AI পরিবেশের উপর কীভাবে প্রভাব ফেলে?

AI পরিবেশের উপর কীভাবে প্রভাব ফেলে?

সংক্ষিপ্ত উত্তর: AI পরিবেশকে প্রভাবিত করে মূলত ডেটা সেন্টারে বিদ্যুৎ ব্যবহারের মাধ্যমে (প্রশিক্ষণ এবং দৈনন্দিন অনুমান উভয়ের মাধ্যমে), শীতলকরণের জন্য জলের পাশাপাশি হার্ডওয়্যার উৎপাদন এবং ই-বর্জ্যের প্রভাবের মাধ্যমে। যদি ব্যবহার কোটি কোটি প্রশ্নের মধ্যে সীমাবদ্ধ থাকে, তাহলে অনুমান প্রশিক্ষণের চেয়েও বেশি হতে পারে; যদি গ্রিডগুলি পরিষ্কার হয় এবং সিস্টেমগুলি দক্ষ হয়, তাহলে প্রভাব হ্রাস পায় এবং সুবিধাগুলি বৃদ্ধি পেতে পারে।

মূল বিষয়গুলি:

বিদ্যুৎ: কম্পিউট ব্যবহার ট্র্যাক করুন; ক্লিনার গ্রিডে কাজের চাপ চললে নির্গমন হ্রাস পায়।

পানি: শীতলকরণের পছন্দগুলি প্রভাব পরিবর্তন করে; দুর্লভ অঞ্চলে জল-ভিত্তিক পদ্ধতিগুলি সবচেয়ে গুরুত্বপূর্ণ।

হার্ডওয়্যার: চিপস এবং সার্ভারগুলি উল্লেখযোগ্যভাবে মূর্ত প্রভাব বহন করে; জীবনকাল বাড়ায় এবং সংস্কারকে অগ্রাধিকার দেয়।

রিবাউন্ড: দক্ষতা মোট চাহিদা বাড়াতে পারে; শুধুমাত্র প্রতি কাজের লাভ নয়, ফলাফল পরিমাপ করে।

অপারেশনাল লিভার: ডান-আকারের মডেল, অনুমান অপ্টিমাইজ করা এবং প্রতি-অনুরোধ মেট্রিক্স স্বচ্ছভাবে রিপোর্ট করা।

AI পরিবেশের উপর কীভাবে প্রভাব ফেলে? ইনফোগ্রাফিক

এর পরে আপনি যে প্রবন্ধগুলি পড়তে পছন্দ করতে পারেন:

🔗 AI কি পরিবেশের জন্য খারাপ?
AI এর কার্বন পদচিহ্ন, বিদ্যুতের ব্যবহার এবং ডেটা-সেন্টারের চাহিদা অন্বেষণ করুন।.

🔗 কেন কৃত্রিম বুদ্ধিমত্তা সমাজের জন্য খারাপ?
পক্ষপাত, চাকরির ব্যাঘাত, ভুল তথ্য এবং ক্রমবর্ধমান সামাজিক বৈষম্যের দিকে তাকান।.

🔗 AI খারাপ কেন? AI এর অন্ধকার দিক
নজরদারি, কারসাজি এবং মানুষের নিয়ন্ত্রণ হারানোর মতো ঝুঁকিগুলি বুঝুন।.

🔗 AI কি অনেক দূর এগিয়ে গেছে?
নীতিশাস্ত্র, নিয়ন্ত্রণ, এবং উদ্ভাবনের সীমারেখা কোথায় টানা উচিত তা নিয়ে বিতর্ক।.

AI পরিবেশকে কীভাবে প্রভাবিত করে: একটি দ্রুত স্ন্যাপশট ⚡🌱

যদি আপনার কেবল কয়েকটি বিষয় মনে থাকে, তাহলে এটিকে এইভাবে লিখুন:

আর তারপর আসে সেই অংশটা যা মানুষ ভুলে যায়: ব্যাপকতা। একটি এআই কোয়েরি ছোট হতে পারে, কিন্তু সেগুলোর শত শত কোটি সম্পূর্ণ ভিন্ন এক ব্যাপার… অনেকটা একটা ছোট্ট বরফের গোলার মতো যা কোনোভাবে সোফার আকারের এক তুষারধসে পরিণত হয়। (এই রূপকটি কিছুটা খাপছাড়া, কিন্তু আপনি ব্যাপারটা বুঝতে পারছেন।) আইইএ: শক্তি এবং এআই

AI এর পরিবেশগত প্রভাব কেবল একটি জিনিস নয় - এটি একটি স্তুপ 🧱🌎

যখন মানুষ AI এবং স্থায়িত্ব নিয়ে তর্ক করে, তখন তারা প্রায়শই একে অপরের কথা ভুলে যায় কারণ তারা বিভিন্ন স্তরের দিকে ইঙ্গিত করে:

১) বিদ্যুৎ গণনা করুন

  • বড় মডেলদের প্রশিক্ষণের জন্য বড় ক্লাস্টারগুলিকে দীর্ঘ সময় ধরে কঠোর পরিশ্রম করতে হতে পারে। IEA: শক্তি এবং AI

  • অনুমান (দৈনন্দিন ব্যবহার) সময়ের সাথে সাথে আরও বড় পদক্ষেপ হয়ে উঠতে পারে কারণ এটি সর্বদা, সর্বত্র ঘটে। IEA: শক্তি এবং AI

২) ডেটা সেন্টার ওভারহেড

৩) পানি এবং তাপ

৪) হার্ডওয়্যার সরবরাহ শৃঙ্খল

৫) আচরণ এবং প্রতিশোধের প্রভাব

তাই যখন কেউ জিজ্ঞাসা করে যে AI পরিবেশকে কীভাবে প্রভাবিত করে, তখন তার সোজা উত্তর হল: এটি নির্ভর করে আপনি কোন স্তরটি পরিমাপ করছেন এবং সেই পরিস্থিতিতে "AI" এর অর্থ কী।.

প্রশিক্ষণ বনাম অনুমান: পার্থক্য যা সবকিছু বদলে দেয় 🧠⚙️

লোকেরা প্রশিক্ষণ নিয়ে কথা বলতে ভালোবাসে কারণ এটি শুনতে নাটকীয় লাগে - "একটি মডেল X পরিমাণ শক্তি ব্যবহার করেছে।" কিন্তু অনুমান হলো এক নীরব দৈত্য। আইইএ: শক্তি এবং এআই

প্রশিক্ষণ (বড় গঠন)

প্রশিক্ষণ হলো একটি কারখানা তৈরির মতো। এর জন্য আপনাকে শুরুতেই মূল্য দিতে হয়: ভারী কম্পিউটেশন, দীর্ঘ রানটাইম, অসংখ্যবার পরীক্ষা-নিরীক্ষা (এবং হ্যাঁ, ‘ওহ, এটা কাজ করেনি, আবার চেষ্টা করো’ ধরনের অনেক পুনরাবৃত্তি)। প্রশিক্ষণকে অপ্টিমাইজ করা যায়, কিন্তু তারপরেও এর খরচ যথেষ্ট বেশি হতে পারে। আইইএ: এনার্জি অ্যান্ড এআই

অনুমান (দৈনন্দিন ব্যবহার)

অনুমানটি হল প্রতিদিন, সকলের জন্য, স্কেলে চলমান কারখানার মতো:

  • প্রশ্নের উত্তর দিচ্ছে চ্যাটবট

  • চিত্র তৈরি

  • অনুসন্ধানের র‍্যাঙ্কিং

  • সুপারিশ

  • স্পিচ-টু-টেক্সট

  • জালিয়াতি সনাক্তকরণ

  • ডকুমেন্ট এবং কোড টুলে সহ-পাইলট

প্রতিটি অনুরোধ তুলনামূলকভাবে ছোট হলেও, ব্যবহারের পরিমাণ প্রশিক্ষণের চেয়েও অনেক বেশি হতে পারে। এটি সেই চিরায়ত পরিস্থিতি, যেখানে বলা হয়, “একবারে একটি খড়কুটো কিছুই না, কিন্তু দশ লক্ষ খড়কুটো একটি সমস্যা।” আইইএ: শক্তি এবং এআই

একটি ছোট বিষয় উল্লেখ্য - কিছু এআই টাস্ক অন্যগুলোর তুলনায় অনেক বেশি শ্রমসাধ্য। ছবি বা দীর্ঘ ভিডিও তৈরি করা সাধারণত ছোট টেক্সট ক্লাসিফিকেশনের চেয়ে বেশি শক্তি-ক্ষয়কারী হয়ে থাকে। তাই “এআই”-কে একই শ্রেণিতে ফেলাটা অনেকটা একটি সাইকেলের সাথে একটি মালবাহী জাহাজের তুলনা করে উভয়কেই “পরিবহন” বলার মতো। আইইএ: শক্তি এবং এআই

ডেটা সেন্টার: বিদ্যুৎ, শীতলতা, এবং সেই শান্ত জলের গল্প 💧🏢

ডেটা সেন্টার নতুন কিছু নয়, কিন্তু এআই এর তীব্রতা বদলে দিয়েছে। উচ্চ-ক্ষমতাসম্পন্ন অ্যাক্সিলারেটরগুলো সীমিত জায়গায় প্রচুর শক্তি টানতে পারে, যা তাপে রূপান্তরিত হয় এবং এই তাপ অবশ্যই নিয়ন্ত্রণ করতে হবে। এলবিএনএল (২০২৪): মার্কিন যুক্তরাষ্ট্রের ডেটা সেন্টারের শক্তি ব্যবহারের প্রতিবেদন (পিডিএফ) আইইএ: শক্তি এবং এআই

শীতলকরণের মূল বিষয়গুলি (সরলীকৃত, কিন্তু ব্যবহারিক)

এটাই হলো আপোস: জল-ভিত্তিক শীতলীকরণের উপর নির্ভর করে কখনও কখনও বিদ্যুৎ খরচ কমানো যায়। স্থানীয় জল সংকটের উপর নির্ভর করে, এটি হয়তো ঠিকঠাক হতে পারে… অথবা এটি একটি প্রকৃত সমস্যাও হতে পারে। লি এট আল. (২০২৩): এআই-কে কম “তৃষ্ণার্ত” করে তোলা (পিডিএফ)

এছাড়াও, পরিবেশগত প্রভাব ব্যাপকভাবে নির্ভর করে:

স্পষ্ট করে বলতে গেলে: জনসাধারণের কথোপকথনে প্রায়শই "ডেটা সেন্টার" কে একটি কালো বাক্সের মতো বিবেচনা করা হয়। এটি মন্দ নয়, এটি জাদুকরীও নয়। এটি অবকাঠামো। এটি অবকাঠামোর মতো আচরণ করে।.

চিপস এবং হার্ডওয়্যার: যে অংশটি মানুষ এড়িয়ে যায় কারণ এটি কম সেক্সি 🪨🔧

এআই হার্ডওয়্যারের উপর নির্ভরশীল। হার্ডওয়্যারের একটি জীবনচক্র আছে, এবং এই জীবনচক্রের প্রভাব ব্যাপক হতে পারে। ইউএস ইপিএ: সেমিকন্ডাক্টর ইন্ডাস্ট্রি আইটিইউ: দ্য গ্লোবাল ই-ওয়েস্ট মনিটর ২০২৪

যেখানে পরিবেশগত প্রভাব দেখা যায়

ই-বর্জ্য এবং "একদম সূক্ষ্ম" সার্ভার

পরিবেশের অনেক ক্ষতি একটি ডিভাইসের অস্তিত্বের কারণে হয় না - বরং ব্যয়সাশ্রয়ী না হওয়ায় সময়ের আগেই তা প্রতিস্থাপন করার ফলেই হয়। কৃত্রিম বুদ্ধিমত্তা (AI) এই প্রক্রিয়াকে ত্বরান্বিত করে, কারণ এর কার্যক্ষমতায় বড় ধরনের উন্নতি হতে পারে। হার্ডওয়্যার পরিবর্তন করার প্রলোভনটি বাস্তব। আইটিইউ: দ্য গ্লোবাল ই-ওয়েস্ট মনিটর ২০২৪

একটি বাস্তবিক বিষয়: হার্ডওয়্যারের আয়ু বাড়ানো, ব্যবহার উন্নত করা এবং সংস্কার করা যেকোনো অভিনব মডেলের পরিবর্তনের মতোই গুরুত্বপূর্ণ। কখনও কখনও সবচেয়ে সবুজ জিপিইউ হল সেই জিপিইউ যা আপনি কিনবেন না। (এটা একটা স্লোগানের মতো শোনাচ্ছে, কিন্তু এটা... কিছুটা সত্যও।)

AI পরিবেশকে কীভাবে প্রভাবিত করে: "মানুষ এই আচরণের চক্রটি ভুলে যায়" 🔁😬

এখানেই রয়েছে অস্বস্তিকর সামাজিক দিকটি: এআই সবকিছু সহজ করে দেয়, ফলে মানুষ আরও বেশি কাজ করে। এটি চমৎকার হতে পারে – আরও বেশি উৎপাদনশীলতা, আরও বেশি সৃজনশীলতা, আরও বেশি সুযোগ। কিন্তু এর অর্থ সামগ্রিকভাবে সম্পদের ব্যবহার বৃদ্ধিও হতে পারে। ওইসিডি (২০১২): শক্তি দক্ষতার উন্নতির বহুবিধ সুবিধা (পিডিএফ)

উদাহরণ:

  • যদি AI ভিডিও তৈরিকে সস্তা করে তোলে, তাহলে মানুষ আরও বেশি ভিডিও তৈরি করবে।.

  • যদি AI বিজ্ঞাপনকে আরও কার্যকর করে তোলে, তাহলে আরও বিজ্ঞাপন পরিবেশিত হবে, আরও বেশি এনগেজমেন্ট লুপ ঘুরবে।.

  • যদি AI শিপিং লজিস্টিকসকে আরও দক্ষ করে তোলে, তাহলে ই-কমার্স আরও কঠিন হতে পারে।.

এটা আতঙ্কিত হওয়ার কারণ নয়। এটা শুধু দক্ষতা নয়, ফলাফল পরিমাপের একটি কারণ।.

একটি অসম্পূর্ণ কিন্তু মজাদার রূপক: AI দক্ষতা একজন কিশোরকে একটি বড় ফ্রিজ দেওয়ার মতো - হ্যাঁ, খাবারের সঞ্চয়স্থান উন্নত হয়, কিন্তু কোনওভাবে একদিনের মধ্যেই ফ্রিজ আবার খালি হয়ে যায়। এটি একটি নিখুঁত রূপক নয়, কিন্তু... আপনি এটি ঘটতে দেখেছেন 😅

ভালো দিক: AI পরিবেশকে সত্যিকার অর্থেই সাহায্য করতে পারে (যদি সঠিক লক্ষ্যে লক্ষ্য করা যায়) 🌿✨

এবার আসা যাক সেই অংশে যা প্রায়শই অবমূল্যায়িত হয়: এআই বিদ্যমান ব্যবস্থাগুলিতে নির্গমন এবং বর্জ্য কমাতে পারে যা… সত্যি বলতে, বেশ অমার্জিত। আইইএ: শক্তি অপ্টিমাইজেশন এবং উদ্ভাবনের জন্য এআই

যেসব ক্ষেত্রয় AI সাহায্য করতে পারে

গুরুত্বপূর্ণ বিষয়: এআই-এর ‘সাহায্য’ স্বয়ংক্রিয়ভাবে এর পদচিহ্নকে প্রশমিত করে না। এটি নির্ভর করে এআই-কে বাস্তবে স্থাপন করা হচ্ছে কি না, ব্যবহার করা হচ্ছে কি না, এবং এটি শুধু উন্নত ড্যাশবোর্ডের পরিবর্তে প্রকৃত হ্রাস ঘটাচ্ছে কি না তার উপর। তবে হ্যাঁ, এর সম্ভাবনা বাস্তব। আইইএ: শক্তি অপ্টিমাইজেশন এবং উদ্ভাবনের জন্য এআই।

পরিবেশবান্ধব AI-এর একটি ভালো সংস্করণ কী? ✅🌍

এটি "ঠিক আছে, তাহলে আমাদের কী করা উচিত" বিভাগ। একটি ভালো পরিবেশগতভাবে দায়িত্বশীল AI সেটআপে সাধারণত থাকে:

  • সুস্পষ্ট ব্যবহারিক উপযোগিতা: যদি মডেলটি সিদ্ধান্ত বা ফলাফলে কোনো পরিবর্তন না আনে, তবে এটি কেবলই একটি উন্নতমানের গণনা পদ্ধতি।

  • পরিমাপের মধ্যে রয়েছে: শক্তি, কার্বন অনুমান, ব্যবহার এবং দক্ষতার মেট্রিক্স যা অন্য যেকোনো KPI-এর মতো ট্র্যাক করা হয়। কোডকার্বন: পদ্ধতি

  • সঠিক আকারের মডেল: যখন ছোট মডেল দিয়ে কাজ হয়, তখন সেটিই ব্যবহার করুন। দক্ষ হওয়া কোনো নৈতিক ব্যর্থতা নয়।

  • দক্ষ অনুমান নকশা: ক্যাশিং, ব্যাচিং, কোয়ান্টাইজেশন, পুনরুদ্ধার, এবং ভালো প্রম্পটিং প্যাটার্ন। ঘোলামি প্রমুখ (২০২১): কোয়ান্টাইজেশন পদ্ধতির সমীক্ষা (পিডিএফ) লুইস প্রমুখ (২০২০): পুনরুদ্ধার-বর্ধিত উৎপাদন

  • হার্ডওয়্যার এবং অবস্থান সচেতনতা: যেখানে গ্রিড পরিষ্কার এবং অবকাঠামো দক্ষ (যখন সম্ভব) সেখানে কাজের চাপ চালান। কার্বন ইনটেনসিটি API (GB)

  • দীর্ঘ হার্ডওয়্যার লাইফ: সর্বাধিক ব্যবহার, পুনঃব্যবহার এবং সংস্কার। ITU: দ্য গ্লোবাল ই-বর্জ্য মনিটর 2024

  • স্বচ্ছ প্রতিবেদন: পরিবেশবান্ধবতার ভান করা ভাষা এবং সংখ্যাবিহীন “পরিবেশবান্ধব এআই”-এর মতো অস্পষ্ট দাবি পরিহার করুন।

যদি আপনি এখনও পর্যবেক্ষণ করেন যে AI পরিবেশকে কীভাবে প্রভাবিত করে, তাহলে এখানেই উত্তরটি দার্শনিক হওয়া বন্ধ করে কার্যকর হয়ে ওঠে: এটি আপনার পছন্দের উপর ভিত্তি করে এটিকে প্রভাবিত করে।.

তুলনা সারণী: প্রভাব কমাতে সাহায্যকারী সরঞ্জাম এবং পদ্ধতি 🧰⚡

নিচে একটি দ্রুত, ব্যবহারিক টেবিল দেওয়া হল। এটি নিখুঁত নয়, এবং হ্যাঁ, কিছু কোষ একটু মতামতপ্রবণ... কারণ আসল সরঞ্জাম নির্বাচন এভাবেই কাজ করে।.

হাতিয়ার / পদ্ধতি পাঠকবর্গ দাম কেন এটি কাজ করে
কার্বন/শক্তি ট্র্যাকিং লাইব্রেরি (রানটাইম অনুমানকারী) এমএল দল মুক্তমনা দৃশ্যমানতা দেয় - যা অর্ধেক যুদ্ধ, এমনকি যদি অনুমানগুলি একটু অস্পষ্ট হয়.. কোডকার্বন
হার্ডওয়্যার পাওয়ার মনিটরিং (GPU/CPU টেলিমেট্রি) ইনফ্রা + এমএল বিনামূল্যে প্রকৃত খরচ পরিমাপ করে; রান বেঞ্চমার্কিংয়ের জন্য ভালো (আনফ্ল্যাশি কিন্তু সোনালী)
মডেল পাতন এমএল ইঞ্জিনিয়াররা বিনামূল্যে (সময়ের খরচ 😵) ছোট ছাত্র মডেলগুলি প্রায়শই কম অনুমান খরচের সাথে পারফরম্যান্সের সাথে মেলে হিন্টন এট আল. (২০১৫): নিউরাল নেটওয়ার্কে জ্ঞান নিঃসরণ
পরিমাণ নির্ধারণ (কম নির্ভুলতার অনুমান) এমএল + পণ্য বিনামূল্যে লেটেন্সি এবং পাওয়ার ব্যবহার কমায়; কখনও কখনও ছোট মানের ট্রেডঅফের সাথে, কখনও কখনও কোনওটিই নয় ঘোলামি প্রমুখ (২০২১): কোয়ান্টাইজেশন পদ্ধতির জরিপ (পিডিএফ)
ক্যাশিং + ব্যাচিং অনুমান পণ্য + প্ল্যাটফর্ম বিনামূল্যে রিডানড্যান্ট কম্পিউট কমায়; বিশেষ করে বারবার অনুরোধ বা অনুরূপ অনুরোধের জন্য কার্যকর
পুনরুদ্ধার-বর্ধিত প্রজন্ম (RAG) অ্যাপ টিম মিশ্র "মেমোরি" পুনরুদ্ধারের জন্য অফলোড করে; বিশাল কনটেক্সট উইন্ডোর প্রয়োজনীয়তা কমাতে পারে লুইস এট আল. (২০২০): পুনরুদ্ধার-বর্ধিত প্রজন্ম
কার্বন তীব্রতা অনুসারে কাজের চাপ নির্ধারণ করা ইনফ্রা/অপস মিশ্র নমনীয় কাজগুলিকে পরিষ্কার পাওয়ার উইন্ডোতে স্থানান্তরিত করা - তবে সমন্বয় প্রয়োজন কার্বন ইনটেনসিটি এপিআই (জিবি)
ডেটা সেন্টারের দক্ষতার উপর জোর (ব্যবহার, একত্রীকরণ) আইটি নেতৃত্ব পরিশোধিত (সাধারণত) সবচেয়ে কম আকর্ষণীয় লিভার, কিন্তু প্রায়শই সবচেয়ে বড় - অর্ধ-খালি সিস্টেম চালানো বন্ধ করুন সবুজ গ্রিড: PUE
তাপ পুনঃব্যবহার প্রকল্প সু্যোগ - সুবিধা এটা নির্ভর করে অপচয় তাপকে মূল্যে রূপান্তরিত করে; সবসময় সম্ভব হয় না, কিন্তু যখন তা সম্ভব হয়, তখন এটি বেশ সুন্দর হয়
"আমাদের কি এখানে AI এর প্রয়োজন?" চেক করুন। সবাই বিনামূল্যে অর্থহীন গণনা প্রতিরোধ করে। সবচেয়ে শক্তিশালী অপ্টিমাইজেশন হল না বলা (কখনও কখনও)

লক্ষ্য করুন কী বাদ পড়েছে? "একটি জাদুকরী সবুজ স্টিকার কিনুন।" ওটা তো নেই 😬

ব্যবহারিক খেলার বই: পণ্যটি নষ্ট না করেই AI প্রভাব হ্রাস করা 🛠️🌱

আপনি যদি AI সিস্টেম তৈরি করেন বা কিনছেন, তাহলে এখানে একটি বাস্তবসম্মত ক্রম রয়েছে যা বাস্তবে কাজ করে:

ধাপ ১: পরিমাপ দিয়ে শুরু করুন

  • শক্তির ব্যবহার ট্র্যাক করুন অথবা ধারাবাহিকভাবে অনুমান করুন। কোডকার্বন: পদ্ধতি

  • প্রতি প্রশিক্ষণ রান এবং প্রতি অনুমান অনুরোধের পরিমাপ।.

  • মনিটরের ব্যবহার - নিষ্ক্রিয় সম্পদগুলি স্পষ্ট দৃষ্টির আড়ালে লুকিয়ে থাকার একটি উপায়। সবুজ গ্রিড: PUE

ধাপ ২: কাজের জন্য মডেলটিকে ডান-আকার দিন

  • শ্রেণীবিভাগ, নিষ্কাশন, রাউটিং এর জন্য ছোট মডেল ব্যবহার করুন।.

  • কঠিন কেসের জন্য ভারী মডেলটি সংরক্ষণ করুন।.

  • একটি "মডেল ক্যাসকেড" বিবেচনা করুন: প্রথমে ছোট মডেল, প্রয়োজনে কেবল বড় মডেল।.

ধাপ ৩: অনুমান অপ্টিমাইজ করুন (এখানেই স্কেল কামড়ায়)

  • ক্যাশিং: বারবার প্রশ্নের উত্তর সংরক্ষণ করুন (সতর্ক গোপনীয়তা নিয়ন্ত্রণ সহ)।

  • ব্যাচিং: হার্ডওয়্যার দক্ষতা উন্নত করার জন্য গ্রুপ অনুরোধ।

  • সংক্ষিপ্ত আউটপুট: দীর্ঘ আউটপুটের খরচ বেশি - কখনও কখনও আপনার প্রবন্ধটির প্রয়োজন হয় না।

  • প্রম্পট শৃঙ্খলা: অগোছালো প্রম্পট দীর্ঘতর কম্পিউট পাথ তৈরি করে… এবং হ্যাঁ, আরও বেশি টোকেন।

ধাপ ৪: ডেটা হাইজিন উন্নত করুন

এটা অপ্রাসঙ্গিক শোনাচ্ছে, কিন্তু তা নয়:

  • পরিষ্কার ডেটাসেটগুলি পুনঃপ্রশিক্ষণের মন্থন কমাতে পারে।.

  • কম শব্দ মানে কম পরীক্ষা-নিরীক্ষা এবং কম অপচয়।.

ধাপ ৫: হার্ডওয়্যারকে একটি সম্পদ হিসেবে বিবেচনা করুন, ব্যবহারযোগ্য জিনিস হিসেবে নয়

  • সম্ভব হলে রিফ্রেশ চক্র বাড়ান। ITU: গ্লোবাল ই-বর্জ্য মনিটর 2024

  • হালকা কাজের চাপের জন্য পুরানো হার্ডওয়্যার পুনরায় ব্যবহার করুন।.

  • "সর্বদা সর্বোচ্চ" প্রভিশনিং এড়িয়ে চলুন।.

ধাপ ৬: বিজ্ঞতার সাথে স্থাপনা বেছে নিন

  • সম্ভব হলে যেখানে বিদ্যুৎ পরিষ্কার থাকে সেখানে নমনীয় কাজ করুন। কার্বন ইনটেনসিটি API (GB)

  • অপ্রয়োজনীয় প্রতিলিপি হ্রাস করুন।.

  • ল্যাটেন্সি লক্ষ্যমাত্রা বাস্তবসম্মত রাখুন (অতি-নিম্ন ল্যাটেন্সি সর্বদা-চালু সেটআপগুলিকে অদক্ষ করতে বাধ্য করতে পারে)।.

আর হ্যাঁ... কখনও কখনও সবচেয়ে ভালো পদক্ষেপ হল: প্রতিটি ব্যবহারকারীর ক্রিয়াকলাপের জন্য সবচেয়ে বড় মডেলটি স্বয়ংক্রিয়ভাবে চালাবেন না। পরিবেশগতভাবে, এই অভ্যাসটি প্রতিটি আলো জ্বালিয়ে রাখার সমতুল্য কারণ সুইচের দিকে হাঁটা বিরক্তিকর।.

সাধারণ মিথ (এবং সত্যের কাছাকাছি কী) 🧠🧯

মিথ: "এআই সবসময় ঐতিহ্যবাহী সফটওয়্যারের চেয়ে খারাপ"

সত্যি: এআই-এর জন্য বেশি গণনার প্রয়োজন হতে পারে, কিন্তু এটি অদক্ষ হস্তচালিত প্রক্রিয়াগুলোকে প্রতিস্থাপন করতে, অপচয় কমাতে এবং সিস্টেমগুলোকে উন্নত করতেও পারে। এটি পরিস্থিতি-নির্ভর। আইইএ: শক্তি অপ্টিমাইজেশন এবং উদ্ভাবনের জন্য এআই।

মিথ: "প্রশিক্ষণই একমাত্র সমস্যা"

সত্য: সময়ের সাথে সাথে স্কেলে অনুমান প্রাধান্য পেতে পারে। যদি আপনার পণ্যের ব্যবহার বিস্ফোরিত হয়, তাহলে এটিই মূল গল্প হয়ে ওঠে। IEA: শক্তি এবং AI

মিথ: "নবায়নযোগ্য জ্বালানি তাৎক্ষণিকভাবে সমাধান করে"

সত্যি কথা হলো: পরিবেশবান্ধব বিদ্যুৎ অনেক সাহায্য করে, কিন্তু হার্ডওয়্যারের পদচিহ্ন, পানির ব্যবহার বা রিবাউন্ড এফেক্ট পুরোপুরি দূর করে না। তবুও এটি গুরুত্বপূর্ণ। আইইএ: এনার্জি অ্যান্ড এআই

মিথ: "যদি এটি দক্ষ হয়, তবে এটি টেকসই"

সত্য: চাহিদা নিয়ন্ত্রণ ছাড়া দক্ষতা বৃদ্ধি সামগ্রিক প্রভাবকে বাড়িয়ে তুলতে পারে। এটাই হলো রিবাউন্ড ট্র্যাপ। ওইসিডি (২০১২): শক্তি দক্ষতার উন্নতির বহুবিধ সুবিধা (পিডিএফ)

শাসনব্যবস্থা, স্বচ্ছতা, এবং এ নিয়ে নাটকীয়তা না করা 🧾🌍

আপনি যদি একটি কোম্পানি হন, তাহলে এখানেই আস্থা তৈরি হয় বা হারিয়ে যায়।.

এই অংশেই মানুষ চোখ বুলিয়ে নেয়, কিন্তু এটা গুরুত্বপূর্ণ। দায়িত্বশীল প্রযুক্তি কেবল চতুর প্রকৌশলের জন্য নয়। এটি এমন ভান না করার জন্যও যে লেনদেনের অস্তিত্ব নেই।.

সমাপনী সারাংশ: AI কীভাবে পরিবেশকে প্রভাবিত করে তার একটি সংক্ষিপ্ত সারসংক্ষেপ 🌎✅

পরিবেশের উপর এআই-এর প্রভাব মূলত অতিরিক্ত চাপের উপর নির্ভর করে: বিদ্যুৎ, পানি (কখনও কখনও), এবং হার্ডওয়্যারের চাহিদা। আইইএ: এনার্জি অ্যান্ড এআই লি এট আল. (২০২৩): মেকিং এআই লেস “থার্স্টি” (পিডিএফ) এটি অন্যান্য খাতে নির্গমন এবং বর্জ্য কমাতে শক্তিশালী সরঞ্জামও সরবরাহ করে। আইইএ: এআই ফর এনার্জি অপটিমাইজেশন অ্যান্ড ইনোভেশন চূড়ান্ত ফলাফল নির্ভর করে পরিধি, গ্রিডের পরিচ্ছন্নতা, দক্ষতার পছন্দ এবং এআই বাস্তব সমস্যার সমাধান করছে নাকি কেবল নতুনত্বের জন্য নতুনত্ব তৈরি করছে তার উপর। আইইএ: এনার্জি অ্যান্ড এআই

যদি আপনি সবচেয়ে সহজ ব্যবহারিক উপায় চান:

  • পরিমাপ।.

  • ডান-মাপ।.

  • অনুমান অপ্টিমাইজ করুন।.

  • হার্ডওয়্যারের আয়ু বাড়ান।.

  • লেনদেনের ব্যাপারে খোলামেলা হোন।.

আর যদি আপনি দিশেহারা বোধ করেন, তবে এই সত্যটি আপনাকে শান্ত করবে: ছোট ছোট কার্যনির্বাহী সিদ্ধান্ত, যা হাজারবার পুনরাবৃত্তি করা হয়, সাধারণত একটি বড় টেকসই উন্নয়ন ঘোষণার চেয়ে ভালো ফল দেয়। অনেকটা দাঁত ব্রাশ করার মতো। আকর্ষণীয় নয়, কিন্তু কাজ চলে যায়… 

বাস্তব উদাহরণ: কাস্টমার সাপোর্ট এআই অ্যাসিস্ট্যান্টের পদচিহ্ন কমানো 🌱🎧

দৃশ্যকল্প

ধরুন, একটি ছোট অনলাইন খুচরা বিক্রেতা ডেলিভারির সময়, পণ্য ফেরত, ক্ষতিগ্রস্ত পার্সেল এবং পণ্যের আকার সম্পর্কে গ্রাহকদের সাধারণ প্রশ্নের উত্তর দিতে এআই ব্যবহার করতে চায়।.

প্রথম সংস্করণটি অপচয়মূলক: গ্রাহকের প্রতিটি বার্তা সরাসরি সবচেয়ে বড় উপলব্ধ মডেলটিতে চলে যায়, এমনকি প্রশ্নটি সহজ হলেও। এছাড়াও, অ্যাসিস্ট্যান্টটি অনুমোদিত উত্তরগুলো পুনরায় ব্যবহার না করে অতিরিক্ত দীর্ঘ উত্তর লেখে, পলিসির লেখা পুনরাবৃত্তি করে এবং একই প্রশ্নের হাজার হাজার বার উত্তর দেয়।.

আরও যুক্তিসঙ্গত ব্যবস্থা মানে এই নয় যে কোনো এআই থাকবে না। বরং তা হলো সঠিক আকারের এআই: সহজ কাজের জন্য হালকা টুল ব্যবহার করুন, জটিল কেসগুলোর জন্য বড় মডেলটি রাখুন এবং সমাধান হওয়া প্রতিটি টিকেটের প্রভাব পরিমাপ করুন।.

সহকারীর যা প্রয়োজন

দলটি প্রস্তুতি নেবে:

বর্তমান ফেরত নীতি

অঞ্চল অনুযায়ী ডেলিভারি নিয়মাবলী

পণ্যের আকার সংক্রান্ত নোট

ফেরত, অভিযোগ এবং আইনি সমস্যার জন্য একটি সংক্ষিপ্ত সমাধান নীতি।

গ্রাহকদের ৫০টি সাধারণ প্রশ্নের একটি তালিকা

পুনরাবৃত্ত প্রশ্নের জন্য অনুমোদিত সংক্ষিপ্ত উত্তর

একটি সাধারণ ট্র্যাকিং শিট, যাতে রয়েছে: অনুরোধের ধরন, ব্যবহৃত মডেল, প্রতিক্রিয়ার দৈর্ঘ্য, বিষয়টি ঊর্ধ্বতন কর্তৃপক্ষের কাছে জানানোর প্রয়োজন ছিল কিনা, এবং উত্তরটি মানুষের পর্যালোচনায় উত্তীর্ণ হয়েছে কিনা।

উদাহরণ নির্দেশাবলী

প্রথমে সবচেয়ে ছোট উপযুক্ত মডেল বা নিয়ম-ভিত্তিক উত্তর ব্যবহার করুন। শুধুমাত্র তখনই বড় মডেলটি ব্যবহার করুন, যখন গ্রাহকের প্রশ্নটি অস্পষ্ট, আবেগপ্রবণ, একাধিক বিষয় সম্বলিত হয়, অথবা একাধিক নীতি থেকে তথ্য একত্রিত করার প্রয়োজন হয়। গ্রাহক বিস্তারিত জানতে না চাইলে উত্তর ১২০ শব্দের মধ্যে রাখুন। আস্থা কম থাকলে, একটি স্পষ্টীকরণমূলক প্রশ্ন করুন অথবা বিষয়টি কোনো ঊর্ধ্বতন কর্মকর্তার কাছে হস্তান্তর করুন। ডেলিভারির তারিখ, রিফান্ড অনুমোদন, বা নীতির ব্যতিক্রম মনগড়াভাবে তৈরি করবেন না।.

কীভাবে এটি পরীক্ষা করবেন

লঞ্চের আগে ৫০টি টিকিটের একটি পরীক্ষা চালান:

১০টি ডেলিভারি প্রশ্ন

১০টি ফেরত প্রশ্ন

পণ্যের আকার নির্ধারণ সংক্রান্ত ১০টি প্রশ্ন

১০টি ক্ষতিগ্রস্ত পণ্যের অভিযোগ

১০টি মিশ্র বা অস্পষ্ট বার্তা

প্রতিটি উত্তরের জন্য যাচাই করুন:

সঠিক নীতি ব্যবহার করা হয়েছিল কি?

ক্যাশে থাকা কোনো অনুমোদিত উত্তর কি এর সমাধান করতে পারত?

বড় মডেলটির কি প্রয়োজন ছিল?

সহকারী কি উত্তরটি সংক্ষিপ্ত রেখেছিল?

কোনো উত্তর কি তথ্য উদ্ভাবন করেছে?

সংবেদনশীল মামলাগুলো কি যথাযথভাবে ঊর্ধ্বতন কর্তৃপক্ষের কাছে পাঠানো হয়েছিল?

একটি যুক্তিসঙ্গত পাস নম্বর হবে এইরকম: ৯৫% নীতিমালার নির্ভুলতা, অর্থ ফেরতের কোনো মনগড়া প্রতিশ্রুতি না থাকা, এবং অর্থ পরিশোধ সংক্রান্ত বিরোধ বা আইনি হুমকি জড়িত অভিযোগের ক্ষেত্রে ১০০% ঊর্ধ্বতন কর্তৃপক্ষের কাছে বিষয়টি জানানো।.

ফলাফল

অপ্টিমাইজেশনের আগে ও পরে ৫০-টিকিটের একটি পরীক্ষার সময় পরিমাপ ও গণনার উপর ভিত্তি করে প্রাপ্ত দৃষ্টান্তমূলক ফলাফল:

অপ্টিমাইজেশনের আগে, ৫০টি টিকিটের সবকটিতেই বৃহত্তর মডেলটি ব্যবহৃত হতো এবং উত্তরের গড় দৈর্ঘ্য ছিল ২১০ শব্দ।.

অপ্টিমাইজেশনের পর, ৩১টি টিকেটে ক্যাশ করা অনুমোদিত উত্তর, ১৪টিতে ছোট মডেল এবং মাত্র ৫টিতে বড় মডেল ব্যবহার করা হয়েছে।.

গড় উত্তরের দৈর্ঘ্য ২১০ শব্দ থেকে কমে ৯২ শব্দে দাঁড়িয়েছে।.

মানব পর্যালোচনার সময় ৪ ঘন্টা ১০ মিনিট থেকে কমে ১ ঘন্টা ২৫ মিনিট হয়েছে।.

দলটি প্রথম পরীক্ষামূলক চালনায় ২টি ভুল নীতিগত উত্তর খুঁজে পেয়েছিল, কিন্তু উৎস নথিগুলো হালনাগাদ করার এবং আরও স্পষ্ট এস্কেলেশন নিয়ম যোগ করার পর কোনো ভুল নীতিগত উত্তর পায়নি।.

এটি প্রমাণ করে না যে অ্যাসিস্ট্যান্টটি “পরিবেশবান্ধব”। এটি কেবল সেই ধরনের পরিমাপ দেখায় যা পরিবেশগত দাবিটিকে যাচাইযোগ্য করে তোলে: কম ভারী মডেল কল, সংক্ষিপ্ত আউটপুট, কম পুনরাবৃত্তিমূলক জেনারেশন এবং কম পরিহারযোগ্য পর্যালোচনা চক্র।.

কী ভুল হতে পারে

যদি প্রতিটি অস্পষ্ট বার্তা "যদি প্রয়োজন হয়" এই ভেবে সবচেয়ে বড় মডেলে পাঠানো হয়, তাহলে অ্যাসিস্ট্যান্টটি তখনও কম্পিউটিং শক্তি অপচয় করতে পারে।.

ফেরত নীতি পরিবর্তিত হলে এবং কেউ ক্যাশ করা উত্তরগুলো আপডেট না করলে, সেগুলো ঝুঁকিপূর্ণ হয়ে উঠতে পারে।.

সংক্ষিপ্ত উত্তরে গুরুত্বপূর্ণ বিবরণ বাদ পড়লে তা গ্রাহকদের হতাশ করতে পারে।.

যদি কোনো কোম্পানি পরিমাপ পদ্ধতি না দেখিয়ে শুধু শতাংশ সাশ্রয়ের কথা জানায়, তাহলে কার্বন বা শক্তি সংক্রান্ত দাবিগুলো গ্রিনওয়াশিং-এ পরিণত হতে পারে।.

সবচেয়ে বড় ভুল হলো মডেল নির্বাচনকে একমাত্র উপায় হিসেবে বিবেচনা করা। বাস্তবে, রাউটিং, ক্যাশিং, সংক্ষিপ্ত আউটপুট, উন্নত মানের সোর্স ডকুমেন্ট এবং উচ্চ-ঝুঁকিপূর্ণ ক্ষেত্রে মানুষের পর্যালোচনার মাধ্যমেই পরিবেশ-বান্ধব কর্মপ্রবাহ গড়ে ওঠে।.

ব্যবহারিক শিক্ষা

কম প্রভাব সৃষ্টিকারী এআই সিস্টেম সাধারণত সবচেয়ে জাঁকজমকপূর্ণটি হয় না। এটি হলো সেই সিস্টেম যা প্রকৃত ব্যবহার পরিমাপ করে, অপ্রয়োজনীয় ও গুরুগম্ভীর অনুমান এড়িয়ে চলে, যেখানে সম্ভব অনুমোদিত উত্তর পুনরায় ব্যবহার করে এবং তারপরেও গুরুত্বপূর্ণ সিদ্ধান্তগুলোর ওপর মানুষের নিয়ন্ত্রণ বজায় রাখে।.

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

কৃত্রিম বুদ্ধিমত্তা (AI) কেবল বৃহৎ গবেষণাগারেই নয়, দৈনন্দিন ব্যবহারের পরিবেশেও কীভাবে প্রভাব ফেলে?

এআই-এর বেশিরভাগ পদক্ষেপই আসে প্রশিক্ষণ এবং দৈনন্দিন "অনুমান" উভয় সময় GPU এবং CPU চালিত ডেটা সেন্টারগুলিকে বিদ্যুৎ সরবরাহ করে। একটি একক অনুরোধ সামান্য হতে পারে, কিন্তু স্কেলে সেই অনুরোধগুলি দ্রুত জমা হয়। ডেটা সেন্টারটি কোথায় অবস্থিত, স্থানীয় গ্রিড কতটা পরিষ্কার এবং অবকাঠামো কতটা দক্ষতার সাথে পরিচালিত হচ্ছে তার উপরও প্রভাব নির্ভর করে।.

পরিবেশের জন্য কি AI মডেলকে প্রশিক্ষণ দেওয়াটা তার ব্যবহারের চেয়ে খারাপ (অনুমান)?

প্রশিক্ষণ গণনার একটি বৃহৎ, প্রাথমিক বিস্ফোরণ হতে পারে, কিন্তু সময়ের সাথে সাথে অনুমান বৃহত্তর পদক্ষেপে পরিণত হতে পারে কারণ এটি ক্রমাগত এবং বিশাল আকারে চলে। যদি প্রতিদিন লক্ষ লক্ষ মানুষ একটি টুল ব্যবহার করে, তাহলে বারবার অনুরোধ করা হলে তা একবারের প্রশিক্ষণের খরচের চেয়েও বেশি হতে পারে। এই কারণেই অপ্টিমাইজেশন প্রায়শই অনুমান দক্ষতার উপর মনোনিবেশ করে।.

AI কেন পানি ব্যবহার করে, এবং এটি কি সবসময়ই একটি সমস্যা?

কিছু ডেটা সেন্টার জল-ভিত্তিক শীতলকরণের উপর নির্ভর করে, অথবা বিদ্যুৎ উৎপাদনের মাধ্যমে পরোক্ষভাবে জল ব্যবহার করা হয় বলে AI জল ব্যবহার করতে পারে। নির্দিষ্ট জলবায়ুতে, বাষ্পীভবনীয় শীতলকরণ বিদ্যুতের ব্যবহার কমাতে পারে এবং জলের ব্যবহার বাড়াতে পারে, যা একটি প্রকৃত লেনদেন তৈরি করে। এটি "খারাপ" কিনা তা স্থানীয় জলের ঘাটতি, শীতলকরণের নকশা এবং জলের ব্যবহার পরিমাপ এবং পরিচালিত কিনা তার উপর নির্ভর করে।.

AI এর পরিবেশগত প্রভাবের কোন অংশটি হার্ডওয়্যার এবং ই-বর্জ্য থেকে আসে?

এআই নির্ভর করে চিপস, সার্ভার, নেটওয়ার্কিং সরঞ্জাম, ভবন এবং সরবরাহ শৃঙ্খলের উপর - যার অর্থ খনন, উৎপাদন, শিপিং এবং শেষ পর্যন্ত নিষ্কাশন। সেমিকন্ডাক্টর উৎপাদন শক্তি-নিবিড়, এবং দ্রুত আপগ্রেড চক্র মূর্ত নির্গমন এবং ই-বর্জ্য বৃদ্ধি করতে পারে। হার্ডওয়্যারের আয়ু বৃদ্ধি, সংস্কার এবং ব্যবহার উন্নত করা প্রভাব উল্লেখযোগ্যভাবে হ্রাস করতে পারে, কখনও কখনও মডেল-স্তরের পরিবর্তনের সাথে প্রতিদ্বন্দ্বিতা করে।.

নবায়নযোগ্য শক্তি ব্যবহার কি AI এর পরিবেশগত প্রভাব সমাধান করে?

পরিষ্কার বিদ্যুৎ কম্পিউট থেকে নির্গমন কমাতে পারে, কিন্তু এটি জল ব্যবহার, হার্ডওয়্যার উৎপাদন এবং ই-বর্জ্যের মতো অন্যান্য প্রভাবগুলিকে মুছে ফেলতে পারে না। এটি স্বয়ংক্রিয়ভাবে "রিবাউন্ড প্রভাব" মোকাবেলা করে না, যেখানে কম খরচে কম্পিউট সামগ্রিকভাবে আরও বেশি ব্যবহার করে। নবায়নযোগ্য জ্বালানি একটি গুরুত্বপূর্ণ লিভার, কিন্তু তারা পদচিহ্নের স্ট্যাকের একটি অংশ মাত্র।.

রিবাউন্ড এফেক্ট কী এবং কেন এটি AI এবং স্থায়িত্বের জন্য গুরুত্বপূর্ণ?

রিবাউন্ড এফেক্ট হলো যখন দক্ষতা বৃদ্ধি কোনও কিছুকে সস্তা বা সহজ করে তোলে, যার ফলে লোকেরা এটি আরও বেশি করে - কখনও কখনও সঞ্চয় নষ্ট করে দেয়। AI এর সাহায্যে, সস্তা উৎপাদন বা অটোমেশন কন্টেন্ট, কম্পিউট এবং পরিষেবার মোট চাহিদা বাড়িয়ে দিতে পারে। এই কারণেই বাস্তবে ফলাফল পরিমাপ করা বিচ্ছিন্নভাবে দক্ষতা উদযাপনের চেয়ে বেশি গুরুত্বপূর্ণ।.

পণ্যের ক্ষতি না করে AI এর প্রভাব কমানোর বাস্তব উপায়গুলি কী কী?

একটি সাধারণ পদ্ধতি হল পরিমাপ (শক্তি এবং কার্বন অনুমান, ব্যবহার) দিয়ে শুরু করা, তারপর কাজের জন্য সঠিক আকারের মডেল তৈরি করা এবং ক্যাশিং, ব্যাচিং এবং সংক্ষিপ্ত আউটপুট ব্যবহার করে অনুমান অপ্টিমাইজ করা। কোয়ান্টাইজেশন, ডিস্টিলেশন এবং পুনরুদ্ধার-বর্ধিত প্রজন্মের মতো কৌশলগুলি গণনার চাহিদা কমাতে পারে। কর্মক্ষম পছন্দগুলি - যেমন কার্বন তীব্রতা এবং দীর্ঘ হার্ডওয়্যার লাইফটাইম অনুসারে কাজের চাপ নির্ধারণ - প্রায়শই বড় জয় প্রদান করে।.

AI কীভাবে পরিবেশের ক্ষতি করার পরিবর্তে তাকে সাহায্য করতে পারে?

বাস্তব সিস্টেমগুলিকে অপ্টিমাইজ করার জন্য AI নির্গমন এবং বর্জ্য কমাতে পারে: গ্রিড পূর্বাভাস, চাহিদা প্রতিক্রিয়া, বিল্ডিং HVAC নিয়ন্ত্রণ, লজিস্টিক রাউটিং, ভবিষ্যদ্বাণীমূলক রক্ষণাবেক্ষণ এবং লিক সনাক্তকরণ। এটি বন উজাড় সতর্কতা এবং মিথেন সনাক্তকরণের মতো পরিবেশগত পর্যবেক্ষণকেও সমর্থন করতে পারে। মূল বিষয় হল সিস্টেমটি সিদ্ধান্ত পরিবর্তন করে এবং পরিমাপযোগ্য হ্রাস তৈরি করে কিনা, কেবল আরও ভাল ড্যাশবোর্ড নয়।.

AI দাবিগুলিকে "গ্রিনওয়াশিং" এড়াতে কোম্পানিগুলিকে কোন মেট্রিক্স রিপোর্ট করা উচিত?

শুধুমাত্র বড় মোট সংখ্যার চেয়ে প্রতি-কাজ বা প্রতি-অনুরোধের মেট্রিক্স রিপোর্ট করা বেশি অর্থবহ, কারণ এটি ইউনিট স্তরে দক্ষতা দেখায়। শক্তির ব্যবহার, কার্বন অনুমান, ব্যবহার এবং - যেখানে প্রাসঙ্গিক - জলের প্রভাব ট্র্যাক করা স্পষ্ট জবাবদিহিতা তৈরি করে। এছাড়াও গুরুত্বপূর্ণ: সীমানা নির্ধারণ করুন (যা অন্তর্ভুক্ত) এবং পরিমাণগত প্রমাণ ছাড়াই "পরিবেশ-বান্ধব AI" এর মতো অস্পষ্ট লেবেল এড়িয়ে চলুন।.

তথ্যসূত্র

  1. আন্তর্জাতিক শক্তি সংস্থা (IEA) - শক্তি এবং কৃত্রিম বুদ্ধিমত্তা - iea.org

  2. আন্তর্জাতিক শক্তি সংস্থা (IEA) - শক্তি অপ্টিমাইজেশন এবং উদ্ভাবনের জন্য AI - iea.org

  3. আন্তর্জাতিক শক্তি সংস্থা (IEA) - ডিজিটালাইজেশন - iea.org

  4. লরেন্স বার্কলে ন্যাশনাল ল্যাবরেটরি (LBNL) - মার্কিন যুক্তরাষ্ট্রের ডেটা সেন্টার এনার্জি ইউসেজ রিপোর্ট (২০২৪) (PDF) - lbl.gov

  5. লি এট আল. - এআই-কে কম “পিপাসু” করে তোলা (২০২৩) (পিডিএফ) - arxiv.org

  6. ASHRAE (TC 9.9) - মূলধারার ডেটা সেন্টারগুলিতে তরল শীতলকরণের উত্থান এবং সম্প্রসারণ (PDF) - ashrae.org

  7. গ্রিন গ্রিড - PUE- মেট্রিকের একটি বিস্তৃত পরীক্ষা - thegreengrid.org

  8. মার্কিন জ্বালানি বিভাগ (DOE) - FEMP - ফেডারেল ডেটা সেন্টারগুলির জন্য শীতল জল দক্ষতার সুযোগ - energy.gov

  9. মার্কিন জ্বালানি বিভাগ (DOE) - FEMP - ডেটা সেন্টারে শক্তি দক্ষতা - energy.gov

  10. মার্কিন পরিবেশ সুরক্ষা সংস্থা (EPA) - সেমিকন্ডাক্টর শিল্প - epa.gov

  11. আন্তর্জাতিক টেলিযোগাযোগ ইউনিয়ন (ITU) - গ্লোবাল ই-বর্জ্য মনিটর ২০২৪ - itu.int

  12. OECD - জ্বালানি দক্ষতা উন্নয়নের বহুবিধ সুবিধা (২০১২) (PDF) - oecd.org

  13. কার্বন ইনটেনসিটি এপিআই (জিবি) - carbonintensity.org.uk

  14. imec - চিপ তৈরিতে পরিবেশগত প্রভাব হ্রাস - imec-int.com

  15. UNEP - MARS কিভাবে কাজ করে - unep.org

  16. গ্লোবাল ফরেস্ট ওয়াচ - বন উজাড়ের ব্যাপারে খুশির সতর্কতা - globalforestwatch.org

  17. অ্যালান টুরিং ইনস্টিটিউট - জীববৈচিত্র্য এবং বাস্তুতন্ত্রের স্বাস্থ্য মূল্যায়নের জন্য এআই এবং স্বায়ত্তশাসিত ব্যবস্থা - turing.ac.uk

  18. কোডকার্বন - পদ্ধতি - mlco2.github.io

  19. ঘোলামি এবং অন্যান্য - কোয়ান্টাইজেশন পদ্ধতির জরিপ (২০২১) (পিডিএফ) - arxiv.org

  20. লুইস এবং অন্যান্য - পুনরুদ্ধার-বর্ধিত প্রজন্ম (২০২০) - arxiv.org

  21. হিন্টন এবং অন্যান্য - নিউরাল নেটওয়ার্কে জ্ঞানের ডিস্টিলিং (২০১৫) - arxiv.org

  22. কোডকার্বন - codecarbon.io

অফিসিয়াল এআই অ্যাসিস্ট্যান্ট স্টোরে সর্বশেষ এআই খুঁজুন

আমাদের সম্পর্কে

ব্লগে ফিরে যান

অতিরিক্ত প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

  • কৃত্রিম বুদ্ধিমত্তা কীভাবে শক্তি খরচকে প্রভাবিত করছে?

    ডেটা সেন্টারে মডেল প্রশিক্ষণ এবং দৈনন্দিন কাজ (ইনফারেন্স) প্রক্রিয়াকরণের জন্য ব্যবহৃত বিদ্যুতের মাধ্যমে এআই শক্তি খরচের উপর উল্লেখযোগ্য প্রভাব ফেলে। অনুরোধের পরিমাণ বাড়ার সাথে সাথে শক্তির ব্যবহার দ্রুত বাড়তে পারে।.

  • এআই-এর পরিবেশগত প্রভাবে জলের ভূমিকা কী?

    নির্দিষ্ট কিছু ডেটা সেন্টার সেটআপে পানি প্রধানত শীতলীকরণের জন্য ব্যবহৃত হয়। শীতলীকরণ পদ্ধতির নির্বাচন সামগ্রিক পানি ব্যবহারের উপর উল্লেখযোগ্যভাবে প্রভাব ফেলতে পারে, বিশেষ করে পানি সংকটপূর্ণ এলাকাগুলোতে।.

  • কৃত্রিম বুদ্ধিমত্তার পরিবেশগত প্রভাব কি শুধু বিদ্যুৎ ব্যবহারের মধ্যেই সীমাবদ্ধ?

    না, এআই-এর পরিবেশগত প্রভাব শুধু বিদ্যুৎ খরচের মধ্যেই সীমাবদ্ধ নয়। এর মধ্যে চিপ ও সার্ভারের মতো হার্ডওয়্যার তৈরির প্রভাব এবং সেইসাথে এই ডিভাইসগুলো বাতিল করার ফলে সৃষ্ট ই-বর্জ্যও অন্তর্ভুক্ত।.

  • পরিবেশগত প্রভাব কমাতে এআই-কে কীভাবে সর্বোত্তমভাবে ব্যবহার করা যেতে পারে?

    এআই অপ্টিমাইজ করার জন্য বিভিন্ন কৌশল অবলম্বন করা যেতে পারে, যার মধ্যে রয়েছে মডেলের সঠিক আকার নির্ধারণ, ইনফারেন্স দক্ষতা বৃদ্ধি, হার্ডওয়্যারের আয়ু বাড়ানো এবং পরিবেশবান্ধব শক্তির উৎস ব্যবহার করা। ক্যাশিং এবং ব্যাচিং রিকোয়েস্টের মতো কৌশল অবলম্বন করলেও শক্তির ব্যবহার কমাতে সাহায্য হয়।.

  • কৃত্রিম বুদ্ধিমত্তা এবং টেকসই উন্নয়নের প্রেক্ষাপটে রিবাউন্ড এফেক্ট বলতে কী বোঝায়?

    রিবাউন্ড এফেক্ট বা প্রত্যাবর্তন প্রভাব তখন ঘটে, যখন এআই-এর কার্যকারিতা বৃদ্ধির ফলে এর ব্যবহারও বেড়ে যায়। উদাহরণস্বরূপ, যদি এআই নির্দিষ্ট কিছু কাজকে সস্তা ও সহজ করে তোলে, তবে মানুষ হয়তো সেই কাজগুলো আরও বেশিবার করবে, যা কার্যকারিতার সুবিধাগুলোকে সম্ভাব্যভাবে প্রশমিত করে দেবে।.

  • কৃত্রিম বুদ্ধিমত্তা কীভাবে পরিবেশগত স্থিতিশীলতায় ইতিবাচক অবদান রাখে?

    কৃত্রিম বুদ্ধিমত্তা বিভিন্ন খাতে দক্ষতা বাড়াতে, সরবরাহ ব্যবস্থা উন্নত করতে, শক্তি ব্যবস্থাপনার উন্নতি ঘটাতে এবং বর্জ্য কমাতে সাহায্য করতে পারে, যা পরিণামে নির্গমন হ্রাস এবং সামগ্রিক পরিবেশগত প্রভাব কমাতে পারে।.

  • কৃত্রিম বুদ্ধিমত্তার পরিবেশগত প্রভাব মূল্যায়নের জন্য কোন মাপকাঠিগুলো ব্যবহার করা উচিত?

    অর্থবহ মেট্রিকগুলোর মধ্যে রয়েছে শক্তি খরচ, প্রতি অনুরোধে কার্বন নির্গমন এবং সম্পদ ব্যবহারের হিসাব রাখা। এই মেট্রিকগুলো এআই-এর পরিবেশগত প্রভাব সম্পর্কে একটি সুস্পষ্ট চিত্র প্রদান করে এবং এর টেকসইতা আরও নির্ভুলভাবে মূল্যায়ন করতে সহায়তা করে।.

  • নবায়নযোগ্য শক্তি ব্যবহার করে কি এআই-এর পরিবেশগত প্রভাব সম্পূর্ণরূপে প্রশমিত করা সম্ভব?

    যদিও নবায়নযোগ্য শক্তি ব্যবহার করে এআই-এর বিদ্যুৎ খরচ সম্পর্কিত নির্গমন উল্লেখযোগ্যভাবে কমানো যায়, তবে এটি হার্ডওয়্যার উৎপাদনের প্রভাব এবং ই-বর্জ্যের মতো সমস্যাগুলোর সমাধান করে না। সমস্ত বিষয় বিবেচনা করে একটি সামগ্রিক দৃষ্টিভঙ্গি প্রয়োজন।.