Investigadores de UMA logran reducir en más de la mitad el consumo energético de la IA aplicada a Smart Cities
MÁLAGA 15 Jul. Agencias –
La inteligencia artificial (IA) se ha convertido en una herramienta fundamental para resolver problemas complejos en ámbitos como la movilidad, la logística, la industria o la gestión de las smart cities. Sin embargo, entrenar y ejecutar modelos de IA consume, además de recursos computacionales, una importante cantidad de energía eléctrica, aspecto que a menudo pasa desapercibido cuando se evalúa su eficiencia.
Con el objetivo de avanzar hacia una inteligencia artificial más sostenible, un equipo internacional de investigadores de la Universidad de Málaga y la Universidad de Saitama (Japón) ha analizado por primera vez de forma integral el coste energético, el tiempo de ejecución y el consumo de memoria de distintos algoritmos de optimización y aprendizaje.
Los resultados, publicados en la revista ‘Future Generation Computer Systems’, muestran que el empleo de «modelos sustitutos» basados en redes neuronales para reemplazar simulaciones costosas, reduciendo así reduce de forma drástica el coste computacional, sentando las bases de lo que denominan ‘Optimización Verde’ o Green Optimization.
VELOCIDAD Y GASTO ENERGÉTICO
Los algoritmos de optimización se utilizan para encontrar la mejor solución posible a problemas con un elevado número de variables. En el caso del tráfico urbano, esto implica usar complejos simuladores informáticos para predecir, por ejemplo, cómo afectará cada cambio de semáforo a la circulación, ha indicado la UMA en un comunicado.
Es en este proceso de evaluación donde se invierte la mayor parte del tiempo y se gasta más energía de las computadoras. Para optimizar este proceso, Enrique Alba y Gabriel Luque, investigadores del Instituto de Tecnologías e Ingeniería del Software de la UMA (ITIS), junto al científico japonés Tomohiro Harada, de la Universidad de Saitama, proponen emplear redes neuronales que actúan como «atajos» (modelos subrogados) y que permiten estimar el resultado de la simulación sin necesidad de ejecutarla completamente.
Es en este punto donde se analiza otra de las cuestiones clave: «¿estos modelos compensan realmente el coste energético que supone entrenarlos?».
Para validarlo, el equipo aplicó esta metodología como caso de estudio a configuraciones reales de tráfico orientada a minimizar los tiempos de espera y maximizar la fluidez. Se utilizaron datos de tres ciudades con diferentes complejidades: Málaga, París y Estocolmo.
Los datos extraídos son contundentes: los modelos de IA bien entrenados logran disminuir más de un 98% el consumo energético asociado a la evaluación de soluciones respecto a los simuladores tradicionales.
Además, el tiempo de ejecución se reduce en torno a un 98%. Eso sí, el artículo subraya que no todo son ventajas: aunque cada evaluación individual es mucho más ligera, el algoritmo completo necesita a veces más memoria para almacenar y actualizar la red neuronal, por lo que la eficiencia debe evaluarse de forma global (energía, tiempo y memoria a la vez).
Por otro lado, como hallazgo destacado, el estudio descubrió que redes neuronales entrenadas con más datos ahorran más energía a la larga, ya que aprenden a «apagar» ciertas conexiones matemáticas (generando ceros), lo que reduce el esfuerzo del procesador.
REENTRENAMIENTO PARA EQUILIBRAR PRECISIÓN Y EFICIENCIA
No obstante, el trabajo advierte de que estos beneficios no son automáticos, ya que el entrenamiento inicial también consume energía. De hecho, el estudio compara entrenar el modelo una única vez antes de iniciar la optimización frente a la opción de incorporar un proceso de reentrenamiento continuo conforme aparecen nuevas soluciones.
En este sentido, los resultados indican que este reentrenamiento adaptativo ofrece un mejor equilibrio entre precisión, consumo energético y tiempo de cálculo en escenarios complejos donde los problemas evolucionan durante el proceso de búsqueda.
Aunque la investigación utiliza como caso de estudio los sistemas semafóricos, los autores destacan que las conclusiones de esta ‘IA verde’ o Green AI pueden extenderse a la planificación industrial, la logística y a valorar incluso la computación en local en el mismo dispositivo.
El estudio concluye que la eficiencia de los algoritmos ya no debería medirse únicamente por la rapidez con la que obtienen una solución, sino por la energía que consumen y su impacto en el medio ambiente.
«Hasta ahora, la prioridad de la informática ha sido casi exclusivamente la velocidad de procesamiento y la precisión de la respuesta», han explicado los profesores de la Universidad de Málaga, Gabriel Luque y Enrique Alba.
Por último, han señalado que «con este trabajo demostramos que la eficiencia energética debe ser un criterio de diseño fundamental y proponemos un cambio de paradigma en el que los algoritmos no solo sean inteligentes, sino también respetuosos con el medio ambiente».
CL11
