AI-CARE: Neue Metrik für CO₂‑freundliches ML-Benchmarking

Mit dem rasanten Wachstum des maschinellen Lernens wird der ökologische Fußabdruck von Trainings- und Inferenzprozessen immer wichtiger. Traditionelle Benchmarks konzentrieren sich fast ausschließlich auf klassische Leistungskennzahlen wie Genauigkeit, BLEU oder mAP und vernachlässigen dabei Energieverbrauch und CO₂‑Emissionen. Das neue Tool AI‑CARE adressiert dieses Defizit, indem es die Energieaufnahme und die damit verbundenen Treibhausgasemissionen von ML‑Modellen transparent dokumentiert.

Ein zentrales Feature von AI‑CARE ist die „Carbon‑Performance‑Tradeoff‑Curve“, die die Pareto‑Grenze zwischen Modellleistung und CO₂‑Kosten visualisiert. Durch theoretische Analysen und praktische Tests an repräsentativen ML‑Workloads zeigt die Studie, dass die Berücksichtigung von CO₂‑Kosten die relative Rangfolge von Modellen verändert und Architekturen belohnt, die gleichzeitig hochpräzise und umweltfreundlich sind.

AI‑CARE fördert damit einen mehrdimensionalen Evaluationsansatz, der nicht nur die technische Exzellenz, sondern auch die Nachhaltigkeit von KI‑Systemen bewertet. Die Entwicklergemeinschaft wird so ermutigt, Modelle zu entwickeln, die sowohl leistungsstark als auch ressourcenschonend sind – ein Schritt, der die KI-Forschung stärker an globalen Klimazielen ausrichtet. Das Tool sowie die zugehörige Dokumentation sind unter https://github.com/USD-AI-ResearchLab/ai-care verfügbar.