greenai.guide

Home › Hoe doe ik…? › Hoe plan ik AI-training op momenten dat het stroomnet groener is?

Hoe doe ik…?

Hoe plan ik AI-training op momenten dat het stroomnet groener is?

Bijgewerkt · 1 min. leestijd

In het kort

Zoek de taken die kunnen wachten, zoals training, fine-tuning, evaluatie en batch-inferentie, en start ze wanneer een prognose van de CO2-intensiteit laat zien dat het net schoner is. Sla regelmatig checkpoints op, zodat lange taken kunnen pauzeren als de intensiteit stijgt en verdergaan als die daalt, binnen een vaste deadline. CO2-bewust plannen verlaagt de uitstoot, niet het energieverbruik, dus doe het bovenop efficiëntiewerk.

Stappen

  1. Maak een lijst van AI-taken die zonder schade uren kunnen wachten, met de echte deadline van elke taak.
  2. Haal een prognose van de CO2-intensiteit op voor de regio waar de taak draait.
  3. Start flexibele taken in het schoonste tijdvak dat de deadline nog haalt.
  4. Sla checkpoints op, inclusief de toestand van de optimizer, zodat lange taken kunnen pauzeren en hervatten.
  5. Houd per taak naast de uitstoot ook het energieverbruik bij, zodat plannen geen groei verbergt.

De meeste trainingstaken hoeven niet te starten op het moment dat u op enter drukt. Door ze naar schonere uren te verplaatsen, daalt hun uitstoot zonder dat er iets aan het model verandert.

Waar komen prognoses vandaan?

  • In Groot-Brittannië voorspelt de Carbon Intensity API van de National Energy System Operator de CO2-intensiteit meer dan 96 uur vooruit voor 14 regio's.
  • Electricity Maps levert realtime- en prognosegegevens voor meer dan 350 zones wereldwijd.
  • De Carbon Aware SDK van de Green Software Foundation is een web-API en opdrachtregeltool die zulke gegevens gebruikt, zodat software "do more when the electricity comes from clean low-carbon sources and less when it does not" (meer doet wanneer de elektriciteit uit schone, koolstofarme bronnen komt en minder wanneer dat niet zo is).

Hoe ga ik om met lange taken?

Het patroon van de Green Software Foundation voor AI-workloads stelt voor om langlopende trainingstaken waar mogelijk te pauzeren en te hervatten op basis van drempelwaarden voor de CO2-intensiteit. Daarvoor zijn regelmatige checkpoints nodig, inclusief de toestand van de optimizer, zodat er niets verloren gaat als een taak stopt. Meet de extra kosten van checkpoints, zodat de pauzes niet meer kosten dan ze opleveren.

Veelgemaakte fouten

  • Uitstoot verwarren met energie. Een taak verschuiven maakt haar niet zuiniger; een dalend uitstootcijfer kan een stijgend energieverbruik verbergen. Houd beide bij.
  • Deadlines laten uitlopen. Maak de deadline een harde grens, geen voorkeur.
  • Plannen op basis van jaargemiddelden. U hebt prognoses per uur nodig voor de regio waar de taak echt draait.
  • Kleine taken inplannen. De winst zit in grote, flexibele runs, niet in elk script.

U kunt ook een regio met lagere uitstoot kiezen. Zie efficiënte training en inferentie.

Bronnen

  1. Carbon Intensity API, National Energy System Operator (2025)
  2. Carbon Aware SDK, Green Software Foundation (2025)
  3. Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
  4. Electricity Maps data, Electricity Maps (2026)

Doe mee

Help de impact van AI op de planeet te verkleinen

Ontvang ongeveer eens per maand nieuwe gidsen, financieringsoproepen en vermeldingen per e-mail. Of voeg uw product, cursus, promotieplaats of onderzoek toe aan de gidsen.

Geen tracking. Met één klik afmelden. Andere manieren om mee te doen · Privacy