Kecerdasan buatan (AI) telah menjadi bagian tak terpisahkan dari kehidupan kita. Namun, di balik kemajuan teknologi ini, tersembunyi masalah serius: konsumsi energi yang semakin besar. Data center yang mendukung AI kini menghadapi tantangan berat untuk memenuhi kebutuhan komputasi yang terus meningkat.
Di tengah kekhawatiran ini, sebuah terobosan dalam metode pelatihan AI muncul sebagai secercah harapan. Para peneliti telah menemukan cara untuk mengoptimalkan jaringan saraf dengan komputasi yang jauh lebih sedikit, tanpa mengorbankan akurasi. Inovasi ini berpotensi mengubah lanskap AI menjadi lebih ramah lingkungan.
Teknologi AI, termasuk model bahasa besar (LLM), kini menjadi kebutuhan sehari-hari. Sayangnya, daya komputasi yang diperlukan bersumber dari data center yang menyedot energi dalam jumlah besar. Sebagai gambaran, data center di Jerman saja mengonsumsi sekitar 16 miliar kilowatt-jam (kWh) listrik pada tahun 2020 setara dengan 1% total konsumsi energi negara tersebut. Angka ini diproyeksikan meningkat menjadi 22 miliar kWh pada tahun 2025.
Seiring kompleksitas aplikasi AI meningkat, kebutuhan energinya pun akan terus bertambah, terutama untuk pelatihan jaringan saraf yang membutuhkan sumber daya komputasi sangat besar. Menghadapi tantangan ini, para peneliti telah mengembangkan metode pelatihan baru yang 100 kali lebih cepat dari pendekatan konvensional, dengan tingkat akurasi yang sama.
Jaringan saraf, yang menjadi tulang punggung tugas-tugas AI seperti pengenalan gambar dan pemrosesan bahasa, terinspirasi dari otak manusia. Jaringan ini terdiri dari node-node yang saling terhubung, atau neuron buatan, yang memproses informasi dengan memberikan bobot nilai pada sinyal input.
Pelatihan jaringan ini sangat intensif secara komputasi. Awalnya, nilai parameter ditetapkan secara acak, seringkali menggunakan distribusi normal. Sistem kemudian berulang kali menyesuaikan nilai-nilai ini selama banyak iterasi untuk meningkatkan akurasi prediksi. Karena banyaknya perhitungan yang terlibat, pelatihan jaringan saraf mengonsumsi listrik dalam jumlah besar.
Pelatihan Lebih Cerdas dengan Parameter Berbasis Probabilitas
Felix Dietrich, profesor Pembelajaran Mesin yang Ditingkatkan Fisika, bersama timnya telah mengembangkan metode baru. Alih-alih menentukan parameter antar node secara iteratif, pendekatan mereka menggunakan probabilitas. Metode probabilistik ini didasarkan pada penggunaan nilai-nilai yang ditargetkan pada lokasi-lokasi kritis dalam data pelatihan di mana terjadi perubahan nilai yang besar dan cepat.
Tujuan penelitian ini adalah menggunakan pendekatan tersebut untuk memperoleh sistem dinamis hemat energi dari data. Sistem semacam ini berubah seiring waktu sesuai dengan aturan tertentu dan dapat ditemukan dalam model iklim dan pasar keuangan.
Efisiensi Energi Tanpa Mengorbankan Akurasi
"Metode kami memungkinkan penentuan parameter yang diperlukan dengan daya komputasi minimal. Ini dapat membuat pelatihan jaringan saraf jauh lebih cepat dan, akibatnya, lebih hemat energi," jelas Felix Dietrich. "Selain itu, kami melihat bahwa akurasi metode baru ini sebanding dengan jaringan yang dilatih secara iteratif."
Terobosan ini membuka peluang baru dalam pengembangan AI yang lebih ramah lingkungan. Dengan metode pelatihan yang lebih efisien, kita bisa berharap untuk terus menikmati manfaat AI sembari mengurangi dampak negatifnya terhadap lingkungan.
