최근 딥러닝 워크로드의 급증은 데이터센터의 에너지 소비와 탄소 배출량 증가로 이어지고 있습니다. 기존의 탄소 추적 및 정적 스케줄링 시스템은 실제 머신러닝 운영 과정에서 탄소 인식을 구현하기에 역량이 부족하다는 한계가 있습니다.
본 논문에서는 실시간 및 예측 탄소 집약도를 AI 학습 프로세스에 통합하는 탄소 인지 스케줄링 프레임워크인 EcoSchedAI를 제안합니다. 이 시스템은 '탄소 기회 창(carbon opportunity windows)' 개념을 도입하여 저탄소 기간 동안 학습 작업을 선제적으로 스케줄링합니다. 또한, 작업 수준 제약 조건을 통합하여 실제 시나리오에서 유연하고 실용적인 배포를 가능하게 합니다.
EcoSchedAI는 CNN(합성곱 신경망)을 사용하여 기준, 규칙 기반, 강화 학습 기반 접근 방식을 포함한 세 가지 스케줄링 방법과 다중 지역 탄소 평가를 평가합니다. 이를 통해 모델 성능을 유지하면서 최대 9.72%의 탄소 절감 효과를 달성할 수 있음을 입증했습니다.
이 연구는 예측 및 제약 조건 인지 스케줄링 방법이 대규모로 운영되는 친환경 AI 시스템을 구축하는 데 어떻게 기여할 수 있는지 보여줍니다.
인공지능(AI)의 급속한 확산은 데이터센터 건설을 가속화하며 가계에 파급 효과를 미치고 있습니다. 본 연구는 AI 시대 데이터센터 구축 및 운영 비용(건설, 에너지, 물, 전력망 개선, 냉각, 생애주기 관리 포함)이 서비스 공급망을 통해 의료, 운송, 교육, 금융, 상업 등 가계 서비스 가격에 어떻게 영향을 미치는지 분석합니다. 또한 AI가 가져올 수 있는 생산성 및 복지 혜택도 함께 고려합니다.
연구는 네 가지 비용 전가 경로를 식별합니다: 에너지 비용의 공공요금 사회화, 클라우드 플랫폼 가격 책정, AI 도입 산업으로부터의 부문별 전가, 그리고 공급망 및 노동 시장을 통한 간접 효과입니다. 본 연구는 AI로 인한 순재화 바구니(전가된 비용에서 전가된 혜택을 제외한 값) 개념을 도입하여, AI가 단순히 개별 가격을 인상하는 것을 넘어 가계 소비의 전반적인 순비용을 어떻게 재구성하는지 보여줍니다.
이를 위해 데이터센터 투자부터 부문별 할당 및 가계 결과에 이르는 순비용 흐름을 추적하는 4계층 개념 프레임워크인 AI 인프라 순비용 전가 모델(AI-NCPM)을 개발했습니다. 모델의 매개변수는 분석적으로 명시되었으나 경험적으로 보정되지는 않았으며, 수치 예시는 추정된 효과를 나타내기보다는 설명을 위한 것입니다.
본 연구의 주요 기여는 비용 전가, 인프라 비용 사회화, 양면 플랫폼 할당, 환경 외부 효과, 가계 지출 발생률을 단일 순비용 계정 내에서 연결하는 통합 프레임워크를 제시한다는 점입니다. 이러한 효과는 데이터센터의 설계, 건설, 에너지 및 냉각 시스템, 생애주기 운영에서 비롯되므로, AI 인프라 경제학과 건축 환경을 연결합니다. 이 프레임워크는 저소득층, 소수 민족, 농촌, 고령층, 장애인 가구가 불균형적인 순부담에 직면할 수 있음을 시사합니다. 비용은 필수 서비스에 집중되는 반면, 혜택은 부유층에 더 쉽게 돌아가기 때문입니다.
