ترجمه فارسی مقاله هزینه انرژی چرخه حیات هوش مصنوعی اشیا

چکیده

Artificial intelligence (AI)coupled with existing Internet of Things (IoT) enables more streamlined and autonomous operations across various economic sectors. Consequently, the paradigm of Artificial Intelligence of Things (AIoT) having AI techniques at its core implies additional energy and carbon costs that may become significant with more complex neural architectures. To better understand the energy and Carbon Footprint (CF) of some AIoT components, very recent studies employ conventional metrics. However, these metrics are not designed to capture energy efficiency aspects of inference. In this paper, we propose a new metric, the Energy Cost of AIoT Lifecycle (eCAL) to capture the overall energy cost of inference over the lifecycle of an AIoT system. We devise a new methodology for determining eCAL of an AIoT system by analyzing the complexity of data manipulation in individual components involved in the AIoT lifecycle and derive the overall and per bit energy consumption. With eCAL we show that the better a model is and the more it is used, the more energy efficient an inference is. For an example AIoT configuration, eCAL for making $100$ inferences is $1.43$ times higher than for $1000$ inferences. We also evaluate the CF of the AIoT system by calculating the equivalent CO$_{2}$ emissions based on the energy consumption and the Carbon Intensity (CI) across different countries. Using 2023 renewable data, our analysis reveals that deploying an AIoT system in Germany results in emitting $4.62$ times higher CO$_2$ than in Finland, due to latter using more low-CI energy sources.

چکیده به فارسی (ترجمه ماشینی)

هوش مصنوعی (AI) همراه با اینترنت موجود (IoT) عملیات ساده تر و خودمختار را در بخش های مختلف اقتصادی امکان پذیر می کند.در نتیجه ، الگوی هوش مصنوعی چیزها (AIOT) داشتن تکنیک های هوش مصنوعی در هسته آن حاکی از انرژی اضافی و هزینه های کربن است که ممکن است با معماری های عصبی پیچیده تر قابل توجه باشد.برای درک بهتر انرژی و ردپای کربن (CF) برخی از مؤلفه های AIOT ، مطالعات بسیار اخیر از معیارهای معمولی استفاده می کنند.با این حال ، این معیارها برای ضبط جنبه های بهره وری انرژی استنتاج طراحی نشده اند.در این مقاله ، ما یک معیار جدید ، هزینه انرژی چرخه عمر AIOT (ECAL) را برای گرفتن هزینه کلی انرژی استنباط در چرخه عمر یک سیستم AIOT پیشنهاد می کنیم.ما با تجزیه و تحلیل پیچیدگی دستکاری داده ها در اجزای فردی درگیر در چرخه عمر AIOT ، یک روش جدید برای تعیین ECAL یک سیستم AIOT ابداع می کنیم و به طور کلی و در هر بیت مصرف انرژی را استخراج می کنیم.با استفاده از ECAL نشان می دهیم که هرچه یک مدل بهتر باشد و هرچه بیشتر از آن استفاده شود ، استنباط انرژی بیشتری دارد.به عنوان مثال پیکربندی AIOT ، ECAL برای ساخت 100 دلار استنتاج 1.43 دلار بیشتر از استنتاج 1000 دلار است.ما همچنین CF سیستم AIOT را با محاسبه میزان انتشار معادل شرکت $ _ {2} $ بر اساس مصرف انرژی و شدت کربن (CI) در کشورهای مختلف ارزیابی می کنیم.با استفاده از داده های تجدید پذیر 2023 ، تجزیه و تحلیل ما نشان می دهد که استقرار یک سیستم AIOT در آلمان منجر به انتشار 4.62 $ $ بالاتر از CO $ _2 $ نسبت به فنلاند می شود ، به دلیل دوم استفاده از منابع انرژی کم CI.