الأهداف/ الأغراض: مع الزيادة المستمرة في عدد سكان السمنة على مستوى العالم، اقترح الباحثون تقنيات التعلم الآلي والشبكات العصبية في توقع السمنة مسبقًا استنادًا إلى عوامل نمط الحياة والديموغرافيا. ومع ذلك، الأنبياء الحاليون يشتركون في نهج الذكاء الاصطناعي الأحمر القائم، أي تحسين دقة النموذج بأي ثمن دون النظر إلى تأثير هذا النموذج على البيئة من حيث بصمة الكربون والكفاءة. تصميم الدراسة: قدمت هذه الورقة استراتيجية اختيار نموذج ذكاء اصطناعي أخضر لتوقع مخاطر السمنة تعتمد على طريقة تحديد متعددة المعايير، تأخذ في الاعتبار وقت الحوسبة، عند اختيار النموذج الأمثل للنشر النهائي. المنهجية: في هذا البحث، استخدمنا نموذجين من التعلم العميق وثلاثة نماذج من التعلم الآلي. استخدمنا خوارزميات الشبكة العصبية الالتفافية (CNN)، الشبكة العصبية الاصطناعية (ANN)، الغابة العشوائية (RF)، الانحدار اللوجستي (LR) وأشجار القرار (DT). تحدد طريقتنا المقترحة النموذج الأمثل للنشر النهائي استنادًا إلى تسوية متساوية بين أداء النموذج ووقت الحوسبة. تم حساب بصمة الكربون المقدرة واستهلاك الطاقة لتدريب النماذج المستخدمة في هذه الدراسة باستخدام خوارزميات خضراء. النتائج: من تحليلنا المقارن، كانت استراتيجية اختيار الذكاء الاصطناعي الأخضر لدينا تفضل نموذج الغابة العشوائية، الذي حصل على دقة بنسبة 97.16%، استغرق 0.03420 ثانية من وقت الحوسبة، و2.36 ملغ من انبعاثات CO2e لبصمة الكربون و2.62×10−3 WH من استهلاك الطاقة خلال تدريب النموذج والتحقق منه. الخاتمة: تعتبر مساهمات هذه الورقة مهمة لدعم الدعوة المستمرة للذكاء الاصطناعي الأخضر، خاصة في مجال الرعاية الصحية. علاوة على ذلك، تشير النتائج إلى أننا لا نحل التحدي الصحي للسمنة بينما نخلق تحديات أخرى مع زيادة بصمة الكربون.
دراسة Udo وآخرون (الخميس) هذا السؤال.