DERİN ÖĞRENMEDE KULLANILAN BUDAMA YÖNTEMLERİNİN YEŞİL YAPAY ZEKA KAPSAMINDAKİ ETKİSİ

Kuş A., Güven F.

YOBÜ III. ULUSLARARASI ORTA ANADOLU SEMPOZYUMU, Yozgat, Türkiye, 14 - 16 Mayıs 2026, ss.364-371, (Tam Metin Bildiri)

  • Yayın Türü: Bildiri / Tam Metin Bildiri
  • Basıldığı Şehir: Yozgat
  • Basıldığı Ülke: Türkiye
  • Sayfa Sayıları: ss.364-371
  • Yozgat Bozok Üniversitesi Adresli: Evet

Özet

Yapay zeka (YZ) teknolojilerinin hızlı gelişimi, özellikle Derin Öğrenme (DÖ) tabanlı modellerin yaygınlaşmasıyla birlikte yüksek hesaplama maliyetleri ve enerji tüketimi gibi sorunları beraberinde getirmiştir. Bu durum, çevresel sürdürülebilirliği vurgulayan Yeşil YZ yaklaşımının önemini artırmıştır. Bu çalışmada, DÖ modellerinde yaygın olarak kullanılan budama yöntemlerinin doğruluk ve hesaplama verimliliği üzerindeki etkileri incelenmiştir. Bu kapsamda, büyüklük tabanlı L1 budama ve rastgele budama yöntemleri; 3 farklı veri kümesi ve 2 farklı model üzerinde karşılaştırmalı olarak analiz edilmiştir. Sonuçlar, L1 tabanlı budamanın doğruluk kaybını sınırlı tutarak daha dengeli bir performans sunduğunu, buna karşın rastgele budamanın özellikle karmaşık veri kümelerinde ciddi performans düşüşlerine yol açtığını göstermektedir. Ayrıca, parametre sayısındaki azalmaya rağmen çıkarım süresinde beklenen düzeyde iyileşme sağlanamadığı gözlemlenmiştir. Elde edilen bulgular, budama yöntemlerinin her zaman doğrudan hesaplama verimliliği sağlamadığını ve tek başına Yeşil YZ hedeflerini karşılamak için yeterli olmadığını ortaya koymaktadır. Bu çalışma ile daha sürdürülebilir ve verimli YZ sistemlerinin geliştirilmesine yönelik önemli çıkarımlar sunulmuştur.

The rapid advancement of artificial intelligence (AI), particularly the widespread adoption of Deep Learning (DL) models, has led to significant challenges such as high computational cost and energy consumption. This has increased the importance of the Green AI paradigm, which emphasizes environmental sustainability. In this study, the effects of commonly used pruning methods in DL models on accuracy and computational efficiency are investigated. In this context, magnitude-based L1 pruning and random pruning methods are comparatively analyzed across three different datasets and two different models. The results show that L1-based pruning provides a more balanced performance by limiting accuracy loss, whereas random pruning leads to significant performance degradation, especially in complex datasets. In addition, despite the reduction in the number of parameters, the expected level of improvement in inference time could not be achieved. The findings indicate that pruning methods do not always provide direct computational efficiency and are not sufficient on their own to meet Green AI objectives. This study presents important insights for the development of more sustainable and efficient AI systems.