greenai.guide

Strona główna › Jak…? › Jak planować trenowanie na czas, gdy sieć energetyczna jest czystsza?

Jak…?

Jak planować trenowanie na czas, gdy sieć energetyczna jest czystsza?

Aktualizacja · Czas czytania: 1 min

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

  1. Należy spisać zadania AI, które mogą bez szkody poczekać kilka godzin, wraz z rzeczywistym terminem każdego z nich.
  2. Należy uzyskać prognozę emisyjności dla regionu, w którym działa zadanie.
  3. Elastyczne zadania warto uruchamiać w najczystszym oknie, które nadal pozwala dotrzymać terminu.
  4. Należy zapisywać punkty kontrolne, łącznie ze stanem optymalizatora, by długie zadania można było wstrzymywać i wznawiać.
  5. 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

  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)

Dołącz do nas

Pomóżmy zmniejszyć wpływ AI na planetę

Nowe przewodniki, nabory wniosków i wpisy w katalogach e-mailem, mniej więcej raz w miesiącu. Można też dodać do katalogów swój produkt, kurs, ofertę studiów doktoranckich lub badania.

Bez śledzenia. Rezygnacja jednym kliknięciem. Inne sposoby dołączenia · Prywatność