In het kort
Vergelijk regio's op de CO2-intensiteit van het stroomnet en het aandeel koolstofvrije energie, met de regiogegevens die uw aanbieder publiceert of een bron als Electricity Maps, en weeg daarna latentie, regels voor gegevenslocatie en kosten af. Batchwerk zoals training, fine-tuning en nachtelijke verwerking is het makkelijkst te verplaatsen; inferentie voor gebruikers moet meestal dicht bij die gebruikers blijven.
Stappen
- Zet op een rij welke workloads overal kunnen draaien, te beginnen met training, fine-tuning en batchtaken.
- Vergelijk de kandidaat-regio's op CO2-intensiteit van het stroomnet en het aandeel koolstofvrije energie.
- Controleer per kandidaat de beperkingen voor gegevenslocatie, latentie en kosten.
- Houd rekening met de energie en kosten van het verplaatsen van gegevens naar de nieuwe regio.
- Controleer de keuze jaarlijks opnieuw, want stroomnetten en gegevens van aanbieders veranderen.
De keuze van de regio kan de CO2-uitstoot van dezelfde taak een veelvoud groter of kleiner maken, zonder dat u een regel code verandert. De stroom achter een kilowattuur verschilt sterk tussen stroomnetten.
Waar vind ik gegevens per regio?
- Google Cloud publiceert per regio het gemiddelde aandeel koolstofvrije energie per uur en de CO2-intensiteit van het stroomnet in gCO₂e/kWh. De console markeert regio's als "Low CO2" als het aandeel koolstofvrije energie minstens 75% is of, waar dat niet beschikbaar is, de intensiteit van het stroomnet hoogstens 200 gCO₂e/kWh.
- Electricity Maps geeft actuele, voorspelde en historische CO2-intensiteit voor meer dan 350 zones, bruikbaar bij elke aanbieder.
- De duurzaamheidspagina's en CO2-dashboards van andere aanbieders; zie de CO2-gegevens van uw cloudaanbieder.
Welke workloads moeten verhuizen?
Het patroon van de Green Software Foundation voor AI-workloads raadt aan training, fine-tuning en batchwerk te draaien in regio's met weinig CO2, waar latentie minder belangrijk is. De Azure Well-Architected-richtlijnen van Microsoft adviseren bij de keuze van een regio CO2-intensiteit, latentie en veerkracht samen af te wegen.
Veelgemaakte fouten
- Latentiegevoelige inferentie ver van gebruikers plaatsen, wat de ervaring kan schaden en netwerkverkeer toevoegt.
- Het verplaatsen van gegevens negeren. Grote datasets tussen regio's kopiëren heeft zijn eigen kosten.
- Op certificaten vertrouwen. Als een aanbieder certificaten voor hernieuwbare energie koopt, wordt een stroomnet met veel CO2 daar niet schoner van; zie nagaan of uw AI op hernieuwbare energie draait.
- De keuze van een regio zien als vervanging voor efficiëntie. Die verlaagt de CO2-uitstoot, niet het energieverbruik.
Meer in hosting en datacenters.
Bronnen
- Carbon free energy for Google Cloud regions, Google Cloud (2025)
- Electricity Maps data, Electricity Maps (2026)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Reliability recommendations for sustainable workloads on Azure, Microsoft Azure Well-Architected Framework (2026)
Gerelateerd
Hoe plan ik AI-training op momenten dat het stroomnet groener is?
Draai training en batch-AI-taken als de CO2-intensiteit van het net laag is: gebruik prognoses, maak taken pauzeerbaar en houd deadlines hard.
Hoe vind ik de koolstofintensiteit van mijn elektriciteitsnet?
Waar u gegevens over de koolstofintensiteit van het net vindt voor AI-voetafdrukken: regionale bronnen per uur, zoals de GB Carbon Intensity API en Electricity Maps.
Hoe controleer ik of mijn AI op hernieuwbare energie draait?
Onderscheid schone stroom per uur van jaarlijkse certificaten: vraag waar uw AI draait, wat de CO₂-intensiteit van het net is en het schone aandeel per uur.
Hosting en datacenters voor groene AI
Waar laat u AI draaien? CO2-intensiteit van het stroomnet, PUE en WUE, claims over groene stroom, waterverbruik en locatie, met vragen voor hosts.