グリーン選択：動的モデル選択によるグリーンAIの推進
なぜ重要か: 企業や社会への影響が見込まれ、一般メディアにも波及する可能性があります。
arXiv:2509.19996v1発表タイプ：クロス
概要：人工知能は様々な分野でますます普及しており、高度なモデルが優れた予測性能を実現しています。しかし、この急速な技術進歩は環境コストという懸念事項を伴い、最先端モデル、特に深層ニューラルネットワークや大規模言語モデルは膨大な計算資源とエネルギーを必要としています。本研究では、AIの環境負荷を削減することを目的とした動的モデル選択に基づくGreen AI動的モデル選択の概念を紹介します。これは、潜在的な精度損失を最小限に抑えながら、最も持続可能なモデルを選択するアプローチです。具体的には、推論タスク、利用可能なモデルの環境持続可能性、精度要件を考慮して、最適なモデルを動的に選択します。本アプローチは、Green AI動的モデルカスケードとGreen AI動的モデルルーティングという2つの異なる手法を提示します。実世界のデータセットに基づく概念実証的な例を用いて、本アプローチの有効性を示します。その結果、Green AI動的モデル選択は、エネルギー消費量を大幅に削減（最大約25％）しながら、最もエネルギー消費量の多いソリューションの精度をほぼ維持できる（最大約95％）ことを示しています。結論として、予備的な知見から、ハイブリッドで適応的なモデル選択戦略が、精度要件を大幅に損なうことなく、現代のAIシステムのエネルギー需要を軽減する可能性が示唆されました。
原文（英語）を表示
Title (EN): Choosing to Be Green: Advancing Green AI via Dynamic Model Selection
arXiv:2509.19996v1 Announce Type: cross
Abstract: Artificial Intelligence is increasingly pervasive across domains, with ever more complex models delivering impressive predictive performance. This fast technological advancement however comes at a concerning environmental cost, with state-of-the-art models – particularly deep neural networks and large language models – requiring substantial computational resources and energy. In this work, we present the intuition of Green AI dynamic model selection, an approach based on dynamic model selection that aims at reducing the environmental footprint of AI by selecting the most sustainable model while minimizing potential accuracy loss. Specifically, our approach takes into account the inference task, the environmental sustainability of available models, and accuracy requirements to dynamically choose the most suitable model. Our approach presents two different methods, namely Green AI dynamic model cascading and Green AI dynamic model routing. We demonstrate the effectiveness of our approach via a proof of concept empirical example based on a real-world dataset. Our results show that Green AI dynamic model selection can achieve substantial energy savings (up to ~25%) while substantially retaining the accuracy of the most energy greedy solution (up to ~95%). As conclusion, our preliminary findings highlight the potential that hybrid, adaptive model selection strategies withhold to mitigate the energy demands of modern AI systems without significantly compromising accuracy requirements.
Published: 2025-09-24 19:00 UTC