In het kort
Rapporteer de hardware, de GPU-uren voor alle runs inclusief afstemming en mislukkingen, de energie in kWh met de gebruikte tool, de locatie en de CO2-intensiteit van het stroomnet, de emissies in kg CO₂e, en de inferentie-energie bij een vermelde batchgrootte. Geef aan wat de afbakening omvat en hoe onzeker de cijfers zijn. Als u gaandeweg meet, met een tool zoals CodeCarbon, wordt dit een tabel in plaats van een reconstructie.
Stappen
- Houd vanaf het begin van het project de energie van elke run bij, niet alleen van de laatste.
- Rapporteer hardware, GPU-uren, energie, locatie, CO2-intensiteit van het stroomnet en emissies in een standaardtabel.
- Geef de inferentie-energie per 1.000 verzoeken bij een vermelde batchgrootte en sequentielengte.
- Vermeld de afbakening, inclusief of de overhead van het datacenter is meegeteld.
- Rapporteer resultaten afgezet tegen rekenkracht, zoals nauwkeurigheid per kWh, naast de beste score.
Rapporteer rekenkracht en energie als standaardresultaten, niet als voetnoot. Zonder die cijfers zijn claims over efficiëntie niet te controleren, en kunnen lezers niet zien of een kleine winst in nauwkeurigheid tien keer zoveel energie kostte.
Het pleidooi werd al vroeg gehouden: Strubell, Ganesh en McCallum brachten in 2019 de financiële en milieukosten van het trainen van verschillende taalmodellen in kaart, en Schwartz en collega's pleitten in "Green AI" voor het rapporteren van efficiëntie naast nauwkeurigheid.
Wat moet er in de tabel staan?
| Onderdeel | Voorbeeld |
|---|---|
| Hardware | GPU-model en aantal, CPU, geheugen |
| Looptijd | GPU-uren voor de laatste runs en alle afstemmingsruns en mislukte runs |
| Energie | kWh, gemeten of geschat, met tool en versie |
| Locatie | Land of netregio, en de gebruikte CO2-intensiteit |
| Emissies | kg CO₂e |
| Inferentie | Energie per 1.000 verzoeken bij een vermelde batchgrootte en sequentielengte |
| Afbakening | Of koeling en overhead van het datacenter (PUE) zijn meegeteld |
Brengt u het model uit, neem de cijfers dan over in het veld co2_eq_emissions van de modelkaart op Hugging Face.
Veelgemaakte fouten
- Alleen de winnende run rapporteren. De zoektocht die eraan voorafging, is meestal het grootste deel van de energie.
- Geen onzekerheid vermelden. Schattingen op basis van vermogensmodellen kunnen afwijken van gemeten waarden; geef een bandbreedte.
- Negatieve resultaten weglaten. Een efficiëntiemethode die niet werkte, voorkomt dat anderen hetzelfde herhalen.
De GREENER-principes van Lannelongue en collega's bieden een breder kader voor groepen en instellingen. Zie de gids voor onderzoekers en hoe u het energieverbruik van AI meet.
Bronnen
- Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
- Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Gerelateerd
Hoe meet ik de CO2-voetafdruk van het trainen van een model?
Volg het energieverbruik van een trainingsrun met een tool als CodeCarbon, vermenigvuldig met de lokale CO2-intensiteit en vermeld hardware, tijd en locatie.
Hoe stel ik een rekenbudget op voor een onderzoeksproject?
Stel een rekenbudget op voor AI-onderzoek: schat GPU-uren, test klein, stop slechte runs vroeg, hergebruik modellen en zet resultaten af tegen rekenkracht.
Groene AI voor onderzoekers
Een gids voor onderzoekers over efficiënte AI-methoden, energie meten en rapporteren in artikelen, rekenbudgetten, financiering en wat wiskunde bijdraagt.
Zo meet u de energie en CO2-uitstoot van AI
Een praktische gids om de energie en CO2-uitstoot van AI-werk te meten of te schatten: tools, systeemgrenzen, maatstaven per taak en eerlijke onzekerheid.