[논문 리뷰] A Systematic Review of Green AI

Roberto Verdecchia, June Sallou외 1명|arXiv (Cornell University)|2023. 01. 26.

Green IT and Sustainability인용 수 35

한 줄 요약

이 논문은 Green AI에 대한 체계적 문헌 조사를 수행하여, 98개의 1차 연구를 분석하고 이 분야의 추세, 방법, 성숙도를 파악합니다.

ABSTRACT

With the ever-growing adoption of AI-based systems, the carbon footprint of AI is no longer negligible. AI researchers and practitioners are therefore urged to hold themselves accountable for the carbon emissions of the AI models they design and use. This led in recent years to the appearance of researches tackling AI environmental sustainability, a field referred to as Green AI. Despite the rapid growth of interest in the topic, a comprehensive overview of Green AI research is to date still missing. To address this gap, in this paper, we present a systematic review of the Green AI literature. From the analysis of 98 primary studies, different patterns emerge. The topic experienced a considerable growth from 2020 onward. Most studies consider monitoring AI model footprint, tuning hyperparameters to improve model sustainability, or benchmarking models. A mix of position papers, observational studies, and solution papers are present. Most papers focus on the training phase, are algorithm-agnostic or study neural networks, and use image data. Laboratory experiments are the most common research strategy. Reported Green AI energy savings go up to 115%, with savings over 50% being rather common. Industrial parties are involved in Green AI studies, albeit most target academic readers. Green AI tool provisioning is scarce. As a conclusion, the Green AI research field results to have reached a considerable level of maturity. Therefore, from this review emerges that the time is suitable to adopt other Green AI research strategies, and port the numerous promising academic results to industrial practice.

연구 동기 및 목표

• Green AI 연구의 특성 및 성숙도 이해.
• Green AI에서 연구된 주요 주제, 산출물, 및 단계 식별.
• Green AI 연구의 방법론, 산업 참여도 및 도구 제공을 평가.

제안 방법

• 타깃 제목 쿼리를 사용한 Google Scholar, Scopus, Web of Science에서의 자동 검색.
• 사전에 정의된 포함/배제 기준을 수동으로 적용하여 1차 연구(I1-I4; E1-E6)를 선정.
• 이론적 포화에 도달하기 위한 양방향 스노볼링(역방향 및 순방향).
• 정형 프레임워크를 구축하기 위한 두 단계의 데이터 추출(정의, 연구 유형, 주제, 도메인, 데이터 유형, 산출물, 단계, 전략, 데이터셋 크기, 에너지 절감, 산업 참여, 독자 대상, 도구 가용성).
• 추출된 개념을 조화시키기 위한 상수/개방 코딩을 이용한 데이터 합성.

실험 결과

연구 질문

• RQ1 Green AI 최첨단 연구의 특징은 무엇인가? (전반적 경관 및 정의.)
• RQ2 Green AI 문헌을 특징짓는 출판 추세, 주제, 도메인 및 산출물은 무엇인가?
• RQ3 Green AI 연구에서 산업 참여도와 실용적 도구 제공 수준은 어떠한가?
• RQ4 Green AI에서 일반적으로 연구되는 데이터 유형, 알고리즘, 데이터셋 크기는 무엇인가?

주요 결과

• 리뷰는 98건의 1차 Green AI 연구를 다루며, 2020년 이후 상당한 성장을 보이고 있음(2020년 이후 발표 논문이 76%).
• 에너지 절감은 최대 115%로 보고되며, 50% 이상의 절감이 비교적 흔합니다.
• 대부분의 연구는 학습 단계와 신경망에 초점을 두고 있으며, 이미지 데이터가 가장 많이 사용되는 데이터 유형입니다.
• 산업적 참여가 존재하지만 제한적이며(약 23%), Green AI 도구 제공은 드뭅니다.
• 모니터링, 하이퍼파라미터 튜닝, 모델 벤치마킹 및 배치가 지배적 주제이며, 데이터 중심 및 배출 관련 주제는 저대표적입니다.
• 이 분야는 학술적 결과를 산업 현실에 이식하기에 적합한 성숙한 상태를 보입니다.