Key points are not available for this paper at this time.
Le traitement moderne du langage naturel (NLP) utilise intensivement des méthodes d'apprentissage profond en raison de la précision qu'elles offrent pour une variété d'applications. En raison de l'impact environnemental significatif de l'apprentissage profond, une analyse coûts-bénéfices incluant l'empreinte carbone ainsi que des mesures de précision a été suggérée pour mieux documenter l'utilisation des méthodes NLP pour la recherche ou le déploiement. Dans cet article, nous examinons les outils disponibles pour mesurer l'utilisation d'énergie et les émissions de CO 2 des méthodes NLP. Nous décrivons l'étendue des mesures fournies et comparons l'utilisation de six outils (suivi de carbone, suivi de l'impact des expériences, algorithmes verts, impact ML CO2, utilisation d'énergie et cumulant) sur des expériences de reconnaissance d'entités nommées réalisées sur différentes configurations informatiques (serveur local vs. installation informatique). Sur la base de ces résultats, nous proposons des recommandations concrètes pour mesurer avec précision l'impact environnemental des expériences de NLP.
Bannour et al. (Fri,) ont étudié cette question.