# 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.

Source: https://greenai.guide/pl/jak/jak-wybrac-region-chmury-o-niskiej-emisyjnosci/  
Updated: 2026-11-19

## W skrócie

Należy porównać regiony pod względem intensywności emisji sieci energetycznej i udziału energii bezemisyjnej, korzystając z danych o regionach publikowanych przez dostawcę lub ze źródła takiego jak Electricity Maps, a potem uwzględnić opóźnienie, przepisy o lokalizacji danych i koszt. Najłatwiej przenieść pracę wsadową, taką jak trenowanie, dostrajanie i nocne przetwarzanie; wnioskowanie obsługujące użytkowników zwykle musi pozostać blisko nich.

## Steps

1. Wypisać obciążenia, które mogą działać gdziekolwiek, zaczynając od trenowania, dostrajania i zadań wsadowych.
2. Porównać kandydujące regiony pod względem intensywności emisji sieci i udziału energii bezemisyjnej.
3. Sprawdzić dla każdego kandydata ograniczenia dotyczące lokalizacji danych, opóźnienia i kosztu.
4. Uwzględnić energię i koszt przeniesienia danych do nowego regionu.
5. Co roku ponownie sprawdzać wybór, bo sieci energetyczne i dane dostawców się zmieniają.

**Wybór regionu może kilkakrotnie zmienić emisje tego samego zadania, bez żadnej zmiany w kodzie.** Energia
elektryczna stojąca za kilowatogodziną bardzo różni się między sieciami.

## Gdzie znaleźć dane o regionach? {#where-do-i-find-region-data}

- **Google Cloud** publikuje dla każdego regionu średni godzinowy udział energii bezemisyjnej oraz intensywność
  emisji sieci w gCO₂e/kWh. Konsola oznacza regiony etykietą „Low CO2”, gdy udział energii bezemisyjnej wynosi co
  najmniej 75% lub, jeśli te dane są niedostępne, gdy intensywność emisji sieci wynosi najwyżej 200 gCO₂e/kWh.
- **Electricity Maps** podaje bieżącą, prognozowaną i historyczną intensywność emisji dla ponad 350 stref, co
  przydaje się przy każdym dostawcy.
- Strony o zrównoważonym rozwoju i panele emisji innych dostawców; zob.
  [dane o emisjach dostawcy chmury](/pl/jak/gdzie-znalezc-dane-o-emisjach-mojego-dostawcy-chmury/).

## Które obciążenia warto przenieść? {#which-workloads-should-move}

Wzorzec Green Software Foundation dla obciążeń AI sugeruje uruchamianie trenowania, dostrajania i pracy wsadowej
w regionach o niskiej emisyjności, gdzie opóźnienie ma mniejsze znaczenie. Wytyczne Microsoft Azure Well-Architected
zalecają, by przy wyborze regionu rozważać razem intensywność emisji, opóźnienie i odporność.

## Częste błędy {#common-mistakes}

- **Przenoszenie wnioskowania wrażliwego na opóźnienia daleko od użytkowników,** co może pogorszyć ich doświadczenie
  i zwiększyć ruch sieciowy.
- **Pomijanie przesyłu danych.** Kopiowanie dużych zbiorów danych między regionami ma własny koszt.
- **Poleganie na certyfikatach.** Zakup certyfikatów energii odnawialnej przez dostawcę nie sprawia, że sieć o wysokiej
  emisyjności staje się niskoemisyjna; zob.
  [jak sprawdzić, czy AI działa na energii odnawialnej](/pl/jak/jak-sprawdzic-czy-moja-ai-dziala-na-energii-odnawialnej/).
- **Traktowanie wyboru regionu jako zamiennika wydajności.** Zmniejsza on emisje, a nie zużycie energii.

Więcej na stronie [hosting i centra danych](/pl/dobre-praktyki/hosting-zielonej-ai-i-centra-danych/).

## Źródła

- [Carbon free energy for Google Cloud regions](https://cloud.google.com/sustainability/region-carbon), Google Cloud (2025)
- [Electricity Maps data](https://www.electricitymaps.com/data), Electricity Maps (2026)
- [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)
- [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)
