L'aprenentatge automàtic, un tipus particular d'intel·ligència artificial, s'utilitza cada vegada més en els sistemes de software modern. A més de requerir molta energia, el seu ús augmenta les emissions de CO2, té un elevat cost financer i consumeix molts recursos. Encara que existeixen nombrosos estudis que analitzen les possibilitats del ML, molt pocs d'ells se centren en les seves característiques ecològiques, com l'ús d'energia o la seva petjada de carboni. Aquest estudi tracta d'augmentar la conscienciació dels costos associats al desplegament d'un sistema de ML en algunes de les plataformes d'allotjament en el núvol més avançades. Per a això, duem a terme un ampli estudi empíric per a avaluar i contrastar les emissions i la latencia de quatre proveïdors de núvol diferents, Amazon Web Services, Azure, Heroku i Railway
Machine learning, a particular type of artificial intelligence, is increasingly being used in modern software systems. In addition to requiring a lot of energy, its use raises CO2 emissions, has a high financial cost, and consumes many resources. Even while there are numerous studies that look at the possibilities of ML, very few of them concentrate on its green features, like energy consumption or its carbon footprint. This bachelor thesis tries to increase understanding of the costs associated with deploying an ML system into some of the state-of-the-art cloud hosting platforms. In order to do this, we conduct an extensive empirical study to assess and contrast the emissions and latency of four different cloud providers: Amazon Web Services, Azure, Heroku, and Railway.
