최근 OpenAI에서 개발한 이미지 생성 모델인 DALL-E와 ChatGPT 등이 대중들에게 공개되면서 큰 반향을 일으켰다. AI기술은 외국어 학습, 자산관리, 창작예술, 교육 등 다방면에 걸쳐 활용되고 있으며 학생부터 전문가까지 일상의 다양한 분야에서 ChatGPT와 같은 기술을 어떻게 활용할 수 있을지에 대해 열띤 토론이 벌어지고 있다. 앞으로 인공지능 모델은 주어진 업무의 정확한 수행 뿐만 아니라 사용자와 소통하며 협력적인 관계가 될 것으로 기대된다. 즉, 사용자 중심의 인간 친화적 AI로 발전할 것으로 전망된다. 

그러나 이러한 인공지능의 비약적인 발전에서 간과되는 점이 있다. ChatGPT, DALL-E와 같이 수십억개의 매개변수를 사용하는 모델은 학습과 사용하는 과정에서 많은 컴퓨터 자원을 소모하며, 이는 상당한 탄소 배출을 유발하게 된다. 따라서, 인공지능 모델의 성능이 발전하고 사람들이 더 많이 사용할수록 이러한 모델이 기후 변화를 가속화할 가능성이 있다. 이제 인공지능을 사용하는 일반 사용자들도 인공지능 기술이 제공하는 편리함 뒤에 숨어있는 환경적 영향에도 주의를 기울여야 할 필요가 있다. 

이러한 문제의식을 공유한 서울시립대학교 인간중심 인공지능 연구실 정형구 교수 연구팀과 우리대학 공업디자인학과 권효선 교수가 협업하여 탄소 중립을 지향하는 AI 시각화 연구를 시작했다.

본 연구에서는 인공지능 모델이 추론 과정에서 발생하는 탄소 배출량을 시각화해 보여주는 도구(MIEV)를 개발했다. 본 연구팀은 DALL-E, ChatGPT 등 AI 모델들이 사용자 중심으로 발전함에 따라, 사람들이 인공지능 시스템과 적극적으로 상호작용 하게 된 현상에 주목했다. 이러한 모든 상호 작용은 DALL-E 모델이 이미지 생성하거나 ChatGPT의 응답을 하는 추론 과정으로 이어진다. 인공지능 시스템의 사용 증가는 곧 탄소 배출량의 증가로 연결되며, 이에 대한 인식을 높이고자 우리는 인공지능의 추론 과정에서 발생하는 탄소 배출량을 시각화하는 데 중점을 두었다. 이러한 시각화 도구가 TensorFlow Hub와 같은 인공지능 개발자들의 커뮤니티에서 어떻게 사용될 수 있을지, 개발자들의 사용 경험을 시나리오를 통해 고찰해보고 향후 이러한 도구가 탄소중립 AI 개발을 위한 커뮤니티에서의 활용에 대해 제언했다. 

 

 

Model Inference Emission Visualizer (MIEV)

 

 

MIEV 사용 시나리오

 

이 도구를 통해 개발자들은 AI 개발 주기에서 모델의 성능과 정확성뿐만 아니라 친환경성을 고려하여 최적화하기 위한 의사 결정을 내릴 수 있다. 또한, 연구에서 개발한 툴을 사용함으로써 현재 성능이 우선시되는 AI 연구 분야에서 자주 간과되는 AI의 환경적 비용에 대한 인식을 높일 수 있다. 

인간중심 인공지능 연구자들과 사용자 중심 디자인 연구자들의 융합형 연구 협업으로 AI의 성능과 그 AI와 함께 살아갈 사용자들의 환경을 동시에 고려하는 "Green AI" 연구 및 개발의 길을 열 수 있을 것으로 기대한다.

해당 논문은 소셜 컴퓨팅 및 인간-컴퓨터 상호작용(Human-Computer Interaction)분야 상위 학술대회인 ACM Conference on Computer-Supported Cooperative Work and Social Computing (ACM CSCW)에서 포스터로 발표했다. 논문의 1저자인 경희대학교 소프트웨어융합학과 학부생 유태원 학생이 정형구 교수 연구실에서 학부생 인턴으로 근무하면서 진행됐다. 

 

Taewon Yoo, Hyunmin Lee, SeungYoung Oh, Hyosun Kwon, and Hyunggu Jung. 2023. Visualizing the Carbon Intensity of Machine Learning Inference for Image Analysis on TensorFlow Hub. In Computer Supported Cooperative Work and Social Computing (CSCW '23 Companion). Association for Computing Machinery, New York, NY, USA, 206–211. https://doi.org/10.1145/3584931.3606959