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

> Jak uruchamiać trenowanie i zadania wsadowe AI przy niskiej emisyjności sieci: prognozy, punkty kontrolne pozwalające wstrzymać zadanie i twarde terminy.

Source: https://greenai.guide/pl/jak/jak-planowac-trenowanie-na-czas-gdy-siec-energetyczna-jest-czystsza/  
Updated: 2026-11-19

## 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.

## Steps

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? {#where-do-forecasts-come-from}

- 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? {#how-do-i-handle-long-jobs}

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 {#common-mistakes}

- **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](/pl/jak/jak-wybrac-region-chmury-o-niskiej-emisyjnosci/). Zobacz
[efektywne trenowanie i wnioskowanie](/pl/dobre-praktyki/efektywne-trenowanie-i-inferencja-ai/).

## Źródła

- [Carbon Intensity API](https://carbonintensity.org.uk/), National Energy System Operator (2025)
- [Carbon Aware SDK](https://github.com/Green-Software-Foundation/carbon-aware-sdk), Green Software Foundation (2025)
- [Use carbon-aware scheduling and region selection for AI workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/operations/carbon-aware-ai-scheduling.md), Green Software Foundation, Green Software Patterns (2025)
- [Electricity Maps data](https://www.electricitymaps.com/data), Electricity Maps (2026)
