Vihreä koodi tekoälyn aikakaudella: Voiko tekoälyn luoma koodi olla energiatehokasta?

Tässä blogikirjoituksessa perehdytään ”vihreän koodin” käsitteeseen generatiivisen tekoälyn kontekstissa ja pohditaan, voiko tekoälyn luoma koodi olla aidosti ympäristövastuullista.

Ohjelmistoala on modernin teknologisen kehityksen sydämessä, mutta sen kasvava ympäristöjalanjälki herättää huolta. Metan Mark Zuckerberg on sanonut, että energian tuotanto on rajoittava tekijä tekoälyn käytössä ja kehityksessä. Samalla teknologiajätit ovat todenneet (Yle, Guardian), että tekoälyn käytöstä johtuva palvelinkeskuksien kasvanut energiankäyttö vaarantaa heidän hiilineutraaliustavoitteensa.

Digitalisaation nopea eteneminen tuo mukanaan kriittisen kysymyksen: Voimmeko suunnitella ja kehittää koodia, joka ei ainoastaan toimi tehokkaasti, vaan myös kuormittaa ympäristöä mahdollisimman vähän? Tämä pohdinta nousee entistä tärkeämmäksi generatiivisen tekoälyn aikakaudella, sillä teknologiat, kuten suuret kielimallit (LLM), voivat muuttaa ohjelmistojen kehittämisen perustavanlaatuisesti. 

Ohjelmistojen ympäristövaikutukset

Vaikka digitaalinen maailma näyttää aineettomalta, sen taustalla on massiivinen fyysinen infrastruktuuri: datakeskukset, laitteet ja verkot, jotka kuluttavat valtavasti energiaa ja aiheuttavat hiilidioksidipäästöjä. Usein puhutaan laitteiston ympäristövaikutuksista, mutta ohjelmistojen osuus jää keskusteluissa paitsioon. Silti ohjelmistoilla on merkittävä rooli energiankulutuksen ja ympäristökuorman kasvussa.

Verkkosivustojen kontekstissa energiankulutukseen vaikuttavat erityisesti:

• Suuret ja huonosti optimoidut mediatiedostot ja kuvat
• Ylimääräinen käyttämätön lähdekoodi, kuten turhat riippuvaisuudet ja muu JavaScript-koodi
• Tehottomat välimuisti- ja CDN-ratkaisut

Ylläolevat vaikuttavat energiankulutukseen niin palvelimella kuin loppukäyttäjän päätelaitteella. Yksinkertaistettuna voidaan ajatella, että mitä lyhyemmät latausajat sivustolla on, sen energiatehokkaampi se on. Kun digipalveluiden kysyntä kasvaa, kasvaa myös niiden ympäristövaikutus. Tämä tekee energiatehokkuuteen tähtäävistä ohjelmointikäytännöistä elintärkeitä kestävän digitaalisen tulevaisuuden kannalta.

Generatiivisen tekoälyn mahdollisuudet ja riskit vihreän koodin näkökulmasta

Generatiivinen tekoäly tarjoaa ennennäkemättömiä mahdollisuuksia ohjelmistokehitykselle. Puhutaan jopa siitä, että ohjelmistokehittäjiä ei kohta enää tarvita, koska tekoäly hoitaa tämän työn. Netti on pullollaan verkkokursseja, joissa opetetaan koodaamaan tekoälyavusteisesti ilman teknistä osaamista. Tekoälyn avulla koodia voidaan luoda nopeasti luonnollisella kielellä, mikä lisää kehittäjien tuottavuutta ja lyhentää kehityssyklejä. Lisäksi tekoäly voi parantaa koodin laatua tunnistamalla virheitä ja ehdottamalla korjauksia.

Näistä hyödyistä huolimatta generatiivisella tekoälyllä on myös haasteensa ympäristövastuullisen koodin luomisessa. Uusimpien tutkimusten, kuten Sikandin ym. (2024), mukaan suositut tekoälytyökalut (ChatGPT, BARD nyk. Gemini, Copilot) eivät luo oletusarvoisesti ympäristövastuullista koodia. Tutkimuksessa tutkittiin Java-koodin generointia erillisen ympäristövastuullisuutta mittaavan kriteeristön pohjalta. Tutkimuksen tulos on mielenkiintoinen, koska se luo paljon kysymyksiä siihen voiko tekoälyä hyödyntää ympäristövastuullisten digipalveluiden lähdekoodin kehittämisessä.

Miksi tekoäly epäonnistuu vihreän koodin luomisessa?

Generatiivisen tekoälyn puutteet vihreän koodin tuottamisessa voivat johtua monista syistä eikä tähän ole tällä hetkellä yksiselitteistä vastausta. Näitä syitä voivat olla:

• Koulutusdatan vinouma: Tekoälymallit koulutetaan olemassa olevalla koodilla, joka ei välttämättä noudata energiatehokkuuden periaatteita. Jos koodi ei ole lähtökohtaisesti optimoitua, tekoäly toistaa nämä tehottomuudet. Malleja on koulutettu esimerkiksi Stack Overflowsta ja Githubista saatavalla lähdekoodilla.
• Kestävyystavoitteiden puute: Nykyiset tekoälytyökalut optimoidaan pääosin koodin toiminnallisuuden ja tehokkuuden (esim. koodirivien määrän tai syntaksin) mukaan, mutta energiatehokkuus ei ole niille keskeinen prioriteetti.
• Tekoälyn musta laatikko: Tekoälymallien päätöksenteko on läpinäkymätöntä, jolloin on vaikea arvioida, miksi tietty koodirakenne syntyy ja kuinka energiatehokas se lopulta on. Tämä sama haaste näkyy myös tekoälyn eettisyyden arvioinnissa.

Tarvitaanko vihreän tekoälyn vallankumous?

Jotta voimme rakentaa kestävää digitaalista tulevaisuutta, tarvitsemme muutosta – “vihreän tekoälyn vallankumousta”. Tämä vaatii monitahoista lähestymistapaa, joka keskittyy seuraaviin keskeisiin toimenpiteisiin:

Vihreän koodauksen käytäntöjen sisällyttäminen koulutusdataan

Tekoälymallit on koulutettava energiatehokkaalla lähdekoodilla. Tämä edellyttää ohjelmistokehittäjiltä yhteistyötä ympäristövastuullisen koulutusdatan kehittämiseksi ja jakamiseksi. Tähän voitaisiin panostaa esimerkiksi avoimen lähdekoodin toiminnan kautta.

Kestävyystietoisten tekoälytyökalujen kehittäminen

Tulevaisuuden tekoälytyökalujen on otettava huomioon energiankulutus yhtenä keskeisenä optimointikohteena.

Läpinäkyvyyden lisääminen

Tekoälytyökalujen päätöksentekoprosessien selittäminen auttaisi kehittäjiä ohjaamaan tekoälyä paremmin ja optimoimaan koodin energiatehokkuutta.

Tietoisuuden lisääminen ja koulutus

Ohjelmistokehittäjien on ymmärrettävä työnsä ympäristövaikutukset ja omaksuttava vihreän koodauksen käytännöt. Tämä edellyttää kestävyyden integroimista koulutukseen ja ammatilliseen kehitykseen. Lue lisää digitaalisen hiilijalanjäljen minimoinnista oppaastamme.

Kestävä digitaalinen tulevaisuus

Generatiivinen tekoäly mullistaa ohjelmistokehitystä, mutta sen mahdollisuudet on hyödynnettävä vastuullisesti. Energiatehokkuuden ja kestävyyden integrointi tekoälyyn on kriittinen askel kohti digitaalista tulevaisuutta, joka ei vain innovoi, vaan tekee sen ympäristövastuullisesti.

Tutustu tutkimukseen tarkemmin:

S. Sikand, R. Mehra, V. S. Sharma, V. Kaulgud, S. Podder and A. P. Burden, “Do Generative AI Tools Ensure Green Code? An Investigative Study,” 2024 IEEE/ACM International Workshop on Responsible AI Engineering (RAIE), Lisbon, Portugal, 2024, pp. 52-55.