# Jak zmniejszyć ślad eksperymentów z AI na klastrze badawczym?

> Jak ograniczyć energię eksperymentów AI na HPC: czytać rozliczenia energii Slurm, zamawiać tylko potrzebne zasoby, robić małe pilotaże, checkpointy i planować zadania.

Source: https://greenai.guide/pl/jak/jak-zmniejszyc-slad-eksperymentow-z-ai-na-klastrze-badawczym/  
Updated: 2026-11-19

## W skrócie

Należy zacząć od pomiaru: wiele klastrów rejestruje energię każdego zadania w harmonogramie Slurm, a CodeCarbon lub kalkulator Green Algorithms mogą uzupełnić luki. Następnie należy zamawiać tylko tyle GPU, pamięci i czasu, ile potrzeba, testować pomysły na małą skalę, zapisywać checkpointy w długich zadaniach i planować elastyczne zadania na godziny czystszej sieci. Energię należy raportować dla całych projektów, a nie tylko dla końcowych uruchomień.

## Steps

1. Sprawdzić, czy klaster rejestruje energię zadań, np. w polu ConsumedEnergy w Slurm.
2. Zamawiać tylko tyle GPU, pamięci i czasu, ile zadanie faktycznie potrzebuje.
3. Przed skalowaniem eksperymentu przeprowadzić małe pilotaże.
4. Zapisywać checkpointy w długich zadaniach, aby awarie i przerwy nie marnowały wykonanej pracy.
5. Planować elastyczne zadania na godziny czystszej sieci, jeśli klaster na to pozwala.
6. Raportować energię na poziomie projektu, w tym strojenie i nieudane uruchomienia.

**We współdzielonych klastrach łatwo zapomnieć o energii, bo nikt nie widzi rachunku.** Jednak każde nadmiarowo
zamówione GPU i porzucone zadanie zużywa energię i każe innym czekać.

## Jak sprawdzić, ile zużywają moje zadania? {#how-do-i-see-what-my-jobs-use}

- **`sacct` w Slurm** może podawać ConsumedEnergy zadania, jeśli klaster ma włączone rozliczanie energii. Warto
  zapytać zespół obliczeń naukowych, czy jest ono włączone.
- **CodeCarbon** może działać wewnątrz zadań, a jego dokumentacja opisuje też węzły obliczeniowe bez dostępu do
  internetu.
- **Green Algorithms**, autorstwa Lannelongue, Grealey i Inouye, szacuje ślad na podstawie sprzętu, czasu działania,
  pamięci i lokalizacji, co sprawdza się przy wcześniejszych zadaniach.

## Co daje największą różnicę {#what-makes-the-biggest-difference}

- **Zamówienia dopasowane do potrzeb.** Zamówienie czterech GPU i użycie jednego zostawia trzy zarezerwowane
  i bezczynne.
- **Pilotaże i wczesne zatrzymywanie.** Najwięcej energii idzie na eksplorację; słabe pomysły należy odrzucać
  wcześnie. Zob. [jak ograniczyć energię przeszukiwania hiperparametrów](/pl/jak/jak-zmniejszyc-zuzycie-energii-przy-przeszukiwaniu-hiperparametrow/).
- **Checkpointy**, aby awarie i limity czasu nie oznaczały zaczynania od nowa.
- **Ponowne wykorzystanie** wytrenowanych modeli i wspólnych zbiorów danych, zamiast przygotowywania własnych przez
  każdą osobę.

Brytyjski sandpit (intensywne warsztaty badawcze, na których naukowcy i przemysł wspólnie wypracowują pomysły na
projekty) poświęcony zielonej AI w 2026 roku, z udziałem matematyków, informatyków i przemysłu, podkreślił też, by
przed trenowaniem jakiegokolwiek modelu sprawdzić, czy problemu nie rozwiązuje już dobrze poznana metoda numeryczna.

## Częste błędy {#common-mistakes}

- **Traktowanie klastra jako darmowego.** GPU-godziny należy śledzić jak budżet; zob.
  [jak ustalić budżet obliczeniowy](/pl/jak/jak-ustalic-budzet-obliczeniowy-dla-projektu-badawczego/).
- **Raportowanie w publikacjach tylko końcowego uruchomienia.**

Zasady GREENER autorstwa Lannelongue i współpracowników to ramy dla zespołów i instytucji. Zob.
[przewodnik dla badaczy](/pl/poradniki/zielona-ai-dla-naukowcow/).

## Źródła

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
