Lernen Sie von Nikita Namjoshi, Developer Advocate bei Google Cloud und Google Fellow beim Permafrost Discovery Gateway, wie Sie die Umweltauswirkungen Ihrer Machine-Learning-Aufgaben messen und deren Nutzung mit sauberem Strom optimieren können.

1. Abfrage von Echtzeit-Stromnetzdaten: Erkunden Sie die Weltkarte und ermitteln Sie auf der Grundlage von Breiten- und Längenkoordinaten die Stromaufteilung einer Region (z. B. Wind, Wasser, Kohle usw.) und die Kohlenstoffintensität (CO2-Äquivalentemissionen pro kWh verbrauchter Energie). 2. Trainieren Sie ein Modell mit kohlenstoffarmer Energie: Wählen Sie eine Region mit einem niedrigen MITTELWERT an Kohlenstoffintensität, um Ihren Trainingsauftrag und Ihre Daten hochzuladen. Optimieren Sie noch weiter, indem Sie die Region mit der niedrigsten Kohlenstoffintensität anhand von Echtzeit-Netzdaten von ElectricityMaps auswählen. 3. Rufen Sie Messungen des Kohlenstoff-Fußabdrucks für laufende Cloud-Aufträge ab. 4. Verwenden Sie das Google Cloud Carbon Footprint-Tool, das eine umfassende Messung Ihres CO2-Fußabdrucks liefert, indem es die Treibhausgasemissionen aus Ihrer Nutzung von Google Cloud schätzt. Während des Kurses arbeiten Sie mit ElectricityMaps, einer kostenlosen API für die Abfrage von Stromnetzinformationen weltweit. Sie werden auch Google Cloud verwenden, um einen Modell-Trainingsjob in einem Cloud-Rechenzentrum auszuführen, das mit kohlenstoffarmer Energie betrieben wird. Legen Sie los und lernen Sie, wie Sie als Entwickler kohlenstoffbewusstere Entscheidungen treffen können!