Apprenez à effectuer des travaux d'apprentissage et d'inférence de modèles avec de l'énergie plus propre et à faible émission de carbone dans le cloud ! Découvrez avec Nikita Namjoshi, developer advocate chez Google Cloud et Google Fellow sur le Permafrost Discovery Gateway, comment mesurer l'impact environnemental de vos travaux d'apprentissage automatique, mais aussi comment optimiser leur utilisation d'électricité propre.

1. Interrogez les données du réseau électrique en temps réel : Explorez la carte du monde et, sur la base des coordonnées de latitude et de longitude, obtenez la répartition de l'énergie d'une région (par exemple, éolienne, hydroélectrique, charbon, etc.) et l'intensité carbone (émissions d'équivalent CO2 par kWh d'énergie consommée). 2. Entraîner un modèle avec une énergie à faible teneur en carbone : Sélectionnez une région dont l'intensité moyenne en carbone est faible pour télécharger votre travail et vos données d'entraînement. Optimisez encore plus en sélectionnant la région à la plus faible intensité carbone à l'aide des données de réseau en temps réel d'ElectricityMaps. 3. Récupérez les mesures de l'empreinte carbone pour les travaux en cours dans le nuage. 4. Utilisez l'outil Google Cloud Carbon Footprint, qui fournit une mesure complète de votre empreinte carbone en estimant les émissions de gaz à effet de serre liées à votre utilisation de Google Cloud. Tout au long du cours, vous travaillerez avec ElectricityMaps, une API gratuite permettant d'interroger des informations sur les réseaux électriques à l'échelle mondiale. Vous utiliserez également Google Cloud pour exécuter une tâche de formation dans un centre de données alimenté par une énergie à faible teneur en carbone. Commencez et apprenez à prendre des décisions plus respectueuses de l'environnement en tant que développeur !