[ad_1]

La inteligencia artificial es engañosa. Llevamos tanto
tiempo imaginándola a través de la ciencia
ficción que, ahora que es real, no sabemos qué debemos temer.
Seguimos arrastrando las pesadillas apocalípticas de Terminator cuando, en
realidad, sus principales peligros son mucho más triviales. Porque la IA es tan
solo una tecnología tremendamente sofisticada y, sus mayores peligros,
por lo tanto, son una versión “intensa” de los que ya acarrean las tecnologías
que llevan años modelando nuestra sociedad. Y, si desde la revolución
industrial la tecnificación del trabajo ha sido una de las principales
responsables del cambio climático, la IA
no iba a ser menos.

Efectivamente, las inteligencias artificiales consumen una
gran cantidad de recursos energéticos, recursos que se obtienen mediante
métodos que emiten grandes cantidades de gases de efecto invernadero. Eso
significa que, su uso indiscriminado, es uno de los mayores peligros
climáticos en un futuro próximo. Sin embargo, nada de esto es tan sencillo. En
realidad, esta tecnología
puede agilizar otra serie de procesos que también son contaminantes y, según
cómo queramos aprovechar esa agilización, las emisiones podrían reducirse o,
por la contra, elevarse muchísimo más. Eso es, a grandes rasgos, lo que
trata un nuevo estudio publicado en la revista científica Radiology.

Un peligro inesperado

Detrás de estos detalles tecnológicos
que hacen nuestra vida más interesante hay muchas líneas de código, muchas
operaciones y cálculos que el ordenador debe resolver. Estas operaciones,
lógicamente, gastan energía, y cuando hablamos de servidores descomunales en
los que alojamos varias inteligencias artificiales que están siendo utilizadas
en remoto por cientos de miles de personas, su consumo
energético se vuelve más que significativo.

Pero no es solo que el uso de las inteligencias artificiales
cueste, es que crear una también supone un gasto energético notable porque
requieren de un proceso altamente costoso llamado “entrenamiento”. Durante
este, las inteligencias
artificiales son alimentadas con ejemplos de aquello que van a tener
que procesar cuando estén funcionando para que, así, aprendan a clasificar
objetos, o encontrar tendencias, en resumen: que memoricen suficientes
ejemplos como para abstraer de ellos los patrones que les permitirán funcionar.
A esto hemos de sumarle el hecho de que, a veces, el programa resultante no
llega a ver la luz.

Pero pongámoslo en números. Hay inteligencias
artificiales cuya programación consume energía por un valor de 284 toneladas
emitidas de dióxido de carbono, el principal gas de efecto invernadero.
Dicho en términos más mundanos y asimilables, estas emisiones equivalen a las
de un vuelo cruzando Estados Unidos. Y si en lugar de una IA estándar hablamos
de una más sofisticada, sus emisiones estarían al nivel de las de 5 coches
durante toda su vida útil.

La contraparte

Pero, como decíamos, la situación no es tan sencilla. Estas
inteligencias artificiales podrían, por ejemplo, agilizar procesos sanitarios,
como puede ser la realización y análisis de radiografías, que es el tema que
tratan en el artículo de Radiology. La cuestión es que las imágenes
médicas también suponen un gran gasto energético y las IAs nos permitirían
reducir el tiempo de las sesiones reduciendo el consumo por prueba. Y, del
mismo modo que las IAs necesitan servidores donde almacenarse, las imágenes médicas
también, pero las inteligencias artificiales podrían ayudarnos a reducir la
información que guardamos de estas pruebas mediante algoritmos de compresión
que prioricen los aspectos más necesarios para el diagnóstico.

Para emitir un juicio sobre el impacto energético de la IA
habrá que poner en una balanza este tipo de efectos sobre la tecnología que ya
contribuye ahora a la crisis medioambiental que vivimos. Pero, sobre todo, será
relevante lo que hagamos con esas facilidades. La paradoja de Jevons nos
dice que, cuando algo se vuelve más barato, en lugar de ahorrar, aumentamos
nuestro consumo manteniendo el gasto. Si las pruebas son más rápidas y
consume menos su almacenamiento… ¿aprovecharemos esto para reducir nuestras
emisiones o nos permitirán aumentar la cantidad de radiografías?

La respuesta no es trivial porque, sin duda, la sociedad se
beneficiaría de determinadas pruebas de screening para detectar, pruebas que,
al ser más rápidas, también serían más baratas e irradiarían menos a los
pacientes. Un ejemplo es el diagnóstico precoz de los cánceres de pulmón
antes de que empiecen a mostrar síntomas. Un cambio así permitiría reducir
la mortalidad de muchas enfermedades y eso significa que existe una necesidad
sanitaria que podría empujar en la dirección contraria a la que
medioambientalmente necesitamos.

QUE NO TE LA CUELEN:

• Por supuesto, una buena forma de enfrentar el problema sería
  poner especial esfuerzo en crear redes neuronales más eficientes en términos de
  programación, esto es, con instrucciones más claras, menos redundantes, que
  minimicen la cantidad de energía requerida. El problema es que esto ya se hace
  en gran medida, y no tanto por el medio ambiente, sino para reducir sus costes
  y agilizar su funcionamiento. Puede mejorarse, pero posiblemente sea la forma
  más avanzada para reducir el impacto de las IAs.

REFERENCIAS (MLA):

• Strubell, Emma et al. “Energy And Policy Considerations For Deep Learning In NLP”. Arxiv.Org,
  2021, https://arxiv.org/abs/1906.02243.
• Dr.
  Hanneman, et al. “Environmental Sustainability and AI in Radiology: A
  Double-Edged Sword” Radiology

[ad_2]

Source link