機械学習エキスパートインタビュー：サシャ・ルチオーニ – 倫理的AIと気候影響のハイライト

TL;DR

サシャ ルチオーニ（Hugging Face のリサーチサイエンティスト）は、AI のカーボンフットプリントの測定方法、Big Science カーボンフットプリント作業部会のリーダーシップ、そして大規模言語モデル開発をより透明で環境に配慮したものにするツールの構築について説明しました。

背景と動機

サシャが Hugging Face にたどり着くまでの道のりは、言語学の学部卒業、言語学に焦点を当てたコンピュータサイエンスの博士号取得、そして金融業界での経験です。高給の金融職を辞めて「社会的に前向きな AI」研究に取り組むことを決意し、創業者のトムとクレムに出会い、価値観が合うと信じて Hugging Face に加わりました。

“お金だけでは AI を AI のためだけに働かせる価値はありませんでした。もっと意味のあることをしたかったのです。”

現在重要なプロジェクト

ビッグサイエンス・トランスペアレンシー・イニシアチブ

  • Big Science プロジェクトは、大規模言語モデル開発を「ブラックボックス」から「ガラスボックス」へと変えることを目指しています。
  • サシャは carbon‑footprint working group の議長を務め、GPU 時間だけでなく製造コストやメール一通の炭素コストまで評価対象を拡大しています。
  • また、多言語データ、配慮されたキュレーション、望ましくないインターネットコンテンツの除去を優先するデータキュレーション作業部会にも貢献しています。

カーボンフットプリントツール

  • ML CO₂ calculator – ユーザーがハードウェア、トレーニング時間、場所を入力すると、推定 CO₂ 排出量を返すオンラインツールです。
  • code‑carbon – モデル訓練中にリアルタイムで排出量推定をストリーミングする Python パッケージです。
  • 低炭素地域での訓練スケジューリング（水力発電のケベック vs. 石炭主体のオーストラリア）など、積極的な排出削減に関する研究は、排出量を最大 100× 削減できることを示しています。

“低炭素のクラウドリージョンを選ぶだけのシンプルなナッジで、膨大な排出量を削減できます。”

地理が排出量に重要な理由

サシャは、世界各地で電力供給ミックスが異なること（例：フランスは原子力、カナダは水力、オーストラリアは石炭）を強調しています。デフォルトのクラウドインスタンス選択はこの違いを無視しがちで、隠れた環境コストを生み出します。

MLチームへの実践的アドバイス

  1. まず測定 – ML CO₂ calculator や code‑carbon を使って排出量を可視化します。
  2. 低炭素コンピュートを選択 – 多くのプロバイダーが地域ごとの炭素強度をタグ付けしています。
  3. デフォルトを変更 – 低炭素オプションをデフォルトに設定し、ナッジ理論を活用します。
  4. 実務フローに結びつける – モデル出力が解釈可能で実行可能であることを確認します（例：衛星ベースの山火事警報は予測だけでなく実際に警報を発する必要があります）。

気候ソリューションのための機械学習

サシャは “Tackling Climate Change with Machine Learning” 論文（約 100 ページ、著者 25 名）を共同執筆しました。内容は以下の通りです：

  • Renewable‑energy forecasting – ML が短期エネルギー需要を予測し、ディーゼル発電機への依存を減らします。
  • Battery‑charging optimization – 天気予報に基づく先取り充電でバッテリ使用効率を向上させます。
  • Remote sensing – 衛星画像からの森林伐採や山火事の自動検出を実現します。

これらの例は、ML が排出を 加える のではなく 相殺 できることを示しています。

データ不足の克服

  • モントリオールのスープキッチンハッカソンで、NGO がほとんどデータを持っていないことを発見。サシャは digital‑literacy workshops を開催し、スプレッドシートや食品ロスのトラッキングといった基本的なデータ収集方法を教えました。1 年後、キッチンはシンプルな在庫管理システムを導入し、重い AI を使わずに廃棄を削減しました。
  • 重要な教訓： start with data hygiene and education（データの衛生と教育から始める）ことが、洗練されたモデルを展開する前に必要です。

よくある落とし穴

  • “AI solves everything” mindset – 高精度モデルを構築しても UI やメール通知が欠けていると、ソリューションは停滞します。
  • Lack of interdisciplinary outreach – 成功する気候インパクトプロジェクトは、学術界を超えたネットワーキング（例：航空業界との連携による排出削減アルゴリズム）を必要とします。

意義ある仕事と個人哲学

サシャは日本の概念 Ikigai（好きなこと、得意なこと、世の中の必要とすること、報酬が得られることの交差点）に従っています。これが金融から Hugging Face への転向を導き、オープンソースのモデル共有が四つの柱すべてを満たす形となりました。

AIアクセシビリティのビジョン

  • ジャーナリスト、医師、パン職人など非専門家向けに AI を民主化することが優先課題です。サシャは、パンの品質向上に AI が使えるかと考えるベーカリーの友人を例に、未開拓領域を示しています。
  • AutoTrain やシンプルな Web UI といったプロジェクトは、生物多様性研究者が深い ML 知識なしでカメラトラップ画像を分類できるようにします。

好きな研究分野

  • AI ethics – Abeba Birhane の論文は、研究者の価値観（精度 vs. 効率）がモデル開発に与える影響を論じています。
  • Holistic evaluation – サシャの現在の研究は、モデル評価を精度だけでなく効率、炭素排出、データサブポピュレーション（例：性別・肌色スタイル分析）における公平性まで拡張しています。

ラピッドファイア・インサイト

  • Math foundation – サシャは、もっと早く数学を学んでいればと願っています。しっかりした数学基盤はモデル構築直感を加速させます。
  • Hands‑on learning – MNIST のような汎用ベンチマークよりも、ノートブックと個人データセット（例：花の画像）から始めることを推奨します。
  • Community impact – 小規模プロジェクト（モントリオールの昆虫館向け蝶分類アプリ）は、研究を具体的な公共体験に変えることができます。

個人的な興味

AI 以外では、サシャは子どもたちと一緒に家庭菜園でトマト、ピーマン、キュウリを育てています。これは計算作業とは対照的な落ち着きです。

Where to find Sasha: Twitter @SashaMTL and her personal website www.sashaluccioni.com.

If you need a dedicated ML expert to accelerate your project, explore Hugging Face’s ML Experts program at hf.co/support.

Sources