Well-Architected Framework: Pilar keberlanjutan

Last reviewed 2026-01-28 UTC

Pilar keberlanjutan dalam Google Cloud Framework Berarsitektur Baik memberikan rekomendasi untuk mendesain, 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 yang signifikan terhadap penggunaan energi, dampak air, dan jejak karbon yang didorong oleh workload Anda di cloud. Setiap beban kerja, baik itu situs kecil atau model ML skala besar, mengonsumsi energi dan berkontribusi terhadap emisi karbon dan intensitas sumber daya air. Saat mengintegrasikan keberlanjutan ke dalam arsitektur dan proses desain cloud, Anda membangun sistem yang efisien, hemat biaya, dan berkelanjutan secara lingkungan. Arsitektur yang berkelanjutan bersifat tangguh dan dioptimalkan, yang menciptakan siklus umpan balik 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 pertukaran dengan 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 seperti ini dianggap berkelanjutan berdasarkan desain, dengan mengoptimalkan keberlanjutan akan 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 yang efisien yang menyelesaikan tugas lebih cepat memerlukan resource komputasi dalam durasi yang lebih singkat. Oleh karena itu, hardware yang mendasarinya mengonsumsi lebih sedikit kilowatt-jam (kWh) energi. Performa yang dioptimalkan juga menghasilkan latensi yang lebih rendah dan pengalaman pengguna yang lebih baik. Waktu dan energi tidak terbuang karena resource menunggu proses yang tidak efisien. Saat Anda menggunakan hardware khusus (misalnya, GPU dan TPU), menerapkan 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 yang tidak digunakan, Anda akan mengurangi penggunaan resource dan biaya cloud. Anda juga mengurangi jejak karbon sistem Anda, karena pusat data mengonsumsi 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 penolakan layanan (DoS) atau pelanggaran data yang tidak sah—dapat meningkatkan konsumsi resource secara drastis. Insiden ini dapat memicu lonjakan traffic yang sangat besar, membuat 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 yang minimal dapat membantu mengurangi penggunaan energi oleh pengguna akhir. Aplikasi yang memuat model yang lebih kecil atau memproses lebih sedikit data untuk memberikan hasil lebih cepat akan membantu mengurangi energi yang dikonsumsi 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 berkelanjutan membantu meminimalkan bahaya bagi planet dan menunjukkan komitmen Anda terhadap teknologi yang bertanggung jawab secara sosial.

Nilai keberlanjutan migrasi ke cloud

Memigrasikan workload lokal ke cloud dapat membantu mengurangi jejak lingkungan organisasi Anda. Transisi ke infrastruktur cloud dapat mengurangi penggunaan energi dan emisi terkait sebesar 1,4 hingga 2 kali lipat dibandingkan dengan deployment lokal standar. 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 distribusi daya dan pendinginan canggih.

Tanggung jawab bersama dan shared fate

Tanggung jawab bersama dan konsekuensi bersama 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 dari Google Cloud, yang berarti efisiensi energi dan pengelolaan air di pusat data, infrastruktur, dan layanan inti kami. Kami terus berinvestasi dalam energi terbarukan, pendinginan yang ramah iklim, dan pengoptimalan hardware. Untuk mengetahui informasi selengkapnya tentang strategi dan progres keberlanjutan Google, lihat Laporan Lingkungan Keberlanjutan Google 2025.

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 menganjurkan model nasib bersama: keberlanjutan bukan hanya pembagian tugas, tetapi kemitraan kolaboratif antara Anda dan Google untuk mengurangi jejak lingkungan bagi seluruh ekosistem.

Menggunakan AI untuk dampak bisnis

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

AI berfungsi sebagai katalisator keberlanjutan dengan mengubah set data yang sangat besar menjadi insight yang dapat ditindaklanjuti. Hal ini memungkinkan organisasi bertransisi dari kepatuhan yang reaktif ke pengoptimalan yang proaktif, seperti di area berikut:

  • Efisiensi operasional: Menyederhanakan operasi melalui peningkatan pengelolaan inventaris, pengoptimalan supply chain, dan pengelolaan energi yang cerdas.
  • Transparansi dan risiko: Gunakan data untuk transparansi supply chain yang terperinci, 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 mendapatkan insight dari data dan membangun kemampuan untuk masa depan yang berkelanjutan:

  • AI Google Earth: Menggunakan data geospasial skala planet untuk menganalisis perubahan lingkungan dan memantau dampak rantai pasokan.
  • WeatherNext: Menyediakan analisis risiko iklim dan prakiraan cuaca lanjutan untuk membantu Anda membangun ketahanan terhadap volatilitas iklim.
  • Insight geospasial dengan Google Earth: Menggunakan data geospasial untuk menambahkan data kontekstual yang kaya ke lokasi, yang memungkinkan pemilihan situs, perencanaan sumber daya, 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 berkolaborasi untuk memajukan keberlanjutan cloud dengan memigrasikan workload ke infrastruktur netral karbon Google dan memanfaatkan analisis data untuk mengoptimalkan operasi. Kolaborasi ini memberikan manfaat sosial dan lingkungan melalui inisiatif seperti teknologi kota pintar, 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.

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 di 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 tersebut. Keputusan ini memengaruhi jejak karbon workload Anda. Untuk meminimalkan jejak karbon, strategi pemilihan region Anda harus mencakup 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 secara lingkungan menggunakan batasan lokasi resource di Layanan Kebijakan Organisasi.
  • Fleksibilitas operasional: Gunakan teknik seperti pengalihan waktu dan penjadwalan yang memperhatikan karbon untuk menjalankan workload batch selama jam-jam ketika intensitas karbon jaringan listrik paling rendah.

Listrik yang digunakan untuk mendukung aplikasi dan beban kerja Anda di cloud adalah faktor penting yang memengaruhi pilihan Google Cloud wilayah. Selain itu, pertimbangkan faktor-faktor berikut:

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

Alat Google Cloud Pemilih Region membantu Anda memilih region Google Cloud yang optimal berdasarkan persyaratan jejak karbon, biaya, dan latensi. Anda juga dapat menggunakan Cloud Location Finder untuk menemukan lokasi cloud di Google Cloud dan penyedia lain 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 di 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:

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

Sertakan CFE dalam strategi pemilihan lokasi Anda

Pertimbangkan rekomendasi berikut:

  • Pilih region yang paling bersih untuk aplikasi Anda. Jika Anda berencana menjalankan aplikasi dalam jangka waktu yang lama, jalankan di region dengan CFE% tertinggi. Untuk workload batch, Anda memiliki fleksibilitas yang lebih besar dalam memilih region karena Anda dapat memprediksi kapan workload harus berjalan.
  • Pilih wilayah rendah karbon. Halaman tertentu di Google Cloud situs dan pemilih lokasi di Google Cloud konsol menampilkan indikator ikon daun Rendah CO2 untuk wilayah yang memiliki dampak karbon terendah.
  • Batasi pembuatan resource ke region rendah karbon Google Cloud tertentu dengan menggunakan batasan Kebijakan Organisasi lokasi resource. Misalnya, untuk mengizinkan pembuatan resource hanya di region rendah karbon berbasis 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 sistem tenaga listrik dapat sangat bervariasi sepanjang hari. Variasi ini bergantung pada campuran sumber energi yang memasok jaringan. 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 tidak sibuk atau saat sumber terbarukan seperti tenaga surya dan angin memasok lebih banyak daya ke jaringan. Dengan menjadwalkan tugas yang intensif secara komputasi seperti pelatihan model dan inferensi batch skala besar selama jam CFE yang lebih tinggi, Anda dapat mengurangi emisi karbon terkait secara signifikan tanpa memengaruhi performa atau biaya. Pendekatan ini dikenal sebagai pengubahan waktu, di mana Anda menggunakan sifat dinamis intensitas karbon jaringan untuk mengoptimalkan beban kerja Anda demi keberlanjutan.

Mengoptimalkan workload AI dan ML untuk efisiensi energi

Prinsip ini dalam pilar keberlanjutan Google Cloud Framework yang Dirancang dengan Baik 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 harus mengadopsi pendekatan holistik untuk merancang, men-deploy, dan mengoperasikan workload. Pilih model yang sesuai dan hardware khusus seperti Tensor Processing Unit (TPU), jalankan workload di region rendah karbon, lakukan pengoptimalan 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 jejak karbon. Perspektif AI dan ML dalam Framework yang Dirancang dengan Baik menjelaskan prinsip dan rekomendasi untuk mendesain, membangun, dan mengelola workload AI dan ML yang memenuhi tujuan operasional, keamanan, keandalan, biaya, dan performa Anda. Selain itu, Pusat Arsitektur Cloud memberikan arsitektur referensi dan panduan desain yang mendetail untuk workload AI dan ML di Google Cloud.

Rekomendasi

Untuk mengoptimalkan workload AI dan ML agar hemat energi, pertimbangkan rekomendasi di bagian berikut.

Membangun arsitektur untuk efisiensi energi dengan menggunakan TPU

Workload AI dan ML dapat bersifat intensif komputasi. Konsumsi energi oleh beban kerja 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 fondasi deep learning. TPU dapat melakukan tugas kompleks dalam skala besar dengan efisiensi yang lebih tinggi daripada prosesor serbaguna 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 khusus mereka secara signifikan mengurangi permintaan daya untuk tugas pelatihan dan inferensi skala besar, yang menghasilkan pengurangan biaya operasional dan konsumsi energi yang lebih rendah.
  • Pelatihan dan inferensi yang lebih cepat: Performa TPU yang luar biasa memungkinkan Anda melatih model AI yang kompleks dalam hitungan jam, bukan hari. Pengurangan total waktu komputasi yang signifikan ini berkontribusi langsung pada jejak lingkungan yang lebih kecil.
  • Kebutuhan pendinginan yang lebih rendah: TPU menggunakan pendinginan cair tingkat lanjut, 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 penayangan model.

Ikuti 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 sebagai 4M:

  • Model: Pilih arsitektur model ML yang efisien. Misalnya, model sparse meningkatkan kualitas ML dan mengurangi komputasi hingga 3-10 kali lipat jika dibandingkan dengan model padat.
  • Mesin: Pilih prosesor dan sistem yang dioptimalkan untuk pelatihan ML. Prosesor ini meningkatkan performa dan efisiensi energi hingga 2-5 kali lipat dibandingkan dengan prosesor tujuan umum.
  • Mekanisasi: Deploy workload intensif komputasi Anda di cloud. Beban kerja Anda menggunakan lebih sedikit energi dan menyebabkan emisi yang lebih rendah sebesar 1,4 hingga 2 kali lipat jika dibandingkan dengan deployment lokal. Pusat data cloud menggunakan warehouse baru yang dirancang khusus dan dibangun untuk efisiensi energi serta 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 hemat energi mungkin tidak ekonomis.
  • Peta: Pilih Google Cloud lokasi yang menggunakan energi terbersih. Pendekatan ini membantu mengurangi jejak karbon kotor workload Anda sebesar 5-10 kali lipat. Untuk mengetahui informasi selengkapnya, lihat Energi bebas karbon untuk Google Cloud region.

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

Mengoptimalkan model dan algoritma AI untuk pelatihan dan inferensi

Arsitektur model AI dan algoritma yang digunakan untuk pelatihan dan inferensi berdampak signifikan pada konsumsi energi. Pertimbangkan rekomendasi berikut.

Memilih model AI yang efisien

Pilih model AI yang lebih kecil dan efisien yang memenuhi persyaratan performa Anda. Jangan memilih model terbesar yang tersedia sebagai pilihan default. Misalnya, versi model yang lebih kecil dan telah di-distilasi 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 sudah dilatih dan dioptimalkan secara berlebihan. Teknik ini dapat mengurangi konsumsi energi dan upaya penelitian secara signifikan untuk beban kerja pelatihan dan inferensi. Berikut adalah contoh solusi khusus spesifik per domain:

  • Earth AI adalah solusi hemat energi yang menyintesis sejumlah besar data geospasial global untuk memberikan insight yang tepat waktu, akurat, dan dapat ditindaklanjuti.
  • WeatherNext menghasilkan prakiraan cuaca global yang lebih cepat, lebih efisien, dan sangat akurat jika dibandingkan dengan metode berbasis fisika konvensional.

Menerapkan teknik kompresi model yang sesuai

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

  • Pemangkasan (Pruning): Menghapus parameter yang tidak diperlukan dari jaringan saraf. Parameter ini adalah parameter yang tidak memberikan kontribusi signifikan terhadap performa model. Teknik ini mengurangi ukuran model dan sumber daya 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 mengurangi akurasi secara signifikan.
  • Distilasi pengetahuan: Melatih model siswa yang lebih kecil untuk meniru perilaku model pengajar yang lebih besar dan kompleks. Model siswa dapat mencapai tingkat performa yang tinggi dengan lebih sedikit parameter dan menggunakan lebih sedikit energi.

Menggunakan hardware khusus

Seperti yang disebutkan dalam Ikuti 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 fine-tuning yang efisien parameter

Daripada menyesuaikan semua parameter model yang berjumlah miliaran (penyesuaian 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 jika 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 GPU dan TPU selalu digunakan dan tidak menunggu data. Teknik ini membantu memaksimalkan pemanfaatan resource dan mengurangi energi yang terbuang.
  • Penyesuaian hyperparameter yang dioptimalkan: Untuk menemukan hyperparameter optimal secara lebih efisien, gunakan teknik seperti pengoptimalan Bayesian atau reinforcement learning. Hindari penelusuran petak yang ekstensif, yang dapat menjadi operasi yang intensif sumber daya.

Meningkatkan efisiensi inferensi

Untuk meningkatkan efisiensi tugas inferensi AI, gunakan teknik berikut:

  • Batching: 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 multi-layer, yang mencakup caching key-value (KV) untuk pembuatan autoregresif dan caching perintah semantik untuk respons aplikasi. Teknik ini membantu melewati komputasi model yang berlebihan dan dapat menghasilkan pengurangan yang signifikan dalam penggunaan energi dan emisi karbon.

Ukur dan pantau

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 menuju sasaran keberlanjutan.
  • Performa: Terus pantau performa model dalam produksi. Mengidentifikasi masalah seperti pergeseran data, yang dapat menunjukkan bahwa model perlu di-fine-tune lagi. Jika perlu melatih ulang model, Anda dapat menggunakan model yang telah di-fine-tune sebelumnya sebagai titik awal dan menghemat banyak waktu, uang, dan energi untuk pembaruan.

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

Menerapkan penjadwalan yang hemat karbon

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

Optimalkan pipeline data

Operasi ML dan penyesuaian memerlukan set data yang bersih dan berkualitas tinggi. Sebelum Anda memulai tugas ML, gunakan layanan pemrosesan data terkelola untuk menyiapkan data secara efisien. Misalnya, gunakan Dataflow untuk streaming dan batch processing, serta gunakan Dataproc untuk pipeline Spark dan Hadoop terkelola. Pipeline data yang dioptimalkan membantu memastikan beban kerja penyesuaian Anda tidak menunggu data, sehingga Anda dapat memaksimalkan pemanfaatan resource dan membantu mengurangi pemborosan energi.

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, yang membantu mencegah pelatihan atau alokasi resource yang tidak perlu.

Menggunakan layanan terkelola

Daripada mengelola infrastruktur Anda sendiri, gunakan layanan cloud terkelola seperti Vertex AI. Platform cloud menangani pengelolaan resource yang mendasarinya, sehingga Anda dapat berfokus pada proses penyesuaian. Gunakan layanan yang mencakup alat bawaan untuk penyesuaian hyperparameter, pemantauan model, dan pengelolaan resource.

Langkah berikutnya

Mengoptimalkan penggunaan resource untuk keberlanjutan

Prinsip dalam pilar keberlanjutan di Google Cloud Framework yang Dirancang dengan Baik 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 dampak lingkungan dari workload Anda, Anda perlu membuat pilihan yang tepat saat Anda 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 optimal, yang membantu mencegah pemborosan energi dari infrastruktur yang tidak digunakan atau yang terlalu banyak disediakan. Pengurangan energi yang terbuang akan menghasilkan biaya yang lebih rendah dan emisi karbon yang lebih rendah.

Gunakan teknik berikut untuk menerapkan skalabilitas otomatis dan dinamis.

Menggunakan penskalaan horizontal

Penskalaan horizontal adalah teknik penskalaan pilihan untuk sebagian besar aplikasi yang mengutamakan cloud. 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 secara otomatis sekelompok VM Compute Engine. 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 variabel.

Mengonfigurasi kebijakan penskalaan yang sesuai

Konfigurasi setelan penskalaan otomatis berdasarkan persyaratan workload Anda. Tentukan 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 akan melakukan penskalaan sebagai respons terhadap perubahan beban real-time. Teknik ini cocok untuk aplikasi yang memiliki lonjakan beban yang tidak dapat diprediksi.

Penskalaan proaktif cocok untuk beban kerja dengan pola yang dapat diprediksi, seperti jam kerja harian yang tetap dan pembuatan laporan mingguan. Untuk workload tersebut, gunakan penskalaan otomatis terjadwal untuk melakukan pra-penyediaan resource 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 penjualan besar dan upaya pemasaran yang terfokus.

Google Cloud Layanan dan fitur terkelola 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 dapat diskalakan secara horizontal, komponen aplikasi 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.

Jadwal 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 dalam sehari yang paling rendah intensitas karbonnya untuk suatu region, gunakan laporan Jejak Karbon.

Menggunakan Spot VM untuk workload nonkritis

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

Menggabungkan dan memparalelkan tugas

Untuk mengurangi overhead saat memulai dan menghentikan tugas satu per satu, 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, yang membantu memastikan pemanfaatan resource yang optimal.

Menggunakan layanan terkelola

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

Mencocokkan kelompok mesin VM dengan persyaratan beban kerja

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 (E2, N2, N4, Tau T2A/T2D): 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 Tau T2A menggunakan prosesor berbasis Arm, yang sering kali lebih hemat energi per unit performa untuk workload skala besar.
Instance yang dioptimalkan untuk komputasi (C2, C3): Instance ini memberikan rasio vCPU-ke-memori yang tinggi dan performa tinggi per core. Komputasi berperforma tinggi (HPC), pemrosesan batch, server game, dan analisis data berbasis CPU. Instance seri C memungkinkan Anda menyelesaikan tugas intensif CPU lebih cepat, yang mengurangi total waktu komputasi dan konsumsi energi tugas.
Instance yang dioptimalkan untuk memori (M3, M2): Instance ini dirancang untuk workload yang memerlukan memori dalam jumlah besar. Database dan data warehouse dalam memori besar, seperti SAP HANA atau analisis dalam memori. Instance yang dioptimalkan untuk memori memungkinkan konsolidasi workload yang berat 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 keadaan aktif.
Instance yang dioptimalkan untuk penyimpanan (Z3): Instance ini menyediakan penyimpanan SSD lokal ber-throughput tinggi dan berlatensi rendah. Data warehousing, analisis log, dan database SQL, NoSQL, dan vektor. Instance yang dioptimalkan untuk penyimpanan memproses set data besar secara lokal, yang membantu menghilangkan energi yang digunakan untuk keluar data jaringan lintas lokasi. Saat menggunakan penyimpanan lokal untuk tugas IOPS tinggi, Anda menghindari penyediaan berlebih beberapa instance standar.
Instance yang dioptimalkan untuk akselerator (A3, A2, G2): 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. Chip ini memberikan komputasi yang lebih tinggi per watt.

Instance yang diakselerasi GPU seperti seri A3 dengan GPU NVIDIA H100 dapat secara signifikan lebih hemat energi untuk melatih model besar daripada alternatif khusus CPU. Meskipun instance dengan akselerasi GPU memiliki penggunaan daya nominal yang lebih tinggi, tugas 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 dapat 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:

  • Inti khusus: Kemajuan dalam prosesor sering kali mencakup inti atau petunjuk khusus untuk beban kerja umum. Misalnya, CPU mungkin memiliki core khusus untuk operasi vektor atau akselerator AI terintegrasi. Saat tugas ini dialihkan dari CPU utama, tugas akan diselesaikan secara lebih efisien dan mengonsumsi lebih sedikit energi.
  • Pengelolaan daya yang ditingkatkan: Kemajuan dalam arsitektur chip sering kali mencakup fitur pengelolaan daya yang lebih canggih, seperti penyesuaian dinamis voltase dan frekuensi berdasarkan beban kerja. Fitur pengelolaan daya ini memungkinkan chip berjalan dengan 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 yang lebih tinggi per watt: 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, sumber daya 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 jangka pendek yang membutuhkan komputasi intensif 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 canggih platform cloud. Jenis mesin ini biasanya memungkinkan pemanfaatan resource yang lebih baik, yang mengurangi kebutuhan untuk penyediaan berlebih 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 komputasi cloud yang berkelanjutan. Layanan ini membantu mengoptimalkan pemanfaatan resource dan mengotomatiskan pengelolaan resource.

Memanfaatkan kemampuan skala ke nol Cloud Run

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

Mengotomatiskan pengoptimalan resource menggunakan GKE

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

  • Bin packing: GKE Autopilot secara cerdas mengemas beberapa container di node yang tersedia. Pengemasan bin memaksimalkan penggunaan setiap node dan mengurangi jumlah node yang tidak digunakan atau kurang digunakan, yang membantu mengurangi konsumsi energi.
  • Penskalaan otomatis Pod horizontal (HPA): Dengan HPA, jumlah replika container (Pod) disesuaikan secara otomatis berdasarkan metrik yang telah ditentukan sebelumnya seperti penggunaan CPU atau metrik khusus aplikasi kustom. 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 membayar atau mengaktifkan kapasitas komputasi yang tidak diperlukan.
  • Penskalaan otomatis Pod vertikal (VPA): Anda dapat mengonfigurasi GKE untuk menyesuaikan alokasi dan batas CPU dan memori secara otomatis untuk setiap container. Konfigurasi ini memastikan bahwa container tidak dialokasikan lebih banyak resource daripada yang dibutuhkan, yang membantu mencegah penyediaan resource berlebih.
  • 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 terkecil untuk performa yang diperlukan.
  • Penjadwalan yang Mendukung Topologi (TAS): TAS meningkatkan efisiensi jaringan untuk workload AI dan ML di GKE dengan menempatkan Pod berdasarkan struktur fisik infrastruktur pusat data. TAS secara strategis menempatkan beban kerja secara bersamaan untuk meminimalkan hop jaringan. Kolokasi ini membantu mengurangi latensi komunikasi dan konsumsi energi. Dengan mengoptimalkan keselarasan fisik node dan hardware khusus, TAS mempercepat penyelesaian tugas dan memaksimalkan efisiensi energi workload AI dan ML berskala besar.

Mengonfigurasi penjadwalan yang memperhatikan emisi karbon

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

Untuk menerapkan penjadwalan yang memperhatikan emisi karbon, Anda memerlukan informasi tentang kombinasi energi yang mengalirkan listrik ke pusat data di suatu wilayah secara real time. Anda bisa mendapatkan informasi ini dalam format yang dapat dibaca mesin dari repositori Carbon free energy for Google Cloud regions di GitHub atau dari set data publik BigQuery. Data intensitas karbon dan campuran jaringan per jam yang digunakan untuk menghitung set data karbon tahunan Google berasal dari Electricity Maps.

Untuk menerapkan penjadwalan yang memperhatikan karbon, sebaiknya gunakan teknik berikut:

  • Perpindahan geografis: Jadwalkan workload Anda untuk berjalan 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 fleksibel dan tidak penting seperti pemrosesan batch, konfigurasikan workload agar berjalan selama jam tidak sibuk atau saat energi terbarukan paling banyak tersedia. Pendekatan ini dikenal sebagai pengalihan temporal dan membantu mengurangi jejak karbon secara keseluruhan dengan memanfaatkan sumber energi yang lebih bersih saat tersedia.

Merancang pemulihan dari bencana yang hemat energi

Persiapan untuk pemulihan dari bencana (DR) sering kali melibatkan penyediaan awal sumber daya 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 tujuan waktu pemulihan (RTO) Anda.

Mengoptimalkan efisiensi cold start

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

  • Prioritaskan DR dingin: Nonaktifkan resource di region DR atau dalam status diskalakan ke nol. Pendekatan ini membantu menghilangkan jejak karbon 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.
  • Mengotomatiskan pemulihan dengan infrastructure-as-code (IaC): Daripada menjalankan resource di situs DR (warm), gunakan alat IaC seperti Terraform untuk menyediakan lingkungan dengan cepat hanya saat diperlukan.

Menyeimbangkan redundansi dan pemanfaatan

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

  • Lebih memilih aktif-aktif daripada aktif-pasif: Dalam penyiapan aktif-pasif, resource di situs pasif tidak digunakan, sehingga menyebabkan pemborosan energi. 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.
  • Tentukan ukuran 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 Framework yang Dirancang dengan Baik ini memberikan rekomendasi untuk menulis software yang meminimalkan konsumsi energi dan beban server.

Ringkasan prinsip

Jika Anda mengikuti praktik terbaik untuk membangun aplikasi cloud, Anda akan mengoptimalkan energi yang digunakan oleh resource infrastruktur cloud: AI, komputasi, penyimpanan, dan jaringan. Anda juga membantu mengurangi kebutuhan air pusat data dan energi yang dikonsumsi 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 beban kerja cloud, lihat ebook Membangun Software Secara Berkelanjutan. Google Cloud

Rekomendasi

Rekomendasi dalam bagian ini dikelompokkan ke dalam area fokus berikut:

  • Minimalkan pekerjaan komputasi: Lebih memilih kode yang ramping dan terfokus yang menghilangkan logika yang berlebihan dan menghindari komputasi yang tidak perlu atau penambahan fitur yang tidak perlu.
  • Gunakan algoritma dan struktur data yang efisien: Pilih algoritma yang efisien waktu dan efisien memori yang mengurangi beban CPU dan meminimalkan penggunaan memori.
  • Mengoptimalkan operasi komputasi dan data: Kembangkan dengan tujuan menggunakan semua resource yang tersedia secara efisien, termasuk CPU, memori, I/O disk, dan jaringan. Misalnya, saat mengganti loop sibuk dengan logika berbasis peristiwa, Anda akan menghindari polling yang tidak perlu.
  • Terapkan pengoptimalan frontend: Untuk mengurangi daya yang dikonsumsi oleh perangkat pengguna akhir, gunakan strategi seperti minimisasi, kompresi, dan pemuatan lambat untuk gambar dan aset.

Meminimalkan pekerjaan komputasi

Untuk menulis software yang hemat energi, Anda perlu meminimalkan total jumlah pekerjaan komputasi yang dilakukan aplikasi Anda. Setiap instruksi yang tidak perlu, loop yang berlebihan, dan fitur tambahan mengonsumsi energi, waktu, dan sumber daya. Gunakan rekomendasi berikut untuk membuat software yang melakukan komputasi minimal.

Menulis kode yang efisien dan terfokus

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

  • Hilangkan logika yang berlebihan dan penambahan fitur yang tidak perlu: Tulis kode yang hanya menjalankan fungsi penting. Hindari fitur yang meningkatkan overhead dan kompleksitas komputasi, tetapi tidak memberikan nilai yang terukur bagi pengguna Anda.
  • Refaktorisasi: Untuk meningkatkan efisiensi energi dari waktu ke waktu, audit aplikasi Anda secara rutin untuk mengidentifikasi fitur yang tidak digunakan. Lakukan tindakan untuk menghapus atau memfaktorkan ulang 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 ulang kode: Tulis kode yang mudah dibaca dan dapat digunakan kembali. Pendekatan ini meminimalkan duplikasi dan mengikuti prinsip jangan mengulangi diri sendiri (DRY), yang dapat membantu mengurangi emisi karbon dari pengembangan dan pemeliharaan software.

Menggunakan backend caching

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

  • Cache data yang sering digunakan: Simpan data yang sering diakses di lokasi penyimpanan sementara berperforma tinggi. Misalnya, gunakan layanan penyimpanan cache 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 berkurang.
  • Respons API cache: Untuk menghindari panggilan jaringan yang berlebihan dan mahal, simpan cache hasil permintaan API yang sering.
  • Prioritaskan caching dalam 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 tulis-tembus memastikan bahwa data ditulis secara sinkron ke cache dan penyimpanan persisten. Strategi ini meningkatkan kemungkinan cache hit, sehingga penyimpanan persisten menerima lebih sedikit permintaan baca yang intensif energi.
    • Strategi tulis balik (tulis di belakang) meningkatkan performa aplikasi yang banyak melakukan operasi tulis. Data ditulis ke cache terlebih dahulu, dan database diperbarui secara asinkron nanti. Strategi ini mengurangi beban penulisan langsung pada database yang lebih lambat.
  • Gunakan kebijakan pengusiran cerdas: Jaga agar cache tetap ramping dan efisien. Untuk menghapus data yang sudah tidak berlaku atau data yang 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 Anda memilih algoritma dan struktur data yang sesuai, Anda akan 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.

Pilih algoritma untuk kompleksitas waktu yang optimal

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

  • Fokus pada pengurangan kompleksitas: Untuk mengevaluasi kompleksitas, jangan hanya melihat metrik runtime, tetapi juga pertimbangkan kompleksitas teoretis algoritma. Misalnya, jika dibandingkan dengan pengurutan gelembung, 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 atau framework pemrograman yang Anda pilih. Fungsi ini sering kali diimplementasikan dalam bahasa tingkat yang lebih 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.
  • Minimalkan jejak memori: Struktur data yang efisien membantu mengurangi jejak memori keseluruhan aplikasi. Pengurangan akses dan pengelolaan memori menghasilkan konsumsi daya yang lebih rendah. 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, berfokuslah pada penggunaan resource yang efisien dan proporsional di seluruh stack teknologi. 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 tunggu

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

  • Lebih memilih logika berbasis peristiwa daripada polling: Ganti loop sibuk atau pemeriksaan konstan (polling) yang intensif sumber daya dengan logika berbasis peristiwa. Arsitektur berbasis peristiwa memastikan bahwa komponen aplikasi beroperasi hanya saat dipicu oleh peristiwa yang relevan. Pendekatan ini memungkinkan pemrosesan sesuai permintaan, sehingga tidak perlu melakukan polling yang intensif resource.
  • Mencegah frekuensi tinggi yang konstan: Tulis kode yang tidak memaksa CPU untuk terus beroperasi pada frekuensi tertinggi. Untuk meminimalkan konsumsi energi, sistem yang tidak aktif harus dapat memasuki status daya rendah atau mode tidur.
  • Gunakan pemrosesan asinkron: Untuk mencegah thread dikunci selama waktu tunggu tidak ada aktivitas, gunakan pemrosesan asinkron. Pendekatan ini membebaskan resource dan menghasilkan pemanfaatan resource secara keseluruhan yang lebih tinggi.

Mengelola I/O disk dan memori 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:

  • Pengelolaan memori yang ketat: Ambil tindakan untuk secara proaktif melepaskan resource memori yang tidak digunakan. Hindari menyimpan objek besar di memori dalam 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: Mengurangi 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 mengonsumsi 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 dekompresif.

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 mentransfer hanya data yang diperlukan untuk permintaan. Hindari pengambilan atau menampilkan struktur JSON atau XML besar jika hanya beberapa kolom yang diperlukan. Pastikan struktur data yang ditampilkan ringkas.
  • Kurangi perjalanan pulang pergi: Untuk mengurangi jumlah perjalanan pulang pergi jaringan yang diperlukan untuk menyelesaikan tindakan pengguna, gunakan protokol yang lebih cerdas. Misalnya, lebih memilih HTTP/3 daripada HTTP/1.1, memilih GraphQL daripada REST, menggunakan protokol biner, dan menggabungkan panggilan API. Saat Anda 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 pengguna akhir, yang 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 secara lebih efisien, perangkat mereka akan mengonsumsi lebih sedikit daya. Untuk meminimalkan volume download dan beban pemrosesan di perangkat pengguna akhir, gunakan teknik berikut:

  • Minimisasi dan kompresi: Untuk file JavaScript, CSS, dan HTML, hapus karakter yang tidak perlu seperti spasi dan komentar menggunakan alat minimisasi yang sesuai. Pastikan file seperti gambar dikompresi dan dioptimalkan. Anda dapat mengotomatiskan minimisasi dan kompresi aset web menggunakan pipeline CI/CD.
  • Pemuatan lambat: Muat gambar, video, dan aset tidak penting hanya saat benar-benar diperlukan, seperti saat elemen ini di-scroll ke dalam area tampilan halaman web. Pendekatan ini mengurangi volume transfer data awal dan beban pemrosesan pada perangkat pengguna akhir.
  • Paket JavaScript yang lebih kecil: Hapus kode yang tidak digunakan dari paket JavaScript Anda dengan 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. Penyimpanan ke cache 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 memberikan dampak signifikan pada kompleksitas komputasi untuk merender konten frontend. Untuk membuat antarmuka frontend yang memberikan UX ringan, gunakan teknik berikut:

  • Rendering yang efisien: Hindari manipulasi Document Object Model (DOM) yang sering dan intensif sumber daya. Tulis kode yang meminimalkan kompleksitas rendering dan menghilangkan rendering ulang yang tidak perlu.
  • Pola desain 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 dimuat dengan cepat sering kali lebih berkelanjutan dan mudah diakses. Desain yang dioptimalkan dan tidak berantakan mengurangi resource yang digunakan saat konten dirender. Situs yang dioptimalkan untuk performa dan kecepatan dapat membantu mendorong pendapatan yang lebih tinggi. Menurut studi penelitian 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 di Google Cloud Framework yang Dirancang dengan Baik 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 mahal secara lingkungan dan prioritaskan tata kelola data yang proaktif.

Keputusan Anda tentang 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. Saat Anda mengurangi kekacauan data, Anda akan meningkatkan performa sistem dan secara mendasar mengurangi jejak lingkungan 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 mengoperasikan 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 Google Cloud project atau layanan. Gunakan repositori data pusat seperti set data BigQuery atau bucket Cloud Storage sebagai sumber tepercaya tunggal 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 data gelap dan data bayangan menggunakan solusi penemuan dan pengatalogan data seperti Dataplex Universal Catalog. Audit temuan ini secara rutin dan terapkan proses pengarsipan atau penghapusan data gelap dan data bayangan sebagaimana mestinya.

Meminimalkan volume data untuk workload AI

Simpan hanya fitur dan data yang diproses yang diperlukan untuk pelatihan dan penyaluran 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 pembersihan data dan validasi data otomatis menggunakan layanan seperti Dataproc, Dataflow, atau Dataplex Universal Catalog pada saat penyerapan data. Data berkualitas rendah menyebabkan ruang penyimpanan terbuang. 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 IoT secara berkala. Tentukan apakah ada data yang dapat diringkas, digabungkan, atau di-downsampling untuk mempertahankan kepadatan informasi yang diperlukan dan mengurangi volume penyimpanan fisik.

Mengevaluasi secara kritis kebutuhan pencadangan

Menilai 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 yang stabil dan permanen. Simpan cadangan hanya untuk data yang unik atau mahal untuk dibuat ulang.

Mengoptimalkan pengelolaan siklus proses penyimpanan

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

Pilih kelas Cloud Storage yang sesuai

Mengotomatiskan transisi data di Cloud Storage ke kelas penyimpanan dengan karbon yang lebih rendah berdasarkan frekuensi akses menggunakan Pengelolaan Siklus Proses Objek.

  • Gunakan penyimpanan Standar hanya untuk set data yang aktif digunakan, 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 penyimpanan Arsip, 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 menghapus data tersebut secara otomatis setelah jangka waktu tertentu.

Mewajibkan pemberian tag resource

Wajibkan penggunaan tag dan label resource yang konsisten untuk semua bucket Cloud Storage, set data BigQuery, dan disk persisten Anda. Buat tag yang menunjukkan pemilik data, tujuan data, dan periode retensi. Gunakan batasan Layanan Kebijakan Organisasi 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 menghentikan penyediaan penyimpanan komputasi

Audit secara rutin persistent disk yang terpasang ke instance Compute Engine dan pastikan disk tidak dialokasikan 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 beban kerja analisis, sebaiknya gunakan format kolom terkompresi seperti Parquet atau Avro yang dioptimalkan daripada format berbasis baris seperti JSON atau CSV. Penyimpanan kolom mengurangi persyaratan ruang disk fisik secara signifikan dan meningkatkan efisiensi baca. Pengoptimalan ini membantu mengurangi konsumsi energi untuk operasi I/O dan komputasi terkait.

Mengoptimalkan regionalitas dan pergerakan data

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

Memilih region penyimpanan rendah karbon

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

Meminimalkan replikasi

Mereplikasi data di seluruh region hanya untuk memenuhi persyaratan wajib pemulihan dari bencana (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 beban kerja yang intensif komputasi seperti pelatihan AI dan pemrosesan BigQuery di region yang sama dengan sumber data.

Mengoptimalkan pergerakan data untuk partner dan pelanggan Anda

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

Terus mengukur dan meningkatkan keberlanjutan

Prinsip dalam pilar keberlanjutan di Google Cloud Framework yang Dirancang dengan Baik ini memberikan rekomendasi untuk membantu Anda mengukur dan terus meningkatkan keberlanjutan workload Anda di Google Cloud.

Ringkasan prinsip

Untuk memastikan bahwa beban kerja 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 yang terkait. Untuk membangun dan memelihara arsitektur cloud yang berkelanjutan, Anda harus mengintegrasikan pengukuran data karbon ke dalam loop umpan balik operasional Anda.

Rekomendasi dalam bagian ini memberikan framework untuk menggunakan Jejak Karbon untuk mengukur emisi karbon, mengidentifikasi hotspot karbon, menerapkan pengoptimalan beban kerja 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 yang transparan, dapat diaudit, dan selaras secara global terkait emisi yang terkait dengan cloud Anda. 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) Google. Pendekatan ganda ini membantu Anda memahami dampak jaringan fisik dan manfaat karbon dari beban kerja Anda di Google Cloud.

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

Rekomendasi

Untuk menggunakan pengukuran karbon dalam 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 data dapat diakses dan diintegrasikan dengan benar.

  1. Memberikan izin: Berikan izin kepada tim seperti FinOps, SecOps, dan platform engineering agar mereka dapat mengakses dasbor Jejak Karbon di konsol Google Cloud . Berikan peran Pelihat Jejak Karbon (roles/billing.carbonViewer) di Identity and Access Management (IAM) untuk akun penagihan yang sesuai.
  2. Mengotomatiskan ekspor data: Konfigurasi ekspor data Jejak Karbon secara 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.

Fase 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:

  • Prioritaskan menurut cakupan: Untuk mengidentifikasi dengan cepat penghasil emisi karbon kotor terbesar, analisis data di dasbor menurut project, region, dan layanan.
  • Gunakan penghitungan ganda: Saat Anda mengevaluasi dampak karbon di suatu wilayah, pertimbangkan emisi berbasis lokasi (dampak lingkungan dari jaringan listrik lokal) dan emisi berbasis pasar (manfaat investasi CFE Google).
  • Korelasi dengan biaya: Gabungkan data karbon di BigQuery dengan data penagihan Anda dan nilai dampak tindakan pengoptimalan terhadap keberlanjutan dan biaya. Biaya yang tinggi sering kali berkorelasi dengan emisi karbon yang tinggi.
  • Anotasi data untuk mengukur laba atas upaya (ROE): Anotasi data karbon di BigQuery dengan peristiwa tertentu, seperti menyesuaikan ukuran resource atau menonaktifkan layanan besar. Anotasi memungkinkan Anda mengatribusikan pengurangan emisi karbon dan biaya ke inisiatif pengoptimalan tertentu, sehingga Anda dapat mengukur dan menunjukkan hasil setiap inisiatif.

Fase 3: Menerapkan pengoptimalan bertarget

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

  • Nonaktifkan project tanpa pengawasan: Periksa secara rutin pemberi rekomendasi project tanpa pengawasan yang terintegrasi dengan data Jejak Karbon. Untuk mencapai pengurangan emisi karbon dan biaya yang segera dan terverifikasi, otomatiskan peninjauan dan penghapusan akhir proyek yang tidak digunakan.
  • Sesuaikan ukuran resource: Sesuaikan kapasitas resource yang disediakan dengan penggunaan aktual menggunakan pemberi rekomendasi penyesuaian ukuran Active Assist seperti rekomendasi jenis mesin untuk VM Compute Engine. Untuk tugas yang membutuhkan komputasi intensif dan beban kerja AI, gunakan jenis mesin dan model AI yang paling efisien.
  • Menerapkan penjadwalan yang memperhatikan emisi karbon: Untuk workload batch yang tidak kritis 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 Layanan Kebijakan Organisasi.
  • Mengurangi penyebaran data: Terapkan kebijakan tata kelola data untuk memastikan bahwa data yang jarang diakses ditransisikan ke kelas penyimpanan dingin 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 yang 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 berkelanjutan dan pelaporan yang dapat diverifikasi.

  • Menerapkan tata kelola GreenOps: Buat fungsi atau grup kerja GreenOps formal untuk mengintegrasikan data Jejak Karbon dengan data Penagihan Cloud. Fungsi ini harus menentukan akuntabilitas untuk target pengurangan karbon di seluruh project, menyelaraskan pengoptimalan biaya dengan tujuan keberlanjutan, dan menerapkan pelaporan untuk melacak efisiensi karbon terhadap pembelanjaan.
  • 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 tuntutan pemangku kepentingan akan transparansi dan membantu memastikan kepatuhan terhadap peraturan wajib dan sukarela.
  • Berinvestasi dalam pelatihan dan awareness: Terapkan pelatihan keberlanjutan wajib bagi 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 dan pilihan desain sehari-hari. Untuk mengetahui informasi selengkapnya, lihat Menyediakan pelatihan keberlanjutan berbasis peran.
  • Tentukan persyaratan karbon: Gabungkan 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 ini dalam pilar keberlanjutan Google Cloud Framework Berarsitektur Baik memberikan rekomendasi untuk membantu Anda membangun budaya di mana tim di seluruh organisasi Anda memahami dan mahir dalam praktik keberlanjutan.

Ringkasan prinsip

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

  • Kesadaran akan keberlanjutan adalah pengetahuan kontekstual bahwa setiap keputusan arsitektur dan operasional memiliki efek nyata pada 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 memfaktorkan ulang kode demi efisiensi energi.

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

Rekomendasi

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

Memberikan konteks bisnis dan keselarasan dengan tujuan organisasi

Keberlanjutan bukan hanya 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 cenderung mengadopsi inisiatif tersebut sebagai prinsip inti, bukan sebagai tugas opsional.

Terhubung dengan gambaran besar

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

Misalnya, pesan seperti berikut memberi tahu tim tentang hasil positif dan pengakuan eksekutif atas keputusan untuk memigrasikan beban kerja ke wilayah rendah karbon dan menggunakan jenis mesin hemat energi. Pesan tersebut mereferensikan CO2 ekuivalen, yang membantu tim Anda memahami dampak dari tindakan pengurangan karbon.

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

Mengomunikasikan sasaran keuangan dan keberlanjutan

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

Menerapkan pola pikir konsekuensi bersama

Mengedukasi 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 membingkai kolaborasi ini sebagai kemitraan dengan nasib yang sama, 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 ilmuwan data sangat berbeda dengan alat dan teknik yang tersedia untuk analis FinOps, seperti yang dijelaskan dalam tabel berikut:

Peran Fokus pelatihan
Data scientist dan engineer ML Intensitas karbon komputasi: Tunjukkan perbedaan antara menjalankan tugas pelatihan AI di sistem lama dan akselerator AI yang dibuat khusus. Tekankan 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: Mengilustrasikan cara kode latensi tinggi atau loop yang tidak efisien diterjemahkan langsung ke runtime CPU yang diperpanjang dan peningkatan konsumsi energi. Tekankan pentingnya container ringan dan kebutuhan untuk mengoptimalkan performa aplikasi guna mengurangi jejak lingkungan software.
Arsitek Berkelanjutan sejak desain: Berfokus pada pemilihan region dan penempatan workload. Tunjukkan bagaimana memilih region ikon daun Rendah CO2 dengan persentase energi terbarukan yang tinggi (seperti northamerica-northeast1) secara mendasar mengubah profil karbon seluruh stack aplikasi Anda sebelum Anda menulis satu baris kode pun.
Platform engineer dan operations engineer Memaksimalkan pemanfaatan: Tekankan biaya lingkungan dari resource yang tidak digunakan dan penyediaan berlebih. Menyajikan skenario untuk penskalaan dan penyesuaian ukuran otomatis untuk memastikan resource cloud digunakan secara efisien. Jelaskan cara membuat dan melacak metrik terkait keberlanjutan seperti pemanfaatan dan cara menerjemahkan metrik seperti waktu komputasi ke dalam metrik emisi karbon yang setara.
FinOps Ekonomi satuan karbon: Berfokus pada hubungan antara pembelanjaan keuangan 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.
Pengelola produk Keberlanjutan sebagai fitur: Menunjukkan cara mengintegrasikan sasaran pengurangan karbon ke dalam peta produk. Tunjukkan bagaimana perjalanan pengguna yang disederhanakan dapat membantu mengurangi konsumsi energi oleh resource cloud dan perangkat pengguna akhir.
Pemimpin bisnis Pelaporan dan keselarasan strategis: Berfokus pada pengaruh keberlanjutan cloud terhadap skor lingkungan, sosial, dan tata kelola (ESG) serta reputasi publik. Mengilustrasikan bagaimana pilihan keberlanjutan membantu mengurangi risiko peraturan dan memenuhi komitmen kepada komunitas dan industri.

Mendukung keberlanjutan dan mengakui keberhasilan

Untuk mempertahankan progres jangka panjang, Anda harus melampaui perbaikan teknis internal dan mulai memengaruhi partner dan industri Anda.

Mendorong manajer untuk mengadvokasi keberlanjutan

Memberi pengelola data dan izin yang mereka butuhkan untuk memprioritaskan dampak lingkungan seperti metrik bisnis lainnya seperti kecepatan pemasaran dan biaya. Saat memiliki data ini, pengelola mulai melihat keberlanjutan sebagai standar kualitas dan efisiensi, bukan sebagai kemampuan yang bagus untuk dimiliki 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 dan framework industri

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

Memberikan insentif untuk upaya keberlanjutan

Untuk memastikan bahwa keberlanjutan menjadi bagian yang langgeng dari budaya teknik, tim harus menyadari pentingnya memprioritaskan keberlanjutan. Beralih dari sasaran tingkat tinggi ke KPI spesifik dan terukur yang menghargai 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 proses pelatihan AI, Anda membuat dampak terhadap keberlanjutan terlihat dan dapat ditindaklanjuti. Misalnya, integrasikan keberlanjutan ke dalam NFR untuk setiap project baru. Dengan kata lain, sama seperti sistem harus memenuhi target latensi atau ketersediaan tertentu, sistem juga harus tetap berada dalam anggaran emisi karbon yang telah ditentukan.

Mengukur laba atas upaya

Bantu tim Anda mengidentifikasi pencapaian berkelanjutan yang berdampak tinggi dan mudah dilakukan, seperti memindahkan tugas batch ke region lain, dibandingkan dengan latihan refaktorisasi kode yang kompleks yang mungkin memberikan keuntungan minimal. Memberikan visibilitas terhadap laba atas upaya (ROE). Saat tim memilih keluarga prosesor yang lebih efisien, mereka 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 merayakan pengurangan karbon

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

Menyelaraskan praktik keberlanjutan dengan panduan industri

Prinsip ini dalam pilar keberlanjutan Google Cloud Framework yang Dirancang dengan Baik memberikan ringkasan tentang pedoman dan framework industri yang harus Anda sesuaikan dengan upaya keberlanjutan Anda.

Ringkasan prinsip

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

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

Pedoman Keberlanjutan Web W3C

Panduan Keberlanjutan Web (WSG) W3C adalah framework praktik terbaik baru yang dikembangkan oleh grup kerja W3C untuk menangani dampak lingkungan dari produk dan layanan digital. Pedoman ini mencakup seluruh siklus proses solusi digital, termasuk strategi bisnis dan produk, desain pengalaman pengguna (UX), pengembangan web, hosting, infrastruktur, dan sistem. Tujuan utama WSG adalah memungkinkan developer dan arsitek membangun situs dan aplikasi web yang lebih hemat energi dan yang 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 untuk membangun ekosistem industri seputar software berkelanjutan. Misinya adalah mendorong pembuatan software yang dirancang, dibangun, dan dioperasikan untuk meminimalkan jejak karbon. GSF mengembangkan spesifikasi Intensitas Karbon Software (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.

Greenhouse Gas Protocol

Greenhouse Gas (GHG) Protocol adalah serangkaian standar yang banyak digunakan 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 memberikan 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 investor, badan pengatur, dan pemangku kepentingan eksternal Anda. Data yang terverifikasi dan diaudit membantu organisasi Anda membuktikan akuntabilitas dan membangun kepercayaan terhadap komitmen keberlanjutan yang ditampilkan kepada publik.