# كيف أقيس البصمة الكربونية لتدريب نموذج ذكاء اصطناعي؟

> تتبّعوا طاقة جولة التدريب بأداة مثل CodeCarbon، واضربوها في كثافة الكربون في الشبكة المحلية، وأبلغوا عن العتاد والمدة والموقع.

Source: https://greenai.guide/ar/كيف/كيف-أقيس-البصمة-الكربونية-لتدريب-نموذج-ذكاء-اصطناعي/  
Updated: 2026-11-19

## باختصار

ضعوا نص التدريب البرمجي داخل أداة لتتبّع الانبعاثات مثل CodeCarbon، التي تقدّر الطاقة المستهلكة من المعالج المركزي (CPU) ووحدة معالجة الرسومات (GPU) والذاكرة، وتحوّلها إلى كربون باستخدام بيانات الشبكة المحلية. احسبوا كل جولة، بما فيها جولات الضبط والجولات الفاشلة، وسجّلوا العتاد والموقع والمدة، وانشروا النتيجة مع النموذج. وإن لم تكن لديكم سجلات، فيمكن لحاسبة مثل Green Algorithms أن تقدّرها لاحقًا.

## Steps

1. أضيفوا أداة لتتبّع الانبعاثات إلى نص التدريب، وأوقفوها في كتلة finally حتى تُغلق دائمًا.
2. امنحوا كل جولة اسم مشروع أو تجربة لتتمكنوا من مقارنة الإعدادات.
3. سجّلوا العتاد ومدة التشغيل والموقع وكثافة الكربون في الشبكة المستخدمة.
4. احسبوا جولات الضبط والجولات الفاشلة والمتروكة إلى جانب الجولة النهائية.
5. ضعوا الطاقة والانبعاثات بجانب الدقة في جدول نتائجكم.
6. انشروا الرقم في بطاقة النموذج أو في الورقة البحثية.

**قيسوا أثناء التدريب، لا بعده.** فأرقام التدريب المسجّلة جولةً بجولة تتيح لكم مقارنة الإعدادات من حيث الطاقة
والدقة معًا، وتمنح المشترين والزملاء رقمًا يمكنهم الوثوق به.

## ما الذي يحدد البصمة؟ {#what-determines-the-footprint}

حدّد Lacoste وزملاؤه العوامل الرئيسية في 2019: موقع الخادم وشبكة الطاقة التي يستخدمها، ومدة التدريب، وطراز العتاد
ونوعه. والكربون هو الطاقة مضروبة في كثافة الكربون في الشبكة في المكان والزمان اللذين جرت فيهما المهمة.

## أي الأدوات أستخدم؟ {#which-tools-should-i-use}

- **CodeCarbon**، وهي حزمة Python مفتوحة المصدر، تقدّر الطاقة من قدرة المعالج ووحدة معالجة الرسومات (GPU) والذاكرة
  وتحوّلها باستخدام بيانات الشبكة المحلية. وتوضح دروسها كيفية تتبّع كل إعداد ومقارنة الدقة بالانبعاثات، وفيها
  إرشادات للعناقيد الحاسوبية التي لا تتصل عُقدها الحاسوبية بالإنترنت.
- **Green Algorithms**، وهي حاسبة من Lannelongue وGrealey وInouye، تقدّر البصمة انطلاقًا من العتاد ومدة التشغيل
  والذاكرة والموقع، وهو ما يناسب المهام التي لم تسجّلوها.
- **Machine Learning CO2 Impact calculator** من Lacoste وزملائه تُجري تقديرًا مشابهًا انطلاقًا من العتاد وعدد
  الساعات والمزوّد والمنطقة.

## كيف أنشر النتيجة؟ {#how-do-i-publish-it}

تحتوي بطاقات النماذج في Hugging Face على حقل `co2_eq_emissions` للانبعاثات بالغرامات، ومصدر الرقم، ونوع التدريب
(تدريب مسبق أو ضبط دقيق)، والموقع والعتاد المستخدم. املؤوه لكل نموذج تصدرونه.

## أخطاء شائعة {#common-mistakes}

- **الإبلاغ عن الجولة النهائية فقط.** فعمليات البحث عن المعاملات الفائقة والجولات الفاشلة تشكّل في الغالب معظم
  الإجمالي.
- **استخدام متوسط وطني سنوي واحد** مع توافر بيانات إقليمية بالساعة. راجعوا
  [العثور على بيانات كثافة الكربون في الشبكة](/ar/كيف/كيف-أعرف-كثافة-الكربون-في-شبكة-الكهرباء-التي-أستخدمها/).
- **تقديم رقم واحد بلا منهجية.** اذكروا الأداة وإصدارها وحدود القياس.

المنهجية الكاملة موجودة في [كيف تقيسون طاقة الذكاء الاصطناعي](/ar/الممارسات-الجيدة/كيف-تقيسون-طاقة-الذكاء-الاصطناعي-وانبعاثاته-الكربونية/).

## المصادر

- [Comparing model efficiency with carbon tracking](https://docs.codecarbon.io/latest/tutorials/comparing-model-efficiency/), CodeCarbon documentation (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Quantifying the carbon emissions of machine learning](https://arxiv.org/abs/1910.09700), Lacoste, Luccioni, Schmidt and Dandres (2019)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
