# Come evito che GPU e notebook restino accesi inutilizzati?

> Evitare che l'hardware per l'IA inattivo sprechi energia: risorse su richiesta, arresto automatico dei notebook, scala a zero fuori orario e report delle ore-GPU inattive.

Source: https://greenai.guide/it/come/come-evito-che-gpu-e-notebook-restino-accesi-inutilizzati/  
Updated: 2026-11-19

## In breve

Faccia dell'esecuzione su richiesta la norma: pipeline e job di addestramento dovrebbero avviare le risorse quando vengono attivati e rilasciarle quando finiscono. Spenga automaticamente notebook e GPU di sviluppo inattivi dopo un tempo stabilito, riduca a zero gli ambienti non di produzione fuori orario e riporti le ore-GPU inattive di ogni gruppo accanto ai costi, così lo spreco diventa visibile.

## Steps

1. Faccia in modo che pipeline e job di addestramento avviino le risorse quando vengono attivati e le rilascino quando finiscono.
2. Imposti notebook e GPU di sviluppo perché si spengano automaticamente dopo un periodo di inattività.
3. Riduca a zero gli ambienti non di produzione fuori dall'orario di lavoro.
4. Assegni agli ambienti temporanei una data di eliminazione automatica.
5. Riporti le ore-GPU inattive di ogni gruppo accanto ai costi.

**Una GPU inattiva assorbe comunque energia e tiene comunque impegnato hardware la cui produzione ha richiesto
energia.** Notebook, cluster e ambienti di test allestiti per un esperimento restano facilmente accesi tra un
esperimento e l'altro, o vengono dimenticati.

## Che cosa dovrebbe funzionare su richiesta? {#what-should-be-on-demand}

I pattern della Green Software Foundation per i carichi di lavoro di IA e degli agenti raccomandano di far girare
l'infrastruttura solo mentre lavora: esecuzione serverless o su richiesta per lo sviluppo dei modelli, le pipeline e
gli agenti, in modo che le risorse si avviino quando vengono attivate e si fermino quando hanno finito.

## E per lo sviluppo e i test? {#what-about-development-and-test}

Le linee guida Azure Well-Architected di Microsoft indicano di "spegnere gli ambienti non di produzione quando non
sono in uso". Su Kubernetes, il cron scaler di KEDA può aumentare i carichi di lavoro in una fascia oraria e ridurli
a zero al di fuori. Escluda solo i servizi condivisi che devono davvero restare attivi, e metta per iscritto il
motivo.

## Che cosa fa la differenza maggiore {#what-makes-the-biggest-difference}

- **L'arresto automatico dei notebook,** che sono gli utilizzatori di GPU dimenticati più spesso.
- **La visibilità.** Metta le ore-GPU inattive nello stesso report della spesa: i gruppi agiscono su ciò che vedono.
- **La condivisione.** Un pool o una coda condivisi di solito tengono le GPU più occupate di una macchina per
  persona.

## Errori comuni {#common-mistakes}

- **Riservare grandi GPU "per sicurezza"** per lavori che girano una volta alla settimana.
- **Tenere i modelli caricati in memoria in permanenza** per uno strumento interno usato poche volte al giorno.

Veda [hosting e data centre](/it/buone-pratiche/hosting-e-data-centre-per-un-ia-verde/) e
[addestramento e inferenza efficienti](/it/buone-pratiche/addestramento-e-inferenza-efficienti-per-l-ia/).

## Fonti

- [Serverless architecture for AI/ML workload processes](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/serverless-model-development.md), Green Software Foundation, Green Software Patterns (2025)
- [Use on-demand execution for AI and agent workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/on-demand-execution-ai-agent-workloads.md), Green Software Foundation, Green Software Patterns (2025)
- [Reliability recommendations for sustainable workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/sustainability/sustainability-reliability-recommendations), Microsoft Azure Well-Architected Framework (2026)
- [Cron scaler](https://keda.sh/docs/2.17/scalers/cron/), KEDA (CNCF) (2025)
