Metodo JEST di Google: addestramento AI più veloce ed efficiente

L’intelligenza artificiale è sempre più integrata in vari prodotti e servizi, da ChatGPT sugli iPhone a Gemini nelle app Google come Gmail e Google Docs. Questi progressi però hanno delle conseguenze a livello ambientale.

Il recente rapporto ambientale di Google sul 2024, infatti, ha rivelato un preoccupante aumento delle emissioni di gas serra, dovuto principalmente ai data center ad alto consumo energetico necessari per alimentare i sistemi AI. L’addestramento e l’esecuzione di questi modelli richiede una potenza di calcolo enorme e di conseguenza un elevato dispendio energetico.

Per questo motivo, la ricerca di soluzioni più efficienti e sostenibili per l’intelligenza artificiale è diventata una priorità sia per i ricercatori che per le aziende tech, al fine di ridurre l’impronta ambientale di queste tecnologie in rapida espansione.

L’AI di Google diventa 10 volte più efficiente e 13 volte più veloce con il metodo JEST

In questo contesto, DeepMind, il laboratorio di ricerca sull’IA di Google, ha introdotto JEST, un nuovo metodo per l’addestramento dei modelli AI. Secondo il rapporto pubblicato, questo metodo può migliorare notevolmente la velocità di addestramento e l’efficienza energetica.

JEST, acronimo di “joint example selection”, utilizza un approccio innovativo per addestrare i modelli di intelligenza artificiale, diverso dai metodi tradizionali. Mentre di solito ci si concentra su singoli dati, JEST si basa sull’analisi di interi lotti di dati. Inizialmente, un piccolo modello di AI valuta la qualità dei dati provenienti da fonti affidabili e classifica i lotti di dati in base alla loro qualità.

Successivamente, un modello di AI più grande utilizza queste valutazioni di qualità per addestrarsi in modo più efficiente, focalizzandosi sui lotti di dati migliori ed evitando quelli di scarsa qualità. Questo approccio permette un addestramento più veloce, efficiente e accurato dei modelli di intelligenza artificiale.

I risultati promettenti di JEST

I risultati ottenuti dal metodo JEST sono molto promettenti: rispetto ai modelli di AI attuali, JEST consente di ottenere delle prestazioni equivalenti o migliori con un addestramento ridotto e un minor consumo energetico. Tuttavia, questo metodo si basa sulla disponibilità di dati di addestramento iniziali di alta qualità. Per poter sfruttare appieno i vantaggi di JEST è quindi necessario disporre di basi di dati adeguate, che richiedono capacità e risorse di ricerca elevate per essere create.

L’innovazione di JEST arriva dunque in un momento cruciale: c’è una crescente preoccupazione per l‘impatto ambientale dei data center necessari per l’intelligenza artificiale, mentre parallelamente la domanda di potenza di calcolo per l’AI continua a crescere rapidamente. JEST può contribuire a mitigare questo problema, rendendo l’addestramento dei modelli più sostenibile.