Neurale netværk bag sociale medier kan bruge uendelige mængder strøm

Neurale netværk dækker over en matematisk model, der er inspireret af den menneskelige hjerne, og som kan trænes til at løse komplicerede opgaver bedre end noget menneske.

Disse netværk bruges heftigt inden for blandt andet sociale medier, streaming og onlinespil til at målrette det helt rigtige opslag, den bedste film eller det sjoveste spil til netop dig. Derudover bruges neurale netværk også inden for sundhedsvæsenet til eksempelvis at genkende kræft på CT-skanninger.

Og selvom teknologien er meget effektiv, bør den ikke misbruges. Sådan lyder det fra en dansk forsker bag et nyt studie, der viser, at man kan bruge al verdens strøm på at træne et enkelt neuralt netværk uden at nå perfektion.

”Problemet er, at vi kan bruge uendelige mængder strøm på at træne de her neurale netværk til for eksempel at kunne målrette reklamer mest effektivt til os. Netværket bliver aldrig færdig med at træne og blive bedre. Det er som et sort hul, der sluger al energi, du kaster i det, og det er bestemt ikke bæredygtigt,” forklarer Mikkel Abrahamsen, der er adjunkt på Datalogisk Institut på Københavns Universitet.

Derfor skal vi bruge teknologien med omtanke og hver gang overveje, om det er nødvendigt med neurale netværk, eller om simplere og mere energibesparende løsninger er tilstrækkelige, uddyber han.

”Det er vigtigt, at vi overvejer, hvor vi vil bruge neurale netværk, så teknologien giver mest værdi for os mennesker. Nogle vil nok mene, at det er mere rimeligt at bruge neurale netværk til at undersøge scanningsbilleder for kræft, end til at målrette reklamer og produkter til os på sociale medier og streamingtjenester. I nogle tilfælde kan man også nøjes med andre teknikker som f.eks. regression eller random decision forest, som er mindre ressourcekrævende,” siger han.

En træning, der aldrig stopper

Neurale netværk trænes ved at blive fodret med data. Det kan eksempelvis være skanningsbilleder, hvor det neurale netværk lærer at genkende fotos, der viser, at patienten har kræft.

Træningen kan i princippet fortsættes i det uendelige, og i det nye studie viser forskerne, at det er skruen uden ende, fordi processen svarer til at løse meget avancerede ligninger med mange ubekendte.

”De bedste algoritmer, vi kender til, kan kun håndtere op til otte ubekendte, mens de neurale netværk kan have flere milliarder parametre, som skal indstilles. Derfor finder vi aldrig den optimale løsning, når netværket trænes, selv hvis vi bruger al verdens energi fra nu af og til evig tid,” forklarer Mikkel Abrahamsen.

Neurale netværk bliver desuden også dårligere og dårligere til at udnytte den energi, der puttes i dem, uddyber han.

”Når vi træner neurale netværk, går det langsommere og langsommere. De kan for eksempel nå en nøjagtighed på 80 procent efter én dag, mens det tager en hel måned mere at komme op på 85 procent. Så man får mindre og mindre ud af den energi, man bruger i træningen, og når aldrig perfektion,” siger Mikkel Abrahamsen.

Mange mennesker er ikke klar over, at netværkene kan trænes i det uendelige, og derfor mener Mikkel Abrahamsen, at vi bør sætte fokus på det store forbrug af energi.

”Vi ved ikke, at vi er medvirkende til det her enorme energiforbrug, når vi logger på Facebook eller Twitter, sammenlignet med vores bevidsthed når det for eksempel gælder en flyrejse til et andet kontinent eller køb af nyt tøj. Derfor bør vi få øjnene op for denne del af klimaaspektet, nemlig, hvor meget teknologien forurener,” slutter han.