Забезпечення сталого використання генеративного штучного інтелекту підприємствами на основі оптимізації ресурсоспоживання

Автор(и)

  • Дмитро Анатолійович Антонюк Національний університет «Запорізька політехніка», Україна https://orcid.org/0000-0003-2910-0497
  • Олександр Олександрович Коляда Національний університет «Запорізька політехніка», Україна https://orcid.org/0009-0007-2459-7031

DOI:

https://doi.org/10.15587/1729-4061.2025.330586

Ключові слова:

генеративний штучний інтелект, GPT‑моделі, сталий розвиток, енергоефективність, екологічний слід

Анотація

Об’єктом дослідження є вплив використання генеративного штучного інтелекту (ШІ) на ресурсну ефективність підприємств у контексті сталого розвитку. Проблема полягає в тому, що, попри здатність генеративного ШІ оптимізувати управлінські та виробничі процеси, його використання супроводжується зростанням споживання електроенергії (мережевої, здебільшого невідновлюваної) та води, що формує нові екологічні ризики. У статті систематизовано існуючі методи опосередкованого оцінювання енергоспоживання та водоспоживання при функціонуванні генеративних моделей ШІ. На основі цього розроблено підхід до оцінювання екологічного сліду генеративного ШІ, який враховує чотири індикатори: довжину запиту, складність, тип задачі та галузеву належність. Особливістю запропонованого підходу є поєднання кількісного аналізу, регресійного моделювання та класифікації запитів для оцінки ресурсоємності. Проведене емпіричне дослідження дозволило встановити, що запити великого обсягу (аналітичні та креативні) генерують значно більші витрати ресурсів (2,1–2,3 Вт∙год електроенергії та понад 0,8 л води), тоді як фактологічні запити створюють мінімальне навантаження (<0,12 Вт∙год). Така різниця пояснюється складністю обробки інформації та залученням значних обчислювальних потужностей у хмарних дата-центрах. Для оцінювання доцільності впровадження ШІ запропоновано індекс сталості використання, що дозволяє оцінити баланс між досягнутою ефективністю та витраченими ресурсами. Запропонований підхід може бути використаний підприємствами в умовах обмеженого доступу до енерго- і водоресурсів, зокрема під час післявоєнного відновлення та впровадження принципів сталого розвитку

Біографії авторів

Дмитро Анатолійович Антонюк, Національний університет «Запорізька політехніка»

Доктор економічних наук, професор

Кафедра менеджменту та адміністрування

Олександр Олександрович Коляда, Національний університет «Запорізька політехніка»

Аспірант

Кафедра менеджменту та адміністрування

Посилання

  1. Fang, B., Yu, J., Chen, Z., Osman, A. I., Farghali, M., Ihara, I. et al. (2023). Artificial intelligence for waste management in smart cities: a review. Environmental Chemistry Letters, 21 (4), 1959–1989. https://doi.org/10.1007/s10311-023-01604-3
  2. Priore, P., Gómez, A., Pino, R., Rosillo, R. (2014). Dynamic scheduling of manufacturing systems using machine learning: An updated review. Artificial Intelligence for Engineering Design, Analysis and Manufacturing, 28 (1), 83–97. https://doi.org/10.1017/s0890060413000516
  3. Li, S., Yu, T., Cao, X., Pei, Z., Yi, W., Chen, Y., Lv, R. (2021). Machine learning‐based scheduling: a bibliometric perspective. IET Collaborative Intelligent Manufacturing, 3 (2), 131–146. https://doi.org/10.1049/cim2.12004
  4. Wen, X., Shen, Q., Wang, S., Zhang, H. (2024). Leveraging AI and Machine Learning Models for Enhanced Efficiency in Renewable Energy Systems. Applied and Computational Engineering, 96 (1), 107–112. https://doi.org/10.54254/2755-2721/96/20241416
  5. Kuzior, A., Sira, M., Brożek, P. (2023). Use of Artificial Intelligence in Terms of Open Innovation Process and Management. Sustainability, 15 (9), 7205. https://doi.org/10.3390/su15097205
  6. Huang, M.-H., Rust, R. T. (2020). A strategic framework for artificial intelligence in marketing. Journal of the Academy of Marketing Science, 49 (1), 30–50. https://doi.org/10.1007/s11747-020-00749-9
  7. Lu, M. (2025). Ranked: The Top 25 Countries With the Most Data Centers. Visual Capitalist. Available at: https://www.visualcapitalist.com/ranked-the-top-25-countries-with-the-most-data-centers/?utm_source=
  8. Kiev Data Centers. DataCenter Map. Available at: https://www.datacentermap.com/ukraine/kiev/?utm_source=
  9. Wang, Q., Zhang, F., Li, R. (2024). Artificial intelligence and sustainable development during urbanization: Perspectives on AI R&D innovation, AI infrastructure, and AI market advantage. Sustainable Development, 33 (1), 1136–1156. https://doi.org/10.1002/sd.3150
  10. Vinuesa, R., Azizpour, H., Leite, I., Balaam, M., Dignum, V., Domisch, S. et al. (2020). The role of artificial intelligence in achieving the Sustainable Development Goals. Nature Communications, 11 (1). https://doi.org/10.1038/s41467-019-14108-y
  11. Olatunde, T., Okwandu, A., Akande, D., Sikhakhane, Z. (2024). Reviewing the role of artificial intelligence in energy efficiency optimization. Engineering Science & Technology Journal, 5 (4), 1243–1256. https://doi.org/10.51594/estj.v5i4.1015
  12. Tabbakh, A., Al Amin, L., Islam, M., Mahmud, G. M. I., Chowdhury, I. K., Mukta, M. S. H. (2024). Towards sustainable AI: a comprehensive framework for Green AI. Discover Sustainability, 5 (1). https://doi.org/10.1007/s43621-024-00641-4
  13. Zavrazhnyi, K. Yu. (2023). Vykorystannia shtuchnoho intelektu ta vplyv tsyfrovizatsiyi na stalyi rozvytok korporatyvnoho biznesu. Akademichni viziyi, 26. Available at: https://academy-vision.org/index.php/av/article/view/754
  14. Sukhodolia, O. M. (2022). Shtuchnyi intelekt v enerhetytsi. Kyiv: NISD, 49. https://doi.org/10.53679/NISS-analytrep.2022.09
  15. Mashkov, O., Abidov, S., Ivashchenko, T., Ovodenko, T., Pechenyi, V. (2023). Prospects and problems of creating intelligent support systems for environmental decision-making. Ecological Sciences, 1, 168–174. https://doi.org/10.32846/2306-9716/2023.eco.1-46.28
  16. Udendhran, R., Sasikala, R., Nishanthi, R., Vasanthi, J. (2023). Smart Energy Consumption Control in Commercial Buildings Using Machine Learning and IOT. E3S Web of Conferences, 387, 02003. https://doi.org/10.1051/e3sconf/202338702003
  17. Hamid, M., Ganne, A. (2023). Artificial intelligence in energy markets and power systems. International Research Journal of Modernization in Engineering Technology and Science, 5 (4). https://doi.org/10.56726/irjmets35943
  18. Burki, A. K., Ahamed Mafaz, M. N., Ahmad, Z., Zulfaka, A., Bin Isa, M. Y. (2024). Artificial Intelligence and Environmental Sustainability: Insights from PLS-SEM on Resource Efficiency and Carbon Emission Reduction. OPSearch: American Journal of Open Research, 3 (10), 277–288. https://doi.org/10.58811/opsearch.v3i10.141
  19. Lin, B., Zhu, Y. (2024). Latent Information in the Evolving Energy Structure. Journal of Global Information Management, 32 (1), 1–21. https://doi.org/10.4018/jgim.358476
  20. Liu, L., Yang, K., Fujii, H., Liu, J. (2021). Artificial intelligence and energy intensity in China’s industrial sector: Effect and transmission channel. Economic Analysis and Policy, 70, 276–293. https://doi.org/10.1016/j.eap.2021.03.002
  21. Strubell, E., Ganesh, A., McCallum, A. (2019). Energy and Policy Considerations for Deep Learning in NLP. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics. https://doi.org/10.18653/v1/p19-1355
  22. Li, P., Yang, J., Islam, M. A., Ren, S. (2023). Making AI Less "Thirsty": Uncovering and Addressing the Secret Water Footprint of AI Models. arXiv. https://doi.org/10.48550/arXiv.2304.03271
  23. Castaño, J., Martínez-Fernández, S., Franch, X., Bogner, J. (2023). Exploring the Carbon Footprint of Hugging Face’s ML Models: A Repository Mining Study. 2023 ACM/IEEE International Symposium on Empirical Software Engineering and Measurement (ESEM), 1–12. https://doi.org/10.1109/esem56168.2023.10304801
  24. Verdecchia, R., Cruz, L., Sallou, J., Lin, M., Wickenden, J., Hotellier, E. (2022). Data-Centric Green AI An Exploratory Empirical Study. 2022 International Conference on ICT for Sustainability (ICT4S), 35–45. https://doi.org/10.1109/ict4s55073.2022.00015
  25. Ghadi, Y. Y., Mazhar, T., Shah, S. F. A., Haq, I., Ahmad, W., Ouahada, K., Hamam, H. (2023). Integration of federated learning with IoT for smart cities applications, challenges, and solutions. PeerJ Computer Science, 9, e1657. https://doi.org/10.7717/peerj-cs.1657
  26. Zastosuvannia shtuchnoho intelektu: sfery, pryklady, perevahy ta trudnoshchi (2024). Sigma Software University. Available at: https://university.sigma.software/where-is-artificial-intelligence-used/
  27. Pidhaina, Ye. (2024). Amazon, Uber, Spotify, JP Morgan, Netflix, Tesla toshcho: uspishni ta provalni keisy zaluchennia shtuchnoho intelektu. Mind. Available at: https://mind.ua/publications/20275247-amazon-uber-spotify-jp-morgan-netflix-tesla-toshcho-uspishni-ta-provalni-kejsi-zaluchennya-shtuchnogo
  28. Kuzomko, V., Buranhulova, V., Buranhulova, V. (2021). Possibilities of using artificial intelligence in the activities of modern enterprises. Economy and Society, 32. https://doi.org/10.32782/2524-0072/2021-32-67
  29. Lacoste, A., Luccioni, A. S., Schmidt, V., Dandres, T. (2019). Quantifying the Carbon Emissions of Machine Learning. arXiv. https://doi.org/10.48550/arXiv.1910.09700
  30. ML CO2 Impact. Available at: https://mlco2.github.io/impact/#home
  31. García-Martín, E., Rodrigues, C. F., Riley, G., Grahn, H. (2019). Estimation of energy consumption in machine learning. Journal of Parallel and Distributed Computing, 134, 75–88. https://doi.org/10.1016/j.jpdc.2019.07.007
  32. Krystalakos, O., Nalmpantis, C., Vrakas, D. (2018). Sliding Window Approach for Online Energy Disaggregation Using Artificial Neural Networks. Proceedings of the 10th Hellenic Conference on Artificial Intelligence, 1–6. https://doi.org/10.1145/3200947.3201011
  33. Desislavov, R., Martínez-Plumed, F., Hernández-Orallo, J. (2023). Trends in AI inference energy consumption: Beyond the performance-vs-parameter laws of deep learning. Sustainable Computing: Informatics and Systems, 38, 100857. https://doi.org/10.1016/j.suscom.2023.100857
Забезпечення сталого використання генеративного штучного інтелекту підприємствами на основі оптимізації ресурсоспоживання

##submission.downloads##

Опубліковано

2025-06-30

Як цитувати

Антонюк, Д. А., & Коляда, О. О. (2025). Забезпечення сталого використання генеративного штучного інтелекту підприємствами на основі оптимізації ресурсоспоживання. Eastern-European Journal of Enterprise Technologies, 3(13 (135), 68–77. https://doi.org/10.15587/1729-4061.2025.330586

Номер

Том 3 № 13 (135) (2025): Трансфер технологій: промисловість, енергетика, нанотехнології

Розділ

Трансфер технологій: промисловість, енергетика, нанотехнології

Ліцензія

Авторське право (c) 2025 Dmytro Antoniuk, Oleksandr Koliada

Creative Commons License

Ця робота ліцензується відповідно до Creative Commons Attribution 4.0 International License.

Закріплення та умови передачі авторських прав (ідентифікація авторства) здійснюється у Ліцензійному договорі. Зокрема, автори залишають за собою право на авторство свого рукопису та передають журналу право першої публікації цієї роботи на умовах ліцензії Creative Commons CC BY. При цьому вони мають право укладати самостійно додаткові угоди, що стосуються неексклюзивного поширення роботи у тому вигляді, в якому вона була опублікована цим журналом, але за умови збереження посилання на першу публікацію статті в цьому журналі.

Ліцензійний договір – це документ, в якому автор гарантує, що володіє усіма авторськими правами на твір (рукопис, статтю, тощо).
Автори, підписуючи Ліцензійний договір з ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР», мають усі права на подальше використання свого твору за умови посилання на наше видання, в якому твір опублікований. Відповідно до умов Ліцензійного договору, Видавець ПП «ТЕХНОЛОГІЧНИЙ ЦЕНТР» не забирає ваші авторські права та отримує від авторів дозвіл на використання та розповсюдження публікації через світові наукові ресурси (власні електронні ресурси, наукометричні бази даних, репозитарії, бібліотеки тощо).
За відсутності підписаного Ліцензійного договору або за відсутністю вказаних в цьому договорі ідентифікаторів, що дають змогу ідентифікувати особу автора, редакція не має права працювати з рукописом.
Важливо пам’ятати, що існує і інший тип угоди між авторами та видавцями – коли авторські права передаються від авторів до видавця. В такому разі автори втрачають права власності на свій твір та не можуть його використовувати в будь-який спосіб.