摘要

本文由Daniel Geißler和Paul Lukowicz撰写，题为“利用混合智能实现可持续和节能的机器学习”，探讨了如何通过结合人类认知能力和人工智能（AI）的优势来提升机器学习的可持续性和能源效率。随着大型语言模型（LLM）作为智能代理参与加速机器学习的发展，混合智能成为人机有效交互的重要课题。本文提出了一种通过人机循环（HITL）和LLM代理引入次级知识源的方法，以突出并进一步解决机器学习开发过程中的低效率问题。文章强调了在机器学习模型开发中，除了最终模型性能外，过程本身的效率和能源消耗同样重要，特别是在大规模计算过程中对环境的影响日益显著的背景下。

原理

本文的核心在于利用混合智能来提升机器学习的可持续性和能源效率。混合智能结合了人类的直觉和AI的计算能力，通过HITL系统和LLM代理的辅助，实现对机器学习模型的实时优化和资源效率的提升。具体来说，通过高维可视化技术和维度降低方法，如雷达图和主成分分析（PCA），用户可以直观地理解模型训练过程中的数据流动和潜在空间的变化，从而进行有效的干预和调整。此外，LLM代理如Chat-GPT和VisionLLaMA能够提供智能建议，增强人机交互的深度和广度。

流程

论文提出的工作流程包括两个主要阶段：首先，通过混合智能的可视化工具，如雷达图和散点图，用户可以实时监控和调整机器学习模型的训练过程，识别并优化低效环节。其次，通过集成能源跟踪工具，如Carbontracker和eco2Ai，直接在训练循环中监控和优化能源消耗，确保模型训练既高效又节能。例如，通过HITL系统，专家可以在训练过程中通过可视化数据点进行干预，而LLM代理则提供智能建议，帮助优化训练策略。

应用

本文提出的混合智能方法不仅适用于机器学习模型的开发和优化，还具有广泛的应用前景，特别是在需要高能效和环境可持续性的领域，如智能家居、可穿戴设备和物联网。通过集成混合智能框架，可以实现从数据收集到模型部署的全生命周期能源管理，推动机器学习技术的绿色发展。