# Hoe verklein ik de voetafdruk van AI-experimenten op een onderzoekscluster?

> Verlaag de energie van AI-experimenten op HPC: lees de energieadministratie van Slurm, vraag alleen wat u gebruikt, test klein en sla tussenstanden op.

Source: https://greenai.guide/nl/hoe/hoe-verklein-ik-de-voetafdruk-van-ai-experimenten-op-een/  
Updated: 2026-11-19

## In het kort

Begin met meten: veel clusters registreren in de Slurm-scheduler het energieverbruik per taak, en CodeCarbon of de Green Algorithms-calculator kunnen de gaten vullen. Vraag daarna alleen de GPU's, het geheugen en de tijd aan die u nodig hebt, test ideeën eerst op kleine schaal, sla bij lange taken tussenstanden op (checkpoints) en plan flexibele taken wanneer het stroomnet schoner is. Rapporteer het energieverbruik van hele projecten, niet alleen van de laatste runs.

## Steps

1. Ga na of uw cluster het energieverbruik per taak registreert, bijvoorbeeld in het veld ConsumedEnergy van Slurm.
2. Vraag alleen de GPU's, het geheugen en de looptijd aan die uw taak werkelijk nodig heeft.
3. Draai kleine proefruns voordat u een experiment opschaalt.
4. Sla bij lange taken checkpoints op, zodat storingen en pauzes geen afgerond werk verspillen.
5. Plan flexibele taken in de uren waarin het stroomnet schoner is, als het cluster dat toelaat.
6. Rapporteer het energieverbruik op projectniveau, inclusief afstemmingsruns en mislukte runs.

**Op gedeelde clusters is energie makkelijk te negeren, want niemand ziet een rekening.** Maar elke te ruim
aangevraagde GPU en elke afgebroken taak verbruikt stroom en laat anderen wachten.

## Hoe zie ik wat mijn taken verbruiken? {#how-do-i-see-what-my-jobs-use}

- **`sacct` van Slurm** kan de ConsumedEnergy van een taak rapporteren als energieadministratie op het cluster is
  ingeschakeld. Vraag uw team voor onderzoeksrekenkracht of die aanstaat.
- **CodeCarbon** kan binnen taken draaien, en de documentatie behandelt ook rekenknooppunten zonder internettoegang.
- **Green Algorithms**, van Lannelongue, Grealey en Inouye, schat de voetafdruk op basis van hardware, looptijd,
  geheugen en locatie, wat geschikt is voor eerdere taken.

## Wat het grootste verschil maakt {#what-makes-the-biggest-difference}

- **Aanvragen op maat.** Wie vier GPU's aanvraagt en er één gebruikt, houdt er drie gereserveerd en ongebruikt.
- **Proefruns en vroeg stoppen.** De meeste energie gaat op aan verkennen; schrap slechte ideeën vroeg. Zie
  [het energieverbruik van hyperparameterzoektochten verlagen](/nl/hoe/hoe-verminder-ik-het-energieverbruik-van-hyperparameterzoektochten/).
- **Checkpoints,** zodat crashes en tijdslimieten niet betekenen dat u opnieuw moet beginnen.
- **Hergebruik** van voorgetrainde modellen en gedeelde datasets, in plaats van dat iedereen zijn eigen versie
  voorbereidt.

Een Britse green AI-sandpit (een verkennende werksessie) uit 2026 met wiskundigen, informatici en de industrie
benadrukte ook dat u eerst moet nagaan of een goed begrepen numerieke methode het probleem al oplost, voordat u
überhaupt een model traint.

## Veelgemaakte fouten {#common-mistakes}

- **Het cluster als gratis beschouwen.** Houd GPU-uren bij als een budget; zie
  [een rekenbudget vaststellen](/nl/hoe/hoe-stel-ik-een-rekenbudget-op-voor-een-onderzoeksproject/).
- **Alleen de laatste run rapporteren** in artikelen.

De GREENER-principes van Lannelongue en collega's bieden een kader voor groepen en instellingen. Zie de
[gids voor onderzoekers](/nl/gidsen/groene-ai-voor-onderzoekers/).

## Bronnen

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
