W skrócie
Należy znaleźć zadania, które mogą poczekać, takie jak trenowanie, dostrajanie, ewaluacja i wnioskowanie wsadowe, i uruchamiać je, gdy prognoza emisyjności pokazuje, że sieć jest czystsza. Regularne punkty kontrolne pozwalają wstrzymywać długie zadania, gdy emisyjność rośnie, i wznawiać je, gdy spada, w ramach sztywnego terminu. Planowanie z uwzględnieniem emisji ogranicza emisje, a nie energię, dlatego należy je stosować jako uzupełnienie działań na rzecz efektywności.
Kroki
- Należy spisać zadania AI, które mogą bez szkody poczekać kilka godzin, wraz z rzeczywistym terminem każdego z nich.
- Należy uzyskać prognozę emisyjności dla regionu, w którym działa zadanie.
- Elastyczne zadania warto uruchamiać w najczystszym oknie, które nadal pozwala dotrzymać terminu.
- Należy zapisywać punkty kontrolne, łącznie ze stanem optymalizatora, by długie zadania można było wstrzymywać i wznawiać.
- Oprócz emisji należy śledzić energię na zadanie, aby planowanie nie ukrywało wzrostu zużycia.
Większość zadań trenowania nie musi startować w chwili naciśnięcia Enter. Przeniesienie ich na czystsze godziny obniża emisje bez żadnych zmian w modelu.
Skąd brać prognozy?
- W Wielkiej Brytanii Carbon Intensity API operatora National Energy System Operator prognozuje emisyjność ponad 96 godzin naprzód dla 14 regionów.
- Electricity Maps udostępnia dane bieżące i prognozy dla ponad 350 stref na całym świecie.
- Carbon Aware SDK od Green Software Foundation to webowe API i narzędzie wiersza poleceń, które korzysta z takich danych, by oprogramowanie mogło „robić więcej, gdy energia elektryczna pochodzi z czystych, niskoemisyjnych źródeł, i mniej, gdy tak nie jest”.
Jak postępować z długimi zadaniami?
Wzorzec Green Software Foundation dla obciążeń AI zaleca, tam gdzie to wykonalne, wstrzymywanie i wznawianie długich zadań trenowania na podstawie progów emisyjności. Wymaga to regularnych punktów kontrolnych, łącznie ze stanem optymalizatora, aby po zatrzymaniu zadania nic nie zostało utracone. Należy zmierzyć narzut związany z punktami kontrolnymi, aby przerwy nie kosztowały więcej, niż pozwalają zaoszczędzić.
Częste błędy
- Mylenie emisji z energią. Przesunięcie zadania nie zmniejsza jego zużycia. Spadająca wartość emisji może ukrywać rosnące zużycie energii. Należy śledzić obie wielkości.
- Przesuwanie terminów. Termin powinien być twardym limitem, a nie preferencją.
- Planowanie na podstawie średnich rocznych. Potrzebne są prognozy godzinowe dla regionu, w którym zadanie faktycznie działa.
- Planowanie drobnych zadań. Zysk leży w dużych, elastycznych przebiegach, a nie w każdym skrypcie.
Można też wybrać region o niższej emisyjności. Zobacz efektywne trenowanie i wnioskowanie.
Źródła
- Carbon Intensity API, National Energy System Operator (2025)
- Carbon Aware SDK, Green Software Foundation (2025)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Electricity Maps data, Electricity Maps (2026)
Powiązane
Jak wybrać region chmury o niskiej emisyjności?
Jak wybrać region chmury o niższej emisyjności dla AI: porównać intensywność emisji sieci i udział energii bezemisyjnej, a potem opóźnienie, przepisy i koszt.
Jak sprawdzić emisyjność mojej sieci elektroenergetycznej?
Skąd brać dane o emisyjności sieci do obliczania śladu AI: regionalne, godzinowe źródła, takie jak GB Carbon Intensity API i Electricity Maps.
Jak uruchamiać zadania AI na wolnych zasobach chmury?
Przerywalną pracę AI warto uruchamiać na instancjach spot lub preemptible: z checkpointami i czystym ponawianiem, a pracę nieprzerywalną gdzie indziej.
Efektywne trenowanie i inferencja AI
Techniki ograniczania zużycia energii przez AI dla programistów i badaczy: przycinanie, rzadkość, kwantyzacja, destylacja, KV cache, batching i harmonogramy.