greenai.guide

Home › Come faccio a…? › Come riporto il consumo di energia della mia ricerca sull'IA?

Come faccio a…?

Come riporto il consumo di energia della mia ricerca sull'IA?

Aggiornato · 1 min di lettura

In breve

Riporti l'hardware, le ore-GPU di tutte le esecuzioni compresi messa a punto e fallimenti, l'energia in kWh con lo strumento usato, il luogo e l'intensità di carbonio della rete, le emissioni in kg CO₂e e l'energia di inferenza con una dimensione di batch dichiarata. Dica che cosa include il perimetro e quanto sono incerti i dati. Misurare man mano, con uno strumento come CodeCarbon, trasforma tutto questo in una tabella invece che in una ricostruzione.

Passaggi

  1. Tenga traccia dell'energia di ogni esecuzione fin dall'inizio del progetto, non solo di quella finale.
  2. Riporti hardware, ore-GPU, energia, luogo, intensità di carbonio della rete ed emissioni in una tabella standard.
  3. Indichi l'energia di inferenza ogni 1.000 richieste con una dimensione di batch e una lunghezza di sequenza dichiarate.
  4. Dichiari il perimetro, compreso se sono conteggiati i costi aggiuntivi del data centre.
  5. Riporti i risultati in rapporto al calcolo, come l'accuratezza per kWh, accanto al punteggio migliore.

Riporti calcolo ed energia come risultati standard, non in una nota a piè di pagina. Senza questi dati le affermazioni sull'efficienza non si possono verificare, e chi legge non può capire se un piccolo guadagno di accuratezza è costato dieci volte l'energia.

La questione è stata posta presto: nel 2019 Strubell, Ganesh e McCallum hanno quantificato il costo economico e ambientale dell'addestramento di diversi modelli linguistici, e Schwartz e colleghi hanno sostenuto in "Green AI" che l'efficienza va riportata accanto all'accuratezza.

Che cosa deve includere la tabella?

Voce Esempio
Hardware Modello e numero di GPU, CPU, memoria
Tempo di esecuzione Ore-GPU delle esecuzioni finali e di tutta la messa a punto e delle esecuzioni fallite
Energia kWh, misurati o stimati, con strumento e versione
Luogo Paese o regione della rete, e intensità di carbonio usata
Emissioni kg CO₂e
Inferenza Energia ogni 1.000 richieste con dimensione di batch e lunghezza di sequenza dichiarate
Perimetro Se sono inclusi raffreddamento e costi aggiuntivi del data centre (PUE)

Se rilascia il modello, copi i dati nel campo co2_eq_emissions della scheda del modello su Hugging Face.

Errori comuni

  • Riportare solo l'esecuzione vincente. La ricerca che l'ha preceduta di solito rappresenta la maggior parte dell'energia.
  • Nessuna incertezza. Le stime basate su modelli di potenza possono differire dai valori misurati; indichi un intervallo.
  • Escludere i risultati negativi. Un metodo di efficienza che non ha funzionato evita ad altri di ripeterlo.

I principi GREENER di Lannelongue e colleghi offrono un quadro più ampio per gruppi e istituzioni. Veda la guida per i ricercatori e come misurare l'energia dell'IA.

Fonti

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)

Si unisca a noi

Aiuti a ridurre l'impatto dell'IA sul pianeta

Riceva per email nuove guide, bandi di finanziamento e schede delle directory, circa una volta al mese. Oppure aggiunga il suo prodotto, corso, dottorato o ricerca alle directory.

Nessun tracciamento. Disiscrizione con un clic. Altri modi per partecipare · Privacy