ㅁ 최적화

1. 탄소중립AI

ㅇ 정의:
AI 모델 개발, 학습, 운영 과정에서 발생하는 탄소 배출을 최소화하거나 상쇄(Carbon Offset)하여 환경 영향을 줄이는 AI 접근 방식.

ㅇ 특징:
– 모델 학습 시 전력 소모량과 전력의 탄소 배출 계수를 고려하여 설계.
– 데이터센터의 재생에너지 사용 비율을 높이거나, 연산 효율을 개선.
– 경량 모델 설계, 연산량 감소 알고리즘, 하드웨어 효율 최적화.
– 탄소배출량 측정·모니터링 도구 활용.

ㅇ 적합한 경우:
– 대규모 AI 학습 프로젝트(예: 대형 언어모델, 이미지 생성 모델)에서 환경 영향을 줄이고자 할 때.
– ESG 경영 목표를 가진 기업의 AI 프로젝트.
– 정부·국제기구의 탄소중립 규제를 준수해야 하는 경우.

ㅇ 시험 함정:
– 단순히 재생에너지를 사용하는 것만이 탄소중립AI는 아님.
– 모델 경량화만으로도 탄소중립이 완성된다고 오해하면 안 됨.
– 탄소중립AI는 운영단계(추론)에서도 고려되어야 함.

ㅇ 시험 대비 “패턴 보기” 예시:
O: “탄소중립AI는 AI 전 생애주기에서 탄소 배출을 최소화하거나 상쇄하는 것을 목표로 한다.”
X: “탄소중립AI는 데이터센터에 태양광 패널을 설치하는 것만을 의미한다.”

ㅁ 추가 학습 내용

탄소발자국(Carbon Footprint) 계산 방법
전력 사용량(kWh)에 전력의 탄소계수(kgCO2/kWh)를 곱하여 탄소배출량을 산출한다.

그린 AI vs 레드 AI
그린 AI는 효율성과 환경영향 최소화를 목표로 하며, 자원 사용을 줄이는 방향의 개발과 운영을 지향한다.
레드 AI는 성능 극대화를 위해 자원 소모를 감수하는 접근을 취한다.

Scope 1, 2, 3 배출 구분
Scope 1: 직접배출 – 기업이 보유·통제하는 시설에서 직접 발생하는 온실가스 배출.
Scope 2: 간접배출 – 구매한 전기, 열, 증기 사용에서 발생하는 간접 온실가스 배출.
Scope 3: 가치사슬 배출 – 제품 생산, 운송, 사용, 폐기 등 기업 활동 전후의 가치사슬에서 발생하는 기타 간접 배출.

탄소상쇄(Carbon Offset) 수단
재조림, 탄소포집저장(CCS) 등으로 배출된 탄소를 상쇄하거나 줄이는 활동.

AI 모델 최적화 기법의 환경영향
Mixed Precision Training: 연산 정밀도를 줄여 연산량과 전력 소모를 감소시킴.
Pruning: 불필요한 파라미터를 제거해 모델 크기와 연산량을 줄임.
Knowledge Distillation: 큰 모델의 지식을 작은 모델로 전달해 효율적인 모델을 구현, 탄소배출 절감에 기여.