Bewertung des CO2-Fußabdrucks von NLP-Methoden: Eine Übersicht und Analyse vorhandener Werkzeuge

Moderne Natural Language Processing (NLP) nutzt intensiv Deep-Learning-Methoden aufgrund der Genauigkeit, die sie für verschiedene Anwendungen bieten. Aufgrund der signifikanten Umweltauswirkungen von Deep Learning wurde eine Kosten-Nutzen-Analyse einschließlich des CO2-Fußabdrucks sowie Genauigkeitsmessungen vorgeschlagen, um die Verwendung von NLP-Methoden in Forschung oder Einsatz besser zu dokumentieren. In diesem Artikel überprüfen wir die verfügbaren Werkzeuge zur Messung des Energieverbrauchs und der CO2-Emissionen von NLP-Methoden. Wir beschreiben den Umfang der bereitgestellten Messungen und vergleichen die Verwendung von sechs Werkzeugen (carbon tracker, experiment impact tracker, green algorithms, ML CO2 impact, energy usage und cumulator) bei benannten Entity-Recognition-Experimenten, die auf verschiedenen Rechenumgebungen durchgeführt wurden (lokaler Server vs. Rechenzentrum). Basierend auf diesen Erkenntnissen schlagen wir umsetzbare Empfehlungen vor, um die Umweltauswirkungen von NLP-Experimenten genau zu messen.