کاهش مصرف منابع هوش مصنوعی به کمک APIها ( Reduce AI Resource Consumption by APIs)
هوش مصنوعی یک فناوری قدرتمند و نوظهور است که وعده محاسبات فوق‌العاده را در دسترس ما قرار می‌دهد. مشکل اینجاست که این مزیت با هزینه همراه است: هوش مصنوعی بسیار پرمصرف است، هم از نظر قدرت پردازشی و ذخیره‌سازی و هم منابع طبیعی.
خوشبختانه، توسعه‌دهندگان API می‌توانند نقش بزرگی در کاهش این مصرف ایفا کنند؛ با طراحی پرس‌وجوهای بهینه‌تر، استفاده از کشینگ و ذخیره‌سازی هوشمند داده‌ها، و در صورت امکان پردازش محلی پیش‌فرض.
با کمی آگاهی و ملاحظات پایه، APIها می‌توانند آینده‌ای مسئولانه و مبتنی بر هوش مصنوعی را فراهم کنند. در ادامه، به ماهیت این مشکل می‌پردازیم و راه‌حل‌هایی برای کاهش مصرف منابع هوش مصنوعی در مقیاس تولید ارائه می‌دهیم.
هوش مصنوعی گرسنه انرژی و داده است
قبل از آنکه به نقش APIها در حل این مسئله بپردازیم، ابتدا باید این نگرانی‌ها را در زمینه قرار دهیم. هزینه منابع هوش مصنوعی مدرن چقدر است؟
طبق یک مطالعه پیش‌انتشاری از دانشگاه کالیفرنیا ریورساید، ChatGPT شرکت OpenAI برای هر ۱۰ تا ۵۰ پرس‌وجو، دو لیتر آب مصرف می‌کند. این هزینه در هر منطقه‌ای قابل توجه است و در کالیفرنیا که در دهه گذشته با خشکسالی شدید مواجه بوده، اهمیت بیشتری دارد. آموزش یک نمونه از این مدل حدود ۱۳۰۰ مگاوات-ساعت انرژی مصرف می‌کند که معادل مصرف سالانه انرژی ۱۳۰ خانه آمریکایی است.
این مشکل مختص OpenAI نیست بلکه مشکل تمام هوش مصنوعی مولد است. طبق یک مطالعه، هوش مصنوعی در هر وظیفه حدود ۳۳ برابر بیشتر از نرم‌افزارهای خاص مصرف انرژی دارد. پیش‌بینی می‌شود این هزینه در دهه جاری به شدت افزایش یابد، و برخی تخمین می‌زنند تا سال ۲۰۲۶ مصرف انرژی هوش مصنوعی ده برابر شود و از مصرف برق کشور بلژیک پیشی گیرد.
بسیاری از هزینه‌های پنهان این حرکت به سمت هوش مصنوعی مولد نیز واضح نیستند. سیستم‌های هوش مصنوعی علاوه بر مصرف برق، به داده و پردازش در دیتاسنترهای متمرکز متکی هستند که مصرف انرژی آن‌ها توسط بخش فناوری به شدت افزایش یافته است.
طبق گزارش آژانس بین‌المللی انرژی، مصرف جهانی انرژی دیتاسنترها تا سال ۲۰۲۶ به ۱۰۰۰ ترابایت-ساعت (TWh) افزایش می‌یابد. این هزینه‌ها تأثیر خود را بر سازمان‌ها نشان داده‌اند، به‌طوری‌که Google اخیراً اعلام کرد دیگر خنثی کربنی نیست و Microsoft نیز افزایش ۳۰٪ انتشار CO2 از سال ۲۰۲۰ را به دلیل نیازهای دیتاسنتر اعلام کرد.
همه این موارد به یک نتیجه می‌رسند: هوش مصنوعی گرسنه است. گرسنه داده برای آموزش و گرسنه انرژی برای اجرا. این گرسنگی نیازهای انرژی جدید و قابل توجهی ایجاد کرده است که سیستم‌ها هنوز آماده پاسخگویی به آن نیستند. به عنوان نمونه، بیش از یک پنجم کل شبکه انرژی ایرلند به دیتاسنترها اختصاص دارد و این نیاز انرژی به قدری شدید است که کشور شروع به رد درخواست‌های جدید دیتاسنتر کرده است.
آیا تکنولوژی می‌تواند تکنولوژی را بهینه کند؟
APIها به عنوان راه حل کارآمدی
نمی‌توان انکار کرد که هوش مصنوعی بسیار پرهزینه است. این فناوری به همان اندازه که انقلابی است، به داده و انرژی زیادی نیاز دارد، اما این نیاز می‌تواند مدیریت و کاهش یابد. APIها نقش بزرگی در اطمینان از توسعه مسئولانه این فناوری خواهند داشت.
خوشبختانه، روش‌های کاهش مصرف مشخصی وجود دارد که می‌توان آن‌ها را همین امروز پیاده‌سازی کرد. با برنامه‌ریزی و استفاده صحیح، این روش‌ها می‌توانند هزینه هوش مصنوعی در مقیاس تولید و تأثیر آن بر محیط زیست را به شدت کاهش دهند.
کارآمدی API و کاهش هزینه محاسباتی
در درجه اول، کارآمدی API موتور اصلی افزایش بهره‌وری انرژی در این حوزه خواهد بود. سازمان‌ها با توسعه راه‌حل‌های AI-as-a-Service در زمینه طراحی وب، گرافیک، تولید متن و غیره، باید به کارآمدی APIهایی که این تعاملات را هدایت می‌کنند توجه کنند. این کارآمدی ممکن است در مقیاس کوچک ناچیز باشد، اما در مقیاس بالا، با میلیون‌ها پرس‌وجو در روز، به شدت تأثیرگذار است.
مثلاً نحوه ساختار JSON در API شما و بسته‌بندی داده‌ها، تعیین می‌کند که پرس‌وجو چگونه پردازش و پاسخ داده شود. کاهش حجم کل داده، استفاده از رشته‌های ساده، حذف پرس‌وجوهای پیچیده و طولانی، و سایر استراتژی‌ها می‌تواند کارایی فراخوانی API و پردازش هوش مصنوعی را بهبود بخشد.
استفاده از رویکرد ترکیبی در خدمات داده نیز بسیار مؤثر است. گاهی هوش مصنوعی برای مسائلی استفاده می‌شود که راه‌حل ایده‌آلی نیستند. به جای اینکه کاربر برای بررسی وضعیت یک بسته به AI متصل به موجودی انبار مراجعه کند، می‌توان از GraphQL یا سایر زبان‌های پرس‌وجو برای این کار استفاده کرد و هوش مصنوعی را برای سیستم‌های مناسب به کار برد.
استفاده مؤثر از کش و سرویس‌ها برای کاهش پردازش زائد
یکی از بزرگ‌ترین بهبودهای کارآمدی از طریق APIها، استفاده مؤثر از کش و ارائه اطلاعات کش‌شده است. این به ویژه برای محتوای تکراری AI صادق است. مثلاً اطلاعات محصولات می‌تواند ماه‌ها ثابت بماند و اگر هزاران نفر به همان کتاب یا لباس علاقه‌مند باشند، نیازی نیست سیستم همان داده‌ها را دوباره پردازش کند.
مهم است که تعادل بین تازه بودن داده و نیاز واقعی به به‌روزرسانی آن حفظ شود. برای داده‌ای که قابل کش است، جمع‌بندی مزایا منجر به کاهش قابل توجهی در پردازش محاسباتی می‌شود.
این کش می‌تواند فراتر از داده‌های ارائه شده به کاربر باشد. اطلاعات endpoint، مسیرهای روتینگ و زیرساخت داخلی اغلب توسط API ارائه می‌شوند. کش کردن این اطلاعات باعث افزایش کارایی در مقیاس می‌شود.
انتخاب پردازش و ذخیره‌سازی داده و تأثیر آن بر هزینه‌ها
یکی از اصلی‌ترین هزینه‌های AI، ذخیره‌سازی و پردازش داده‌ها برای آموزش مدل‌ها و سیستم‌های تکراری است. این سیستم‌ها مرتباً داده ثبت و پردازش می‌کنند و بر اساس آن آموزش می‌بینند. بخش زیادی از هزینه دیتاسنترها از نیازهای ذخیره‌سازی و پردازش زیاد ناشی می‌شود.
بهینه‌ترین انتخاب برای ذخیره‌سازی داده در APIهای متصل به AI، جمع‌آوری حداقلی داده است. اگر API و مدل AI شما به داده زیادی برای آموزش مداوم نیاز دارند، بهینه‌سازی‌ها شامل کاهش تکرار داده، ثبت تغییرات به جای تصاویر کامل و سایر روش‌ها می‌تواند مصرف منابع را کاهش دهد.
همچنین برخی داده‌ها ارزش جمع‌آوری ندارند، حتی اگر در موارد خاص مفید باشند. جمع‌آوری داده اضافی می‌تواند هدررفت فضای ذخیره‌سازی و قدرت پردازشی باشد.
استفاده از هوش مصنوعی محلی در مقابل متمرکز
در نهایت، ارائه‌دهندگان باید به مکان مدل‌ها توجه کنند. در حالی که APIها عمدتاً غیرمتمرکز و مبتنی بر میکروسرویس هستند، AI اغلب متمرکز در دست چند سازمان بزرگ است. بسیاری از توسعه‌دهندگان API از مدل‌های خارجی استفاده می‌کنند و هزینه‌ای برای دسترسی به APIهای AI می‌پردازند.
با این حال، محل قرارگیری مدل می‌تواند بر مصرف منابع و امکان استفاده از انرژی جایگزین تأثیر بگذارد. قرار دادن مدل نزدیک به کاربر نهایی می‌تواند مصرف سرورها و انرژی را به شدت کاهش دهد.
نتیجه‌گیری
در نهایت، ارائه‌دهندگان باید AI و APIهای مرتبط را به عنوان فرصت بزرگی برای افزایش کارایی، کاهش هزینه‌ها و حتی کمک به تغییرات اقلیمی در نظر بگیرند. انجام درست این کار نیازمند برنامه‌ریزی دقیق است اما می‌تواند تأثیر زیادی داشته باشد.
