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
- Liste os trabalhos de IA que podem esperar horas sem prejuízo, com o prazo real de cada um.
- Obtenha uma previsão de intensidade de carbono para a região onde o trabalho roda.
- Inicie os trabalhos flexíveis na janela mais limpa que ainda cumpra o prazo.
- Salve checkpoints, incluindo o estado do otimizador, para que os trabalhos longos possam pausar e retomar.
- 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
- Carbon Intensity API, National Energy System Operator (2025)
- Carbon Aware SDK, Green Software Foundation (2025)
- Use carbon-aware scheduling and region selection for AI workloads, Green Software Foundation, Green Software Patterns (2025)
- Electricity Maps data, Electricity Maps (2026)
Relacionados
Como escolho uma região de nuvem com baixo carbono?
Escolha uma região de nuvem com menos carbono para a IA: compare a intensidade de carbono e a energia livre de carbono por região, e pese latência, dados e custo.
Como encontro a intensidade de carbono da minha rede elétrica?
Onde obter dados de intensidade de carbono da rede para a pegada da IA: fontes regionais e horárias, como a Carbon Intensity API e a Electricity Maps.
Como rodo trabalhos de IA na capacidade ociosa da nuvem?
Rode trabalhos de IA interrompíveis em capacidade spot ou preemptível: use checkpoints e novas tentativas limpas e deixe em outro lugar o que não pode parar.
Treinamento e inferência de IA eficientes
Técnicas para desenvolvedores e pesquisadores reduzirem a energia da IA: poda, esparsidade, quantização, destilação, KV cache, batching, precisão mista e agendamento.