greenai.guide

Início › Como faço para…? › Como informo o uso de energia da minha pesquisa em IA?

Como faço para…?

Como informo o uso de energia da minha pesquisa em IA?

Atualizado · 1 min de leitura

Em resumo

Informe o hardware, as horas de GPU de todas as execuções, incluindo ajustes e falhas, a energia em kWh com a ferramenta usada, o local e a intensidade de carbono da rede, as emissões em kg CO₂e e a energia de inferência com um tamanho de lote declarado. Diga o que o limite inclui e quão incertos são os números. Medir à medida que avança, com uma ferramenta como o CodeCarbon, transforma isto numa tabela em vez de uma reconstrução.

Passos

  1. Acompanhe a energia de cada execução desde o início do projeto, não só da final.
  2. Informe o hardware, as horas de GPU, a energia, o local, a intensidade de carbono da rede e as emissões numa tabela padrão.
  3. Dê a energia de inferência por 1.000 pedidos com um tamanho de lote e um comprimento de sequência declarados.
  4. Indique o limite, incluindo se os custos adicionais do data center são contados.
  5. Apresente os resultados em relação à computação, como precisão por kWh, ao lado da melhor pontuação.

Informe a computação e a energia como resultados padrão, não como uma nota de rodapé. Sem elas, as alegações de eficiência não podem ser verificadas, e os leitores não sabem se um pequeno ganho de precisão custou dez vezes mais energia.

O argumento foi apresentado cedo: Strubell, Ganesh e McCallum quantificaram em 2019 o custo financeiro e ambiental de treinar vários modelos de linguagem, e Schwartz e colegas defenderam, em "Green AI", que a eficiência fosse informada ao lado da precisão.

O que a tabela deve incluir?

Item Exemplo
Hardware Modelo e número de GPUs, CPU, memória
Tempo de execução Horas de GPU das execuções finais e de todos os ajustes e execuções que falharam
Energia kWh, medida ou estimada, com a ferramenta e a versão
Local País ou região da rede, e a intensidade de carbono usada
Emissões kg CO₂e
Inferência Energia por 1.000 pedidos com um tamanho de lote e um comprimento de sequência declarados
Limite Se a refrigeração e os custos adicionais do data center (PUE) estão incluídos

Se você lançar o modelo, copie os números para o campo co2_eq_emissions do model card no Hugging Face.

Erros comuns

  • Informar só a execução vencedora. A busca por trás dela costuma ser a maior parte da energia.
  • Não indicar a incerteza. As estimativas por modelos de potência podem diferir dos valores medidos; dê uma faixa.
  • Deixar de fora os resultados negativos. Um método de eficiência que não funcionou poupa outras pessoas de repeti-lo.

Os princípios GREENER, de Lannelongue e colegas, oferecem um quadro mais amplo para grupos e instituições. Veja o guia para pesquisadores e como medir a energia da IA.

Fontes

  1. Energy and policy considerations for deep learning in NLP, Strubell, Ganesh and McCallum, ACL (2019)
  2. Green AI, Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
  3. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)
  4. Displaying carbon emissions for your model, Hugging Face Hub documentation (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