Valuable insights
1.Sidération face aux impacts de l'IA: Le déploiement rapide de l'intelligence artificielle provoque une réaction collective mêlant colère, désir de retrait et surmenage face aux conséquences environnementales et sociétales.
2.L'IA frugale privilégie l'évitement: La véritable frugalité en IA signifie privilégier les usages qui n'existent pas ou nécessitent une automatisation minimale, remettant en question la nécessité de chaque implémentation.
3.L'évaluation doit être systémique: L'analyse des impacts environnementaux doit couvrir l'intégralité du cycle de vie des équipements, du transport, de la fabrication jusqu'à la fin de vie, et non seulement l'usage.
4.Multiplication des critères d'impact: La consommation électrique est insuffisante pour mesurer l'impact; il est impératif d'intégrer la consommation d'eau, l'épuisement des minéraux et les effets sur la biodiversité.
5.Optimisation technique et gouvernance des données: L'efficience passe par des pratiques d'optimisation (architecture modulaire, taille des modèles) et une gouvernance stricte des données pour maîtriser l'impact du stockage.
6.Attention aux effets rebonds: Les gains d'efficacité obtenus grâce à l'IA peuvent être annulés par une augmentation subséquente de la consommation ou de l'utilisation des ressources, nécessitant une analyse des conséquences indirectes.
7.Viser l'impact positif net: L'objectif stratégique est d'atteindre une IA à impact positif, où les bénéfices générés par le service dépassent significativement les impacts environnementaux liés à sa mise en œuvre.
La sidération face à l'IA et l'émergence de l'IA frugale
Une discussion récente a révélé une sidération collective concernant le déploiement rapide de l'intelligence artificielle et ses répercussions environnementales, sociales et sociétales. Cette situation engendre diverses réactions, allant de la colère au désir de retrait, en passant par le surmenage lié à la réduction de l'impact quotidien ou l'abandon face au sentiment d'impuissance. Face à ce constat, des leviers d'action individuels et collectifs sont proposés, s'appuyant sur le référentiel général pour une IA frugale. L'objectif principal est de cibler les actions là où l'impact est maximal : la fabrication des équipements, l'entraînement des modèles et le volume des usages.
Impacts environnementaux et sociétaux de l'IA
L'IA exerce des effets considérables sur la consommation d'énergie, entraînant des émissions de CO2, mais affecte également la consommation d'eau, la production de déchets et la biodiversité. Sur le plan social et sociétal, des problématiques telles que la désinformation, les bulles de filtre et les conflits liés à l'accès aux minerais sont mises en lumière. Bien que l'IA suscite de grands espoirs dans des domaines comme la médecine ou la transition écologique, la nécessité d'agir sur son empreinte est primordiale.
Le référentiel pour une IA frugale
Les collaborateurs du ministère de la Transition écologique et l'AFNOR ont conjointement développé un référentiel pour l'IA frugale. Ce document établit une terminologie conforme aux normes internationales, propose une méthode d'évaluation des impacts environnementaux et fournit des bonnes pratiques immédiatement actionnables. Ce travail s'inscrit dans la continuité du référentiel général de l'écoconception des services numériques, connu sous l'acronyme RGN.
Questionner le besoin : Le fondement de l'IA frugale
La définition de frugalité évoque le fait de se nourrir de peu et de vivre simplement. Il est reconnu que ce terme est légèrement détourné dans ce contexte, car la forme la plus frugale d'intelligence artificielle est celle qui n'existe pas. Cela rappelle la possibilité de se passer de l'IA et du numérique, étant donné le temps considérable passé devant les écrans et les usages qui pourraient être évités par l'automatisation.
Une frugal est avant tout une qui n'existe pas.
Malgré l'effet de mode et l'efficacité apparente des algorithmes, l'IA n'est pas systématiquement la solution appropriée. Des approches permettent d'approfondir l'analyse du besoin, telles que le design produit ou l'analyse orientée expérience utilisateur. Ces méthodes favorisent l'identification d'une solution technique sur mesure et correctement dimensionnée, évitant ainsi la sur-ingénierie.
Questionner le besoin et gouverner le cycle de vie
- Nécessité d'une gouvernance adéquate pour préciser le besoin tout au long du cycle de vie de l'IA.
- Analyse approfondie permettant de décomposer le service et d'identifier ses composants.
- Choix de technologies plus sobres pour accompagner les composants présentant une forte valeur ajoutée.
L'évaluation multicritère des impacts environnementaux de l'IA
L'AFNERSPEC invite à distinguer la frugalité du service d'IA de l'efficience du système. La frugalité du service est atteinte lorsque tout a été mis en œuvre pour minimiser son impact environnemental. Pour maîtriser ces impacts, il est indispensable de les évaluer, ce qui commence par l'évaluation technique du système d'IA.
Évaluation des trois segments du système d'IA
Un système d'IA se compose de trois segments : l'algorithme, les données et les équipements. L'évaluation doit être menée sur chaque segment et tout au long du cycle de vie. Des méthodes systémiques existent pour évaluer les impacts environnementaux du numérique et de l'IA.
Au-delà du carbone : autres impacts
Il est crucial de considérer d'autres impacts environnementaux que les seuls gaz à effet de serre liés à l'électricité. Ces facteurs incluent la consommation d'eau, l'épuisement des minéraux, la pollution atmosphérique et les impacts sur la biodiversité. La stratégie d'évaluation des impacts du numérique doit être adaptée aux enjeux spécifiques du territoire concerné.
Bonnes pratiques pour l'optimisation technique et matérielle
Une fois la méthode d'évaluation établie, le travail se concentre sur l'optimisation de l'efficience du système d'IA pour réduire ses impacts. De nombreuses pratiques existent, souvent déjà intégrées par les équipes d'IA lorsqu'elles visent à optimiser la performance, la modularité ou la scalabilité.
- Mise en place d'une architecture modulaire.
- Choix judicieux de la taille du modèle et optimisation du modèle lui-même.
- Participation à des communs pour partager les bonnes pratiques des modèles pré-entraînés.
- Utilisation des données d'évaluation des impacts, notamment via des outils comme la calculette des écologites.
L'impact critique des données et des équipements
L'efficience des modèles dépend directement de la qualité des données. De plus, le volume des données génère un impact de stockage non négligeable, ce qui rend indispensable la mise en place d'une gouvernance des données. Concernant les équipements, les collectivités peuvent maîtriser l'allongement de leur durée de vie et soutenir le développement des filières de recyclage.
Indicateurs clés pour les centres de données
Pour les centres de données, il est essentiel de s'appuyer sur des indicateurs de performance. Le PE Power Usage Effectiveness (PUE) mesure l'efficacité énergétique. Son équivalent pour l'eau, le WE Water Usage Effectiveness (WUE), évalue l'efficacité du refroidissement. La compréhension du mix énergétique utilisé est aussi déterminante pour l'empreinte carbone.
- Vérifier la transparence des fournisseurs concernant la localisation du centre de données et le mix énergétique.
- Mettre en œuvre des pratiques de gestion thermique avancées comme le refroidissement par immersion ou le free cooling.
- Optimiser la circulation de l'air au sein des infrastructures.
Enfin, les services proposés pour piloter la performance et réduire l'impact sont stratégiques. Cela inclut la supervision et la gestion des capacités, la mutualisation des équipements, ou encore l'étalonnage des calculs, qui consiste à programmer les tâches intensives en dehors des pics d'activité pour optimiser l'utilisation des ressources.
Au-delà de l'efficience : Effets rebonds et vision systémique
La mise en place de ces bonnes pratiques nécessite une appropriation organisationnelle. Il est contre-productif de fabriquer des systèmes d'IA efficients s'ils ne correspondent pas aux besoins réels, compte tenu des impacts environnementaux déjà connus. Il devient donc nécessaire d'aller plus loin dans l'évaluation des conséquences, notamment en intégrant les effets rebonds et indirects.
L'intégration des effets rebonds
Les effets rebonds se manifestent lorsque les gains d'efficacité obtenus grâce à l'IA sont compensés par une augmentation de la consommation ou de l'utilisation des ressources. Par exemple, l'optimisation des transports peut réduire le carburant par trajet, mais encourager une augmentation globale du trafic. En agriculture de précision, l'optimisation de l'irrigation peut entraîner une intensification de la production, exerçant une pression accrue sur les terres et les ressources en eau.
Il est crucial de considérer les effets rebond et indirect pour éviter des conséquences imprévues.
Vers une comptabilité environnementale sectorielle
Une approche efficace consiste à intégrer une comptabilité environnementale par secteur (logement, mobilité, culture, sport, etc.) pour obtenir une vision systémique et la partager. Le référentiel pour une IA frugale parle d'une IA à impact positif, signifiant que les impacts environnementaux du service sont bien inférieurs aux gains générés par sa mise en place.
- Éviter une utilisation à tout-va de l'IA en ciblant des usages ayant un véritable bénéfice.
- Assurer un choix collectif aligné sur un besoin réel.
- Utiliser un modèle efficient, optimisé et spécialisé.
- Partager les solutions au sein d'un commun.
Dans cette complexité, l'action individuelle demeure essentielle. L'objectif est de viser l'excellence collective, d'encourager la spécialisation et la collaboration afin de développer une sobriété numérique et des choix orientés vers la durabilité. C'est par l'adoption de ces principes que l'IA pourra devenir un levier de transformation responsable.
Useful links
These links were generated based on the content of the video to help you deepen your knowledge about the topics discussed.