Teknologian kehitys ei tapahdu tyhjiössä. Jokainen uusi järjestelmä tai ohjelmointi on osa laajempaa yhteiskunnallista kontekstia, jossa kulttuuriset, historialliset, poliittiset ja taloudelliset tekijät vaikuttavat sen toimintaan. Yhteiskunnallinen konteksti on se dynaaminen ja monimutkainen järjestelmä, jossa elämme ja työskentelemme, ja jonka vaikutuksia on usein vaikea mitata tai ennakoida. Tässä kontekstissa teknologian kehittäjien on tärkeää ymmärtää, että heidän luomansa järjestelmät voivat saada aikaan yllättäviä ja joskus vakaviakin seurauksia, kun ne otetaan käyttöön laajemmassa yhteiskunnallisessa ympäristössä.

Esimerkiksi terveydenhuollon alalla käytetään algoritmeja potilaiden hoidon ennakoimiseen. Yksi merkittävä tapaus liittyy algoritmiin, joka suunniteltiin vähentämään terveydenhuollon kustannuksia Yhdysvalloissa. Algoritmin oli tarkoitus tunnistaa ne potilaat, joilla oli monimutkaisempia terveyshuolia ja jotka hyötyisivät enemmän koordinoidusta ja kohdennetusta hoidosta. Algoritmi käytti suuria määriä vakuutustietoja, jotka kertoivat hoitokustannuksista, mutta eivät suoraan potilaan terveydentilasta. Suunnittelijat tekivät yksinkertaistavan oletuksen siitä, että korkeat kustannukset korreloivat monimutkaisempien terveysongelmien kanssa.

Ongelma kuitenkin syntyi, kun algoritmi ei ottanut huomioon tärkeää yhteiskunnallista kontekstia: Yhdysvalloissa mustat potilaat, vaikka heidän terveydentilansa oli keskimäärin huonompi kuin valkoisilla potilailla, saivat alhaisemmat hoitokustannukset. Tämä ei johtunut siitä, että mustat potilaat olisivat olleet terveempiä, vaan pikemminkin siitä, että heillä oli rajoitettu pääsy terveydenhuoltoon, ja he kokivat suurempaa epäluottamusta terveydenhuoltojärjestelmää kohtaan. Tämän vuoksi algoritmi antoi virheellisesti matalampia riskipisteitä mustille potilaille, vaikka heidän terveydentilansa olisi ollut samanlainen kuin valkoisten potilaiden. Tämä johti siihen, että miljoonat mustat potilaat saivat vähemmän hoitoa ja huonompia terveydenhuollon tuloksia.

Tämä esimerkki korostaa, kuinka tärkeää on ymmärtää, miten yhteiskunnallinen konteksti vaikuttaa teknologian käyttäytymiseen. Algoritmi itsessään oli suunniteltu hyvin, mutta sen puutteellinen yhteiskunnallisen kontekstin huomioiminen johti vakaviin epäoikeudenmukaisuuksiin. Tällaiset virheet eivät ole harvinaisia, ja ne voivat syntyä monista syistä, kuten yksinkertaistetuista oletuksista tai siitä, että kehittäjät eivät ole ottaneet huomioon kaikkia niitä tekijöitä, jotka vaikuttavat teknologian toimintaan todellisessa maailmassa.

Yhteiskunnallisen kontekstin vaikutusten ymmärtäminen ei ole vain vastuullisen ohjelmistokehityksen kysymys, vaan myös yhteiskunnan yleisen oikeudenmukaisuuden ja tasapuolisuuden kannalta keskeinen tekijä. Tämä on erityisen tärkeää silloin, kun teknologia koskettaa suuria ihmismääriä, kuten terveydenhuollossa, koulutuksessa tai lainvalvonnassa. Ilman asianmukaista kontekstin huomioimista voi syntyä järjestelmiä, jotka eivät vain ole epäreiluja, vaan voivat myös pahentaa olemassa olevia yhteiskunnallisia eroja.

Teknologian kehittäjien on tärkeää ymmärtää, että yhteiskunnallinen konteksti on monimutkainen järjestelmä, jossa on useita osia, jotka vaikuttavat toisiinsa. Kontekstiin kuuluu agentteja, kuten potilaita, sairaaloita, lääkäreitä ja vakuutusyhtiöitä, mutta myös käsityksiä, arvoja ja uskomuksia, jotka muokkaavat heidän käyttäytymistään. Esimerkiksi sairaala voi olettaa, että erityiset ohjelmat voivat vähentää monimutkaisempien terveysongelmien kustannuksia, mutta potilaat voivat uskoa, että heitä vahingoitetaan hoitoprosesseissa. Nämä uskomukset ja arvot vaikuttavat siihen, miten järjestelmät toimivat ja miten niitä tulkitaan.

Yhteiskunnallisen kontekstin huomioiminen on erityisen haastavaa, koska se on jatkuvasti muuttuva ja dynaaminen. Teknologian kehittäjien on oltava valmiita käsittelemään tätä monimutkaista todellisuutta ja tunnistamaan ne tekijät, jotka voivat vaikuttaa heidän luomiensa järjestelmien toimintaan. Esimerkiksi algoritmin kehittäjät voivat tehdä virheitä yksinkertaistamalla ongelmia tai jättämällä huomiotta sen, että tietyt ryhmät voivat kokea hoitokustannuksia eri tavalla kuin toiset. On tärkeää muistaa, että vaikka algoritmi voi toimia hyvin tietyssä ympäristössä, se voi tuottaa täysin erilaisia tuloksia, kun se otetaan käyttöön laajemmassa yhteiskunnallisessa kontekstissa.

Lopulta on tärkeää ymmärtää, että teknologian suunnittelu ei tapahdu tyhjiössä, ja jokainen järjestelmä on osa monimutkaisempaa yhteiskunnallista verkostoa. Tämä ymmärrys voi auttaa kehittäjiä luomaan järjestelmiä, jotka eivät vain toimi teknisesti, vaan myös edistävät oikeudenmukaisuutta ja tasa-arvoa laajemmin. Tämän tavoitteen saavuttaminen edellyttää tarkkaa yhteiskunnallisten vaikutusten arviointia ja sen ymmärtämistä, kuinka syvälle nämä vaikutukset ulottuvat yhteiskuntaan.

Kuinka pilvipalveluiden hiilijalanjälkeä voidaan hallita tehokkaasti?

Pilvipalveluiden ympäristövaikutukset vaihtelevat merkittävästi eri toimittajien ja jopa yksittäisten datakeskusten välillä. Esimerkiksi Amazon Web Servicesin, Google Cloudin ja Microsoft Azuren tarjoamat palvelut toimivat kymmenissä eri maantieteellisissä alueissa, joilla kaikilla on omat sääntelynsä, energiakäytäntönsä ja ympäristönorminsa. Siksi on olennaista, että käyttäjät tiedostavat tämän vaihtelun ja ottavat sen huomioon valitessaan, missä heidän koodinsa suoritetaan.

Jos palveluntarjoajasi mahdollistaa sen, valitse vihreämmät datakeskukset – ne, joissa käytetään enemmän uusiutuvaa energiaa tai joissa päästöjä kompensoidaan tehokkaammin. Mikäli tarjoaja ei julkaise tarpeeksi tietoa hiilidioksidipäästöistään, sitä kannattaa vaatia suoraan. Maksavana asiakkaana sinulla on oikeus ymmärtää palvelun ekologinen jalanjälki.

Termit kuten "hiilineutraali", "100 % uusiutuva energia" ja "24/7 päästötön" ovat edelleen keskustelun kohteena, eikä niiden merkitys ole täysin vakiintunut. Yleisesti ottaen hiilineutraalius tarkoittaa, että yritys kompensoi omat päästönsä ostamalla hiilidioksidipäästöjä vähentäviä hyvityksiä – tosin nämä eivät välttämättä liity suoraan yrityksen omiin toimintoihin. 100 % uusiutuvalla energialla toimiminen tarkoittaa yleensä sitä, että yritys ostaa vuositasolla uusiutuvaa energiaa vastaamaan kokonaiskulutustaan, vaikka osa energiasta olisi silti fossiilipohjaista. 24/7 päästötön toiminta on kunnianhimoisin tavoite: energia hankitaan ympärivuorokautisesti päästöttömistä lähteistä kaikilla sähköverkoilla, joilla yritys toimii.

Google on yksi näkyvimmistä esimerkeistä. Vuodesta 2017 lähtien yhtiö on vastannut koko globaalin toimintansa sähkönkulutuksesta uusiutuvalla energialla. Tavoitteena on vuoteen 2030 mennessä siirtyä täysin 24/7 päästöttömään sähköön, erityisesti niin sanotun scope 2 -päästöluokan osalta, joka kattaa yrityksen ostaman sähkön aiheuttamat epäsuorat päästöt. Tämä tavoite on teknisesti ja logistisesti haastava, koska tekoälyn käyttö kasvaa jatkuvasti ja energiainfrastruktuurit vaihtelevat alueittain.

Yksi merkittävä tekijä päästöjen optimoinnissa on ajoitus. Datakeskukset käyttävät eri energialähteitä eri vuorokaudenaikoina. Siksi on järkevää ajoittaa suuret ja ei-aikakriittiset prosessit, kuten koneoppimismallien kouluttaminen, sellaisiin hetkiin, jolloin sähköverkossa on tarjolla vähäpäästöistä energiaa. Google käyttää tähän omaa Carbon-Intelligent Computing -järjestelmäänsä, joka siirtää tehtävien suoritusta automaattisesti ajankohtiin, jolloin sähkö on ympäristöystävällisempää. Kannattaa kysyä omalta pilvipalveluntarjoajalta, onko manuaalisella ajoituksella enää merkitystä, vai optimoiko palvelu jo itse nämä asiat automaattisesti.

Vaikka oma koodi olisi kuinka energiatehokasta ja optimoitua, se ei yksin riitä ratkaisemaan ilmastokriisiä. Teknologia-alan ammattilaisilla on ainutlaatuinen mahdollisuus osallistua ilmastohankkeisiin, joissa tekniset taidot pääsevät oikeasti käyttöön. GitHubissa on tuhansia avoimen lähdekoodin projekteja, joiden tavoitteena on hillitä ilmastonmuutosta. Green Software Foundation pyrkii puolestaan vähentämään ohjelmistojen aiheuttamia hiilipäästöjä maailmanlaajuisesti. Monissa suuryrityksissä, kuten Googlella, toimii myös sisäisiä yhteisöjä, kuten Anthropocene, jotka kokoavat yhteen työntekijöitä ilmastoaiheisten projektien pariin.

Hyvä esimerkki tällaisesta projektista on Project Sunroof, joka laskee aurinkopaneelien kustannuksia ja energiansäästöpotentiaalia Google Mapsin avulla. Tätä täydentää Environmental Insights Explorer, joka tarjoaa kaupungeille päästötietoa päätöksenteon tueksi. Projektit osoittavat, että osallistuminen ei vaadi täysipäiväistä omistautumista – muutama tunti viikossa riittää. Jos omalla työpaikalla ei vielä ole vastaavaa ryhmää, sen voi perustaa itse.

On myös tärkeää vaikuttaa yrityksen sisällä. Keskustele johdon kanssa energiatehokkuuden parantamisesta, vihreämpien datakeskusten suosimisesta tai laitteiston korjattavuudesta. Jokainen säästetty kilowattitunti tarkoittaa säästöä myös yrityksen budjetissa. Pilvipalveluntarjoajilla ja datakeskuksilla on mahdollisuus hyödyntää vihreitä toimintamalleja kilpailuetuna – jos vain tiedot, kuten hiili-intensiteetti, PUE (Power Usage Effectiveness) ja %CFE (Carbon-Free Energy), ovat läpinäkyvästi saatavilla.

Erityisen kiinnostava esimerkki vihreän teknologian sovelluksesta on Googlen käyttämä syvävahvistusoppimiseen perustuva tekoäly, jolla optimoitiin datakeskusten jäähdytys. Perinteisesti vesi kiertää datakeskuksen läpi viilentäen laitteita, ja lämmittyään se jäähdytetään takaisin käyttökelpoiseksi. Aiemmat yritykset optimoida tätä prosessia tekoälyllä epäonnistuivat, mutta DeepMindin AlphaGo-tiimin osaaminen toi uuden ulottuvuuden. Syvävahvistusoppiminen perustuu palkitsemiseen ja rangaistuksiin: järjestelmä oppii, mitkä toimenpiteet johtavat optimaaliseen lopputulokseen. Näin muodostetaan dynaaminen sääntökokoelma, joka maksimoi energiatehokkuuden. Reaaliaikaisen datan ja mallinnuksen avulla järjestelmä oppii säätämään jäähdytystä tehokkaasti, säästäen energiaa ja vähentäen päästöjä ilman suorituskyvyn heikkenemistä.

Ymmärtääkseen tämän kentän kompleksisuutta, lukijan on hyvä hahmottaa muutama keskeinen ulottuvuus: energiantuotannon hajautuneisuus, sääriippuvuus uusiutuvassa energiassa, verkkojen epätasainen kuormitus ja ajallisesti vaihteleva päästöintensiteetti. Lisäksi tulisi tiedostaa, että vaikka uusiutuva energia kattaisi vuosikulutuksen, se ei tarkoita reaaliaikaista päästöttömyyttä. Vasta 24/7-päästöttömyys yhdistää sekä tuotannon että kulutuksen samaan päästöttömään aikajanaan. Tätä kohti ollaan menossa, mutta matka on pitkä ja teknisesti vaativa.

Kuinka vastuullinen ohjelmistosuunnittelu voi vähentää datakeskusten energiankulutusta?

Reinforcement learning (RL) -järjestelmien suurin haaste on saavuttaa tasapainotila tai asetettu tavoite, kuten datakeskuksen laitteiden optimaalinen lämpötila-alue, ja ylläpitää tätä tilaa pitkällä aikavälillä. Tämä prosessi on haasteellinen, koska jos järjestelmää ei hallita tarkasti, se voi tuottaa tuloksia, jotka eivät ole käytännöllisiä. Esimerkiksi, agentti voi oppia, että ideaalinen tila on sammuttaa jäähdytys kokonaan, jolloin saadaan valtavat energiansäästöt, mutta samalla laitteet ylikuumenevat ja rikkoutuvat. Järjestelmän on myös otettava huomioon todelliset rajoitukset, kuten jäähdytyslaitteiden usein käynnistäminen ja sammuttaminen, joka on kallista ja kuluttaa laitteistoa.

Näiden haasteiden ratkaisemiseksi Google kokosi tiimin, joka koostui ohjelmistosuunnittelijoista, AlphaGo-tutkijoista ja mekaanisista insinööreistä, jotka suunnittelevat datakeskuksia. Tiimi kehitti yksinkertaisen ja edullisen prototyypin, joka oli käytännössä vain teippiä ja kuplamuovia. AI-järjestelmä teki ennusteita jäähdytysjärjestelmän asetuspisteistä, ja tiimi lähetti nämä ennusteet sähköpostilla oikeille ihmisille datakeskuksessa. Jos järjestelmän suositus vaikutti järkevältä, ihmiset säätivät jäähdytysjärjestelmää manuaalisesti. Tämä halpa prototyyppi toimi yllättävän hyvin, joten projektin seuraavassa vaiheessa tiimi matkusti datakeskukseen ja testasi järjestelmän käytännössä. Paikan päällä työskentely mahdollisti tiimin oppia monimutkaisista vuorovaikutuksista laitteiden välillä, joita ei ollut havaittavissa pelkästään datasta, ja jotka heidän mallinsa eivät kattaneet.

Lopputuloksena järjestelmä vähensi datakeskuksen jäähdytyksestä käytettävää energiaa jopa 40 prosenttia. Tämä oli merkittävä energiansäästö. Kun järjestelmä vaikutti vakiintuneelta ja toimivalta, tiimi kysyi: mitä tapahtuisi, jos koko hallinta annettaisiin AI:lle? Tämä kysymys herätti huolta, ja tiimi päätti rakentaa varovaisuuden mekanismin, joka perustuisi Google-datakeskuksen operaattorien määrittelemiin rajoituksiin. Ohjelmistosuunnittelijat ohjelmoivat varovaisuuden mekanismin siten, että molemmat, AI ja varovaisuusmekanismi, eivät luottaisi toisiinsa. Tämä malli tunnetaan nimellä "keskinäinen epäluottamusmalli". Jos nämä kaksi järjestelmää olivat eri mieltä suosituksesta, ne hylkäsivät sen. Lisäksi ihmisoperaattorit voivat aina ohittaa AI:n toimet. Tällainen malli osoittautui toimivaksi, ja Google pystyi ottamaan sen käyttöön useissa datakeskuksissaan. Tämä oli yksi ensimmäisistä RL-järjestelmistä, jotka otettiin käyttöön todellisessa maailmassa.

Tässä datakeskuksen jäähdytysjärjestelmässä näkyvät vastuullisen ohjelmistosuunnittelun tärkeimmät elementit: Ensinnäkin, vastuullinen tavoite: jäähdytyskustannusten vähentäminen tarkoittaa samalla myös hiilidioksidipäästöjen vähenemistä. Toiseksi, tiimityö ja yhteistyö eri alojen asiantuntijoiden välillä, kuten ohjelmistosuunnittelijoiden ja datakeskuksen henkilökunta, helpottivat yhteistyötä ja luottamuksen rakentamista. Kolmanneksi, turvallisuus ja varmistus: tiimi piti aina ihmisen asiantuntijan mukana, joka tarkisti AI:n antamat komennot ja varmisti, että riskialttiit suositukset hylättiin. Lopulta, vaikka AI sai lopullisen valvonnan, se ei ollut ilman huolellista valvontaa ja turvamekanismeja.

Vaikka Google on onnistunut kehittämään tällaisen järjestelmän, datakeskusten energiatehokkuuden ongelma ei ole täysin ratkaistu. Erilaisilla datakeskuksilla on omat erityispiirteensä: ne käyttävät erilaista laitteistoa ja keräävät tietoa eri muodoissa. Tietojen standardointi on suuri haaste, ja kuten yksi Google-insinööri totesi, "Suurin este ilmastonmuutoksen hillitsemiselle AI:n avulla on tietojen standardointi." AI itsessään on nykyään hyvin ymmärretty, mutta tietojen saaminen oikeassa muodossa suurissa mittakaavoissa on edelleen tutkimuksen kohteena.

Vastuullisen ohjelmistosuunnittelun perusperiaatteet ovat selkeät, mutta sen toteuttaminen laajassa mittakaavassa vaatii yhteistyötä, huolellista suunnittelua ja turvallisuusmekanismien luomista. Tämä on kriittistä, jos aiomme kehittää kestäviä ratkaisuja ilmastonmuutoksen torjumiseksi. Ohjelmistokehittäjät voivat omalta osaltaan vaikuttaa merkittävästi vähentämällä koodinsa hiilijalanjälkeä ja osallistumalla projekteihin, jotka edistävät ympäristön suojelua. Koko liiketoimintakulttuuri, joka tukee vastuullista ohjelmistosuunnittelua, on avainasemassa, jotta voimme saavuttaa pitkän aikavälin tuloksia ja vaikuttaa positiivisesti planeettamme tulevaisuuteen.

Miten Donald Trumpin perhesuhteet muovasivat häntä?
Miten New Hampshire vaikutti Yhdysvaltojen presidentinvaaleihin 2016 ja miksi se oli ratkaiseva osavaltio?
Miten suojata liiketoimintasi immateriaalioikeudet digitaalisessa aikakaudessa?
Miksi nanohiukkaset ovat niin tärkeitä ja miten ne vaikuttavat materiaaliin?
Miten määritellä piste, joka kuuluu kuhunkin tasoon?