Avaliação de Método Baseado em Software para Medição do Consumo Energético de Redes Neurais Recorrentes

Resumo

O crescimento vertiginoso dos modelos de inteligência artificial impõe desafios energéticos que exigem metodologias de medição acessíveis e reprodutíveis. Este trabalho apresenta um protocolo simples, baseado exclusivamente no utilitário perf do Linux, para estimar o consumo de energia da CPU em cargas de treino e teste, evitando o uso de instrumentos físicos externos. A medição utiliza os contadores Running Average Power Limit (RAPL), conforme descrito pela Intel (2020), e segue a sintaxe recomendada pela comunidade perf. Em linha com a estratégia de Beyer (2023), determina-se o tempo médio de execução de cada tarefa, que passa a definir o intervalo aplicado aos cenários de sistema ocioso e CPU sob estresse. Como alternativas de referência que o método dispensa, citam-se, de forma geral, dispositivos Kill A Watt, analisadores de bancada WT310 e tomadas inteligentes com monitoramento de energia. No domínio aplicado, o protocolo foi exercitado em um cenário de apoio ao manejo da pecuária extensiva de corte proposto originalmente por Schulte et al. (2019), posteriormente ampliado por Soares (2019), Correia et al. (2024), Durgante et al. (2024) e Lopes et al. (2025), resultando em diferentes modelos de predição, baseados em diferentes tipos de Redes Neurais Recorrentes - Long Short Term Memory (LSTM) e Gated Recurrent Unit (GRU) e abordagens de autoajuste de hiperparâmetros - com Keras Tuner (KT) e com Árvore de Decisão (AD). Indo ao encontro de um dos principais subdesafios (Desenvolver algoritmos energeticamente eficientes) recentemente reforçados pela Sociedade Brasileira de Computação para 2025-2035, buscou-se comparar os modelos com um procedimento prático composto por três passos: verificação dos domínios RAPL com perf list | grep power, que no Ryzen 7 4800H [8 núcleos/16 threads e 16 GB RAM com Ubuntu 25.04 LTS] identificou power/energy-pkg/ e power/energy-cores/; coleta com perf stat -a -r 10 -e power/energy-pkg/,power/energy-cores/ <comando> para obter energia do pacote, energia nos núcleos (soma) e tempo médio; e estabelecimento de linhas de base por ocioso, via sleep parametrizado, e estresse sintético a 100%, via stress-ng -c 0 -l 100 -t <tempo>. Os resultados mostraram que o estresse total de CPU consome aproximadamente 15 vezes mais energia do que o sistema ocioso e que, nos modelos, o LSTM com KT apresentou maior consumo médio, seguido do LSTM com AD, enquanto GRU e GRU com AD mantiveram valores próximos ou inferiores à LSTM original. Em cenários de múltiplas instâncias, observou-se que, com quatro instâncias simultâneas, tanto o LSTM com KT quanto o LSTM com AD superaram a referência de estresse sintético na mesma janela temporal, em parte por maior potência média sob concorrência. A conversão de energia em joules para kWh permitiu estimar a pegada climática multiplicando-se os valores pelo fator regional de 91 g CO2/kWh, resultando em emissões entre 0,114 g e 0,197 g por execução de teste; embora pareçam pequenas, tais emissões escalam em cenários reais. Considerando que as entradas climáticas são atualizadas quatro vezes ao dia e, por isso, adota-se retreinamento também quatro vezes ao dia durante um ano (1440 execuções/ano), e adotando o fator médio de 2024 para a região Sul do Brasil (78 g CO2/kWh), a pegada projetada vai de cerca de 0,140 kg de CO2/ano para o GRU a 0,244 kg de CO2/ano para o LSTM com KT, evidenciando que diferenças arquiteturais acumulam impactos ao longo do tempo. Além disso, segundo o Painel do Agronegócio do Rio Grande do Sul (2024), o estado possui aproximadamente 365 mil estabelecimentos agropecuários e cerca de 42% dessa base tem área destinada a pastagens; arredondando, isso implica algo como 150 mil unidades de manejo potenciais. Se cada uma operasse um modelo de predição com retreinamento diário (4×/dia), as emissões agregadas ficariam na ordem de dezenas de toneladas de CO2 por ano dependendo da arquitetura (por exemplo, cerca de 21 t/ano para GRU [melhor caso] e 36,6 t/ano para LSTM com KT [pior caso], ou seja, quase o dobro), o que equivale a aproximadamente 5 a 8 automóveis de passeio em um ano ao se adotar a referência de cerca de 4,6 toneladas de CO2/ano por veículo médio. Problema que tende a se agravar em função do custo de treinamento que normalmente cresce de forma linear com o tamanho do conjunto de dados; neste estudo, o modelo original usa medições mensais de 20142018 e o ajustado estende até 2019, sendo que em uma aplicação real será periodicamente ampliado com novos dados. Em síntese, o protocolo confirma que um único comando perf stat, aliado à repetição automática de réplicas, mapeia com boa resolução a eficiência energética de modelos recorrentes e oferece base objetiva para decisões de engenharia e adoção de práticas de inteligência artificial sustentável, ainda que limitado pela ausência de contadores para GPU, DRAM e chipset, pela granularidade temporal do perf stat e pela dependência de fatores locais de emissão de carbono.