Büyük lisan modelleri (LLM’ler) üzere yapay zeka teknolojileri günlük hayatın ayrılmaz bir modülü haline geldi. Lakin bu teknolojileri destekleyen bilgi merkezleri, büyük ölçüde güç harcıyor. Yalnızca Almanya’da, bilgi merkezleri 2020 yılında yaklaşık 16 milyar kilovat saat (kWh) elektrik tüketti ve bu ölçünün 2025 yılına kadar 22 milyar kWh’ye ulaşması bekleniyor. Yapay zeka uygulamalarının giderek karmaşıklaşmasıyla birlikte, bu güç talebi daha da artacak.
100 kat daha süratli, tıpkı doğruluk oranı
Yapay zeka modellerinin eğitimi, bilhassa hudut ağları için büyük ölçüde hesaplama gücü gerektiriyor. Bu sorunu çözmek için geliştirilen yeni sistem, klasik yaklaşımlara kıyasla 100 kat daha süratli çalışıyor ve birebir doğruluk düzeyini koruyor. Bu buluş, yapay zeka eğitimi için gerekli güç ölçüsünü kıymetli ölçüde azaltma potansiyeline sahip.
Hudut ağları, insan beyninden ilham alınarak tasarlanmış bir sistemdir. Yapay hudut hücrelerinden oluşan bu ağlar, girdilere belli tartılar atayarak bilgiyi işler. Kâfi bir eşik pahası aşıldığında, sinyal bir sonraki katmana iletilir.
Bu ağların eğitimi ise büyük ölçüde hesaplama gerektirir. Başlangıçta, ağ içindeki parametreler rastgele belirlenir ve akabinde birçok iterasyon boyunca ayarlanarak modelin doğruluğu artırılır. Lakin bu süreç, büyük güç harcamalarına yol açmaktadır.
Olasılık temelli yeni eğitim yöntemi
Fizik Tabanlı Makine Tahsili profesörü Felix Dietrich ve takımı, yapay zeka eğitiminde ihtilal yaratabilecek yeni bir yol geliştirdi. Klasik tekniklerden farklı olarak, bu yeni yaklaşım iterasyonlarla parametreleri belirlemek yerine, olasılıkları kullanıyor.
Bu usul, eğitim bilgilerinde büyük ve süratli değişimlerin meydana geldiği kritik noktalarda bedelleri hedefleyerek çalışıyor. Araştırmacılar, bu yaklaşımı kullanarak güç tasarrufu sağlayan dinamik sistemler elde etmeyi hedefliyor. Bu tıp sistemler, vakit içinde muhakkak kurallara nazaran değişerek iklim modelleri ve finans piyasaları üzere alanlarda kullanılıyor.
Daha az güçle yüksek verimlilik
“Yöntemimiz, gerekli parametreleri asgarî hesaplama gücüyle belirlemeyi mümkün kılıyor. Böylelikle hudut ağlarının eğitimi çok daha süratli ve güç açısından verimli hale geliyor,” diyen Felix Dietrich, tıpkı vakitte bu yolun doğruluğunun iteratif olarak eğitilmiş ağlarla kıyaslanabilir düzeyde olduğunu vurguladı.
Bu yeni yaklaşım, yapay zekanın çevresel tesirini azaltarak sürdürülebilir bir teknolojiye dönüşmesine yardımcı olabilir. Uzmanlar, bu buluşun gelecekte daha geniş kapsamlı yapay zeka uygulamalarında kullanılabileceğini belirtiyor.