संक्षेप में
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।
चरण
- प्रोजेक्ट की शुरुआत से हर रन की ऊर्जा ट्रैक करें, सिर्फ़ अंतिम रन की नहीं।
- हार्डवेयर, GPU-घंटे, ऊर्जा, जगह, ग्रिड की कार्बन तीव्रता और उत्सर्जन एक मानक तालिका में रिपोर्ट करें।
- बताए गए बैच साइज़ और सीक्वेंस लंबाई पर प्रति 1,000 अनुरोध इन्फ़रेंस ऊर्जा दें।
- दायरा बताएँ, जिसमें यह भी हो कि डेटा सेंटर के ओवरहेड गिने गए हैं या नहीं।
- सबसे अच्छे स्कोर के साथ, कंप्यूट के मुकाबले नतीजे भी रिपोर्ट करें, जैसे प्रति kWh सटीकता।
कंप्यूट और ऊर्जा को फ़ुटनोट की तरह नहीं, मानक नतीजों की तरह रिपोर्ट करें। इनके बिना कुशलता के दावे जाँचे नहीं जा सकते, और पाठक यह नहीं जान सकते कि सटीकता में थोड़े-से सुधार पर दस गुना ऊर्जा लगी या नहीं।
यह बात शुरू में ही उठाई गई थी: Strubell, Ganesh और McCallum ने 2019 में कई भाषा मॉडलों को ट्रेन करने की आर्थिक और पर्यावरणीय लागत आँकी, और Schwartz और सहयोगियों ने "Green AI" में सटीकता के साथ कुशलता भी रिपोर्ट करने की वकालत की।
तालिका में क्या होना चाहिए?
| चीज़ | उदाहरण |
|---|---|
| हार्डवेयर | GPU मॉडल और संख्या, CPU, मेमोरी |
| रन टाइम | अंतिम रन और सभी ट्यूनिंग व नाकाम रन के GPU-घंटे |
| ऊर्जा | kWh, मापी गई या अनुमानित, टूल और उसके वर्ज़न के साथ |
| जगह | देश या ग्रिड क्षेत्र, और इस्तेमाल की गई कार्बन तीव्रता |
| उत्सर्जन | kg CO₂e |
| इन्फ़रेंस | बताए गए बैच साइज़ और सीक्वेंस लंबाई पर प्रति 1,000 अनुरोध ऊर्जा |
| दायरा | कूलिंग और डेटा सेंटर के ओवरहेड (PUE) शामिल हैं या नहीं |
अगर आप मॉडल जारी करते हैं, तो ये आँकड़े Hugging Face मॉडल कार्ड के co2_eq_emissions फ़ील्ड में डालें।
आम गलतियाँ
- सिर्फ़ जीतने वाले रन की रिपोर्ट करना। उसके पीछे की खोजबीन में आम तौर पर ज़्यादातर ऊर्जा लगती है।
- कोई अनिश्चितता नहीं। पावर-मॉडल वाले अनुमान मीटर से मापे गए मानों से अलग हो सकते हैं; एक दायरा (range) दें।
- नकारात्मक नतीजे छोड़ देना। कुशलता का जो तरीका काम नहीं आया, उसकी जानकारी दूसरों को उसे दोहराने से बचाती है।
Lannelongue और सहयोगियों के GREENER सिद्धांत समूहों और संस्थानों के लिए एक व्यापक ढाँचा देते हैं। देखें शोधकर्ताओं के लिए गाइड और AI की ऊर्जा कैसे मापें।
स्रोत
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
संबंधित
मैं किसी मॉडल की ट्रेनिंग का कार्बन फ़ुटप्रिंट कैसे मापूँ?
CodeCarbon जैसे टूल से ट्रेनिंग रन की ऊर्जा ट्रैक करें, उसे स्थानीय ग्रिड की कार्बन तीव्रता से गुणा करें, और हार्डवेयर, समय और जगह बताएँ।
मैं किसी रिसर्च प्रोजेक्ट के लिए कंप्यूट बजट कैसे तय करूँ?
AI शोध के लिए कंप्यूट बजट तय करें और ट्रैक करें: GPU-घंटों का अनुमान लगाएँ, छोटे पायलट चलाएँ, कमज़ोर रन जल्दी रोकें, मॉडल दोबारा इस्तेमाल करें और कंप्यूट के मुकाबले नतीजे बताएँ।
शोधकर्ताओं के लिए ग्रीन AI
शोधकर्ताओं के लिए गाइड: कुशल AI तरीक़े, शोध-पत्रों में ऊर्जा का मापन और रिपोर्टिंग, कंप्यूट बजट, फ़ंडिंग, और गणित कहाँ मदद कर सकता है।
AI की ऊर्जा और कार्बन कैसे मापें
AI के काम की ऊर्जा और कार्बन को मापने या अनुमान लगाने की व्यावहारिक गाइड: टूल, सिस्टम सीमाएँ, प्रति-कार्य पैमाने और अनिश्चितता का ईमानदार हिसाब।