# Jak sprawić, by GPU i notatniki nie stały bezczynnie?

> Jak zapobiec marnowaniu energii przez bezczynny sprzęt AI: zasoby na żądanie, automatyczne wyłączanie notatników, skalowanie do zera i raporty o GPU.

Source: https://greenai.guide/pl/jak/jak-sprawic-by-gpu-i-notatniki-nie-staly-bezczynnie/  
Updated: 2026-11-19

## W skrócie

Domyślnym trybem powinno być działanie na żądanie: potoki i zadania trenowania powinny uruchamiać zasoby po wyzwoleniu i zwalniać je po zakończeniu. Bezczynne notatniki i deweloperskie GPU należy automatycznie wyłączać po ustalonym czasie, środowiska nieprodukcyjne skalować do zera poza godzinami pracy, a bezczynne godziny GPU każdego zespołu raportować obok kosztów, aby marnotrawstwo było widoczne.

## Steps

1. Potoki i zadania trenowania powinny uruchamiać zasoby po wyzwoleniu i zwalniać je po zakończeniu.
2. Notatniki i deweloperskie GPU należy ustawić tak, by wyłączały się automatycznie po okresie bezczynności.
3. Środowiska nieprodukcyjne należy skalować do zera poza godzinami pracy.
4. Środowiskom tymczasowym należy nadać automatyczną datę usunięcia.
5. Bezczynne godziny GPU każdego zespołu należy raportować obok kosztów.

**Bezczynne GPU nadal pobiera energię i nadal blokuje sprzęt, którego produkcja wymagała energii.** Notatniki,
klastry i środowiska testowe przygotowane do jednego eksperymentu łatwo zostawić włączone między eksperymentami albo
o nich zapomnieć.

## Co powinno działać na żądanie? {#what-should-be-on-demand}

Wzorce Green Software Foundation dla obciążeń AI i agentów zalecają, by infrastruktura działała tylko wtedy, gdy
wykonuje pracę: wykonanie bezserwerowe lub na żądanie przy tworzeniu modeli, w potokach i agentach, tak aby zasoby
uruchamiały się po wyzwoleniu i zatrzymywały po zakończeniu.

## A co ze środowiskami deweloperskimi i testowymi? {#what-about-development-and-test}

Wytyczne Azure Well-Architected Microsoftu zalecają „wyłączanie środowisk nieprodukcyjnych, gdy nie są używane”. W
Kubernetes skaler cron w KEDA może zwiększać skalę obciążeń w określonym przedziale czasu i zmniejszać ją do zera
poza nim. Należy wyłączyć z tego tylko współdzielone usługi, które naprawdę muszą działać, i zapisać dlaczego.

## Co ma największe znaczenie {#what-makes-the-biggest-difference}

- **Automatyczne wyłączanie notatników,** które najczęściej są zapomnianymi użytkownikami GPU.
- **Widoczność.** Bezczynne godziny GPU należy umieścić w tym samym raporcie co wydatki; zespoły działają na
  podstawie tego, co widzą.
- **Współdzielenie.** Wspólna pula lub kolejka zwykle lepiej wykorzystuje GPU niż jedna maszyna na osobę.

## Częste błędy {#common-mistakes}

- **Rezerwowanie dużych GPU „na wszelki wypadek”** do pracy wykonywanej raz w tygodniu.
- **Trzymanie modeli stale w pamięci** dla wewnętrznego narzędzia używanego kilka razy dziennie.

Zob. [hosting i centra danych](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/) oraz
[efektywne trenowanie i wnioskowanie](/pl/dobre-praktyki/efektywne-trenowanie-i-inferencja-ai/).

## Źródła

- [Serverless architecture for AI/ML workload processes](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/serverless-model-development.md), Green Software Foundation, Green Software Patterns (2025)
- [Use on-demand execution for AI and agent workloads](https://github.com/Green-Software-Foundation/patterns/blob/main/docs/architecture/system-topology/on-demand-execution-ai-agent-workloads.md), Green Software Foundation, Green Software Patterns (2025)
- [Reliability recommendations for sustainable workloads on Azure](https://learn.microsoft.com/en-us/azure/well-architected/sustainability/sustainability-reliability-recommendations), Microsoft Azure Well-Architected Framework (2026)
- [Cron scaler](https://keda.sh/docs/2.17/scalers/cron/), KEDA (CNCF) (2025)
