L’IA, une aide précieuse pour maîtriser l’empreinte environnementale ?

‍Retour en synthèse avec AdVaes sur ses grands principes et sur l’aide précieuse qu’elle peut apporter à la maîtrise de l’empreinte environnementale tout en intégrant les potentielles incidences en retour. 

À l'origine sont les données 

A l’origine sont les données. Celles-ci sont nombreuses et incertaines. Le volume des données produites par les êtres humains est colossal et croît à un rythme annuel soutenu. Le volume de données créées, capturées, copiées et consommées dans le monde est estimé à plus de 47 zettaoctets en 2020 et devrait atteindre 175 zettaoctets en 2025, pour être ensuite multiplié par 3,5 tous les 5 ans jusqu’en 2035 [1]. Les données produites sont loin d'être toutes disponibles. Seules 1 pour 1000 le serait [2]. Il est quasiment impossible d’y accéder dans leur totalité dans des temps raisonnables et selon des procédés classiques ou traditionnels, encore moins en mode manuel. 

Ces données numériques en volume (big data) ont des caractéristiques propres. Elles sont [2] :

• Variées, chacune ayant un sens qui lui est propre et donc interprétable, d’autant plus si la source de la donnée d’origine n’a pas été tracée ou a été perdue. Leur recontextualisation peut devenir nécessaire. Le plus souvent ce n’est pas possible. Il faut alors accepter d’intégrer les incohérences et les ambiguïtés possibles qui en résultent, il faut que les systèmes d’analyse et les algorithmes de traitement puissent en tenir compte ;

• Traitées de manière plus ou moins véloce, c’est à dire “relatives et non traitées dans la même unité de temps” ;

• De qualité variable. Certaines sont incertaines avec des marges d’erreur non exprimées ou avec des interprétations induites. D’autres sont erronées et impliquent une validation avant tout traitement. Dans ce processus, il faut faut veiller à ce que les méthodes de nettoyage retenues n’éliminent pas ou ne modifient pas des données clés de type signaux faibles par exemple ;

• Visualisées sous différentes formes de résultats d’analyse et de traitement pour mieux comprendre et décider d’actions en regard (si le cas) ;

• Valorisées selon les usages, les sources et les marchés associés.

Il est impossible de disposer de toutes les données. Les jeux à disposition sont nécessairement incomplets du fait du volume de données et de leur accès plus ou moins difficile. De même, ces jeux sont nécessairement constitués de données incertaines et incomplètes. Il faut que les algorithmes et les mécanismes d’IA qui vont les utiliser, les traiter ou s’appuyer dessus en tiennent compte et soient en capacité de travailler avec cette dimension.

L’IA et le développement durable

Les cas d’usage de l’IA adressent de nombreux domaines d’applications. Un nombre croissant concerne le développement durable. L'association Impact AI a identifié 9 enjeux environnementaux auxquels l’IA peut aider à répondre sur les 17 des objectifs de développement durable (ODD) fixés par l’ONU [3]. La mesure 35 de la feuille de route sur l’environnement et le numérique du Conseil national du numérique (Cnnum) prône également la mise en œuvre d’une “stratégie pour une IA sobre et au service des ODD”.

En illustration, voici quelques exemples de cas d’usage identifiés par AdVaes (liste non exhaustive) :

• Protéger la planète par des modèles de détection. Des modèles à base d'IA repèrent les feux de forêt plus rapidement que les humains. Une vidéo de What’s AI explique simplement les projets ainsi développés. Un tel système fonctionne depuis 3 ans au Brésil. Il a ainsi permis de réduire le temps de détection des feux de forêt de 40 minutes à moins de 5 minutes en moyenne grâce à un réseau de caméras installées au sommet de 50 tours.

• Comprendre le fonctionnement de notre planète en cartographiant les espaces, la flore et la faune. En analysant des images par satellite, l'IA a ainsi aidé à trouver des millions d'arbres dans une région du Sahara alors que personne ne s’attendait à en trouver autant dans la zone étudiée. Alors que de nombreuses régions du monde sont inaccessibles pour diverses raisons (guerre, propriété, géographie…), l’imagerie par satellite combinée à l’IA, à la puissance de calcul de superordinateurs et à d’autres systèmes d’analyse complexe sont des technologies précieuses pour surveiller les forêts, les mangroves, les barrières de corail..., autant d’écosystèmes essentiels à l'absorption et au stockage des émissions de dioxyde de carbone. Au-delà, elles permettent de mesurer les dégâts causés par l’homme, notamment ceux liés à la déforestation. Un article de The Guardian présente ces différents projets. 

• Anticiper et prédire des catastrophes naturelles et d’autres événements aux incidences critiques ou dramatiques. Au Japon, un modèle d'IA a été développé afin de prévoir, en temps quasi réel, les inondations causées par les tsunamis dans les zones côtières. Ce projet, présenté dans le média spécialisé Electronics Media, doit permettre d’évacuer plus efficacement et sûrement les populations en cas de catastrophe. Des scientifiques d'IBM ont présenté des recherches sur la quantification de la séquestration du carbone dans les forêts urbaines ainsi que sur la prédiction de précipitations extrêmes.

• Réduire les émissions de gaz à effet de serre (GES). Une étude de Capgemini Research Institute avance que l’IA pourrait aider les organisations à réduire leurs émissions de GES de 16% d’ici 2023-2025 [4]. Dans le cadre de cette étude, 48% des organisations interrogées utilisent l'IA ou compte l’utiliser pour lutter contre le changement climatique à travers différents cas d’usage : améliorer l’efficacité énergétique, réduire la dépendance aux combustibles fossiles, réduire les déchets ou encore optimiser des processus pour améliorer la productivité. Une autre étude, réalisée par PwC, estime que le recours à l’IA permettrait de réduire de 4% les émissions de GES d’ici 2030 [5].

• Automatiser des processus et des opérations pour une meilleure efficacité énergétique et une plus grande résilience. Les systèmes d’information des organisations reposent aujourd’hui sur des architectures hybrides et hétérogènes avec des applications et des microservices interconnectés dynamiquement entre eux (via notamment des APIs). Les données associées pour les superviser, les opérer correctement, anticiper, voire prédire, des consommations, des comportements ou encore des incidents, sont conséquentes, réparties et croissent de manière exponentielle. C’est là où l’IAOps prend tout son sens. Dans un centre de données, l’IAOps peut aider au transfert automatique de charge entre équipements redondants et résilients (passage automatique d'un mode d'efficacité à un autre en fonction de la charge du système) ou encore à comprendre ce qui peut être fait en termes de prolongement de la durée de vie des équipements, d'efficacité énergétique par optimisation des charges, de remplacement de pièces ou de composants… Les systèmes de contrôle à base d’IA peuvent automatiquement éteindre des systèmes redondants et les mettent en veille prolongée si c’est pertinent. Oliver Goodman, Head Of Engineering chez Telehouse Europe, explique dans cette interview les apports de l’IA pour les centres de données.

Le dilemme ‘bénéfices-risques’ de l’IA

L’étude de Capgemini Research Institute rappelle le dilemme auquel les organisations faisant usage de l’IA sont confrontées : en exploiter tout le potentiel d'action en matière de développement durable, tout en tenant compte de son impact environnemental en regard. En effet, l’IA :

• Aide à répondre aux enjeux de développement durable (bénéfices) ;

• Consomme de l’énergie et a une empreinte environnementale (risques).

Même si les avancées technologiques permettent de gagner en performance (cf. l’analyse d’AdVaes sur les processeurs de moins en moins énergivores), les solutions d'IA et les ressources informatiques dont elles ont besoin pour s’entraîner et fonctionner consomment de l'énergie qui peut générer des volumes importants d'émissions de CO2. Pour créer, faire tourner et fonctionner les systèmes à base d’IA, des infrastructures et de la puissance de calcul est nécessaire. Celles-ci mobilisent des ressources serveurs, réseaux, de stockage, des terminaux pour commander et lire les résultats… tout un ensemble de matériels qu’il faut produire et maintenir, faire évoluer dans le temps. Leur fabrication a un impact environnemental (érosion des terres pour capter le sable nécessaire à la production des processeurs, consommation en eau, métaux rares…) au même titre que leur fonctionnement ensuite (consommation d’énergies fossiles et d’eau pour le refroidissement, émissions de gaz à effet de serre, pollution des sols par les déchets non recyclés…).

Avant de passer à l’échelle, l'impact de tout projet à base d’IA se doit d’être évalué afin de s'assurer que les bénéfices de son déploiement l'emportent sur les risques associés en termes d’empreinte environnementale. La mesure de la proportionnalité (rapport entre les impacts et les gains) doit être systématisée. Cette démarche peut conduire à revoir les approches de collecte des données, de conception ainsi que les modèles initialement envisagés pour créer des solutions intégrant des principes de sobriété et de durabilité. Les IA dites frugales, c’est à dire “à la fois moins gourmandes en quantité de données et en puissance de calcul nécessaire pour les fabriquer” [6], pourraient être un axe de réponse, combiné à l’accélération de la sobriété des technologies sous-jacentes à leur fonctionnement.

[1] IDC // Statista // JDN - Le volume de données mondial sera multiplié par 45 entre 2020 et 2035   

[2] Cleverm8 Academy - Introduction à l’IA

[3] Impact AI “AI for Green : la branche verte de l’intelligence artificielle”, mai 2021

[4] Étude de Capgemini Research Institute “Climate AI: How artificial intelligence can power your climate action strategy”, novembre 2020 - Rapport complet.

[5] Etude PwC à la demande Microsoft “Bâtir un avenir durable grâce à l’intelligence artificielle”, novembre 2019

[6] Numalis “Comment l’IA frugale peut-elle pallier au manque de données ?”