Desarrollo Energéticamente Eficiente de Sistemas Habilitados para ML: Un Enfoque Centrado en los Datos

A medida que la integración de modelos de Aprendizaje Automático (ML) se vuelve omnipresente en los sistemas de software, los costos energéticos asociados han emergido como una preocupación crítica. Esta investigación profundiza en la eficiencia energética de los sistemas habilitados para ML, enfocándose en el componente de ML en sí y su impacto en el sistema global. Nuestro énfasis principal está en el enfoque centrado en los datos, particularmente en el contexto de la selección de características y la gestión del cambio de concepto, y cómo estos componentes energéticamente eficientes afectan el consumo energético total de los sistemas habilitados para ML. En nuestra investigación inicial, exploramos métodos de selección de características e identificamos variaciones significativas en su consumo energético. Esto nos llevó a profundizar en cómo diferentes técnicas para puntuar características contribuyen a la huella energética general de los modelos de ML. Posteriormente, estamos examinando el impacto de los cambios en la distribución de datos, a menudo referidos como cambio de concepto, en la precisión del modelo y los costos energéticos asociados. Nuestros experimentos empíricos revelarán ideas sobre estrategias energéticamente eficientes para manejar el cambio de concepto, un aspecto crucial para mantener los sistemas habilitados para ML. Compararemos varios métodos y su efectividad en mitigar los efectos adversos del cambio de concepto mientras mantenemos el consumo energético bajo control. Los hallazgos de nuestra investigación contribuyen al desarrollo de modelos de ML sostenibles y energéticamente eficientes dentro del contexto más amplio de la ingeniería de software. Por último, compararemos cómo diferentes alternativas de componentes de ML en sistemas habilitados para ML afectan el consumo energético total de estos sistemas.