Logran reducir en más de la mitad el consumo energético de la inteligencia artificial aplicada a ‘smart cities’
Con el objetivo de avanzar hacia una inteligencia artificial más sostenible, un equipo internacional de investigadores de la Universidad de Málaga y la Universidad de Saitama (Japón) ha analizado por primera vez de forma integral el coste energético, el tiempo de ejecución y el consumo de memoria de distintos algoritmos de optimización y aprendizaje. Los resultados muestran que el empleo de «modelos sustitutos» basados en redes neuronales para reemplazar simulaciones costosas reduce de forma drástica el coste computacional, sentando las bases de lo que denominan «Optimización Verde» o Green Optimization.
Fuente: Universidad de Málaga
La inteligencia artificial (IA) se ha convertido en una herramienta fundamental para resolver problemas complejos en ámbitos como la movilidad, la logística, la industria o la gestión de las smart cities. Sin embargo, entrenar y ejecutar modelos de IA consume, además de recursos computacionales, una importante cantidad de energía eléctrica, aspecto que a menudo pasa desapercibido cuando se evalúa su eficiencia.
Con el objetivo de avanzar hacia una inteligencia artificial más sostenible, un equipo internacional de investigadores de la Universidad de Málaga y la Universidad de Saitama (Japón) ha analizado por primera vez de forma integral el coste energético, el tiempo de ejecución y el consumo de memoria de distintos algoritmos de optimización y aprendizaje.
Los resultados, publicados en la revista ‘Future Generation Computer Systems’, muestran que el empleo de «modelos sustitutos» basados en redes neuronales para reemplazar simulaciones costosas, reduciendo así reduce de forma drástica el coste computacional, sentando las bases de lo que denominan «Optimización Verde» o Green Optimization.
Velocidad y gasto energético
Los algoritmos de optimización se utilizan para encontrar la mejor solución posible a problemas con un elevado número de variables. En el caso del tráfico urbano, esto implica usar complejos simuladores informáticos para predecir, por ejemplo, cómo afectará cada cambio de semáforo a la circulación. Es en este proceso de evaluación donde se invierte la mayor parte del tiempo y se gasta más energía de las computadoras.
Para optimizar este proceso, Enrique Alba y Gabriel Luque, investigadores del Instituto de Tecnologías e Ingeniería del Software de la UMA (ITIS), junto al científico japonés Tomohiro Harada, de la Universidad de Saitama, proponen emplear redes neuronales que actúan como «atajos» (modelos subrogados) y que permiten estimar el resultado de la simulación sin necesidad de ejecutarla completamente. Es en este punto donde se analiza otra de las cuestiones clave: ¿estos modelos compensan realmente el coste energético que supone entrenarlos?
Pruebas en Málaga, Estocolmo y París
Para validarlo, el equipo aplicó esta metodología como caso de estudio a configuraciones reales de tráfico orientada a minimizar los tiempos de espera y maximizar la fluidez. Se utilizaron datos de tres ciudades con diferentes complejidades: Málaga, París y Estocolmo.
Los datos extraídos son contundentes: los modelos de IA bien entrenados logran disminuir más de un 98% el consumo energético asociado a la evaluación de soluciones respecto a los simuladores tradicionales. Además, el tiempo de ejecución se reduce en torno a un 98%. Eso sí, el artículo subraya que no todo son ventajas: aunque cada evaluación individual es mucho más ligera, el algoritmo completo necesita a veces más memoria para almacenar y actualizar la red neuronal, por lo que la eficiencia debe evaluarse de forma global (energía, tiempo y memoria a la vez). Por otro lado, como hallazgo destacado, el estudio descubrió que redes neuronales entrenadas con más datos ahorran más energía a la larga, ya que aprenden a «apagar» ciertas conexiones matemáticas (generando ceros), lo que reduce el esfuerzo del procesador.
Reentrenamiento para equilibrar precisión y eficiencia
No obstante, el trabajo advierte de que estos beneficios no son automáticos, ya que el entrenamiento inicial también consume energía. De hecho, el estudio compara entrenar el modelo una única vez antes de iniciar la optimización frente a la opción de incorporar un proceso de reentrenamiento continuo conforme aparecen nuevas soluciones. En este sentido, los resultados indican que este reentrenamiento adaptativo ofrece un mejor equilibrio entre precisión, consumo energético y tiempo de cálculo en escenarios complejos donde los problemas evolucionan durante el proceso de búsqueda.
Aunque la investigación utiliza como caso de estudio los sistemas semafóricos, los autores destacan que las conclusiones de esta «IA verde» o Green AI pueden extenderse a la planificación industrial, la logística y a valorar incluso la computación en local en el mismo dispositivo.
El estudio concluye que la eficiencia de los algoritmos ya no debería medirse únicamente por la rapidez con la que obtienen una solución, sino por la energía que consumen y su impacto en el medio ambiente. «Hasta ahora, la prioridad de la informática ha sido casi exclusivamente la velocidad de procesamiento y la precisión de la respuesta», explican los profesores de la Universidad de Málaga Gabriel Luque y Enrique Alba. «Con este trabajo demostramos que la eficiencia energética debe ser un criterio de diseño fundamental y proponemos un cambio de paradigma en el que los algoritmos no solo sean inteligentes, sino también respetuosos con el medio ambiente».
Últimas publicaciones
Un equipo de investigación de la Universidad de Córdoba ha desarrollado un recubrimiento plástico que amortigua las vibraciones y los impactos dentro del empaquetado. La solución disminuye los golpes que recibe el fruto tanto en ensayos de laboratorio como en recorridos reales en caminos rurales.
¿Cómo reciben los menores y adolescentes los mensajes publicitarios que promueven la igualdad de género? ¿Es suficiente con despertar una emoción o es necesario que comprendan también la causa social que transmite la campaña? Estas son algunas de las cuestiones que aborda una investigación liderada por la UMA que utiliza el neuromarketing como herramienta de análisis.
Sigue leyendoLa Universidad Pablo de Olavide se ha incorporado al Programa de Conservación del Salinete y Fartet de la Junta de Andalucía, una iniciativa que busca frenar el declive de estas dos especies de peces amenazadas y recuperar sus poblaciones en el medio natural. En el marco de esta colaboración, la Consejería de Sostenibilidad y Medio Ambiente ha autorizado la cesión a la UPO de 300 ejemplares de salinete (Aphanius baeticus), un pequeño pez que solo vive en Andalucía y cuyas poblaciones se encuentran en franco retroceso.
Sigue leyendo

