Em resumo
Envolva o seu script de treinamento num rastreador de emissões como o CodeCarbon, que estima a energia da CPU, da GPU e da memória e a converte em carbono usando a rede elétrica local. Conte todas as execuções, incluindo ajustes e falhas, registre hardware, local e duração e publique o resultado junto com o modelo. Se você não tiver registros, uma calculadora como a Green Algorithms pode fazer a estimativa depois.
Passos
- Adicione um rastreador de emissões ao script de treinamento e pare-o num bloco finally para que ele sempre feche.
- Dê a cada execução um nome de projeto ou de experimento para poder comparar configurações.
- Registre o hardware, o tempo de execução, o local e a intensidade de carbono da rede usada.
- Conte as execuções de ajuste, as que falharam e as abandonadas, além da final.
- Coloque a energia e as emissões ao lado da precisão na sua tabela de resultados.
- Publique o número no model card ou no artigo.
Meça durante o treinamento, não depois. Números de treinamento registrados execução por execução permitem comparar configurações pela energia, além da precisão, e dão a compradores e colegas um número em que podem confiar.
O que determina a pegada?
Lacoste e colegas identificaram os principais fatores em 2019: a localização do servidor e a rede elétrica que ele usa, a duração do treinamento e a marca e o modelo do hardware. O carbono é a energia multiplicada pela intensidade de carbono da rede onde e quando o trabalho foi executado.
Que ferramentas devo usar?
- O CodeCarbon, um pacote Python de código aberto, estima a energia a partir da potência do processador, da GPU e da memória e a converte com dados da rede local. Os tutoriais dele mostram como acompanhar cada configuração e comparar a precisão com as emissões, e há orientações para clusters cujos nós de computação não têm acesso à internet.
- A Green Algorithms, uma calculadora de Lannelongue, Grealey e Inouye, estima uma pegada a partir do hardware, do tempo de execução, da memória e do local, o que serve para trabalhos que você não registrou.
- A Machine Learning CO2 Impact calculator, de Lacoste e colegas, faz uma estimativa parecida a partir do hardware, das horas, do provedor e da região.
Como publico o resultado?
Os model cards do Hugging Face têm um campo co2_eq_emissions para as emissões em gramas, a origem do número, o tipo
de treinamento (pré-treinamento ou ajuste fino), o local e o hardware usado. Preencha-o para cada modelo que você
lançar.
Erros comuns
- Informar só a execução final. Buscas de hiperparâmetros e execuções que falharam costumam ser a maior parte do total.
- Usar uma única média nacional anual quando existem dados regionais por hora. Veja como encontrar a intensidade de carbono da rede.
- Dar um único número sem método. Indique a ferramenta, a versão e o limite.
O método completo está em como medir a energia da IA.
Fontes
- Comparing model efficiency with carbon tracking, CodeCarbon documentation (2025)
- Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
- Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
- Quantifying the carbon emissions of machine learning, Lacoste, Luccioni, Schmidt and Dandres (2019)
- Displaying carbon emissions for your model, Hugging Face Hub documentation (2026)
Relacionados
Como informo o uso de energia da minha pesquisa em IA?
O que colocar num artigo sobre computação e energia: hardware, horas de GPU de todas as execuções, energia, local, carbono, custo de inferência e o limite usado.
Como meço a energia que a IA usa no meu próprio computador ou GPU?
Meça a energia da IA local com contadores de hardware, telemetria da GPU ou um medidor de tomada, amostre o trabalho todo e subtraia a base em repouso.
Como reduzo a energia do treinamento de um modelo?
As principais alavancas para cortar a energia do treinamento: partir de um modelo pré-treinado, ajustar o tamanho, precisão mista, parar cedo, local e hora limpos, medir.
Como medir a energia e o carbono da IA
Um guia prático para medir ou estimar a energia e o carbono do trabalho com IA: ferramentas, limites do sistema, métricas por tarefa e incerteza honesta.