# كيف أجدول تدريب النماذج في الأوقات التي تكون فيها شبكة الكهرباء أنظف؟

> شغّلوا مهام التدريب والذكاء الاصطناعي الدفعية حين تكون كثافة الكربون في الشبكة منخفضة: استخدموا التوقعات، واجعلوا المهام قابلة للإيقاف بنقاط التحقق، وتمسّكوا بالمواعيد النهائية.

Source: https://greenai.guide/ar/كيف/كيف-أجدول-تدريب-النماذج-في-الأوقات-التي-تكون-فيها-شبكة-الكهرباء-أنظف/  
Updated: 2026-11-19

## باختصار

حدّدوا المهام التي يمكنها الانتظار، مثل التدريب والضبط الدقيق والتقييم والاستدلال الدفعي، وابدؤوها حين يُظهر توقع كثافة الكربون أن الشبكة أنظف. احفظوا نقاط التحقق بانتظام حتى يمكن إيقاف المهام الطويلة مؤقتًا حين ترتفع الكثافة واستئنافها حين تنخفض، ضمن موعد نهائي ثابت. والجدولة المراعية للكربون تخفض الكربون، لا الطاقة، لذا طبّقوها إلى جانب أعمال الكفاءة.

## Steps

1. أدرجوا مهام الذكاء الاصطناعي التي يمكنها الانتظار ساعات دون ضرر، مع الموعد النهائي الفعلي لكل مهمة.
2. احصلوا على توقع لكثافة الكربون في المنطقة التي تعمل فيها المهمة.
3. ابدؤوا المهام المرنة في أنظف نافذة زمنية لا تزال تفي بالموعد النهائي.
4. احفظوا نقاط التحقق، بما فيها حالة المُحسِّن، حتى يمكن إيقاف المهام الطويلة واستئنافها.
5. تتبّعوا الطاقة لكل مهمة إلى جانب الكربون، حتى لا تُخفي الجدولة النمو.

**لا تحتاج معظم مهام التدريب إلى البدء في اللحظة التي تضغطون فيها على زر الإدخال.** ونقلها إلى ساعات أنظف يخفض
كربونها دون أي تغيير في النموذج.

## من أين تأتي التوقعات؟ {#where-do-forecasts-come-from}

- في بريطانيا العظمى، يتوقع Carbon Intensity API التابع لـ National Energy System Operator كثافة الكربون لأكثر من 96
  ساعة مقبلة في 14 منطقة.
- تقدّم Electricity Maps بيانات آنية ومتوقعة لأكثر من 350 منطقة حول العالم.
- Carbon Aware SDK من Green Software Foundation واجهة برمجة تطبيقات ويب وأداة سطر أوامر تستفيد من هذه البيانات حتى
  تتمكن البرمجيات من "فعل المزيد حين تأتي الكهرباء من مصادر نظيفة منخفضة الكربون، والأقل حين لا تأتي منها".

## كيف أتعامل مع المهام الطويلة؟ {#how-do-i-handle-long-jobs}

يقترح نمط Green Software Foundation لأحمال الذكاء الاصطناعي إيقاف مهام التدريب الطويلة واستئنافها بناءً على عتبات
كثافة الكربون حيث أمكن. ويتطلب ذلك حفظ نقاط التحقق بانتظام، بما فيها حالة المُحسِّن (optimiser)، حتى لا يضيع شيء حين
تتوقف المهمة. وقيسوا كلفة حفظ نقاط التحقق حتى لا تكلّف التوقفات أكثر مما توفّر.

## أخطاء شائعة {#common-mistakes}

- **الخلط بين الكربون والطاقة.** فنقل المهمة لا يجعلها تستهلك أقل؛ وقد يُخفي انخفاض رقم الكربون ارتفاعًا في الطاقة.
  تتبّعوا الاثنين.
- **ترك المواعيد النهائية تنزلق.** اجعلوا الموعد النهائي حدًا صارمًا، لا تفضيلًا.
- **الجدولة وفق المتوسطات السنوية.** تحتاجون إلى توقعات بالساعة للمنطقة التي تعمل فيها المهمة فعلًا.
- **جدولة المهام الصغيرة جدًا.** المكسب يكمن في الجولات الكبيرة المرنة، لا في كل برنامج نصي.

يمكنكم أيضًا [اختيار منطقة أقل كربونًا](/ar/كيف/كيف-أختار-منطقة-سحابية-منخفضة-الكربون/). راجعوا
[التدريب والاستدلال الفعّالان](/ar/الممارسات-الجيدة/تدريب-الذكاء-الاصطناعي-واستدلاله-بكفاءة/).

## المصادر

- [Carbon Intensity API](https://carbonintensity.org.uk/), National Energy System Operator (2025)
- [Carbon Aware SDK](https://github.com/Green-Software-Foundation/carbon-aware-sdk), Green Software Foundation (2025)
- [Use carbon-aware scheduling and region selection for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/operations/carbon-aware-ai-scheduling.md), Green Software Foundation, Green Software Patterns (2025)
- [Electricity Maps data](https://www.electricitymaps.com/data), Electricity Maps (2026)
