Una nueva inteligencia artificial reduce más del 98% el consumo energético de los algoritmos de ciudades inteligentes
- Maria Calero
- hace 2 minutos
- 3 min de lectura
Con el objetivo de ofrecer una visión más completa, los investigadores analizaron por primera vez de forma conjunta el consumo energético, el tiempo de ejecución y la memoria utilizada por diferentes algoritmos de optimización y aprendizaje.
La inteligencia artificial (IA) podría ser mucho más sostenible de lo que es hoy. Un equipo internacional liderado por la Universidad de Málaga (UMA) ha desarrollado una estrategia capaz de reducir más del 98 % el consumo energético asociado a determinados procesos de optimización, uno de los mayores costes ocultos de los sistemas de IA actuales en ciudades inteligentes.
La investigación, realizada junto a la Universidad de Saitama (Japón) y publicada en la revista Future Generation Computer Systems, propone un nuevo enfoque basado en modelos sustitutos apoyados en redes neuronales, una metodología que los autores denominan Optimización Verde y que abre el camino hacia una inteligencia artificial más sostenible.
Hasta ahora, la eficacia de los algoritmos de inteligencia artificial se ha medido principalmente por la rapidez con la que encuentran una solución o por la precisión de sus resultados. Sin embargo, entrenar y ejecutar estos modelos requiere una elevada cantidad de recursos computacionales y un importante consumo eléctrico, un aspecto que suele pasar desapercibido cuando se evalúa su rendimiento.
Con el objetivo de ofrecer una visión más completa, los investigadores analizaron por primera vez de forma conjunta el consumo energético, el tiempo de ejecución y la memoria utilizada por diferentes algoritmos de optimización y aprendizaje. Los algoritmos de optimización permiten resolver problemas con un gran número de variables en ámbitos como la movilidad, la logística, la industria o la gestión de ciudades inteligentes.
Un ejemplo es la regulación del tráfico urbano, donde complejos simuladores informáticos calculan continuamente cómo afectará cada modificación de los semáforos a la circulación. Es precisamente en esas simulaciones donde se concentra la mayor parte del tiempo de cálculo y del gasto energético.
Para reducir ese coste, Enrique Alba y Gabriel Luque, investigadores del Instituto de Tecnologías e Ingeniería del Software (ITIS) de la Universidad de Málaga, junto con Tomohiro Harada, de la Universidad de Saitama, proponen utilizar redes neuronales capaces de actuar como modelos sustitutos que estiman el resultado de las simulaciones sin necesidad de ejecutarlas completamente.
Para validar la metodología, el equipo aplicó el sistema a escenarios reales de regulación del tráfico en Málaga, París y Estocolmo, con el objetivo de minimizar los tiempos de espera y mejorar la fluidez de la circulación. Los resultados muestran que los modelos de inteligencia artificial correctamente entrenados consiguen reducir más del 98 % el consumo energético asociado a la evaluación de soluciones respecto a los simuladores tradicionales. Además, el tiempo de ejecución también disminuye aproximadamente un 98 %, lo que permite acelerar notablemente los procesos de optimización.
No obstante, los investigadores advierten de que la evaluación de la eficiencia debe realizarse de forma global, ya que algunos algoritmos requieren una mayor cantidad de memoria para almacenar y actualizar las redes neuronales.
Uno de los hallazgos más interesantes del estudio demuestra que las redes neuronales entrenadas con conjuntos de datos más amplios terminan consumiendo menos energía. Según explican los autores, estos modelos aprenden a eliminar conexiones matemáticas innecesarias —generando valores nulos en parte de la red—, reduciendo así el trabajo que debe realizar el procesador durante los cálculos.
La investigación también analiza el impacto energético del propio entrenamiento de la inteligencia artificial. Los autores compararon un modelo entrenado una sola vez antes del proceso de optimización con otro que se actualiza continuamente a medida que aparecen nuevas soluciones. Los resultados indican que este reentrenamiento adaptativo consigue un mejor equilibrio entre precisión, consumo energético y tiempo de cálculo, especialmente en problemas complejos que evolucionan durante el proceso de búsqueda.
Aunque el estudio utiliza como banco de pruebas la optimización de sistemas semafóricos, los investigadores consideran que esta estrategia puede aplicarse a numerosos ámbitos, como la planificación industrial, la logística, la computación en el propio dispositivo (edge computing) y la gestión de ciudades inteligentes. "Hasta ahora, la prioridad de la informática ha sido casi exclusivamente la velocidad de procesamiento y la precisión de la respuesta. 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", explican los profesores de la Universidad de Málaga, Gabriel Luque y Enrique Alba.