tersi olur.
Hesaplama daha ekonomik, daha erişilebilir ve daha hızlı hale geldiğinde, şirketler bunu daha fazla kullanma eğilimindedir. Daha fazla otomasyon, daha fazla talep, daha fazla entegrasyon, “zaten maliyeti düşük olduğu için” oluşturulan daha fazla süreç. İşte verimlilik paradoksunun özü budur.
Bu nedenle, yapay zekanın sürdürülebilirliği sadece daha iyi yongalar ya da daha kompakt modeller meselesi olamaz. Bu, bir öncelik kriteri haline gelmelidir. Her uygulamadan önce bazı sorular sorulmalıdır:
İtalyan tartışmalarındaki en belirgin eksikliklerden biri tam da budur: Yapay zekanın yaşam döngüsü boyunca bıraktığı ayak izini ölçmek için standartlaştırılmış ölçütlerin ve bütüncül bir yaklaşımın eksikliği; bu konu, yapay zekanın sürdürülebilirliğine ilişkin bu sistemik bakış açısında da vurgulanmaktadır.
Dolayısıyla sorun, yeniliği frenlemek değildir. Sorun, hesaplamayı ücretsiz ve tükenmez bir kaynak olarak görmeyi bırakmaktır. Her kuruluş, bunu bütçeyi veya çalışanların zamanını ele aldığı gibi ele almalıdır: gerçekten değer yarattığı yerlere tahsis edilmesi gereken bir şey olarak.
Bir KOBİ için, operasyonel bir plan olmadan sürdürülebilirlikten bahsetmenin pek bir anlamı yoktur. Çevresel ayak izinin tam olarak ölçülmemiş olsa bile, hemen alınabilecek dört karardan yola çıkmak daha mantıklıdır.
İtalyan bir kaynak, yapay zekanın sürdürülebilirliği konusundaki pek çok tartışmanın maliyet-fayda dengesi konusunu göz ardı ettiğini, oysa veri merkezlerinin halihazırda küresel enerjinin yaklaşık %3’ünü tükettiğini belirtiyor. Göz ardı edilen soru şudur: Tüketim ve maliyetlerdeki sürdürülemez bir artışı önlemek için ne zaman daha küçük bir model veya geleneksel bir süreç kullanmak daha uygun olur? Bu konu, yapay zekanın çevresel dengesi üzerine yazılmış bu makalede çok iyi özetlenmiştir.
Soruna uygun modeli seçin
Bu, basitlik ve etki arasında en iyi dengeyi sunan araçtır. En güçlü modeli varsayılan olarak kullanmayın. Yalnızca gerçek bir fark yaratacağı durumlarda kullanın. Günlük birçok faaliyet için daha hafif modeller veya üretken olmayan sistemler yeterlidir.
Bulut hizmet sağlayıcısını enerji profili açısından da değerlendirin
Sadece fiyat, gecikme süresi ve uyumluluk kriterlerine odaklanmayın. Veri merkezleri konusunda şeffaflık, bölgesel enerji karışımı ve operasyonel verimlilik yaklaşımını da göz önünde bulundurun. Coğrafi konum önemlidir. Bir iş yükünün her bölgedeki çevresel etkisi aynı değildir.
İş akışlarındaki gereksiz işlemleri ortadan kaldırın
Aynı veri defalarca dışa aktarılır, kopyalanır, yeniden biçimlendirilir ve yeniden gönderilirse, yapay zekadan bahsetmeye bile gerek kalmadan kaynak israfı yapıyorsunuz demektir. ELECTE gibi , KOBİ’ler için yapay zeka destekli bir veri analizi platformu, verileri merkezileştirmek, raporları otomatikleştirmek ve yinelenen analizleri azaltmak için kullanılabilir. Bu bağlamda avantaj, “daha fazla yapay zeka kullanmak” değildir. Gereksiz iş yükünü azaltmaktır.
Kusursuz olmasa da ölçer
Her şirketin her bir işlem için kWh veya CO₂ değerlerini ölçebilecek araçları yoktur. Sorun değil. Elinizin altında bulunan operasyonel göstergelerden başlayın.
Sektörde gerçekten yerleşik bir standart bulunmadığından, ben basit bir tablodan başlardım:
| Operasyonel metrik | Sana ne diyor? |
|---|---|
| Görev tamamlandığında API çağrıları | Bir çıktı elde etmek için çok fazla çaba harcıyorsan |
| İşlem başına modelin ortalama boyutu | Görevleri gereğinden fazla büyütüyorsan |
| Oturum başına aktarılan veri hacmi | İş akışınız önlenebilir trafik yaratıyorsa |
| Oluşturulmuş ancak kullanılmamış analizler | Eğer kimsenin okumadığı çıktıları otomatikleştiriyorsanız |
Yanlış ama tutarlı bir şekilde ölçmek, hiç ölçmemekten daha iyidir.
Üç ay sonra, görev başına çağrı sayısının azaldığını, büyük modellerin daha seyrek çalıştırıldığını ve veri aktarımının daha az olduğunu fark ederseniz, henüz mükemmel bir karbon muhasebesine sahip değilsiniz demektir. Ancak yine de çok yararlı bir şeye sahipsiniz: hesaplama israfını, maliyeti ve muhtemelen çevresel etkiyi de azaltan bir verimlilik disiplini.
Yapay zekanın sürdürülebilirliği bir sloganla çözülemez. Yapay zekayı ideolojik olarak reddetmekle de çözülmez. Daha iyi teknik ve yönetimsel kararlarla sağlanır.
Günümüzde yapay zekayı kullananlar, iki gerçeği bir arada göz önünde bulundurmalıdır. Birincisi: Çevresel maliyet mevcuttur, giderek artmaktadır ve küçümsenmemelidir. İkincisi: Yapay zeka, israfı azaltarak, enerji kullanımını iyileştirerek ve tekrarlayan, düzensiz süreçleri daha akıllı sistemlerle değiştirerek somut faydalar sağlayabilir. Seçimin kalitesi, bu iki yön arasındaki dengede yatmaktadır.
Avrupalı şirketler için ikinci bir sorumluluk düzeyi de söz konusudur. Yasalara uymak tek başına yeterli değildir. Teknoloji, altyapı, yönetişim ve fikri mülkiyetin birbiriyle nasıl iç içe geçtiğini anlamak gerekir. Bu son nokta ile ilgili olarak, yapay zekanın benimsenmesiyle birlikte ortaya çıkan yasal çerçeveyi daha derinlemesine incelemek isteyenler için, yapay zeka patentleri üzerine hazırlanan bu kılavuzu öneririm; bu kılavuz, teknolojik sürdürülebilirliği uzun vadeli bir stratejik tercih olarak da değerlendirmek açısından faydalıdır.
Doğru yol, yapay zekayı genel olarak daha az kullanmak değildir. Doğru yapay zekayı, doğru yerde ve doğru güç seviyesinde kullanmaktır.
Yapay zekayı daha verimli ve bilinçli bir şekilde kullanmak istiyorsanız, ELECTE'nin nasıl çalıştığını inceleyebilirsiniz. Bu platform, model seçiminde ve operasyonel verimlilikte pragmatik bir yaklaşım benimseyerek, KOBİ'lerin verilerini merkezileştirmesine, raporlamayı otomatikleştirmesine ve gereksiz analitik iş yükünü azaltmasına yardımcı olur.
.svg)
.svg)
.svg)
