[논문 리뷰] Energy Usage Reports: Environmental awareness as part of algorithmic accountability

Kadan Lottick, Silvia Susai외 2명|arXiv (Cornell University)|2019. 11. 19.

Green IT and Sustainability참고 문헌 7인용 수 46

한 줄 요약

Python 패키지 energyusage를 소개하여 주어진 함수의 에너지 사용량과 CO2 배출량을 계산하고 보고하며, 결과를 에너지 그리드 믹스 및 인간 벤치마크로 맥락화하여 알고리즘 책임성을 뒷받침합니다.

ABSTRACT

The carbon footprint of algorithms must be measured and transparently reported so computer scientists can take an honest and active role in environmental sustainability. In this paper, we take analyses usually applied at the industrial level and make them accessible for individual computer science researchers with an easy-to-use Python package. Localizing to the energy mixture of the electrical power grid, we make the conversion from energy usage to CO2 emissions, in addition to contextualizing these results with more human-understandable benchmarks such as automobile miles driven. We also include comparisons with energy mixtures employed in electrical grids around the world. We propose including these automatically-generated Energy Usage Reports as part of standard algorithmic accountability practices, and demonstrate the use of these reports as part of model-choice in a machine learning context.

연구 동기 및 목표

• 알고리즘의 탄소 발자국 측정을 유도하여 CS 연구의 환경 지속 가능성을 촉진합니다.
• 코드의 에너지 사용량을 위치별 에너지 믹스 데이터와 함께 CO2 배출로 자동으로 변환하는 접근 가능한 방법을 제공합니다.
• 배출량을 인간이 이해할 수 있는 벤치마크(예: 주행 마일수, TV 시청 분)로 맥락화하여 해석을 돕습니다.
• 다양한 에너지 그리드 간 비교를 가능하게 하고 에너지 의식적 모델 선택 및 설계를 촉진합니다.

제안 방법

• RAPL 인터페이스를 통해 함수 실행으로부터 에너지 사용량을 계산하고 그리드 에너지 믹스 데이터를 보강하여 CO2 배출량을 추정하는 Python 패키지 energyusage를 개발합니다.
• 주별 eGRID 데이터를 통해 연료원 배출 강도를 역설계하고 이를 국제 에너지 믹스에 적용하여 에너지 사용량을 CO2 배출로 변환합니다.
• IP를 통한 위치 탐지로 국가/주 에너지 믹스 데이터를 선택하고 위치를 알 수 없을 때는 기본 세계 평균치를 제공합니다.
• 읽기값, 에너지 믹스, CO2 배출 등가치, 일상 활동과의 배출 비교를 포함하는 에너지 사용 보고서를 출력합니다.
• 선형, 이차, 지수 등 다양한 함수 복잡도에서 Kill-a-Watt 기기 판독값과 패키지 측정을 비교 검증합니다.
• 다양한 모델과 구성에서 에너지 대 정확도 분석을 통해 ML에의 적용을 시연합니다.

실험 결과

연구 질문

• RQ1 그리드 연료 혼합의 변화를 고려하여 알고리즘의 지역 전력 소비를 CO2 배출로 정확히 번역할 수 있는 방법은 무엇인가요?
• RQ2 에너지 사용량과 배출량을 보고하는 것이 머신러닝 작업에서 모델 선택이나 아키텍처 결정에 영향을 미치나요?
• RQ3 자동화 도구가 계산의 환경 영향을 비전문가에게 전달하기 위한 해석 가능한 벤치마크를 제공할 수 있나요?
• RQ4 다양한 알고리즘과 구성에서 에너지 사용량과 모델 성능 사이의 관계는 어떻게 되나요?

주요 결과

• energyusage 패키지의 에너지 사용 측정은 전력 손실(효율성 약 0.8)을 보정한 후 Kill-a-Watt 판독값과 일치합니다.
• 에너지 사용은 전통적인 ML 지표와 구별되는 거래이며, 더 높은 에너지가 반드시 모델 유형 전체에서 정확도를 증가시키지 않는다는 점이 관찰됩니다.
• 일부 알고리즘(kNN 등)은 낮은 에너지 사용으로도 다양한 정확도를 보여 저에너지 모델 선택의 가능성을 시사합니다.
• ML 실험은 아키텍처 선택이 정확도와 무관하게 에너지 소비에 영향을 줄 수 있음을 시사하며, 에너지 인식 설계가 필요합니다.
• 도구를 통해 서로 다른 에너지 그리드 간 배출 비교가 가능하며, 그리드 믹스가 동일한 계산의 CO2 발자국에 어떤 영향을 미치는지 보여줍니다.