La Inteligencia Artificial (IA) ha revolucionado la forma en que interactuamos con los dispositivos electrónicos y los sistemas informáticos. Sin embargo, el consumo de energía de estos sistemas sigue siendo un tema importante para la industria y el medio ambiente. Hasta ahora, la medición de energía se ha centrado en la cantidad de inicios de sesión o entrenamientos realizados por un modelo en particular. Sin embargo, esta aproximación no es adecuada para sistemas de agencia, donde un objetivo puede desencadenar una secuencia de acciones, llamadas a herramientas y ciclos de recuperación de fallos.

Los investigadores han identificado que la medición de energía por inicio de sesión o entrenamiento es insuficiente para predecir el consumo real de energía en sistemas de agencia. Esto se debe a que la cantidad de inicios de sesión o entrenamientos no refleja la complejidad de la tarea que se está realizando. Un objetivo puede requerir una serie de acciones y llamadas a herramientas para ser completado, lo que puede aumentar significativamente el consumo de energía.

Para abordar este problema, los investigadores han desarrollado un nuevo enfoque que se centra en la energía por objetivo exitoso (EpG). El EpG mide el consumo de energía total de una secuencia de acciones para alcanzar un objetivo, incluyendo los intentos fallidos y las llamadas a herramientas. Esto proporciona una visión más precisa sobre el costo energético de alcanzar objetivos en sistemas de agencia.

El nuevo enfoque se basa en un marco de medición cruzado que mide el consumo de energía en diferentes niveles del sistema, desde la señal RAPL hasta el nivel de flujo de trabajo. Esto permite a los investigadores atribuir el consumo de energía a cada paso de la secuencia de acciones y a cada llamada a herramienta.

Los resultados de la investigación muestran que los sistemas de agencia consumen un 4,33 veces mayor consumo de energía por objetivo exitoso que los sistemas lineales. Esto se debe a la estructura de la orquestación, que puede requerir una serie de acciones y llamadas a herramientas para ser completada. La investigación también encuentra que la medición de energía por inicio de sesión o entrenamiento es insuficiente para predecir el consumo real de energía en sistemas de agencia.

En resumen, la medición de energía en sistemas de agencia no es suficiente para predecir el consumo real de energía. Un nuevo enfoque que se centra en la energía por objetivo exitoso proporciona una visión más precisa sobre el costo energético de alcanzar objetivos. Esto es importante para la industria y el medio ambiente, ya que permite a los desarrolladores de IA crear sistemas más eficientes y sostenibles.