Dijital karbon ayak izinin optimizasyonu için uç cihazlarda yapay zeka ve makine öğrenmesi uygulamaları

Günümüzde, yapay zeka (YZ) uygulamaları hayatımızın birçok alanına derinlemesine nüfuz etmiş durumdadır ve bu durum, özellikle teknolojinin hızlı bir şekilde gelişmesi ile, birçok farklı sektörde önemli değişiklikler ve yenilikler getirmiştir. Özellikle, nesnelerin interneti (Internet of Things -IoT) cihazları ile entegre edilen derin öğrenme (DÖ) modellerinin etkileri, akıllı evler, akıllı şehirler, sağlık hizmetleri, ulaşım sistemleri ve endüstriyel otomasyon gibi çeşitli alanlarda yaygın bir şekilde hissedilmektedir. Bu gelişmeler, bu alanlarda büyük bir ilerleme kaydedilmesini sağlamış ve aynı zamanda enerji verimliliği, otomasyon ve zengin kullanıcı deneyimi açısından önemli avantajlar sunmuştur. Ancak, bu teknolojik ilerlemelerin beraberinde bazı çevresel etkileri de getirdiği gözlemlenmiştir. Özellikle, IoT cihazları üzerinde çalıştırılan derin öğrenme modellerinin enerji tüketimi ve bu durumun dolayısıyla yaratmış olduğu karbon ayak izi, son yıllarda dikkat çekici bir endişe kaynağı haline gelmiş ve bu konuda çeşitli araştırmalar yapılması gerekliliği ortaya çıkmıştır. Bu tez çalışması, Raspberry Pi 5 (CPU), NVIDIA Jetson Xavier NX (GPU), Google Coral USB Accelerator (TPU) ve Khadas VIM3 Pro (NPU) gibi birbirinden farklı ve oldukça ilginç donanım mimarilerine sahip toplamda dört farklı IoT platformunda, MobileNetV2, ShuffleNetv2, SqueezeNet ve ResNet18 gibi son derece popüler ve yaygın bir şekilde kullanılan derin öğrenme modellerinin enerji tüketimlerinin yanı sıra, bu modellerin performans metrikleri olarak gecikme süreleri ile doğruluk derecelerinin kapsamlı bir biçimde karşılaştırmalı incelemesini ve değerlendirilmesini hedeflemektedir. Ayrıca bu çalışma, bu derin öğrenme modellerinin enerji tüketimindeki değişimlerin yanı sıra karbon ayak izinin de nasıl etkilendiği konusunda derinlemesine bir inceleme yapacaktır. Bu araştırmanın önemli bir bileşeni olarak, quantization, pruning ve knowledge distillation gibi çeşitli optimizasyon tekniklerinin bu modellerin enerji tüketimi ve karbon ayak izi üzerindeki etkileri, gerçek yaşamdan alınan bir örnek olan akıllı ev uygulaması çerçevesinde (özel olarak enerji tüketiminin izlenmesi) değerlendirilecektir. Optimizasyon sürecinde kullanılan yöntemler arasında niceleme (quantization), budama (pruning), bilgi damıtma (knowledge distillation) ve ağırlık kümeleme (weight clustering) gibi çeşitli etkili teknikler bulunmaktadır ve bu stratejilerin uygulanmasıyla enerji verimliliği sağlanması amaçlanmaktadır. Bu tekniklerin enerji tüketimi, işlem süresi ve model doğruluğu üzerindeki etkileri son derece detaylı bir biçimde ele alınmış olup, en iyi sonuçların ışığında IoT cihazlarında enerji verimliliği ile yüksek performans arasında en uygun dengeyi sağlamak maksadıyla kapsamlı bir analiz gerçekleştirilmiştir. Bu sayede elde edilen veriler hem akademik hem de endüstriyel uygulamalar için önemli çıktılar sunmayı hedeflemektedir. NPU, TPU ve GPU gibi donanımlarda uygulanan optimizasyon tekniklerinin etkileri karşılaştırmalı olarak sunulmuş ve çevresel etkiler açısından en etkili çözüm önerileri derinlemesine tartışılmıştır. Çalışmanın sonuçları, yapay zeka modellerinin hem performanstan ödün vermeden hem de enerji verimliliği sağlayarak karbon ayak izini azaltabileceğini açık bir şekilde göstermektedir. Böylece, IoT cihazlarının kullanımındaki çevresel etkiler minimize edilerek, sürdürülebilir bir dijital geleceğe ulaşmak için önemli bir adım atılmış olacaktır ve bu durum, teknoloji ve çevre dostu yaklaşımlar arasında bir denge kurmak adına kritik bir öneme sahiptir.