효율성(Efficiency)과 지속 가능성(Sustainability)은 머신러닝 (ML) 애플리케이션의 개발 및 배포에 있어 매우 중요한 고려 사항입니다. 지속 가능성에 영향을 미치는 요인 중, ML 코드 내의 리소스 누수(Resource leaks)는 에너지 소비와 CO2 배출을 높이는 숨겨진 비효율성을 초래할 수 있습니다. 그럼에도 불구하고, 이러한 환경적 영향을 정량화하는 실증적 증거는 여전히 제한적입니다. 본 신생 결과 논문(emerging results paper)은 두 가지 일반적인 리소스 누수 스멜(resource-leak smells), 즉 부적절한 모델 재사용(Improper Model Reuse, IMR)과 해제되지 않은 텐서 참조(Unreleased Tensor References, UTR)와 이것이 TensorFlow 및 Keras 워크로드의 에너지 소비 및 CO2 배출에 미치는 영향에 대한 초기 실증적 조사를 제시합니다. 각 스멜에 대해 스멜이 없는 베이스라인(baseline)과 비교하면서 동일한 학습 작업을 실행함으로써 통제된 실험을 수행했습니다. 우리의 예비 결과에 따르면, 두 스멜 모두 추정 전력 사용량과 탄소 배출량을 일관되게 증가시키는 것으로 나타났습니다. IMR과 UTR은 전력 소비를 각각 약 32%와 46% 증가시켰으며, CO2 배출량 또한 그에 비례하여 증가했습니다. 대응 표본 통계 검정(Paired statistical tests) 결과, 이러한 차이는 체계적이고 통계적으로 유의미하며, 이는 리소스 누수 스멜이 ML 에너지 효율성과 환경적 지속 가능성을 저해할 수 있다는 초기 실증적 증거를 제공합니다. 이러한 발견은 리소스 누수 스멜이 소프트웨어 품질과 지속 가능성 모두에 측정 가능한 위험을 초래함을 시사하며, ML 개발에 리소스 생애주기 관리(resource-lifecycle management)와 에너지 효율성 고려 사항을 통합하는 것이 중요함을 강조합니다.