greenai.guide

Startseite › Wie kann ich …? › Wie berichte ich den Energieverbrauch meiner KI-Forschung?

Wie kann ich …?

Wie berichte ich den Energieverbrauch meiner KI-Forschung?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

Berichten Sie Hardware, GPU-Stunden aller Läufe einschließlich Tuning und Fehlschlägen, Energie in kWh mit dem verwendeten Werkzeug, Standort und CO2-Intensität des Stromnetzes, Emissionen in kg CO₂e sowie den Energieverbrauch der Inferenz bei angegebener Batchgröße. Sagen Sie, was die Systemgrenze einschließt und wie unsicher die Werte sind. Wenn Sie laufend messen, mit einem Werkzeug wie CodeCarbon, wird daraus eine Tabelle statt einer nachträglichen Rekonstruktion.

Schritte

  1. Erfassen Sie den Energieverbrauch jedes Laufs von Projektbeginn an, nicht nur den des finalen.
  2. Berichten Sie Hardware, GPU-Stunden, Energie, Standort, CO2-Intensität des Stromnetzes und Emissionen in einer Standardtabelle.
  3. Geben Sie den Energieverbrauch der Inferenz pro 1.000 Anfragen bei angegebener Batchgröße und Sequenzlänge an.
  4. Nennen Sie die Systemgrenze, einschließlich der Frage, ob der Overhead des Rechenzentrums mitgezählt ist.
  5. Berichten Sie Ergebnisse im Verhältnis zum Rechenaufwand, etwa Genauigkeit pro kWh, neben dem besten Wert.

Berichten Sie Rechenaufwand und Energie als Standardergebnisse, nicht als Fußnote. Ohne sie lassen sich Effizienzaussagen nicht prüfen, und Lesende können nicht erkennen, ob ein kleiner Genauigkeitsgewinn das Zehnfache an Energie gekostet hat.

Das Argument wurde früh vorgebracht: Strubell, Ganesh und McCallum bezifferten 2019 die finanziellen und ökologischen Kosten des Trainings mehrerer Sprachmodelle, und Schwartz und Kollegen plädierten in „Green AI“ dafür, Effizienz neben Genauigkeit zu berichten.

Was sollte die Tabelle enthalten?

Angabe Beispiel
Hardware GPU-Modell und -Anzahl, CPU, Speicher
Laufzeit GPU-Stunden für finale Läufe und alle Tuning- und fehlgeschlagenen Läufe
Energie kWh, gemessen oder geschätzt, mit Werkzeug und Version
Standort Land oder Netzregion und die verwendete CO2-Intensität
Emissionen kg CO₂e
Inferenz Energie pro 1.000 Anfragen bei angegebener Batchgröße und Sequenzlänge
Systemgrenze Ob Kühlung und Overhead des Rechenzentrums (PUE) einbezogen sind

Wenn Sie das Modell veröffentlichen, übertragen Sie die Werte in das Feld co2_eq_emissions der Model Card auf Hugging Face.

Häufige Fehler

  • Nur den siegreichen Lauf berichten. Die Suche dahinter macht meist den größten Teil des Energieverbrauchs aus.
  • Keine Unsicherheit angeben. Schätzungen aus Leistungsmodellen können von gemessenen Werten abweichen; geben Sie eine Spanne an.
  • Negative Ergebnisse weglassen. Eine Effizienzmethode, die nicht funktioniert hat, erspart anderen die Wiederholung.

Die GREENER-Prinzipien von Lannelongue und Kollegen bieten einen breiteren Rahmen für Gruppen und Einrichtungen. Siehe den Leitfaden für Forschende und wie Sie den Energieverbrauch von KI messen.

Quellen

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

Machen Sie mit

Helfen Sie, die Umweltwirkung von KI zu senken

Erhalten Sie neue Leitfäden, Förderausschreibungen und Verzeichniseinträge etwa einmal im Monat per E-Mail. Oder tragen Sie Ihr Produkt, Ihren Kurs, Ihre PhD-Stelle oder Ihre Forschung in die Verzeichnisse ein.

Kein Tracking. Abmeldung mit einem Klick. Weitere Möglichkeiten mitzumachen · Datenschutz