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

> Training und Batch-Jobs laufen lassen, wenn die CO₂-Intensität im Netz niedrig ist: Prognosen nutzen, Jobs per Checkpoint pausierbar machen, Fristen fest einhalten.

Source: https://greenai.guide/de/wie/wie-plane-ich-ki-training-fuer-zeiten-in-denen-der-strom-sauberer-ist/  
Updated: 2026-11-19

## 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.

## Steps

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? {#where-do-forecasts-come-from}

- 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? {#how-do-i-handle-long-jobs}

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 {#common-mistakes}

- **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](/de/wie/wie-waehle-ich-eine-cloud-region-mit-wenig-co2/). Siehe
[effizientes Training und effiziente Inferenz](/de/gute-praxis/effizientes-ki-training-und-effiziente-inferenz/).

## Quellen

- [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)
