Yapay zeka 100 kat daha hızlı öğrenebilecek
Büyük modeller (LLM) gibi yapay zeka teknolojileri günlük yaşamın ayrılmaz bir parçası haline gelmiştir. Bununla birlikte, bu teknolojileri destekleyen veri merkezleri büyük miktarlarda enerji harcamaktadır. Sadece Almanya’da, veri merkezleri 2020’de yaklaşık 16 milyar saat Chilowatt (KWH) elektrik tüketti ve bu miktar 2025 yılına kadar 22 milyar kWh’ye ulaşmalıdır. Yapay zeka uygulamalarının giderek daha karmaşıklığı ile bu enerji talebi daha da artacaktır.
100 kat daha hızlı, aynı hassas oran
Yapay zeka modellerinin oluşumu, özellikle sinir ağları için büyük miktarda hesaplama gücü gerektirir. Bu sorunu çözmek için geliştirilen yeni yöntem, geleneksel yaklaşımlardan 100 kat daha hızlı çalışır ve aynı hassasiyet seviyesini korur. Bu buluş, yapay zeka oluşumu için gereken enerji miktarını önemli ölçüde azaltma potansiyeline sahiptir.
Sinir ağları, insan beyni tarafından ilhamla tasarlanmış bir sistemdir. Yapay sinir hücrelerinden oluşan bu ağlar, girişlere belirli ağırlıklar atayarak bilgileri işler. Yeterli bir eşik değeri aşıldığında, sinyal bir sonraki katmana iletilir.
Bu ağların oluşumu büyük miktarda hesaplama gerektirir. Başlangıçta, ağdaki parametreler, modelin doğruluğunu artırmak için birçok yineleme sırasında rastgele belirlenir ve bu nedenle ayarlanabilir. Ancak, bu süreç büyük enerji harcamalarına yol açar.
Muhtemelen yeni eğitim yöntemine dayanarak
Felix Dietrich ve ekibi, yapay zeka eğitiminde devrim yaratabilecek yeni bir yöntemde devrim yaratabilecek yeni bir yöntem geliştirdiler. Geleneksel yöntemlerden farklı olarak, bu yeni yaklaşım, parametreleri yinelemelerle tanımlamak yerine olasılığı kullanır.
Bu yöntem, eğitim verilerinde büyük ve hızlı değişikliklerin meydana geldiği kritik noktalardaki değerleri hedefleyerek çalışır. Araştırmacılar, bu yaklaşımı kullanarak enerji tasarrufu sağlayan dinamik sistemler elde etmeyi amaçlamaktadır. Bu sistemler iklim modelleri ve finansal piyasalar gibi alanlarda kullanılır ve zaman içinde belirli kurallarda değişir.
Daha az enerji ile yüksek verimlilik
“Yöntemimiz, minimum hesaplama gücüne sahip gerekli parametreleri belirlemenizi sağlar. Bu nedenle, sinir ağlarının oluşumu enerji açısından çok daha hızlı ve verimli hale geliyor, Feli Felix Dietrich, bu yöntemin doğruluğunun, ağlar italing bir şekilde eğitilmiş ağlarla karşılaştırılabilir bir seviyede olduğunu söyledi.
Bu yeni yaklaşım, yapay zekanın çevresel etkisini azaltarak sürdürülebilir teknolojiye dönüşmeye yardımcı olabilir. Uzmanlar, bu buluşun gelecekte daha eksiksiz yapay zeka uygulamalarında kullanılabileceğini söylüyor.
