# Como defino um orçamento de computação para um projeto de pesquisa?

> Defina e acompanhe um orçamento de computação para pesquisa em IA: estime horas de GPU, faça pilotos, pare cedo execuções fracas, reutilize modelos e relate resultados.

Source: https://greenai.guide/pt/como/como-defino-um-orcamento-de-computacao-para-um-projeto-de-pesquisa/  
Updated: 2026-11-19

## Em resumo

Estime as horas de GPU de que os seus experimentos principais precisam, acrescente uma margem para exploração e acompanhe o uso em relação a esse orçamento como se fosse dinheiro. Teste as ideias em pequena escala, pare cedo as execuções fracas, reutilize modelos pré-treinados e checkpoints e apresente os resultados em relação à computação que exigiram. Um orçamento torna as escolhas visíveis e acaba com os ajustes sem fim.

## Steps

1. Estime as horas de GPU dos experimentos principais e acrescente uma margem declarada para exploração.
2. Faça pilotos em pequena escala para descartar ideias antes de aumentar a escala.
3. Acompanhe as horas de GPU e a energia por experimento em relação ao orçamento.
4. Use a parada antecipada nas execuções fracas em vez de grandes buscas em grade.
5. Reutilize modelos pré-treinados e checkpoints quando forem adequados.
6. Apresente os resultados em relação à computação, como precisão por kWh.

**Decida com antecedência quanta computação o projeto pode usar e acompanhe esse uso.** Sem um orçamento, as
execuções extras parecem gratuitas, e a energia de um pequeno ganho de precisão nunca é posta na balança.

## Como estimo o orçamento? {#how-do-i-estimate-the-budget}

Parta dos experimentos do seu plano: o tamanho do modelo, o tamanho dos dados e o número de execuções dão as horas de
GPU aproximadas. A calculadora Green Algorithms, de Lannelongue, Grealey e Inouye, transforma o hardware, o tempo de
execução, a memória e o local numa estimativa de energia e de carbono, o que ajuda a ver o que o orçamento significa.
Acrescente uma margem explícita para exploração em vez de deixá-la em aberto.

## O que mantém um projeto dentro do orçamento? {#what-keeps-a-project-inside-budget}

- **Pequenos pilotos primeiro.** Descarte ideias com modelos pequenos e subconjuntos dos dados.
- **Buscas eficientes.** Pare cedo as execuções fracas; veja [cortar a energia das buscas de hiperparâmetros](/pt/como/como-reduzo-a-energia-das-buscas-de-hiperparametros/).
- **Reutilização.** Parta de modelos pré-treinados e de checkpoints salvos; veja [evitar treinar do zero](/pt/como/como-evito-treinar-um-modelo-do-zero/).
- **Escolha onde e em que você roda.** Patterson e colegas concluíram que a escolha do modelo, do data center e do
  processador pode reduzir a pegada de carbono do treinamento em até cerca de 100 a 1.000 vezes.

## Erros comuns {#common-mistakes}

- **Orçar só as execuções finais.** A exploração costuma ser a maior parte da computação.
- **Não ter checkpoints,** de modo que uma falha obriga a começar de novo.
- **Informar só a melhor precisão,** o que recompensa gastar mais.

Os princípios GREENER, de Lannelongue e colegas, oferecem um quadro de referência para grupos e instituições. Veja o
[guia para pesquisadores](/pt/guias/ia-verde-para-pesquisadores/).

## Fontes

- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [Carbon emissions and large neural network training](https://arxiv.org/abs/2104.10350), Patterson et al. (2021)
