# मैं कैसे…? AI का असर घटाने पर उत्तर

> AI का उपयोग करने और उसे बनाने के पर्यावरणीय असर को घटाने के बारे में लोगों के सवालों के छोटे, स्रोतों वाले उत्तर।

Source: https://greenai.guide/hi/कैसे/

कम ऊर्जा, पानी और बर्बादी के साथ AI इस्तेमाल करने के बारे में लोगों के सवालों के 97 सीधे उत्तर: रोज़मर्रा के उपयोगकर्ताओं, डेवलपरों, संगठनों और स्कूलों के लिए। हर जगह पहले उत्तर, फिर चरण और स्रोत।

## AI का रोज़मर्रा उपयोग

- [AI से इमेज और वीडियो बनाने का पर्यावरण पर असर मैं कैसे कम करूँ?](https://greenai.guide/how-do-i/cut-impact-of-ai-image-and-video-generation/): कम इमेज और वीडियो बनाएँ, शुरू करने से पहले prompt की योजना बनाएँ, वीडियो छोटे और उतने ही resolution पर रखें जितना चाहिए, और अच्छे नतीजे दोबारा इस्तेमाल करें। एक अध्ययन में इमेज बनाने में टेक्स्ट वर्गीकरण की तुलना में प्रति अनुरोध हज़ार गुना से ज़्यादा ऊर्जा लगी, और एक छोटा AI वीडियो इससे भी कहीं ज़्यादा महँगा पड़ सकता है।
- [क्या AI इस्तेमाल करने के लिए मुझे नया फ़ोन या लैपटॉप खरीदना ज़रूरी है?](https://greenai.guide/how-do-i/avoid-buying-new-devices-for-ai/): ज़्यादातर AI टूल क्लाउड में चलते हैं और आपके मौजूदा उपकरणों पर ब्राउज़र या ऐप के ज़रिए काम करते हैं, इसलिए इन्हें इस्तेमाल करने के लिए आपको शायद ही कभी नए हार्डवेयर की ज़रूरत पड़ती है। उपकरणों को ज़्यादा समय तक इस्तेमाल करने से नए उपकरण बनाने का फ़ुटप्रिंट बचता है, जिसमें वह इलेक्ट्रॉनिक कचरा भी शामिल है जिसके जनरेटिव AI की वजह से बढ़ने की शोधकर्ता उम्मीद करते हैं।
- [जिन AI फ़ीचरों की मुझे ज़रूरत नहीं, उन्हें मैं कैसे बंद करूँ?](https://greenai.guide/how-do-i/turn-off-ai-features-i-dont-need/): आप जो भी ऐप, फ़ोन, ब्राउज़र या ऑफ़िस सूट इस्तेमाल करते हैं, उसकी सेटिंग्स खोलें, उसके AI असिस्टेंट के नाम या "स्मार्ट फ़ीचर" वाले हिस्से ढूँढें, और जो आप इस्तेमाल नहीं करते उसे बंद कर दें। जो फ़ीचर हर ईमेल, पेज या दस्तावेज़ पर अपने आप चलते हैं, वे ऊर्जा इस्तेमाल करते हैं, चाहे आप नतीजा पढ़ें या नहीं, इसलिए डिफ़ॉल्ट मायने रखते हैं।
- [बिना ज़रूरत वाले AI जवाबों के बिना मैं वेब पर सर्च कैसे करूँ?](https://greenai.guide/how-do-i/get-search-results-without-ai-answers/): ऐसा सर्च विकल्प या फ़िल्टर खोजें जो सादे वेब लिंक दिखाए, ऐसा सर्च इंजन या सेटिंग चुनें जिसमें अपने आप AI जवाब न आएँ, या बुकमार्क से सीधे अपनी भरोसेमंद साइटों पर जाएँ। हर सर्च के लिए बना AI जवाब मॉडल का ऐसा काम जोड़ता है जिसकी शायद आपको ज़रूरत नहीं, खासकर दुकान खुलने का समय या किसी जानी-पहचानी वेबसाइट जैसी आसान खोजों के लिए।
- [मुझे कैसे पता चले कि AI का "थिंकिंग" या रीज़निंग मोड कब इस्तेमाल करना है?](https://greenai.guide/how-do-i/use-reasoning-modes-only-when-needed/): रीज़निंग या "थिंकिंग" मोड सच में कठिन समस्याओं के लिए इस्तेमाल करें, जैसे कई चरणों वाला गणित, उलझा हुआ कोड या सावधान विश्लेषण, और रोज़मर्रा के सवालों, ड्राफ़्ट और सारांश के लिए साधारण या तेज़ मॉडल। रीज़निंग मोड जवाब देने से पहले छिपे हुए लंबे हिसाब-किताब लिखते हैं, और एक बेंचमार्क में पाया गया कि वे औसतन 30 गुना ज़्यादा ऊर्जा इस्तेमाल करते थे।
- [मेरे AI इस्तेमाल की ऊर्जा असल में कितनी है, इसे सही नज़रिए से कैसे देखूँ?](https://greenai.guide/how-do-i/put-my-ai-energy-use-in-perspective/): प्रकाशित आँकड़ों के अनुसार चैटबॉट से पूछा गया एक साधारण टेक्स्ट सवाल एक वाट-घंटे का छोटा-सा हिस्सा इस्तेमाल करता है, लगभग उतना जितना ओवन करीब एक सेकंड में लेता है। इमेज, वीडियो, लंबे दस्तावेज़ और reasoning मोड इससे कई गुना ज़्यादा ले सकते हैं, और वैश्विक कुल तेज़ी से बढ़ रहा है, इसलिए "यह कुछ भी नहीं" और "यह तबाही है" दोनों ही बात से चूकते हैं।
- [मैं AI एजेंट और डीप रिसर्च टूल बिना बर्बादी के कैसे इस्तेमाल करूँ?](https://greenai.guide/how-do-i/use-ai-agents-and-deep-research-sparingly/): एजेंट और डीप रिसर्च मोड उन कामों के लिए रखें जिनमें सच में कई चरण चाहिए, जैसे किसी बड़े विषय पर कई स्रोतों से रिसर्च, और छोटे सवालों के लिए साधारण चैट इस्तेमाल करें। एजेंट हर काम में मॉडल को कई बार कॉल करते हैं: Anthropic ने बताया कि एजेंट चैट की तुलना में लगभग चार गुना टोकन इस्तेमाल करते हैं, और मल्टी-एजेंट सिस्टम लगभग पंद्रह गुना।
- [मैं AI के जवाब बार-बार दोबारा बनवाना कैसे बंद करूँ?](https://greenai.guide/how-do-i/stop-regenerating-ai-answers/): समझें कि पहला जवाब कहाँ चूका, फिर regenerate दबाने के बजाय एक छोटे फ़ॉलो-अप में AI को बताएँ कि क्या बदलना है। हर बार दोबारा बनवाना एक पूरा नया जवाब होता है, इसलिए पाँच या दस बार किस्मत आज़माने की आदत किसी काम की ऊर्जा को कई गुना कर देती है, खासकर इमेज और वीडियो के लिए।
- [मैं ChatGPT के इस्तेमाल में ऊर्जा की खपत कैसे कम करूँ?](https://greenai.guide/how-do-i/reduce-energy-of-chatgpt-use/): जो चाहिए उसे एक स्पष्ट अनुरोध में माँगें, जवाब छोटे रखें, नए विषय के लिए नई चैट शुरू करें, और इमेज व वीडियो बनाने में संयम रखें। प्रकाशित अनुमानों के अनुसार एक आम टेक्स्ट सवाल में लगभग एक तिहाई वाट-घंटा लगता है, लेकिन लंबे इनपुट, बार-बार दोबारा जवाब बनवाना और मीडिया बनाना इसे कई गुना बढ़ा सकते हैं।
- [मैं अपने AI इस्तेमाल के कार्बन को ऑफ़सेट कैसे करूँ?](https://greenai.guide/how-do-i/offset-the-carbon-of-my-ai-use/): पहले कम करें, और ऑफ़सेट को AI उपयोग को "कार्बन न्यूट्रल" बनाने का तरीका नहीं, बल्कि एक वैकल्पिक अतिरिक्त कदम मानें। ज़्यादातर लोगों के लिए रोज़मर्रा के टेक्स्ट AI का फ़ुटप्रिंट छोटा है, और इमेज व वीडियो बनाने या बार-बार दोबारा जवाब बनवाने जैसे भारी उपयोग घटाना क्रेडिट खरीदने से ज़्यादा असर करता है। सॉफ़्टवेयर कार्बन के मानक ऑफ़सेट से मापे गए फ़ुटप्रिंट को कम करने की अनुमति नहीं देते।
- [मैं अपने परिवार को AI का ज़्यादा टिकाऊ इस्तेमाल करने में कैसे मदद करूँ?](https://greenai.guide/how-do-i/help-my-family-use-ai-sustainably/): नियमों के बजाय घर की कुछ आसान आदतों पर सहमति बनाएँ: जो सबसे सरल टूल काम करे उसे इस्तेमाल करें, साफ़ सवाल पूछें, दोबारा बनवाने के बजाय सुधारें, और AI इमेज और वीडियो को अंतहीन मनोरंजन नहीं, कभी-कभार की चीज़ मानें। फ़ोन, टैबलेट और लैपटॉप को लंबे समय तक इस्तेमाल करते रहना भी मायने रखता है, क्योंकि डिवाइस बनाने का भी फ़ुटप्रिंट होता है।
- [मैं अपने फ़ोन पर AI का इस्तेमाल ऊर्जा बर्बाद किए बिना कैसे करूँ?](https://greenai.guide/how-do-i/use-ai-on-my-phone-efficiently/): जो AI फ़ीचर आप इस्तेमाल नहीं करते उन्हें बंद करें, सरल कामों के लिए डिवाइस पर चलने वाले तेज़ फ़ीचरों को प्राथमिकता दें, और तस्वीर या वीडियो बनाने जैसे भारी काम तभी करें जब सच में ज़रूरत हो। डिवाइस पर चलने वाले छोटे मॉडल डेटा को डेटा सेंटर भेजने से बचा सकते हैं, लेकिन वे फिर भी आपकी बैटरी इस्तेमाल करते हैं, इसलिए सबसे बड़ी बचत ऐसा AI न चलाने में है जो कुछ नहीं जोड़ता।
- [मैं अपने बच्चों से AI और पर्यावरण के बारे में कैसे बात करूँ?](https://greenai.guide/how-do-i/talk-to-children-about-ai-and-the-environment/): समझाएँ कि AI डेटा सेंटर नाम की बड़ी इमारतों में रखे शक्तिशाली कंप्यूटरों पर चलता है, जो बिजली और ठंडा रखने के लिए अक्सर पानी इस्तेमाल करते हैं, और कुछ काम, जैसे तस्वीरें और वीडियो बनाना, दूसरों से कहीं ज़्यादा ऊर्जा लेते हैं। बात शांत और व्यावहारिक रखें: मकसद AI को सोच-समझकर इस्तेमाल करना है, उसके लिए अपराध-बोध महसूस करना नहीं।
- [मैं ऐसे प्रॉम्प्ट कैसे लिखूँ जिनमें कम ऊर्जा लगे?](https://greenai.guide/how-do-i/write-prompts-that-use-less-energy/): छोटे, सटीक प्रॉम्प्ट लिखें जो ठीक-ठीक बताएँ कि आपको क्या चाहिए, मॉडल को सिर्फ़ ज़रूरी कॉन्टेक्स्ट दें, और जवाब की लंबाई तय करें। मॉडल जितना ज़्यादा टेक्स्ट पढ़ता और लिखता है, ऊर्जा उतनी बढ़ती है, इसलिए दोनों को घटाने और पहली बार में ही काम का जवाब पाने से सबसे ज़्यादा बचत होती है।
- [मैं कैसे तय करूँ कि किसी काम के लिए मुझे AI की ज़रूरत है भी या नहीं?](https://greenai.guide/how-do-i/decide-if-i-need-ai-for-a-task/): पूछें कि क्या कोई सरल टूल यह काम पहले से भरोसेमंद ढंग से करता है: सर्च इंजन, कैलकुलेटर, मैप, शब्दकोश, टेम्पलेट या स्प्रेडशीट फ़ॉर्मूला। जनरेटिव AI वहाँ इस्तेमाल करें जहाँ वह सचमुच समय बचाए या नतीजा बेहतर करे, जैसे मसौदा लिखना, समझाना या टेक्स्ट को नए सिरे से लिखना, और उन खोजों और हिसाब-किताब के लिए उसे छोड़ दें जिन्हें दूसरे टूल अच्छी तरह संभालते हैं।
- [लंबी AI चैट में ऊर्जा की बर्बादी मैं कैसे रोकूँ?](https://greenai.guide/how-do-i/keep-long-ai-chats-efficient/): विषय बदलने पर नई चैट शुरू करें, और जब कोई लंबी बातचीत अब भी काम की हो, तो एक छोटा सारांश माँगें और उसी से नई चैट में आगे बढ़ें। चैटबॉट आम तौर पर हर नए संदेश का जवाब देने के लिए अब तक की पूरी बातचीत फिर से पढ़ते हैं, इसलिए बहुत लंबी चैट हर जवाब को ज़रूरत से ज़्यादा महंगा बना देती है।

## AI टूल और मॉडल चुनना

- [AI Energy Score रेटिंग को कैसे समझें?](https://greenai.guide/how-do-i/read-an-ai-energy-score-rating/): AI Energy Score रेटिंग किसी मॉडल को उसी काम पर परखे गए दूसरे मॉडलों की तुलना में ऊर्जा दक्षता के लिए एक से पाँच स्टार देती है, जो प्रति 1,000 क्वेरी मापी गई GPU ऊर्जा पर आधारित है। ज़्यादा स्टार का मतलब उस काम के लिए कम ऊर्जा है, लेकिन स्टार एक काम के भीतर ही सापेक्ष (relative) होते हैं, इसलिए मॉडलों की तुलना सिर्फ़ उसी काम के लिए रेट किए गए दूसरे मॉडलों से करें।
- [AI को अपने डिवाइस पर चलाऊँ या क्लाउड में, यह मैं कैसे तय करूँ?](https://greenai.guide/how-do-i/choose-between-device-and-cloud-ai/): छोटे, बार-बार होने वाले, निजी या latency-संवेदनशील काम डिवाइस पर चलाएँ, और बड़े मॉडल वाले बड़े या कभी-कभार के काम किसी कुशल क्लाउड सेवा को भेजें। कुछ अध्ययन उपयुक्त मॉडलों के लिए डिवाइस पर बड़ी ऊर्जा बचत पाते हैं, लेकिन अच्छी तरह चलाए जा रहे डेटा सेंटरों को पछाड़ना कठिन है, इसलिए जहाँ हो सके अपने मामले के लिए मापें।
- [मुझे कैसे पता चले कि कोई AI टूल पर्यावरण के अनुकूल (ग्रीन) है?](https://greenai.guide/how-do-i/know-if-an-ai-tool-is-green/): लेबल के बजाय सबूत देखें: तय तरीके के साथ प्रति अनुरोध प्रकाशित ऊर्जा या उत्सर्जन के आँकड़े, छोटे मॉडलों का विकल्प, यह कहाँ चलता है इसकी जानकारी, और AI Energy Score जैसी स्वतंत्र रेटिंग। अभी कम ही टूल यह सब प्रकाशित करते हैं, इसलिए बिना आँकड़ों के "ग्रीन" या "सस्टेनेबल" को तथ्य नहीं, सिर्फ़ एक दावा मानें।
- [मैं AI कोडिंग असिस्टेंट का इस्तेमाल बड़े फ़ुटप्रिंट के बिना कैसे करूँ?](https://greenai.guide/how-do-i/use-an-ai-coding-assistant-with-a-smaller-footprint/): असिस्टेंट वहाँ इस्तेमाल करें जहाँ वह साफ़ तौर पर फ़ायदा लौटाए, उसे पूरी रिपॉज़िटरी के बजाय केंद्रित कॉन्टेक्स्ट दें, रोज़मर्रा के बदलावों के लिए छोटा या तेज़ मॉडल चुनें, और कठिन कामों को सरल चरणों में बाँटें जिनकी आप समीक्षा करें। एक अध्ययन में पाया गया कि परखे गए कामों पर AI की मदद से कोडिंग का कार्बन फ़ुटप्रिंट हाथ से कोडिंग की तुलना में लगभग 33 गुना था, इसलिए आदतें मायने रखती हैं।
- [मैं AI मार्केटिंग में ग्रीनवॉशिंग को कैसे पहचानूँ?](https://greenai.guide/how-do-i/spot-greenwashing-in-ai-marketing/): ऐसे शब्दों से सावधान रहें जैसे "ग्रीन", "सस्टेनेबल" या "कार्बन-न्यूट्रल AI", जिनके पीछे आँकड़े, तरीके और दायरा न हो, और ऐसे दावों से जो ऑफ़सेट या सालाना रिन्यूएबल सर्टिफ़िकेट पर टिके हों। ईमानदार दावे बताते हैं कि क्या मापा गया, किस बेसलाइन के मुकाबले, और क्या छोड़ा गया; EU में ऐसे सामान्य पर्यावरणीय दावों पर रोक है जो साबित नहीं किए जा सकते।
- [मैं AI मॉडल को अपने कंप्यूटर पर लोकल कैसे चलाऊँ?](https://greenai.guide/how-do-i/run-an-ai-model-locally/): Ollama या llama.cpp जैसा कोई लोकल रनर इंस्टॉल करें, GGUF जैसे क्वांटाइज़्ड फ़ॉर्मैट में कोई छोटा ओपन-वेट मॉडल डाउनलोड करें, और उसे अपने कंप्यूटर पर चलाएँ। वह सबसे छोटा मॉडल चुनें जो आपका काम कर दे: क्वांटाइज़्ड वर्ज़न को बहुत कम मेमोरी चाहिए, इसलिए 8 अरब पैरामीटर वाला मॉडल, जिसे 16-बिट रूप में लगभग 16 GB चाहिए, 4 बिट पर लगभग 4–5 GB में आ जाता है।
- [मैं अलग-अलग AI मॉडलों की ऊर्जा खपत की तुलना कैसे करूँ?](https://greenai.guide/how-do-i/compare-energy-use-of-ai-models/): जहाँ कोई मानक benchmark आपके काम को कवर करता हो, जैसे Hugging Face का AI Energy Score, वहाँ उसका इस्तेमाल करें, वरना विकल्पों को उसी काम, हार्डवेयर और सेटिंग्स पर खुद मापें। गुणवत्ता के साथ प्रति सफल काम ऊर्जा की तुलना करें, क्योंकि सस्ता मॉडल जो फ़ेल हो जाए, आख़िर में ज़्यादा महँगा पड़ता है।
- [मैं किसी AI कंपनी से उसके ऊर्जा आँकड़े कैसे माँगूँ?](https://greenai.guide/how-do-i/ask-an-ai-company-for-energy-figures/): आप जिस मॉडल का इस्तेमाल करते हैं, उसके एक सामान्य अनुरोध पर ऊर्जा, कार्बन और पानी के आँकड़े माँगें, साथ में तरीका, सिस्टम की सीमा (boundary) और यह कि काम कहाँ चलता है। कार्बन के location-based और market-based दोनों आँकड़े माँगें। कई प्रोवाइडर अभी पूरा जवाब नहीं दे पाते, लेकिन किसी सामान्य सवाल की तुलना में सटीक सवाल का जवाब बेहतर मिलता है, और बार-बार पूछने से माँग बढ़ती है।
- [मैं कैसे तय करूँ कि LLM की जगह क्लासिक मशीन लर्निंग से काम चल जाएगा?](https://greenai.guide/how-do-i/choose-classical-ml-instead-of-an-llm/): अगर आपके इनपुट संरचित डेटा या छोटे लेबल वाले टेक्स्ट हैं और आउटपुट कोई संख्या, श्रेणी या रैंकिंग है, तो पहले कोई क्लासिक मॉडल आज़माएँ: linear मॉडल, gradient-boosted trees या कोई छोटा classifier। ये चलाने में कहीं सस्ते, तेज़ और समझाने में आसान होते हैं, और अक्सर उतने ही सटीक भी। बड़े भाषा मॉडल का सहारा तब लें जब काम को सचमुच खुली भाषा की ज़रूरत हो।
- [मैं छोटा AI मॉडल कैसे चुनूँ?](https://greenai.guide/how-do-i/choose-a-smaller-ai-model/): असली उदाहरणों पर तय करें कि "काफ़ी अच्छा" का मतलब क्या है, फिर सबसे छोटे से सबसे बड़े तक मॉडल परखें और पहले पास होने वाले पर रुक जाएँ। छोटे और खास काम के लिए बने मॉडल बड़े सामान्य मॉडलों की ऊर्जा का एक छोटा-सा हिस्सा इस्तेमाल कर सकते हैं: UNESCO और University College London उपयुक्त कामों पर 90% तक की बचत बताते हैं।
- [सबसे हरित (green) AI चैटबॉट कौन-सा है और मैं उसे कैसे चुनूँ?](https://greenai.guide/how-do-i/choose-the-greenest-ai-chatbot/): अभी कोई भी बड़े चैटबॉट्स को ऊर्जा के आधार पर भरोसेमंद ढंग से रैंक नहीं कर सकता, क्योंकि प्रोवाइडर अलग-अलग तरीकों से मापे गए अलग-अलग आँकड़े प्रकाशित करते हैं, और कुछ कोई आँकड़ा प्रकाशित नहीं करते। ऐसी सेवा चुनें जो अपनी ऊर्जा और पानी के इस्तेमाल के बारे में खुली हो, आसान सवालों के लिए हल्के मॉडल देती हो, और आपको फ़ीचर नियंत्रित करने दे, फिर उसका अच्छी तरह इस्तेमाल करें: आप चैटबॉट का इस्तेमाल कैसे करते हैं, यह इससे ज़्यादा मायने रखता है कि आप कौन-सा चुनते हैं।
- [सामान्य चैटबॉट के बजाय किसी खास काम के लिए बना मॉडल मैं कैसे खोजूँ?](https://greenai.guide/how-do-i/find-a-task-specific-model/): काम को सटीक रूप से बताएँ, फिर Hugging Face जैसे मॉडल हब पर काम के प्रकार से खोजें और दो-तीन छोटे विकल्पों को अपने उदाहरणों पर परखें। एक काम के लिए बना मॉडल वही काम करने वाले सामान्य जनरेटिव मॉडल से चलाने में कई गुना (orders of magnitude) सस्ता हो सकता है, इसलिए चैटबॉट पर टिकने से पहले एक दोपहर परखने में लगाना फ़ायदेमंद है।

## ऊर्जा और उत्सर्जन मापना

- [AI की ऊर्जा खपत के किसी दावे की जाँच मैं कैसे करूँ?](https://greenai.guide/how-do-i/check-a-claim-about-ai-energy-use/): छह सवाल पूछें: किसके हिसाब से (prompt, इमेज, साल?), इसे किसने मापा, इसमें क्या शामिल है, आँकड़ा कितना पुराना है, इसकी तुलना किससे की गई है, और यह दक्षता के बारे में है या कुल इस्तेमाल के बारे में। ज़्यादातर भ्रामक दावे, चाहे डराने वाले हों या तसल्ली देने वाले, इनमें से किसी एक पर फ़ेल हो जाते हैं। प्रति-prompt प्रकाशित आँकड़े मुख्य रूप से इसलिए अलग होते हैं क्योंकि वे अलग-अलग चीज़ें गिनते हैं।
- [AI से ऊर्जा की बचत साबित करने के लिए मैं बेसलाइन कैसे तय करूँ?](https://greenai.guide/how-do-i/set-a-baseline-for-ai-energy-savings/): कुछ भी बदलने से पहले मौजूदा सिस्टम को मापें, उसी हार्डवेयर, लोड और इनपुट पर जो आप बाद में इस्तेमाल करेंगे, और सामान्य उतार-चढ़ाव देखने के लिए रन दोहराएँ। कुल ऊर्जा के साथ हर इकाई उपयोगी काम पर ऊर्जा भी रिपोर्ट करें, और सिर्फ़ वही बचत का दावा करें जो उतार-चढ़ाव (noise) से बड़ी हो और गुणवत्ता घटाए बिना हासिल हुई हो।
- [मुझे अपने बिजली ग्रिड की कार्बन इंटेंसिटी कैसे पता चलेगी?](https://greenai.guide/how-do-i/find-grid-carbon-intensity-data/): आपका AI काम जहाँ और जब चला, उसके लिए क्षेत्रीय, समय से मेल खाता ग्रिड डेटा इस्तेमाल करें। Great Britain में National Energy System Operator का Carbon Intensity API क्षेत्रीय अनुमान और पूर्वानुमान देता है; Electricity Maps दुनिया भर के 350 से ज़्यादा ज़ोन कवर करता है। राष्ट्रीय सालाना औसत का सहारा तभी लें जब इससे बारीक कुछ न हो, और बताएँ कि आपने कौन-सा इस्तेमाल किया।
- [मैं AI की ऊर्जा कुल के बजाय हर काम के हिसाब से कैसे ट्रैक करूँ?](https://greenai.guide/how-do-i/track-ai-energy-per-task/): ऐसी फ़ंक्शनल यूनिट चुनें जो AI से मिलने वाले मूल्य से मेल खाती हो, जैसे प्रति सारांशित दस्तावेज़ या प्रति सफल काम, और ऊर्जा को उससे भाग दें। प्रति यूनिट ऊर्जा, प्रति यूनिट गुणवत्ता और कुल आँकड़े साथ-साथ ट्रैक करें। प्रति यूनिट आँकड़े बताते हैं कि सिस्टम ज़्यादा कुशल हो रहा है या नहीं; कुल आँकड़ा बताता है कि बढ़ोतरी उससे आगे तो नहीं निकल रही।
- [मैं AI के वॉटर फ़ुटप्रिंट (पानी की खपत) का अनुमान कैसे लगाऊँ?](https://greenai.guide/how-do-i/estimate-the-water-footprint-of-ai/): पानी का उपयोग ऊर्जा के उपयोग के साथ चलता है: साइट पर कूलिंग के लिए, अपने AI काम की ऊर्जा को डेटा सेंटर की वॉटर यूसेज इफ़ेक्टिवनेस (WUE) से गुणा करें, और अगर बिजली बनाने में लगा पानी आपकी सीमा में आता है तो उसे जोड़ें। प्रति प्रॉम्प्ट प्रकाशित आँकड़े एक मिलीलीटर के अंश से लेकर दसियों मिलीलीटर तक हैं, ज़्यादातर इसलिए कि वे अलग-अलग चीज़ें गिनते हैं। पानी कहाँ इस्तेमाल हुआ, यह उतना ही मायने रखता है जितना कि कितना।
- [मैं AI हार्डवेयर के निर्माण से जुड़े कार्बन (embodied carbon) का हिसाब कैसे रखूँ?](https://greenai.guide/how-do-i/account-for-embodied-carbon-of-ai-hardware/): Embodied carbon (निर्माण से जुड़ा कार्बन) वह उत्सर्जन है जो हार्डवेयर बनाने, भेजने और उसके निपटान से होता है। इसका हिसाब रखने के लिए हार्डवेयर का कुल embodied उत्सर्जन लें, उसे इस आधार पर बाँटें कि आपका AI काम उपकरण का कितनी देर और कितना हिस्सा इस्तेमाल करता है, और वह हिस्सा परिचालन (operational) आँकड़े में जोड़ें, जैसा SCI specification का M पद करता है। क्योंकि डेटा अक्सर कम होता है, अपनी मान्यताएँ साफ़ बताएँ; और याद रखें कि हार्डवेयर ज़्यादा समय तक रखने से वही उत्सर्जन ज़्यादा काम पर बँट जाता है।
- [मैं अपनी AI API कॉल्स की ऊर्जा का अनुमान कैसे लगाऊँ?](https://greenai.guide/how-do-i/estimate-energy-of-ai-api-calls/): जिस हार्डवेयर पर आपका नियंत्रण नहीं, उसे आप मीटर नहीं कर सकते, इसलिए अनुमान लगाएँ: हर कॉल के इनपुट और आउटपुट टोकन लॉग करें और EcoLogits जैसा टूल इस्तेमाल करें, जो आपके AI क्लाइंट को रैप करके हर अनुरोध की अनुमानित ऊर्जा और उत्सर्जन बताता है। आँकड़ों पर अनुमान का लेबल लगाएँ, तरीका बताएँ, और जब मिल सकें तो उन्हें सप्लायर द्वारा बताए आँकड़ों से बदल दें।
- [मैं अपने AI इस्तेमाल का कार्बन फ़ुटप्रिंट कैसे निकालूँ?](https://greenai.guide/how-do-i/work-out-my-personal-ai-carbon-footprint/): मोटे तौर पर गिनें कि आप हर हफ़्ते कितने टेक्स्ट सवाल, लंबे दस्तावेज़ और तस्वीरें इस्तेमाल करते हैं, उन्हें प्रकाशित प्रति-अनुरोध आँकड़ों से गुणा करें, और आपके पास एक मोटा दायरा होगा। कंपनियों के अपने आँकड़ों के अनुसार एक आम टेक्स्ट प्रॉम्प्ट एक वाट-घंटे का छोटा-सा हिस्सा होता है, जबकि लंबे इनपुट और तस्वीरें कहीं ज़्यादा महँगी हैं, इसलिए कुल में आम तौर पर आपकी सबसे भारी आदतें हावी रहती हैं। नतीजे को अनुमान मानें, सटीक संख्या नहीं।
- [मैं अपने AI शोध की ऊर्जा खपत कैसे रिपोर्ट करूँ?](https://greenai.guide/how-do-i/report-energy-use-in-a-research-paper/): हार्डवेयर, ट्यूनिंग और नाकाम रन समेत सभी रन के GPU-घंटे, इस्तेमाल किए गए टूल के साथ kWh में ऊर्जा, जगह और ग्रिड की कार्बन तीव्रता, kg CO₂e में उत्सर्जन, और बताए गए बैच साइज़ पर इन्फ़रेंस की ऊर्जा रिपोर्ट करें। बताएँ कि दायरे (boundary) में क्या शामिल है और आँकड़े कितने अनिश्चित हैं। CodeCarbon जैसे टूल से साथ-साथ मापते रहने पर यह बाद में जोड़-तोड़ के बजाय बस एक तालिका बन जाता है।
- [मैं अपने कंप्यूटर या GPU पर AI की ऊर्जा खपत कैसे मापूँ?](https://greenai.guide/how-do-i/measure-energy-of-ai-on-my-own-computer/): अपनी मशीन पर आप सीधे माप सकते हैं: CodeCarbon या ऐसा पावर टूल इस्तेमाल करें जो प्रोसेसर और GPU के काउंटर पढ़ता है, या कंप्यूटर और दीवार के सॉकेट के बीच मीटर वाला स्मार्ट प्लग लगाएँ। पहले idle बेसलाइन दर्ज करें, बीच-बीच में स्नैपशॉट लेने के बजाय पूरे काम के दौरान रीडिंग लें, और आँकड़े पर भरोसा करने से पहले रन को कुछ बार दोहराएँ।
- [मैं किसी AI फ़ीचर का Software Carbon Intensity (SCI) स्कोर कैसे निकालूँ?](https://greenai.guide/how-do-i/calculate-an-sci-score-for-an-ai-feature/): Software Carbon Intensity (SCI) स्कोर, जो ISO/IEC 21031:2024 के रूप में प्रकाशित है, ((E × I) + M) प्रति R है: इस्तेमाल हुई ऊर्जा, गुणा location-based ग्रिड कार्बन तीव्रता, साथ में हार्डवेयर के embodied उत्सर्जन का एक हिस्सा, फिर किसी functional unit, जैसे एक अनुरोध या एक दस्तावेज़, से भाग। Unit चुनें, सीमा तय करें, हर पद को इकट्ठा करें या उसका अनुमान लगाएँ, और हर बदलाव के बाद दोबारा गणना करें।
- [मैं किसी मॉडल की ट्रेनिंग का कार्बन फ़ुटप्रिंट कैसे मापूँ?](https://greenai.guide/how-do-i/measure-carbon-footprint-of-training-a-model/): अपनी ट्रेनिंग स्क्रिप्ट में CodeCarbon जैसा उत्सर्जन ट्रैकर जोड़ें, जो आपके CPU, GPU और मेमोरी से ऊर्जा का अनुमान लगाता है और स्थानीय ग्रिड के आधार पर उसे कार्बन में बदलता है। हर रन गिनें, ट्यूनिंग और नाकाम रन भी, हार्डवेयर, जगह और अवधि दर्ज करें, और नतीजा मॉडल के साथ प्रकाशित करें। अगर आपके पास लॉग नहीं हैं, तो Green Algorithms जैसा कैलकुलेटर बाद में अनुमान लगा सकता है।
- [मैं किसी रिसर्च प्रोजेक्ट के लिए कंप्यूट बजट कैसे तय करूँ?](https://greenai.guide/how-do-i/set-a-compute-budget-for-a-research-project/): अपने मुख्य प्रयोगों के लिए ज़रूरी GPU-घंटों का अनुमान लगाएँ, खोजबीन के लिए थोड़ा अतिरिक्त जोड़ें, और इस्तेमाल को पैसों की तरह उस बजट के मुकाबले ट्रैक करें। विचारों को छोटे स्तर पर परखें, कमज़ोर रन जल्दी रोकें, pre-trained मॉडल और चेकपॉइंट दोबारा इस्तेमाल करें, और नतीजों को उनमें लगे कंप्यूट के मुकाबले रिपोर्ट करें। बजट से फ़ायदे-नुकसान साफ़ दिखते हैं और अंतहीन ट्यूनिंग रुकती है।

## डेवलपरों और डेटा साइंटिस्टों के लिए

- [Caching से मैं LLM कॉल की ऊर्जा कैसे घटाऊँ?](https://greenai.guide/how-do-i/cache-llm-calls/): दो परतें इस्तेमाल करें। प्रोवाइडर की prompt caching किसी तय शुरुआती हिस्से (prefix), जैसे लंबे system prompt या साझा दस्तावेज़, की प्रोसेसिंग को दोबारा इस्तेमाल करती है, इसलिए स्थिर सामग्री सबसे पहले रखें। आपका अपना response cache एक जैसे अनुरोधों के जवाब सहेजता है ताकि मॉडल को दोबारा न बुलाना पड़े। दोनों गणना, लागत और latency घटाते हैं, बशर्ते आप समझदारी से expiry समय तय करें।
- [Hyperparameter search की ऊर्जा मैं कैसे घटाऊँ?](https://greenai.guide/how-do-i/cut-the-energy-of-hyperparameter-searches/): बड़ी grid search की जगह random या adaptive search इस्तेमाल करें, कमज़ोर trials को जल्दी रोकें, पहले छोटे डेटा या छोटे मॉडलों पर pilot चलाएँ, और अपने आर्किटेक्चर के लिए प्रकाशित डिफ़ॉल्ट से शुरू करें। सिर्फ़ विजेता की नहीं, हर trial की ऊर्जा ट्रैक करें, और शुरू करने से पहले कंप्यूट बजट तय करें। ट्यूनिंग रन अक्सर अंतिम ट्रेनिंग रन से ज़्यादा महँगे पड़ते हैं, और उनकी रिपोर्ट शायद ही कभी की जाती है।
- [ऊर्जा बचाने के लिए मैं AI अनुरोधों को batch में कैसे भेजूँ?](https://greenai.guide/how-do-i/batch-ai-requests/): लाइव ट्रैफ़िक को ऐसे inference engine से चलाएँ जो continuous batching इस्तेमाल करता हो, ताकि एक साथ आने वाले अनुरोध एक्सेलरेटर साझा करें। जिस काम का जवाब तुरंत नहीं चाहिए, जैसे रात भर दस्तावेज़ों की प्रोसेसिंग, उसे कतार में रखें और बड़े batch में चलाएँ, बेहतर हो कि तब जब ग्रिड ज़्यादा साफ़ हो। एक बार में एक ही अनुरोध संभालने वाले एक्सेलरेटर का पूरा इस्तेमाल नहीं होता, फिर भी वह काफ़ी बिजली खींचता है।
- [ऊर्जा बचाने के लिए मैं retrieval (RAG) और फ़ाइन-ट्यूनिंग में से कैसे चुनूँ?](https://greenai.guide/how-do-i/choose-between-rag-and-fine-tuning/): जब मॉडल को ऐसे तथ्य चाहिए जो बदलते रहते हैं या सिर्फ़ आपसे जुड़े हैं, तब retrieval इस्तेमाल करें: उन्हें खोजे जा सकने वाले index में रखें और सिर्फ़ प्रासंगिक अंश निकालें। जब मॉडल को कोई ऐसा कौशल, फ़ॉर्मेट या शैली चाहिए जो उसमें नहीं है, तब फ़ाइन-ट्यूनिंग इस्तेमाल करें। तथ्यों को अपडेट रखने के लिए दोबारा ट्रेनिंग करने से ट्रेनिंग की लागत दोहराई जाती है, जबकि हर prompt में पूरे दस्तावेज़ चिपकाने से inference बर्बाद होता है, इसलिए हर तरीके की अपनी जगह है।
- [प्रोडक्शन में मॉडल चलाने (सर्विंग) की ऊर्जा मैं कैसे कम करूँ?](https://greenai.guide/how-do-i/cut-the-energy-of-serving-a-model/): वह सबसे छोटा मॉडल चलाएँ जो आपके मानक पर खरा उतरे, इन्फ़रेंस के लिए बने रनटाइम पर, बैचिंग चालू करके, वेट्स (weights) को हाफ़ प्रिसिज़न या क्वांटाइज़्ड रूप में रखकर, और लाइब्रेरी के ऑप्टिमाइज़्ड अटेंशन और कैश वाले रास्ते चालू करके। फिर अपने असली ट्रैफ़िक पर दो-तीन रनटाइम और हार्डवेयर विकल्पों का बेंचमार्क करें, और लेटेंसी के साथ-साथ प्रति अनुरोध ऊर्जा को देखकर चुनें।
- [बहुत ज़्यादा कंप्यूट के बिना मैं किसी मॉडल को फ़ाइन-ट्यून कैसे करूँ?](https://greenai.guide/how-do-i/fine-tune-a-model-with-less-compute/): पहले से ट्रेन किए गए मॉडल से शुरू करें और उसके सारे वेट्स के बजाय एक छोटा एडैप्टर ट्रेन करें, LoRA से, या 4-बिट वेट्स के साथ QLoRA से। GPT-3 की पूरी फ़ाइन-ट्यूनिंग की तुलना में LoRA ने ट्रेन होने वाले पैरामीटर 10,000 गुना और GPU मेमोरी तीन गुना घटाई, और QLoRA ने 65 अरब पैरामीटर वाले मॉडल को एक अकेले 48 GB GPU पर फ़ाइन-ट्यून किया। कुछ बड़ा सोचने से पहले नतीजे की तुलना अपने गुणवत्ता मानक से करें।
- [बिना शुरू से ट्रेनिंग किए मैं अपना AI मॉडल कैसे बनाऊँ?](https://greenai.guide/how-do-i/avoid-training-a-model-from-scratch/): अपने काम के करीब कोई pre-trained मॉडल खोजें, फिर उसे ढालें: उसे फ़ाइन-ट्यून करें, LoRA जैसा कोई छोटा adapter ट्रेन करें, या दोबारा ट्रेनिंग के बजाय retrieval के ज़रिए ज्ञान जोड़ें। अगर आपके पास एक ही बेस से फ़ाइन-ट्यून किए गए कई मॉडल पहले से हैं, तो उनके weights का औसत लेने से inference की अतिरिक्त लागत के बिना सटीकता बढ़ सकती है। फ़ाउंडेशन-मॉडल रिसर्च के अलावा शुरू से ट्रेनिंग शायद ही कभी ज़रूरी होती है।
- [मैं AI एजेंटों को टोकन बर्बाद करने से कैसे रोकूँ?](https://greenai.guide/how-do-i/stop-ai-agents-wasting-tokens/): हर एजेंट को एक जाँचने लायक लक्ष्य दें जो रन खत्म कर दे, स्टेप, टोकन, समय और खर्च पर पक्की सीमाएँ दें, और लूप पहचानने की व्यवस्था रखें जो खुद को दोहराने पर उसे रोक दे। हर स्टेप के साथ जाने वाले कॉन्टेक्स्ट को छोटा करें, जो फ़ैसले कोई नियम कर सकता है उनके लिए सादा कोड इस्तेमाल करें, और आसान उप-काम छोटे मॉडलों को भेजें। एजेंट किसी चैट से कई गुना ज़्यादा टोकन इस्तेमाल कर सकते हैं, इसलिए ये सीमाएँ जल्दी फ़ायदा देती हैं।
- [मैं AI ट्रेनिंग डेटा कैसे स्टोर करूँ ताकि पाइपलाइन कम पढ़ें?](https://greenai.guide/how-do-i/store-training-data-so-pipelines-read-less/): ट्रेनिंग और फ़ीचर डेटा को कॉलम-आधारित (columnar) फ़ॉर्मैट में स्टोर करें, ताकि जॉब सिर्फ़ वही कॉलम और पार्टिशन पढ़ें जिनका वे इस्तेमाल करते हैं, और कच्चे टेक्स्ट को हर रन या epoch पर दोबारा पार्स करने के बजाय एक बार बाइनरी फ़ॉर्मैट में बदल दें। बदलाव से पहले और बाद में एक सामान्य जॉब को मापें, ताकि पता चले कि बदलने की लागत वसूल होती है। मॉडल के मुकाबले डेटा संभालने को नज़रअंदाज़ करना आसान है, लेकिन यह हर प्रयोग में चलता है।
- [मैं AI फ़ीचर ऐसे कैसे डिज़ाइन करूँ कि वे बेवजह न चलें?](https://greenai.guide/how-do-i/design-ai-features-that-dont-run-needlessly/): AI फ़ीचर्स को तब चलाएँ जब उपयोगकर्ता माँगे, न कि हर पेज लोड, संदेश या फ़ाइल पर अपने आप। साझा नतीजे एक बार बनाकर दोबारा इस्तेमाल करें, जो फ़ैसले कोई नियम कर सकता है उनके लिए सादा कोड इस्तेमाल करें, और कम इस्तेमाल होने वाले AI फ़ीचर हटा दें। W3C Web Sustainability Guidelines टीमों से कहती हैं कि AI लागू करने से पहले उसकी ज़रूरत परखें, और यह हर फ़ीचर के साथ-साथ हर ट्रिगर पर भी लागू होता है।
- [मैं AI से ऊर्जा-कुशल कोड कैसे लिखवाऊँ?](https://greenai.guide/how-do-i/get-ai-to-write-energy-efficient-code/): साफ़ तौर पर कुशल कोड माँगें और शर्त का नाम लें, जैसे मेमोरी, एलोकेशन या एल्गोरिद्म की जटिलता, फिर स्वीकार करने से पहले टेस्ट चलाएँ और कोड की ऊर्जा मापें। शोध में पाया गया कि प्रॉम्प्ट बदलने से बना हुआ कोड 91.9% तक ज़्यादा ऊर्जा-कुशल हो सकता है, लेकिन अक्सर सही होने की कीमत पर। असिस्टेंट को पालन करने के लिए ऊर्जा के सिद्धांत दें, और नतीजे की जाँच किसी इंसान से करवाते रहें।
- [मैं LLM के जवाब की लंबाई कैसे सीमित करूँ?](https://greenai.guide/how-do-i/limit-how-much-an-llm-writes/): API कॉल में आउटपुट की अधिकतम लंबाई तय करें, प्रॉम्प्ट में मॉडल को बताएँ कि आपको कौन-सा फ़ॉर्मेट और कितनी लंबाई चाहिए, और stop sequences या structured output इस्तेमाल करें ताकि काम पूरा होते ही वह रुक जाए। मॉडल जितने ज़्यादा टोकन बनाता है, ऊर्जा उतनी बढ़ती है, इसलिए आउटपुट पर सीमा लगाना किसी भी ऐप्लिकेशन में बचत के सबसे आसान तरीकों में से एक है।
- [मैं अनुरोधों को छोटे मॉडलों की ओर कैसे भेजूँ (मॉडल रूटिंग)?](https://greenai.guide/how-do-i/set-up-model-routing/): अपने मॉडलों के आगे एक राउटर लगाएँ: कोई नियम, एक छोटा क्लासिफ़ायर, या एक कैस्केड जो पहले छोटे मॉडल को आज़माए और भरोसा कम होने या जाँच में नाकाम होने पर आगे बढ़ाए। प्रकाशित राउटरों ने कुछ परीक्षणों में गुणवत्ता घटाए बिना लागत आधे से भी ज़्यादा कम की है। सीमा (threshold) अपने डेटा पर ट्यून करें, और लागत प्रति कॉल नहीं, प्रति सफल काम मापें।
- [मैं अपने चैटबॉट को हर बार पूरी बातचीत दोबारा भेजने से कैसे रोकूँ?](https://greenai.guide/how-do-i/stop-resending-the-whole-conversation/): ज़्यादातर चैट फ़ीचर हर टर्न पर पूरी बातचीत मॉडल को वापस भेजते हैं, इसलिए हर संदेश के साथ इनपुट बढ़ता जाता है। सीमित करें कि कितने पिछले टर्न भेजे जाएँ, पुराने टर्न का एक छोटा सारांश बनाएँ, सिर्फ़ वही पुराने संदेश या दस्तावेज़ निकालें जो मायने रखते हैं, और तय सिस्टम प्रॉम्प्ट को कैश करें। लंबे इनपुट में छोटे इनपुट से कहीं ज़्यादा ऊर्जा लगती है।
- [मैं किसी न्यूरल नेटवर्क को prune कैसे करूँ?](https://greenai.guide/how-do-i/prune-a-neural-network/): ट्रेन किए गए नेटवर्क से सबसे कम योगदान देने वाले weights, न्यूरॉन या layers हटाकर उसे prune करें, फिर थोड़ी देर fine-tune करें ताकि वह संभल जाए, और उसे अपने गुणवत्ता मानक पर परखें। Pruning ने AlexNet के पैरामीटर बिना सटीकता खोए नौ गुना घटा दिए, और बहुत बड़े भाषा मॉडलों को एक ही बार में कम से कम 50% sparsity तक prune किया गया है। अगर आप चाहते हैं कि सामान्य हार्डवेयर तेज़ चले, तो structured pruning चुनें।
- [मैं किसी बड़े मॉडल को डिस्टिल करके छोटा मॉडल कैसे बनाऊँ?](https://greenai.guide/how-do-i/distil-a-large-model-into-a-small-one/): पहले देखें कि क्या आपके मॉडल का कोई डिस्टिल किया हुआ संस्करण पहले से मौजूद है। अगर नहीं, तो बड़े "टीचर" मॉडल से अपने काम के उदाहरणों पर लेबल लगवाएँ या उदाहरण बनवाएँ, उन पर एक छोटा "स्टूडेंट" मॉडल ट्रेन करें, और स्टूडेंट को अपने असली मामलों पर परखें। DistilBERT, एक शुरुआती उदाहरण, BERT से 40% छोटा और 60% तेज़ था, और उसकी भाषा समझने की 97% क्षमता बनाए रखता था।
- [मैं किसी मॉडल को quantise कैसे करूँ?](https://greenai.guide/how-do-i/quantise-a-model/): Quantisation में मॉडल के weights कम bits में रखे जाते हैं, आम तौर पर 16 या 32 के बजाय 8 या 4, जिससे कम मेमोरी लगती है और अक्सर प्रति जवाब कम ऊर्जा। पहले से quantise किया गया वर्ज़न लोड करें या अपनी लाइब्रेरी के अंतर्निहित तरीकों से quantise करें, फिर अपने उदाहरणों पर उसे full-precision मॉडल से परखें। अगर गुणवत्ता बनी रहे और प्रति अनुरोध ऊर्जा घटे, तो इसे रखें।
- [मैं किसी मॉडल को एज डिवाइस के लिए इतना छोटा कैसे बनाऊँ कि वह उस पर चल सके?](https://greenai.guide/how-do-i/make-a-model-small-enough-for-an-edge-device/): उस सबसे छोटे मॉडल से शुरू करें जो आपके गुणवत्ता मानक पर खरा उतर सके, फिर distillation, quantisation और pruning से उसे और छोटा करें, और हर कदम को लक्षित डिवाइस पर परखें। असली हार्डवेयर पर प्रति inference ऊर्जा, latency और सटीकता एक साथ मापें, और बैटरी कम होने या डिवाइस गर्म होने पर मॉडल को हल्के स्तर पर जाने दें।
- [मैं किसी मॉडल को ट्रेन करने में लगने वाली ऊर्जा कैसे कम करूँ?](https://greenai.guide/how-do-i/reduce-the-energy-of-training-a-model/): जहाँ हो सके, पहले से ट्रेन किए गए (pre-trained) मॉडल से शुरू करें, वह सबसे छोटा आर्किटेक्चर चुनें जो आपके मानक पर खरा उतर सके, मिक्स्ड प्रिसिशन में ट्रेन करें, वैलिडेशन में सुधार रुकते ही रुक जाएँ, और कम कार्बन वाले क्षेत्र और समय में कुशल हार्डवेयर पर चलाएँ। Patterson और सहयोगियों ने पाया कि मॉडल, डेटा सेंटर और प्रोसेसर का चुनाव ट्रेनिंग के कार्बन फ़ुटप्रिंट को लगभग 100 से 1,000 गुना तक कम कर सकता है। हर रन को मापें ताकि फ़ायदे-नुकसान साफ़ दिखें।
- [मैं कैसे तय करूँ कि मिक्सचर-ऑफ़-एक्सपर्ट्स मॉडल से ऊर्जा बचेगी या नहीं?](https://greenai.guide/how-do-i/decide-if-mixture-of-experts-saves-energy/): मिक्सचर-ऑफ़-एक्सपर्ट्स मॉडल हर टोकन को कुछ विशेषज्ञ उप-नेटवर्कों (experts) के पास भेजता है, इसलिए प्रति टोकन मॉडल का सिर्फ़ एक हिस्सा काम करता है। उदाहरण के लिए, Mixtral में 47 अरब पैरामीटर हैं, लेकिन यह प्रति टोकन 13 अरब इस्तेमाल करता है। इससे मिलती-जुलती गुणवत्ता वाले डेंस मॉडल की तुलना में प्रति उत्तर गणना घट सकती है, लेकिन हर एक्सपर्ट को फिर भी मेमोरी में रहना होता है, इसलिए अपने ही हार्डवेयर पर गुणवत्ता, लेटेंसी और प्रति अनुरोध ऊर्जा की तुलना करें।
- [मैं वेक्टर सर्च और RAG को ज़्यादा कुशल कैसे बनाऊँ?](https://greenai.guide/how-do-i/make-vector-search-and-rag-more-efficient/): हर क्वेरी की तुलना हर संग्रहित वेक्टर से करने के बजाय approximate nearest-neighbour इंडेक्स इस्तेमाल करें, कई लंबे अंशों के बजाय कुछ छोटे, प्रासंगिक अंश निकालें, और सिर्फ़ बदली हुई सामग्री को दोबारा embed करें। फिर अच्छे संदर्भ (context) से अच्छा जवाब देने वाला सबसे छोटा generation मॉडल इस्तेमाल करें। retrieval सिस्टम की ज़्यादातर बर्बादी brute-force सर्च और ज़रूरत से बड़े प्रॉम्प्ट से आती है।
- [मैं स्पेक्युलेटिव डिकोडिंग से बड़े मॉडल को तेज़ कैसे करूँ?](https://greenai.guide/how-do-i/use-speculative-decoding/): अपने बड़े मॉडल के साथ उसी परिवार का एक छोटा ड्राफ़्ट मॉडल जोड़ें: ड्राफ़्ट कई टोकन सुझाता है और बड़ा मॉडल उन्हें एक ही पास में जाँचता है, और सिर्फ़ वही रखता है जिनसे वह सहमत है। आउटपुट वही होता है जो अकेले बड़े मॉडल का होता, और मूल अध्ययन में 2 से 3 गुना तेज़ इन्फ़रेंस बताया गया। जाँचें कि आपका सर्विंग स्टैक इसे सपोर्ट करता है, फिर सिर्फ़ गति नहीं, प्रति अनुरोध ऊर्जा मापें।

## डेटा सेंटर, क्लाउड और होस्टिंग

- [AI के लिए मैं ऊर्जा-कुशल हार्डवेयर कैसे चुनूँ?](https://greenai.guide/how-do-i/choose-energy-efficient-hardware-for-ai/): अपने असली मॉडल को दो-तीन हार्डवेयर और runtime विकल्पों पर benchmark करें और यथार्थवादी batch साइज़ पर प्रति अनुरोध या प्रति ट्रेनिंग रन ऊर्जा की तुलना करें, साथ में latency और लागत भी। Patterson और उनके सहयोगियों ने पाया कि मॉडल, डेटा सेंटर और प्रोसेसर का चुनाव मिलकर ट्रेनिंग का कार्बन लगभग 100 से 1,000 गुना तक घटा सकता है। अच्छे हार्डवेयर को व्यस्त और सेवा में रखें, क्योंकि नया उपकरण बनाने का अपना फ़ुटप्रिंट होता है।
- [AI के लिए मैं टिकाऊ डेटा सेंटर या होस्ट कैसे चुनूँ?](https://greenai.guide/how-do-i/choose-a-sustainable-data-centre-for-ai/): लेबल नहीं, सबूत माँगें: जहाँ आपका काम चलता है वहाँ की ग्रिड कार्बन तीव्रता और हर घंटे साफ़ बिजली का हिस्सा, साइट का PUE और पानी का इस्तेमाल, हार्डवेयर कितने समय तक सेवा में रहता है, और क्या आपको अपने अकाउंट का ऊर्जा और उत्सर्जन डेटा मिलेगा। EU में बड़े डेटा सेंटरों को ऊर्जा और पानी के इस्तेमाल की रिपोर्ट देनी होती है, इसलिए डेटा अक्सर मौजूद होता है। साफ़ होस्टिंग चुनें, लेकिन वहाँ भेजे जाने वाले काम को घटाते रहें।
- [PUE और WUE के आँकड़ों का मतलब मैं कैसे समझूँ?](https://greenai.guide/how-do-i/understand-pue-and-wue/): पावर यूसेज इफ़ेक्टिवनेस (PUE) डेटा सेंटर की कुल ऊर्जा को उसके कंप्यूटिंग उपकरणों की ऊर्जा से भाग देकर निकलता है: 1.0 के जितना करीब, उतनी कम ऊर्जा ठंडक और बिजली रूपांतरण में बर्बाद होती है। वॉटर यूसेज इफ़ेक्टिवनेस (WUE) कंप्यूटिंग के प्रति किलोवाट-घंटा साइट पर इस्तेमाल हुए पानी के लीटर हैं: जितना कम, उतना बेहतर। दोनों में से कोई यह नहीं बताता कि कितनी कंप्यूटिंग हुई, बिजली कितनी स्वच्छ है, या काम की ज़रूरत थी भी या नहीं।
- [जब बिजली ग्रिड ज़्यादा स्वच्छ हो, तब मैं ट्रेनिंग कैसे शेड्यूल करूँ?](https://greenai.guide/how-do-i/schedule-training-when-the-grid-is-greener/): 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।
- [मुझे अपने क्लाउड प्रदाता का कार्बन डेटा कहाँ मिलेगा?](https://greenai.guide/how-do-i/find-my-cloud-providers-carbon-data/): बड़े क्लाउड प्रदाता अपने बिलिंग या सस्टेनेबिलिटी कंसोल में ग्राहकों का कार्बन डेटा प्रकाशित करते हैं: AWS Sustainability console, Microsoft के Azure उत्सर्जन टूल और Google Cloud का Carbon Footprint डैशबोर्ड। ये सेवा, क्षेत्र और स्कोप के हिसाब से उत्सर्जन का ब्योरा देते हैं, लेकिन मासिक और अनुमानित होते हैं, इसलिए इन्हें एक रुझान (trend) मानें और अपने हर वर्कलोड के मापों के साथ जोड़कर देखें।
- [मेरे पास बनने वाले डेटा सेंटर पर मैं अपनी राय कैसे रखूँ?](https://greenai.guide/how-do-i/have-a-say-on-a-data-centre-near-me/): योजना आवेदन (planning application) खोजें, ऊर्जा, पानी, शोर और गर्मी पर डेवलपर के बयान पढ़ें, और परामर्श अवधि के भीतर ठोस, सबूत-आधारित सवालों के साथ टिप्पणी करें। पूछें कि साइट कितनी ग्रिड क्षमता और कितना पानी इस्तेमाल करेगी, क्या बेकार गर्मी का दोबारा इस्तेमाल होगा, और चालू होने के बाद ऊर्जा और पानी के कौन-से आँकड़े रिपोर्ट किए जाएँगे। ठोस सवालों का वज़न आम आपत्तियों से ज़्यादा होता है।
- [मैं AI के पानी के फ़ुटप्रिंट को कैसे कम करूँ?](https://greenai.guide/how-do-i/reduce-the-water-footprint-of-ai/): पानी की खपत ऊर्जा की खपत के साथ चलती है, इसलिए पहला कदम वही है: छोटे मॉडल, छोटे जवाब और कम बार दोबारा जवाब बनवाना। इसके अलावा ऐसे होस्ट चुनें जो पानी की खपत प्रकाशित करते हैं, भारी काम के लिए जल-संकट वाले क्षेत्रों से बचें, और सप्लायरों से हर साइट के पानी के आँकड़े माँगें। एक टेक्स्ट प्रॉम्प्ट में पानी बहुत कम लगता है; असल मायने कुल मात्रा और स्थानीय असर के हैं।
- [मैं GPU और नोटबुक को बेकार चालू पड़े रहने से कैसे रोकूँ?](https://greenai.guide/how-do-i/stop-gpus-sitting-idle/): ज़रूरत पर चलना (on-demand) डिफ़ॉल्ट बनाएँ: पाइपलाइन और ट्रेनिंग जॉब ट्रिगर होने पर संसाधन चालू करें और काम खत्म होने पर छोड़ दें। खाली पड़ी नोटबुक और डेवलपमेंट GPU को तय समय के बाद अपने आप बंद करें, नॉन-प्रोडक्शन एनवायरनमेंट को काम के घंटों के बाद शून्य तक घटाएँ, और हर टीम के खाली GPU-घंटे लागत के साथ रिपोर्ट करें, ताकि बर्बादी दिखे।
- [मैं कम कार्बन वाला क्लाउड रीजन कैसे चुनूँ?](https://greenai.guide/how-do-i/pick-a-low-carbon-cloud-region/): अपने प्रदाता के प्रकाशित रीजन डेटा या Electricity Maps जैसे स्रोत से रीजनों की तुलना ग्रिड कार्बन तीव्रता और कार्बन-मुक्त ऊर्जा के हिस्से पर करें, फिर latency, डेटा-निवास (data residency) के नियम और लागत तौलें। ट्रेनिंग, fine-tuning और रात भर चलने वाली प्रोसेसिंग जैसे batch काम सबसे आसानी से दूसरी जगह ले जाए जा सकते हैं; उपयोगकर्ताओं से सीधे जुड़ा inference आम तौर पर उनके पास ही रहना चाहिए।
- [मैं कैसे पता करूँ कि मेरा AI नवीकरणीय ऊर्जा पर चलता है या नहीं?](https://greenai.guide/how-do-i/check-whether-my-ai-runs-on-renewable-energy/): पूछें कि आपका AI असल में कहाँ चलता है, फिर उस क्षेत्र के लिए दो चीज़ें देखें: ग्रिड की कार्बन तीव्रता, और बिजली का वह हिस्सा जो हर घंटे साफ़ बिजली से मिलाया (matched) जाता है। "100% नवीकरणीय" का मतलब आम तौर पर सालाना सर्टिफ़िकेट या अनुबंध होता है जो साल भर के कुल योग से मेल खाते हैं, और ये इस बात को नहीं बदलते कि किसी खास घंटे में स्थानीय ग्रिड क्या सप्लाई करता है। Location-based और market-based दोनों आँकड़े माँगें।
- [मैं क्लाउड की खाली पड़ी क्षमता पर AI जॉब कैसे चलाऊँ?](https://greenai.guide/how-do-i/run-ai-jobs-on-spare-cloud-capacity/): क्लाउड प्रदाता अपनी खाली क्षमता सस्ते में बेचते हैं, इस शर्त पर कि वे उसे थोड़े समय की सूचना पर वापस ले सकते हैं; इन्हें spot या preemptible इंस्टेंस कहा जाता है। ट्रेनिंग, इवैल्यूएशन, बैच इन्फ़रेंस और डेटा प्रोसेसिंग इसका इस्तेमाल कर सकते हैं, अगर वे चेकपॉइंट सेव करें और साफ़ ढंग से दोबारा कोशिश करें। Microsoft की सलाह है कि इसका इस्तेमाल सिर्फ़ रुकावट झेल सकने वाले काम के लिए करें, क्योंकि रुकावटें अस्थिरता ला सकती हैं।
- [मैं रिसर्च क्लस्टर पर AI प्रयोगों का पर्यावरणीय असर कैसे कम करूँ?](https://greenai.guide/how-do-i/reduce-footprint-of-ai-on-a-research-cluster/): शुरुआत मापने से करें: कई क्लस्टर Slurm शेड्यूलर में हर जॉब की ऊर्जा दर्ज करते हैं, और CodeCarbon या Green Algorithms कैलकुलेटर कमियाँ भर सकते हैं। फिर सिर्फ़ उतने ही GPU, मेमोरी और समय माँगें जितने की ज़रूरत है, विचारों को पहले छोटे स्तर पर परखें, लंबे जॉब में चेकपॉइंट रखें और लचीले जॉब तब चलाएँ जब ग्रिड ज़्यादा स्वच्छ हो। सिर्फ़ अंतिम रन नहीं, पूरे प्रोजेक्ट की ऊर्जा रिपोर्ट करें।

## संगठनों के लिए

- [नीति-निर्माता के रूप में मैं हरित AI को बढ़ावा कैसे दूँ?](https://greenai.guide/how-do-i/encourage-greener-ai-as-a-policymaker/): पारदर्शिता से शुरू करें: AI प्रदाताओं और डेटा सेंटरों से ऊर्जा, पानी और उत्सर्जन की तुलना-योग्य रिपोर्टिंग अनिवार्य करें या उसे बढ़ावा दें। कुशल AI को इनाम देने के लिए सरकारी खरीद का इस्तेमाल करें, डेटा सेंटरों के लिए ग्रिड और पानी की क्षमता की योजना बनाएँ, और कुशल तरीकों में शोध और कौशल के लिए पैसा दें। दक्षता के साथ-साथ कुल माँग पर भी नज़र रखें, क्योंकि सस्ता AI ज़्यादा इस्तेमाल होने लगता है।
- [मैं AI की ऊर्जा और उत्सर्जन के लिए लक्ष्य कैसे तय करूँ?](https://greenai.guide/how-do-i/set-targets-for-ai-energy-and-emissions/): पहले बेसलाइन मापें, फिर दो तरह के लक्ष्य साथ में तय करें: एक तीव्रता (intensity) लक्ष्य (हर उपयोगी काम पर ऊर्जा या उत्सर्जन) और कुल मात्रा पर एक निरपेक्ष (absolute) लक्ष्य या सीमा। तीव्रता कुशलता दिखाती है; कुल आँकड़ा दिखाता है कि क्या इस्तेमाल की बढ़ोतरी बचत को खा रही है। मॉडल और इस्तेमाल बदलने के साथ, कम से कम साल में एक बार इनकी समीक्षा करें।
- [मैं AI की कुशलता से हुई बचत को बढ़ते इस्तेमाल में खत्म होने से कैसे रोकूँ?](https://greenai.guide/how-do-i/stop-efficiency-gains-being-cancelled-out/): हर काम पर ऊर्जा के साथ AI की कुल ऊर्जा भी ट्रैक करें, ताकि बढ़ोतरी दिखे, और पहले से तय करें कि बचत का क्या होगा: खाली हुई क्षमता हटाएँ, बजट या सीमा रखें, या सोच-समझकर दोबारा निवेश करें। कुशलता के साथ पर्याप्तता (sufficiency) को जोड़ें, यह पूछकर कि क्या हर नया इस्तेमाल उसके लायक है। इनके बिना, सस्ता AI बस ज़्यादा इस्तेमाल होने लगता है।
- [मैं AI की खरीद (procurement) में स्थिरता को कैसे शामिल करूँ?](https://greenai.guide/how-do-i/put-sustainability-into-ai-procurement/): सप्लायर से प्रति अनुरोध या प्रति काम ऊर्जा और उत्सर्जन, तरीके और सीमा (boundary) के साथ, काम कहाँ चलता है, और location-based व market-based दोनों कार्बन आँकड़े माँगें। टेंडर में उस सबूत की गुणवत्ता को अंक दें, और रिपोर्टिंग, मॉडल का चुनाव और मॉडल बदलने की सूचना अनुबंध में लिखें। कई सप्लायर अभी पूरा जवाब नहीं दे सकते, लेकिन पूछने से पता चलता है कि कौन इसे गंभीरता से लेता है।
- [मैं EU AI Act के ऊर्जा दस्तावेज़ीकरण नियमों का पालन कैसे करूँ?](https://greenai.guide/how-do-i/meet-eu-ai-act-energy-documentation-rules/): अगर आप EU में कोई सामान्य-उद्देश्य (general-purpose) AI मॉडल उपलब्ध कराते हैं, तो AI Act का Annex XI कहता है कि आपके तकनीकी दस्तावेज़ों में मॉडल की ज्ञात या अनुमानित ऊर्जा खपत, और ट्रेनिंग में इस्तेमाल हुए कंप्यूटिंग संसाधन शामिल हों। शुरुआत से ही ट्रेनिंग की कंप्यूटिंग और ऊर्जा ट्रैक करें, तरीका दर्ज करें, और जहाँ माप न सकें वहाँ अनुमान लगाएँ। अगर आप सिर्फ़ AI इस्तेमाल करते हैं, तो यह ज़िम्मेदारी आपके सप्लायर की है, लेकिन आप उनसे आँकड़े माँग सकते हैं।
- [मैं अपनी कंपनी में AI का इस्तेमाल ज़्यादा टिकाऊ कैसे बनाऊँ?](https://greenai.guide/how-do-i/make-my-companys-ai-use-more-sustainable/): पहले यह नक्शा बनाएँ कि आपकी कंपनी AI का इस्तेमाल कहाँ करती है, फिर कुशल विकल्प को डिफ़ॉल्ट बनाएँ: गुणवत्ता मानक पर खरा उतरने वाला सबसे छोटा मॉडल, छोटे आउटपुट, और ज़रूरत न हो तो AI फ़ीचर बंद। सप्लायर से प्रति अनुरोध ऊर्जा और यह पूछें कि उनका काम कहाँ चलता है, हर उपयोगी काम के हिसाब से मापें, और इसे एक ज़िम्मेदार व्यक्ति के साथ एक छोटी नीति में लिखें। इनमें से ज़्यादातर कदम ऊर्जा के साथ-साथ लागत और देरी भी घटाते हैं।
- [मैं अपनी सस्टेनेबिलिटी रिपोर्ट में AI के उत्सर्जन कैसे रिपोर्ट करूँ?](https://greenai.guide/how-do-i/report-ai-emissions-in-a-sustainability-report/): AI को अलग आँकड़े के रूप में नहीं, बल्कि अपनी मौजूदा ग्रीनहाउस गैस सूची (inventory) के अंदर रिपोर्ट करें: खुद चलाए जाने वाले हार्डवेयर की बिजली Scope 2 में जाती है, और क्लाउड व AI सेवाएँ आम तौर पर Scope 3 की खरीदी गई वस्तुओं और सेवाओं में। जहाँ मिल सके, सप्लायर का डेटा इस्तेमाल करें, बाकी का अनुमान इस्तेमाल के आधार पर एक बताए गए तरीके से लगाएँ, और दायरा (boundary) व अनिश्चितता बताएँ। कुल आँकड़े के साथ हर उपयोगी काम पर ऊर्जा भी दिखाएँ।
- [मैं अपने ग्रीन AI के बारे में ईमानदार दावे कैसे करूँ?](https://greenai.guide/how-do-i/make-honest-claims-about-green-ai/): सिर्फ़ उतना ही दावा करें जितना आपने मापा है, साफ़ बताएँ कि क्या सुधरा और किस बेसलाइन के मुकाबले, और तरीका, सीमा (boundary) और कमियाँ बताएँ। प्रति काम दक्षता को कुल उपयोग से अलग रखें, और किसी दावे को ऑफ़सेट या सालाना प्रमाणपत्रों पर न टिकाएँ। "ग्रीन AI" या "कार्बन-न्यूट्रल AI" जैसे अस्पष्ट शब्द जोखिम भरे हैं, और UK व EU में उपभोक्ता कानून का उल्लंघन कर सकते हैं।
- [मैं अपने छोटे कारोबार का AI फ़ुटप्रिंट कम कैसे रखूँ?](https://greenai.guide/how-do-i/keep-my-small-business-ai-footprint-low/): AI उन कामों के लिए इस्तेमाल करें जहाँ यह साफ़ तौर पर समय बचाता है, अनुरोध छोटे और सटीक रखें, दोबारा बनवाने के बजाय सुधारें, और इमेज और वीडियो संयम से बनाएँ। जिन AI फ़ीचर्स के लिए आप पैसे दे रहे हैं पर इस्तेमाल नहीं कर रहे उन्हें बंद करें, और आप कौन-से टूल इस्तेमाल करते हैं इसका एक सरल रिकॉर्ड रखें ताकि पूछने वाले ग्राहकों को जवाब दे सकें। छोटे कारोबार के लिए यही आदतें सब्सक्रिप्शन और कर्मचारियों की लागत भी घटाती हैं।
- [मैं अपने पूरे संगठन में बेकार AI फ़ीचर कैसे बंद करूँ?](https://greenai.guide/how-do-i/switch-off-unneeded-ai-features-across-my-organisation/): अपनी सूची (इन्वेंटरी) से वे AI फ़ीचर ढूँढें जो डिफ़ॉल्ट रूप से चालू हैं, फिर हर फ़ीचर पर अलग से फ़ैसला करें: जो लोग इस्तेमाल करते हैं उसे रखें, जो नहीं करते उसे बंद या सीमित करें, और माँगने पर पहुँच दें। बदलाव उपयोगकर्ताओं से कहने के बजाय एडमिन कंसोल में करें, कर्मचारियों को बताएँ कि क्या बदला और क्यों, और हर तिमाही उपयोग का डेटा देखें। बिना इस्तेमाल वाले AI लाइसेंस कम होने से पैसे भी बचते हैं।
- [मैं कर्मचारियों को AI कुशलता से इस्तेमाल करने की ट्रेनिंग कैसे दूँ?](https://greenai.guide/how-do-i/train-staff-to-use-ai-efficiently/): अपने ही काम के असली उदाहरणों के साथ एक छोटे सत्र में कुछ आदतें सिखाएँ: जाँचें कि AI सही टूल है या नहीं, साफ़ और सटीक प्रॉम्प्ट लिखें, छोटे जवाब माँगें, दोबारा बनवाने के बजाय सुधारें, और तस्वीरों व वीडियो का इस्तेमाल कम रखें। ट्रेनिंग को कंपनी के टूल्स में कुशल डिफ़ॉल्ट सेटिंग्स से मज़बूत करें, क्योंकि डिफ़ॉल्ट उन लोगों तक भी पहुँचते हैं जो कोर्स छोड़ देते हैं।
- [मैं किसी चैरिटी में AI का टिकाऊ इस्तेमाल कैसे करूँ?](https://greenai.guide/how-do-i/use-ai-sustainably-in-a-charity/): AI वहाँ इस्तेमाल करें जहाँ वह कर्मचारियों और स्वयंसेवकों का समय आपके मिशन के लिए खाली करे, काम करने वाला सबसे हल्का टूल चुनें, और बड़ी संख्या में तस्वीरें बनाने जैसे भारी इस्तेमाल से बचें। एक छोटी पॉलिसी लिखें जो डेटा सुरक्षा के साथ पर्यावरणीय प्रभाव को भी शामिल करे, सप्लायरों से ऊर्जा और लोकेशन के बारे में सरल सवाल पूछें, और समर्थकों के साथ ईमानदार रहें कि आप इसे कैसे इस्तेमाल करते हैं।
- [मैं कैसे जाँचूँ कि कोई AI प्रोजेक्ट अपनी पर्यावरणीय लागत के लायक है?](https://greenai.guide/how-do-i/check-an-ai-project-is-worth-its-footprint/): AI के अपने फ़ुटप्रिंट (ट्रेनिंग या फ़ाइन-ट्यूनिंग, और उसकी अपेक्षित उम्र भर उसे चलाना) का अनुमान लगाएँ और उसे उसी अवधि में मापे गए फ़ायदे के सामने रखें। इसकी तुलना सबसे सरल गैर-AI विकल्प से करें, कुछ न करने से नहीं। अगर प्रोजेक्ट का मकसद ऊर्जा या उत्सर्जन बचाना है, तो बचत AI की अपनी लागत से साफ़ तौर पर ज़्यादा होनी चाहिए, वरना यह कुल मिलाकर नुकसान है।
- [मैं कैसे पता करूँ कि मेरे संगठन में AI का इस्तेमाल कहाँ-कहाँ होता है?](https://greenai.guide/how-do-i/map-where-my-organisation-uses-ai/): चार तरह की प्रविष्टियों वाली एक सरल सूची बनाएँ: कर्मचारी जिन AI टूल का सीधे इस्तेमाल करते हैं, आपके मौजूदा सॉफ़्टवेयर में बने AI फ़ीचर, ऑटोमेटेड वर्कफ़्लो और एजेंट, और वे सप्लायर जिनकी सेवाएँ आपके लिए AI चलाती हैं। हर एक के लिए ज़िम्मेदार व्यक्ति, वह कितनी बार चलता है, मॉडल या प्रदाता (अगर पता हो) और उसमें कौन-सा डेटा जाता है, यह लिखें। यह सूची बर्बादी घटाने, जोखिम संभालने और रिपोर्टिंग की शुरुआत है।
- [मैं ग्रीन AI के पक्ष में बिज़नेस केस कैसे बनाऊँ?](https://greenai.guide/how-do-i/make-the-business-case-for-green-ai/): अपनी बात लागत, गति और जोखिम के आधार पर रखें, क्योंकि जो चीज़ें AI की ऊर्जा खपत घटाती हैं (छोटे मॉडल, कम टोकन, कम बेकार कॉल) वही बिल और इंतज़ार भी घटाती हैं। अपने काम से मापा गया एक उदाहरण दिखाएँ, रिपोर्टिंग और नियामक कारण जोड़ें, और अगर आपके श्रोताओं के लिए ठीक हो तो पर्यावरणीय फ़ायदे को एक असली लेकिन दूसरे दर्जे का बिंदु रखें।
- [मैं ग्रीन AI पॉलिसी कैसे लिखूँ?](https://greenai.guide/how-do-i/write-a-green-ai-policy/): इसे छोटा और व्यावहारिक रखें: बताएँ कि AI कब इस्तेमाल करने लायक है, कुशल डिफ़ॉल्ट सेट करें (काम चलाने वाला सबसे छोटा मॉडल, आउटपुट की सीमा, ज़रूरत न हो तो फ़ीचर बंद), खरीद में ऊर्जा के सवाल अनिवार्य करें, और प्रति काम मापने का वादा करें। इसका एक ज़िम्मेदार व्यक्ति, समीक्षा की तारीख और कुछ मापने योग्य वादे तय करें, और इसे उन प्रक्रियाओं से जोड़ें जो आप पहले से चलाते हैं।

## स्कूल, विश्वविद्यालय और ट्रेनिंग

- [मुझे ग्रीन AI में PhD कैसे मिलेगी?](https://greenai.guide/how-do-i/find-a-phd-in-green-ai/): सिर्फ़ "green AI" लेबल वाले प्रोजेक्ट तक सीमित न रहें: कुशल AI का शोध कंप्यूटर साइंस, गणित, इलेक्ट्रिकल इंजीनियरिंग और विभिन्न विज्ञान क्षेत्रों में होता है, अक्सर efficient machine learning, sustainable computing या low-power hardware जैसे नामों से। डॉक्टोरल ट्रेनिंग प्रोग्राम और प्रोजेक्ट सूचियाँ खोजें, सक्रिय सुपरवाइज़र खोजने के लिए हाल के शोधपत्र पढ़ें, और पूछें कि काम में ऊर्जा कैसे मापी जाएगी।
- [मैं अपनी पढ़ाई के लिए AI का इस्तेमाल ऊर्जा बर्बाद किए बिना कैसे करूँ?](https://greenai.guide/how-do-i/use-ai-for-studying-without-waste/): AI वहाँ इस्तेमाल करें जहाँ वह आपको सीखने में मदद करे, जैसे किसी कठिन विचार को समझाना, आपसे सवाल पूछना या किसी ड्राफ़्ट पर फ़ीडबैक देना, और तथ्यों व स्रोतों के लिए अपने नोट्स, पाठ्यपुस्तकें और लाइब्रेरी सर्च इस्तेमाल करें। केंद्रित सवाल पूछें, सिर्फ़ ज़रूरी अंश पेस्ट करें, और दोबारा बनवाने या मज़े के लिए तस्वीरें बनाने से बचें: ये आदतें ऊर्जा बचाती हैं और आम तौर पर सीखने में भी मदद करती हैं।
- [मैं ग्रीन AI के बारे में कैसे सीखूँ?](https://greenai.guide/how-do-i/learn-about-green-ai/): शुरुआत किसी छोटे लेख से करें जो बताए कि AI की ऊर्जा कहाँ खर्च होती है, फिर अपने ही इस्तेमाल पर कोई मुफ़्त टूल आज़माएँ, जैसे कोड के लिए ऊर्जा ट्रैकर या AI API कॉल के लिए अनुमान लगाने वाला टूल। इसके बाद अपने स्तर का कोई कोर्स करें और अपने क्षेत्र के किसी समुदाय या शोध समूह से जुड़ें। सिर्फ़ पढ़ने की तुलना में किसी असली चीज़ को मापकर सीखा गया ज़्यादा याद रहता है।
- [मैं छात्रों को AI के पर्यावरणीय प्रभाव के बारे में कैसे पढ़ाऊँ?](https://greenai.guide/how-do-i/teach-pupils-about-ais-environmental-impact/): इस विचार से शुरू करें कि AI का हर जवाब असली कंप्यूटरों पर चलता है जो बिजली और पानी इस्तेमाल करते हैं, फिर कुछ भरोसेमंद आँकड़े और एक व्यावहारिक गतिविधि लें, जैसे टेक्स्ट और इमेज जनरेशन की तुलना। इसे कंप्यूटिंग, विज्ञान और भूगोल से जोड़ें, और संतुलन बनाए रखें: मकसद छात्रों को AI सोच-समझकर इस्तेमाल करने में मदद करना है, उन्हें इसके इस्तेमाल के लिए अपराध-बोध महसूस कराना नहीं।
- [मैं यूनिवर्सिटी के किसी कोर्स में ग्रीन AI को कैसे शामिल करूँ?](https://greenai.guide/how-do-i/include-green-ai-in-a-university-course/): पूरा नया कोर्स बनाने के बजाय एक छोटा, व्यावहारिक हिस्सा जोड़ें: समझाएँ कि AI की ऊर्जा कहाँ जाती है, छात्रों से उनके अपने कोड या मॉडल रन की ऊर्जा मपवाएँ, और उनसे सटीकता के साथ कंप्यूट और ऊर्जा भी रिपोर्ट करवाएँ। तकनीकी कोर्सों में छोटे मॉडल, क्वांटाइज़ेशन और दोबारा इस्तेमाल जैसे कुशल तरीके सिखाएँ; दूसरे कोर्सों में समझदारी से इस्तेमाल और दावों को परखने पर ध्यान दें।
- [मैं स्कूल में AI के टिकाऊ इस्तेमाल के लिए नियम कैसे बनाऊँ?](https://greenai.guide/how-do-i/set-school-rules-for-sustainable-ai-use/): अलग नीति लिखने के बजाय स्कूल की मौजूदा AI नीति में पर्यावरण पर एक छोटा हिस्सा जोड़ें। बताएँ कि AI कब सही टूल है, इमेज और वीडियो बनाने के बजाय छोटे टेक्स्ट को प्राथमिकता दें, स्कूल अकाउंट में हल्की डिफ़ॉल्ट सेटिंग्स रखें, और विद्यार्थियों को इसके कारण सिखाएँ। इसे सुरक्षा (safeguarding), डेटा संरक्षण और मूल्यांकन के नियमों के साथ रखें, जो अब भी सबसे पहले आते हैं।
