IA et informatique verte : comment atténuer l’impact sur l’environnement

L’intelligence artificielle (IA) évolue sans cesse et la puissance de calcul croissante soulève des questions sur son impact environnemental. De là émergent deux concepts complémentaires, l’IA et l’informatique verte, qui visent à atténuer cet impact et tendent à transformer l’IA elle-même en outils de durabilité.

La formation et l’inférence de grands modèles d’IA (Large Language Models, LLM) ont un coût élevé en termes énergétiques et environnementaux. La production matérielle, le refroidissement des datacenters et la consommation électrique sont autant d’éléments qui pèsent sur la santé de la planète.

Il existe des pratiques et des technologies qui atténuent l’impact de l’IA sur l’environnement. Ils ne s’appliquent pas seulement au matériel, ils s’étendent aux modèles d’IA proprement dits.

Qu’entend-on par IA verte et informatique verte ?

Deux aspects complémentaires qui, malgré des définitions univoques, ont tendance à se chevaucher.

En fait, le terme IA verte fait référence à un paradigme grâce auquel nous tendons à rendre l’intelligence artificielle plus efficace du point de vue de la durabilité. L’objectif est d’obtenir des résultats précis sans augmenter les coûts de calcul. Il existe deux approches liées, à savoir :

• Vert dans l'IA : est une forme d'optimisation intrinsèque, obtenue en concevant des algorithmes et des modèles d'apprentissage automatique plus économes en énergie en se concentrant sur l'optimisation du matériel et des logiciels. Il ne s’agit pas de compenser les émissions, mais de rendre les systèmes d’IA plus légers et plus efficaces dans la manière dont ils sont écrits et dont ils utilisent le matériel sous-jacent.
• Green-by AI : c'est l'utilisation de l'IA pour améliorer la durabilité dans les secteurs dans lesquels elle est utilisée, en optimisant l'efficacité énergétique dans des applications telles que, par exemple, l'agriculture de précision ou la gestion des réseaux électriques.

La philosophie Green in AI mérite un exemple en l’honneur de la clarté. Lors de la formation d'un modèle, vous utilisez des réseaux de neurones avec des milliards de paramètres qui nécessitent des calculs sur des dizaines de GPU. Cela renvoie une grande précision mais implique une consommation d’énergie importante.

L'approche vert en IA, cela implique l'utilisation d'algorithmes plus légers, par exemple un réseau qui sacrifie les « neurones inutiles » et utilise des techniques telles que la quantification (la réduction de la précision d'un signal numérique) et, enfin et surtout, qui s'adapte au matériel en utilisant pleinement l'architecture disponible.

L’informatique verte, quant à elle, est une approche qui implique le développement et l’utilisation durable des ordinateurs et des ressources informatiques. Son objectif principal est de minimiser l’impact environnemental des activités numériques en réduisant la consommation d’énergie et les déchets électroniques.

Ce paradigme implique l'ensemble du cycle de vie des ressources technologiques et s'associe aux principes de l'économie circulaire en favorisant la maximisation de l'efficacité énergétique, le recyclage et la réduction de l'utilisation de matières dangereuses.

Comment mesurer l'impact d'un modèle d'IA

Mesurer l’impact environnemental d’un modèle d’IA est crucial pour pouvoir le gérer et le réduire. Les paramètres de mesure doivent prendre en compte l’ensemble du cycle de vie et pas seulement l’énergie consommée directement par les machines.

Le tableau ci-dessous comprend les indicateurs clés à prendre en compte. L'unité de mesure CO₂e (Équivalent Dioxyde de Carbone) exprime l'impact climatique de différents gaz à effet de serre (CO₂, méthane, oxyde d'azote, …) en une seule valeur comparable. gCO₂e indique plutôt combien de grammes d’équivalent CO₂ sont émis par une activité, un produit ou un processus.

Des outils comme CodeCarbon (lien utile ici) et eco2AI sont des bibliothèques open source développées pour suivre ces émissions lors de la formation ou de la déduction de modèles d'IA.

Des entreprises comme Google développent des méthodes spécifiques pour collecter la consommation d’énergie, d’eau et d’émissions, y compris les infrastructures de refroidissement et établissent efficacement l’étalon-or.

Quelles pratiques existent pour réduire la consommation d'énergie

L'impact environnemental de l'IA se répartit principalement entre la phase de formation et la phase d'inférence (utilisation) du modèle, avec une inférence qui – selon Google – peut couvrir jusqu'à 80 % de l'impact global dans les grands modèles.

Les pratiques de réduction de la consommation se concentrent sur l’optimisation des logiciels et le choix d’infrastructures informatiques plus performantes.

On se retrouve donc face à une bifurcation qui voit, d’un côté, le choix d’infrastructures durables et, de l’autre, l’optimisation des modèles d’IA. Dans ce sens, il convient de mentionner :

Centres de données certifiés

Les centres de données qui utilisent des sources d'énergie renouvelables et adoptent des systèmes de refroidissement minimisant la consommation d'eau sont certifiés. Certains géants comme Microsoft, Equinix et OVHcloud vont dans ce sens. Dans cette perspective, il convient de noter les réglementations européennes qui rappellent des exigences spécifiques en matière de gestion de l’énergie et que nous avons ici approfondies. En Italie, il existe des recommandations émises par le ministère de l'Environnement et de la Sécurité énergétique utiles pour évaluer les impacts environnementaux des centres de données.

L'utilisation d'appareils de faible consommation qui fait référence à l'utilisation de matériel certifié Energy Star ou EU Energy Label qui, spécifiquement, ne concernent pas expressément les centres de données mais sont surtout adaptés au matériel utilisé pour exploiter l'IA.

Quantification, élagage et distillation

Parmi les techniques permettant de réduire la taille des modèles, outre la quantification évoquée plus haut, l’élagage peut également être mis à profit.

La quantification réduit la mémoire nécessaire et augmente la vitesse de calcul au prix d'une perte de précision, tandis que la taille (littéralement, l'élagage) supprime les connexions, les poids et les neurones des réseaux neuronaux qui ont peu d'influence sur le résultat final.

Dans le cas de l'élagage, le nombre de paramètres et d'opérations est réduit pour rationaliser le réseau, le rendant ainsi plus efficace en termes de rapidité et de consommation. L’inconvénient est la nécessité potentielle d’une phase de recyclage pour récupérer la précision perdue.

L'utilisation de la distillation des connaissances est également valable, une pratique par laquelle un modèle plus grand et plus complexe « apprend » à un modèle plus petit comment reproduire ses résultats, en obtenant des performances similaires et en utilisant une fraction de la consommation d'énergie.

Edge AI et développement de logiciels

Edge AI permet de traiter les données directement sur les appareils qui les génèrent au lieu de les envoyer aux centres de données. Cela réduit les besoins en énergie pour leur transmission.

Le développement de logiciels durables est un thème plus large qui rappelle les pratiques logicielles vertes, c'est-à-dire celles qui nécessitent moins de ressources matérielles pour exécuter le code et les programmes.

Le terme logiciel vert regroupe la conception et le développement de logiciels visant à minimiser sa consommation énergétique et, au sens large, l'impact environnemental lié à l'ensemble de son cycle de vie.

Il ne s’agit pas seulement d’écrire du code efficace. Le logiciel vert est un concept qui s'étend également au matériel, aux infrastructures et aux politiques de déploiement et d'utilisation et, par conséquent, également aux centres de données. C'est la fusion des technologies de l'information, de l'ingénierie et de l'utilisation des ressources environnementales.

Encore une fois, si, en ce qui concerne les infrastructures, on veut donner la priorité à celles qui utilisent des ressources renouvelables, il faut une philosophie de développement logiciel axée sur la minimisation des données inutiles, la conception soignée des flux et la compression des données pendant la transmission et dans la phase de repos.

Optimisation du modèle et matériel durable

L'optimisation va également au-delà du logiciel. Les fabricants développent du matériel de plus en plus économe en énergie, comme le souligne – entre autres – l’Agence internationale de l’énergie. Cela s'applique également au matériel conçu pour effectuer des tâches d'IA, pensez aux nombreuses puces dédiées et optimisées.

Les techniques d'informatique verte favorisent la conception durable d'appareils qui durent plus longtemps et poussent à l'adoption de programmes de reprise et de recyclage qui donnent une seconde vie aux appareils, en récupérant des matériaux précieux et en minimisant les impacts qu'ils peuvent avoir sur l'environnement.

Une IA qui optimise l’utilisation des ressources de l’entreprise

L’IA apparaît de plus en plus comme un outil proactif en faveur du développement durable dans d’autres secteurs (c’est pourquoi nous en revenons à parler du vert par l’IA).

Ils constituent un outil fondamental pour optimiser les processus métiers et la gestion des ressources, grâce à la transformation des processus traditionnels en écosystèmes intelligents.

Un exemple en est la gestion intelligente de l’énergie, une discipline dans laquelle l’IA joue un rôle crucial dans l’optimisation de la production d’énergie renouvelable, grâce à l’analyse des données et grâce à des algorithmes qui prédisent la disponibilité de l’énergie, régulant ainsi dynamiquement la production. Cela vous permet de réduire les déchets et d’optimiser le réseau de distribution.

À différentes échelles, la gestion intelligente de l'énergie pénètre dans les bâtiments en régulant automatiquement les systèmes de chauffage et de ventilation, bénéficiant à la fois à l'environnement et aux poches des utilisateurs.

Il existe également d’autres secteurs dans lesquels l’IA contribue à réduire l’empreinte polluante. Parmi ceux-ci, à titre d’exemple, on peut citer :

• Logistique : les modèles d'IA peuvent optimiser les itinéraires de livraison en évaluant le trafic et les conditions météorologiques en temps réel. En plus de réduire la consommation de carburant, ils transforment la logistique en un avantage concurrentiel
• Agriculture de précision : l'IA contribue à réduire l'impact environnemental de l'agriculture en optimisant l'utilisation des ressources en eau et des engrais, en les appliquant uniquement là où cela est strictement nécessaire.
• Surveillance environnementale : l'IA analyse les images satellite et les données des drones pour détecter les changements sur le territoire et créer des modèles prédictifs d'événements climatiques défavorables tels que les glissements de terrain, les inondations et les incendies, permettant des interventions rapides.

L’IA entraîne un impact environnemental plus que significatif. Les réponses sont déjà en place : les stratégies d’IA verte et d’informatique verte, combinées à l’utilisation de l’IA pour promouvoir la durabilité dans divers secteurs, dessinent un avenir numérique capable d’allier innovation et respect de l’environnement.