Ambiental
El potencial riesgo de detrimento o impacto adverso sobre el medio ambiente natural y los ecosistemas, generado por la operación o el ciclo de vida del sistema de aprendizaje automático
ENTIDAD
2 - IA
INTENCIÓN
2 - Involuntario
TIEMPO
3 - Otro
ID del riesgo
mit202
Linea de dominio
6. Socioeconómico y Ambiental
6.6 > Daño ambiental
Estrategia de mitigacion
1. Priorizar la Optimización Algorítmica y la Eficiencia del Modelo: Aplicar el paradigma "Green Machine Learning" para reducir la complejidad computacional y el consumo energético sin comprometer la precisión. Esto incluye la selección de arquitecturas ligeras (ej. modelos dispersos), el uso de técnicas de compresión como la poda y la cuantización (ej. FP16/INT8), y aprovechar el Aprendizaje por Transferencia para evitar el reentrenamiento intensivo en recursos. 2. Fomentar la Sostenibilidad de la Infraestructura y la Operación: Exigir el despliegue de sistemas de Aprendizaje Automático en centros de datos que utilicen fuentes de energía renovable ("Green Data Centers") y hardware energéticamente eficiente (ej. TPUs, NPUs). Implementar la programación consciente del carbono (Carbon-Aware Scheduling) para ejecutar tareas de alto consumo durante momentos de baja intensidad de carbono en la red eléctrica. 3. Mitigar el Efecto Rebote (Paradoja de Jevons) mediante Políticas de Suficiencia: Implementar medidas que impidan que las ganancias de eficiencia se compensen con un aumento en el consumo total. Esto requiere un cambio de enfoque de la mera eficiencia a la suficiencia y la reducción absoluta, acompañado de mecanismos económicos como la tarificación del carbono para internalizar los costos ambientales e incentivar el uso consciente de los recursos.
EVIDENCIA ADICIONAL
Existen tres vías principales a través de las cuales los sistemas de Aprendizaje Automático (AA) pueden impactar negativamente en el medio ambiente. La primera es el aumento de la contaminación o la contribución al cambio climático debido al consumo de recursos del sistema, lo cual se relaciona directamente con el coste y la eficiencia energética durante el entrenamiento y la inferencia. Factores clave aquí incluyen la eficiencia del algoritmo, su implementación, el procedimiento de entrenamiento, la eficiencia del hardware computacional y el tipo de red eléctrica que lo alimenta. La segunda vía es el efecto negativo de las predicciones del sistema de AA sobre el entorno, que depende del caso de uso, la precisión de la predicción y su robustez. Por ejemplo, un error de predicción en la gestión de servidores puede activar recursos innecesarios, o en la regulación de cuotas de pesca puede conducir a la sobrepesca. Finalmente, la automatización de tareas genera a menudo efectos colaterales, como un mayor uso debido al incremento de la accesibilidad, un fenómeno conocido como la Paradoja de Jevons o el postulado de Khazzoom-Brookes. Un ejemplo de esto es la posible adopción de vehículos autónomos privados por parte de usuarios de transporte público, lo que podría causar un aumento neto en el número de vehículos en circulación.