greenai.guide

Strona główna › Jak…? › Jak raportować zużycie energii w moich badaniach nad AI?

Jak…?

Jak raportować zużycie energii w moich badaniach nad AI?

Aktualizacja · Czas czytania: 1 min

W skrócie

Należy podać sprzęt, GPU-godziny wszystkich przebiegów, w tym strojenia i nieudanych prób, energię w kWh wraz z użytym narzędziem, lokalizację i emisyjność sieci, emisje w kg CO₂e oraz energię inferencji przy podanym rozmiarze partii. Trzeba wskazać, co obejmują granice i jak niepewne są wartości. Pomiar na bieżąco, narzędziem takim jak CodeCarbon, sprawia, że wystarczy wypełnić tabelę zamiast odtwarzać dane.

Kroki

  1. Śledzić energię każdego przebiegu od początku projektu, a nie tylko końcowego.
  2. Podawać sprzęt, GPU-godziny, energię, lokalizację, emisyjność sieci i emisje w standardowej tabeli.
  3. Podawać energię inferencji na 1000 zapytań przy określonym rozmiarze partii i długości sekwencji.
  4. Określić granice, w tym to, czy uwzględniono narzuty centrum danych.
  5. Podawać wyniki w odniesieniu do nakładu obliczeń, np. dokładność na kWh, obok najlepszego wyniku.

Obliczenia i energię należy raportować jako standardowe wyniki, a nie przypis. Bez nich nie da się sprawdzić deklaracji o wydajności, a czytelnicy nie wiedzą, czy niewielki wzrost dokładności nie kosztował dziesięć razy więcej energii.

Argumenty przedstawiono wcześnie: Strubell, Ganesh i McCallum określili ilościowo w 2019 roku finansowy i środowiskowy koszt trenowania kilku modeli językowych, a Schwartz i współpracownicy w pracy „Green AI” postulowali raportowanie wydajności obok dokładności.

Co powinna zawierać tabela?

Pozycja Przykład
Sprzęt Model i liczba GPU, CPU, pamięć
Czas działania GPU-godziny końcowych przebiegów oraz całego strojenia i nieudanych przebiegów
Energia kWh, zmierzone lub oszacowane, z narzędziem i wersją
Lokalizacja Kraj lub region sieci oraz użyta emisyjność
Emisje kg CO₂e
Inferencja Energia na 1000 zapytań przy określonym rozmiarze partii i długości sekwencji
Granice Czy uwzględniono chłodzenie i narzuty centrum danych (PUE)

Jeśli model jest udostępniany, wartości należy przenieść do pola co2_eq_emissions w karcie modelu w Hugging Face.

Częste błędy

  • Raportowanie tylko zwycięskiego przebiegu. Stojące za nim przeszukiwanie zwykle zużywa większość energii.
  • Brak niepewności. Szacunki z modeli mocy mogą się różnić od wartości zmierzonych licznikiem; należy podać zakres.
  • Pomijanie wyników negatywnych. Metoda poprawy wydajności, która nie zadziałała, oszczędza innym jej powtarzania.

Zasady GREENER autorstwa Lannelongue i współpracowników dają szersze ramy dla zespołów i instytucji. Zob. przewodnik dla badaczy i jak mierzyć energię AI.

Źródła

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (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