# Come pianifico l'addestramento quando la rete elettrica è più verde?

> Esegua addestramento e lavori di IA in batch quando l'intensità di carbonio della rete è bassa: usi le previsioni, preveda checkpoint e tratti le scadenze come limiti rigidi.

Source: https://greenai.guide/it/come/come-pianifico-l-addestramento-quando-la-rete-elettrica-e-piu-verde/  
Updated: 2026-11-19

## In breve

Individui i lavori che possono aspettare, come addestramento, fine-tuning, valutazione e inferenza in batch, e li avvii quando una previsione dell'intensità di carbonio indica che la rete è più pulita. Salvi checkpoint regolari, così che i lavori lunghi possano fermarsi quando l'intensità sale e riprendere quando scende, entro una scadenza fissa. La pianificazione attenta al carbonio riduce il carbonio, non l'energia, quindi la affianchi al lavoro sull'efficienza.

## Steps

1. Elenchi i lavori di IA che possono aspettare ore senza danni, con la scadenza reale di ciascuno.
2. Ottenga una previsione dell'intensità di carbonio per la regione in cui gira il lavoro.
3. Avvii i lavori flessibili nella finestra più pulita che rispetta comunque la scadenza.
4. Salvi checkpoint, compreso lo stato dell'ottimizzatore, così che i lavori lunghi possano fermarsi e riprendere.
5. Tenga traccia dell'energia di ogni lavoro oltre che del carbonio, così che la pianificazione non nasconda la crescita.

**La maggior parte dei lavori di addestramento non ha bisogno di partire nell'istante in cui si preme invio.**
Spostarli nelle ore più pulite ne riduce le emissioni senza alcun cambiamento al modello.

## Da dove vengono le previsioni? {#where-do-forecasts-come-from}

- In Gran Bretagna, la Carbon Intensity API del National Energy System Operator prevede l'intensità di carbonio con
  oltre 96 ore di anticipo per 14 regioni.
- Electricity Maps fornisce dati in tempo reale e previsioni per oltre 350 zone in tutto il mondo.
- Il Carbon Aware SDK della Green Software Foundation è una API web e uno strumento da riga di comando che attinge a
  questi dati, così che il software possa "fare di più quando l'elettricità proviene da fonti pulite a basse
  emissioni e di meno quando non è così".

## Come gestisco i lavori lunghi? {#how-do-i-handle-long-jobs}

Il pattern della Green Software Foundation per i carichi di lavoro di IA suggerisce, dove possibile, di sospendere e
riprendere i lavori di addestramento di lunga durata in base a soglie di intensità di carbonio. Ciò richiede
checkpoint regolari, compreso lo stato dell'ottimizzatore, così che nulla vada perso quando un lavoro si ferma.
Misuri il costo aggiuntivo dei checkpoint, così che le pause non costino più di quanto fanno risparmiare.

## Errori comuni {#common-mistakes}

- **Confondere carbonio ed energia.** Spostare un lavoro non lo fa consumare di meno; un dato di carbonio in calo può
  nascondere un consumo di energia in aumento. Tenga traccia di entrambi.
- **Lasciar slittare le scadenze.** Tratti la scadenza come un limite rigido, non come una preferenza.
- **Pianificare in base a medie annuali.** Servono previsioni orarie per la regione in cui il lavoro gira davvero.
- **Pianificare lavori minuscoli.** Il guadagno sta nelle esecuzioni grandi e flessibili, non in ogni script.

Può anche [scegliere una regione a minori emissioni](/it/come/come-scelgo-una-regione-cloud-a-basse-emissioni-di-carbonio/). Veda
[addestramento e inferenza efficienti](/it/buone-pratiche/addestramento-e-inferenza-efficienti-per-l-ia/).

## Fonti

- [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)
