Ympäristövastuu tekoälyn koulutuksessa : case LUMI
Tallgren, Heini (2025)
Kandidaatintyö
2025
School of Engineering Science, Tuotantotalous
Julkaisun pysyvä osoite on
https://urn.fi/URN:NBN:fi-fe20251222123197
https://urn.fi/URN:NBN:fi-fe20251222123197
Tiivistelmä
Tässä kandidaatintyössä tarkastellaan ympäristövastuuta tekoälyn koulutuksessa, ja miten ympäristövastuun periaatteet toteutuvat LUMI-supertietokoneen toiminnassa. Tavoitteena on selvittää, millaisia ympäristövaikutuksia tekoälyn koulutuksella on ja millaisin ratkaisuin LUMI pyrkii vähentämään näitä vaikutuksia.
Kandidaatintyö toteutetaan kirjallisuuskatsauksena, jossa hyödynnetään tieteellistä kirjallisuutta sekä julkista materiaalia LUMIsta. Teoriaosuudessa käsitellään yritys- ja ympäristövastuuta sekä tekoälyn koulutuksen energiankulutusta, päästöjä, jäähdytystä ja laitteiston elinkaarta.
Työssä havaittiin tekoälyn koulutuksen aiheuttavan ympäristövaikutuksia energiankulutuksen, sähköntuotannon ja laitteistojen elinkaaren kautta. LUMI vähentää näitä vaikutuksia tehokkaasti hyödyntämällä uusiutuvaa vesivoimaa, energiatehokkailla jäähdytysmenetelmillä, hukkalämmön talteenotolla ja hyödyntämällä valmista infrastruktuuria. Johtopäätöksenä todetaan, että LUMI toteuttaa ympäristövastuun periaatteita käyttövaiheen osalta erinomaisesti, mutta tekoälyn koulutuksen ympäristövaikutuksia ei voida poistaa kokonaan. This Bachelor’s thesis examines environmental responsibility in the context of artificial intelligence (AI) training and explores how the principles of environmental responsibility are implemented in the operations of the LUMI supercomputer. The objective is to identify the environmental impacts associated with AI training and to determine the specific solutionsutilized by LUMI to mitigate these effects.
The thesis is conducted as a literature review, utilizing scientific literature alongside public documentation regarding LUMI. The theoretical framework addresses corporate and environmental responsibility, as well as energy consumption, emissions, cooling technologies, and the hardware lifecycle of AI training.
The findings indicate that AI training generates environmental impacts through energy consumption, electricity production, and hardware lifecycles. LUMI effectively reduces these impacts by utilizing renewable hydropower, employing energy-efficient cooling methods, recovering waste heat, and leveraging existing industrial infrastructure. The study concludes that while LUMI implements environmental responsibility principles excellently during its operational phase, the environmental impacts of AI training cannot be entirely eliminated.
Kandidaatintyö toteutetaan kirjallisuuskatsauksena, jossa hyödynnetään tieteellistä kirjallisuutta sekä julkista materiaalia LUMIsta. Teoriaosuudessa käsitellään yritys- ja ympäristövastuuta sekä tekoälyn koulutuksen energiankulutusta, päästöjä, jäähdytystä ja laitteiston elinkaarta.
Työssä havaittiin tekoälyn koulutuksen aiheuttavan ympäristövaikutuksia energiankulutuksen, sähköntuotannon ja laitteistojen elinkaaren kautta. LUMI vähentää näitä vaikutuksia tehokkaasti hyödyntämällä uusiutuvaa vesivoimaa, energiatehokkailla jäähdytysmenetelmillä, hukkalämmön talteenotolla ja hyödyntämällä valmista infrastruktuuria. Johtopäätöksenä todetaan, että LUMI toteuttaa ympäristövastuun periaatteita käyttövaiheen osalta erinomaisesti, mutta tekoälyn koulutuksen ympäristövaikutuksia ei voida poistaa kokonaan.
The thesis is conducted as a literature review, utilizing scientific literature alongside public documentation regarding LUMI. The theoretical framework addresses corporate and environmental responsibility, as well as energy consumption, emissions, cooling technologies, and the hardware lifecycle of AI training.
The findings indicate that AI training generates environmental impacts through energy consumption, electricity production, and hardware lifecycles. LUMI effectively reduces these impacts by utilizing renewable hydropower, employing energy-efficient cooling methods, recovering waste heat, and leveraging existing industrial infrastructure. The study concludes that while LUMI implements environmental responsibility principles excellently during its operational phase, the environmental impacts of AI training cannot be entirely eliminated.