greenai.guide

Início › Como faço para…? › Como reduzo a pegada dos experimentos de IA num cluster de pesquisa?

Como faço para…?

Como reduzo a pegada dos experimentos de IA num cluster de pesquisa?

Atualizado · 1 min de leitura

Em resumo

Comece medindo: muitos clusters registram a energia por trabalho no agendador Slurm, e o CodeCarbon ou a calculadora Green Algorithms podem preencher as lacunas. Depois peça só as GPUs, a memória e o tempo de que precisa, teste as ideias em pequena escala, use checkpoints nos trabalhos longos e agende os flexíveis para quando a rede estiver mais limpa. Informe a energia de projetos inteiros, não só das execuções finais.

Passos

  1. Verifique se o seu cluster registra a energia dos trabalhos, por exemplo no campo ConsumedEnergy do Slurm.
  2. Peça só as GPUs, a memória e o tempo de execução de que o seu trabalho realmente precisa.
  3. Faça pequenos pilotos antes de aumentar a escala de um experimento.
  4. Use checkpoints nos trabalhos longos para que falhas e pausas não desperdicem o trabalho já feito.
  5. Agende os trabalhos flexíveis para as horas em que a rede está mais limpa, onde o cluster permitir.
  6. Informe a energia no nível do projeto, incluindo os ajustes e as execuções que falharam.

Clusters compartilhados tornam fácil ignorar a energia, porque ninguém vê a conta. Mas cada GPU pedida a mais e cada trabalho abandonado consomem energia e deixam outras pessoas esperando.

Como vejo o que os meus trabalhos usam?

  • O sacct do Slurm pode informar o ConsumedEnergy de um trabalho quando o cluster tem a contabilidade de energia ativada. Pergunte à sua equipe de computação científica se ela está ligada.
  • O CodeCarbon pode rodar dentro dos trabalhos, e a documentação dele cobre nós de computação sem acesso à internet.
  • A Green Algorithms, de Lannelongue, Grealey e Inouye, estima a pegada a partir do hardware, do tempo de execução, da memória e do local, o que serve para trabalhos passados.

O que faz a maior diferença

  • Pedidos do tamanho certo. Pedir quatro GPUs e usar uma deixa três reservadas e ociosas.
  • Pilotos e parada antecipada. A maior parte da energia vai para a exploração; descarte cedo as ideias fracas. Veja cortar a energia das buscas de hiperparâmetros.
  • Checkpoints, para que falhas e limites de tempo não obriguem a começar de novo.
  • Reutilização de modelos pré-treinados e de conjuntos de dados compartilhados, em vez de cada pessoa preparar os seus.

Um sandpit (laboratório colaborativo) britânico de IA verde realizado em 2026, com matemáticos, cientistas da computação e a indústria, também destacou a importância de verificar se um método numérico bem conhecido já resolve o problema antes mesmo de treinar um modelo.

Erros comuns

Os princípios GREENER, de Lannelongue e colegas, oferecem um quadro de referência para grupos e instituições. Veja o guia para pesquisadores.

Fontes

  1. Slurm sacct manual (ConsumedEnergy), SchedMD (2025)
  2. Using CodeCarbon on SLURM, CodeCarbon documentation (2025)
  3. Green Algorithms: quantifying the carbon footprint of computation, Lannelongue, Grealey and Inouye, Advanced Science (2021)
  4. GREENER principles for environmentally sustainable computational science, Lannelongue et al., Nature Computational Science (2023)

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