HERRAMIENTAS PARA EVALUAR EL IMPACTO MEDIOAMBIENTAL GENERADO POR MODELOS DE APRENDIZAJE AUTOMÁTICO

Abstract

En la época actual, estamos experimentando una revolución en el ámbito del aprendizaje automático, donde los avances realizados en este campo no cesan de generar nuevas aplicaciones y oportunidades dentro de la esfera empresarial. No obstante, hasta el momento, los expertos dedicados a esta área de la Inteligencia Artificial aún deben reflexionar sobre el impacto que puede llegar a causar el gran consumo energético de ciertos algoritmos sobre el medioambiente, contribuyendo, en consecuencia, al cambio climático. Como respuesta a la concienciación que ha comenzado a surgir a raíz de este problema, el presente TFG tiene como principales objetivos el estudio y la comparativa de las herramientas software disponibles, con la intención de obtener la estimación del consumo y la huella de carbono durante el entrenamiento de modelos. Seguidamente, se desea demostrar que el uso de algoritmos que requieren un menor gasto energético es factible sin perder calidad de predicción. Para ello, primero se han puesto a prueba en nuestro entorno de producción todas las herramientas que han sido escogidas y encontradas para dicho fin tras una búsqueda inicial. En base a lo observado durante este proceso, se han logrado determinar las dos mejores opciones. A continuación, como metodología de comparación, se ha desarrollado un banco de pruebas a través de Python, con la meta de contrastar el consumo eléctrico calculado por las herramientas seleccionadas y la eficiencia de predicción alcanzada frente a una misma configuración de dataset y algoritmo (implementado en Scikit-learn). Finalizado este experimento y gracias a los resultados obtenidos, se ha conseguido comprobar la veracidad del segundo objetivo expuesto previamente.