greenai.guide

Inicio › ¿Cómo puedo…? › ¿Cómo informo del consumo de energía de mi investigación en IA?

¿Cómo puedo…?

¿Cómo informo del consumo de energía de mi investigación en IA?

Actualizado · 1 min de lectura

En resumen

Informe del hardware, de las horas de GPU de todas las ejecuciones, incluidos el ajuste y los fallos, de la energía en kWh con la herramienta usada, de la ubicación y la intensidad de carbono de la red, de las emisiones en kg CO₂e y de la energía de inferencia con un tamaño de lote indicado. Diga qué incluyen los límites y cuán inciertas son las cifras. Medir sobre la marcha, con una herramienta como CodeCarbon, convierte esto en una tabla en lugar de una reconstrucción.

Pasos

  1. Registre la energía de cada ejecución desde el inicio del proyecto, no solo de la final.
  2. Informe del hardware, las horas de GPU, la energía, la ubicación, la intensidad de carbono de la red y las emisiones en una tabla estándar.
  3. Indique la energía de inferencia por cada 1.000 solicitudes con un tamaño de lote y una longitud de secuencia indicados.
  4. Indique los límites, incluido si se cuentan los gastos generales del centro de datos.
  5. Informe de los resultados en relación con el cómputo, como la precisión por kWh, junto con la mejor puntuación.

Informe del cómputo y la energía como resultados estándar, no como una nota a pie de página. Sin ellos, las afirmaciones de eficiencia no pueden comprobarse, y los lectores no pueden saber si una pequeña mejora de precisión costó diez veces más energía.

El argumento se planteó pronto: Strubell, Ganesh y McCallum cuantificaron en 2019 el coste económico y ambiental de entrenar varios modelos de lenguaje, y Schwartz y sus colegas defendieron en «Green AI» que se informara de la eficiencia junto con la precisión.

¿Qué debe incluir la tabla?

Elemento Ejemplo
Hardware Modelo y número de GPU, CPU, memoria
Tiempo de ejecución Horas de GPU de las ejecuciones finales y de todas las de ajuste y fallidas
Energía kWh, medidos o estimados, con la herramienta y su versión
Ubicación País o región de la red, e intensidad de carbono usada
Emisiones kg CO₂e
Inferencia Energía por cada 1.000 solicitudes con un tamaño de lote y una longitud de secuencia indicados
Límites Si se incluyen la refrigeración y los gastos generales del centro de datos (PUE)

Si publica el modelo, copie las cifras en el campo co2_eq_emissions de la tarjeta del modelo de Hugging Face.

Errores frecuentes

  • Informar solo de la ejecución ganadora. La búsqueda que hay detrás suele ser la mayor parte de la energía.
  • No indicar la incertidumbre. Las estimaciones basadas en modelos de potencia pueden diferir de los valores medidos; dé un intervalo.
  • Omitir los resultados negativos. Un método de eficiencia que no funcionó evita que otros lo repitan.

Los principios GREENER de Lannelongue y sus colegas ofrecen un marco más amplio para grupos e instituciones. Consulte la guía para investigadores y cómo medir la energía de la IA.

Fuentes

  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)

Únase a nosotros

Ayude a reducir el impacto de la IA en el planeta

Reciba por correo electrónico nuevas guías, convocatorias de financiación y fichas de los directorios, aproximadamente una vez al mes. O añada su producto, curso, doctorado o investigación a los directorios.

Sin seguimiento. Cancele la suscripción con un clic. Otras formas de unirse · Privacidad