TechCrunch برای اینکه به زنان دانشگاهی و سایرین که با تمرکز بر هوش مصنوعی تمرکز دارند، زمان شایسته و دیررس آنها را در کانون توجه قرار دهد، مجموعه‌ای از مصاحبه‌ها را با تمرکز بر زنان برجسته‌ای که در انقلاب هوش مصنوعی مشارکت داشته‌اند، راه‌اندازی می‌کند.

تامار ایلام در 24 سال گذشته در IBM کار کرده است. او در حال حاضر یکی از همکاران IBM است و به عنوان دانشمند ارشد برای محاسبات پایدار خدمت می کند تا به تیم ها کمک کند تا میزان انرژی مصرف شده توسط محاسبات خود را کاهش دهند. چیزی که او بیش از همه به کار روی آن افتخار می کند یک پروژه منبع باز به نام Kepler است که به تعیین کمیت مصرف انرژی یک برنامه کاربردی واحد و کانتینری کمک می کند.

از بسیاری جهات، او جلوتر از منحنی بوده است: با پیشرفت این انقلاب هوش مصنوعی، مصرف انرژی به یکی از مهمترین موضوعات در صنعت تبدیل شده است. هوش مصنوعی از مقدار زیادی از منابع طبیعی استفاده می کند. هم آموزش و هم استفاده از هوش مصنوعی انرژی بر است. گزارش گلدمن ساکس در سال جاری بیان کرد که یک جستجوی ChatGPT در مقایسه با جستجوی Google به ۱۰ برابر مقدار برق برای پردازش نیاز دارد. در این گزارش همچنین آمده است: انتظار داریم که هوش مصنوعی در کوتاه‌مدت تقاضای برق مرکز داده را 160 درصد افزایش دهد.

این همان چیزی است که ایلام با IBM برای کمک به کاهش آن کار می کند.

او به TechCrunch گفت: «به طور کلی باید روی پایداری تمرکز کرد. ما یک مشکل داریم و همچنین یک فرصت داریم.»

موضوع انرژی

ایلام معتقد است این صنعت در معمایی گرفتار شده است. او بيان کرد که هوش مصنوعی این پتانسیل را دارد که صنایع را پایدارتر کند، اگرچه در حال حاضر این فناوری به خودی خود باعث تخلیه منابع شده است.

او بيان کرد در واقع، محاسبات و هوش مصنوعی می توانند به کربن زدایی شبکه برق کمک کنند. در حال حاضر، شبکه تا حدی به انرژی های تجدیدپذیر مانند آب، خورشید و باد بستگی دارد: منابعی که در قیمت و در دسترس بودن در نوسان هستند. این به این معنی است که مراکز داده ای که توسط آن مراکز ارائه می شود برای تضمین خدمات ثابت (از نظر قیمت و منبع انرژی) به مصرف کنندگان تلاش می کنند. او گفت: «با داشتن شبکه برق همراه با محاسبات، با داشتن توانایی جابجایی بار کاری یا کاهش بار کاری، در واقع می توانیم به کربن زدایی کمک کنیم.

اما منابع طبیعی تنها نگرانی او نیست. او درباره این صنعت گفت: «به این فکر کنید که ما در حال تولید چند تراشه و هزینه کربن و مواد سمی برای تولید این تراشه ها هستیم.

او تمام این مشکلات را در آی‌بی‌ام در ذهن دارد و او میگوید که سعی می‌کند وقتی نوبت به یافتن راه‌حل‌هایی برای آن‌ها می‌رسد، به هوش مصنوعی پایدار به‌طور کل نگر نزدیک شود. به عنوان مثال، او او میگوید IBM از برنامه‌ای استفاده می‌کند که توسط بنیاد ملی علوم حمایت می‌شود تا شناسایی کند که در تراشه‌های هوش مصنوعی کجا مواد سمی وجود دارد تا این شرکت بتواند به کشف مواد جدید برای جایگزینی آنها سرعت ببخشد.

وقتی صحبت از عملیات به میان می‌آید، او به تیم‌ها در مورد روش‌هایی برای آموزش مدل‌های هوش مصنوعی به روش‌هایی توصیه می‌کند که در مصرف انرژی صرفه‌جویی کنند. او گفت: «با استفاده از داده‌های کمتر، اما همچنین داده‌های با کیفیت بالا، سریع‌تر به یک راه‌حل دقیق‌تر همگرا می‌شوید».

برای تنظیم دقیق، او می گوید IBM یک تکنیک رمزگشایی حدسی برای بهبود کارایی استنتاج دارد. او ادامه داد: «سپس تو از پشته پایین می‌روی». ما پلتفرم خودمان را داریم، پس در حال ایجاد بهینه‌سازی‌های زیادی هستیم که به نحوه استقرار این مدل‌ها در شتاب‌دهنده‌ها مربوط می‌شود.»

او می گوید که IBM به باز بودن و ناهمگونی اعتقاد دارد، دومی به این معناست که یک اندازه با همه مدل ها مناسب نیست. "به همین دلیل است که ما گرانیت را در چندین اندازه مختلف منتشر کردیم، زیرا بر اساس مورد استفاده شما، اندازه ای را انتخاب می کنید که برای شما مناسب است، به طور بالقوه هزینه کمتری برای شما خواهد داشت، و با نیازهای شما مطابقت دارد، و شما می توانید انرژی کمتری مصرف کنید.»

او بيان کرد که آنها قابلیت مشاهده را برای تعیین کمیت همه چیز از جمله مصرف انرژی، تأخیر و توان عملیاتی ایجاد می کنند. او کار خود را به‌طور فزاینده‌ای مهم می‌داند، به‌ویژه از آنجایی که امیدوار است افراد بیشتری اعتماد کنند که مدل‌های IBM راه‌های محاسباتی مؤثر اما پایداری را برای آنها فراهم می‌کند. او گفت: "چیزی که ما به آنها می گوییم این است که "هی، از صفر شروع نکن." گرانیت را بردارید و اکنون آن را به خوبی تنظیم کنید. می‌دانی چون از صفر شروع نکردی چقدر انرژی صرفه‌جویی می‌کنی؟» او ادامه داد.

دلیل اینکه آنها می‌خواهند از صفر شروع به توسعه مدل‌های خود کنند این است که به آنچه در بیرون وجود دارد اعتماد ندارند. چون نمی‌دانید چه داده‌هایی وارد آموزش شده‌اند و شاید دارید IP را نقض می‌کنید.» او گفت. ما برای همه مدل‌های خود غرامت IP داریم زیرا می‌توانیم دقیقاً داده‌هایی را که وارد شده است به شما بگوییم و به شما اطمینان می‌دهیم که هیچ نقض IP وجود ندارد. پس ، اینجاست که ما می گوییم "هی، شما می توانید به مدل های ما اعتماد کنید."

زنی در هوش مصنوعی

پیشینه ایلام در محاسبات ابری توزیع شده است، اما در سال 2019، او در یک کنفرانس نرم افزاری شرکت کرد که در آن یکی از نکات کلیدی در مورد تغییرات آب و هوایی بود. او گفت: «از زمانی که بحث را ترک کردم، نتوانستم به پایداری فکر نکنم.

پس او آب و هوا و محاسبات را با هم ادغام کرد و شروع به ایجاد تغییر کرد. اما فرو رفتن عمیق تر در هوش مصنوعی به این معنی بود که او اغلب تنها زن حاضر در اتاق بود. او بيان کرد که چیزهای زیادی در مورد سوگیری های ناخودآگاه آموخته است، که به گفته او، هم مردان و هم زنان به روش های متفاوتی دارند. او به ویژه به عنوان یک زن در نقش رهبری گفت: "من در مورد ایجاد آگاهی بسیار فکر می کنم."

او چند سال پیش کارگاهی را در تحقیقات IBM رهبری کرد و با زنان در مورد این نوع سوگیری‌ها صحبت کرد، از جمله اینکه چگونه زنان حتی اگر بیش از 70 درصد صلاحیت‌ها را داشته باشند برای شغلی درخواست نمی‌کنند و مردان نیز درخواست می‌کنند. حتی اگر کمتر از 50 درصد داشته باشند. او توصیه هایی برای زنانی که در سفرهای حرفه ای خود مطرح می کنند دارد: هرگز از داشتن نظرات و بیان آنها نترسید.

ادامه دهید، ادامه دهید. اگر گوش نکردند، یک وقت دیگر بیان کنید. این بهترین توصیه ای است که می توانم بکنم.»

آنچه در آینده در انتظارش است

ایلام فکر می کند سرمایه گذاران باید به استارت آپ هایی نگاه کنند که در مورد نوآوری های خود شفاف هستند.

"آیا آنها منابع داده خود را افشا می کنند؟" او گفت، و گفت که اگر شرکتی میزان مصرف انرژی هوش مصنوعی خود را به اشتراک بگذارد، این نیز صدق می کند. او همچنین می گوید که برای سرمایه گذاران مهم است که توجه داشته باشند که آیا یک استارت آپ دارای حفاظ هایی است که می تواند به جلوگیری از سناریوهای پرخطر کمک کند.

او همچنین طرفدار مقررات بیشتر است، اگرچه ممکن است انجام آن دشوار باشد زیرا این فناوری می تواند بسیار پیچیده باشد. با این حال، اولین گام به شفافیت برمی گردد – توانایی توضیح دادن آنچه در جریان است و صادق بودن در مورد تأثیر آن.

او گفت: «اگر قابلیت توضیح وجود نداشته باشد، و سپس از [AI] بدون عواقب برای آینده بالقوه افراد استفاده کنیم، اینجا یک مشکل وجود دارد.

خبرکاو