Sasha Luccioni와의 머신러닝 전문가 인터뷰 – 윤리적 AI와 기후 영향에 대한 하이라이트

TL;DR

Sasha Luccioni는 Hugging Face의 연구 과학자로서 AI의 탄소 발자국을 측정하는 방법, Big Science 탄소‑발자국 작업 그룹을 이끄는 일, 그리고 대형 언어 모델 개발을 보다 투명하고 환경적으로 책임감 있게 만드는 도구들을 구축하는 일에 대해 설명했습니다.

배경 및 동기

Sasha가 Hugging Face에 오르게 된 경로는 언어학 학부 학위, 언어학을 중심으로 한 컴퓨터 과학 박사 학위, 그리고 금융 분야에서의 경험으로 시작되었습니다. 그녀는 높은 연봉의 금융 직장을 떠나 “사회적으로 긍정적인 AI” 연구를 추구했으며, 창립자 Thom과 Clem을 만나 그들이 자신의 가치관과 일치한다는 신뢰를 얻은 뒤 Hugging Face에 합류했습니다.

“돈이 아무리 많아도 AI 자체를 위해 AI에만 매달리는 일은 가치가 없다고 생각해 직장을 그만두었습니다; 저는 더 많은 일을 하고 싶었습니다.”

현재 중요한 프로젝트

Big Science 투명성 이니셔티브

  • Big Science 프로젝트는 대형 언어 모델 개발을 “블랙 박스”에서 “유리 박스”로 전환하는 것을 목표로 합니다.
  • Sasha는 carbon‑footprint working group의 의장을 맡고 있으며, 이 그룹은 GPU 사용 시간뿐만 아니라 제조 비용 및 이메일 한 통의 탄소 비용까지 포함하도록 영향 평가 범위를 확대합니다.
  • 또한 그녀는 다국어 데이터, 신중한 큐레이션, 그리고 원치 않는 인터넷 콘텐츠 제거를 우선시하는 데이터 큐레이션 작업 그룹에도 기여하고 있습니다.

탄소 발자국 도구

  • ML CO₂ calculator – 사용자가 하드웨어, 학습 기간, 위치를 입력하면 추정된 CO₂ 배출량을 제공하는 온라인 도구입니다.
  • code‑carbon – 모델 학습 중 실시간 배출량 추정치를 스트리밍하는 Python 패키지입니다.
  • 선제적인 배출 감소에 대한 연구, 예를 들어 저탄소 지역(수력 전력 퀘벡 vs. 석탄 중심 호주)에서 학습을 스케줄링하면 배출량을 최대 **100×**까지 줄일 수 있습니다.

“저탄소 클라우드 지역을 선택하는 것은 대규모 배출을 절감할 수 있는 간단한 유도책입니다.”

왜 지리적 위치가 배출에 중요한가

Sasha는 전 세계적으로 전력 생산 믹스가 다르다고 강조합니다(예: 프랑스의 원자력, 캐나다의 수력, 호주의 석탄). 기본 클라우드 인스턴스 선택은 종종 이를 무시하여 숨겨진 환경 비용을 초래합니다.

ML 팀을 위한 실용적인 조언

  1. 먼저 측정 – ML CO₂ calculator 또는 code‑carbon을 사용해 배출량을 파악합니다.
  2. 저탄소 컴퓨팅 선택 – 많은 제공업체가 이제 지역별 탄소 강도를 표시합니다.
  3. 기본값 변경 – 저탄소 옵션을 기본값으로 설정해 유도 이론을 활용합니다.
  4. 실제 워크플로와 연결 – 모델 출력이 해석 가능하고 실행 가능하도록 보장합니다(예: 위성 기반 산불 알림은 단순 예측이 아니라 실제 알림을 트리거해야 합니다).

기후 솔루션을 위한 머신러닝

Sasha는 “Tackling Climate Change with Machine Learning” 논문(≈100 페이지, 25명 저자)을 공동 저술했으며, 다음을 다룹니다:

  • 재생 에너지 예측 – 머신러닝은 단기 에너지 수요를 예측해 디젤 발전기에 대한 의존도를 낮춥니다.
  • 배터리 충전 최적화 – 날씨 예보를 기반으로 사전 충전을 수행합니다.
  • 원격 감지 – 위성 이미지에서 삼림 벌채와 산불을 자동으로 탐지합니다.

이 예시들은 머신러닝이 배출량을 단순히 추가하는 것이 아니라 상쇄할 수 있음을 보여줍니다.

데이터 부족 극복

  • 몬트리올의 급식소 해커톤에서 Sasha는 NGO들이 종종 데이터를 전혀 가지고 있지 않다는 것을 발견했습니다. 그녀는 digital‑literacy workshops를 조직해 기본 데이터 수집(스프레드시트, 음식 폐기물 추적)을 가르쳤습니다. 1년 후, 급식소는 간단한 재고 시스템을 도입해 무거운 AI 없이도 폐기물을 줄였습니다.
  • 핵심 교훈: 정교한 모델을 배포하기 전에 데이터 위생 및 교육부터 시작해야 합니다.

흔히 발생하는 함정

  • “AI가 모든 것을 해결한다”는 사고방식 – 팀은 고정밀 모델을 구축하지만 통합을 소홀히 할 수 있습니다(예: UI 부재, 이메일 알림 누락), 이로 인해 솔루션이 정체됩니다.
  • 학제 간 협력 부족 – 성공적인 기후 영향 프로젝트는 종종 학계 밖 네트워킹이 필요합니다(예: 배출 감소 알고리즘을 위한 항공 산업 연락망).

의미 있는 일과 개인 철학

Sasha는 Ikigai(당신이 사랑하는 일, 잘하는 일, 세상이 필요로 하는 일, 그리고 보수를 받을 수 있는 일)의 교차점을 따릅니다. 이는 그녀가 금융에서 Hugging Face로 이동하게 한 원동력이었으며, 오픈소스 모델 공유가 네 가지 요소를 모두 충족시킵니다.

AI 접근성에 대한 비전

  • 비전문가(언론인, 의사, 제빵사)를 위한 AI 민주화가 우선 과제입니다. 그녀는 AI가 빵 품질을 향상시킬 수 있을지 궁금해하는 제빵사 친구를 예로 들어, 아직 활용되지 않은 분야를 보여줍니다.
  • AutoTrain 및 간단한 웹 UI와 같은 프로젝트는 생물다양성 연구자들이 깊은 머신러닝 전문 지식 없이도 카메라 트랩 이미지 분류를 가능하게 할 수 있습니다.

선호하는 연구 분야

  • AI 윤리 – 연구자들의 가치(정확도 vs. 효율성)가 모델 개발에 어떻게 영향을 미치는지에 대한 Abeba Birhane의 논문들.
  • 전체론적 평가 – Sasha의 현재 작업은 정확도뿐 아니라 효율성, 탄소 배출, 데이터 하위 집단(예: 성별‑그림자 스타일 분석) 간 공정성을 포함하도록 모델 평가를 확장합니다.

빠른 인사이트

  • 수학 기반 – Sasha는 더 일찍 수학을 받아들였으면 좋았을 것이라고 생각합니다; 탄탄한 수학 기반은 모델 구축 직관을 가속화합니다.
  • 실습 학습 – MNIST와 같은 일반 벤치마크보다 노트북과 개인 데이터셋(예: 꽃 이미지)으로 시작합니다.
  • 커뮤니티 영향 – 소규모 프로젝트(예: 몬트리올 곤충관을 위한 나비 분류 앱)는 연구를 실질적인 대중 경험으로 전환할 수 있습니다.

개인 관심사

AI 외에도 Sasha는 집에서 정원을 가꾸며 아이들과 함께 토마토, 고추, 오이를 재배하고 있습니다—이는 그녀의 컴퓨팅 작업과는 대조적인 안정감을 제공합니다.

Sasha를 찾을 수 있는 곳: Twitter @SashaMTL 및 개인 웹사이트 www.sashaluccioni.com.

프로젝트를 가속화할 전담 ML 전문가가 필요하다면, Hugging Face의 ML Experts 프로그램을 hf.co/support에서 확인하세요.

Sources