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

> Corte a energia de experimentos de IA em HPC: leia a contabilidade de energia do Slurm, peça só o que usa, faça pilotos, use checkpoints e agende trabalhos.

Source: https://greenai.guide/pt/como/como-reduzo-a-pegada-dos-experimentos-de-ia-num-cluster-de-pesquisa/  
Updated: 2026-11-19

## 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.

## Steps

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? {#how-do-i-see-what-my-jobs-use}

- 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 {#what-makes-the-biggest-difference}

- **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](/pt/como/como-reduzo-a-energia-das-buscas-de-hiperparametros/).
- **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 {#common-mistakes}

- **Tratar o cluster como se fosse gratuito.** Acompanhe as horas de GPU como um orçamento; veja
  [como definir um orçamento de computação](/pt/como/como-defino-um-orcamento-de-computacao-para-um-projeto-de-pesquisa/).
- **Informar só a execução final** nos artigos.

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

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
