Perspectives de Vincent de Montalivet

Aujourd’hui, dans les organisations, l’IA n’a pas encore atteint sa maturité : seules 13 % des entreprises ont mis en place une IA à l’échelle industrielle.

Cependant, même si son utilisation n’est pas généralisée, il n’en reste pas moins que l’IA consomme de l’énergie comme n’importe quelle autre technologie et que cette tendance s’accentuera une fois qu’elle sera mature et utilisée de façon routinière dans les entreprises :

• Cependant, même si son utilisation n’est pas généralisée, il n’en reste pas moins que l’IA consomme de l’énergie comme n’importe quelle autre technologie et que cette tendance s’accentuera une fois qu’elle sera mature et utilisée de façon routinière dans les entreprises :
• L’IA a besoin d’un grand volume de données afin d’apprendre les comportements nécessaires à une réponse automatisée. Les algorithmes d’apprentissage automatique basés sur des modèles mathématiques s’appuient sur l’échantillonnage ou « l’entraînement » des données pour faire des prédictions ou prendre des décisions sans être explicitement programmés pour le faire. C’est par l’apprentissage qu’une application IA devient « intelligente ».
• La configuration et l’apprentissage des systèmes intelligents de cette manière peut nécessiter une puissance de traitement considérable, en fonction du nombre d’opérations à effectuer.

C’est à ce moment que le bilan carbone augmente :

• Des chercheurs de l’Allen Institute for AI ont calculé que l’apprentissage d’un système d’IA pour générer ou reconnaître des mots et des phrases similaires au langage humain (NLP) peut générer autant de dioxyde de carbone que cinq voitures américaines pendant leur durée de vie (y compris la fabrication de la voiture elle-même).
• Stimuler l’innovation en matière d’IA et atteindre de nouveaux niveaux de performance peut avoir un coût : les gains de performance sont obtenus grâce à un plus grand volume de données, et donc à des modèles plus grands et à davantage de calculs. En mai 2020, OpenAI a annoncé le plus grand modèle d’IA de l’histoire. Connu sous le nom de GPT-3, il a nécessité des mois d’entraînement et compte 175 milliards de paramètres !

L’impact énergétique de l’intelligence artificielle pour les entreprises : une réalité

Mais pour dresser un tableau précis de la consommation d’énergie de l’IA dans les entreprises, nous devons garder à l’esprit un certain nombre de facteurs réels : Il existe de nombreuses façons de mettre en œuvre l’IA et certains projets n’impliquent pas l’entraînement de modèles. En fait, ils ne nécessitent qu’une dizaine de paramètres à ajuster. Grâce aux analyses statistiques et descriptives – associées à une bonne compréhension des besoins de l’entreprise – il est désormais possible, à l’aide de techniques telles que la régression ou le regroupement, d’atteindre toute une série d’objectifs, de l’optimisation des stocks d’un entrepôt à la détection des fraudes dans la finance ou les services publics.

Dans notre étude publiée récemment, nous avons tenté de déterminer l’empreinte carbone de certains cas d’utilisation courants de l’IA. Notre analyse montre, par exemple, que les émissions de GES (Gaz à effet de serre) produites lors de la formation et de l’exécution de ces systèmes d’IA ne représentent que quelques kilogrammes (1 à 10) de CO2. C’est très peu par rapport aux émissions globales de GES des grandes organisations qui se chiffrent généralement en millions de tonnes de CO2 par an. Il faut garder à l’esprit que les modèles complexes d’IA ne s’applique qu’à quelques-unes des solutions actuellement déployées à grande échelle. Lorsque des techniques plus complexes de réseaux de neurones doivent être utilisées – comme dans le cas de la reconnaissance d’images – les modèles utilisés sont souvent des modèles open source qui ont déjà été formés. Des techniques d’apprentissage par transposition sont alors appliquées afin que les résultats obtenus avec les données d’entraînement soient adaptés aux données du client. On peut ainsi éviter de devoir rééduquer un modèle. Ce « recyclage » technologique permet de limiter l’impact sur les ressources énergétiques d’un déploiement massif de projets d’intelligence artificielle dans les entreprises.

De manière générale, les solutions d’IA, la numérisation et l’augmentation des volumes de données (y compris la production de nouvelles données) soulèvent à juste titre des questions sur le futur impact énergétique des innovations en matière de technologies et de données. Mais une réalité est claire : l’empreinte carbone des technologies ne suit pas la même courbe de croissance que le volume de données, notamment parce que les progrès significatifs en matière d’efficacité énergétique ont permis de limiter cet impact.

Pour avancer vers une « IA durable » et une convergence des transitions technologiques et écologiques, il faut garder à l’esprit un sens clair du mythe et de la réalité en termes d’impact énergétique de l’IA. Nous pouvons nous tourner vers un sujet plus important : comment accélérer l’ère de l’IA verte. Des chercheurs et des ingénieurs du monde entier s’efforcent d’optimiser la consommation énergétique des solutions apprenantes. Cette ambition est motivée par un objectif clair : atteindre le même niveau de performance que l’intelligence humaine (c’est-à-dire qu’elle soit capable d’effectuer des milliers de trillions d’opérations par seconde) tout en ne consommant que 20 watts d’énergie.

De nombreuses initiatives sont en cours pour atteindre cet objectif :

• Une nouvelle puce éco-conçue pour répondre aux exigences élevées du calcul de modèles de réseaux neuronaux profonds avec une consommation d’énergie plus faible.
• Utilisation de méthodes innovantes et économes en carbone pour la formation et l’exécution de certains réseaux neuronaux afin d’éviter les configurations par défaut qui ne sont pas forcément optimales d’un point de vue environnemental. Plusieurs versions d’environnements d’apprentissage par renforcement ont été développés et réduisent considérablement les temps d’exécution.
• La mise à disposition de modèles « mères » qui ont déjà été formés. Des chercheurs du MIT ont mis au point un système d’IA qui a permis d’améliorer l’efficacité de calcul du système sur certains points essentiels, réduisant ainsi les émissions de carbone – jusqu’à trois fois moins pour certain.
• La mise à disposition et le développement d’outils de reporting automatique de la consommation et de l’impact énergétique en open source. Par exemple, un groupe de chercheurs de l’Université de Montréal a créé un « Machine Learning calculateur d’émissions » pour estimer l’impact environnemental de l’entrainement des modèles de machine learning. Il tient compte de l’emplacement et de la grille énergétique des serveurs utilisés pour la formation, de la durée de la formation, ainsi que de la marque et du modèle des serveurs utilisés afin d’estimer la quantité de carbone libérée dans l’atmosphère.

Outre le fait qu’elle se préoccupe de sa propre empreinte, l’IA est également une technologie de transformation qui a le pouvoir d’influencer positivement le développement durable. Avec un impact positif de près de 80 % sur les objectifs de développement durable, l’IA est une technologie essentielle pour la mise en œuvre de stratégies climatiques visant à réduire les émissions de gaz à effet de serre des organisations de 13 % en moyenne.

Cet objectif de résultats positifs pour la société dans reflète l’importance de l’IA éthique. Les principales parties prenantes – des gouvernements aux experts universitaires – s’accordent sur la nécessité d’adopter une approche éthique de l’intelligence artificielle. Cela signifie améliorer la vie des gens sans exacerber les problèmes existants ni en créer de nouveaux. En d’autres termes, le pouvoir colossal de l’intelligence artificielle doit être mis au service du développement durable.

Cela laisse entrevoir une réalité où l’IA est utilisée tout au long de la chaîne de valeur pour aider les entreprises à atteindre leurs objectifs durables : conception de nouveaux produits respectueux de l’environnement, calcul de l’impact carbone de l’extraction des ressources à la distribution, optimisation de la logistique, amélioration de l’efficacité énergétique dans les usines et les entrepôts, et réduction des inefficacités et des déchets par la promotion du recyclage et de l’économie circulaire. En réalité, si l’IA a un impact énergétique, l’opportunité pour l’IA éthique et verte de conduire un avenir durable dépasse de loin les effets immédiats.

Tout comme l’IA doit être éthique, elle doit être durable.