"My chcemy grać w zielone i chcemy by za domem rosło drzewo! I żeby ptak śpiewał!" W dobie rosnącej świadomości ekologicznej, wewnętrznej potrzeby dbania o naszą planetę oraz (gulp) presji regulacyjnej, technologia nie może (jeszcze raz przypomnę o presji regulacyjnej) pozostać w tyle. Celem tej prezentacji jest przedstawienie aktualnych inicjatyw, protokołów oraz narzędzi, które pomagają twórcom aplikacji uczynić je bardziej "zielonymi" oraz zrównoważonymi.

1. Artur Skowroński
My chcemy grać w Zielone!
Czyli stan świata Green Technology końcówką 2023

2. Artur Skowronski
Head of Java / Kotlin Development

10. Dlaczego w ogóle dotykam tego tematu?

11. Bo często podchodzimy do niego za mało inżyniersko
1

19. Bo GDPR mnie wiele nauczył
2

23. Bo lubię rozmawiać o konkretach
3

27. O czym mówimy, kiedy mówimy o Green Technology?

28. Carbon Footprint

29. Uwzględnienie wszystkich możliwych źródeł emisji
gazów cieplarnianych (np. metan, dwutlenek węgla,
podtlenek azotu itp.) i konwersja tych różnych gazów
do jednej jednostki miary, aby można je było
zsumować.
Podejście LCA (Life Cycle Assessment)

30. Standardową miarą, która jest często używana do
tego celu, są równoważniki dwutlenku węgla
(CO2eq)
Są obliczane na podstawie porównania globalnego
potencjału ocieplania (GWP) różnych gazów.
Podejście LCA (Life Cycle Assessment)

31. Podejście LCA (Life Cycle Assessment)
1 CH4 25 CO2eq
GWP

32. No dobra, ale które emisje tak naprawdę powinniśmy liczyć?

33. “Przenoszenie” wpływów na środowisko
AKA kreatywna księgowość

34. Greenhouse Gas Protocol

35. Greenhouse Gas Protocol
GHG Protocol to zbiór standardów i wytycznych
służących do mierzenia, zarządzania i raportowania
emisji gazów cieplarnianych przez
fi
rmy i organizacje.
Opracowany przez World Resources Institute (WRI)
oraz World Business Council for Sustainable
Development (WBCSD).

36. Scope 1 - Bezpośrednie emisje
To emisje gazów cieplarnianych,
które pochodzą bezpośrednio z
źródeł należących do
fi
rmy lub
kontrolowanych przez nią.
Przykładem mogą być spaliny
wydobywające się z kominów
fabryki, której jest właścicielem, lub
spalanie paliwa przez
fi
rmowe
samochody.

37. Scope 2 - Pośrednie emisje z energii
Obejmują one emisje z produkcji
energii elektrycznej, ciepła lub pary,
które
fi
rma kupuje i zużywa.
Chociaż te emisje nie pochodzą
bezpośrednio z działalności
fi
rmy,
są z nią związane, ponieważ energia
ta jest potrzebna do jej działania.

38. Scope 3 - Inne pośrednie emisje
To najszersza kategoria, która
obejmuje wszystkie inne emisje
gazów cieplarnianych, które są
wynikiem działalności
fi
rmy, ale
pochodzą z źródeł, których
fi
rma
nie posiada ani nie kontroluje.
To może być na przykład produkcja
materiałów, które
fi
rma kupuje od
dostawców, lub sposób, w jaki
klienci używają sprzedanych przez
fi
rmę produktów. To też np. emisje
samolotów.

39. Jak ma się do tego Software?

40. Carbon Footprint
GHG Scope 2 3
Private Cloud Energia Hardware
Public Cloud - Energia + Hardware
Hybrid Cloud Energia + Hardware Energia + Hardware
Front End
Energia + Hardware
Użytkownika

41. Green Software Foundation

42. Green Software Foundation

43. Green Software Foundation

44. Software Carbon Intensity speci
fi
cation
Specy
fi
kacja Wskaźnika Emisyjności Węgla Oprogramowania (SCI)
to metodyka opracowana przez Grupę Roboczą Standardów w
ramach Green Software Foundation, mająca na celu ocenianie
aplikacji programowych pod kątem zrównoważonego rozwoju oraz
zachęcanie do działań na rzecz eliminacji emisji.

45. Software Carbon Intensity speci
fi
cation
Podczas gdy protokół GHG oblicza
łączną ilość emisji, SCI dotyczy
obliczania wskaźnika emisji.
SCI jest bardziej jak pomiar zużycia
paliwa na mile, a protokół GHG jest
bardziej jak całkowity ślad
węglowy producenta
samochodów.

46. Software Carbon Intensity speci
fi
cation
Zamiast dzielić emisje węgla
oprogramowania na Scope 1-3, dzieli
je na emisje operacyjne (emisje
węgla z działania oprogramowania) i
emisje wbudowane (emisje węgla z
fi
zycznych zasobów wymaganych do
działania oprogramowania).
Opiera się więc na intensywności, a
nie łączna ilość.

48. Green Software Foundation

49. Green Software Foundation

50. Green Software Foundation

51. Green Software Foundation

52. Green Software Foundation

54. Green Software Foundation

60. Ktoś się audytowa z ISO?

61. https://w3c.github.io/sustyweb/

62. https://w3c.github.io/sustyweb/

63. https://w3c.github.io/sustyweb/

65. Cloud Computing

71. Carbon Neutral (neutralność węglowa) w 2007 roku
Aby zrównoważyć emisje, które
nie mogły być natychmiastowo
zredukowane, Google inwestowało
w projekty zewnętrzne, które
absorbują CO2 lub redukują emisje
w innym miejscu.
Te projekty obejmowały m.in.
fi
nansowanie farm wiatrowych,
instalacji solarnych, zakup kredytów
węglowych oraz inicjatywy leśne,
które wiążą CO2 przez fotosyntezę
drzew.

72. 100% odnawialnych źródła energii w 2017 roku
Zero Emisyjność w trybie 24h
Nie oznacza to, że każda
operacja
fi
rmy była zasilana
bezpośrednio przez odnawialne
źródła, ale
fi
rma kupowała
wystarczającą ilość energii ze źródeł
odnawialnych (lub kredytów energii
odnawialnej), aby zrównoważyć
całkowite zużycie energii.

73. 100% odnawialnych źródła energii w 2017 roku

74. Carbon Free (wolne od emisji węgla) w 2030 roku
Zero Emisyjność w trybie 1h
Nie tylko energia wykorzystywana
przez Google miałaby pochodzić ze
100% odnawialnych źródeł, ale
wszystkie procesy, produkty i
operacje
fi
rmy nie wywoływałyby
emisji dwutlenku węgla ani
innych gazów cieplarnianych.

75. Języki Programowania

78. RAPL
Running Average Power Limit to funkcja
zarządzania energią dostępna w procesorach Intela.
RAPL umożliwia oprogramowaniu monitorowanie i
kontrolowanie zużycia energii przez procesor CPU
oraz inne komponenty znajdujące się na chipie.

79. Energy (J) = Power (W) x Time(s)
Execution Time != Energy Ef
fi
ciency

81. Skille zespołu inżynierskiego
JIT Compilers Cykl życie maszyn
Energia na debugowanie

82. AI

84. 433,196 kWh i 24.69 ton CO2eq
40 domków jednorodzinnych / rocznie
5.5 przeciętnego samochodu / rocznie

86. Model
Wybór efektywnych architektur
modeli uczenia maszynowego,
jednocześnie rozwijając jakość ML,
takich jak modele rzadkie w
porównaniu do modeli gęstych,
może poprawić wydajność o około
5–10 razy.

87. Maszyna
Używanie procesorów
zoptymalizowanych pod kątem
treningu ML, takich jak TPU lub
nowe GPU (np. V100 lub A100), w
porównaniu do procesorów
ogólnego przeznaczenia, może
poprawić wydajność/Watt o
czynniki 2–5.

88. Mechanizacja
Przetwarzanie w chmurze zamiast
lokalnie poprawia efektywność
energetyczną centrów danych,
redukując koszty energii o czynnik
1,4–2.

89. Mapa
Przetwarzanie w chmurze pozwala
praktykom ML wybierać lokalizację
z najczystszą energią, dodatkowo
redukując całkowity ślad węglowy o
czynniki 5–105.

92. Tooling

93. AWS

94. Microsoft

95. Google Cloud Platform

96. Carbon Footprint

97. Carbon Footprint

98. Cloud Carbon Footprint

99. JoularJX for Java

100. CodeCarbon for 🐍

101. Myśli, z którymi chciałbym Was zostawić

102. Zmiany Klimatyczne są realnym problemem

103. “Premature optimization is the root of all evil." Sir Tony Hoare

104. “Premature optimization is the root of all evil." Sir Tony Hoare

105. Performance
Czas Developerów jest więcej wart niż maszyny
Czas developerów cenniejszy niż czas serwerów

106. Performance
Czas Developerów jest więcej wart niż maszyny
W praktyce to co możemy robić - pisać wydajne aplikacje

107. Performance
Czas Developerów jest więcej wart niż maszyny
Jevons paradox

108. Czas Developerów jest więcej wart niż maszyny

109. Performance
Czas Developerów jest więcej wart niż maszyny
Scope 4

110. Materiały użyte w prezentacji
• Energy Ef
fi
ciency across Programming Languages
• Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language Model
• Google: Operating on 24/7 Carbon-Free Energy by 2030
• The Carbon Footprint of Machine Learning Training Will Plateau, Then Shrink
• 2023 State of Green Software
• GHG Protocol
• Web Sustainability Guidelines (WSG) 1.0
• Software Carbon Intensity (SCI) Speci
fi
cation Project
• The real climate and transformative impact of ICT: A critique of estimates, trends, and
regulations

111. @ArturSkowronski
Thank You!