A greenability evaluation sheet for AI-based systems

Abstract

El auge de los sistemas de machine learning (ML), la mejora de sus capacidades y el mayor tamaño de los sistemas, ha incrementado el impacto medioambiental de los modelos ML. Sin embargo, la información sobre cómo se mide, comunica y evalúa la huella de carbono de los modelos de ML es escasa. Este proyecto, basado en un análisis de 1.417 modelos de ML y conjuntos de datos asociados en Hugging Face, el repositorio más popular para modelos de ML preentrenados, tiene como objetivo proporcionar una solución integrada para comprender, informar y optimizar la eficiencia de carbono de los modelos de ML. Además, implementamos una aplicación web que genera etiquetas de eficiencia energética para modelos de ML y permite visualizar sus emisiones de carbono. Con menos del 1% de los modelos en Hugging Face proporcionando información sobre las emisiones de carbono, el proyecto subraya la necesidad de mejorar las prácticas de reporte energético y la promoción del desarrollo de modelos eficientes en carbono dentro de la comunidad Hugging Face. Para abordar esta cuestión, ofrecemos una herramienta web que produce etiquetas de eficiencia energética para modelos de ML, una contribución que fomenta la transparencia y el desarrollo de modelos sostenibles dentro de la comunidad de ML. Permite la creación de etiquetas energéticas, al tiempo que proporciona valiosas visualizaciones de los datos de emisiones de carbono. Esta solución integrada constituye un paso importante hacia prácticas de IA más sostenibles medioambientalmente.

The rise of machine learning (ML) systems has increased their environmental impact due to the enhanced capabilities and larger model sizes. However, information about how the carbon footprint of ML models is measured, reported, and evaluated remains scarce and scattered. Aims: This project, based on an analysis of 1,417 ML models and associated datasets on Hugging Face, the most popular repository for pretrained ML models, aims to provide an integrated solution for understanding, reporting, and optimizing the carbon efficiency of ML models. Moreover, we implement a web-based application that generates energy efficiency labels for ML models and visualizes their carbon emissions. With less than 1% of models on Hugging Face currently reporting carbon emissions, the project underscores the need for improved energy reporting practices and the promotion of carbon-efficient model development within the Hugging Face community. To address this, we offer a web-based tool that produces energy efficiency labels for ML models, a contribution that encourages transparency and sustainable model development within the ML community. It enables the creation of the energy labels, while also providing valuable visualizations of carbon emissions data. This integrated solution serves as an important step towards more environmentally sustainable AI practices.