Kecerdasan buatan (AI) semakin banyak digunakan dalam kehidupan sehari-hari, tetapi konsumsi energinya juga semakin tinggi. Pusat data di seluruh dunia berjuang untuk memenuhi permintaan daya yang terus meningkat. Namun, sebuah terobosan dalam metode pelatihan AI bisa mengubah segalanya, memangkas konsumsi energi secara drastis tanpa mengorbankan akurasi.

Dengan beralih dari metode pelatihan iteratif tradisional ke pendekatan berbasis probabilitas, para peneliti telah menemukan cara untuk mengoptimalkan jaringan saraf dengan komputasi yang jauh lebih sedikit. Inovasi ini, yang terinspirasi oleh sistem dinamis yang ditemukan di alam, berpotensi membuat AI lebih ramah lingkungan tanpa mengurangi performanya.

Meningkatnya Kebutuhan Energi AI

Teknologi AI, termasuk model bahasa besar (LLM), telah menjadi bagian penting dalam kehidupan modern. Namun, daya komputasi yang dibutuhkan untuk menjalankan AI berasal dari pusat data yang menghabiskan listrik dalam jumlah besar. Di Jerman saja, pusat data menggunakan sekitar 16 miliar kilowatt-jam (kWh) listrik pada tahun 2020, setara dengan 1% dari total konsumsi energi negara tersebut. Diperkirakan angka ini akan meningkat menjadi 22 miliar kWh pada tahun 2025.

Seiring dengan meningkatnya kompleksitas aplikasi AI, kebutuhan energinya juga akan terus bertambah, terutama untuk melatih jaringan saraf yang memerlukan sumber daya komputasi dalam jumlah besar. Oleh karena itu, para peneliti telah mengembangkan metode pelatihan baru yang 100 kali lebih cepat dibandingkan pendekatan konvensional, tetapi tetap mempertahankan tingkat akurasi yang sama. Terobosan ini berpotensi mengurangi konsumsi energi AI secara signifikan.

Metode Baru: 100x Lebih Cepat dengan Akurasi Serupa

Jaringan saraf yang mendukung berbagai tugas AI seperti pengenalan gambar dan pemrosesan bahasa, dirancang menyerupai otak manusia. Jaringan ini terdiri dari node yang saling terhubung (neuron buatan) yang memproses informasi dengan memberikan bobot pada setiap sinyal input. Ketika ambang batas tertentu tercapai, sinyal akan diteruskan ke lapisan berikutnya.

Proses pelatihan jaringan saraf membutuhkan banyak daya komputasi. Awalnya, parameter jaringan diberikan secara acak, biasanya menggunakan distribusi normal. Sistem kemudian menyesuaikan nilai-nilai ini melalui banyak iterasi untuk meningkatkan akurasi prediksi. Karena jumlah perhitungan yang sangat besar, pelatihan jaringan saraf menghabiskan energi dalam jumlah yang signifikan.

Para peneliti kini telah menemukan cara untuk mengubah metode ini. Dengan menggunakan pendekatan berbasis probabilitas, mereka dapat mengurangi jumlah perhitungan yang diperlukan, mempercepat proses pelatihan hingga 100 kali lipat, dan tetap menjaga tingkat akurasi yang tinggi.

Baca Juga : Ilmuwan Berhasil Memecahkan Kode untuk Mempercepat Jaringan Kuantum

Pelatihan Lebih Cerdas dengan Parameter Berbasis Probabilitas

Felix Dietrich, seorang profesor di bidang Machine Learning berbasis Fisika, dan timnya telah mengembangkan metode baru yang tidak lagi bergantung pada penyesuaian parameter secara iteratif. Sebagai gantinya, pendekatan mereka menggunakan probabilitas untuk menentukan bobot yang paling optimal dalam jaringan saraf.

Metode probabilistik ini didasarkan pada analisis titik-titik kritis dalam data pelatihan, di mana perubahan nilai yang besar dan cepat terjadi. Dengan cara ini, AI bisa belajar dengan lebih efisien tanpa harus melewati perhitungan yang tidak perlu.

Tujuan utama penelitian ini adalah untuk menerapkan metode ini dalam sistem dinamis hemat energi. Sistem ini mengalami perubahan seiring waktu sesuai dengan aturan tertentu dan ditemukan dalam berbagai bidang, seperti model iklim dan pasar keuangan.

Efisiensi Energi Tanpa Mengorbankan Akurasi

Menurut Felix Dietrich, metode ini memungkinkan jaringan saraf menentukan parameter yang diperlukan dengan daya komputasi minimal. Dengan demikian, pelatihan AI bisa menjadi jauh lebih cepat dan hemat energi.

“Metode kami memungkinkan penentuan parameter yang dibutuhkan dengan daya komputasi minimal. Ini membuat pelatihan jaringan saraf jauh lebih cepat dan, sebagai hasilnya, lebih hemat energi,” kata Dietrich. “Selain itu, kami menemukan bahwa akurasi metode baru ini setara dengan jaringan yang dilatih secara iteratif.”

Dengan pendekatan baru ini, industri AI dapat bergerak menuju efisiensi yang lebih tinggi, mengurangi dampak lingkungan, dan mempercepat pengembangan teknologi tanpa meningkatkan konsumsi daya.

Dampak Masa Depan: AI yang Lebih Ramah Lingkungan

Penemuan ini bisa membawa perubahan besar dalam dunia AI dan komputasi secara keseluruhan. Dengan mengurangi kebutuhan energi dalam pelatihan AI, perusahaan teknologi dapat menekan biaya operasional serta mengurangi emisi karbon yang dihasilkan oleh pusat data cartel4d.

Seiring dengan meningkatnya kesadaran global akan dampak lingkungan dari konsumsi energi yang tinggi, teknologi seperti ini bisa menjadi solusi yang sangat dibutuhkan. Jika diterapkan secara luas, AI masa depan bisa menjadi jauh lebih efisien tanpa mengorbankan performa atau akurasi.

Dengan terus berkembangnya AI dan meningkatnya permintaan untuk model yang lebih canggih, solusi hemat energi seperti ini akan menjadi semakin penting. Metode ini bisa membuka jalan bagi AI yang lebih cepat, lebih efisien, dan lebih ramah lingkungan di masa depan.