এআই টেক এবং এর সিক্রেট ওয়াটার ফুটপ্রিন্ট

কৃত্রিম বুদ্ধিমত্তার প্রতি উত্তেজনা সর্বত্র রয়েছে: আপনি যেদিকে তাকাচ্ছেন তার উপর নির্ভর করে, জেনারেটিভ AI হয় আমাদের মেরে ফেলবে, আমাদের চাকরি কেড়ে নেবে, আমাদের পরিশ্রম থেকে মুক্ত করবে বা অসাধারণ উদ্ভাবনকে উৎসাহিত করবে। (যেভাবেই হোক, নিয়ন্ত্রনের আহ্বান এখানে রয়েছে।) মার্কআপে আমরা একটি পরিমাপিত পদ্ধতি গ্রহণ করতে চাই যা প্রায়শই, ভাল, প্রকৃত পরিণতি পরিমাপ অন্তর্ভুক্ত করে।

তাই আমি ক্যালিফোর্নিয়া ইউনিভার্সিটি, রিভারসাইডের কম্পিউটার সায়েন্সের সহযোগী অধ্যাপক শাওলি রেন- এর সাথে এই প্রশ্নোত্তর শেয়ার করতে পেরে রোমাঞ্চিত, যিনি তার দলের সাথে-রিভারসাইড পিএইচডি। প্রার্থী পেংফেই লি এবং জিয়ানি ইয়াং , এবং মোহাম্মদ এ. ইসলাম , আরলিংটনের টেক্সাস বিশ্ববিদ্যালয়ের কম্পিউটার বিজ্ঞানের সহযোগী অধ্যাপক- সম্প্রতি AI এর গোপন জলের পদচিহ্নের পরিমাণ নির্ধারণ করে একটি গবেষণাপত্র প্রকাশ করেছেন।

যদিও উদীয়মান প্রযুক্তির কার্বন পদচিহ্ন কিছুটা মনোযোগ পেয়েছে, সত্যিকার অর্থে স্থায়িত্বের দিকে গড়তে, জলকেও সমীকরণের অংশ হতে হবে।

এছাড়াও, হ্যালো! আমি নাবিহা সৈয়দ, দ্য মার্কআপের সিইও, এবং আমি এমন একজন ব্যক্তি যিনি বিশ্বাস করেন যে প্রযুক্তিগত উন্নতি একটি সুস্থ গ্রহের সাথে সহাবস্থান করতে পারে - যদি আমরা এটিকে অগ্রাধিকার দিই। একটি একক ChatGPT কথোপকথন কতটা জল "পান" করতে পারে এবং AI-এর জলের পদচিহ্ন কমাতে আমরা কার্যকর পদক্ষেপ নিতে পারি তা জানতে পড়তে থাকুন।

(এই প্রশ্নোত্তরটি সংক্ষিপ্ততা এবং স্বচ্ছতার জন্য সম্পাদনা করা হয়েছে।)

সৈয়দ: খুব ভালো কারণে, আমরা বিভিন্ন প্রযুক্তির কার্বন ফুটপ্রিন্টের আরও যাচাই-বাছাই দেখতে শুরু করছি, যার মধ্যে রয়েছে AI মডেল যেমন GPT‑3 এবং GPT‑4 পাশাপাশি বিটকয়েন মাইনিং । কিন্তু আপনার গবেষণা এমন কিছুর উপর ফোকাস করে যা কম মনোযোগ দেয়: AI প্রযুক্তির গোপন জলের পদচিহ্ন। আপনার অনুসন্ধান সম্পর্কে আমাদের বলুন.

রেন: জলের পদচিহ্ন বিভিন্ন কারণে রাডারের অধীনে রয়ে গেছে, যার মধ্যে বড় ভুল ধারণা যে মিঠা পানি একটি "অসীম" সম্পদ এবং পানির তুলনামূলকভাবে কম দাম। অনেক এআই মডেল ডেভেলপাররা তাদের ওয়াটার পদচিহ্ন সম্পর্কেও অবগত নন। তবে এর অর্থ এই নয় যে জলের পদচিহ্ন গুরুত্বপূর্ণ নয়, বিশেষত ক্যালিফোর্নিয়ার মতো খরা অঞ্চলে।

UT Arlington-এ আমার ছাত্র এবং আমার সহযোগীর সাথে, আমি অত্যাধুনিক অনুমান পদ্ধতি ব্যবহার করে AI এর জলের পদচিহ্নের উপর কিছু গবেষণা করেছি। আমরা দেখতে পাই যে বড় আকারের AI মডেলগুলি প্রকৃতপক্ষে বড় জল গ্রাহক।

উদাহরণস্বরূপ, মাইক্রোসফ্টের অত্যাধুনিক মার্কিন ডেটা সেন্টারগুলিতে GPT‑3 প্রশিক্ষণের মাধ্যমে সরাসরি 700,000 লিটার পরিষ্কার জল ব্যবহার করা যেতে পারে (370টি BMW গাড়ি বা 320টি টেসলা বৈদ্যুতিক গাড়ি তৈরির জন্য যথেষ্ট), এবং জল খরচ তিনগুণ হয়ে যেত যদি এশিয়ায় মাইক্রোসফটের ডেটা সেন্টারে প্রশিক্ষণ দেওয়া হয়েছিল। এই সংখ্যাগুলিতে বিদ্যুৎ উৎপাদনের সাথে সম্পর্কিত অফ-সাইট জলের পদচিহ্ন অন্তর্ভুক্ত নয়।

অনুমানের জন্য (অর্থাৎ, ChatGPT-এর সাথে কথোপকথন), আমাদের অনুমান দেখায় যে মডেলটি কখন এবং কোথায় স্থাপন করা হয়েছে তার উপর নির্ভর করে মোটামুটি 20 থেকে 50 টি প্রশ্ন ও উত্তরের একটি সংক্ষিপ্ত কথোপকথনের জন্য ChatGPT-এর একটি 500-মিলি বোতল জলের প্রয়োজন। ChatGPT এর বিশাল ব্যবহারকারী বেস দেওয়া, অনুমানের জন্য মোট জলের পদচিহ্ন বিশাল হতে পারে।

তারপরে, আমরা এআই মডেলের রানটাইম জল দক্ষতার অনন্য স্থানিক-অস্থায়ী বৈচিত্র্যগুলি আরও অধ্যয়ন করেছি — জলের দক্ষতা সময়ের সাথে এবং অবস্থানের সাথে পরিবর্তিত হয়। এটি বোঝায় যে নির্দিষ্ট সময়ে এবং নির্দিষ্ট স্থানে গতিশীলভাবে AI ওয়ার্কলোড এবং কাজের সময় নির্ধারণ করে AI এর জলের পদচিহ্ন কমানোর সম্ভাবনা রয়েছে, যেভাবে আমরা আমাদের বৈদ্যুতিক গাড়িগুলিকে চার্জ করার জন্য রাতে কম বিদ্যুতের দাম ব্যবহার করে আমাদের বিদ্যুতের বিল হ্রাস করি।

সৈয়দ: গরুর মাংসের মতো কিছুর সাথে এই পানির পদচিহ্নের তুলনা হয় কিভাবে?

রেন: আমরা কিছু ওয়েবসাইট থেকে দেখতে পারি যে গরুর মাংস এবং জিন্সের একটি বড় জলের পদচিহ্ন রয়েছে, তবে তাদের জলের পদচিহ্ন সমগ্র জীবনচক্রের জন্য এবং এতে অপানিযোগ্য জলের একটি বড় অংশ অন্তর্ভুক্ত রয়েছে। উদাহরণস্বরূপ, জিন্সের জলের পদচিহ্ন তুলো বৃদ্ধি থেকে শুরু হয়।

আমাদের গবেষণায়, আমরা শুধুমাত্র অপারেশনাল ওয়াটার ফুটপ্রিন্ট বিবেচনা করি (অর্থাৎ, প্রশিক্ষণ এবং এআই মডেলগুলি চালানোর সাথে যুক্ত জলের ব্যবহার), যেখানে মূর্ত জলের পদচিহ্ন (যেমন, চিপমেকিং সহ এআই সার্ভার উত্পাদন এবং পরিবহনের সাথে যুক্ত জলের পদচিহ্ন) বাদ দেওয়া হয়েছে। যদি আমরা AI মডেলের জন্য মূর্ত জলের পদচিহ্নের উপর নির্ভর করি, আমার অন্ত্রের অনুভূতি হল যে সামগ্রিক জলের পদচিহ্ন সহজেই 10 গুণ বা তারও বেশি বৃদ্ধি পাবে।

সৈয়দ: কার্বন হ্রাস এবং জল সংরক্ষণ কীভাবে একে অপরের সাথে উত্তেজনাপূর্ণ হতে পারে সে সম্পর্কে আমি বিশেষভাবে কৌতূহলী। আপনি যখন জিজ্ঞাসা করেন যে আমাদের "সূর্যকে অনুসরণ করা বা অনুসরণ করা উচিত নয়" তখন আপনি কী বোঝাতে চান?

রেন: পানির দক্ষতা বেশিরভাগই নির্ভর করে বাইরের তাপমাত্রার পাশাপাশি বিদ্যুৎ উৎপাদনের জন্য শক্তি জ্বালানির মিশ্রণের উপর। কার্বন-দক্ষ ঘন্টা/অবস্থান মানে জল-দক্ষ ঘন্টা/অবস্থান নয়, এবং কখনও কখনও তারা একে অপরের বিপরীতও হয়।

জল-সচেতন ব্যবহারকারীরা জল-দক্ষ ঘন্টা এবং/অথবা জল-দক্ষ ডেটা কেন্দ্রগুলিতে AI মডেলগুলির অনুমান পরিষেবাগুলি ব্যবহার করতে পছন্দ করতে পারে।

উদাহরণস্বরূপ, ক্যালিফোর্নিয়ায়, দুপুরের দিকে উচ্চ সৌর শক্তি উৎপাদন হয়, এবং এটি সবচেয়ে কার্বন-দক্ষ ঘন্টার দিকে নিয়ে যায়, কিন্তু দুপুরের দিকে, বাইরের তাপমাত্রাও বেশি থাকে এবং তাই জলের দক্ষতা সবচেয়ে খারাপ। ফলস্বরূপ, যদি আমরা শুধুমাত্র কার্বন ফুটপ্রিন্ট হ্রাস বিবেচনা করি (বলুন, দুপুরের দিকে আরও AI প্রশিক্ষণের সময়সূচী করে), আমরা সম্ভবত উচ্চতর জল খরচের সাথে শেষ করব, যা AI এর জন্য সত্যই টেকসই নয়।

অন্যদিকে, যদি আমরা কেবলমাত্র জলের পদচিহ্ন কমাই (বলুন, মধ্যরাতে এআই প্রশিক্ষণের সময় নির্ধারণ করে), আমরা কম সৌর শক্তির কারণে কার্বন ফুটপ্রিন্ট বাড়াতে পারি।

সৈয়দ: এটা স্পষ্ট যে মাইক্রোসফ্ট, গুগল এবং অ্যামাজনের মতো টেক জায়ান্টরা AI এর ভবিষ্যত নিয়ে বড় বাজি ধরছে, কিন্তু আমরা কি তাদের উন্নয়নে পরিবেশগত বিবেচনাকে অগ্রাধিকার দিতে দেখছি?

রেন: হ্যাঁ, আমরা Google , Microsoft , এবং Meta- এর মতো বেশ কয়েকটি টেক জায়ান্টের টেকসই প্রতিবেদনে জলের পদচিহ্নকে অগ্রাধিকার হিসেবে আবির্ভূত হতে দেখেছি৷

এছাড়াও, বিধায়করা সম্প্রতি স্থানীয় পরিবেশে ডেটা সেন্টারের জল ব্যবহারের প্রভাব বিবেচনা করতে শুরু করেছেন। উদাহরণ স্বরূপ, ভার্জিনিয়ায়, যেখানে লাউডন কাউন্টি "বিশ্বের ডেটা সেন্টার ক্যাপিটাল" হিসাবে পরিচিত, এই বছরের শুরুতে প্রস্তাবিত SB 1078 , জলের ব্যবহার এবং কার্বনের উপর ডেটা সেন্টারের প্রভাব পরীক্ষা করার জন্য "একটি সাইট মূল্যায়নের প্রয়োজন হবে ... নির্গমন এবং সেইসাথে কৃষি সম্পদের উপর কোন প্রভাব।"

এ পর্যন্ত শিল্পের বেশিরভাগ প্রচেষ্টা "ইঞ্জিনিয়ারিং" দৃষ্টিকোণ থেকে সাইটের জলের দক্ষতার উন্নতির উপর দৃষ্টি নিবদ্ধ করা হয়েছে, যেমন, ডাটা সেন্টারের কুলিং টাওয়ারের দক্ষতা উন্নত করা এবং স্থানীয় পানীয় জলের সম্পদে ট্যাপ করার পরিবর্তে পুনর্ব্যবহৃত জল প্রক্রিয়াকরণ। তা সত্ত্বেও, বেশিরভাগ ডেটা সেন্টার এখনও পানীয় জল এবং কুলিং টাওয়ার ব্যবহার করে।

উদাহরণস্বরূপ, এমনকি গুগলের মতো টেক জায়ান্টরাও কুলিং টাওয়ারের উপর খুব বেশি নির্ভর করে এবং প্রতি বছর বিলিয়ন লিটার পানীয় জল ব্যবহার করে।

এই ধরনের বিপুল জল খরচ স্থানীয় জলের অবকাঠামোর উপর চাপ সৃষ্টি করেছে; Google-এর ডেটা সেন্টার দ্য ডালেস, ওরে সমস্ত জলের এক-চতুর্থাংশেরও বেশি ব্যবহার করেছে৷ তাছাড়া, অনেক ডেটা সেন্টারও ক্যালিফোর্নিয়ার মতো খরা-প্রবণ এলাকায় অবস্থিত৷

আমাদের অধ্যয়ন দেখায় যে "কখন" এবং "কোথায়" একটি বড় AI মডেলকে প্রশিক্ষণ দেওয়া জলের পদচিহ্নকে উল্লেখযোগ্যভাবে প্রভাবিত করতে পারে।

অন্তর্নিহিত কারণটি হল অন-সাইট এবং অফ-সাইট জল ব্যবহারের কার্যকারিতা (WUE)- উভয়ের স্থানিক-অস্থায়ী বৈচিত্র্য - বাইরের আবহাওয়ার পরিবর্তনের কারণে অন-সাইট WUE পরিবর্তন হয় এবং গ্রিডের ভিন্নতার কারণে অফ-সাইট WUE পরিবর্তন হয়। সময়-পরিবর্তিত চাহিদা মেটাতে এনার্জি ফুয়েল মিশ্রিত হয়। প্রকৃতপক্ষে, WUE মাসিক বা ঋতুভিত্তিক তুলনায় অনেক দ্রুত সময়ের স্কেলে পরিবর্তিত হয়।

অতএব, WUE-এর স্থানিক-অস্থায়ী বৈচিত্র্যকে কাজে লাগিয়ে, আমরা গতিশীলভাবে এআই মডেল প্রশিক্ষণ এবং জলের পদচিহ্ন কাটাতে অনুমান নির্ধারণ করতে পারি।

উদাহরণস্বরূপ, যদি আমরা একটি ছোট এআই মডেলকে প্রশিক্ষণ দিই, আমরা মধ্যরাতে এবং/অথবা আরও ভাল জল দক্ষতা সহ একটি ডেটা সেন্টারের অবস্থানে প্রশিক্ষণের কাজটি নির্ধারণ করতে পারি। একইভাবে, কিছু জল-সচেতন ব্যবহারকারী জল-দক্ষ সময়ে এবং/অথবা জল-দক্ষ ডেটা কেন্দ্রগুলিতে AI মডেলগুলির অনুমান পরিষেবাগুলি ব্যবহার করতে পছন্দ করতে পারে, যা অনুমানের জন্য AI মডেলগুলির জলের পদচিহ্ন হ্রাস করতে অবদান রাখতে পারে।

এই ধরনের চাহিদা-পার্শ্ব জল ব্যবস্থাপনা বিদ্যমান ইঞ্জিনিয়ারিং-ভিত্তিক অন-সাইট জল-সংরক্ষণ পদ্ধতির পরিপূরক যা সরবরাহের দিকে ফোকাস করে। এছাড়াও, আমাদের পদ্ধতি সফ্টওয়্যার-ভিত্তিক এবং তাই জলবায়ু পরিস্থিতি বা নতুন কুলিং সিস্টেম ইনস্টলেশনের বিশেষ প্রয়োজনীয়তা ছাড়াই বিনামূল্যে যে কোনও কুলিং সিস্টেমের সাথে একসাথে ব্যবহার করা যেতে পারে।

আরও স্বচ্ছতার মাধ্যমে, আমরা ঠিক কখন এবং কোথায় আমাদের সবচেয়ে জল-দক্ষ AI মডেলগুলি আছে তা জানতে সক্ষম হব।

সৈয়দ: আপনি একটি সহায়ক পরবর্তী পদক্ষেপ হিসেবে স্বচ্ছতার প্রস্তাব করেন। বৃহত্তর স্বচ্ছতা আমাদের উত্তর দিতে সাহায্য করতে পারে কোন প্রশ্ন?

রেন: আরও স্বচ্ছতার মাধ্যমে, আমরা ঠিক কখন এবং কোথায় আমাদের জল-দক্ষ AI মডেলগুলি আছে তা জানতে সক্ষম হব।

স্বচ্ছতা এআই মডেলের জলের পদচিহ্ন পরিমাপ, বেঞ্চমার্ক এবং উন্নত করাও সম্ভব করে তোলে, যা গবেষণা সম্প্রদায়ের জন্য অনেক মূল্যবান হতে পারে। বর্তমানে, কিছু এআই কনফারেন্স অনুরোধ করেছে যে লেখকরা তাদের কাগজপত্রে তাদের এআই মডেলের কার্বন ফুটপ্রিন্ট ঘোষণা করবেন; আমরা বিশ্বাস করি যে স্বচ্ছতা এবং সচেতনতার সাথে, লেখকরাও পরিবেশগত প্রভাবের অংশ হিসাবে তাদের AI মডেলের জলের পদচিহ্ন ঘোষণা করতে পারেন।

এই ধরনের তথ্যের সাহায্যে, এআই মডেল ডেভেলপাররা তাদের এআই মডেল প্রশিক্ষণকে আরও ভালভাবে নির্ধারণ করতে পারে এবং অন্যান্য পারফরম্যান্স মেট্রিক্সে সামান্য থেকে শূন্যের অবনতি সহ ব্যবহারকারীদের অনুমানের অনুরোধগুলিকে আরও ভালভাবে রুট করার জন্য স্থানিক-অস্থায়ী বৈচিত্র্যকে কাজে লাগাতে পারে।

উপরন্তু, স্বচ্ছতা ব্যবহারকারীদের রানটাইমে তাদের জলের পদচিহ্ন এবং তাদের জলের পদচিহ্নকে আরও ভালভাবে জানাতে পারে (বলুন, তারা সম্ভব হলে জল-দক্ষ সময়ের জন্য কিছু অপ্রয়োজনীয় অনুমান অনুরোধ পিছিয়ে দিতে চাইতে পারে)।

অ্যাপল চার্জ করার জন্য কম-কার্বন ঘন্টা নির্বাচন করে তার আইফোন পণ্যগুলিতে পরিষ্কার শক্তির সময়সূচীকে একীভূত করেছে এবং আমরা আশা করি যে জল-সচেতন এআই প্রশিক্ষণ এবং অনুমান ভবিষ্যতে বাস্তবে পরিণত হতে পারে।

আমি আশা করি আপনি এটিকে আমার মতো চিন্তা-উদ্দীপক হিসাবে খুঁজে পেয়েছেন! এটি বিশেষভাবে বাড়ির কাছাকাছি আঘাত: আমার বাবা এবং বোন উভয়ই জল সম্পদ প্রকৌশলী, এবং আমি খরা-ঘটিত দক্ষিণ ক্যালিফোর্নিয়ায় বড় হয়েছি। আমরা নিশ্চিতভাবে একটি প্রযুক্তিগত বুমের মধ্যে আছি—কিন্তু উদ্ভাবন আমাদের জনসাধারণের কল্যাণে পরিবেশন করা উচিত, এটিকে মুছে ফেলা নয়।

পড়ার জন্য ধন্যবাদ!

সর্বদা,

নাবিহা সৈয়দ

প্রধান নির্বাহী কর্মকর্তা

মার্কআপ

লিখেছেন নাবিহা সৈয়দ

এছাড়াও এখানে প্রকাশিত

আনস্প্ল্যাশে ডেভিড বেকারের ছবি