greenai.guide

Início › Como faço para…? › Como agendo o treinamento para quando a rede elétrica estiver mais verde?

Como faço para…?

Como agendo o treinamento para quando a rede elétrica estiver mais verde?

Atualizado · 1 min de leitura

Em resumo

Encontre os trabalhos que podem esperar, como treinamento, ajuste fino, avaliação e inferência em lote, e inicie-os quando uma previsão de intensidade de carbono mostrar que a rede está mais limpa. Salve checkpoints regulares para que os trabalhos longos possam pausar quando a intensidade subir e retomar quando ela cair, dentro de um prazo firme. O agendamento consciente do carbono corta o carbono, não a energia, então faça-o além do trabalho de eficiência.

Passos

  1. Liste os trabalhos de IA que podem esperar horas sem prejuízo, com o prazo real de cada um.
  2. Obtenha uma previsão de intensidade de carbono para a região onde o trabalho roda.
  3. Inicie os trabalhos flexíveis na janela mais limpa que ainda cumpra o prazo.
  4. Salve checkpoints, incluindo o estado do otimizador, para que os trabalhos longos possam pausar e retomar.
  5. Acompanhe a energia por trabalho, além do carbono, para que o agendamento não esconda o crescimento.

A maioria dos trabalhos de treinamento não precisa começar no instante em que você aperta enter. Movê-los para horas mais limpas reduz o carbono deles sem mudar nada no modelo.

De onde vêm as previsões?

  • Na Grã-Bretanha, a Carbon Intensity API do National Energy System Operator prevê a intensidade de carbono com mais de 96 horas de antecedência para 14 regiões.
  • A Electricity Maps fornece dados em tempo real e previsões para mais de 350 zonas no mundo todo.
  • O Carbon Aware SDK da Green Software Foundation é uma API web e uma ferramenta de linha de comando que usa esses dados para que o software possa "fazer mais quando a eletricidade vem de fontes limpas e de baixo carbono, e menos quando não vem".

Como lido com trabalhos longos?

O padrão da Green Software Foundation para cargas de IA sugere pausar e retomar os trabalhos de treinamento longos com base em limites de intensidade de carbono, quando for viável. Isso exige checkpoints regulares, incluindo o estado do otimizador, para que nada se perca quando um trabalho para. Meça o custo adicional dos checkpoints para que as pausas não custem mais do que economizam.

Erros comuns

  • Confundir carbono com energia. Deslocar um trabalho não faz com que ele use menos; um número de carbono em queda pode esconder uma energia em alta. Acompanhe os dois.
  • Deixar os prazos escorregarem. Faça do prazo um limite firme, não uma preferência.
  • Agendar com base em médias anuais. Você precisa de previsões por hora para a região onde o trabalho realmente roda.
  • Agendar trabalhos minúsculos. O ganho está nas execuções grandes e flexíveis, não em cada script.

Você também pode escolher uma região com menos carbono. Veja treinamento e inferência eficientes.

Fontes

  1. Carbon Intensity API, National Energy System Operator (2025)
  2. Carbon Aware SDK, Green Software Foundation (2025)
  3. Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
  4. Electricity Maps data, Electricity Maps (2026)

Junte-se a nós

Ajude a reduzir o impacto da IA no planeta

Receba novos guias, editais de financiamento e listagens dos diretórios por e-mail, cerca de uma vez por mês. Ou adicione seu produto, curso, doutorado ou pesquisa aos diretórios.

Sem rastreamento. Cancele a inscrição com um clique. Outras formas de participar · Privacidade