संक्षेप में
ऐसे जॉब पहचानें जो इंतज़ार कर सकते हैं, जैसे ट्रेनिंग, फ़ाइन-ट्यूनिंग, इवैल्यूएशन और बैच इन्फ़रेंस, और उन्हें तब शुरू करें जब कार्बन तीव्रता का पूर्वानुमान दिखाए कि ग्रिड ज़्यादा स्वच्छ है। नियमित चेकपॉइंट सेव करें ताकि लंबे जॉब तीव्रता बढ़ने पर रुक सकें और घटने पर फिर चल सकें, एक पक्की समय-सीमा के अंदर। कार्बन-अवेयर शेड्यूलिंग कार्बन घटाती है, ऊर्जा नहीं, इसलिए इसे कुशलता के काम के ऊपर से करें।
चरण
- ऐसे AI जॉब की सूची बनाएँ जो बिना नुकसान के घंटों इंतज़ार कर सकते हैं, हर जॉब की असली समय-सीमा के साथ।
- जिस क्षेत्र में जॉब चलता है, वहाँ का कार्बन तीव्रता पूर्वानुमान लें।
- लचीले जॉब सबसे स्वच्छ समय-खिड़की में शुरू करें जो फिर भी समय-सीमा पूरी करे।
- चेकपॉइंट सेव करें, जिसमें optimiser की स्थिति भी हो, ताकि लंबे जॉब रुक और फिर चल सकें।
- कार्बन के साथ हर जॉब की ऊर्जा भी ट्रैक करें, ताकि शेड्यूलिंग बढ़ोतरी को छिपा न दे।
ज़्यादातर ट्रेनिंग जॉब को enter दबाते ही शुरू होने की ज़रूरत नहीं होती। उन्हें ज़्यादा स्वच्छ घंटों में ले जाने से, मॉडल में कोई बदलाव किए बिना, उनका कार्बन घटता है।
पूर्वानुमान कहाँ से मिलते हैं?
- Great Britain में, National Energy System Operator का Carbon Intensity API 14 क्षेत्रों के लिए 96 घंटे से ज़्यादा आगे तक कार्बन तीव्रता का पूर्वानुमान देता है।
- Electricity Maps दुनिया भर के 350 से ज़्यादा ज़ोन के लिए रियल-टाइम और पूर्वानुमान डेटा देता है।
- Green Software Foundation का Carbon Aware SDK एक वेब API और कमांड-लाइन टूल है जो ऐसे डेटा का इस्तेमाल करता है, ताकि सॉफ़्टवेयर "जब बिजली स्वच्छ, कम कार्बन वाले स्रोतों से आए तब ज़्यादा काम करे और जब न आए तब कम"।
मैं लंबे जॉब कैसे संभालूँ?
AI वर्कलोड के लिए Green Software Foundation का पैटर्न सुझाता है कि जहाँ संभव हो, लंबे चलने वाले ट्रेनिंग जॉब को कार्बन तीव्रता की सीमाओं (thresholds) के आधार पर रोका और फिर चलाया जाए। इसके लिए नियमित चेकपॉइंट चाहिए, जिसमें optimiser की स्थिति भी हो, ताकि जॉब रुकने पर कुछ न खोए। चेकपॉइंट का ओवरहेड मापें, ताकि रुकावटों की लागत उनसे होने वाली बचत से ज़्यादा न हो।
आम गलतियाँ
- कार्बन और ऊर्जा को एक समझना। जॉब का समय बदलने से वह कम ऊर्जा नहीं लेता; घटता कार्बन आँकड़ा बढ़ती ऊर्जा को छिपा सकता है। दोनों ट्रैक करें।
- समय-सीमा खिसकने देना। समय-सीमा को पसंद नहीं, पक्की सीमा बनाएँ।
- सालाना औसत के हिसाब से शेड्यूल करना। आपको उस क्षेत्र के घंटे-दर-घंटे पूर्वानुमान चाहिए जहाँ जॉब सचमुच चलता है।
- बहुत छोटे जॉब शेड्यूल करना। फ़ायदा बड़े, लचीले रन में है, हर स्क्रिप्ट में नहीं।
आप कम कार्बन वाला क्षेत्र भी चुन सकते हैं। देखें कुशल ट्रेनिंग और इन्फ़रेंस।
स्रोत
- Carbon Intensity API, National Energy System Operator (2025)
- Carbon Aware SDK, Green Software Foundation (2025)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Electricity Maps data, Electricity Maps (2026)
संबंधित
मैं कम कार्बन वाला क्लाउड रीजन कैसे चुनूँ?
AI काम के लिए कम कार्बन वाला क्लाउड रीजन चुनें: रीजन के हिसाब से ग्रिड कार्बन तीव्रता और कार्बन-मुक्त ऊर्जा की तुलना करें, फिर latency, डेटा नियम और लागत तौलें।
मुझे अपने बिजली ग्रिड की कार्बन इंटेंसिटी कैसे पता चलेगी?
AI फ़ुटप्रिंट के लिए ग्रिड कार्बन इंटेंसिटी का डेटा कहाँ मिलेगा: GB Carbon Intensity API और Electricity Maps जैसे क्षेत्रीय, घंटेवार स्रोत।
मैं क्लाउड की खाली पड़ी क्षमता पर AI जॉब कैसे चलाऊँ?
रुक सकने वाला AI काम spot या preemptible क्षमता पर चलाएँ: जॉब को चेकपॉइंट और साफ़ ढंग से दोबारा कोशिश करने लायक बनाएँ, और न रुक सकने वाला काम कहीं और रखें।
कुशल AI ट्रेनिंग और इन्फ़रेंस
डेवलपरों और शोधकर्ताओं के लिए AI की ऊर्जा घटाने की तकनीकें: प्रूनिंग, स्पार्सिटी, क्वांटाइज़ेशन, डिस्टिलेशन, KV कैश, बैचिंग, मिक्स्ड प्रिसिज़न और शेड्यूलिंग।