Well-Architected Framework: Pilar keberlanjutan

Last reviewed 2026-10-28 UTC

Pilar keberlanjutan dalam Google Cloud Well-Architected Framework memberikan rekomendasi untuk merancang, membangun, dan mengelola workload di Google Cloud yang hemat energi dan sadar karbon.

Target audiens untuk dokumen ini mencakup pengambil keputusan, arsitek, administrator, developer, dan operator yang mendesain, membangun, men-deploy, dan memelihara workload di Google Cloud.

Keputusan arsitektur dan operasional memiliki dampak signifikan terhadap penggunaan energi, dampak air, dan jejak karbon yang didorong oleh workload Anda di cloud. Setiap workload, baik situs kecil maupun model ML berskala besar, mengonsumsi energi dan berkontribusi pada emisi karbon dan intensitas sumber daya air. Saat mengintegrasikan keberlanjutan ke dalam arsitektur cloud dan proses desain, Anda membangun sistem yang efisien, hemat biaya, dan berkelanjutan bagi lingkungan. Arsitektur yang berkelanjutan bersifat tangguh dan dioptimalkan, sehingga menciptakan feedback loop positif berupa efisiensi yang lebih tinggi, biaya yang lebih rendah, dan dampak lingkungan yang lebih rendah.

Berkelanjutan sejak awal: Hasil bisnis yang holistik

Keberlanjutan bukanlah kompromi terhadap tujuan bisnis inti lainnya; praktik keberlanjutan membantu mempercepat tujuan bisnis Anda yang lain. Pilihan arsitektur yang memprioritaskan resource dan operasi rendah karbon membantu Anda membangun sistem yang juga lebih cepat, lebih murah, dan lebih aman. Sistem tersebut dianggap berkelanjutan berdasarkan desain, dengan pengoptimalan untuk keberlanjutan menghasilkan hasil positif secara keseluruhan untuk performa, biaya, keamanan, ketahanan, dan pengalaman pengguna.

Pengoptimalan performa

Sistem yang dioptimalkan untuk performa secara inheren menggunakan lebih sedikit resource. Aplikasi efisien yang menyelesaikan tugas lebih cepat memerlukan resource komputasi untuk durasi yang lebih singkat. Oleh karena itu, hardware yang mendasarinya mengonsumsi lebih sedikit energi kilowatt-jam (kWh). Performa yang dioptimalkan juga menghasilkan latensi yang lebih rendah dan pengalaman pengguna yang lebih baik. Waktu dan energi tidak terbuang sia-sia karena resource menunggu proses yang tidak efisien. Saat Anda menggunakan hardware khusus (misalnya, GPU dan TPU), mengadopsi algoritma yang efisien, dan memaksimalkan pemrosesan paralel, Anda akan meningkatkan performa dan mengurangi jejak karbon workload cloud Anda.

Pengoptimalan biaya

Pengeluaran operasional cloud bergantung pada penggunaan resource. Karena korelasi langsung ini, saat Anda terus-menerus mengoptimalkan biaya, Anda juga mengurangi konsumsi energi dan emisi karbon. Saat Anda menyesuaikan ukuran VM, menerapkan penskalaan otomatis yang agresif, mengarsipkan data lama, dan menghilangkan resource nonaktif, Anda akan mengurangi penggunaan resource dan biaya cloud. Anda juga mengurangi jejak karbon sistem Anda, karena pusat data menggunakan lebih sedikit energi untuk menjalankan workload Anda.

Keamanan dan ketahanan

Keamanan dan keandalan adalah prasyarat untuk lingkungan cloud yang berkelanjutan. Sistem yang disusupi—misalnya, sistem yang terpengaruh oleh serangan denial of service (DoS) atau pelanggaran data yang tidak sah—dapat meningkatkan konsumsi resource secara drastis. Insiden ini dapat memicu lonjakan traffic yang sangat besar, menciptakan siklus komputasi yang tidak terkendali untuk mitigasi, dan memerlukan operasi yang panjang dan berenergi tinggi untuk analisis forensik, pembersihan, dan pemulihan data. Tindakan keamanan yang kuat dapat membantu mencegah lonjakan penggunaan resource yang tidak perlu, sehingga operasi Anda tetap stabil, dapat diprediksi, dan hemat energi.

Pengalaman pengguna

Sistem yang memprioritaskan efisiensi, performa, aksesibilitas, dan penggunaan data minimal dapat membantu mengurangi penggunaan energi oleh pengguna akhir. Aplikasi yang memuat model lebih kecil atau memproses lebih sedikit data untuk memberikan hasil lebih cepat membantu mengurangi energi yang digunakan oleh perangkat jaringan dan perangkat pengguna akhir. Pengurangan penggunaan energi ini sangat bermanfaat bagi pengguna yang memiliki bandwidth terbatas atau yang menggunakan perangkat lama. Selain itu, arsitektur yang berkelanjutan membantu meminimalkan kerusakan planet dan menunjukkan komitmen Anda terhadap teknologi yang bertanggung jawab secara sosial.

Nilai keberlanjutan dari migrasi ke cloud

Memigrasikan workload lokal ke cloud dapat membantu mengurangi jejak ekologi organisasi Anda. Transisi ke infrastruktur cloud dapat mengurangi penggunaan energi dan emisi terkait sebesar 1,4 hingga 2 kali lipat jika dibandingkan dengan deployment lokal biasa. Pusat data cloud adalah fasilitas modern yang dirancang khusus dan dibangun untuk efektivitas penggunaan energi (PUE) yang tinggi. Pusat data lokal yang lebih lama sering kali tidak memiliki skala yang diperlukan untuk membenarkan investasi dalam sistem pendinginan dan distribusi daya yang canggih.

Tanggung jawab bersama dan shared fate

Tanggung jawab bersama dan shared fate di Google Cloud menjelaskan bagaimana keamanan untuk workload cloud adalah tanggung jawab bersama antara Google dan Anda, pelanggan. Model tanggung jawab bersama ini juga berlaku untuk keberlanjutan.

Google bertanggung jawab atas keberlanjutan Google Cloud, yang berarti efisiensi energi dan penatalayanan air di pusat data, infrastruktur, dan layanan inti kami. Kami terus berinvestasi dalam energi terbarukan, pendinginan yang sadar iklim, dan pengoptimalan hardware. Untuk mengetahui informasi selengkapnya tentang strategi dan progres keberlanjutan Google, lihat Laporan Lingkungan Google Menjaga Bumi 2026.

Anda, sebagai pelanggan, bertanggung jawab atas keberlanjutan di cloud, yang berarti mengoptimalkan workload Anda agar hemat energi. Misalnya, Anda dapat menyesuaikan ukuran resource, menggunakan layanan serverless yang diskalakan ke nol, dan mengelola siklus proses data secara efektif.

Kami juga mendukung model shared fate: keberlanjutan bukan sekadar pembagian tugas, melainkan kemitraan kolaboratif antara Anda dan Google untuk mengurangi jejak ekologi bagi seluruh ekosistem.

Menggunakan AI untuk dampak bisnis

Pilar keberlanjutan Well-Architected Framework (dokumen ini) mencakup panduan untuk membantu Anda mendesain sistem AI yang berkelanjutan. Namun, strategi keberlanjutan yang komprehensif tidak hanya mencakup dampak lingkungan dari workload AI. Strategi ini harus mencakup cara menggunakan AI untuk mengoptimalkan operasi dan menciptakan nilai bisnis baru.

AI berfungsi sebagai katalis untuk keberlanjutan dengan mengubah set data yang sangat besar menjadi hasil analisis yang bisa ditindaklanjuti. Hal ini memungkinkan organisasi bertransisi dari kepatuhan reaktif ke pengoptimalan proaktif, seperti di area berikut:

  • Efisiensi operasional: Sederhanakan operasi melalui peningkatan pengelolaan inventaris, pengoptimalan supply chain, dan pengelolaan energi yang cerdas.
  • Transparansi dan risiko: Gunakan data untuk transparansi supply chain yang mendetail, kepatuhan terhadap peraturan, dan pemodelan risiko iklim.
  • Nilai dan pertumbuhan: Kembangkan sumber pendapatan baru dalam keuangan berkelanjutan dan recommerce.

Google menawarkan produk dan fitur berikut untuk membantu Anda memperoleh insight dari data dan membangun kemampuan untuk masa depan yang berkelanjutan:

  • Google Earth AI: Menggunakan data geospasial berskala planet untuk menganalisis perubahan lingkungan dan memantau dampak supply chain.
  • WeatherNext: Menyediakan perkiraan cuaca dan analisis risiko iklim tingkat lanjut untuk membantu Anda membangun ketahanan terhadap volatilitas iklim.
  • Insight geospasial dengan Google Earth: Menggunakan data geospasial untuk menambahkan data kontekstual yang lengkap ke lokasi, sehingga memungkinkan pemilihan lokasi, perencanaan resource, dan operasi yang lebih cerdas.
  • Pengoptimalan rute Google Maps: Mengoptimalkan rute logistik dan pengiriman untuk meningkatkan efisiensi serta mengurangi konsumsi bahan bakar dan emisi transportasi.

Kolaborasi dengan partner dan pelanggan

Google Cloud dan TELUS telah bermitra untuk memajukan keberlanjutan cloud dengan memigrasikan workload ke infrastruktur 0 jejak karbon Google dan memanfaatkan analisis data untuk mengoptimalkan operasi. Kolaborasi ini memberikan manfaat sosial dan lingkungan melalui inisiatif seperti teknologi smart city, yang menggunakan data real-time untuk mengurangi kemacetan lalu lintas dan emisi karbon di seluruh kota di Kanada. Untuk mengetahui informasi selengkapnya tentang kolaborasi ini, lihat Google Cloud dan TELUS berkolaborasi untuk keberlanjutan.

Mengevaluasi workload menggunakan keahlian agen

Agar agen AI dapat mengevaluasi workload cloud Anda berdasarkan prinsip dan rekomendasi dalam pilar ini, gunakan keahlian google-cloud-waf-sustainability, yang tersedia di repositori Google Agent Skills di GitHub.

Untuk menginstal skill, jalankan perintah berikut di klien atau terminal agen Anda:

npx skills add google/skills --skill google-cloud-waf-sustainability

Jika diminta, tentukan agen AI yang ingin Anda instal keterampilannya dan tetapkan cakupan penginstalan (project atau global).

Jika Anda sudah menginstal skill, Anda dapat mengupdatenya ke versi terbaru dengan menjalankan perintah berikut:

npx skills update

Prinsip inti

Rekomendasi dalam pilar keberlanjutan Well-Architected Framework dipetakan ke prinsip inti berikut:

Kontributor

Penulis: Brett Tackaberry | Principal Architect

Kontributor lainnya:

Menggunakan region yang mengonsumsi energi rendah karbon

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk membantu Anda memilih region rendah karbon untuk workload Anda di Google Cloud.

Ringkasan prinsip

Saat Anda berencana men-deploy workload di Google Cloud, keputusan arsitektur yang penting adalah pilihan region Google Cloud untuk workload. Keputusan ini memengaruhi jejak karbon workload Anda. Untuk meminimalkan jejak karbon, strategi pemilihan region Anda harus menyertakan elemen berikut:

  • Pemilihan berbasis data: Untuk mengidentifikasi dan memprioritaskan region, pertimbangkan indikator ikon daun CO2 Rendah dan metrik energi bebas karbon (CFE).
  • Tata kelola berbasis kebijakan: Batasi pembuatan resource ke lokasi yang optimal bagi lingkungan dengan menggunakan batasan lokasi resource di Organization Policy Service.
  • Fleksibilitas operasional: Gunakan teknik seperti pergeseran waktu dan penjadwalan berbasis karbon untuk menjalankan workload batch selama jam-jam ketika intensitas karbon jaringan listrik berada pada titik terendah.

Listrik yang digunakan untuk mendukung aplikasi dan workload Anda di cloud merupakan faktor penting yang memengaruhi pilihan region Google Cloud Anda. Selain itu, pertimbangkan faktor-faktor berikut:

  • Residensi dan kedaulatan data: Lokasi tempat Anda perlu menyimpan data adalah faktor dasar yang menentukan pilihan region Google CloudAnda. Pilihan ini memengaruhi kepatuhan terhadap persyaratan residensi data lokal.
  • Latensi untuk pengguna akhir: Jarak geografis antara pengguna akhir Anda dan region tempat Anda men-deploy aplikasi memengaruhi pengalaman pengguna dan performa aplikasi.
  • Biaya: Harga untuk resource Google Cloud dapat berbeda di berbagai region.

Alat Google Cloud Pemilih Region membantu Anda memilih region Google Cloud yang optimal berdasarkan persyaratan Anda untuk jejak karbon, biaya, dan latensi. Anda juga dapat menggunakan Cloud Location Finder untuk menemukan lokasi cloud di Google Cloud dan penyedia lainnya berdasarkan persyaratan Anda untuk kedekatan, penggunaan energi bebas karbon (CFE), dan parameter lainnya.

Rekomendasi

Untuk men-deploy workload cloud Anda di region rendah karbon, pertimbangkan rekomendasi di bagian berikut. Rekomendasi ini didasarkan pada panduan dalam Energi bebas karbon untuk region Google Cloud .

Memahami intensitas karbon region cloud

Pusat dataGoogle Cloud di suatu region menggunakan energi dari jaringan listrik tempat region tersebut berada. Google mengukur dampak karbon suatu region dengan menggunakan metrik CFE, yang dihitung setiap jam. CFE menunjukkan persentase energi bebas karbon dari total energi yang dikonsumsi selama satu jam. Metrik CFE bergantung pada dua faktor:

  • Jenis pembangkit listrik yang menyuplai jaringan selama periode tertentu.
  • Energi bersih yang diatribusikan ke Google yang disuplai ke jaringan listrik selama waktu tersebut.

Untuk mengetahui informasi tentang CFE% per jam rata-rata gabungan untuk setiap regionGoogle Cloud , lihat Energi bebas karbon untuk region Google Cloud . Anda juga bisa mendapatkan data ini dalam format yang dapat dibaca mesin dari repositori Energi bebas karbon untuk region Google Cloud di GitHub dan set data publik BigQuery.

Sertakan CFE dalam strategi pemilihan lokasi Anda

Pertimbangkan rekomendasi berikut:

  • Pilih region terbersih untuk aplikasi Anda. Jika Anda berencana menjalankan aplikasi dalam jangka waktu yang lama, jalankan aplikasi di region yang memiliki CFE% tertinggi. Untuk workload batch, Anda memiliki fleksibilitas yang lebih besar dalam memilih region karena Anda dapat memprediksi kapan workload harus dijalankan.
  • Pilih region rendah karbon. Halaman tertentu di situs Google Cloud dan pemilih lokasi di konsol Google Cloud menampilkan indikatorikon daun Rendah CO2 untuk region yang memiliki dampak karbon terendah.
  • Batasi pembuatan resource ke region rendah karbon Google Cloud tertentu menggunakan batasan Kebijakan Organisasi lokasi resource. Misalnya, untuk mengizinkan pembuatan resource hanya di region rendah karbon yang berbasis di AS, buat batasan yang menentukan grup nilai in:us-low-carbon-locations.

Saat memilih lokasi untuk resource Google Cloud Anda, pertimbangkan juga praktik terbaik untuk pemilihan region, termasuk faktor seperti persyaratan residensi data, latensi ke pengguna akhir, redundansi aplikasi, ketersediaan layanan, dan harga.

Menggunakan penjadwalan waktu

Intensitas karbon jaringan listrik dapat bervariasi secara signifikan sepanjang hari. Variasi ini bergantung pada campuran sumber energi yang menyuplai jaringan listrik. Anda dapat menjadwalkan workload, terutama yang fleksibel atau tidak mendesak, untuk dijalankan saat jaringan listrik disuplai oleh proporsi CFE yang lebih tinggi.

Misalnya, banyak jaringan memiliki persentase CFE yang lebih tinggi selama jam di luar jam sibuk atau saat sumber energi terbarukan seperti tenaga surya dan angin menyuplai lebih banyak daya ke jaringan. Dengan menjadwalkan tugas yang memerlukan komputasi intensif seperti pelatihan model dan inferensi batch berskala besar selama jam-jam dengan CFE yang lebih tinggi, Anda dapat mengurangi emisi karbon terkait secara signifikan tanpa memengaruhi performa atau biaya. Pendekatan ini dikenal sebagai pergeseran waktu, di mana Anda menggunakan sifat dinamis intensitas karbon jaringan untuk mengoptimalkan workload Anda demi keberlanjutan.

Mengoptimalkan beban kerja AI dan ML agar hemat energi

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk mengoptimalkan workload AI dan ML guna mengurangi penggunaan energi dan jejak karbonnya.

Ringkasan prinsip

Untuk mengoptimalkan workload AI dan ML demi keberlanjutan, Anda perlu mengadopsi pendekatan holistik dalam mendesain, men-deploy, dan mengoperasikan workload. Pilih model yang sesuai dan hardware khusus seperti Tensor Processing Unit (TPU), jalankan workload di region rendah karbon, optimalkan untuk mengurangi penggunaan resource, dan terapkan praktik terbaik operasional.

Praktik arsitektur dan operasional yang mengoptimalkan biaya dan performa workload AI dan ML secara inheren akan mengurangi konsumsi energi dan menurunkan jejak karbon. Perspektif AI dan ML dalam Well-Architected Framework menjelaskan prinsip dan rekomendasi untuk merancang, membangun, dan mengelola workload AI dan ML yang memenuhi sasaran operasional, keamanan, keandalan, biaya, dan performa Anda. Selain itu, Cloud Architecture Center menyediakan arsitektur referensi dan panduan desain mendetail untuk workload AI dan ML di Google Cloud.

Rekomendasi

Untuk mengoptimalkan workload AI dan ML demi efisiensi energi, pertimbangkan rekomendasi di bagian berikut.

Membangun arsitektur untuk efisiensi energi menggunakan TPU

Workload AI dan ML dapat memerlukan komputasi yang intensif. Konsumsi energi oleh workload AI dan ML merupakan pertimbangan utama untuk keberlanjutan. TPU memungkinkan Anda meningkatkan efisiensi energi dan keberlanjutan workload AI dan ML secara signifikan.

TPU adalah akselerator yang dirancang khusus dan dibuat khusus untuk workload AI dan ML. Arsitektur khusus TPU membuatnya sangat efektif untuk perkalian matriks skala besar, yang merupakan dasar dari deep learning. TPU dapat melakukan tugas kompleks dalam skala besar dengan efisiensi yang lebih tinggi daripada prosesor tujuan umum seperti CPU atau GPU.

TPU memberikan manfaat langsung berikut untuk keberlanjutan:

  • Konsumsi energi yang lebih rendah: TPU dirancang untuk efisiensi energi yang optimal. TPU memberikan komputasi yang lebih tinggi per watt energi yang dikonsumsi. Arsitektur khususnya secara signifikan mengurangi permintaan daya untuk tugas pelatihan dan inferensi berskala besar, sehingga mengurangi biaya operasional dan menurunkan konsumsi energi.
  • Pelatihan dan inferensi yang lebih cepat: Performa TPU yang luar biasa memungkinkan Anda melatih model AI yang kompleks dalam hitungan jam, bukan hari. Pengurangan waktu komputasi total yang signifikan ini berkontribusi langsung pada jejak ekologi yang lebih kecil.
  • Mengurangi kebutuhan pendinginan: TPU menggunakan pendinginan cairan canggih, yang memberikan pengelolaan termal yang efisien dan secara signifikan mengurangi energi yang digunakan untuk mendinginkan pusat data.
  • Pengoptimalan siklus proses AI: Dengan mengintegrasikan hardware dan software, TPU memberikan solusi yang dioptimalkan di seluruh siklus proses AI, mulai dari pemrosesan data hingga penyajian model.

Mengikuti praktik terbaik 4M untuk pemilihan resource

Google merekomendasikan serangkaian praktik terbaik untuk mengurangi penggunaan energi dan emisi karbon secara signifikan untuk workload AI dan ML. Kami menyebut praktik terbaik ini 4M:

  • Model: Untuk kasus penggunaan khusus, pilih model yang dibuat khusus yang menggunakan lebih sedikit resource komputasi daripada model besar untuk tujuan umum.
  • Mesin: Pilih prosesor dan sistem yang dioptimalkan untuk pelatihan ML. Prosesor ini meningkatkan performa dan efisiensi energi sebesar 2-5 kali lipat jika dibandingkan dengan prosesor tujuan umum.
  • Mekanisasi: Deploy workload intensif komputasi Anda di cloud. Workload Anda menggunakan lebih sedikit energi dan menghasilkan emisi yang lebih rendah sebesar 1,4 hingga 2 kali lipat dibandingkan dengan deployment lokal. Pusat data cloud menggunakan gudang baru yang dirancang khusus untuk efisiensi energi dan memiliki rasio efektivitas penggunaan energi (PUE) yang tinggi. Pusat data lokal biasanya lebih tua dan lebih kecil, sehingga investasi dalam sistem distribusi daya dan pendinginan yang hemat energi mungkin tidak ekonomis.
  • Peta: Pilih Google Cloud lokasi yang menggunakan energi paling bersih. Pendekatan ini membantu mengurangi jejak karbon kotor dari workload Anda sebanyak 5-10 kali lipat. Untuk mengetahui informasi selengkapnya, lihat Energi bebas karbon untuk region Google Cloud .

Untuk mengetahui informasi selengkapnya tentang praktik terbaik dan metrik efisiensi 4M, lihat makalah penelitian berikut:

Mengoptimalkan model dan algoritma AI untuk pelatihan dan inferensi

Arsitektur model AI dan algoritma yang digunakan untuk pelatihan dan inferensi memiliki dampak signifikan terhadap konsumsi energi. Pertimbangkan rekomendasi berikut.

Memilih model AI yang efisien

Pilih model AI yang lebih kecil dan lebih efisien yang memenuhi persyaratan performa Anda. Jangan memilih model terbesar yang tersedia sebagai pilihan default. Misalnya, versi model yang lebih kecil dan didistilasi seperti DistilBERT dapat memberikan performa yang serupa dengan overhead komputasi yang jauh lebih sedikit dan inferensi yang lebih cepat daripada model yang lebih besar seperti BERT.

Menggunakan solusi yang sangat efisien dan spesifik per domain

Pilih solusi ML khusus yang memberikan performa lebih baik dan memerlukan daya komputasi yang jauh lebih sedikit daripada model dasar yang besar. Solusi khusus ini sering kali telah dilatih sebelumnya dan dioptimalkan secara maksimal. Model ini dapat memberikan pengurangan yang signifikan dalam konsumsi energi dan upaya riset untuk workload pelatihan dan inferensi. Berikut adalah contoh solusi khusus spesifik per domain:

  • Earth AI adalah solusi hemat energi yang menyintesis data geospasial global dalam jumlah besar untuk memberikan hasil analisis yang tepat waktu, akurat, dan bisa ditindaklanjuti.
  • WeatherNext menghasilkan perkiraan cuaca global yang lebih cepat, lebih efisien, dan akurasi tinggi dibandingkan dengan metode konvensional berbasis fisika.

Menerapkan teknik kompresi model yang sesuai

Berikut adalah contoh teknik yang dapat Anda gunakan untuk kompresi model:

  • Pemangkasan: Menghapus parameter yang tidak diperlukan dari jaringan neural. Parameter ini tidak berkontribusi secara signifikan terhadap performa model. Teknik ini mengurangi ukuran model dan resource komputasi yang diperlukan untuk inferensi.
  • Kuantisasi: Mengurangi presisi parameter model. Misalnya, kurangi presisi dari floating point 32-bit menjadi bilangan bulat 8-bit. Teknik ini dapat membantu mengurangi jejak memori dan konsumsi daya secara signifikan tanpa penurunan akurasi yang terlihat.
  • Distilasi pengetahuan: Latih model siswa yang lebih kecil untuk meniru perilaku model pengajar yang lebih besar dan lebih kompleks. Model siswa dapat mencapai tingkat performa yang tinggi dengan parameter yang lebih sedikit dan menggunakan lebih sedikit energi.

Menggunakan hardware khusus

Seperti yang disebutkan dalam Mengikuti praktik terbaik 4M untuk pemilihan resource, pilih prosesor dan sistem yang dioptimalkan untuk pelatihan ML. Prosesor ini meningkatkan performa dan efisiensi energi hingga 2-5 kali lipat jika dibandingkan dengan prosesor tujuan umum.

Menggunakan parameter-efficient fine-tuning

Daripada menyesuaikan semua miliaran parameter model (fine-tuning penuh), gunakan metode parameter-efficient fine-tuning (PEFT) seperti low-rank adaptation (LoRA). Dengan teknik ini, Anda membekukan bobot model asli dan hanya melatih sejumlah kecil lapisan baru yang ringan. Pendekatan ini membantu mengurangi biaya dan konsumsi energi.

Mengikuti praktik terbaik untuk operasi AI dan ML

Praktik operasional sangat memengaruhi keberlanjutan workload AI dan ML Anda. Pertimbangkan rekomendasi berikut.

Mengoptimalkan proses pelatihan model

Gunakan teknik berikut untuk mengoptimalkan proses pelatihan model Anda:

  • Penghentian awal: Pantau proses pelatihan dan hentikan saat Anda tidak melihat peningkatan lebih lanjut dalam performa model terhadap set validasi. Teknik ini membantu Anda mencegah komputasi dan penggunaan energi yang tidak perlu.
  • Pemuatan data yang efisien: Gunakan pipeline data yang efisien untuk memastikan bahwa GPU dan TPU selalu digunakan dan tidak menunggu data. Teknik ini membantu memaksimalkan pemanfaatan resource dan mengurangi pemborosan energi.
  • Penyesuaian hyperparameter yang dioptimalkan: Untuk menemukan hyperparameter yang optimal dengan lebih efisien, gunakan teknik seperti pengoptimalan Bayesian atau reinforcement learning. Hindari penelusuran petak yang menyeluruh, yang dapat menjadi operasi yang memerlukan banyak resource.

Meningkatkan efisiensi inferensi

Untuk meningkatkan efisiensi tugas inferensi AI, gunakan teknik berikut:

  • Pengelompokan: Kelompokkan beberapa permintaan inferensi dalam batch dan manfaatkan pemrosesan paralel di GPU dan TPU. Teknik ini membantu mengurangi biaya energi per prediksi.
  • Caching lanjutan: Terapkan strategi caching berlapis, yang mencakup caching kunci-nilai (KV) untuk pembuatan autoregresif dan caching perintah semantik untuk respons aplikasi. Teknik ini membantu menghindari komputasi model yang redundan dan dapat menghasilkan pengurangan yang signifikan dalam penggunaan energi dan emisi karbon.

Mengukur dan memantau

Pantau dan ukur parameter berikut:

  • Penggunaan dan biaya: Gunakan alat yang sesuai untuk melacak penggunaan token, konsumsi energi, dan jejak karbon workload AI Anda. Data ini membantu Anda mengidentifikasi peluang pengoptimalan dan melaporkan progres pencapaian sasaran keberlanjutan.
  • Performa: Terus pantau performa model dalam produksi. Mengidentifikasi masalah seperti pergeseran data, yang dapat mengindikasikan bahwa model perlu disesuaikan kembali. Jika perlu melatih ulang model, Anda dapat menggunakan model yang telah disesuaikan sebelumnya sebagai titik awal dan menghemat banyak waktu, uang, dan energi untuk melakukan update.

Untuk mengetahui informasi selengkapnya tentang cara mengoperasionalkan peningkatan berkelanjutan, lihat Mengukur dan meningkatkan keberlanjutan secara berkelanjutan.

Menerapkan penjadwalan berbasis karbon

Rancang tugas pipeline ML Anda untuk dijalankan di region dengan bauran energi terbersih. Gunakan laporan Jejak Karbon untuk mengidentifikasi region dengan intensitas karbon paling rendah. Jadwalkan tugas yang menggunakan banyak resource sebagai tugas batch selama periode saat jaringan listrik lokal memiliki persentase energi bebas karbon (CFE) yang lebih tinggi.

Optimalkan pipeline data

Operasi dan penyesuaian ML memerlukan set data yang bersih dan berkualitas tinggi. Sebelum memulai tugas ML, gunakan layanan pemrosesan data terkelola untuk menyiapkan data secara efisien. Misalnya, gunakan Dataflow untuk streaming dan batch processing, serta gunakan Managed Service untuk Apache Spark untuk pipeline Spark dan Hadoop terkelola. Pipeline data yang dioptimalkan membantu memastikan bahwa workload fine-tuning Anda tidak menunggu data, sehingga Anda dapat memaksimalkan pemanfaatan resource dan membantu mengurangi energi yang terbuang.

Menerapkan MLOps

Untuk mengotomatiskan dan mengelola seluruh siklus proses ML, terapkan praktik Operasi ML (MLOps). Praktik ini membantu memastikan bahwa model terus dipantau, divalidasi, dan di-deploy ulang secara efisien, sehingga membantu mencegah pelatihan atau alokasi resource yang tidak perlu.

Menggunakan layanan terkelola

Daripada mengelola infrastruktur Anda sendiri, gunakan layanan cloud terkelola seperti Gemini Enterprise Agent Platform. Platform cloud menangani pengelolaan resource yang mendasarinya, sehingga Anda dapat berfokus pada proses fine-tuning. Gunakan layanan yang menyertakan alat bawaan untuk penyesuaian hyperparameter, pemantauan model, dan pengelolaan resource.

Langkah berikutnya

Mengoptimalkan penggunaan resource untuk keberlanjutan

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk membantu Anda mengoptimalkan penggunaan resource oleh workload Anda di Google Cloud.

Ringkasan prinsip

Mengoptimalkan penggunaan resource sangat penting untuk meningkatkan keberlanjutan lingkungan cloud Anda. Setiap resource yang disediakan—mulai dari siklus komputasi hingga penyimpanan data—secara langsung memengaruhi penggunaan energi, intensitas air, dan emisi karbon. Untuk mengurangi jejak ekologi workload, Anda harus membuat pilihan yang tepat saat menyediakan, mengelola, dan menggunakan resource cloud.

Rekomendasi

Untuk mengoptimalkan penggunaan resource, pertimbangkan rekomendasi di bagian berikut.

Menerapkan penskalaan otomatis dan dinamis

Penskalaan otomatis dan dinamis memastikan penggunaan resource yang optimal, sehingga membantu mencegah pemborosan energi dari infrastruktur yang tidak digunakan atau disediakan secara berlebihan. Pengurangan energi yang terbuang akan menghasilkan biaya dan emisi karbon yang lebih rendah.

Gunakan teknik berikut untuk menerapkan skalabilitas otomatis dan dinamis.

Menggunakan penskalaan horizontal

Penskalaan horizontal adalah teknik penskalaan yang lebih disukai untuk sebagian besar aplikasi cloud-first. Daripada meningkatkan ukuran setiap instance, yang dikenal sebagai penskalaan vertikal, Anda menambahkan instance untuk mendistribusikan beban. Misalnya, Anda dapat menggunakan grup instance terkelola (MIG) untuk menskalakan grup VM Compute Engine secara otomatis. Infrastruktur yang diskalakan secara horizontal lebih tangguh karena kegagalan instance tidak memengaruhi ketersediaan aplikasi. Penskalaan horizontal juga merupakan teknik yang hemat resource untuk aplikasi yang memiliki tingkat beban bervariasi.

Mengonfigurasi kebijakan penskalaan yang sesuai

Konfigurasi setelan penskalaan otomatis berdasarkan persyaratan workload Anda. Menentukan metrik dan nilai minimum kustom yang spesifik untuk perilaku aplikasi. Daripada hanya mengandalkan pemakaian CPU, pertimbangkan metrik seperti kedalaman antrean untuk tugas asinkron, latensi permintaan, dan metrik aplikasi kustom. Untuk mencegah penskalaan yang sering dan tidak perlu atau flapping, tentukan kebijakan penskalaan yang jelas. Misalnya, untuk workload yang Anda deploy di Google Kubernetes Engine (GKE), konfigurasikan kebijakan penskalaan otomatis cluster yang sesuai.

Menggabungkan penskalaan reaktif dan proaktif

Dengan penskalaan reaktif, sistem melakukan penskalaan sebagai respons terhadap perubahan beban secara real-time. Teknik ini cocok untuk aplikasi yang memiliki lonjakan beban yang tidak dapat diprediksi.

Penskalaan proaktif cocok untuk workload dengan pola yang dapat diprediksi, seperti jam kerja harian tetap dan pembuatan laporan mingguan. Untuk workload tersebut, gunakan penskalaan otomatis terjadwal untuk menyediakan resource terlebih dahulu sehingga dapat menangani tingkat beban yang diantisipasi. Teknik ini mencegah perebutan resource dan memastikan pengalaman pengguna yang lebih lancar dengan efisiensi yang lebih tinggi. Teknik ini juga membantu Anda merencanakan secara proaktif lonjakan beban yang diketahui, seperti acara diskon besar dan upaya pemasaran yang terfokus.

Layanan dan fitur terkelolaGoogle Cloud seperti GKE Autopilot, Cloud Run, dan MIG secara otomatis mengelola penskalaan proaktif dengan mempelajari pola workload Anda. Secara default, jika layanan Cloud Run tidak menerima traffic apa pun, layanan tersebut akan diskalakan ke nol instance.

Mendesain aplikasi stateless

Agar aplikasi dapat diskalakan secara horizontal, komponennya harus stateless. Artinya, sesi atau data pengguna tertentu tidak terikat ke satu instance komputasi. Saat Anda menyimpan status sesi di luar instance komputasi, seperti di Memorystore for Redis, instance komputasi apa pun dapat menangani permintaan dari pengguna mana pun. Pendekatan desain ini memungkinkan penskalaan horizontal yang lancar dan efisien.

Menggunakan penjadwalan dan batch

Batch processing ideal untuk workload berskala besar yang tidak mendesak. Tugas batch dapat membantu mengoptimalkan workload Anda untuk efisiensi energi dan biaya.

Gunakan teknik berikut untuk menerapkan penjadwalan dan tugas batch.

Jadwalkan untuk intensitas karbon rendah

Jadwalkan tugas batch Anda untuk dijalankan di region rendah karbon dan selama periode saat jaringan listrik lokal memiliki persentase energi bersih yang tinggi. Untuk mengidentifikasi waktu dengan intensitas karbon paling rendah dalam sehari untuk suatu region, gunakan laporan Jejak Karbon.

Menggunakan Spot VM untuk workload non-kritis

Spot VM memungkinkan Anda memanfaatkan kapasitas Compute Engine yang tidak terpakai dengan diskon besar. Spot VM dapat di-preempt, tetapi menyediakan cara yang hemat biaya untuk memproses set data besar tanpa memerlukan resource khusus yang selalu aktif. Spot VM ideal untuk tugas batch non-kritis dan fault-tolerant.

Menggabungkan dan memparalelkan tugas

Untuk mengurangi overhead saat memulai dan menghentikan setiap tugas, kelompokkan tugas serupa ke dalam satu batch besar. Jalankan workload bervolume tinggi ini di layanan seperti Batch. Layanan ini secara otomatis menyediakan dan mengelola infrastruktur yang diperlukan, sehingga membantu memastikan pemanfaatan resource yang optimal.

Menggunakan layanan terkelola

Layanan terkelola seperti Batch dan Dataflow otomatis menangani penyediaan, penjadwalan, dan pemantauan resource. Platform cloud menangani pengoptimalan resource. Anda dapat berfokus pada logika aplikasi. Misalnya, Dataflow otomatis menskalakan jumlah worker berdasarkan volume data dalam pipeline, sehingga Anda tidak perlu membayar resource yang tidak digunakan.

Mencocokkan kelompok mesin VM dengan persyaratan workload

Jenis mesin yang dapat Anda gunakan untuk VM Compute Engine dikelompokkan ke dalam kelompok mesin, yang dioptimalkan untuk berbagai workload. Pilih kelompok mesin yang sesuai berdasarkan persyaratan workload Anda.

Kelompok mesin Direkomendasikan untuk jenis workload Panduan keberlanjutan
Instance tujuan umum: Instance ini memberikan rasio CPU terhadap memori yang seimbang. Server web, microservice, database kecil hingga menengah, dan lingkungan pengembangan. Seri E2 sangat hemat biaya dan hemat energi karena alokasi resource-nya yang dinamis. Seri C4A, N4A, dan Tau T2A menggunakan prosesor berbasis Arm, yang sering kali lebih hemat energi per unit performa untuk workload berskala besar.
Instance yang dioptimalkan untuk komputasi: Instance ini memberikan rasio vCPU terhadap memori yang tinggi dan performa per core yang tinggi. Komputasi berperforma tinggi (HPC), batch processing, server game, dan analisis data berbasis CPU. Instance yang dioptimalkan untuk komputasi memungkinkan Anda menyelesaikan tugas yang memerlukan banyak CPU dengan lebih cepat, sehingga mengurangi total waktu komputasi dan konsumsi energi tugas.
Instance yang dioptimalkan untuk memori: Instance ini dirancang untuk workload yang memerlukan memori dalam jumlah besar. Database dan data warehouse dalam memori yang besar, seperti SAP HANA atau analisis dalam memori. Instance yang dioptimalkan untuk memori memungkinkan konsolidasi workload yang menggunakan banyak memori pada lebih sedikit node fisik. Konsolidasi ini mengurangi total energi yang diperlukan jika dibandingkan dengan menggunakan beberapa instance yang lebih kecil. Memori berperforma tinggi mengurangi latensi akses data, yang dapat mengurangi total waktu yang dihabiskan CPU dalam status aktif.
Instance yang dioptimalkan untuk penyimpanan: Instance ini menyediakan penyimpanan SSD lokal dengan throughput tinggi dan latensi rendah. Data warehousing, analisis log, serta database SQL, NoSQL, dan vektor. Instance yang dioptimalkan untuk penyimpanan memproses set data besar secara lokal, yang membantu menghilangkan energi yang digunakan untuk egress data jaringan lintas lokasi. Saat menggunakan penyimpanan lokal untuk tugas IOPS tinggi, Anda menghindari penyediaan berlebihan beberapa instance standar.
Instance yang dioptimalkan untuk akselerator: Instance ini dibuat untuk workload yang diakselerasi GPU dan TPU, seperti AI, ML, dan HPC. Pelatihan dan inferensi model ML, serta simulasi ilmiah.

TPU dirancang untuk efisiensi energi yang optimal. TPU memberikan komputasi yang lebih tinggi per watt.

Instance yang diakselerasi GPU seperti seri A3 dengan GPU NVIDIA H100 bisa jauh lebih hemat energi untuk melatih model besar dibandingkan alternatif khusus CPU. Meskipun instance yang dipercepat GPU memiliki penggunaan daya nominal yang lebih tinggi, tugas akan diselesaikan jauh lebih cepat.

Mengupgrade ke jenis mesin terbaru

Penggunaan jenis mesin terbaru dapat membantu meningkatkan keberlanjutan. Saat jenis mesin diupdate, jenis mesin tersebut sering kali dirancang agar lebih hemat energi dan memberikan performa yang lebih tinggi per watt. VM yang menggunakan jenis mesin terbaru mungkin menyelesaikan jumlah pekerjaan yang sama dengan konsumsi daya yang lebih rendah.

CPU, GPU, dan TPU sering kali mendapatkan manfaat dari kemajuan teknis dalam arsitektur chip, seperti berikut:

  • Core khusus: Kemajuan dalam prosesor sering kali mencakup core atau petunjuk khusus untuk workload umum. Misalnya, CPU mungkin memiliki core khusus untuk operasi vektor atau akselerator AI terintegrasi. Saat tugas ini dialihkan dari CPU utama, tugas tersebut akan diselesaikan dengan lebih efisien dan mengonsumsi lebih sedikit energi.
  • Pengelolaan daya yang lebih baik: Kemajuan dalam arsitektur chip sering kali mencakup fitur pengelolaan daya yang lebih canggih, seperti penyesuaian dinamis tegangan dan frekuensi berdasarkan workload. Fitur pengelolaan daya ini memungkinkan chip berjalan pada efisiensi puncak dan memasuki status daya rendah saat tidak digunakan, sehingga meminimalkan konsumsi energi.

Peningkatan teknis dalam arsitektur chip memberikan manfaat langsung berikut untuk keberlanjutan dan biaya:

  • Performa per watt yang lebih tinggi: Ini adalah metrik utama untuk keberlanjutan. Misalnya, VM C4 menunjukkan rasio harga-performa 40% lebih tinggi jika dibandingkan dengan VM C3 untuk konsumsi energi yang sama. Prosesor C4A memberikan efisiensi energi 60% lebih tinggi dibandingkan prosesor x86 yang sebanding. Kemampuan performa ini memungkinkan Anda menyelesaikan tugas lebih cepat atau menggunakan lebih sedikit instance untuk beban yang sama.
  • Konsumsi energi total yang lebih rendah: Dengan prosesor yang lebih baik, resource komputasi digunakan dalam durasi yang lebih singkat untuk tugas tertentu, sehingga mengurangi penggunaan energi dan jejak karbon secara keseluruhan. Dampak karbon sangat tinggi untuk workload berumur pendek dan intensif komputasi seperti tugas batch dan pelatihan model ML.
  • Penggunaan resource yang optimal: Jenis mesin terbaru sering kali lebih cocok untuk software modern dan lebih kompatibel dengan fitur lanjutan platform cloud. Jenis mesin ini biasanya memungkinkan pemanfaatan resource yang lebih baik, sehingga mengurangi kebutuhan akan penyediaan yang berlebihan dan membantu memastikan bahwa setiap watt daya digunakan secara produktif.

Men-deploy aplikasi dalam container

Anda dapat menggunakan layanan berbasis container yang terkelola sepenuhnya seperti GKE dan Cloud Run sebagai bagian dari strategi Anda untuk cloud computing yang berkelanjutan. Layanan ini membantu mengoptimalkan pemanfaatan resource dan mengotomatiskan pengelolaan resource.

Memanfaatkan kemampuan penskalaan hingga nol dari Cloud Run

Cloud Run menyediakan lingkungan serverless terkelola yang secara otomatis menskalakan instance ke nol saat tidak ada traffic masuk untuk layanan atau saat tugas selesai. Penskalaan otomatis membantu menghilangkan konsumsi energi oleh infrastruktur yang tidak ada aktivitas. Resource hanya diberi daya saat memproses permintaan secara aktif. Strategi ini sangat efektif untuk workload yang terputus-putus atau berbasis peristiwa. Untuk workload AI, Anda dapat menggunakan GPU dengan Cloud Run, yang memungkinkan Anda menggunakan dan membayar GPU hanya saat digunakan.

Mengotomatiskan pengoptimalan resource menggunakan GKE

GKE adalah platform orkestrasi container, yang memastikan bahwa aplikasi hanya menggunakan resource yang diperlukan. Untuk membantu Anda mengotomatiskan pengoptimalan resource, GKE menyediakan teknik berikut:

  • Bin packing: GKE Autopilot secara cerdas mengemas beberapa container pada node yang tersedia. Bin packing memaksimalkan pemanfaatan setiap node dan mengurangi jumlah node yang tidak ada aktivitas atau kurang dimanfaatkan, sehingga membantu mengurangi konsumsi energi.
  • Penskalaan otomatis Pod horizontal (HPA): Dengan HPA, jumlah replika container (Pod) disesuaikan secara otomatis berdasarkan metrik yang telah ditentukan seperti penggunaan CPU atau metrik kustom khusus aplikasi. Misalnya, jika aplikasi Anda mengalami lonjakan traffic, GKE akan menambahkan Pod untuk memenuhi permintaan. Saat traffic mereda, GKE akan mengurangi jumlah Pod. Penskalaan dinamis ini mencegah penyediaan resource yang berlebihan, sehingga Anda tidak perlu membayar atau menyalakan kapasitas komputasi yang tidak diperlukan.
  • Penskalaan otomatis Pod vertikal (VPA): Anda dapat mengonfigurasi GKE untuk otomatis menyesuaikan alokasi dan batas CPU serta memori untuk setiap container. Konfigurasi ini memastikan bahwa container tidak dialokasikan lebih banyak resource daripada yang dibutuhkan, sehingga membantu mencegah penyediaan resource yang berlebihan.
  • Penskalaan otomatis Pod multidimensi GKE: Untuk workload yang kompleks, Anda dapat mengonfigurasi HPA dan VPA secara bersamaan untuk mengoptimalkan jumlah Pod dan ukuran setiap Pod. Teknik ini membantu memastikan jejak energi sekecil mungkin untuk performa yang diperlukan.
  • Topology-Aware Scheduling (TAS): TAS meningkatkan efisiensi jaringan untuk workload AI dan ML di GKE dengan menempatkan Pod berdasarkan struktur fisik infrastruktur pusat data. TAS menempatkan workload secara strategis untuk meminimalkan hop jaringan. Kolokasi ini membantu mengurangi latensi komunikasi dan konsumsi energi. Dengan mengoptimalkan penyelarasan fisik node dan hardware khusus, TAS mempercepat penyelesaian tugas dan memaksimalkan efisiensi energi workload AI dan ML berskala besar.

Mengonfigurasi penjadwalan berbasis karbon

Di Google, kami terus mengalihkan workload kami ke lokasi dan waktu yang menyediakan listrik terbersih. Kami juga menggunakan kembali, atau memanfaatkan, peralatan lama untuk kasus penggunaan alternatif. Anda dapat menggunakan strategi penjadwalan yang mempertimbangkan karbon ini untuk memastikan workload dalam container Anda menggunakan energi bersih.

Untuk menerapkan penjadwalan berbasis karbon, Anda memerlukan informasi tentang bauran energi yang mendukung pusat data di suatu region secara real time. Anda bisa mendapatkan informasi ini dalam format yang dapat dibaca mesin dari repositori Energi bebas karbon untuk region Google Cloud di GitHub atau dari set data publik BigQuery. Data campuran jaringan dan intensitas karbon per jam yang digunakan untuk menghitung set data karbon tahunan Google bersumber dari Electricity Maps.

Untuk menerapkan penjadwalan berbasis karbon, sebaiknya gunakan teknik berikut:

  • Pergeseran geografis: Jadwalkan workload Anda untuk dijalankan di region yang menggunakan proporsi sumber energi terbarukan yang lebih tinggi. Pendekatan ini memungkinkan Anda menggunakan jaringan listrik yang lebih bersih.
  • Pergeseran temporal: Untuk workload yang tidak terlalu penting dan fleksibel seperti batch processing, konfigurasikan workload agar berjalan di luar jam puncak atau saat energi terbarukan paling melimpah. Pendekatan ini dikenal sebagai pergeseran temporal dan membantu mengurangi jejak karbon secara keseluruhan dengan memanfaatkan sumber energi yang lebih bersih saat tersedia.

Merancang pemulihan dari bencana (disaster recovery) yang hemat energi

Persiapan untuk disaster recovery (DR) sering kali melibatkan pra-penyediaan resource redundan di region sekunder. Namun, resource yang tidak digunakan atau kurang dimanfaatkan dapat menyebabkan pemborosan energi yang signifikan. Pilih strategi DR yang memaksimalkan pemanfaatan resource dan meminimalkan dampak karbon tanpa mengorbankan batas waktu pemulihan (RTO) Anda.

Mengoptimalkan efisiensi cold start

Gunakan pendekatan berikut untuk meminimalkan atau menghilangkan resource aktif di region sekunder (DR) Anda:

  • Memprioritaskan cold DR: Nonaktifkan resource di region DR atau dalam status penskalaan hingga nol. Pendekatan ini membantu menghilangkan jejak karbon dari resource komputasi yang tidak digunakan.
  • Manfaatkan failover serverless: Gunakan layanan serverless terkelola seperti Cloud Run untuk endpoint DR. Cloud Run melakukan penskalaan ke nol saat tidak digunakan, sehingga Anda dapat mempertahankan topologi DR yang tidak menggunakan energi hingga traffic dialihkan ke region DR.
  • Otomatiskan pemulihan dengan infrastructure-as-code (IaC): Alih-alih menjaga resource di situs DR tetap berjalan (warm), gunakan alat IaC seperti Terraform untuk menyediakan lingkungan dengan cepat hanya saat diperlukan.

Menyeimbangkan redundansi dan pemanfaatan

Redundansi resource adalah pemicu utama pemborosan energi. Untuk mengurangi redundansi, gunakan pendekatan berikut:

  • Pilih aktif-aktif daripada aktif-pasif: Dalam penyiapan aktif-pasif, resource di situs pasif tidak digunakan, sehingga energi terbuang sia-sia. Arsitektur aktif-aktif yang berukuran optimal memastikan bahwa semua resource yang disediakan di kedua region secara aktif melayani traffic. Pendekatan ini membantu Anda memaksimalkan efisiensi energi infrastruktur Anda.
  • Redundansi yang tepat: Replikasi data dan layanan di seluruh region hanya jika replikasi diperlukan untuk memenuhi persyaratan ketersediaan tinggi atau DR. Setiap replika tambahan meningkatkan biaya energi penyimpanan persisten dan traffic keluar jaringan.

Mengembangkan software hemat energi

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk menulis software yang meminimalkan konsumsi energi dan beban server.

Ringkasan prinsip

Saat mengikuti praktik terbaik untuk membangun aplikasi cloud, Anda mengoptimalkan energi yang digunakan oleh resource infrastruktur cloud: AI, komputasi, penyimpanan, dan jaringan. Anda juga membantu mengurangi kebutuhan air di pusat data dan energi yang digunakan perangkat pengguna akhir saat mengakses aplikasi Anda.

Untuk membangun software yang hemat energi, Anda perlu mengintegrasikan pertimbangan keberlanjutan di seluruh siklus proses software, mulai dari desain dan pengembangan hingga deployment, pemeliharaan, dan pengarsipan. Untuk panduan mendetail tentang penggunaan AI untuk membangun software yang meminimalkan dampak lingkungan dari workload cloud, lihat Google Cloud ebook, Membangun Software Secara Berkelanjutan.

Rekomendasi

Rekomendasi di bagian ini dikelompokkan ke dalam area fokus berikut:

Meminimalkan pekerjaan komputasi

Untuk menulis software yang hemat energi, Anda perlu meminimalkan jumlah total pekerjaan komputasi yang dilakukan aplikasi Anda. Setiap petunjuk yang tidak perlu, loop yang berlebihan, dan fitur tambahan akan menghabiskan energi, waktu, dan resource. Gunakan rekomendasi berikut untuk membangun software yang melakukan komputasi minimal.

Menulis kode yang ringkas dan fokus

Untuk menulis kode minimal yang penting untuk mencapai hasil yang diperlukan, gunakan pendekatan berikut:

  • Menghilangkan logika redundan dan fitur yang berlebihan: Tulis kode yang hanya menjalankan fungsi penting. Hindari fitur yang meningkatkan overhead dan kompleksitas komputasi, tetapi tidak memberikan nilai terukur kepada pengguna Anda.
  • Refaktorisasi: Untuk meningkatkan efisiensi energi dari waktu ke waktu, audit aplikasi Anda secara rutin untuk mengidentifikasi fitur yang tidak digunakan. Ambil tindakan untuk menghapus atau melakukan refaktorisasi fitur tersebut sebagaimana mestinya.
  • Hindari operasi yang tidak perlu: Jangan menghitung nilai atau menjalankan tindakan hingga hasilnya diperlukan. Gunakan teknik seperti evaluasi lambat, yang menunda komputasi hingga komponen dependen dalam aplikasi memerlukan output.
  • Prioritaskan keterbacaan dan penggunaan kembali kode: Tulis kode yang mudah dibaca dan dapat digunakan kembali. Pendekatan ini meminimalkan duplikasi dan mengikuti prinsip don't repeat yourself (DRY), yang dapat membantu mengurangi emisi karbon dari pengembangan dan pemeliharaan software.

Menggunakan caching backend

Caching backend memastikan bahwa aplikasi tidak melakukan pekerjaan yang sama berulang kali. Rasio cache ditemukan yang tinggi akan menghasilkan pengurangan konsumsi energi yang hampir linear per permintaan. Untuk menerapkan caching backend, gunakan teknik berikut:

  • Men-cache data yang sering diakses: Simpan data yang sering diakses di lokasi penyimpanan sementara berperforma tinggi. Misalnya, gunakan layanan caching dalam memori seperti Memorystore. Saat aplikasi mengambil data dari cache, volume kueri database dan operasi I/O disk akan berkurang. Akibatnya, beban pada database dan server di backend akan berkurang.
  • Menyimpan respons API ke dalam cache: Untuk menghindari panggilan jaringan yang redundan dan mahal, simpan hasil permintaan API yang sering ke dalam cache.
  • Prioritaskan cache memori: Untuk menghilangkan operasi I/O disk yang lambat dan kueri database yang kompleks, simpan data dalam memori berkecepatan tinggi (RAM).
  • Pilih strategi penulisan cache yang sesuai:
    • Strategi write-through memastikan bahwa data ditulis secara sinkron ke cache dan penyimpanan persisten. Strategi ini meningkatkan kemungkinan cache ditemukan, sehingga penyimpanan persisten menerima lebih sedikit permintaan baca yang menggunakan banyak energi.
    • Strategi write-back (write-behind) meningkatkan performa aplikasi yang banyak melakukan operasi tulis. Data ditulis ke cache terlebih dahulu, dan database diperbarui secara asinkron nanti. Strategi ini mengurangi beban tulis langsung pada database yang lebih lambat.
  • Gunakan kebijakan penghapusan cerdas: Jaga agar cache tetap ramping dan efisien. Untuk menghapus data yang sudah tidak berlaku atau kurang berguna dan memaksimalkan ruang yang tersedia untuk data yang sering diminta, gunakan kebijakan seperti time to live (TTL), least recently used (LRU), dan least frequently used (LFU).

Menggunakan algoritma dan struktur data yang efisien

Algoritma dan struktur data yang Anda pilih menentukan kompleksitas komputasi mentah software Anda. Saat memilih algoritma dan struktur data yang sesuai, Anda meminimalkan jumlah siklus CPU dan operasi memori yang diperlukan untuk menyelesaikan tugas. Siklus CPU dan operasi memori yang lebih sedikit akan menghasilkan konsumsi energi yang lebih rendah.

Memilih algoritma untuk kompleksitas waktu yang optimal

Prioritaskan algoritma yang mencapai hasil yang diperlukan dalam waktu sesingkat mungkin. Pendekatan ini membantu mengurangi durasi penggunaan resource. Untuk memilih algoritma yang mengoptimalkan penggunaan resource, gunakan pendekatan berikut:

  • Fokus pada pengurangan kompleksitas: Untuk mengevaluasi kompleksitas, lihat lebih dari sekadar metrik runtime dan pertimbangkan kompleksitas teoretis algoritma. Misalnya, jika dibandingkan dengan pengurutan bubble, pengurutan gabungan secara signifikan mengurangi beban komputasi dan konsumsi energi untuk set data besar.
  • Hindari pekerjaan yang berlebihan: Gunakan fungsi bawaan yang dioptimalkan dalam bahasa pemrograman atau framework pilihan Anda. Fungsi ini sering kali diimplementasikan dalam bahasa tingkat rendah dan lebih hemat energi seperti C atau C++, sehingga lebih dioptimalkan untuk hardware yang mendasarinya dibandingkan dengan fungsi yang dikodekan secara kustom.

Memilih struktur data untuk efisiensi

Struktur data yang Anda pilih menentukan kecepatan pengambilan, penyisipan, atau pemrosesan data. Kecepatan ini memengaruhi penggunaan CPU dan memori. Untuk memilih struktur data yang efisien, gunakan pendekatan berikut:

  • Optimalkan untuk penelusuran dan pengambilan: Untuk operasi umum seperti memeriksa apakah item ada atau mengambil nilai tertentu, pilih struktur data yang dioptimalkan untuk kecepatan. Misalnya, peta hash atau set hash memungkinkan pencarian waktu yang hampir konstan, yang merupakan pendekatan yang lebih hemat energi daripada menelusuri array secara linear.
  • Meminimalkan jejak memori: Struktur data yang efisien membantu mengurangi jejak memori aplikasi secara keseluruhan. Pengurangan akses dan pengelolaan memori akan menurunkan konsumsi daya. Selain itu, profil memori yang lebih ramping memungkinkan proses berjalan lebih efisien, sehingga Anda dapat menunda upgrade resource.
  • Gunakan struktur khusus: Gunakan struktur data yang dibuat khusus untuk masalah tertentu. Misalnya, gunakan struktur data trie untuk penelusuran awalan string yang cepat, dan gunakan antrean prioritas saat Anda hanya perlu mengakses nilai tertinggi atau terendah secara efisien.

Mengoptimalkan operasi komputasi dan data

Saat Anda mengembangkan software, fokuslah pada penggunaan resource yang efisien dan proporsional di seluruh technology stack. Perlakukan CPU, memori, disk, dan jaringan sebagai resource terbatas dan bersama. Menyadari bahwa penggunaan resource yang efisien akan menghasilkan pengurangan biaya dan konsumsi energi yang nyata.

Mengoptimalkan pemakaian CPU dan waktu tidak ada aktivitas

Untuk meminimalkan waktu yang dihabiskan CPU dalam status aktif dan mengonsumsi energi tanpa melakukan pekerjaan yang berarti, gunakan pendekatan berikut:

  • Pilih logika berbasis peristiwa daripada polling: Ganti loop sibuk yang menggunakan banyak resource atau pemeriksaan konstan (polling) dengan logika berbasis peristiwa. Arsitektur berbasis peristiwa memastikan bahwa komponen aplikasi hanya beroperasi saat dipicu oleh peristiwa yang relevan. Pendekatan ini memungkinkan pemrosesan on-demand, sehingga menghilangkan kebutuhan akan polling yang menggunakan banyak resource.
  • Cegah frekuensi tinggi yang konstan: Tulis kode yang tidak memaksa CPU untuk terus beroperasi pada frekuensi tertingginya. Untuk meminimalkan konsumsi energi, sistem yang tidak ada aktivitas harus dapat memasuki status daya rendah atau mode tidur.
  • Gunakan pemrosesan asinkron: Untuk mencegah thread terkunci selama waktu tunggu tidak ada aktivitas, gunakan pemrosesan asinkron. Pendekatan ini mengosongkan resource dan menghasilkan pemanfaatan resource keseluruhan yang lebih tinggi.

Mengelola memori dan I/O disk secara efisien

Penggunaan memori dan disk yang tidak efisien menyebabkan pemrosesan yang tidak perlu dan peningkatan konsumsi daya. Untuk mengelola memori dan I/O secara efisien, gunakan teknik berikut:

  • Manajemen memori yang ketat: Ambil tindakan untuk secara proaktif merilis resource memori yang tidak digunakan. Hindari menyimpan objek besar dalam memori untuk jangka waktu yang lebih lama dari yang diperlukan. Pendekatan ini mencegah bottleneck performa dan mengurangi daya yang digunakan untuk akses memori.
  • Mengoptimalkan I/O disk: Kurangi frekuensi interaksi baca dan tulis aplikasi Anda dengan resource penyimpanan persisten. Misalnya, gunakan buffer memori perantara untuk menyimpan data. Tulis data ke penyimpanan persisten pada interval tetap atau saat buffer mencapai ukuran tertentu.
  • Operasi batch: Gabungkan operasi disk kecil yang sering dilakukan menjadi operasi batch yang lebih sedikit dan lebih besar. Operasi batch menggunakan lebih sedikit energi daripada banyak transaksi kecil individual.
  • Gunakan kompresi: Kurangi jumlah data yang ditulis ke atau dibaca dari disk dengan menerapkan teknik kompresi data yang sesuai. Misalnya, untuk mengompresi data yang Anda simpan di Cloud Storage, Anda dapat menggunakan transcoding dekompresi.

Meminimalkan traffic jaringan

Resource jaringan mengonsumsi energi yang signifikan selama operasi transfer data. Untuk mengoptimalkan komunikasi jaringan, gunakan teknik berikut:

  • Minimalkan ukuran payload: Desain API dan aplikasi Anda untuk hanya mentransfer data yang diperlukan untuk permintaan. Hindari mengambil atau menampilkan struktur JSON atau XML yang besar jika hanya beberapa kolom yang diperlukan. Pastikan struktur data yang ditampilkan ringkas.
  • Kurangi perjalanan bolak-balik: Untuk mengurangi jumlah perjalanan bolak-balik jaringan yang diperlukan untuk menyelesaikan tindakan pengguna, gunakan protokol yang lebih cerdas. Misalnya, pilih HTTP/3 daripada HTTP/1.1, pilih GraphQL daripada REST, gunakan protokol biner, dan gabungkan panggilan API. Saat mengurangi volume panggilan jaringan, Anda mengurangi konsumsi energi untuk server dan perangkat pengguna akhir.

Menerapkan pengoptimalan frontend

Pengoptimalan frontend meminimalkan data yang harus didownload dan diproses oleh pengguna akhir, sehingga membantu mengurangi beban pada resource perangkat pengguna akhir.

Meminimalkan kode dan aset

Saat pengguna akhir perlu mendownload dan memproses resource yang lebih kecil dan terstruktur lebih efisien, perangkat mereka akan mengonsumsi lebih sedikit daya. Untuk meminimalkan volume download dan beban pemrosesan pada perangkat pengguna akhir, gunakan teknik berikut:

  • Minimisasi dan kompresi: Untuk file JavaScript, CSS, dan HTML, hapus karakter yang tidak diperlukan seperti spasi kosong dan komentar menggunakan alat minimisasi yang sesuai. Pastikan file seperti gambar dikompresi dan dioptimalkan. Anda dapat mengotomatiskan minimalisasi dan kompresi aset web menggunakan pipeline CI/CD.
  • Pemuatan lambat: Muat gambar, video, dan aset yang tidak penting hanya saat benar-benar diperlukan, seperti saat elemen ini di-scroll ke area pandang halaman web. Pendekatan ini mengurangi volume transfer data awal dan beban pemrosesan pada perangkat pengguna akhir.
  • Paket JavaScript yang lebih kecil: Hilangkan kode yang tidak digunakan dari paket JavaScript Anda menggunakan pemaket modul modern dan teknik seperti tree shaking. Pendekatan ini menghasilkan file yang lebih kecil yang dimuat lebih cepat dan menggunakan lebih sedikit resource server.
  • Caching browser: Gunakan header caching HTTP untuk menginstruksikan browser pengguna agar menyimpan aset statis secara lokal. Caching browser membantu mencegah download berulang dan traffic jaringan yang tidak perlu pada kunjungan berikutnya.

Memprioritaskan pengalaman pengguna (UX) yang ringan

Desain antarmuka pengguna Anda dapat berdampak signifikan pada kompleksitas komputasi untuk merender konten frontend. Untuk membangun antarmuka frontend yang memberikan UX ringan, gunakan teknik berikut:

  • Rendering yang efisien: Hindari manipulasi Document Object Model (DOM) yang sering dan memerlukan banyak resource. Tulis kode yang meminimalkan kompleksitas rendering dan menghilangkan rendering ulang yang tidak perlu.
  • Pola desain yang ringan: Jika sesuai, pilih situs statis atau progressive web app (PWA). Situs dan aplikasi tersebut dimuat lebih cepat dan memerlukan lebih sedikit resource server.
  • Aksesibilitas dan performa: Situs yang responsif dan cepat dimuat sering kali lebih berkelanjutan dan mudah diakses. Desain yang dioptimalkan dan rapi mengurangi resource yang digunakan saat konten dirender. Situs yang dioptimalkan untuk performa dan kecepatan dapat membantu mendorong pendapatan yang lebih tinggi. Menurut studi riset oleh Deloitte dan Google, Milliseconds Make Millions, peningkatan kecepatan situs sebesar 0,1 detik (100 md) menghasilkan peningkatan konversi sebesar 8,4% untuk situs retail dan peningkatan nilai pesanan rata-rata sebesar 9,2%.

Mengoptimalkan data dan penyimpanan untuk keberlanjutan

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk membantu Anda mengoptimalkan efisiensi energi dan jejak karbon untuk resource penyimpanan Anda di Google Cloud.

Ringkasan prinsip

Data yang disimpan bukanlah resource pasif. Energi dikonsumsi dan emisi karbon terjadi di sepanjang siklus proses data. Setiap gigabyte data yang disimpan memerlukan infrastruktur fisik yang terus-menerus diberi daya, didinginkan, dan dikelola. Untuk mencapai arsitektur cloud yang berkelanjutan, perlakukan data sebagai aset yang berharga, tetapi berbiaya lingkungan, dan prioritaskan tata kelola data yang proaktif.

Keputusan Anda terkait retensi, kualitas, dan lokasi data dapat membantu Anda mencapai pengurangan yang signifikan dalam biaya cloud dan konsumsi energi. Minimalkan data yang Anda simpan, optimalkan tempat dan cara Anda menyimpan data, serta terapkan strategi penghapusan dan pengarsipan otomatis. Dengan mengurangi kekacauan data, Anda meningkatkan performa sistem dan secara mendasar mengurangi jejak ekologi jangka panjang data Anda.

Rekomendasi

Untuk mengoptimalkan siklus proses data dan resource penyimpanan Anda demi keberlanjutan, pertimbangkan rekomendasi di bagian berikut.

Memprioritaskan data bernilai tinggi

Data tersimpan yang tidak digunakan, diduplikasi, atau sudah usang terus mengonsumsi energi untuk mendukung infrastruktur yang mendasarinya. Untuk mengurangi jejak karbon terkait penyimpanan, gunakan teknik berikut.

Mengidentifikasi dan menghilangkan duplikasi

Tetapkan kebijakan untuk mencegah replikasi set data yang tidak perlu di beberapa project atau layanan Google Cloud . Gunakan repositori data pusat seperti set data BigQuery atau bucket Cloud Storage sebagai satu sumber tepercaya dan berikan akses yang sesuai ke repositori ini.

Menghapus data bayangan dan data gelap

Data gelap adalah data yang utilitas atau pemiliknya tidak diketahui. Data bayangan berarti salinan data yang tidak sah. Pindai sistem penyimpanan Anda dan temukan dark data dan shadow data menggunakan solusi penemuan dan pembuatan katalog data seperti Knowledge Catalog. Audit temuan ini secara rutin dan terapkan proses untuk pengarsipan atau penghapusan data gelap dan bayangan sebagaimana mestinya.

Meminimalkan volume data untuk workload AI

Simpan hanya fitur dan data yang diproses yang diperlukan untuk pelatihan dan penyajian model. Jika memungkinkan, gunakan teknik seperti pengambilan sampel data, agregasi, dan pembuatan data sintetis untuk mencapai performa model tanpa mengandalkan set data mentah yang sangat besar.

Mengintegrasikan pemeriksaan kualitas data

Terapkan pipeline validasi data dan pembersihan data otomatis menggunakan layanan seperti Managed Service untuk Apache Spark, Dataflow, atau Knowledge Catalog pada titik penyerapan data. Data berkualitas rendah menyebabkan pemborosan ruang penyimpanan. Hal ini juga menyebabkan konsumsi energi yang tidak perlu saat data digunakan nanti untuk analisis atau pelatihan AI.

Meninjau kepadatan nilai data

Tinjau set data bervolume tinggi seperti log dan aliran data IoT secara berkala. Tentukan apakah ada data yang dapat diringkas, digabungkan, atau di-downsample untuk mempertahankan kepadatan informasi yang diperlukan dan mengurangi volume penyimpanan fisik.

Evaluasi kebutuhan pencadangan secara kritis

Nilai kebutuhan pencadangan data yang dapat Anda buat ulang dengan upaya minimal. Contoh data tersebut mencakup hasil ETL perantara, cache sementara, dan data pelatihan yang berasal dari sumber permanen yang stabil. Pertahankan cadangan hanya untuk data yang unik atau mahal untuk dibuat ulang.

Mengoptimalkan pengelolaan siklus proses penyimpanan

Otomatiskan siklus proses penyimpanan sehingga saat utilitas data menurun, data akan dipindahkan ke kelas penyimpanan yang hemat energi atau dihentikan, sebagaimana mestinya. Gunakan teknik berikut.

Memilih kelas Cloud Storage yang sesuai

Otomatiskan transisi data di Cloud Storage ke kelas penyimpanan rendah karbon berdasarkan frekuensi akses menggunakan Object Lifecycle Management.

  • Gunakan Standard Storage hanya untuk set data yang digunakan secara aktif, seperti model produksi saat ini.
  • Transisikan data seperti set data pelatihan AI yang lebih lama atau cadangan yang lebih jarang diakses ke penyimpanan Nearline atau Coldline.
  • Untuk retensi jangka panjang, gunakan Archive storage, yang dioptimalkan untuk efisiensi energi dalam skala besar.

Menerapkan kebijakan siklus proses data yang agresif

Tentukan kebijakan time to live (TTL) yang jelas dan otomatis untuk data yang tidak penting, seperti file log, artefak model sementara, dan hasil perantara yang sudah tidak berlaku. Gunakan aturan siklus proses untuk otomatis menghapus data tersebut setelah jangka waktu yang ditentukan.

Mewajibkan pemberian tag resource

Wajibkan penggunaan tag dan label resource yang konsisten untuk semua bucket Cloud Storage, set data BigQuery, dan persistent disk Anda. Buat tag yang menunjukkan pemilik data, tujuan data, dan periode retensi. Gunakan batasan Organization Policy Service untuk memastikan bahwa tag yang diperlukan, seperti periode retensi, diterapkan ke resource. Tag memungkinkan Anda mengotomatiskan pengelolaan siklus proses, membuat laporan FinOps terperinci, dan membuat laporan emisi karbon.

Menyesuaikan ukuran dan mencabut penyediaan penyimpanan komputasi

Audit persistent disk yang terpasang ke instance Compute Engine secara rutin dan pastikan disk tidak disediakan secara berlebihan. Gunakan snapshot hanya jika diperlukan untuk pencadangan. Hapus snapshot lama yang tidak digunakan. Untuk database, gunakan kebijakan retensi data untuk mengurangi ukuran persistent disk yang mendasarinya.

Mengoptimalkan format penyimpanan

Untuk penyimpanan yang melayani workload analisis, pilih format kolom yang dikompresi seperti Parquet atau Avro yang dioptimalkan daripada format berbasis baris seperti JSON atau CSV. Penyimpanan berbentuk kolom secara signifikan mengurangi persyaratan kapasitas disk fisik dan meningkatkan efisiensi pembacaan. Pengoptimalan ini membantu mengurangi konsumsi energi untuk operasi komputasi dan I/O terkait.

Mengoptimalkan regionalitas dan pergerakan data

Lokasi fisik dan pergerakan data Anda memengaruhi konsumsi resource jaringan dan energi yang diperlukan untuk penyimpanan. Optimalkan regionalitas data dengan menggunakan teknik berikut.

Memilih region penyimpanan rendah karbon

Bergantung pada persyaratan kepatuhan Anda, simpan data di region Google Cloud yang menggunakan persentase energi bebas karbon (CFE) yang lebih tinggi atau yang memiliki intensitas karbon jaringan yang lebih rendah. Batasi pembuatan bucket penyimpanan di region tinggi karbon dengan menggunakan batasan Kebijakan Organisasi lokasi resource. Untuk mengetahui informasi tentang data CFE dan intensitas karbon untuk region Google Cloud , lihat Energi bebas karbon untuk region Google Cloud .

Meminimalkan replikasi

Replikasi data di seluruh region hanya untuk memenuhi persyaratan wajib disaster recovery (DR) atau ketersediaan tinggi (HA). Operasi replikasi lintas region dan multi-region secara signifikan meningkatkan biaya energi dan jejak karbon data Anda.

Mengoptimalkan lokasi pemrosesan data

Untuk mengurangi konsumsi energi untuk transfer data jaringan, deploy workload yang intensif komputasi seperti pelatihan AI dan pemrosesan BigQuery di region yang sama dengan sumber data.

Mengoptimalkan pemindahan data untuk partner dan pelanggan Anda

Untuk memindahkan data dalam volume besar di berbagai layanan, lokasi, dan penyedia cloud, dorong partner dan pelanggan Anda untuk menggunakan Storage Transfer Service atau API berbagi data. Hindari pembuangan data massal. Untuk set data publik, gunakan bucket Pemohon Membayar untuk mengalihkan biaya transfer dan pemrosesan data serta dampak lingkungan kepada pengguna akhir.

Terus mengukur dan meningkatkan keberlanjutan

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk membantu Anda mengukur dan terus meningkatkan keberlanjutan workload Anda di Google Cloud.

Ringkasan prinsip

Untuk memastikan workload cloud Anda tetap berkelanjutan, Anda memerlukan metrik yang akurat dan transparan. Metrik yang dapat diverifikasi memungkinkan Anda menerjemahkan sasaran keberlanjutan menjadi tindakan. Setiap resource yang Anda buat di cloud memiliki jejak karbon terkait. Untuk membangun dan memelihara arsitektur cloud yang berkelanjutan, Anda harus mengintegrasikan pengukuran data karbon ke dalam feedback loop operasional Anda.

Rekomendasi di bagian ini memberikan framework untuk menggunakan Jejak Karbon guna mengukur emisi karbon, mengidentifikasi hotspot karbon, menerapkan pengoptimalan workload yang ditargetkan, dan memverifikasi hasil upaya pengoptimalan. Framework ini memungkinkan Anda menyelaraskan sasaran pengoptimalan biaya secara efisien dengan target pengurangan karbon yang dapat diverifikasi.

Metodologi pelaporan Jejak Karbon

Jejak Karbon memberikan laporan emisi terkait cloud yang transparan, dapat diaudit, dan selaras secara global. Laporan ini mematuhi standar internasional, terutama Protokol Gas Rumah Kaca (GHG) untuk pelaporan dan pencatatan karbon. Laporan Jejak Karbon menggunakan metode penghitungan berbasis lokasi dan berbasis pasar. Penghitungan berbasis lokasi didasarkan pada faktor emisi jaringan listrik lokal. Penghitungan berbasis pasar mempertimbangkan pembelian energi bebas karbon (CFE) oleh Google. Pendekatan ganda ini membantu Anda memahami dampak jaringan fisik dan manfaat karbon dari workload Anda di Google Cloud.

Untuk mengetahui informasi selengkapnya tentang cara laporan Jejak Karbon disiapkan, termasuk sumber data yang digunakan, cakupan 3, dan model alokasi pelanggan, lihat Metodologi pelaporan Jejak Karbon.

Rekomendasi

Untuk menggunakan pengukuran karbon untuk peningkatan berkelanjutan, pertimbangkan rekomendasi di bagian berikut. Rekomendasi disusun sebagai fase kematangan untuk menerapkan operasi cloud yang berkelanjutan berdasarkan desain:

Fase 1: Menetapkan dasar pengukuran

Pada fase ini, Anda menyiapkan alat yang diperlukan dan memastikan bahwa data dapat diakses dan diintegrasikan dengan benar.

  1. Memberikan izin: Berikan izin kepada tim seperti FinOps, SecOps, dan rekayasa platform agar mereka dapat mengakses dasbor Jejak Karbon di konsol Google Cloud . Berikan peran Carbon Footprint Viewer (roles/billing.carbonViewer) di Identity and Access Management (IAM) untuk akun penagihan yang sesuai.
  2. Mengotomatiskan ekspor data: Sebelum mengekspor data, pastikan Google Cloud hierarki resource (folder dan project) dan anotasi resource (tag dan label) Anda secara akurat mencerminkan organisasi unit bisnis Anda. Karena data Jejak Karbon digabungkan di level project, hierarki yang jelas sangat penting untuk mengatribusikan emisi dengan benar. Konfigurasikan ekspor data Jejak Karbon otomatis ke BigQuery. Data yang diekspor memungkinkan Anda melakukan analisis mendalam, menghubungkan data karbon dengan data biaya dan penggunaan, serta membuat laporan kustom.
  3. Tentukan indikator performa utama (KPI) terkait karbon: Tetapkan metrik yang menghubungkan emisi karbon dengan nilai bisnis. Misalnya, intensitas karbon adalah metrik untuk jumlah kilogram setara CO2 per pelanggan, transaksi, atau unit pendapatan.

Tahap 2: Mengidentifikasi hotspot karbon

Identifikasi area yang memiliki dampak lingkungan terbesar dengan menganalisis data terperinci dalam laporan Jejak Karbon. Gunakan teknik berikut untuk analisis ini:

  • Memprioritaskan berdasarkan cakupan: Untuk mengidentifikasi penghasil emisi karbon kotor terbesar dengan cepat, analisis data di dasbor berdasarkan project, region, dan layanan.
  • Gunakan akuntansi ganda: Saat Anda mengevaluasi dampak karbon di suatu wilayah, pertimbangkan emisi berbasis lokasi (dampak lingkungan dari jaringan listrik lokal) dan emisi berbasis pasar (manfaat dari investasi CFE Google).
  • Korelasikan dengan biaya: Gabungkan data karbon di BigQuery dengan data penagihan Anda dan nilai dampak tindakan pengoptimalan terhadap keberlanjutan dan biaya. Meskipun biaya dan karbon sering kali memiliki tren yang sama, Anda hanya dapat menggunakan biaya sebagai indikator awal. Misalnya, di region berbiaya tinggi yang memiliki skor Energi Bebas Karbon (CFE) tinggi, workload mungkin memiliki biaya tinggi, tetapi emisi berbasis pasar yang rendah. Selalu validasi asumsi pengoptimalan terhadap metrik berbasis lokasi dan metrik berbasis pasar yang sebenarnya.
  • Menganotasi data untuk mengukur laba atas upaya (ROE): Beri anotasi pada data karbon di BigQuery dengan peristiwa tertentu, seperti menyesuaikan ukuran resource atau menonaktifkan layanan besar. Dengan anotasi, Anda dapat mengatribusikan pengurangan emisi karbon dan biaya ke inisiatif pengoptimalan tertentu, sehingga Anda dapat mengukur dan menunjukkan hasil dari setiap inisiatif.

Tahap 3: Menerapkan pengoptimalan yang ditargetkan

Ini adalah fase eksekusi untuk menerapkan operasi cloud yang berkelanjutan sejak desain. Gunakan strategi berikut untuk mengoptimalkan resource tertentu yang Anda identifikasi sebagai pendorong signifikan biaya dan emisi karbon:

  • Hentikan project tanpa pengawasan: Sebagai bagian dari alur kerja pengelolaan layanan IT (ITSM) Anda, periksa pemberi rekomendasi project tanpa pengawasan yang terintegrasi dengan data Jejak Karbon secara rutin. Untuk mencapai pengurangan emisi karbon dan biaya yang segera dan terverifikasi, otomatiskan peninjauan dan penghapusan project yang tidak digunakan melalui tiket engineering yang dilacak.
  • Sesuaikan ukuran resource: Sesuaikan kapasitas resource yang disediakan dengan pemanfaatan aktual menggunakan pemberi rekomendasi penyesuaian ukuran Active Assist seperti rekomendasi jenis mesin untuk VM Compute Engine. Untuk tugas yang membutuhkan komputasi intensif dan workload AI, gunakan jenis mesin dan model AI yang paling efisien.
  • Terapkan penjadwalan berbasis karbon: Untuk workload batch yang tidak kritis terhadap waktu, integrasikan data CFE regional ke dalam logika penjadwalan. Jika memungkinkan, batasi pembuatan resource baru ke region rendah karbon dengan menggunakan batasan lokasi resource di Organization Policy Service.
  • Mengurangi penyebaran data: Terapkan kebijakan tata kelola data untuk memastikan bahwa data yang jarang diakses ditransisikan ke kelas cold storage yang sesuai (Nearline, Coldline, atau Archive) atau dihapus secara permanen. Strategi ini membantu mengurangi biaya energi resource penyimpanan Anda.
  • Perbaiki kode aplikasi: Perbaiki inefisiensi tingkat kode yang menyebabkan penggunaan resource berlebihan atau komputasi yang tidak perlu.

Untuk informasi selengkapnya, lihat referensi berikut:

Fase 4: Melembagakan praktik dan pelaporan keberlanjutan Anda

Pada fase ini, Anda menyematkan pengukuran karbon ke dalam framework tata kelola. Pendekatan ini membantu memastikan bahwa organisasi Anda memiliki kemampuan dan kontrol yang diperlukan untuk peningkatan keberlanjutan yang berkelanjutan dan pelaporan yang dapat diverifikasi.

  • Terapkan tata kelola GreenOps: Buat fungsi atau kelompok kerja GreenOps formal untuk mengintegrasikan data Jejak Karbon dengan data Penagihan Cloud. Integrasikan ekspor karbon BigQuery bulanan langsung ke dasbor FinOps yang ada, seperti Looker. Menyajikan data karbon dan biaya dalam satu antarmuka membantu memastikan bahwa keberlanjutan adalah bagian dari siklus peninjauan operasional standar Anda. Fungsi ini harus menentukan akuntabilitas untuk target pengurangan karbon di seluruh project, menyelaraskan pengoptimalan biaya dengan sasaran keberlanjutan, dan menerapkan pelaporan untuk melacak efisiensi karbon terhadap pengeluaran.
  • Menggunakan data Jejak Karbon untuk pelaporan dan kepatuhan: Gunakan data Jejak Karbon yang terverifikasi dan dapat diaudit di BigQuery untuk membuat pengungkapan lingkungan, sosial, dan tata kelola (ESG) formal. Pendekatan ini memungkinkan Anda memenuhi permintaan pemangku kepentingan akan transparansi dan membantu memastikan kepatuhan terhadap peraturan wajib dan sukarela.
  • Berinvestasi dalam pelatihan dan awareness: Terapkan pelatihan keberlanjutan wajib untuk tim teknis dan non-teknis yang relevan. Tim Anda perlu mengetahui cara mengakses dan menafsirkan data Jejak Karbon serta cara menerapkan rekomendasi pengoptimalan dalam alur kerja harian dan pilihan desain mereka. Untuk mengetahui informasi selengkapnya, lihat Memberikan pelatihan keberlanjutan berbasis peran.
  • Tentukan persyaratan karbon: Sertakan metrik emisi karbon sebagai persyaratan non-fungsional (NFR) dalam kriteria penerimaan aplikasi Anda untuk deployment baru. Praktik ini membantu memastikan bahwa arsitek dan developer memprioritaskan opsi desain rendah karbon sejak awal siklus proses pengembangan aplikasi.
  • Mengotomatiskan GreenOps: Otomatiskan penerapan rekomendasi Active Assist menggunakan skrip, template, dan pipeline infrastructure-as-code (IaC). Praktik ini memastikan bahwa tim menerapkan rekomendasi secara konsisten dan cepat di seluruh organisasi.

Mempromosikan budaya keberlanjutan

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan rekomendasi untuk membantu Anda membangun budaya yang membuat tim di seluruh organisasi menyadari dan mahir dalam praktik keberlanjutan.

Ringkasan prinsip

Untuk menerapkan praktik keberlanjutan, Anda memerlukan lebih dari sekadar alat dan teknik. Anda memerlukan perubahan budaya yang didorong oleh edukasi dan akuntabilitas. Tim Anda perlu menyadari masalah keberlanjutan dan mereka harus memiliki kemahiran praktis dalam praktik keberlanjutan.

  • Kesadaran akan keberlanjutan adalah pengetahuan kontekstual bahwa setiap keputusan arsitektur dan operasional memiliki efek nyata terhadap keberlanjutan. Tim harus menyadari bahwa cloud bukanlah kumpulan resource virtual yang abstrak, tetapi didorong oleh resource fisik yang mengonsumsi energi dan menghasilkan emisi karbon.
  • Kemahiran dalam praktik keberlanjutan mencakup pengetahuan untuk menafsirkan data emisi karbon, pengalaman dalam menerapkan tata kelola keberlanjutan cloud, dan keterampilan teknis untuk merefaktorisasi kode demi efisiensi energi.

Untuk menyelaraskan praktik keberlanjutan dengan sasaran organisasi, tim Anda perlu memahami bagaimana penggunaan energi oleh infrastruktur cloud dan software berkontribusi terhadap jejak karbon organisasi. Pelatihan yang direncanakan dengan baik membantu memastikan bahwa semua pemangku kepentingan Anda—mulai dari developer dan arsitek hingga profesional keuangan dan engineer operasi—memahami konteks keberlanjutan dari pekerjaan sehari-hari mereka. Pemahaman bersama ini memberdayakan tim untuk beralih dari kepatuhan pasif ke pengoptimalan aktif, yang membuat workload cloud Anda berkelanjutan sejak awal. Keberlanjutan menjadi persyaratan non-fungsional (NFR) inti seperti persyaratan lainnya untuk keamanan, biaya, performa, dan keandalan.

Rekomendasi

Untuk membangun kesadaran akan masalah keberlanjutan dan kemahiran dalam praktik keberlanjutan, pertimbangkan rekomendasi di bagian berikut.

Memberikan konteks bisnis dan keselarasan dengan sasaran organisasi

Keberlanjutan bukan sekadar latihan teknis; hal ini memerlukan perubahan budaya yang menyelaraskan tindakan individu dengan misi lingkungan organisasi Anda. Jika tim memahami alasan di balik inisiatif keberlanjutan, mereka akan lebih cenderung mengadopsi inisiatif tersebut sebagai prinsip inti, bukan sebagai tugas opsional.

Memahami gambaran besarnya

Bantu tim Anda memahami bagaimana pilihan arsitektur individu—seperti memilih region rendah karbon atau mengoptimalkan pipeline data—berkontribusi pada komitmen keberlanjutan organisasi secara keseluruhan. Sampaikan secara eksplisit bagaimana pilihan ini memengaruhi komunitas lokal dan industri. Ubah metrik karbon abstrak menjadi indikator nyata progres menuju sasaran tanggung jawab sosial perusahaan (CSR).

Misalnya, pesan seperti berikut menginformasikan kepada tim tentang hasil positif dan pengakuan eksekutif atas keputusan untuk memigrasikan workload ke region rendah karbon dan menggunakan jenis mesin yang hemat daya. Pesan tersebut merujuk pada CO2 ekuivalen, yang membantu tim Anda mengontekstualisasikan dampak tindakan pengurangan karbon.

"Dengan memigrasikan mesin analisis data kami ke region us-central1 ikon daun CO2 Rendah dan mengupgrade cluster kami ke instance berbasis Axion C4A, kami secara mendasar mengubah profil karbon kami. Perubahan ini menghasilkan pengurangan intensitas karbon sebesar 75% pada mesin analisis data kami, yang berarti pengurangan 12 ton metrik CO2 ekuivalen pada kuartal ini. Migrasi ini berdampak signifikan pada sasaran bisnis kami dan disertakan dalam newsletter Q4 untuk dewan direksi kami."

Mengomunikasikan sasaran keuangan dan keberlanjutan

Transparansi sangat penting untuk menyelaraskan praktik keberlanjutan dengan sasaran. Sejauh memungkinkan, bagikan sasaran dan progres keberlanjutan secara luas ke seluruh organisasi. Menyoroti progres keberlanjutan dalam laporan keuangan tahunan. Komunikasi semacam ini memastikan bahwa tim teknis memandang pekerjaan mereka sebagai bagian penting dari komitmen organisasi yang berorientasi publik dan kesehatan keuangan.

Menerapkan pola pikir shared fate

Edukasi tim tentang sifat kolaboratif keberlanjutan cloud. Google bertanggung jawab atas keberlanjutan cloud, yang mencakup efisiensi infrastruktur dan pusat data. Anda (pelanggan) bertanggung jawab atas keberlanjutan resource dan workload Anda di cloud. Saat Anda menyusun kolaborasi ini sebagai kemitraan dengan prinsip shared fate, Anda memperkuat pemahaman bahwa organisasi Anda dan Google bekerja sama untuk mencapai hasil lingkungan yang optimal.

Memberikan pelatihan keberlanjutan berbasis peran

Untuk memastikan bahwa keberlanjutan adalah keterampilan praktis, bukan konsep teoretis, sesuaikan pelatihan keberlanjutan dengan peran pekerjaan tertentu. Alat dan teknik keberlanjutan yang dapat digunakan oleh data scientist sangat berbeda dengan yang tersedia untuk analis FinOps, seperti yang dijelaskan dalam tabel berikut:

Peran Fokus latihan
Data scientist dan engineer ML Intensitas karbon komputasi: Menunjukkan perbedaan antara menjalankan tugas pelatihan AI pada sistem lama versus akselerator AI yang dibuat khusus. Soroti bagaimana model dengan parameter yang lebih sedikit dapat menghasilkan akurasi yang diperlukan dengan konsumsi energi yang jauh lebih rendah.
Developer Efisiensi kode dan konsumsi resource: Ilustrasikan bagaimana kode berlatensi tinggi atau loop yang tidak efisien berdampak langsung pada runtime CPU yang lebih lama dan peningkatan konsumsi energi. Menekankan pentingnya container ringan dan perlunya mengoptimalkan performa aplikasi untuk mengurangi jejak ekologi software.
Arsitek Berkelanjutan sejak awal: Fokus pada pemilihan region dan penempatan workload. Tunjukkan bagaimana memilih region ikon daun CO2 Rendah dengan persentase energi terbarukan yang tinggi (seperti northamerica-northeast1) secara mendasar mengubah profil karbon dari seluruh stack aplikasi Anda sebelum Anda menulis satu baris kode pun.
Platform engineer dan operations engineer Memaksimalkan pemanfaatan: Tekankan biaya lingkungan dari resource nonaktif dan penyediaan berlebih. Menyajikan skenario untuk penskalaan otomatis dan penyesuaian ukuran guna memastikan bahwa resource cloud digunakan secara efisien. Menjelaskan cara membuat dan melacak metrik terkait keberlanjutan seperti pemanfaatan dan cara menerjemahkan metrik seperti waktu komputasi menjadi metrik emisi karbon yang setara.
FinOps Perhitungan ekonomis per unit karbon: Fokus pada hubungan antara pengeluaran finansial dan dampak lingkungan. Tunjukkan bagaimana praktik GreenOps memungkinkan organisasi melacak karbon per transaksi, yang membantu menjadikan keberlanjutan sebagai indikator performa utama (KPI) yang sama pentingnya dengan KPI konvensional seperti biaya dan pemanfaatan.
Product manager Keberlanjutan sebagai fitur: Menunjukkan cara mengintegrasikan sasaran pengurangan karbon ke dalam roadmap produk. Tunjukkan bagaimana perjalanan pengguna yang disederhanakan dapat membantu mengurangi konsumsi energi oleh resource cloud dan perangkat pengguna akhir.
Pemimpin bisnis Penyelarasan dan pelaporan strategis: Fokus pada pengaruh keberlanjutan cloud terhadap skor lingkungan, sosial, dan tata kelola (ESG) serta reputasi publik. Mengilustrasikan cara pilihan keberlanjutan membantu mengurangi risiko peraturan dan memenuhi komitmen terhadap komunitas dan industri.

Mendukung keberlanjutan dan mengapresiasi keberhasilan

Untuk mempertahankan progres jangka panjang, Anda harus melangkah lebih jauh dari perbaikan teknis internal dan mulai memengaruhi partner serta industri Anda.

Memberdayakan manajer untuk mendukung keberlanjutan

Memberikan data dan izin yang diperlukan kepada pengelola untuk memprioritaskan dampak lingkungan, seperti metrik bisnis lainnya, seperti kecepatan pemasaran dan biaya. Saat memiliki data ini, manajer mulai memandang keberlanjutan sebagai standar kualitas dan efisiensi, bukan sebagai kemampuan opsional yang memperlambat produksi. Mereka secara aktif mengadvokasi fitur penyedia cloud baru—seperti data karbon yang lebih terperinci dan prosesor yang lebih baru dan lebih ramah lingkungan di wilayah tertentu.

Menyelaraskan dengan standar industri dan framework

Untuk memastikan bahwa upaya keberlanjutan Anda kredibel dan terukur, selaraskan praktik internal dengan standar global dan regional yang diakui. Untuk mengetahui informasi selengkapnya, lihat Menyelaraskan praktik keberlanjutan dengan pedoman industri.

Memberikan insentif untuk upaya keberlanjutan

Untuk memastikan bahwa keberlanjutan menjadi bagian yang bertahan lama dari budaya rekayasa, tim harus menyadari nilai dari memprioritaskan keberlanjutan. Beralihlah dari sasaran tingkat tinggi ke KPI yang spesifik dan terukur yang memberikan reward atas peningkatan dan efisiensi.

Menentukan KPI dan NFR karbon

Perlakukan keberlanjutan sebagai persyaratan teknis inti. Saat Anda menentukan KPI karbon, seperti gram setara CO2 per juta permintaan atau intensitas karbon per pelatihan AI, Anda membuat dampak terhadap keberlanjutan menjadi terlihat dan dapat ditindaklanjuti. Misalnya, integrasikan keberlanjutan ke dalam NFR untuk setiap project baru. Dengan kata lain, seperti halnya sistem harus memenuhi target latensi atau ketersediaan tertentu, sistem juga harus tetap berada dalam anggaran emisi karbon yang ditentukan.

Mengukur laba atas upaya

Bantu tim Anda mengidentifikasi keberhasilan keberlanjutan yang berdampak tinggi dan berupaya rendah—seperti mengalihkan tugas batch ke region lain—dibandingkan dengan latihan refaktorisasi kode yang kompleks yang mungkin memberikan keuntungan minimal. Memberikan visibilitas ke laba atas upaya (ROE). Saat memilih kelompok prosesor yang lebih efisien, tim harus mengetahui secara pasti berapa banyak emisi karbon yang mereka hindari dibandingkan dengan waktu dan upaya yang diperlukan untuk bermigrasi ke prosesor baru.

Mengakui dan mengapresiasi pengurangan karbon

Dampak keberlanjutan sering kali tersembunyi di latar belakang infrastruktur. Untuk membangun momentum bagi progres keberlanjutan, tunjukkan keberhasilan kepada seluruh organisasi. Misalnya, gunakan anotasi di dasbor pemantauan untuk menandai kapan tim men-deploy pengoptimalan keberlanjutan tertentu. Visibilitas ini memungkinkan tim menunjukkan data di dasbor dan mengklaim pengakuan atas keberhasilan mereka.

Menyelaraskan praktik keberlanjutan dengan pedoman industri

Prinsip dalam pilar keberlanjutan Google Cloud Well-Architected Framework ini memberikan ringkasan tentang pedoman dan framework industri yang harus Anda selaraskan dengan upaya keberlanjutan Anda.

Ringkasan prinsip

Untuk memastikan bahwa inisiatif keberlanjutan Anda dibangun di atas fondasi metode yang diakui secara global untuk pengukuran, pelaporan, dan verifikasi, sebaiknya selaraskan inisiatif Anda dengan pedoman industri berikut:

Saat Anda menyelaraskan inisiatif keberlanjutan dengan pedoman eksternal bersama ini, inisiatif Anda akan mendapatkan kredibilitas dan kemampuan audit yang diminta oleh investor, badan pengatur, dan pemangku kepentingan eksternal lainnya. Anda juga mendorong akuntabilitas di seluruh tim engineering, menyertakan keberlanjutan dalam pelatihan karyawan, dan berhasil mengintegrasikan operasi cloud ke dalam komitmen di seluruh perusahaan untuk pelaporan lingkungan, sosial, dan tata kelola (ESG).

Panduan Keberlanjutan Web W3C

Panduan Keberlanjutan Web (WSG) W3C adalah framework praktik terbaik yang sedang berkembang dan dikembangkan oleh kelompok kerja W3C untuk mengatasi dampak lingkungan dari produk dan layanan digital. Panduan ini mencakup seluruh siklus proses solusi digital, termasuk strategi bisnis dan produk, desain pengalaman pengguna (UX), pengembangan web, hosting, infrastruktur, dan sistem. Sasaran inti WSG adalah memungkinkan developer dan arsitek membangun situs dan aplikasi web yang lebih hemat energi serta mengurangi traffic jaringan, pemrosesan sisi klien, dan konsumsi resource sisi server. Panduan ini berfungsi sebagai titik referensi penting untuk menyelaraskan keberlanjutan tingkat aplikasi dengan keputusan arsitektur tingkat cloud.

Green Software Foundation

Green Software Foundation (GSF) berfokus pada pembangunan ekosistem industri seputar software yang berkelanjutan. Misinya adalah mendorong pembuatan software yang dirancang, dibangun, dan dioperasikan untuk meminimalkan jejak karbon. GSF mengembangkan spesifikasi Software Carbon Intensity (SCI), yang memberikan standar umum untuk mengukur tingkat emisi karbon dari software apa pun. Penyelarasan dengan GSF membantu developer menghubungkan efisiensi aplikasi secara langsung dengan dampak karbon lingkungan cloud.

Protokol Gas Rumah Kaca

Protokol Gas Rumah Kaca (GHG) adalah serangkaian standar yang digunakan secara luas untuk mengukur, mengelola, dan melaporkan emisi gas rumah kaca secara publik. Protokol ini dikembangkan melalui kemitraan antara World Resources Institute (WRI) dan World Business Council for Sustainable Development (WBCSD). Protokol GHG menyediakan framework penting untuk akuntansi iklim perusahaan. Laporan Jejak Karbon menyediakan data untuk cakupan emisi yang relevan dengan penggunaan cloud. Untuk mengetahui informasi selengkapnya, lihat Metodologi pelaporan Jejak Karbon.

Kepatuhan terhadap Protokol GHG membantu memastikan bahwa inisiatif keberlanjutan Anda memiliki kredibilitas dan pihak eksternal dapat mengaudit data emisi karbon Anda. Anda juga membantu mencegah persepsi greenwashing dan memenuhi persyaratan uji tuntas dari investor, regulator, dan pemangku kepentingan eksternal. Data yang diverifikasi dan diaudit membantu organisasi Anda membuktikan akuntabilitas dan membangun kepercayaan dalam komitmen keberlanjutan yang ditampilkan kepada publik.