La Asociación Española de Normalización publica una especificación UNE que medirá la sostenibilidad de la IA

MADRID 9 Oct. (EUROPA PRESS) -

La Asociación Española de Normalización (UNE), a iniciativa de la Secretaría de Estado de Digitalización e Inteligencia Artificial, ha publicado una nueva especificación técnica pionera en el compromiso con una Inteligencia Artificial más responsable y sostenible en el marco del Programa Nacional de Algoritmos Verdes (PNAV).

Según ha informado este jueves el Ministerio para la Transformación Digital y de la Función Pública, la finalidad de la norma es "establecer un marco común para la medición del consumo energético, la huella de carbono, el consumo de agua y el rendimiento de los sistemas de IA".

En relación con su desarrollo, el departamento que dirige Óscar López ha explicado que ha contado con la participación de un grupo de trabajo técnico especializado, integrado por más de 40 integrantes de la comunidad investigadora en algoritmos verdes, junto con empresas privadas, tanto grandes compañías tecnológicas como firmas "altamente especializadas" en IA, así como organismos de certificación que "aportan la perspectiva de verificación".

Además, ha señalado que la especificación proporciona una guía "detallada" para cuantificar el impacto ambiental de modelos y algoritmos de IA en todas las fases de su ciclo, especialmente durante el entrenamiento y la implementación, tanto en entornos locales como en la nube. Se centra, especialmente, en modelos de IA generativa y grandes modelos de lenguaje (LLMs), por su mayor carga computacional y consiguiente impacto ambiental.

"Mediante este aporte de estandarización, se da un paso decisivo hacia una IA más transparente, medible y eficiente desde el punto de vista ambiental, aportando una visión real y unificada de su impacto que permite comparar, optimizar y validar el desempeño medioambiental de los modelos de IA con rigor", ha manifestado. Esta iniciativa forma parte de la Estrategia de Inteligencia Artificial 2024.

Entre las métricas definidas, se incluyen indicadores que ayudan a monitorizar las fases más críticas del proceso, como el uso directo de energía y agua, así como a evaluar la eficiencia general de los modelos de IA durante el entrenamiento e inferencia, que son aquellas que concentran el mayor impacto ambiental. La especificación se centra en los puntos clave del ciclo de vida donde realmente se produce la mayor parte del consumo de recursos.