# Comment planifier l'entraînement quand le réseau électrique est plus vert ?

> Lancez l'entraînement et les lots d'IA quand le réseau est peu carboné : prévisions, points de reprise, échéances traitées comme des limites strictes.

Source: https://greenai.guide/fr/comment/comment-planifier-l-entrainement-quand-le-reseau-electrique-est-plus/  
Updated: 2026-11-19

## En bref

Repérez les tâches qui peuvent attendre, comme l'entraînement, le fine-tuning, l'évaluation et l'inférence par lots, et lancez-les quand une prévision d'intensité carbone montre que le réseau est plus propre. Enregistrez des points de reprise réguliers pour que les longues tâches puissent se mettre en pause quand l'intensité augmente et reprendre quand elle baisse, dans le respect d'une échéance ferme. La planification sensible au carbone réduit le carbone, pas l'énergie : pratiquez-la donc en plus du travail d'efficacité.

## Steps

1. Listez les tâches d'IA qui peuvent attendre plusieurs heures sans dommage, avec l'échéance réelle de chacune.
2. Obtenez une prévision d'intensité carbone pour la région où la tâche s'exécute.
3. Lancez les tâches flexibles dans la fenêtre la plus propre qui respecte encore l'échéance.
4. Enregistrez des points de reprise, y compris l'état de l'optimiseur, pour que les longues tâches puissent se mettre en pause et reprendre.
5. Suivez l'énergie de chaque tâche en plus du carbone, pour que la planification ne masque pas une hausse.

**La plupart des tâches d'entraînement n'ont pas besoin de démarrer à l'instant où vous appuyez sur Entrée.** Les
décaler vers des heures plus propres réduit leur carbone sans rien changer au modèle.

## D'où viennent les prévisions ? {#where-do-forecasts-come-from}

- En Grande-Bretagne, la Carbon Intensity API du National Energy System Operator prévoit l'intensité carbone à plus
  de 96 heures pour 14 régions.
- Electricity Maps fournit des données en temps réel et prévisionnelles pour plus de 350 zones dans le monde.
- Le Carbon Aware SDK de la Green Software Foundation est une API web et un outil en ligne de commande qui s'appuie sur
  ces données pour que les logiciels puissent « en faire plus quand l'électricité provient de sources propres et bas
  carbone, et moins quand ce n'est pas le cas ».

## Comment gérer les longues tâches ? {#how-do-i-handle-long-jobs}

Le pattern de la Green Software Foundation pour les charges de travail d'IA suggère de mettre en pause et de reprendre
les longues tâches d'entraînement selon des seuils d'intensité carbone, lorsque c'est faisable. Cela exige des points
de reprise réguliers, y compris l'état de l'optimiseur, pour que rien ne soit perdu quand une tâche s'arrête. Mesurez
le surcoût des points de reprise pour que les pauses ne coûtent pas plus qu'elles ne font économiser.

## Erreurs fréquentes {#common-mistakes}

- **Confondre carbone et énergie.** Décaler une tâche ne la fait pas consommer moins ; un chiffre carbone en baisse
  peut masquer une énergie en hausse. Suivez les deux.
- **Laisser filer les échéances.** Faites de l'échéance une limite stricte, pas une préférence.
- **Planifier à partir de moyennes annuelles.** Il vous faut des prévisions horaires pour la région où la tâche
  s'exécute réellement.
- **Planifier de toutes petites tâches.** Le gain se trouve dans les grandes exécutions flexibles, pas dans chaque
  script.

Vous pouvez aussi [choisir une région moins carbonée](/fr/comment/comment-choisir-une-region-cloud-bas-carbone/). Consultez
[un entraînement et une inférence efficaces](/fr/bonnes-pratiques/entrainement-et-inference-efficaces/).

## Sources

- [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)
