Viime kuukausina mediassa on käyty keskustelua siitä, lisääkö generatiivinen tekoäly merkittävästi sähkönkulutusta. Aihe kiinnostaa luonnollisesti myös tekoälypalveluiden loppukäyttäjiä.
Microsoft-konsultin näkökulmasta kehitys on aaltoillut vuosikymmenten aikana. Alkuaikojen pöytä-PC:t kuvaputkinäyttöineen kuluttivat sähköä moninkertaisesti nykyajan virtapiheihin läppäreihin verrattuna. Ajan myötä PC:t saivat kaverikseen palvelinhuoneet, joita löytyi pian jokaisen organisaation kellarista. Viimeisen parinkymmenen vuoden hiljainen tarina onkin ollut organisaation omien palvelinhuoneiden korvautuminen ensin keskitetyillä tehokkaamilla paikallisten toimijoiden palvelinsaleilla, ja lopulta Azuren ja Microsoft 365:n kaltaisilla aidoilla pilvipalveluilla. Tuhansien palvelinhuoneiden muuttuminen takaisin siivouskomeroiksi ei valitettavasti keskitetyissä tilastoissa erotu omana kohtanaan.
Kielimallien kouluttaminen ja energiatehokkuus
Generatiivisen tekoälyn malleille on tyypillistä se, että sekä mallien kouluttaminen että niiden ajaminen kuluttavat paljon prosessointikapasiteettia, ja sitä kautta sähköä. Mallien kouluttaminen voidaan tehdä hiljaisina aikoina, ja Azure tarjoaakin tällaisiin tarpeisiin jopa kellonajan mukaan muuttuvaa spottihinnoittelua. Mutta vaikkapa Copilot-käyttäjien pyyntöihin vastaaminen pitää tapahtua juuri silloin, kun käyttäjä palvelua haluaa käyttää.
Palveluntuottajana Microsoft investoi tilikautensa aikana huimat 80 miljardia dollaria datakeskuksiin, mutta on silti sitoutunut olemaan hiilinegatiivinen vuonna 2030 ja kehittää datakeskusten tehokkuutta jatkuvasti. Vaikka tekoälyn soveltumisen kasvaessa AI:n kokonaissähkönkulutus kasvaa vauhdilla, yksittäisen AI-vastauksen sähkönkulutus taas pienenee jatkuvasti mallien kehittyessä energiatehokkaammiksi, johon liittyen Microsoft tekee paljon tutkimusta. Esimerkiksi Microsoft valmistelee parhaillaan omia pienempiä erikoistuneita kielimallejaan, joilla voisi korvata nykyisiä laajoja kielimalleja soveltuvilta osin. Ja pian tekoälyprosessointi tapahtuu yhä enemmän suoraan laitteissa eli käyttäjien kännyköissä ja läppäreissä.
Tehokkuushyötyjen saavuttaminen liiketoiminnassa
Itse ajattelisin, että monet asiakkaamme ovat tekoälymatkallaan melko alussa, jolloin kokeilujen kautta haetaan soveltuvia tekoälyn käyttötapauksia. Tälloin tavoitteena on selvittää, että missä työrooleissa ja liiketoimintaprosesseissa tekoälystä saadaan tehokkuushyötyjä tai jopa aitoa kilpailuetua. Ja kun hyötyä saadaan, niin ajansäästö ja parantunut työn tehokkuus tekevät AI:n käytöstä sen arvoista. Eli ajan myötä käyttö keskittyy eniten lisäarvoa tuottaviin käyttötapauksiin. Vaikka kehotteiden tekemistä harjoittelisi kissakuvien tekemisellä, se on olennainen osa matkalla siihen, että ymmärtää tekoälyn arvon liiketoiminnassa.
Viime vuosikymmenellä työmatkustaminen korvaantui pitkälti etäpalavereilla. Se kasvatti osaltaan sähkönkulutusta datakeskuksissa, mutta polttamatta jääneet bensa- ja kerosiinilitrat sekä pienentyneet puhelinlaskut eivät olekaan makrotasolla niin suoraviivaisesti mitattavissa, vaikka organisaatioiden sisällä Teamsin takaisinmaksu oli helppo laskea. Sama tullaan näkemään AI:n kanssa – organisaatio voi laskea takaisinmaksun itselleen, mutta globaalilla tasolla hyötyjen koostaminen on hankalaa, jolloin jäädään vain tuijottamaan datakeskusten ja niiden sähkönkulutuksen kasvua.
Käytännön esimerkkejä tekoälyn hyödyistä
Käytännön esimerkkejä tekoälyn hyödyistä ympäristölle kriittisiltä toimialoilta löytyy jo maailmalta. Öljy-yhtiöiden toiminta alkaa nojata vahvasti tekoälyyn prosessien optimoinnissa, ja tekoäly nähdään toimialalla kriittisenä teknologiana ympäristötavoitteiden saavuttamiseksi. Jutussa mainitulla asiakkaallamme ADNOC:lla nimittäin riittää myös Copilot-käyttäjiä, jotka näin omassa roolissaan oppivat tekoälyeksperteiksi.