greenai.guide

Startseite › Wie kann ich …? › Wie plane ich KI-Training für Zeiten, in denen der Strom sauberer ist?

Wie kann ich …?

Wie plane ich KI-Training für Zeiten, in denen der Strom sauberer ist?

Aktualisiert · 1 Min. Lesezeit

Kurz gesagt

Finden Sie die Jobs, die warten können, etwa Training, Fine-Tuning, Evaluierung und Batch-Inferenz, und starten Sie sie, wenn eine Prognose der CO₂-Intensität ein saubereres Stromnetz anzeigt. Speichern Sie regelmäßig Checkpoints, damit lange Jobs pausieren können, wenn die Intensität steigt, und weiterlaufen, wenn sie sinkt, innerhalb einer festen Frist. CO₂-bewusste Planung senkt den CO₂-Ausstoß, nicht die Energie. Setzen Sie sie daher zusätzlich zur Effizienzarbeit ein.

Schritte

  1. Listen Sie KI-Jobs auf, die ohne Schaden Stunden warten können, jeweils mit ihrer tatsächlichen Frist.
  2. Besorgen Sie eine Prognose der CO₂-Intensität für die Region, in der der Job läuft.
  3. Starten Sie flexible Jobs im saubersten Zeitfenster, das die Frist noch einhält.
  4. Speichern Sie Checkpoints einschließlich des Optimierer-Zustands, damit lange Jobs pausieren und weiterlaufen können.
  5. Erfassen Sie neben dem CO₂-Ausstoß auch die Energie pro Job, damit die Planung kein Wachstum verdeckt.

Die meisten Trainingsjobs müssen nicht in dem Moment starten, in dem Sie Enter drücken. Wenn Sie sie in sauberere Stunden verlegen, sinkt ihr CO₂-Ausstoß, ohne dass sich am Modell etwas ändert.

Woher kommen Prognosen?

  • In Großbritannien prognostiziert die Carbon Intensity API des National Energy System Operator die CO₂-Intensität mehr als 96 Stunden im Voraus für 14 Regionen.
  • Electricity Maps liefert Echtzeit- und Prognosedaten für mehr als 350 Zonen weltweit.
  • Das Carbon Aware SDK der Green Software Foundation ist eine Web-API und ein Kommandozeilen-Tool, das auf solche Daten zugreift, damit Software „mehr tut, wenn der Strom aus sauberen, CO₂-armen Quellen kommt, und weniger, wenn nicht“.

Wie gehe ich mit langen Jobs um?

Das Pattern der Green Software Foundation für KI-Workloads schlägt vor, lang laufende Trainingsjobs, wo machbar, anhand von Schwellenwerten der CO₂-Intensität zu pausieren und fortzusetzen. Dafür braucht es regelmäßige Checkpoints einschließlich des Optimierer-Zustands, damit nichts verloren geht, wenn ein Job anhält. Messen Sie den Mehraufwand der Checkpoints, damit die Pausen nicht mehr kosten, als sie sparen.

Häufige Fehler

  • CO₂ mit Energie verwechseln. Einen Job zu verschieben, senkt nicht seinen Verbrauch; ein sinkender CO₂-Wert kann steigenden Energieverbrauch verdecken. Erfassen Sie beides.
  • Fristen verstreichen lassen. Machen Sie die Frist zu einer harten Grenze, nicht zu einer Präferenz.
  • Nach Jahresdurchschnitten planen. Sie brauchen stündliche Prognosen für die Region, in der der Job tatsächlich läuft.
  • Winzige Jobs planen. Der Gewinn liegt bei großen, flexiblen Läufen, nicht bei jedem Skript.

Sie können auch eine CO₂-ärmere Region wählen. Siehe effizientes Training und effiziente Inferenz.

Quellen

  1. Carbon Intensity API, National Energy System Operator (2025)
  2. Carbon Aware SDK, Green Software Foundation (2025)
  3. Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
  4. Electricity Maps data, Electricity Maps (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