Hoewel deze verslagleggingskaders zich richten op de bredere impact van organisaties, zouden ze ook aandacht moeten besteden aan AI-systemen. Het is belangrijk om de specifieke impact van AI binnen deze ESG-rapportages te begrijpen en te verantwoorden.
Ook is er de EU AI Act, die het inbedden van duurzaamheidsoverwegingen in de ontwikkeling van AI vermeldt, waarbij energie-efficiënte programmering en het minimaliseren van milieu-impact worden voorgeschreven. Artikel 95 specificeert dat AI-systemen moeten worden geëvalueerd en ontworpen om hun ecologische voetafdruk te verminderen door middel van geoptimaliseerde programmering en ontwerpen.
Naast de AI Act hebben we het kader van het National Institute of Standards and Technology (NIST) voor het beoordelen van de duurzaamheid van AI. Dit kader omvat het evalueren van de milieueffecten en managementpraktijken van modeltraining. Het richt zich op het vaststellen van meetbare duurzaamheidskaders en het beoordelen van de betrouwbaarheid van AI-systemen, door het documenteren van belangrijke prestatie-indicatoren zoals het gebruik van rekenmiddelen en de operationele koolstofvoetafdruk.
Terwijl nieuwe regelgeving en normen gericht zijn op het verminderen van de milieueffecten van AI, ontbreekt het aan duidelijkheid over hoe energieverbruik moet worden gemeten en verdeeld over het complexe, multi-stakeholder AI-ecosysteem. Er is een kritische behoefte aan operationele kaders en methodologieën om de duurzaamheidsrisico's van AI te beoordelen en te meten.
Praktische overwegingen voor duurzaamheid leiders
De nauwkeurige beoordeling van de milieu-impact van AI is uitdagend. Het vereist de ontwikkeling van robuuste meetmethodologieën, een duidelijke toewijzing van verantwoordelijkheid voor duurzaamheidsimpact over de betrokken belanghebbenden in de AI-leveringsketen, en afstemming over wat 'goed' is met betrekking tot mitigaties. Als het gaat om GenAI, beginnen open-source tools[4] te ontstaan om enkele van de meetuitdagingen met betrekking tot de milieueffecten van LLM's aan te pakken. Verschillende open-source tools zijn ontwikkeld om de uitdaging aan te pakken die samenhangt met de meting van de impact van LLM's.. Over het algemeen zijn de ‘tools’ gefocust op het controleren van de volgende vier factoren:
- Trainingsduur van het model, met directe invloed op het aantal benodigde rekenoperaties.
- Energie-efficiëntie van GPU's, wat invloed heeft op de hoeveelheid energie die tijdens de training wordt verbruikt.
- Locatie van de datacenter, wat invloed heeft op de hoeveelheid CO₂ die wordt uitgestoten per kilowattuur elektriciteit die wordt gebruikt.
- Potentiële compensaties door de dienstverlener, die de milieueffecten van de training gedeeltelijk kunnen neutraliseren.
Er blijven echter zorgen bestaan over de obstakels die het moeilijk maken om nauwkeurige schattingen te geven van de levenscyclus van een LLM. Enkele voorbeelden zijn:
- Twijfels over de beschikbaarheid en nauwkeurigheid van data, vooral met betrekking tot de energie-efficiëntie van GPU's en de koolstofintensiteit van datacenters (CUE).
- De focus ligt op de trainingsfase, waardoor de uitstoot die ontstaat tijdens de fine-tuning van het model of de inferentiefase niet wordt meegenomen.
- De tools zijn ontworpen voor ontwikkelaars van klassieke machine learning, die gedetailleerde technische informatie hebben of directe toegang tot de code van het model. Dit kan een belangrijke beperking zijn voor ontwikkelaars van Generatieve AI, die alleen toegang hebben via API's tot de basismodellen.
- De schattingen zijn beperkt tot directe emissies (Scope 2), terwijl indirecte emissies (Scope 3), zoals waterverbruik, worden overgeslagen.
- Er ontbreekt een concreet actieplan om de impact van AI te verminderen, behalve door de hostlocatie te wijzigen en de code te vereenvoudigen.
Bovendien, hoewel LLM's en Generatieve AI in het publieke bewustzijn veel aandacht hebben gekregen, is er nog steeds behoefte aan inzicht in, meting van en rapportage over de duurzaamheidsimpact van klassieke, discriminerende AI-systemen.
Om een meer holistische benadering te creëren voor het meten van de duurzaamheidsimpact van AI-systemen, moeten leiders op het gebied van duurzaamheid rekening houden met de volgende dimensies:
- Computatie-activiteiten: Schat de rekencomplexiteit in door het aantal bewerkingen te tellen of de modelparameters en tokens te gebruiken voor door de leverancier gehoste modellen.
- Elektriciteitsverbruik: Bepaal het energieverbruik op basis van de efficiëntie van de hardware, met gegevens van cloudproviders.
- Koolstofvoetafdruk: Bereken de directe koolstofemissies met behulp van de koolstofintensiteit van het datacenter of de Carbon Usage Effectiveness (CUE), en houd rekening met de uitdagingen bij het kwantificeren van indirecte emissies.
- Waterverbruik: Evalueer het waterverbruik via de Water Usage Effectiveness (WUE) op locatie en de gevolgen op afstand via de Power Usage Effectiveness (PUE).
EY’s AI Duurzaamheidsstrategie
EY ondersteunt klanten bij het aanpakken van de duurzaamheidsuitdagingen die AI met zich meebrengt, van ontwikkeling tot implementatie en monitoring. De aanpak van EY richt zich niet alleen op directe en indirecte emissies, maar biedt ook methodologieën voor het verminderen van energieverbruik en het optimaliseren van hulpbronnen. Door dergelijke praktijken te integreren, kunnen bedrijven hun duurzaamheidsrapportage verbeteren en beter onderbouwde beslissingen nemen die aansluiten bij wereldwijde duurzaamheidsdoelen.
