Well-Architected Framework: pilar de sustentabilidade

Last reviewed 2026-01-28 UTC

Nesta página, você encontra todas as páginas do pilar de sustentabilidade do Well-Architected Framework. É possível imprimir essa página ou salvá-la no formato PDF usando a função de impressão do navegador.

Esta página não tem um sumário. Não é possível usar os links desta página para navegar dentro dela.

O pilar de sustentabilidade no Google Cloud Well-Architected Framework fornece recomendações para projetar, criar e gerenciar cargas de trabalho no Google Cloud que sejam eficientes em termos de energia e conscientes em relação ao carbono.

O público-alvo deste documento inclui tomadores de decisão, arquitetos, administradores, desenvolvedores e operadores que projetam, criam, implantam e mantêm cargas de trabalho no Google Cloud.

As decisões arquitetônicas e operacionais têm um impacto significativo no uso de energia, no impacto da água e na pegada de carbono impulsionada pelas cargas de trabalho na nuvem. Cada carga de trabalho, seja um site pequeno ou um modelo de ML em grande escala, consome energia e contribui para as emissões de carbono e a intensidade de recursos hídricos. Ao integrar a sustentabilidade à arquitetura de nuvem e ao processo de design, você cria sistemas eficientes, econômicos e com ações de sustentabilidade ambiental. Uma arquitetura sustentável é resiliente e otimizada, o que cria um ciclo de feedback positivo de maior eficiência, menor custo e menor impacto ambiental.

Sustentabilidade por design: resultados de negócios holísticos

A sustentabilidade não é uma compensação em relação a outros objetivos de negócios principais. As práticas de sustentabilidade ajudam a acelerar seus outros objetivos de negócios. As escolhas de arquitetura que priorizam recursos e operações com baixa emissão de carbono ajudam você a criar sistemas que também são mais rápidos, baratos e seguros. Esses sistemas são considerados sustentáveis por design, em que a otimização para sustentabilidade leva a resultados positivos gerais de desempenho, custo, segurança, resiliência e experiência do usuário.

Otimização de desempenho

Os sistemas otimizados para desempenho usam menos recursos por natureza. Um aplicativo eficiente que conclui uma tarefa mais rapidamente requer recursos de computação por um período mais curto. Portanto, o hardware subjacente consome menos quilowatts-hora (kWh) de energia. O desempenho otimizado também leva a uma latência menor e a uma melhor experiência do usuário. Tempo e energia não são desperdiçados por recursos que aguardam processos ineficientes. Ao usar hardware especializado (por exemplo, GPUs e TPUs), adotar algoritmos eficientes e maximizar o processamento paralelo, você melhora o desempenho e reduz a pegada de carbono da sua carga de trabalho na nuvem.

Otimização de custos

As despesas operacionais da nuvem dependem do uso de recursos. Devido a essa correlação direta, ao otimizar continuamente os custos, você também reduz o consumo de energia e as emissões de carbono. Ao dimensionar corretamente as VMs, implementar o escalonamento automático agressivo, arquivar dados antigos e eliminar recursos inativos, você reduz o uso de recursos e os custos da nuvem. Você também reduz a pegada de carbono dos seus sistemas, porque os data centers consomem menos energia para executar suas cargas de trabalho.

Segurança e resiliência

Segurança e confiabilidade são pré-requisitos para um ambiente de nuvem sustentável. Um sistema comprometido, por exemplo, afetado por um ataque de negação de serviço (DoS) ou uma violação de dados não autorizada, pode aumentar drasticamente o consumo de recursos. Esses incidentes podem causar picos enormes no tráfego, criar ciclos de computação descontrolados para mitigação e exigir operações longas e de alta energia para análise forense, limpeza e restauração de dados. Medidas de segurança fortes podem ajudar a evitar picos desnecessários no uso de recursos, para que suas operações permaneçam estáveis, previsíveis e eficientes em termos de energia.

Experiência do usuário

Sistemas que priorizam a eficiência, o desempenho, a acessibilidade e o uso mínimo de dados podem ajudar a reduzir o consumo de energia pelos usuários finais. Um aplicativo que carrega um modelo menor ou processa menos dados para fornecer resultados mais rapidamente ajuda a reduzir a energia consumida pelos dispositivos de rede e dos usuários finais. Essa redução no uso de energia beneficia principalmente os usuários que têm largura de banda limitada ou que usam dispositivos mais antigos. Além disso, a arquitetura sustentável ajuda a minimizar os danos ao planeta e demonstra seu compromisso com uma tecnologia socialmente responsável.

Valor de sustentabilidade da migração para a nuvem

Migrar cargas de trabalho locais para a nuvem pode ajudar a reduzir a pegada ambiental da sua organização. A transição para a infraestrutura em nuvem pode reduzir o uso de energia e as emissões associadas em 1,4 a 2 vezes em comparação com as implantações locais típicas. Os data centers em nuvem são instalações modernas, projetadas sob medida e criadas para alta eficiência no uso de energia (PUE). Os data centers locais mais antigos geralmente não têm a escala necessária para justificar investimentos em sistemas avançados de resfriamento e distribuição de energia.

Responsabilidade compartilhada e destino compartilhado

Responsabilidades compartilhadas e destino compartilhado no Google Cloud descreve como a segurança das cargas de trabalho em nuvem é uma responsabilidade compartilhada entre o Google e você, o cliente. Esse modelo de responsabilidade compartilhada também se aplica à sustentabilidade.

O Google é responsável pela sustentabilidade do Google Cloud, o que significa a eficiência energética e a gestão da água dos nossos data centers, infraestrutura e serviços principais. Investimos continuamente em energia renovável, resfriamento com consciência climática e otimização de hardware. Para mais informações sobre a estratégia e o progresso de sustentabilidade do Google, consulte o Relatório Ambiental de 2025 do Google Sustentabilidade.

Você, o cliente, é responsável pela sustentabilidade na nuvem, o que significa otimizar suas cargas de trabalho para que tenham eficiência energética. Por exemplo, é possível dimensionar recursos, usar serviços sem servidor que são reduzidos a zero e gerenciar os ciclos de vida dos dados de maneira eficaz.

Também defendemos um modelo de destino compartilhado: a sustentabilidade não é apenas uma divisão de tarefas, mas uma parceria colaborativa entre você e o Google para reduzir a pegada ambiental de todo o ecossistema.

Usar a IA para gerar impacto nos negócios

O pilar de sustentabilidade do Well-Architected Framework (este documento) inclui orientações para ajudar você a projetar sistemas de IA sustentáveis. No entanto, uma estratégia de sustentabilidade abrangente vai além do impacto ambiental das cargas de trabalho de IA. A estratégia deve incluir maneiras de usar a IA para otimizar as operações e criar um novo valor comercial.

A IA serve como um catalisador para a sustentabilidade ao transformar grandes conjuntos de dados em insights úteis. Ele permite que as organizações façam a transição da conformidade reativa para a otimização proativa, como nas seguintes áreas:

• Eficiência operacional: simplifique as operações com melhorias no gerenciamento de inventário, na otimização da cadeia de suprimentos e no gerenciamento inteligente de energia.
• Transparência e risco: use dados para transparência granular da cadeia de suprimentos, conformidade regulatória e modelagem de risco climático.
• Valor e crescimento: desenvolva novos fluxos de receita em finanças sustentáveis e recommerce.

O Google oferece os seguintes produtos e recursos para ajudar você a extrair insights dos dados e criar recursos para um futuro sustentável:

• Google Earth AI: usa dados geoespaciais em escala planetária para analisar mudanças ambientais e monitorar os impactos na cadeia de suprimentos.
• WeatherNext: oferece previsão do tempo avançada e análise de risco climático para ajudar você a criar resiliência contra a volatilidade climática.
• Insights geoespaciais com o Google Earth: usa dados geoespaciais para adicionar dados de contexto avançados a locais, o que permite uma seleção de locais, planejamento de recursos e operações mais inteligentes.
• Otimização de rotas do Google Maps: otimiza as rotas de logística e entrega para aumentar a eficiência e reduzir o consumo de combustível e as emissões de transporte.

Colaborações com parceiros e clientes

Google Cloud e TELUS fizeram uma parceria para promover a sustentabilidade na nuvem, migrando cargas de trabalho para a infraestrutura neutra em carbono do Google e aproveitando a análise de dados para otimizar as operações. Essa colaboração oferece benefícios sociais e ambientais por meio de iniciativas como a tecnologia de cidades inteligentes, que usa dados em tempo real para reduzir o congestionamento de trânsito e as emissões de carbono em municípios do Canadá. Para mais informações sobre essa colaboração, consulte Google Cloud e TELUS colaboram para a sustentabilidade.

Avaliar cargas de trabalho usando uma habilidade de agente

Para permitir que os agentes de IA avaliem suas cargas de trabalho na nuvem de acordo com os princípios e as recomendações deste pilar, use a habilidade google-cloud-waf-sustainability, disponível no repositório de habilidades de agentes do Google no GitHub.

Para instalar a habilidade, execute o seguinte comando no cliente ou terminal do agente:

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

Quando solicitado, especifique os agentes de IA em que você quer instalar a habilidade e defina o escopo da instalação (projeto ou global).

Se você já instalou a habilidade, atualize-a para a versão mais recente executando o seguinte comando:

npx skills update

Observação: se npx não estiver disponível no seu ambiente, instale o Node.js, que inclui npm e npx.

Princípios básicos

As recomendações no pilar de sustentabilidade do Well-Architected Framework são mapeadas para os seguintes princípios fundamentais:

• Usar regiões que consomem energia com baixa emissão de carbono
• Otimizar as cargas de trabalho de IA e ML para eficiência energética
• Otimizar o uso de recursos para sustentabilidade
• Desenvolver software com eficiência energética
• Otimizar dados e armazenamento para sustentabilidade
• Medir e melhorar continuamente a sustentabilidade
• Promover uma cultura de sustentabilidade
• Alinhar as práticas de sustentabilidade com as diretrizes do setor

Colaboradores

Autor: Brett Tackaberry | Arquiteto principal

Outros colaboradores:

• Adrien Feudjio | | Gerente de produtos, Pegada de carbono
• Alex Stepney | Arquiteto principal líder
• Daniel Lees | Arquiteto de segurança do Cloud
• Denise Pearl | Líder de marketing global, sustentabilidade
• Kumar Dhanagopal | Desenvolvedor de soluções para vários produtos
• Laura Hyatt | Engenheiro de clientes, FSI
• Nicolas Pintaux | Engenheiro de clientes, especialista em modernização de aplicativos
• Radhika Kanakam | Líder de programa, Google Cloud Well-Architected Framework

Usar regiões que consomem energia com baixa emissão de carbono

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework oferece recomendações para ajudar você a selecionar regiões com baixa emissão de carbono para suas cargas de trabalho no Google Cloud.

Visão geral do princípio

Ao planejar a implantação de uma carga de trabalho no Google Cloud, uma decisão de arquitetura importante é a escolha da região do Google Cloud para a carga de trabalho. Essa decisão afeta a pegada de carbono da sua carga de trabalho. Para minimizar a pegada de carbono, sua estratégia de seleção de região precisa incluir os seguintes elementos:

• Seleção baseada em dados: para identificar e priorizar regiões, considere o indicador Baixo CO₂ e a métrica de energia livre de carbono (CFE).
• Governança baseada em políticas: restrinja a criação de recursos a locais ambientalmente ideais usando a restrição de locais de recursos no Serviço de Políticas da Organização.
• Flexibilidade operacional: use técnicas como mudança de horário e programação com reconhecimento de carbono para executar cargas de trabalho em lote durante as horas em que a intensidade de carbono da rede elétrica é mais baixa.

A eletricidade usada para alimentar seu aplicativo e suas cargas de trabalho na nuvem é um fator importante que afeta sua escolha de regiões do Google Cloud . Além disso, considere os seguintes fatores:

• Residência e soberania de dados: o local em que você precisa armazenar seus dados é um fator fundamental que dita sua escolha de região do Google Cloud. Essa escolha afeta a conformidade com os requisitos locais de residência de dados.
• Latência para usuários finais: a distância geográfica entre os usuários finais e as regiões em que você implanta aplicativos afeta a experiência do usuário e o desempenho do aplicativo.
• Custo: os preços dos recursos do Google Cloud podem ser diferentes entre as regiões.

A ferramenta Seletor de região doGoogle Cloud ajuda a selecionar as regiões do Google Cloud ideais com base nos seus requisitos de pegada de carbono, custo e latência. Também é possível usar o Cloud Location Finder para encontrar locais do Cloud no Google Cloud e em outros provedores com base nos seus requisitos de proximidade, uso de energia livre de carbono (CFE, na sigla em inglês) e outros parâmetros.

Recomendações

Para implantar suas cargas de trabalho na nuvem em regiões com baixa emissão de carbono, considere as recomendações nas seções a seguir. Essas recomendações são baseadas nas orientações em Energia livre de carbono para regiões do Google Cloud .

Entender a intensidade de carbono das regiões de nuvem

Os data centers doGoogle Cloud em uma região usam energia da rede elétrica onde a região está localizada. O Google mede o impacto de carbono de uma região usando a métrica de CFE, que é calculada a cada hora. A CFE indica a porcentagem de energia livre de carbono em relação ao total de energia consumida durante uma hora. A métrica de CFE depende de dois fatores:

• O tipo de usina de geração de energia que abastece a rede durante um determinado período.
• energia limpa atribuída ao Google fornecida à rede durante esse período.

Para informações sobre a média agregada de CFE% por hora para cada região doGoogle Cloud , consulte Energia livre de carbono para regiões do Google Cloud . Também é possível acessar esses dados em um formato legível por máquina no repositório Energia livre de carbono para regiões do Google Cloud no GitHub e em um conjunto de dados público do BigQuery.

Incorporar a CFE à sua estratégia de seleção de local

Recomendações:

• Selecione a região mais limpa para seus aplicativos. Se você planeja executar um aplicativo por um longo período, execute-o na região que tem a maior porcentagem de CFE. Para cargas de trabalho em lote, você tem mais flexibilidade ao escolher uma região porque pode prever quando a carga de trabalho precisa ser executada.
• Selecione regiões com baixa emissão de carbono. Algumas páginas no site do Google Cloud e seletores de local no console do Google Cloud mostram o indicador Baixo CO₂ para regiões que têm o menor impacto de carbono.
• Restrinja a criação de recursos a regiões específicas com baixa emissão de carbono Google Cloud usando a restrição da política da organização de locais de recursos. Por exemplo, para permitir a criação de recursos apenas em regiões com baixa emissão de carbono nos EUA, crie uma restrição que especifique o grupo de valores in:us-low-carbon-locations.

Ao selecionar locais para os recursos do Google Cloud , considere também as práticas recomendadas para seleção de região, incluindo fatores como requisitos de residência de dados, latência para usuários finais, redundância do aplicativo, disponibilidade de serviços e preços.

Usar a programação por horário

A intensidade de carbono de uma rede elétrica pode variar significativamente ao longo do dia. A variação depende da combinação de fontes de energia que abastecem a rede. É possível programar cargas de trabalho, principalmente as flexíveis ou não urgentes, para serem executadas quando a rede for fornecida por uma proporção maior de CFE.

Por exemplo, muitas redes têm porcentagens de CFE mais altas durante os horários de menor movimento ou quando fontes renováveis, como solar e eólica, fornecem mais energia à rede. Ao programar tarefas com uso intensivo de computação, como treinamento de modelo e inferência em lote em grande escala, durante as horas de maior CFE, é possível reduzir significativamente as emissões de carbono associadas sem afetar o desempenho ou o custo. Essa abordagem é conhecida como mudança de horário, em que você usa a natureza dinâmica da intensidade de carbono de uma rede para otimizar suas cargas de trabalho para sustentabilidade.

Otimizar as cargas de trabalho de IA e ML para eficiência energética

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para otimizar as cargas de trabalho de IA e ML para reduzir o uso de energia e a pegada de carbono.

Visão geral do princípio

Para otimizar as cargas de trabalho de IA e ML para sustentabilidade, é necessário adotar uma abordagem holística para projetar, implantar e operar as cargas de trabalho. Selecione modelos adequados e hardware especializado, como Unidades de Processamento de Tensor (TPUs), execute as cargas de trabalho em regiões com baixa emissão de carbono, otimize para reduzir o uso de recursos e aplique as práticas recomendadas operacionais.

As práticas arquitetônicas e operacionais que otimizam o custo e o desempenho das cargas de trabalho de IA e ML levam inerentemente à redução do consumo de energia e da pegada de carbono. A perspectiva de IA e ML no Well-Architected Framework descreve princípios e recomendações para projetar, criar e gerenciar cargas de trabalho de IA e ML que atendam às suas metas operacionais, de segurança, confiabilidade, custo e metas de performance. Além disso, o Centro de Arquitetura do Cloud oferece arquiteturas de referência detalhadas e guias de design para cargas de trabalho de IA e ML no Google Cloud.

Recomendações

Para otimizar as cargas de trabalho de IA e ML para eficiência energética, considere as recomendações nas seções a seguir.

Arquitetar para eficiência energética usando TPUs

As cargas de trabalho de IA e ML podem exigir muita computação. O consumo de energia pelas cargas de trabalho de IA e ML é uma consideração importante para a sustentabilidade. As TPUs permitem melhorar significativamente a eficiência energética e a sustentabilidade das suas cargas de trabalho de IA e ML.

As TPUs são aceleradores personalizados criados para cargas de trabalho de IA e ML. A arquitetura especializada das TPUs as torna altamente eficazes para multiplicação de matrizes em grande escala, que é a base do aprendizado profundo. As TPUs podem executar tarefas complexas em escala com maior eficiência do que processadores de uso geral, como CPUs ou GPUs.

As TPUs oferecem os seguintes benefícios diretos para a sustentabilidade:

• Menor consumo de energia: as TPUs são projetadas para otimizar a eficiência energética. Eles oferecem mais computações por watt de energia consumida. A arquitetura especializada reduz significativamente as demandas de energia de tarefas de treinamento e inferência em grande escala, o que leva a uma redução dos custos operacionais e do consumo de energia.
• Treinamento e inferência mais rápidos: o desempenho excepcional das TPUs permite treinar modelos de IA complexos em horas, em vez de dias. Essa redução significativa no tempo total de computação contribui diretamente para uma pegada ambiental menor.
• Menor necessidade de resfriamento: as TPUs incorporam um resfriamento líquido avançado, que fornece gerenciamento térmico eficiente e reduz significativamente a energia usada para resfriar o data center.
• Otimização do ciclo de vida da IA: ao integrar hardware e software, as TPUs oferecem uma solução otimizada em todo o ciclo de vida da IA, desde o processamento de dados até a disponibilização do modelo.

Siga as práticas recomendadas dos 4Ms para seleção de recursos

O Google recomenda um conjunto de práticas recomendadas para reduzir significativamente o uso de energia e as emissões de carbono em cargas de trabalho de IA e ML. Chamamos essas práticas recomendadas de 4Ms:

• Modelo: selecione arquiteturas de modelos de ML eficientes. Por exemplo, os modelos esparsos melhoram a qualidade do ML e reduzem a computação em 3 a 10 vezes em comparação com os modelos densos.
• Máquina: escolha processadores e sistemas otimizados para treinamento de ML. Esses processadores melhoram o desempenho e a eficiência energética em duas a cinco vezes em comparação com os processadores de uso geral.
• Mecanização: implante suas cargas de trabalho com uso intensivo de computação na nuvem. Suas cargas de trabalho usam menos energia e causam emissões de 1,4 a 2 vezes menores em comparação com as implantações no local. Os data centers em nuvem usam warehouses mais novos e personalizados, criados para oferecer eficiência energética e com uma alta proporção de eficiência no uso de energia (PUE). Em geral, os data centers no local são mais antigos e menores. Portanto, investimentos em sistemas de resfriamento e distribuição de energia com eficiência energética podem não ser econômicos.
• Mapa: selecione Google Cloud locais que usam a energia mais limpa. Essa abordagem ajuda a reduzir a pegada de carbono bruta das cargas de trabalho em 5 a 10 vezes. Para mais informações, consulte Energia livre de carbono para regiões do Google Cloud .

Para mais informações sobre as práticas recomendadas e as métricas de eficiência dos 4Ms, consulte os seguintes artigos de pesquisa:

• A pegada de carbono do treinamento de machine learning vai se estabilizar e depois diminuir
• The data center as a computer: An introduction to the design of warehouse-scale machines, second edition (em inglês)

Otimizar modelos e algoritmos de IA para treinamento e inferência

A arquitetura de um modelo de IA e os algoritmos usados para treinamento e inferência têm um impacto significativo no consumo de energia. Considere as recomendações a seguir.

Selecionar modelos de IA eficientes

Escolha modelos de IA menores e mais eficientes que atendam aos seus requisitos de desempenho. Não selecione o maior modelo disponível como opção padrão. Por exemplo, uma versão de modelo menor e destilada, como o DistilBERT, pode oferecer um desempenho semelhante com uma sobrecarga computacional significativamente menor e uma inferência mais rápida do que um modelo maior, como o BERT.

Usar soluções hiper eficientes e específicas do domínio

Escolha soluções de ML especializadas que ofereçam melhor desempenho e exijam significativamente menos capacidade de computação do que um modelo de fundação grande. Essas soluções especializadas costumam ser pré-treinadas e hiperotimizadas. Eles podem reduzir significativamente o consumo de energia e o esforço de pesquisa para cargas de trabalho de treinamento e inferência. Veja a seguir exemplos de soluções especializadas específicas de domínio:

• A Earth AI é uma solução de eficiência energética que sintetiza grandes quantidades de dados geoespaciais globais para fornecer insights úteis, precisos e oportunos.
• O WeatherNext produz previsões meteorológicas globais mais rápidas, eficientes e altamente precisas em comparação com os métodos convencionais baseados em física.

Aplicar técnicas adequadas de compactação de modelos

Veja a seguir exemplos de técnicas que podem ser usadas para compactação de modelos:

• Remoção: remova parâmetros desnecessários de uma rede neural. Esses são parâmetros que não contribuem significativamente para o desempenho de um modelo. Essa técnica reduz o tamanho do modelo e os recursos computacionais necessários para a inferência.
• Quantização: reduz a precisão dos parâmetros do modelo. Por exemplo, reduza a precisão de usar pontos flutuantes de 32 bits para números inteiros de 8 bits. Essa técnica pode ajudar a diminuir significativamente o consumo de memória e de energia sem uma redução perceptível na acurácia.
• Destilação de conhecimento: treine um modelo estudante menor para imitar o comportamento de um modelo professor maior e mais complexo. O modelo do estudante pode alcançar um alto nível de desempenho com menos parâmetros e usando menos energia.

Usar hardware especializado

Conforme mencionado em Siga as práticas recomendadas dos 4Ms para seleção de recursos, escolha processadores e sistemas otimizados para treinamento de ML. Esses processadores melhoram o desempenho e a eficiência energética em duas a cinco vezes em comparação com os processadores de uso geral.

Usar ajustes finos com eficiência de parâmetros

Em vez de ajustar todos os bilhões de parâmetros de um modelo (ajuste fino completo), use métodos de ajuste fino com eficiência de parâmetros (PEFT, na sigla em inglês), como adaptação de classificação baixa (LoRA, na sigla em inglês). Com essa técnica, você congela os pesos do modelo original e treina apenas um pequeno número de camadas novas e leves. Essa abordagem ajuda a reduzir o custo e o consumo de energia.

Siga as práticas recomendadas para operações de IA e ML

As práticas operacionais afetam significativamente a sustentabilidade das cargas de trabalho de IA e ML. Considere as seguintes recomendações.

Otimizar os processos de treinamento de modelo

Use as técnicas a seguir para otimizar os processos de treinamento de modelo:

• Parada antecipada: monitore o processo de treinamento e interrompa-o quando não observar mais melhorias no desempenho do modelo em relação ao conjunto de validação. Essa técnica ajuda a evitar cálculos e uso de energia desnecessários.
• Carregamento de dados eficiente: use pipelines de dados eficientes para garantir que as GPUs e TPUs sejam sempre utilizadas e não fiquem esperando por dados. Essa técnica ajuda a maximizar a utilização de recursos e reduzir o desperdício de energia.
• Ajuste otimizado de hiperparâmetros: para encontrar hiperparâmetros ideais com mais eficiência, use técnicas como otimização bayesiana ou aprendizado por reforço. Evite pesquisas em grade exaustivas, que podem ser operações que consomem muitos recursos.

Melhorar a eficiência da inferência

Para melhorar a eficiência das tarefas de inferência de IA, use as seguintes técnicas:

• Lote: agrupe várias solicitações de inferência em lotes e aproveite o processamento paralelo em GPUs e TPUs. Essa técnica ajuda a reduzir o custo de energia por previsão.
• Armazenamento em cache avançado: implemente uma estratégia de armazenamento em cache de várias camadas, que inclui o armazenamento em cache de chave-valor (KV) para geração autorregressiva e o armazenamento em cache de comandos semânticos para respostas de aplicativos. Essa técnica ajuda a ignorar cálculos de modelos redundantes e pode reduzir significativamente o uso de energia e as emissões de carbono.

Medir e monitorar

Monitore e meça os seguintes parâmetros:

• Uso e custo: use as ferramentas adequadas para monitorar o uso de tokens, o consumo de energia e a pegada de carbono das suas cargas de trabalho de IA. Esses dados ajudam a identificar oportunidades de otimização e informar o progresso em direção às metas de sustentabilidade.
• Desempenho: monitore continuamente o desempenho do modelo em produção. Identifique problemas como desvio de dados, que podem indicar que o modelo precisa ser ajustado novamente. Se você precisar treinar o modelo novamente, use o modelo ajustado original como ponto de partida e economize muito tempo, dinheiro e energia nas atualizações.
  • Para acompanhar as métricas de performance, use o Cloud Monitoring.
  • Para correlacionar as mudanças no modelo com melhorias nas métricas de performance, use as anotações de eventos.

Para mais informações sobre como operacionalizar a melhoria contínua, consulte Medir e melhorar continuamente a sustentabilidade.

Implementar o agendamento com reconhecimento de carbono

Projete seus jobs de pipeline de ML para serem executados em regiões com o mix de energia mais limpo. Use o relatório de Pegada de Carbono para identificar as regiões com menor intensidade de carbono. Programe tarefas que consomem muitos recursos como jobs em lote durante períodos em que a rede elétrica local tem uma porcentagem maior de energia livre de carbono (CFE, na sigla em inglês).

Otimize os pipelines de dados

As operações de ML e o ajuste fino exigem um conjunto de dados limpo e de alta qualidade. Antes de iniciar jobs de ML, use serviços gerenciados de tratamento de dados para preparar os dados com eficiência. Por exemplo, use o Dataflow para processamento em lote e streaming e use o Serviço Gerenciado para Apache Spark para pipelines gerenciados do Spark e do Hadoop. Um pipeline de dados otimizado ajuda a garantir que a carga de trabalho de ajuste não espere pelos dados, para que você possa maximizar a utilização de recursos e ajudar a reduzir o desperdício de energia.

Adote as MLOps

Para automatizar e gerenciar todo o ciclo de vida de ML, implemente práticas de operações de ML (MLOps). Essas práticas ajudam a garantir que os modelos sejam monitorados, validados e reimplantados continuamente de forma eficiente, o que ajuda a evitar o treinamento ou a alocação de recursos desnecessários.

Usar serviços gerenciados

Em vez de gerenciar sua própria infraestrutura, use serviços de nuvem gerenciados, como a Gemini Enterprise Agent Platform. A plataforma de nuvem lida com o gerenciamento de recursos, o que permite que você se concentre no processo de ajuste. Use serviços que incluem ferramentas integradas para ajuste de hiperparâmetros, monitoramento de modelos e gerenciamento de recursos.

A seguir

• Quanta energia a IA do Google consome? Fizemos o cálculo
• Ironwood: a primeira TPU do Google para a era da inferência
• Relatório ambiental do Google Sustentabilidade de 2025
• Aprendizado em contexto mais eficiente com o GLaM
• Visão geral do armazenamento em cache de contexto

Otimizar o uso de recursos para sustentabilidade

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para ajudar você a otimizar o uso de recursos pelas suas cargas de trabalho no Google Cloud.

Visão geral do princípio

Otimizar o uso de recursos é crucial para melhorar a sustentabilidade do seu ambiente de nuvem. Cada recurso provisionado, de ciclos de computação a repositórios de dados, afeta diretamente o uso de energia, a intensidade hídrica e as emissões de carbono. Para reduzir a pegada ambiental das suas cargas de trabalho, é preciso fazer escolhas informadas ao provisionar, gerenciar e usar recursos de nuvem.

Recomendações

Para otimizar o uso de recursos, considere as recomendações nas seções a seguir.

Implementar o escalonamento automatizado e dinâmico

O escalonamento automatizado e dinâmico garante que o uso de recursos seja ideal, o que ajuda a evitar o desperdício de energia de infraestruturas ociosas ou provisionadas em excesso. A redução da energia desperdiçada se traduz em custos mais baixos e menos emissões de carbono.

Use as técnicas a seguir para implementar a escalonabilidade automatizada e dinâmica.

Usar o escalonamento horizontal

O escalonamento horizontal é a técnica preferida para a maioria dos aplicativos com priorização da nuvem. Em vez de aumentar o tamanho de cada instância, o que é conhecido como escalonamento vertical, você adiciona instâncias para distribuir a carga. Por exemplo, é possível usar grupos gerenciados de instâncias (MIGs) para escalonar horizontalmente um grupo de VMs do Compute Engine de forma automática. A infraestrutura escalonada horizontalmente é mais resiliente porque a falha de uma instância não afeta a disponibilidade do aplicativo. O escalonamento horizontal também é uma técnica eficiente em termos de recursos para aplicativos com níveis de carga variáveis.

Configurar políticas de escalonamento adequadas

Defina as configurações de escalonamento automático com base nos requisitos das suas cargas de trabalho. Defina métricas e limites personalizados específicos para o comportamento do aplicativo. Em vez de depender apenas da utilização da CPU, considere métricas como profundidade da fila para tarefas assíncronas, latência de solicitação e métricas de aplicativos personalizadas. Para evitar o escalonamento frequente e desnecessário ou o flapping, defina políticas de escalonamento claras. Por exemplo, para cargas de trabalho implantadas no Google Kubernetes Engine (GKE), configure uma política de escalonamento automático de cluster adequada.

Combinar escalonamento reativo e proativo

Com o escalonamento reativo, o sistema é escalonado em resposta a mudanças de carga em tempo real. Essa técnica é adequada para aplicativos que têm picos de carga imprevisíveis.

O escalonamento proativo é adequado para cargas de trabalho com padrões previsíveis, como horário de funcionamento diário fixo e geração de relatórios semanais. Para essas cargas de trabalho, use o escalonamento automático programado para pré-provisionar recursos para que eles possam lidar com um nível de carga previsto. Essa técnica evita uma disputa por recursos e garante uma experiência do usuário mais tranquila e com maior eficiência. Essa técnica também ajuda a planejar proativamente picos de carga conhecidos, como grandes ações promocionais e esforços de marketing focados.

OsGoogle Cloud serviços gerenciados e recursos como o Autopilot do GKE, o Cloud Run e os MIGs gerenciam automaticamente o escalonamento proativo aprendendo com os padrões de carga de trabalho. Por padrão, quando um serviço do Cloud Run não recebe tráfego, ele é reduzido para zero instância.

Projetar aplicativos sem estado

Para que um aplicativo seja escalonado horizontalmente, os componentes dele precisam ser sem estado. Isso significa que a sessão ou os dados de um usuário específico não estão vinculados a uma única instância de computação. Quando você armazena o estado da sessão fora da instância de computação, como no Memorystore para Redis, qualquer instância de computação pode processar solicitações de qualquer usuário. Essa abordagem de design permite um escalonamento horizontal simples e eficiente.

Usar programação e lotes

O processamento em lote é ideal para cargas de trabalho de grande escala e não urgentes. Os jobs em lote podem ajudar a otimizar as cargas de trabalho para eficiência energética e custo.

Use as técnicas a seguir para implementar jobs de programação e em lote.

Programar para baixa intensidade de carbono

Programe os jobs em lote para serem executados em regiões com baixa emissão de carbono e durante períodos em que a rede elétrica local tenha uma alta porcentagem de energia limpa. Para identificar os horários do dia com menor intensidade de carbono em uma região, use o relatório de pegada de carbono.

Usar VMs spot para cargas de trabalho não críticas

As VMs spot permitem que você aproveite a capacidade não utilizada do Compute Engine com um grande desconto. As VMs spot podem ser interrompidas, mas oferecem uma maneira econômica de processar grandes conjuntos de dados sem a necessidade de recursos dedicados e sempre ativos. As VMs spot são ideais para jobs em lote não críticos e tolerantes a falhas.

Consolidar e paralelizar jobs

Para reduzir a sobrecarga de inicialização e encerramento de jobs individuais, agrupe jobs semelhantes em um único lote grande. Execute essas cargas de trabalho de alto volume em serviços como o Batch. O serviço provisiona e gerencia automaticamente a infraestrutura necessária, o que ajuda a garantir o uso ideal dos recursos.

Usar serviços gerenciados

Serviços gerenciados como o Batch e o Dataflow lidam automaticamente com o provisionamento, a programação e o monitoramento de recursos. A plataforma de nuvem lida com a otimização de recursos. Você pode se concentrar na lógica do aplicativo. Por exemplo, o Dataflow escalona automaticamente o número de workers com base no volume de dados no pipeline, para que você não pague por recursos inativos.

Combinar famílias de máquinas de VM com requisitos de carga de trabalho

Os tipos de máquina que podem ser usados nas VMs do Compute Engine são agrupados em famílias de máquinas, que são otimizadas para diferentes cargas de trabalho. Escolha as famílias de máquinas adequadas com base nos requisitos das suas cargas de trabalho.

Família de máquinas	Recomendado para tipos de carga de trabalho	Orientações sobre sustentabilidade
Instâncias de uso geral (E2, N2, N4, Tau T2A/T2D): essas instâncias oferecem uma proporção equilibrada de CPU para memória.	Servidores da Web, microsserviços, bancos de dados pequenos e médios e ambientes de desenvolvimento.	A série E2 é altamente econômica e eficiente em termos de energia devido à alocação dinâmica de recursos. A série Tau T2A usa processadores baseados em Arm, que costumam ser mais eficientes em termos de energia por unidade de desempenho para cargas de trabalho em grande escala.
Instâncias com otimização para computação (C2, C3): essas instâncias oferecem uma alta proporção de vCPU para memória e alto desempenho por núcleo.	Computação de alto desempenho (HPC), processamento em lote, servidores de jogos e análise de dados baseada em CPU.	Uma instância da série C permite concluir tarefas com uso intensivo de CPU mais rapidamente, o que reduz o tempo total de computação e o consumo de energia do job.
Instâncias com otimização de memória (M3, M2): essas instâncias são projetadas para cargas de trabalho que exigem uma grande quantidade de memória.	Grandes bancos de dados e data warehouses na memória, como SAP HANA ou análises na memória.	As instâncias com otimização de memória permitem a consolidação de cargas de trabalho com uso intenso de memória em menos nós físicos. Essa consolidação reduz a energia total necessária em comparação com o uso de várias instâncias menores. A memória de alto desempenho reduz a latência de acesso aos dados, o que pode reduzir o tempo total que a CPU passa em um estado ativo.
Instâncias otimizadas para armazenamento (Z3) : essas instâncias oferecem armazenamento SSD local de alta capacidade de processamento e baixa latência.	Armazenamento em data warehouse, análise de registros e bancos de dados SQL, NoSQL e vetoriais.	As instâncias otimizadas para armazenamento processam conjuntos de dados massivos localmente, o que ajuda a eliminar a energia usada para a saída de dados de rede entre locais. Ao usar o armazenamento local para tarefas de alta IOPS, você evita o provisionamento excessivo de várias instâncias padrão.
Instâncias otimizadas para aceleradores (A3, A2, G2): essas instâncias são criadas para cargas de trabalho aceleradas por GPU e TPU, como IA, ML e HPC.	treinamento e inferência de modelos de ML e simulações científicas.	As TPUs são projetadas para otimizar a eficiência energética. Eles oferecem mais computações por watt. Uma instância acelerada por GPU, como a série A3 com GPUs NVIDIA H100, pode ser significativamente mais eficiente em termos de energia para treinar modelos grandes do que uma alternativa somente com CPU. Embora uma instância acelerada por GPU tenha um uso de energia nominal maior, a tarefa é concluída muito mais rapidamente.

Fazer upgrade para os tipos de máquina mais recentes

O uso dos tipos de máquina mais recentes pode ajudar a melhorar a sustentabilidade. Quando os tipos de máquina são atualizados, eles geralmente são projetados para serem mais eficientes em termos de energia e fornecer maior desempenho por watt. As VMs que usam os tipos de máquina mais recentes podem concluir a mesma quantidade de trabalho com menor consumo de energia.

As CPUs, GPUs e TPUs geralmente se beneficiam de avanços técnicos na arquitetura de chips, como os seguintes:

• Núcleos especializados: os avanços nos processadores geralmente incluem núcleos ou instruções especializados para cargas de trabalho comuns. Por exemplo, as CPUs podem ter núcleos dedicados para operações vetoriais ou aceleradores de IA integrados. Quando essas tarefas são descarregadas da CPU principal, elas são concluídas com mais eficiência e consomem menos energia.
• Gerenciamento de energia aprimorado: os avanços nas arquiteturas de chips geralmente incluem recursos de gerenciamento de energia mais sofisticados, como o ajuste dinâmico de tensão e frequência com base na carga de trabalho. Esses recursos de gerenciamento de energia permitem que os chips funcionem com eficiência máxima e entrem em estados de baixo consumo de energia quando estão ociosos, o que minimiza o consumo de energia.

As melhorias técnicas na arquitetura de chips oferecem os seguintes benefícios diretos para sustentabilidade e custo:

• Maior desempenho por watt: essa é uma métrica importante para a sustentabilidade. Por exemplo, as VMs C4 demonstram um custo-benefício 40% maior em comparação com as VMs C3 para o mesmo consumo de energia. O processador C4A oferece 60% mais eficiência energética em comparação com processadores x86 semelhantes. Esses recursos de desempenho permitem concluir tarefas mais rapidamente ou usar menos instâncias para a mesma carga.
• Menor consumo total de energia: com processadores melhores, os recursos de computação são usados por menos tempo em uma determinada tarefa, o que reduz o consumo geral de energia e a pegada de carbono. O impacto de carbono é particularmente alto para cargas de trabalho de curta duração e com uso intensivo de computação, como jobs em lote e treinamento de modelo de ML.
• Uso ideal de recursos: os tipos de máquina mais recentes costumam ser mais adequados para softwares modernos e mais compatíveis com recursos avançados de plataformas de nuvem. Esses tipos de máquina geralmente permitem uma melhor utilização de recursos, o que reduz a necessidade de provisionamento excessivo e ajuda a garantir que cada watt de energia seja usado de forma produtiva.

Implantar aplicativos conteinerizados

É possível usar serviços totalmente gerenciados baseados em contêineres, como o GKE e o Cloud Run, como parte da sua estratégia de computação em nuvem sustentável. Esses serviços ajudam a otimizar a utilização de recursos e automatizar o gerenciamento de recursos.

Aproveitar o recurso de redução da escala a zero do Cloud Run

O Cloud Run oferece um ambiente sem servidor gerenciado que escalona automaticamente as instâncias para zero quando não há tráfego de entrada para um serviço ou quando um job é concluído. O escalonamento automático ajuda a eliminar o consumo de energia pela infraestrutura inativa. Os recursos são ativados apenas quando processam solicitações ativamente. Essa estratégia é altamente eficaz para cargas de trabalho intermitentes ou orientadas a eventos. Para cargas de trabalho de IA, use GPUs com o Cloud Run, que permite consumir e pagar por GPUs apenas quando elas são usadas.

Automatizar a otimização de recursos usando o GKE

O GKE é uma plataforma de orquestração de contêineres que garante que os aplicativos usem apenas os recursos necessários. Para ajudar você a automatizar a otimização de recursos, o GKE oferece as seguintes técnicas:

• Empacotamento: o Autopilot do GKE empacota de forma inteligente vários contêineres nos nós disponíveis. O empacotamento maximiza a utilização de cada nó e reduz o número de nós inativos ou subutilizados, o que ajuda a reduzir o consumo de energia.
• Escalonamento automático horizontal de pods (HPA): com o HPA, o número de réplicas de contêiner (pods) é ajustado automaticamente com base em métricas predefinidas, como uso da CPU ou métricas personalizadas específicas do aplicativo. Por exemplo, se o aplicativo tiver um pico de tráfego, o GKE vai adicionar pods para atender à demanda. Quando o tráfego diminui, o GKE reduz o número de pods. Esse escalonamento dinâmico evita o provisionamento excessivo de recursos, para que você não pague nem ligue uma capacidade de computação desnecessária.
• Escalonamento automático vertical de pods (VPA): é possível configurar o GKE para ajustar automaticamente as alocações e os limites de CPU e memória para contêineres individuais. Essa configuração garante que um contêiner não receba mais recursos do que o necessário, o que ajuda a evitar o provisionamento excessivo de recursos.
• Escalonamento automático multidimensional de pods do GKE: para cargas de trabalho complexas, é possível configurar o HPA e o VPA simultaneamente para otimizar o número de pods e o tamanho de cada um. Essa técnica ajuda a garantir o menor consumo de energia possível para o desempenho necessário.
• Programação com reconhecimento de topologia (TAS): a TAS melhora a eficiência da rede para cargas de trabalho de IA e ML no GKE, colocando pods com base na estrutura física da infraestrutura do data center. A TAS coloca as cargas de trabalho em um mesmo local de forma estratégica para minimizar os saltos de rede. Essa colocalização ajuda a reduzir a latência de comunicação e o consumo de energia. Ao otimizar o alinhamento físico de nós e hardware especializado, o TAS acelera a conclusão de tarefas e maximiza a eficiência energética de cargas de trabalho de IA e ML em grande escala.

Configurar a programação com reconhecimento de carbono

No Google, transferimos continuamente nossas cargas de trabalho para locais e horários que fornecem a eletricidade mais limpa. Também reaproveitamos, ou coletamos, equipamentos mais antigos para casos de uso alternativos. Use essa estratégia de programação com reconhecimento de carbono para garantir que as cargas de trabalho conteinerizadas usem energia limpa.

Para implementar a programação com reconhecimento de carbono, você precisa de informações sobre o mix de energia que alimenta os data centers em uma região em tempo real. É possível acessar essas informações em um formato legível por máquina no repositório Energia livre de carbono para regiões do Google Cloud no GitHub ou em um conjunto de dados público do BigQuery. Os dados de combinação de rede por hora e intensidade de carbono usados para calcular o conjunto de dados anual de carbono do Google são provenientes do Electricity Maps.

Para implementar a programação com reconhecimento de carbono, recomendamos as seguintes técnicas:

• Mudança geográfica: programe as cargas de trabalho para serem executadas em regiões que usam uma proporção maior de fontes de energia renovável. Essa abordagem permite usar redes elétricas mais limpas.
• Mudança temporal: para cargas de trabalho não críticas e flexíveis, como processamento em lote, configure as cargas de trabalho para serem executadas fora do horário de pico ou quando a energia renovável for mais abundante. Essa abordagem é conhecida como mudança temporal e ajuda a reduzir a pegada de carbono geral aproveitando fontes de energia mais limpas quando disponíveis.

Projetar uma recuperação de desastres com eficiência energética

A preparação para a recuperação de desastres (DR, na sigla em inglês) geralmente envolve o pré-provisionamento de recursos redundantes em uma região secundária. No entanto, recursos inativos ou subutilizados podem causar um desperdício significativo de energia. Escolha estratégias de DR que maximizem a utilização de recursos e minimizem o impacto de carbono sem comprometer seus objetivos de tempo de recuperação (RTO).

Otimizar para eficiência de inicialização a frio

Use as seguintes abordagens para minimizar ou eliminar recursos ativos na região secundária (DR):

• Priorize a DR fria: mantenha os recursos na região de DR desativados ou em um estado de redução da escala a zero. Essa abordagem ajuda a eliminar a pegada de carbono dos recursos de computação inativos.
• Aproveite o failover sem servidor: use serviços gerenciados sem servidor, como o Cloud Run, para endpoints de DR. O Cloud Run reduz a escala verticalmente a zero quando não está em uso. Assim, é possível manter uma topologia de DR que não consome energia até que o tráfego seja desviado para a região de DR.
• Automatize a recuperação com infraestrutura como código (IaC): em vez de manter os recursos no site de DR em execução (quente), use uma ferramenta de IaC, como o Terraform, para provisionar ambientes rapidamente apenas quando necessário.

Equilibrar redundância e utilização

A redundância de recursos é um dos principais fatores de desperdício de energia. Para reduzir a redundância, use as seguintes abordagens:

• Prefira ativo-ativo em vez de ativo-passivo: em uma configuração ativo-passivo, os recursos no site passivo ficam inativos, o que resulta em desperdício de energia. Uma arquitetura ativo-ativo com tamanho ideal garante que todos os recursos provisionados nas duas regiões atendam ativamente ao tráfego. Essa abordagem ajuda a maximizar a eficiência energética da sua infraestrutura.
• Redundância de tamanho adequado: replique dados e serviços entre regiões somente quando a replicação for necessária para atender aos requisitos de alta disponibilidade ou DR. Cada réplica adicional aumenta o custo de energia do armazenamento permanente e da saída de rede.

Desenvolver software com eficiência energética

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para escrever softwares que minimizem o consumo de energia e a carga do servidor.

Visão geral do princípio

Ao seguir as práticas recomendadas para criar seus aplicativos em nuvem, você otimiza a energia utilizada pelos recursos de infraestrutura em nuvem: IA, computação, armazenamento e rede. Você também ajuda a reduzir os requisitos de água dos data centers e a energia que os dispositivos do usuário final consomem ao acessar seus aplicativos.

Para criar software com eficiência energética, é preciso integrar considerações de sustentabilidade em todo o ciclo de vida do software, desde o design e o desenvolvimento até a implantação, a manutenção e o arquivamento. Para orientações detalhadas sobre como usar a IA para criar software que minimize o impacto ambiental das cargas de trabalho na nuvem, consulte o e-book do Google Cloud Crie software de forma sustentável.

Recomendações

As recomendações nesta seção estão agrupadas nas seguintes áreas de foco:

• Minimize o trabalho computacional: priorize um código enxuto e focado que elimine a lógica redundante e evite computações desnecessárias ou excesso de recursos.
• Use algoritmos e estruturas de dados eficientes: escolha algoritmos eficientes em termos de tempo e memória que reduzam a carga da CPU e minimizem o uso da memória.
• Otimizar as operações de computação e dados: desenvolva com o objetivo de usar com eficiência todos os recursos disponíveis, incluindo CPU, memória, E/S de disco e rede. Por exemplo, ao substituir loops ocupados por lógica orientada a eventos, você evita sondagens desnecessárias.
• Implementar a otimização de front-end: para reduzir a energia consumida pelos dispositivos dos usuários finais, use estratégias como minimização, compactação e carregamento lento para imagens e recursos.

Minimizar o trabalho computacional

Para escrever um software com eficiência energética, é preciso minimizar a quantidade total de trabalho computacional que o aplicativo realiza. Cada instrução desnecessária, loop redundante e recurso extra consome energia, tempo e recursos. Use as recomendações a seguir para criar softwares que realizam o mínimo de computações.

Escrever código enxuto e focado

Para escrever o mínimo de código essencial para alcançar os resultados necessários, use as seguintes abordagens:

• Elimine a lógica redundante e o excesso de recursos: escreva um código que execute apenas as funções essenciais. Evite recursos que aumentem a sobrecarga computacional e a complexidade, mas que não ofereçam valor mensurável aos usuários.
• Refatoração: para melhorar a eficiência energética ao longo do tempo, audite regularmente seus aplicativos para identificar recursos não utilizados. Entre em ação para remover ou refatorar esses recursos, conforme apropriado.
• Evite operações desnecessárias: não calcule um valor nem execute uma ação até que o resultado seja necessário. Use técnicas como avaliação lenta, que atrasam os cálculos até que um componente dependente no aplicativo precise da saída.
• Priorize a legibilidade e a reutilização do código: escreva códigos que sejam legíveis e reutilizáveis. Essa abordagem minimiza a duplicação e segue o princípio DRY (Don't Repeat Yourself), que pode ajudar a reduzir as emissões de carbono do desenvolvimento e da manutenção de software.

Usar o armazenamento em cache de back-end

O armazenamento em cache de back-end garante que um aplicativo não realize o mesmo trabalho repetidamente. Uma alta proporção de ocorrência em cache leva a uma redução quase linear no consumo de energia por solicitação. Para implementar o armazenamento em cache de back-end, use as seguintes técnicas:

• Armazenar dados frequentes em cache: armazene dados acessados com frequência em um local de armazenamento temporário de alto desempenho. Por exemplo, use um serviço de armazenamento em cache em memória, como o Memorystore. Quando um aplicativo recupera dados de um cache, o volume de consultas de banco de dados e operações de E/S de disco é reduzido. Consequentemente, a carga nos bancos de dados e servidores no back-end diminui.
• Armazenar respostas da API em cache: para evitar chamadas de rede redundantes e caras, armazene em cache os resultados de solicitações de API frequentes.
• Priorize o cache em memória: para eliminar operações lentas de E/S de disco e consultas complexas de banco de dados, armazene dados na memória de alta velocidade (RAM).
• Selecione as estratégias de gravação em cache adequadas:
  • A estratégia de gravação direta garante que os dados sejam gravados de forma síncrona no cache e no armazenamento permanente. Essa estratégia aumenta a probabilidade de ocorrências em cache, de modo que o armazenamento permanente receba menos solicitações de leitura que consomem muita energia.
  • A estratégia de write-back (write-behind) melhora o desempenho de aplicativos com muitas gravações. Os dados são gravados primeiro no cache, e o banco de dados é atualizado de forma assíncrona depois. Essa estratégia reduz a carga de gravação imediata em bancos de dados mais lentos.
• Use políticas de remoção inteligentes: mantenha o cache enxuto e eficiente. Para remover dados desatualizados ou de baixa utilidade e maximizar o espaço disponível para dados solicitados com frequência, use políticas como time to live (TTL), menos usados recentemente (LRU) e menos usados com frequência (LFU).

Usar algoritmos e estruturas de dados eficientes

Os algoritmos e as estruturas de dados que você escolhe determinam a complexidade computacional bruta do software. Ao selecionar algoritmos e estruturas de dados adequados, você minimiza o número de ciclos de CPU e operações de memória necessários para concluir uma tarefa. Menos ciclos de CPU e operações de memória levam a um menor consumo de energia.

Escolher algoritmos para uma complexidade de tempo ideal

Priorize algoritmos que alcancem o resultado necessário no menor tempo possível. Essa abordagem ajuda a reduzir a duração do uso de recursos. Para selecionar algoritmos que otimizam o uso de recursos, use as seguintes abordagens:

• Foco na redução da complexidade: para avaliar a complexidade, vá além das métricas de ambiente de execução e considere a complexidade teórica do algoritmo. Por exemplo, em comparação com a classificação por bolha, a classificação por mesclagem reduz significativamente a carga computacional e o consumo de energia para grandes conjuntos de dados.
• Evite trabalho redundante: use funções integradas e otimizadas na linguagem de programação ou no framework escolhido. Essas funções geralmente são implementadas em uma linguagem de nível mais baixo e com maior eficiência energética, como C ou C++. Por isso, elas são mais otimizadas para o hardware subjacente em comparação com funções codificadas de forma personalizada.

Selecionar estruturas de dados para eficiência

As estruturas de dados escolhidas determinam a velocidade com que os dados podem ser recuperados, inseridos ou processados. Essa velocidade afeta o uso da CPU e o uso da memória. Para selecionar estruturas de dados eficientes, use as seguintes abordagens:

• Otimize para pesquisa e recuperação: para operações comuns, como verificar se um item existe ou recuperar um valor específico, prefira estruturas de dados otimizadas para velocidade. Por exemplo, mapas ou conjuntos de hash permitem pesquisas de tempo quase constantes, o que é uma abordagem mais eficiente em termos de energia do que a pesquisa linear em uma matriz.
• Minimizar o consumo de memória: estruturas de dados eficientes ajudam a reduzir o consumo geral de memória de um aplicativo. A redução do acesso e do gerenciamento de memória leva a um menor consumo de energia. Além disso, um perfil de memória mais enxuto permite que os processos sejam executados com mais eficiência, o que permite adiar upgrades de recursos.
• Use estruturas especializadas: use estruturas de dados criadas especificamente para um determinado problema. Por exemplo, use uma estrutura de dados trie para pesquisa rápida de prefixos de string e use uma fila de prioridade quando precisar acessar apenas o valor mais alto ou mais baixo de maneira eficiente.

Otimizar as operações de computação e dados

Ao desenvolver software, concentre-se no uso eficiente e proporcional de recursos em toda a pilha de tecnologia. Trate a CPU, a memória, o disco e a rede como recursos limitados e compartilhados. Reconhecer que o uso eficiente de recursos leva a reduções tangíveis nos custos e no consumo de energia.

Otimizar o uso da CPU e o tempo de inatividade

Para minimizar o tempo que a CPU passa em um estado ativo de consumo de energia sem realizar um trabalho significativo, use as seguintes abordagens:

• Prefira a lógica orientada a eventos em vez de sondagem: substitua loops ocupados que consomem muitos recursos ou verificações constantes (sondagem) por lógica orientada a eventos. Uma arquitetura orientada a eventos garante que os componentes de um aplicativo operem apenas quando acionados por eventos relevantes. Essa abordagem permite o processamento sob demanda, o que elimina a necessidade de sondagem com uso intensivo de recursos.
• Evite a alta frequência constante: escreva um código que não force a CPU a operar constantemente na frequência mais alta. Para minimizar o consumo de energia, os sistemas inativos precisam entrar em estados de baixo consumo de energia ou modos de espera.
• Use o processamento assíncrono: para evitar que as linhas de execução sejam bloqueadas durante os tempos de espera ociosos, use o processamento assíncrono. Essa abordagem libera recursos e leva a uma maior utilização geral de recursos.

Gerenciar a memória e a E/S de disco de forma eficiente

O uso ineficiente de memória e disco leva a um processamento desnecessário e ao aumento do consumo de energia. Para gerenciar a memória e a E/S de maneira eficiente, use as seguintes técnicas:

• Gerenciamento rigoroso de memória: tome medidas para liberar proativamente recursos de memória não utilizados. Evite manter objetos grandes na memória por períodos mais longos do que o necessário. Essa abordagem evita gargalos de desempenho e reduz a energia consumida para o acesso à memória.
• Otimize a E/S do disco: reduza a frequência das interações de leitura e gravação do aplicativo com recursos de armazenamento permanente. Por exemplo, use um buffer de memória intermediário para armazenar dados. Grave os dados no armazenamento permanente em intervalos fixos ou quando o buffer atingir um determinado tamanho.
• Operações em lote: consolide operações de disco pequenas e frequentes em menos operações em lote maiores. Uma operação em lote consome menos energia do que muitas transações pequenas e individuais.
• Use a compactação: reduza a quantidade de dados gravados ou lidos em discos aplicando técnicas de compactação de dados adequadas. Por exemplo, para compactar dados armazenados no Cloud Storage, use a transcodificação descompressiva.

Minimizar o tráfego de rede

Os recursos de rede consomem muita energia durante as operações de transferência de dados. Para otimizar a comunicação de rede, use as seguintes técnicas:

• Minimizar o tamanho do payload: projete suas APIs e aplicativos para transferir apenas os dados necessários para uma solicitação. Evite buscar ou retornar grandes estruturas JSON ou XML nos casos em que apenas alguns campos são necessários. Verifique se as estruturas de dados retornadas são concisas.
• Reduzir as idas e voltas: para reduzir o número de idas e voltas de rede necessárias para concluir uma ação do usuário, use protocolos mais inteligentes. Por exemplo, prefira HTTP/3 em vez de HTTP/1.1, escolha GraphQL em vez de REST, use protocolos binários e consolide chamadas de API. Ao reduzir o volume de chamadas de rede, você reduz o consumo de energia dos servidores e dos dispositivos dos usuários finais.

Implementar a otimização de front-end

A otimização de front-end minimiza os dados que os usuários finais precisam baixar e processar, o que ajuda a reduzir a carga nos recursos dos dispositivos dos usuários finais.

Minimizar código e recursos

Quando os usuários finais precisam fazer o download e processar recursos menores e estruturados de forma mais eficiente, os dispositivos deles consomem menos energia. Para minimizar o volume de download e a carga de processamento nos dispositivos dos usuários finais, use as seguintes técnicas:

• Minimização e compactação: para arquivos JavaScript, CSS e HTML, remova caracteres desnecessários, como espaços em branco e comentários, usando ferramentas de minimização adequadas. Verifique se arquivos como imagens estão compactados e otimizados. É possível automatizar a minimização e a compactação de recursos da Web usando um pipeline de CI/CD.
• Carregamento lento: carregue imagens, vídeos e recursos não essenciais apenas quando eles forem realmente necessários, como quando esses elementos forem rolados para a janela de visualização de uma página da Web. Essa abordagem reduz o volume de transferência de dados inicial e a carga de processamento nos dispositivos dos usuários finais.
• Pacotes JavaScript menores: elimine o código não utilizado dos pacotes JavaScript usando bundlers de módulos modernos e técnicas como tree shaking. Essa abordagem resulta em arquivos menores que carregam mais rápido e usam menos recursos do servidor.
• Processo de cache do navegador: use cabeçalhos de armazenamento em cache HTTP para instruir o navegador do usuário a armazenar recursos estáticos localmente. O processo de cache do navegador ajuda a evitar downloads repetidos e tráfego de rede desnecessário em visitas subsequentes.

Priorizar a experiência do usuário (UX) leve

O design da interface do usuário pode ter um impacto significativo na complexidade computacional para renderizar o conteúdo do front-end. Para criar interfaces de front-end que ofereçam uma UX leve, use as seguintes técnicas:

• Renderização eficiente: evite a manipulação frequente do Modelo de objeto de documentos (DOM), que consome muitos recursos. Escreva um código que minimize a complexidade da renderização e elimine a nova renderização desnecessária.
• Padrões de design leves: quando apropriado, prefira sites estáticos ou Apps Web Progressivos (PWAs). Esses sites e apps carregam mais rápido e exigem menos recursos do servidor.
• Acessibilidade e desempenho: sites responsivos e de carregamento rápido costumam ser mais sustentáveis e acessíveis. Um design otimizado e sem elementos desnecessários reduz os recursos consumidos quando o conteúdo é renderizado. Sites otimizados para desempenho e velocidade podem ajudar a gerar mais receita. De acordo com um estudo de pesquisa da Deloitte e do Google, Milliseconds Make Millions, uma melhoria de 0,1 segundo (100 ms) na velocidade do site leva a um aumento de 8,4% nas conversões para sites de varejo e um aumento de 9,2% no valor médio do pedido.

Otimizar dados e armazenamento para sustentabilidade

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para ajudar você a otimizar a eficiência energética e a pegada de carbono dos seus recursos de armazenamento no Google Cloud.

Visão geral do princípio

Os dados armazenados não são um recurso passivo. A energia é consumida e as emissões de carbono ocorrem durante todo o ciclo de vida dos dados. Cada gigabyte de dados armazenados requer uma infraestrutura física que é continuamente alimentada, resfriada e gerenciada. Para conseguir uma arquitetura de nuvem sustentável, trate os dados como um ativo valioso, mas com custo ambiental, e priorize a governança de dados proativa.

Suas decisões sobre retenção de dados, qualidade e localização podem ajudar você a reduzir substancialmente os custos de nuvem e o consumo de energia. Minimize os dados armazenados, otimize onde e como você armazena os dados e implemente estratégias automatizadas de exclusão e arquivamento. Ao reduzir a desordem de dados, você melhora o desempenho do sistema e reduz fundamentalmente a pegada ambiental de longo prazo dos seus dados.

Recomendações

Para otimizar o ciclo de vida dos dados e os recursos de armazenamento para sustentabilidade, considere as recomendações nas seções a seguir.

Priorize dados de alto valor

Os dados armazenados que não são usados, estão duplicados ou são obsoletos continuam consumindo energia para alimentar a infraestrutura subjacente. Para reduzir a pegada de carbono relacionada ao armazenamento, use as técnicas a seguir.

Identificar e eliminar duplicações

Estabeleça políticas para evitar a replicação desnecessária de conjuntos de dados em vários projetos ou serviços do Google Cloud . Use repositórios de dados centrais, como conjuntos de dados do BigQuery ou buckets do Cloud Storage, como únicas fontes de verdade e conceda acesso apropriado a esses repositórios.

Remover dados de sombra e dados obscuros

Dados obscuros são dados em que o utilitário ou o proprietário é desconhecido. Dados de sombra significa cópias não autorizadas de dados. Verifique seus sistemas de armazenamento e encontre dados obscuros e dados de sombra usando uma solução de descoberta e catalogação de dados, como o Knowledge Catalog. Audite regularmente essas descobertas e implemente um processo de arquivamento ou exclusão de dados obscuros e ocultos, conforme apropriado.

Minimizar o volume de dados para cargas de trabalho de IA

Armazene apenas os atributos e os dados processados necessários para o treinamento e a disponibilização do modelo. Sempre que possível, use técnicas como amostragem de dados, agregação e geração de dados sintéticos para melhorar o desempenho do modelo sem depender de conjuntos de dados brutos massivos.

Integrar verificações de qualidade de dados

Implemente pipelines automáticos de validação e limpeza de dados usando serviços como o Serviço Gerenciado para Apache Spark, o Dataflow ou o Knowledge Catalog no ponto de ingestão de dados. Dados de baixa qualidade desperdiçam espaço de armazenamento. Isso também leva ao consumo desnecessário de energia quando os dados são usados posteriormente para análise ou treinamento de IA.

Analisar a densidade de valor dos dados

Revise periodicamente conjuntos de dados de alto volume, como registros e streams de IoT. Determine se os dados podem ser resumidos, agregados ou reduzidos para manter a densidade de informações necessária e reduzir o volume de armazenamento físico.

Avaliar de forma crítica a necessidade de backups

Avalie a necessidade de backups de dados que podem ser gerados novamente com o mínimo de esforço. Exemplos desses dados incluem resultados de ETL intermediários, caches temporários e dados de treinamento derivados de uma fonte estável e permanente. Retenha backups apenas para os dados que são exclusivos ou caros para recriar.

Otimizar o gerenciamento do ciclo de vida do armazenamento

Automatize o ciclo de vida do armazenamento para que, quando a utilidade dos dados diminuir, eles sejam movidos para uma classe de armazenamento com eficiência energética ou desativados, conforme apropriado. Use as técnicas a seguir.

Selecionar uma classe apropriada do Cloud Storage

Automatize a transição de dados no Cloud Storage para classes de armazenamento com menor emissão de carbono com base na frequência de acesso usando o Gerenciamento do ciclo de vida de objetos.

• Use o Standard Storage apenas para conjuntos de dados usados ativamente, como modelos de produção atuais.
• Transfira dados, como conjuntos de dados de treinamento de IA mais antigos ou backups acessados com menos frequência, para o armazenamento Nearline ou Coldline Storage.
• Para retenção de longo prazo, use o Archive Storage, que é otimizado para eficiência energética em escala.

Implementar políticas agressivas de ciclo de vida de dados

Defina políticas claras e automatizadas de time to live (TTL) para dados não essenciais, como arquivos de registro, artefatos de modelo temporários e resultados intermediários desatualizados. Use regras de ciclo de vida para excluir automaticamente esses dados após um período definido.

Exigir a inclusão de tags em recursos

Exija o uso de tags e rótulos de recursos consistentes para todos os buckets do Cloud Storage, conjuntos de dados do BigQuery e discos permanentes. Crie tags que indiquem o proprietário dos dados, a finalidade deles e o período de armazenamento. Use as restrições do Serviço de Políticas da Organização para garantir que as tags necessárias, como o período de armazenamento, sejam aplicadas aos recursos. Com as tags, é possível automatizar o gerenciamento do ciclo de vida, criar relatórios granulares de FinOps e produzir relatórios de emissões de carbono.

Dimensionar corretamente e desprovisionar o armazenamento de computação

Audite regularmente os discos permanentes anexados às instâncias do Compute Engine e verifique se eles não estão provisionados em excesso. Use snapshots apenas quando forem necessários para backup. Exclua snapshots antigos e não utilizados. Para bancos de dados, use políticas de retenção de dados para reduzir o tamanho dos discos permanentes subjacentes.

Otimizar o formato de armazenamento

Para armazenamento que atende a cargas de trabalho de análise, prefira formatos compactados e colunares, como Parquet ou Avro otimizado, em vez de formatos baseados em linhas, como JSON ou CSV. O armazenamento colunar reduz significativamente os requisitos de espaço em disco físico e melhora a eficiência de leitura. Essa otimização ajuda a reduzir o consumo de energia das operações de computação e E/S associadas.

Otimizar a regionalidade e a movimentação de dados

A localização física e a movimentação dos dados afetam o consumo de recursos de rede e a energia necessária para o armazenamento. Otimize a regionalidade dos dados usando as técnicas a seguir.

Selecionar regiões de armazenamento com baixa emissão de carbono

Dependendo dos seus requisitos de compliance, armazene dados em regiões do Google Cloud que usam uma porcentagem maior de energia livre de carbono (CFE, na sigla em inglês) ou que têm menor intensidade de carbono da rede. Restrinja a criação de buckets de armazenamento em regiões com alta emissão de carbono usando a restrição de locais de recursos da política da organização. Para informações sobre dados de CFE e intensidade de carbono para regiões do Google Cloud , consulte Energia livre de carbono para regiões do Google Cloud .

Minimizar a replicação

Replique dados entre regiões apenas para atender aos requisitos obrigatórios de recuperação de desastres (DR) ou alta disponibilidade (HA). As operações de replicação entre regiões e multirregionais aumentam significativamente o custo de energia e a pegada de carbono dos seus dados.

Otimizar locais de tratamento de dados

Para reduzir o consumo de energia na transferência de dados de rede, implante cargas de trabalho com uso intensivo de computação, como treinamento de IA e processamento do BigQuery, na mesma região da fonte de dados.

Otimize a movimentação de dados para seus parceiros e clientes

Para mover grandes volumes de dados entre serviços, locais e provedores de nuvem, incentive seus parceiros e clientes a usar o Serviço de transferência do Cloud Storage ou APIs de compartilhamento de dados. Evite despejos de dados em massa. Para conjuntos de dados públicos, use buckets de Pagamentos do solicitante para transferir os custos de transferência e processamento de dados e o impacto ambiental para os usuários finais.

Medir e melhorar continuamente a sustentabilidade

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para ajudar você a medir e melhorar continuamente a sustentabilidade das suas cargas de trabalho no Google Cloud.

Visão geral do princípio

Para garantir que suas cargas de trabalho na nuvem permaneçam sustentáveis, você precisa de métricas precisas e transparentes. As métricas verificáveis permitem que você transforme metas de sustentabilidade em ações. Cada recurso criado na nuvem tem uma pegada de carbono associada. Para criar e manter arquiteturas de nuvem sustentáveis, é preciso integrar a medição de dados de carbono ao seu ciclo de feedback operacional.

As recomendações nesta seção fornecem uma estrutura para usar a Pegada de carbono para quantificar as emissões de carbono, identificar pontos de acesso de carbono, implementar otimizações de carga de trabalho direcionadas e verificar os resultados dos esforços de otimização. Com esse framework, é possível alinhar de forma eficiente suas metas de otimização de custos com metas verificáveis de redução das emissões de carbono.

Metodologia de relatórios da Pegada de carbono

A Pegada de Carbono fornece um relatório transparente, auditável e globalmente alinhado das suas emissões relacionadas à nuvem. O relatório segue padrões internacionais, principalmente o Protocolo de Gases de Efeito Estufa (GEE) para relatórios e contabilidade de carbono. O relatório de pegada de carbono usa métodos de contabilidade baseados em localização e mercado. A contabilização baseada em localização se baseia no fator de emissões da rede local. A contabilidade baseada no mercado considera as compras de energia livre de carbono (CFE, na sigla em inglês) do Google. Essa abordagem dupla ajuda a entender o impacto na rede física e o benefício de carbono das suas cargas de trabalho no Google Cloud.

Para mais informações sobre como o relatório da Pegada de Carbono é preparado, incluindo as fontes de dados usadas, as inclusões do Escopo 3 e o modelo de alocação do cliente, consulte Metodologia de relatórios da Pegada de Carbono.

Recomendações

Para usar a medição de carbono para melhoria contínua, considere as recomendações nas seções a seguir. As recomendações são estruturadas como fases de maturidade para implementar operações de nuvem sustentáveis por design:

• Fase 1: estabelecer uma baseline
• Fase 2: identificar áreas de risco
• Fase 3: implementar a otimização segmentada
• Fase 4: institucionalizar as práticas e os relatórios de sustentabilidade

Fase 1: estabelecer um valor de referência

Nesta fase, você configura as ferramentas necessárias e garante que os dados estejam acessíveis e integrados corretamente.

1. Conceder permissões: conceda permissões a equipes como FinOps, SecOps e engenharia de plataforma para que elas possam acessar o painel da Pegada de carbono no console do Google Cloud . Conceda o papel de Leitor de Pegada de Carbono (roles/billing.carbonViewer) no Identity and Access Management (IAM) para a conta de faturamento apropriada.
2. Automatizar a exportação de dados: antes de exportar dados, verifique se a Google Cloud hierarquia de recursos (pastas e projetos) e as anotações de recursos (tags e rótulos) refletem com precisão a organização das suas unidades de negócios. Como os dados da Pegada de carbono são agregados no nível do projeto, uma hierarquia bem definida é essencial para atribuir as emissões corretamente. Configure a exportação automática de dados da Pegada de carbono para o BigQuery. Os dados exportados permitem realizar análises profundas, correlacionar dados de carbono com dados de custo e uso e produzir relatórios personalizados.
3. Defina indicadores principais de desempenho (KPIs) relacionados ao carbono: estabeleça métricas que conectem as emissões de carbono ao valor comercial. Por exemplo, a intensidade de carbono é uma métrica para o número de quilogramas de equivalente de CO₂ por cliente, transação ou unidade de receita.

Fase 2: identificar áreas de risco de carbono

Identifique as áreas que têm o maior impacto ambiental analisando os dados granulares no relatório de Pegada de Carbono. Use as seguintes técnicas para essa análise:

• Priorizar por escopo: para identificar rapidamente os maiores emissores brutos de carbono, analise os dados no painel por projeto, região e serviço.
• Use a contabilidade dupla: ao avaliar o impacto de carbono em uma região, considere as emissões baseadas na localização (o impacto ambiental da rede elétrica local) e as emissões baseadas no mercado (o benefício dos investimentos em CFE do Google).
• Correlacionar com o custo: junte os dados de carbono no BigQuery com os dados de faturamento e avalie o impacto das ações de otimização na sustentabilidade e no custo. Embora o custo e o carbono geralmente tenham tendências semelhantes, você só pode usar o custo como um indicador inicial. Por exemplo, em regiões de alto custo que têm pontuações de energia livre de carbono (CFE) altas, as cargas de trabalho podem ter um custo alto, mas baixas emissões baseadas no mercado. Sempre valide as suposições de otimização com base em métricas reais de localização e de mercado.
• Anote dados para medir o retorno sobre o esforço (ROE, na sigla em inglês): anote os dados de carbono no BigQuery com eventos específicos, como o dimensionamento correto de um recurso ou a desativação de um serviço grande. As anotações permitem atribuir reduções na emissão de carbono e no custo a iniciativas de otimização específicas, para que você possa medir e demonstrar o resultado de cada iniciativa.

Fase 3: implementar a otimização segmentada

Essa é a fase de execução para implementar operações de nuvem sustentáveis por design. Use as estratégias a seguir para otimizar recursos específicos que você identificar como fatores significativos de custo e emissão de carbono:

• Desativar projetos autônomos: como parte dos fluxos de trabalho de gerenciamento de serviços de TI (ITSM, na sigla em inglês), verifique regularmente o recomendador de projetos autônomos, que é integrado aos dados da Pegada de carbono. Para reduzir imediatamente as emissões de carbono e os custos, automatize a revisão e a eventual remoção de projetos não utilizados por meio de tickets de engenharia rastreados.
• Redimensionar recursos: use os recomendadores de redimensionamento do Active Assist, como as recomendações de tipo de máquina para VMs do Compute Engine, para que a capacidade de recursos provisionada corresponda à utilização real. Para tarefas com uso intenso de computação e cargas de trabalho de IA, use os tipos de máquina e os modelos de IA mais eficientes.
• Adote a programação que considera as emissões de carbono: para cargas de trabalho em lote que não são críticas em termos de tempo, integre os dados regionais de CFE à lógica de programação. Sempre que possível, limite a criação de novos recursos a regiões com baixa emissão de carbono usando a restrição de locais de recursos no Serviço de Política da Organização.
• Reduzir a expansão de dados: implemente políticas de governança de dados para garantir que os dados acessados com pouca frequência sejam transferidos para uma classe de armazenamento de acesso raro adequada (Nearline, Coldline ou Archive) ou sejam excluídos permanentemente. Essa estratégia ajuda a reduzir o custo de energia dos recursos de armazenamento.
• Refinar o código do aplicativo: corrija ineficiências no código que causam uso excessivo de recursos ou computação desnecessária.

Para ver mais informações, consulte os seguintes tópicos:

• Usar regiões que consomem energia com baixa emissão de carbono
• Otimizar cargas de trabalho de IA e ML
• Otimizar o uso de recursos
• Desenvolver software com eficiência energética
• Otimizar dados e armazenamento para sustentabilidade

Fase 4: institucionalizar as práticas e os relatórios de sustentabilidade

Nesta fase, você incorpora a medição de carbono ao seu framework de governança. Essa abordagem ajuda a garantir que sua organização tenha os recursos e controles necessários para melhorias contínuas de sustentabilidade e relatórios verificáveis.

• Implementar a governança de GreenOps: estabeleça uma função ou um grupo de trabalho formal de GreenOps para integrar os dados da Pegada de Carbono com os dados do Cloud Billing. Integre suas exportações mensais de carbono do BigQuery diretamente aos painéis de FinOps, como o Looker. Apresentar dados de carbono e custo em uma única interface ajuda a garantir que a sustentabilidade faça parte do seu ciclo de revisão operacional padrão. Essa função precisa definir a responsabilidade pelas metas de redução das emissões de carbono em todos os projetos, alinhar a otimização de custos com as metas de sustentabilidade e implementar relatórios para acompanhar a eficiência de carbono em relação aos gastos.
• Usar dados da Pegada de Carbono para relatórios e conformidade: use os dados verificados e auditáveis da Pegada de Carbono no BigQuery para criar divulgações formais de fatores ambientais, sociais e de governança (ESG). Essa abordagem permite que você atenda às demandas das partes interessadas por transparência e ajuda a garantir a conformidade com regulamentações obrigatórias e voluntárias.
• Invista em treinamento e conscientização: implemente treinamentos obrigatórios de sustentabilidade para as equipes técnicas e não técnicas relevantes. Suas equipes precisam saber como acessar e interpretar os dados da Pegada de carbono e como aplicar recomendações de otimização nos fluxos de trabalho diários e nas escolhas de design. Para mais informações, consulte Oferecer treinamento de sustentabilidade com base em funções.
• Defina os requisitos de carbono: incorpore métricas de emissão de carbono como requisitos não funcionais (NFR, na sigla em inglês) nos critérios de aceitação do aplicativo para novas implantações. Essa prática ajuda a garantir que arquitetos e desenvolvedores priorizem opções de design com baixa emissão de carbono desde o início do ciclo de vida de desenvolvimento de aplicativos.
• Automatizar as GreenOps: automatize a implementação das recomendações do Active Assist usando scripts, modelos e pipelines de infraestrutura como código (IaC). Essa prática garante que as equipes apliquem as recomendações de forma consistente e rápida em toda a organização.

Promover uma cultura de sustentabilidade

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework fornece recomendações para ajudar você a criar uma cultura em que as equipes da sua organização conheçam e sejam proficientes em práticas de sustentabilidade.

Visão geral do princípio

Para aplicar práticas de sustentabilidade, você precisa de mais do que ferramentas e técnicas. É preciso uma mudança cultural impulsionada pela educação e pela responsabilidade. Suas equipes precisam estar cientes das preocupações com a sustentabilidade e ter proficiência prática em práticas de sustentabilidade.

• Consciência da sustentabilidade é o conhecimento contextual de que cada decisão arquitetônica e operacional tem efeitos tangíveis na sustentabilidade. As equipes precisam reconhecer que a nuvem não é uma coleção abstrata de recursos virtuais, mas é impulsionada por recursos físicos que consomem energia e produzem emissões de carbono.
• Proficiência em práticas de sustentabilidade, incluindo conhecimento para interpretar dados de emissão de carbono, experiência na implementação de governança de sustentabilidade na nuvem e habilidades técnicas para refatorar o código para eficiência energética.

Para alinhar as práticas de sustentabilidade com as metas organizacionais, suas equipes precisam entender como o uso de energia pela infraestrutura em nuvem e pelo software contribui para a pegada de carbono da organização. Um treinamento bem planejado ajuda a garantir que todas as partes interessadas, de desenvolvedores e arquitetos a profissionais de finanças e engenheiros de operações, entendam o contexto de sustentabilidade do trabalho diário. Esse entendimento compartilhado permite que as equipes vão além da conformidade passiva para a otimização ativa, o que torna as cargas de trabalho em nuvem sustentáveis por design. A sustentabilidade se torna um requisito não funcional (NFR, na sigla em inglês) essencial, como outros requisitos de segurança, custo, desempenho e confiabilidade.

Recomendações

Para aumentar a conscientização sobre as preocupações com a sustentabilidade e a proficiência em práticas de sustentabilidade, considere as recomendações nas seções a seguir.

Fornecer contexto de negócios e alinhamento com as metas organizacionais

A sustentabilidade não é apenas um exercício técnico. Ela exige uma mudança cultural que alinhe as ações individuais com a missão ambiental da sua organização. Quando as equipes entendem o motivo das iniciativas de sustentabilidade, elas têm mais chances de adotá-las como princípios fundamentais, e não como tarefas opcionais.

Conecte-se ao panorama geral

Ajude suas equipes a entender como as escolhas arquitetônicas individuais, como selecionar uma região com baixa emissão de carbono ou otimizar um pipeline de dados, contribuem para os compromissos gerais de sustentabilidade da organização. Comunique explicitamente como essas escolhas afetam a comunidade local e o setor. Transforme métricas de carbono abstratas em indicadores tangíveis de progresso em direção às metas de responsabilidade social corporativa (CSR, na sigla em inglês).

Por exemplo, uma mensagem como a seguinte informa às equipes sobre o resultado positivo e o reconhecimento executivo de uma decisão de migrar uma carga de trabalho para uma região com baixa emissão de carbono e usar um tipo de máquina com eficiência energética. A mensagem faz referência ao equivalente de CO₂, o que ajuda sua equipe a contextualizar o impacto das medidas de redução de carbono.

"Ao migrar nosso mecanismo de análise de dados para a região us-central1 com baixa emissão de CO₂ e fazer upgrade dos nossos clusters para instâncias baseadas em Axion C4A, mudamos fundamentalmente nosso perfil de carbono. Essa mudança resultou em uma redução de 75% na intensidade de carbono do nosso mecanismo de análise de dados, o que se traduz em uma redução de 12 toneladas métricas equivalentes de CO₂ neste trimestre. Essa migração teve um impacto significativo nas nossas metas de negócios e foi incluída na newsletter do quarto trimestre para nossa diretoria."

Comunicar metas financeiras e de sustentabilidade

A transparência é fundamental para alinhar as práticas de sustentabilidade com as metas. Na medida do possível, compartilhe amplamente as metas e o progresso de sustentabilidade em toda a organização. Destaque o progresso da sustentabilidade nas demonstrações financeiras anuais. Essa comunicação garante que as equipes técnicas vejam o trabalho delas como uma parte vital dos compromissos públicos e da saúde financeira da organização.

Adote uma mentalidade de destino compartilhado

Instrua as equipes sobre a natureza colaborativa da sustentabilidade na nuvem. O Google é responsável pela sustentabilidade da nuvem, o que inclui a eficiência da infraestrutura e dos data centers. Você (cliente) é responsável pela sustentabilidade dos seus recursos e cargas de trabalho na nuvem. Ao enquadrar essa colaboração como uma parceria de destino compartilhado, você reforça o entendimento de que sua organização e o Google trabalham juntos para alcançar os melhores resultados ambientais.

Oferecer treinamento de sustentabilidade com base em funções

Para garantir que a sustentabilidade seja uma habilidade prática, e não um conceito teórico, adapte o treinamento de sustentabilidade a funções específicas. As ferramentas e técnicas de sustentabilidade que um cientista de dados pode usar são muito diferentes daquelas disponíveis para um analista de FinOps, conforme descrito na tabela a seguir:

Papel	Foco do treinamento
Cientistas de dados e engenheiros de ML	Intensidade de carbono da computação: demonstre as diferenças entre executar jobs de treinamento de IA em sistemas legados e em aceleradores de IA criados para essa finalidade. Destaque como um modelo com menos parâmetros pode produzir a precisão necessária com um consumo de energia significativamente menor.
Desenvolvedores	Eficiência do código e consumo de recursos: mostre como códigos de alta latência ou loops ineficientes se traduzem diretamente em um tempo de execução de CPU estendido e um maior consumo de energia. Enfatize a importância de contêineres leves e a necessidade de otimizar o desempenho do aplicativo para reduzir a pegada ambiental do software.
Arquitetos	Sustentável por design: foco na seleção de regiões e na implantação de cargas de trabalho. Mostre como escolher uma região com baixa emissão de CO2 e uma alta porcentagem de energia renovável (como northamerica-northeast1) muda fundamentalmente o perfil de carbono de toda a pilha de aplicativos antes de escrever uma única linha de código.
Engenheiros de plataforma e de operações	Maximizar a utilização: enfatize o custo ambiental dos recursos de inatividade e do provisionamento excessivo. Apresentar cenários de escalonamento automatizado e dimensionamento adequado para garantir que os recursos de nuvem sejam usados de maneira eficiente. Explicar como criar e acompanhar métricas relacionadas à sustentabilidade, como utilização, e como traduzir métricas como tempo de computação em métricas equivalentes de emissões de carbono.
FinOps	Unit economics de carbono: foco na relação entre gastos financeiros e impacto ambiental. Demonstre como as práticas de GreenOps permitem que uma organização acompanhe o carbono por transação, o que ajuda a tornar a sustentabilidade um indicador principal de desempenho (KPI) tão importante quanto os KPIs convencionais, como custo e utilização.
Gerentes de produtos	Sustentabilidade como um recurso: demonstre como integrar metas de redução das emissões de carbono às estratégias do produto. Mostre como jornadas do usuário simplificadas podem ajudar a reduzir o consumo de energia de recursos de nuvem e dispositivos de usuários finais.
líderes empresariais;	Alinhamento estratégico e relatórios: foco em como a sustentabilidade da nuvem afeta as pontuações ambientais, sociais e de governança (ESG) e a reputação pública. Ilustrar como as escolhas de sustentabilidade ajudam a reduzir o risco regulatório e cumprir os compromissos com a comunidade e o setor.

Defenda a sustentabilidade e reconheça o sucesso

Para manter o progresso a longo prazo, é preciso ir além das correções técnicas internas e começar a influenciar seus parceiros e o setor.

Capacitar os gerentes para defender a sustentabilidade

Forneça aos gerentes os dados e as permissões necessários para priorizar o impacto ambiental, assim como outras métricas de negócios, como velocidade de lançamento no mercado e custo. Quando os gerentes têm esses dados, eles começam a ver a sustentabilidade como um padrão de qualidade e eficiência, e não como um recurso interessante que atrasa a produção. Eles defendem ativamente novos recursos de provedores de nuvem, como dados de carbono mais granulares e processadores mais novos e ecológicos em regiões específicas.

Alinhamento com padrões e frameworks do setor

Para garantir que suas iniciativas de sustentabilidade sejam confiáveis e mensuráveis, alinhe as práticas internas com padrões globais e regionais reconhecidos. Para mais informações, consulte Alinhar as práticas de sustentabilidade com as diretrizes do setor.

Incentivar iniciativas de sustentabilidade

Para garantir que a sustentabilidade se torne uma parte duradoura da cultura de engenharia, as equipes precisam perceber o valor de priorizar a sustentabilidade. Faça a transição de metas de alto nível para KPIs específicos e mensuráveis que recompensam a melhoria e a eficiência.

Definir KPIs de carbono e NFRs

Trate a sustentabilidade como um requisito técnico essencial. Ao definir KPIs de carbono, como gramas de CO₂ equivalente por milhão de solicitações ou intensidade de carbono por execução de treinamento de IA, você torna o impacto na sustentabilidade visível e acionável. Por exemplo, integre a sustentabilidade aos NFRs de cada novo projeto. Em outras palavras, assim como um sistema precisa atender a uma meta específica de latência ou disponibilidade, ele também precisa permanecer dentro de um orçamento definido de emissões de carbono.

Medir o retorno do esforço

Ajude suas equipes a identificar ganhos de sustentabilidade de alto impacto e baixo esforço, como mudar um job em lote para uma região diferente, em vez de um exercício complexo de refatoração de código que pode oferecer ganhos mínimos. Oferecer visibilidade do retorno sobre o esforço (ROE, na sigla em inglês). Quando uma equipe escolhe uma família de processadores mais eficiente, ela precisa saber exatamente quanta emissão de carbono evitou em relação ao tempo e ao esforço necessários para migrar para o novo processador.

Reconhecer e celebrar a redução de carbono

O impacto da sustentabilidade geralmente fica oculto no segundo plano da infraestrutura. Para criar o impulso para o progresso da sustentabilidade, torne os sucessos visíveis para toda a organização. Por exemplo, use anotações em painéis de monitoramento para marcar quando uma equipe implantou uma otimização de sustentabilidade específica. Essa visibilidade permite que as equipes apontem para os dados no painel e reivindiquem o reconhecimento pelos sucessos.

Alinhar as práticas de sustentabilidade com as diretrizes do setor

Este princípio no pilar de sustentabilidade do Google Cloud Well-Architected Framework oferece uma visão geral das diretrizes e frameworks do setor com os quais você deve alinhar seus esforços de sustentabilidade.

Visão geral do princípio

Para garantir que suas iniciativas de sustentabilidade sejam baseadas em métodos globalmente reconhecidos de medição, relatórios e verificação, recomendamos que você as alinhe com as seguintes diretrizes do setor:

• Diretrizes de sustentabilidade da Web do W3C
• Green Software Foundation
• Protocolo de Gás do efeito estufa

Ao alinhar suas iniciativas de sustentabilidade com essas diretrizes externas compartilhadas, elas ganham a credibilidade e a auditabilidade que investidores, órgãos reguladores e outras partes interessadas externas exigem. Você também promove a responsabilidade entre as equipes de engenharia, incorpora a sustentabilidade ao treinamento dos funcionários e integra as operações de nuvem aos compromissos de toda a empresa para relatórios ambientais, sociais e de governança (ESG).

Diretrizes de sustentabilidade da Web do W3C

As Diretrizes de Sustentabilidade da Web (WSG, na sigla em inglês) do W3C são um framework emergente de práticas recomendadas desenvolvido por um grupo de trabalho do W3C para lidar com o impacto ambiental de produtos e serviços digitais. As diretrizes abrangem todo o ciclo de vida de uma solução digital, incluindo estratégia de negócios e produtos, design de experiência do usuário (UX), desenvolvimento web, hospedagem, infraestrutura e sistemas. O principal objetivo do WSG é permitir que desenvolvedores e arquitetos criem sites e aplicativos da Web que sejam mais eficientes em termos de energia e que reduzam o tráfego de rede, o processamento do lado do cliente e o consumo de recursos do lado do servidor. Essas diretrizes servem como um ponto de referência essencial para alinhar a sustentabilidade no nível do aplicativo com as decisões de arquitetura no nível da nuvem.

Green Software Foundation

A Green Software Foundation (GSF) se concentra na criação de um ecossistema do setor em torno de software sustentável. A missão da fundação é impulsionar a criação de softwares projetados, criados e operados para minimizar a pegada de carbono. A GSF desenvolveu a especificação de intensidade de carbono de software (SCI, na sigla em inglês), que fornece um padrão comum para medir a taxa de emissões de carbono de qualquer software. O alinhamento com a GSF ajuda os desenvolvedores a conectar a eficiência de um aplicativo diretamente ao impacto de carbono do ambiente de nuvem.

Protocolo de Gás do Efeito Estufa

O Protocolo de Gases do Efeito Estufa (GEE) é um conjunto de padrões amplamente usado para medir, gerenciar e divulgar as emissões de gases do efeito estufa. O protocolo foi desenvolvido por meio de uma parceria entre o World Resources Institute (WRI) e o World Business Council for Sustainable Development (WBCSD). O protocolo GHG fornece o framework essencial para a contabilidade climática corporativa. O relatório da Pegada de Carbono fornece dados para escopos de emissão relevantes para o uso da nuvem. Para mais informações, consulte Metodologia de relatórios da Pegada de carbono.

A adesão ao Protocolo GHG ajuda a garantir que suas iniciativas de sustentabilidade tenham credibilidade e que terceiros possam auditar seus dados de emissão de carbono. Você também ajuda a evitar a percepção de greenwashing e a atender aos requisitos de auditoria dos seus investidores, reguladores e partes interessadas externas. Dados verificados e auditados ajudam sua organização a comprovar responsabilidade e criar confiança em compromissos de sustentabilidade voltados ao público.