Si l'intelligence artificielle est un concept attrayant, sa
mise en oeuvre est loin d'être anodine. Qu'il s'agisse des coûts
liés à son développement ou son utilisation, ils sont
multiples et peuvent représenter un grand nombre d'externalités
négatives. En outre, l'essor de cette technologie essentiellement
portée par des startups s'ancre dans un contexte
politico-économique peu en accord avec la sobriété
prônée par bon nombre de scientifiques. Il est donc
nécessaire de s'interroger sur la compatibilité de ces
éléments, afin de s'assurer de l'intérêt (ou non)
d'encourager ces solutions dans un contexte d'urgence écologique
indéniable.
2.1. L'intelligence artificielle comme source de
pollution
On oublie bien souvent que le numérique, domaine dans
lequel s'inclut l'IA, n'est pas virtuel, mais bien palpable. Au-delà du
concept que représente un algorithme, il est indispensable de
détenir le matériel pour l'exécuter. Sans cette mise en
oeuvre pratique sur un quelconque ordinateur, l'intelligence artificielle en
tant que telle n'est d'aucune utilité.
C'est notamment dans ce passage de l'imaginaire au
réel que le coût écologique se fait: en 2019, la pollution
numérique représentait 4% des émissions carbonées
mondiales, soit le double du transport aérien. Par ailleurs, notre
utilisation croissante de ces technologies a généré avec
2018 une augmentation annuelle de 8%18, faisant ainsi du secteur un
pollueur majeur.
Il est donc indispensable de cerner ces enjeux en
intégrant aux externalités de l'IA ces coûts
environnementaux négatifs, qui viennent se présenter comme des
freins majeurs, parfois alarmistes dans son déploiement et sa mise en
place.
2.1.1. La consommation énergétique, un
poids environnemental majeur
La consommation énergétique est bien souvent
vue comme le premier facteur négatif lié à l'utilisation
de l'intelligence artificielle. En effet, qui dit utilisation de l'IA dit
également ordinateurs et serveurs pour la faire fonctionner. Or, ces
dispositifs sont extrêmement énergivores, principalement en
électricité, et sont pourtant indispensables pour n'importe quel
algorithme. Qu'il s'agisse de leur production ou de leur utilisation, ces
appareils puisent dans des ressources planétaires de plus en plus
précieuses.
18 THE SHIFT PROJECT. Déployer la
sobriété numérique. Rapport intermédiaire
dirigé par Hugues FERREBOEUF. Janvier 2020.
22/62
Figure 4 : Distribution de la consommation
énergétique du numérique par poste pour la production (en
orange) et
l'utilisation (en bleu) du numérique en 2017 [Source : The
Shift Project, 2020]
L'IA rend le défi encore plus important puisque, pour
garantir des résultats corrects, les modèles informatiques
doivent s'entraîner sur des jeux de données immenses, devant
être stockés, déplacés et transformés, afin
de garantir une progression du programme au fil de ses exécutions. Rien
qu'aux États-Unis, premier hébergeur mondial de données,
le chiffre s'élève à plus de 2700 centres de
données19 et à cela s'ajoutent les centaines d'autres
disséminés dans le reste du monde, dont plus de 250 en France.
Pourtant, leurs besoins énergétiques sont multiples :
l Alimentation en électricité pour les maintenir
allumés;
l Alimentation en électricité
supplémentaire pour chaque accès ou déplacement de
données;
l Régulation des températures des salles via
d'importants systèmes de climatisation.
Ce problème, déjà connu depuis plusieurs
années maintenant, est loin d'être résolu puisque les
données s'accumulent, en étant rarement supprimées. En
effet les entreprises souhaitent conserver leur historique et ne jamais
l'effacer, même lorsqu'il n'est pas utilisé. Le principe du
«au cas où» règne en maître : même si un
algorithme n'utilise que des images en HD pour son fonctionnement, on
conservera la version 4K en se disant qu'il sera peut-être pratique de
l'avoir à l'avenir.
L'amélioration constante des algorithmes
d'intelligence artificielle et la recherche de performance supérieure ne
font qu'aggraver le problème : les programmes vont tourner pendant des
heures, faire appel à de plus en plus de données, et solliciter
de plus en plus d'espace disponible dans les serveurs afin de calculer plus
rapidement. En ce sens, une amélioration des performances de l'IA est
négativement corrélée à son impact
écologique.
Toute la difficulté réside cependant dans le
fait de quantifier ce coût énergétique afin de le
comprendre et de le maîtriser. C'est notamment cet objectif qui a
guidé une équipe de
19 GAUDIAUT Tristan. Le pays qui héberge
le plus de data centers. Statista. 07/10/2022.
23/62
chercheurs de l'Université du Massachusetts a
étudié le coût énergétique de l'IA
Transformer créé par Google en 2017. Cette
dernière a pour objectif d'améliorer le traitement du langage
naturel20 appliqué aux problématiques de traduction en
s'appuyant sur le fonctionnement d'attention : l'algorithme identifie en
priorité les mots-clés afin de traduire selon le contexte. Il
s'agit donc a priori d'un modèle nécessitant de nombreuses
données afin d'apprendre itérativement pour améliorer son
passage d'une langue à l'autre.
Les équipes du Massachusetts ont étudié
l'intégralité de l'énergie nécessaire à la
mise au point de ce modèle. Ils ont donc analysé l'ensemble des
phases d'apprentissage du modèle afin d'obtenir des indicateurs
quantitatifs. Cela comprend notamment:
l L'ajustement des hyperparamètres définissant
les caractéristiques globales de la structure de l'algorithme;
l La recherche des pondérations optimales21
de chaque paramètre de l'algorithme pour arriver à la meilleure
traduction possible.
Au changement de chaque hyperparamètre, un
réapprentissage complet du modèle doit être effectué
: c'est donc après de nombreux essais qu'un modèle optimal est
défini. Intuitivement, on comprend que ce mode de fonctionnement est
extrêmement coûteux en énergie, et que la phase
d'apprentissage peut consommer bien plus que l'utilisation du modèle
final. En effet, la définition des paramètres est rapidement
fastidieuse et cela a bien été confirmé par
l'équipe du Massachusetts : l'ensemble des phases d'essai a
consommé 3200 fois plus que l'apprentissage seul du modèle final
optimisé22.
Le problème identifié ici n'est donc pas
l'intelligence artificielle en tant que telle et les modèles qui la
constituent, mais bien la démarche qui permet d'arriver à ces
algorithmes performants. Tout l'enjeu est donc de limiter les consommations
énergétiques engendrées par les phases d'essai et
d'apprentissage. Celles-ci sont constituées d'itérations
successives, parfois à tâtons, dans le but de déterminer la
combinaison optimale de paramètres permettant l'obtention du meilleur
résultat possible.
C'est en cela que l'intelligence artificielle soulève
un paradoxe quant à son inspiration humaine : alors que le cerveau a
besoin de très peu d'énergie pour apprendre une importante
quantité d'informations, l'IA, quant à elle, est
extrêmement consommatrice et n'obtient pas d'aussi bons résultats.
En effet, il reste aujourd'hui bien souvent incontestable qu'un
franco-britannique fournira une bien meilleure traduction que bon nombre
d'algorithmes en ligne, malgré leur apprentissage sur une immense
quantité de données.
C'est pour cette raison que le super-traducteur open
source Bloom développé par le CNRS en 46 langues a
été étudié. Anne-Laure LIGOZAT et ses
collègues ont ainsi estimé que sa
20 Le traitement du langage naturel est la
capacité d'un algorithme à comprendre une phrase, comme peuvent
le faire les agents conversationnels tels que ChatGPT.
21 Un modèle algorithmique s'appuie sur des
expressions mathématiques où tous les coefficients doivent
être pondérés par des valeurs les plus précises
possibles dans le but d'obtenir un résultat (ici, une traduction). Il
s'agit de la phase d'ajustement de la formule en s'appuyant sur des
données dont on connaît le résultat final (des phrases
déjà traduites).
22 STRUBELL, Emma, GANESH, Ananya, et MCCALLUM,
Andrew. Energy and policy considerations for modern deep learning research. In
: Proceedings of the AAAI conference on artificial intelligence. 2020. p.
13693-13696.
24/62
phase d'apprentissage de 118 jours avait émis 24,7
tonnes eqCO223, soit l'équivalent d'environ 14 allers-retours
Paris-New York en avion. Dans ce calcul, les phases d'essai-erreur lors de la
création du modèle et les phases d'utilisation à
postériori ne sont pas prises en compte. On comprend donc que la
performance des modèles s'obtient bien souvent au détriment de la
planète.
De fait, comme l'énonce le rapport du Shift Project de
janvier 202024 : «introduire une technologie numérique -
même dans le but de diminuer une consommation énergétique,
de réduire les émissions de carbone ou d'oeuvrer aux transitions
d'une quelconque manière - doit faire l'objet d'une
réflexion». En effet, même si l'intérêt de l'IA
n'est bientôt plus à démontrer, elle reste soumise aux
contraintes énergétiques mondiales, même lorsqu'elle est
impulsée par des géants tels que Google ou Microsoft. En outre,
sa pollution ne se limite pas à l'entraînement et à
l'utilisation de modèles, mais inclut également la construction
du matériel nécessaire à son développement. Des
ordinateurs aux serveurs en passant par les câbles électriques,
tous représentent un poids non négligeable et une grande
quantité de ressources.
2.1.2. L'IA : une technologie virtuelle avec des besoins
matériels
Au-delà des considérations
énergétiques, la fabrication de l'ensemble du matériel
nécessaire à l'utilisation de l'IA nécessite un recours
à de nombreux matériaux, dont certains très rares (cobalt,
lithium, mercure, etc.), et à des procédés de fabrication
complexes. On pense bien entendu en premier lieu à la production des
ordinateurs, des téléphones ou des serveurs et leurs
infrastructures, mais ils ne représentent en réalité
qu'une partie des besoins. En effet, la diversité de capteurs
nécessaires pour la collecte des données est un puit immense de
consommation de matière première, imposant une exigence sans
précédent dans leur fabrication, dans le but de collecter des
informations toujours plus précises et retranscrivant la
réalité avec un maximum de détails. Qu'il s'agisse de
thermomètres, de compteurs, de lasers, ou de chronomètres, le
niveau d'exigence désormais attendu les contraint à être
issus de procédés de fabrications nouveaux.
C'est par exemple le cas des lasers, qui ont
bénéficié d'avancées scientifiques majeures en
moins d'un siècle, et pour lesquels les techniques se sont largement
complexifiées. Initialement, ils étaient simplement issus de gaz
sous pression et excités par impulsions électriques qui
génèrent ainsi une lumière unidirectionnelle. Cependant,
progressivement, de nouvelles méthodes sont apparues, comportant chacune
leur spécificité permettant des performances optimales selon les
cas d'application. On distingue par exemple des socles techniques tels que:
l Les semi-conducteurs, comme la diode25, et qui
constituent les lasers à usage domestique ou peu exigeants en
précision ;
23 LUCCIONI, Alexandra Sasha, VIGUIER, Sylvain, et
LIGOZAT, Anne-Laure. Estimating the carbon footprint of bloom, a 176b parameter
language model. Journal of Machine Learning Research, 2023, vol. 24,
no 253, p. 1-15.
24 THE SHIFT PROJECT. Déployer la
sobriété numérique. Rapport intermédiaire
dirigé par Hugues FERREBOEUF. Janvier 2020.
25 La diode est un composant électronique ne
permettant au courant électrique de ne passer que dans un sens.
l
Les supports solides, comme le mélange de saphir et de
titane, qui permet d'atteindre de grandes puissances ;
l Les colorants, souvent toxiques, mais permettant de choisir
la longueur d'onde26 ;
l La fibre générant une amplification
optique27 importante.
Face à la multiplicité d'options pour chaque
type de capteur et appareils de mesure, il est évident que les besoins
en matières premières, dont l'approvisionnement est parfois
limité, sont de plus en plus divers, nécessitant d'extraire des
ressources jusqu'ici peu exploitées. La rareté de bon nombre
d'entre elles impose des transports réguliers à travers le monde
pour relier les différents lieux clés de la fabrication et de
livraison, ce qui ne fait augmenter le besoin en ressources et le coût
environnemental de chacun des composants sur lesquels s'appuie l'IA.
Au-delà de la nature des composants
nécessaires, leur nombre et leur variété sont frappantes.
Par exemple, la startup française Skyvisor est spécialisée
dans l'inspection automatisée préventive des structures comme des
éoliennes ou des panneaux solaires. Pour effectuer leur analyse et
soumettre des préconisations de maintenance, des drônes
équipés de caméras de grande précision sont
déployés afin de récolter les données (des images)
sur lesquelles travailler. Il faut donc un grand nombre de matériel :
l Un ordinateur pour afficher les résultats;
l L'accès à un serveur dans un data center qui
collecte toutes les données et effectue les calculs;
l Des drônes équipés de caméras
variées (caméra haute résolution, caméra
thermique...);
l Un dispositif permettant l'accès à internet
;
l Des câbles (électrique, fibre optique...).
On comprend ainsi qu'un outil, par son interconnexion,
nécessite de nombreux composants pour son fonctionnement. Par ailleurs,
au coeur de ces fabrications résident quasi-systématiquement les
mêmes matériaux. L'Université de Yale a d'ailleurs
mené une étude en 201528 pour déterminer la
part de chaque matériau dans la fabrication d'un circuit
imprimé29. Ce constat a été placé sur un
tableau période des éléments, regroupant l'ensemble des
matériaux présents sur Terre, de façon à identifier
l'importance de chacun d'entre eux.
Or, cette même étude a également fait
état des risques de tension d'approvisionnement de matériaux dans
les années à venir. Il a ainsi été constaté
que beaucoup d'éléments étaient communs aux deux tableaux,
ce qui interroge sur notre capacité future à continuer à
concevoir de nouveaux matériels informatiques.
26 La longueur d'onde représente la
distance entre le début et la fin d'une ondulation (entre deux
crêtes ou deux creux) générée par la lumière,
elle va déterminer la puissance du laser.
27 L'amplification optique a pour but d'augmenter la
puissance ou l'intensité.
28 GRAEDEL, Thomas E., HARPER, Ermelina M.,
NASSAR, Nedal T., et al. Criticality of metals and metalloids.
Proceedings of the National Academy of Sciences, 2015, vol. 112, no
14, p. 4257-4262.
29 Un circuit imprimé est une plaque sur
laquelle des composants électroniques sont montés et
connectés par des pistes conductrices, permettant le fonctionnement de
divers dispositifs électroniques dont notamment les ordinateurs et les
smartphones.
26/62
Figure 5 : Tableau périodique des éléments
indiquant la concentration des matériaux pour la fabrication d'un
circuit imprimé (à gauche) et les matériaux en tension
dans les années à venir (à droite) [Source : GRAEDEL,
2015]
Au-delà des pollutions engendrées par
l'extraction, le transport et la transformation de ces matériaux, cela
interroge également sur les méthodes d'exploitation de ces
ressources naturelles. En effet, la construction de mines va détruire
des écosystèmes, les métaux et minerais utilisés
sont en quantité finie sur Terre, et les conditions d'exploitation ne
sont pas toujours respectueuses des droits humains.
En outre, aujourd'hui le recyclage de ce type de
matériaux est peu pris en charge. Eric VIDALENC évoque ce sujet
dans son essai30 : 'plus on est high-tech, moins on est
recyclable», «sur les 60 métaux que l'on trouve dans un
smartphone, seuls 17 sont recyclés».
Ce besoin en ressources naturelles interroge donc sur la
pertinence de l'utilisation de l'intelligence artificielle pour
l'environnement. Pour que cela ait un réel intérêt, il
faudrait que les gains soient largement supérieurs aux coûts
écologiques de fabrication. C'est une analyse complète du cycle
de vie qui doit être effectuée afin de s'assurer que la mise en
oeuvre de la technologie représente un bénéfice. En effet,
dans un monde où l'empreinte carbone moyenne d'un habitant est de 5
tonnes (et plus de 9 tonnes pour un français) alors que l'objectif est
à 2 tonnes eqCO2 en 2050, il est indéniable que la
création de n'importe quel produit doit être questionnée.
Cela nous amène donc à nous interroger même de la
pertinence du modèle économique des startups dans une ère
prônant la sobriété.
2.2. Startups et innovation technologique : le
«toujours plus» à l'aune de la
sobriété
Lorsque l'on définit une startup, il est
récurrent de parler de forte croissance économique de cette jeune
entreprise. Or, la croissance est souvent perçue comme un synonyme de
création et de massification. Ces concepts semblent donc aux antipodes
de la sobriété, pourtant définie comme le fondement
nécessaire à la transition écologique. L'équilibre
n'est donc a priori pas évident ; le trouver est alors un réel
défi pour les startups se disant 'à impact».
30 VIDALENC, Éric. Pour une
écologie numérique. Les petits matins, 2023.
27/62
2.2.1. La business model des startups, profit ou
impact?
Les startups présentent la particularité de
baser leur modèle sur le fait d'apporter une innovation, dont les
performances du produit sont supérieures à celles existant sur le
marché. Cette innovation doit alors permettre une forte croissance afin
de développer et pérenniser cette jeune entreprise. Aussi, les
startups s'ancrent parfaitement dans la société capitaliste
actuelle dont l'objectif central est d'augmenter la rentabilité.
Face à ce constat, le concept même de startup
interroge sur la compatibilité avec celui d'écologie. En effet,
il a été démontré de nombreuses fois, notamment par
le GIEC, que la transition vers un monde durable ne se fera que par
l'acquisition de pratiques plus sobres. Cela implique donc de réduire
les consommations pour limiter l'exploitation des ressources naturelles.
La sobriété et la croissance ne semblent donc
pas aller de pair, ce qui questionne la possibilité que des startups, et
plus généralement n'importe quelle entreprise, puissent
réellement s'engager dans une démarche environnementale. En
effet, la société actuelle pousse à la réussite
individuelle alors que la transition écologique nécessite un
travail collaboratif et de cohésion. C'est d'ailleurs la philosophie
d'un des scénarios de l'ADEME proposé dans le cadre du programme
«Transition(s) 2050» : les structures doivent penser à
travailler ensemble et à s'entraider mutuellement, en faisant passer au
second plan leur intérêt propre (scénario 2).
Figure 6 : Présentation des scénarios de l'ADEME
dans le cadre du programme «Transition(s) 2050»
[Source : ADEME,
2021]
En outre, l'intelligence artificielle interroge
également ce concept de sobriété. En effet, dans son
immense majorité, elle est utilisée pour analyser des millions de
données, ce qu'il serait impossible de faire sans cette technologie.
Quelles qu'en soient les applications, l'idée est d'intégrer
toujours plus de paramètres pour gagner en précision. L'ADEME
intègre d'ailleurs
28/62
l'intelligence artificielle comme un des
éléments clés de son scénario n°4, qui est
d'ailleurs décrit comme il suit : «Les modes de vie du
début du XXIème siècle sont sauvegardés.
Mais le foisonnement de biens consomme beaucoup d'énergie et de
matières avec des impacts potentiellement forts sur
l'environnement»31. En effet, les ressources
nécessaires pour cette approche sont importantes, et le scénario
part du principe que nous trouverons des solutions technologiques dans le
futur.
Ainsi, il est nécessaire d'interroger la pertinence du
développement important de startups notamment dans le domaine avec de
l'intelligence artificielle. La volonté de développement de la
structure semble s'opposer au concept de sobriété ou de
frugalité scientifiquement prôné.
Toutefois, ces organisations semblent avoir leur place dans
le cadre de substitution à la société actuelle. En effet,
malgré les ressources nécessaires, les conséquences de
nombreuses innovations semblent bénéfiques pour l'environnement.
De plus en plus de startups décident de s'auto-évaluer, en
cherchant à prendre en compte l'ensemble des coûts
environnementaux de leur procédé, y compris l'accès et le
stockage des données. Ainsi, ces nouveaux services, se voulant plus
vertueux, doivent, pour avoir un impact positif, prendre la place des
modèles actuels, et ne pas s'ajouter, afin d'éviter une
surconsommation (cf. section 2.3.1 sur l'effet rebond).
C'est dans cette optique qu'a travaillé Stratosfair :
pour limiter les impacts des data centers, la startup se charge d'en
construire de nouveaux avec des objectifs soutenables. Ainsi, chaque structure
respecte plusieurs critères:
l Les serveurs sont situés dans un conteneur
réemployé, posé sur des plots afin d'éviter de
bétonner une grande surface;
l Le local est alimenté par des panneaux solaires
installés au-dessus de la structure;
l Les lieux d'implantation sont proches des villes afin de
permettre un «circuit court» dans le transit de données;
l Les capacités de stockage sont restreintes, pour
éviter de surdimensionner et d'avoir des ressources
non-exploitées.
Ainsi, la startup, bien qu'appuyée sur un
modèle du «toujours plus» pour multiplier les sources de
stockage de données, a tenté de développer son
activité de manière raisonnée. Les ressources sont
allouées en dimensionnant préalablement les besoins, et en
interagissant avec les parties prenantes locales ; l'énergie est
produite de manière durable. Cependant, cet équilibre, difficile
à trouver, a tout de même mené à la faillite de
Stratosfair, ce qui illustre bien la complexité de compatibilité
entre sobriété et rentabilité.
Ainsi, chaque solution est pesée, en tentant
d'évaluer son intérêt pour l'environnement, mais
également son coût. Si a priori le modèle des startups
n'est pas forcément bénéfique dans un contexte de
transition écologique, il n'est pas pour autant antagoniste. Ce qui
est
31 ADEME. Transition(s) 2050. Choisir maintenant,
agir pour le climat. Horinzons. Novembre 2021.
29/62
fondamental, c'est d'avoir conscience des coûts et de
tenter par tous les moyens de les minimiser de sorte à ce que les
externalités positives soient plus importantes.
Dans le domaine de l'intelligence artificielle, et dans tous
les domaines liés aux données, se pose toutefois la question de
la transparence des modèles. Faut-il dire ce qui est fait avec ces
informations, au risque de dévoiler son expertise et de perdre en
compétitivité ? Ces questions à la fois éthiques et
écologiques du spectre de l'open sourcing sont donc
étroitement liées à celle du fonctionnement du
modèle d'affaires des entreprises.
2.2.2. Diffusion des données et des algorithmes :
la transparence est-elle
compatible avec la rentabilité ?
La question de la transparence se pose forcément lors
de développements ayant pour but de créer des modèles
nécessitant de manipuler des données. Celle-ci se situe à
deux niveaux : avoir connaissance des types de données utilisées,
mais également, savoir comment elles sont maniées. Cette
problématique, a priori éthique, interroge donc grandement sur
cette volonté d'accroissement des intelligences artificielles. En effet,
dans le contexte actuel du deep learning, le coeur de la
réussite se situe dans la masse de données : plus un algorithme a
de données, meilleur sera son apprentissage, et donc, meilleurs seront
ses résultats.
Ce sujet a vu son premier cadrage majeur apparaître
avec le RGPD (Règlement Général sur la Protection des
Données)32 en 2018, dont la CNIL (Commission Nationale de
l'Informatique et des Libertés) assure le respect. Toutefois, cette
approche se limite à savoir quelles sont les données
utilisées, mais ne s'interroge pas sur la manière dont cela est
fait. C'est donc dans ce but -à que les récents travaux de
l'Union Européenne ont permis d'aboutir à l'AI
Act33.
Ce nouveau cadre normatif a pour but de s'assurer que les
données ne sont pas manipulées par des modèles d'IA pour
induire en erreur. Son principe est de classer les différents
modèles d'intelligence artificielle selon le risque qu'ils
représentent pour l'utilisateur. En fonction du risque associé,
les exigences réglementaires sont plus ou moins importantes, allant de
l'affichage d'un message d'information (pour certains générateurs
de deepfake, les chatbots...), à l'interdiction de
l'outil (notamment pour le scoring social).
L'IA Act se positionnerait ainsi comme le premier
cadre normatif au monde pour régir l'intelligence artificielle. Son but
se décline notamment en quatre parties :
l La transparence et l'explicabilité, en imposant de
disposer d'une documentation claire sur les modèles ;
l Le respect des droits fondamentaux;
l La responsabilisation des développeurs et
utilisateurs, en assurant qu'un responsable puisse être
désigné en cas de dommages;
l La supervision et la gouvernance, par la création
d'organismes de surveillance.
32 RGPD :
https://eur-lex.europa.eu/legal-content/FR/TXT/?uri=CELEX%3A32016R0679
33 AI Act :
https://eur-lex.europa.eu/legal-content/FR/TXT/PDF/?uri=CELEX:52021PC0206
30/62
On comprend ainsi que pour assurer la confiance des
utilisateurs, il est indispensable de signaler comment les données sont
exploitées et par qui. Cette réflexion est d'autant plus valable
dans des cas d'application en écologie : pouvoir expliquer comment
fonctionne le modèle et ce qu'il permet d'obtenir garantie à
l'utilisateur qu'il s'agit bien d'un outil vertueux et non de greenwashing.
La transparence est donc la première étape de la
coopération entre les acteurs : connaître les intentions de son
interlocuteur permet de s'assurer d'avoir des objectifs communs. C'est
également un moyen de vérifier que les visions des protagonistes
sont identiques, et d'identifier ainsi des biais que pourrait avoir un
modèle. Cette question éthique interroge donc plus largement sur
la capacité de mutualisation des ressources et de partage des
expertises.
Connaître le fonctionnement de l'autre peut être
décisif dans le choix d'un partenariat. Virgile BAUDROT donne l'exemple
de l'importance de la maîtrise de la localisation du stockage des
données (cf. annexe 2). En effet, une entreprise qui souhaite
s'engager profondément dans l'écologie va
généralement vouloir privilégier des serveurs
géographiquement proches. Il peut être également pertinent
de regarder qui gère le data center, et l'on pourra alors avoir
une opinion différente selon s'il s'agit d'un géant du
numérique, comme Amazon ou Microsoft, ou d'une startup locale comme
Stratosfair. Cette question de la gestion du serveur est cruciale, tant pour
l'aspect éthique qu'écologique. En effet, certaines entreprises
s'engagent à une gestion sobre des data centers, qu'il s'agisse
de leur alimentation en énergie, de leur empreinte au sol...
Enfin, la question de la transparence interroge sur le fait
de développer ou non des outils déjà existants. Le nombre
d'algorithmes déjà créés est immense et l'open
sourcing peut être une solution de sobriété. Avoir
accès aux codes de certains modèles permet d'avoir une solution
«clé en main», sur laquelle le travail d'optimisation a
déjà été réalisé, sans devoir
reproduire des travaux opérés précédemment par
quelqu'un d'autre et qui demanderont à nouveau des ressources
environnementales.
Il s'agit donc là de s'interroger sur la transparence
des modèles, mais également sur leur réplicabilité.
Si un modèle a été pensé de manière à
être le plus général possible, il pourra s'adapter à
de nouveaux cas d'usage ce qui évitera des développements
supplémentaires.
Toutefois, les startups travaillant en open source
se retrouvent bien souvent confrontées à la question de la
rentabilité du business model. Si une entreprise dévoile
son expertise sans garde-fous, se pose alors la question de sa capacité
à générer un chiffre d'affaires. On distingue alors bien
souvent deux schémas, comme l'évoquait Juliette FROPIER en
entretien (cf. annexe 6) :
l Les modèles entièrement en open source,
souvent financés dans un but d'intérêt
général, régulièrement par des acteurs publics,
avec l'objectif que tout le monde puisse ensuite l'utiliser, et en ne visant
ainsi pas forcément la rentabilité de cette opération;
l Les modèles partiellement en open source,
où une partie est disponible à tous, tandis qu'une autre
(souvent plus complexe) reste la propriété de l'entreprise et il
est donc nécessaire de payer pour pouvoir l'utiliser (comme le
modèle BERT de Google).
31/62
La transparence est donc un indispensable pour l'intelligence
artificielle mais n'est pas présente à un même degré
selon les entreprises et les projets. Certaines startups, comme c'est le cas de
Qonfluens, font le choix de travailler en open source en estimant que
leur valeur se situe dans leur capacité à développer de
nouveaux modèles. D'autres entreprises, majoritaires, gardent le code
secret tout en en dévoilant les grands principes pour assurer leur
rentabilité et leur compétitivité.
Toutefois, cela interroge sur les objectifs affichés
par bon nombre de startups en matière de transition écologique.
On comprend aisément que dévoiler l'intégralité de
son travail altère indéniablement le modèle d'affaires.
Pour tempérer cela, il est donc indispensable de pouvoir annoncer et
quantifier le caractère vertueux de l'outil. Sans cela, il est
impossible de s'assurer de sa plus-value écologique.
2.3. Coûts et bénéfices, de quoi
parle-t-on?
Si une solution technologique se dit vertueuse, il est
indispensable de disposer d'indicateurs pour quantifier, et ainsi,
vérifier, l'apport de sa mise oeuvre. La difficulté reste
cependant d'évaluer cet écart entre coûts et
bénéfices écologiques. L'impact d'une solution Green
IT serait alors moindre par rapport au cas IT for
Green34, mais selon quels indicateurs?
2.3.1. Les indicateurs pour mesurer la réussite
: choisir, comprendre et calculer
Pour privilégier une technologie à une autre,
il est indispensable d'avoir des indicateurs permettant de comparer les
performances et les impacts des deux solutions. La question se pose donc assez
naturellement pour l'intelligence artificielle. Le calcul des performances
s'appuie sur les approches classiques, déjà appliquées
depuis longtemps dans le secteur plus global du numérique. On
répondra alors aux questions telles que «Combien d'images mon
algorithme peut-il analyser par minute?» ou encore «Quel est mon taux
d'erreur ?».
L'interrogation principale se situe donc dans la mesure des
impacts. Selon l'outil considéré, ils peuvent être
variés, multidimensionnels, quantitatifs ou qualitatifs. En effet, il
n'existe pas de bonnes réponses pour mesurer l'éthique ou le
coût environnemental. Chaque modèle doit être
évalué au regard de son objectif d'utilisation. Si un algorithme
a pour but de réduire les consommations électriques liées
à la climatisation, il sera alors indispensable de s'assurer que la
régulation thermique du serveur utilisé ne génère
pas une consommation énergétique plus importante que la baisse
permise par le modèle.
On parle alors d'IA rouge ou verte :
l L'IA rouge (red AI) recherche à tout prix
l'amélioration de la précision, en s'appuyant sur la puissance de
calcul des machines et en complexifiant les modèles;
34 L'expression «IT for Green»
désigne le fait d'utiliser une technologie dans un cadre
écologique, alors qu'elle n'a pas forcément été
créée pour cela et qu'il ne s'agit que d'un cadre d'application
spécifique. Cette notion s'oppose au Green IT qui est une
technologie pensée de manière écologique pour
répondre de manière sobre à un besoin.
l
32/62
L'IA verte (green AI) recherche l'efficacité,
en tentant de se rapprocher des performances de l'IA rouge tout en
réduisant au maximum ses coûts et son impact (environnemental et
social), qui sont des critères d'évaluation à part
entière.
Il est donc indispensable d'établir un
équilibre entre les coûts et les bénéfices de chaque
intelligence artificielle pour se demander si ses besoins sont bien
inférieurs à ce qu'elle va pouvoir générer comme
bénéfice. L'évaluation peut être à la fois
chiffrée, mais également qualitative, dépendant ainsi du
contexte d'utilisation. Il est également utile de se demander si le
recours à cette technologie est réellement nécessaire :
est-il pertinent d'utiliser ChatGPT pour rechercher la date de naissance de
Simone Veil alors qu'une simple requête sur internet permettrait
d'obtenir cette réponse et serait bien moins énergivore ?
Aujourd'hui, l'intelligence artificielle est
considérée comme une nouveauté par la
société civile. Cela génère donc un engouement
autour de cette technologie, qu'une grande partie de la population veut
découvrir et apprendre à maîtriser. Nous sommes donc dans
une phase ascendante d'utilisation de ces outils avec une médiatisation
accrue : les utilisateurs ont une envie systématique d'y avoir recours,
sans vraiment s'interroger sur l'impact et l'intérêt de cette
démarche.
A l'heure actuelle, la part de la population prenant en
compte les enjeux écologiques est minoritaire. Même si cette
dimension est croissante auprès des plus jeunes
générations, il n'en reste pas moins qu'elle n'est pour l'instant
pas prioritaire. Indéniablement, l'intelligence artificielle va devoir
s'adapter et changer pour se conformer à ces convictions
écologiques grandissantes.
S'il semble peu probable que l'intelligence artificielle
disparaisse de notre monde pour des raisons écologiques, il va en
revanche être nécessaire de «mieux faire» l'IA.
Au-delà de la question de la mesure de l'impact, il va falloir que la
démarche cherche intrinsèquement à le diminuer. Un
modèle très bien documenté, décrivant chaque test
ayant été fait, les résultats obtenus et les conclusions
tirées permet non seulement d'accroître les connaissances dans le
domaine mais également de ne pas reproduire des erreurs
déjà effectuées. Etroitement lié à la
question de la transparence, on comprend donc que l'accès aux
informations peut non seulement être source de progrès mais
également d'économie de ressources environnementales. Ainsi, un
développeur pourra directement partir d'un modèle
déjà optimisé pour l'adapter à son cas
d'application sans avoir besoin de le reconstruire entièrement.
Ce qui reste aujourd'hui peu étudié est tout de
même l'impact environnemental global des modèles d'IA. Il convient
donc de se demander si la bonne manière d'aborder ce type d'étude
ne serait pas de se rapprocher d'une ACV (Analyse du Cycle de Vie). Il n'y a
aujourd'hui pas de méthode établie pour mesurer le coût
écologique d'une solution. Selon les cas, toutes les étapes du
cycle de vie ne seront pas prises en compte ou alors, elles le seront de
manière différente. Certaines entreprises vont vouloir être
les plus exhaustives possible, tandis que
d'autres ne vont se concentrer que sur leur
développement pour avoir des résultats les plus vendeurs.
Globalement, il semble indispensable de prendre en compte
l'ensemble des étapes nécessaires au bon fonctionnement final de
l'intelligence artificielle. Même si toutes les structures ne font pas
cette démarche, c'est cette évaluation globale qui paraît
la plus pertinente. On y retrouve donc quatre éléments principaux
devant être évalués:
l Le matériel utilisé pour faire fonctionner
l'IA (serveur, ordinateur, capteurs, câbles, antennes...);
l La phase d'entraînement du modèle pour
déterminer les hyperparamètres optimaux, offrant les meilleures
performances possibles;
l La phase d'entraînement sur le jeu de données
final, avec les hyperparamètres optimaux fixés;
l La phase d'utilisation du modèle.
A l'heure actuelle, un faible nombre d'évaluations
cherchent à être systémiques. Jusqu'à peu, l'outil
d'évaluation green algorithm35 est celui qui faisait
foi. Pourtant, ce dernier ne prend pas en compte le matériel
nécessaire au fonctionnement des modèles, qui est pourtant un
poste de dépense de ressources très important. Même si de
nouveaux outils apparaissent, tentant d'être plus complets que green
algorithm, aucun ne fait aujourd'hui consensus.
Il n'existe d'ailleurs pour l'instant pas de label permettant
d'attester du caractère éco-responsable d'une intelligence
artificielle. Même si de plus en plus de modèles sont
développés avec ce but, il n'a pas encore été
défini de critères objectifs pour établir le
caractère vertueux ou non d'un modèle.
Plusieurs labels complémentaires existent dans des
domaines adjacents. C'est par exemple le cas du label «ADEL-AI Act»
s'intéressant au cadre éthique du modèle, en regardant ses
objectifs, sa transparence et sa sécurité. Dans le domaine
écologique, l'Institut du Numérique Responsable (INR) a
également créé son label : le Label du Numérique
Responsable. Ce dernier évalue l'impact environnemental des
technologies, mais il n'est pas adapté à l'intelligence
artificielle ; il s'intéresse à l'ensemble des solutions
numériques pouvant exister avec des critères beaucoup plus vastes
qui ne sont pas forcément compatibles avec les modèles d'IA. Il
s'intéressera par exemple à la sobriété d'un site
internet, pour s'assurer que la consultation de celui-ci ne
génère pas une trop forte consommation de ressources.
La question de l'évaluation de l'impact de
l'intelligence artificielle n'est donc aujourd'hui pas réglée.
Même si des pistes commencent à faire consensus (comme les phases
à prendre en compte dans l'analyse), aucun référentiel
n'est actuellement établi pour calculer le coût environnemental de
ce type d'algorithme. Ce qu'il en ressort toutefois, c'est qu'il est
indispensable que l'apport généré par l'algorithme soit
bien supérieur à son coût d'utilisation et de
création. Aujourd'hui, comme l'évoque Juliette FROPIER en annexe
6, le Ministère de la Transition Ecologique n'encourage aucune
initiative qui n'est pas en capacité de prouver que les
33/62
35 https://www.green-algorithms.org/
34/62
bénéfices de son recours sont bien
supérieurs à ses coûts. C'est bien cela qui doit être
prioritairement regardé.
Les outils de quantification doivent être choisis au
regard de l'objectif d'utilisation et ne peuvent donc pas être
universels. Il est ainsi nécessaire de s'interroger
systématiquement sur la pertinence du recours à une technologie
pour un cas d'application donné.
Par ailleurs, il est indispensable de regarder les impacts
indirects de ces technologies, pour tenter d'avoir une vision la plus
exhaustive possible. Une large partie de ces effets annexes se retrouvent dans
l'effet rebond qui peut générer une surconsommation liée
à l'arrivée d'une technologie. Leur prise en compte est donc
indispensable pour s'assurer de la pertinence d'une solution.
2.3.2. L'effet rebond, facteur de réduction du
progrès
L'effet rebond est bien souvent négligé lors de
prise de décision et est pourtant capable de détruire les
bienfaits d'une action. En effet, son principe est simple : lorsqu'une mesure
permet de diminuer sa consommation d'une ressource, cette dernière sera
utilisée ailleurs et ne sera pas économisée.
L'effet rebond était initialement appelé le
paradoxe de JEVONS (de l'économiste du XIXème
siècle du même nom). William Stanley JEVONS a observé que
le progrès dans l'efficacité énergétique des
machines à vapeur n'a pas réduit l'utilisation de cette ressource
à l'échelle macroéconomique, puisque les gens ont
continué à utiliser le charbon économisé dans
d'autres secteurs. Ce phénomène intimement lié à
l'économie a été constaté dans de nombreux domaines
et aujourd'hui essentiellement classifié en deux catégories :
l L'effet rebond direct : la machine à vapeur consomme
moins de charbon, donc elle pourra être utilisée plus souvent ou
plus longtemps;
l L'effet rebond indirect : la machine à vapeur
consomme moins de charbon, donc le charbon restant pourra être
utilisé pour d'autres applications.
Ce phénomène incite donc à s'interroger
sur les objectifs des démarches d'innovation : les économies de
ressources sont-elles faites dans un but de sobriété ou
d'accroissement de la consommation ? En effet, dans un monde où les
ressources naturelles sont limitées pour maintenir un niveau de
développement et de croissance constant, il est indispensable
d'apprendre à faire avec moins.
Pour autant, cette approche interroge sur la
sobriété. Alors que ce concept devient essentiel dans un monde
où la transition écologique est indispensable, il est donc
nécessaire de réduire les consommations et non de les
transformer.
Il a ainsi été estimé en 2017 par
FREIRE-GONZALES36 qu'en Union Européenne, l'effet rebond
représentait entre 70 et 80%. Ceci signifie que dans le cas d'une
innovation permettant de diminuer, par exemple, la consommation
électrique de 100 kWh, entre 70 et 80 kWh seront
36 FREIRE-GONZÁLEZ, Jaume. A new way to
estimate the direct and indirect rebound effect and other rebound indicators.
Energy, 2017, vol. 128, p. 394-402.
35/62
réutilisés ; l'économie ne sera donc que
de 20 à 30 kWh. Intimement liées à nos modes de
consommation, ces pratiques dépendent énormément des pays
puisqu'il a estimé que, pour le Canada, l'effet rebond est autour de 40
%37.
L'existence de ce phénomène interroge donc sur
la pertinence de l'innovation, qu'elle soit en intelligence artificielle ou
dans d'autres domaines, dans un objectif de réduction de l'utilisation
des ressources. En effet, par définition, l'innovation cherche à
améliorer les performances, ce qui signifie que la nouvelle technologie
apportée sur le marché permettra donc d'obtenir un
résultat similaire en réduisant son impact écologique. Or,
si 70 % des économies réalisées sont en
réalité réutilisées, il ne s'agit pas
d'économie mais de réallocation.
L'effet rebond met donc en perspective la quantité
d'efforts à faire et d'innovation à produire afin d'effectivement
diminuer drastiquement l'impact écologique de nos modes de vie. Dans le
cas de l'Union Européenne, si seulement 30 % des économies
réalisées sont effectivement des gains de ressources, alors la
marche vers la sobriété devient plus grande.
C'est notamment un des sujets qui a été
abordé lors de l'entretien présenté en annexe 1 avec
Christophe PHAM. Son entreprise dans le numérique durable, Infogreen
Factory, permet par exemple de construire des sites internet avec un impact
écologique largement diminué. Ainsi, le site d'Infogreen Factory
économise 92 % des émissions de gaz à effet de serre lors
de sa consultation par rapport à un site classique. Or si, comme la
consommation est réduite, une entreprise va par exemple pouvoir
décider de créer un plus grand nombre de pages, et l'impact
positif devient réduit. Dans ce cadre, Christophe PHAM s'interroge
même sur la responsabilité de son entreprise dans ce
phénomène puisqu'elle incite indirectement à continuer
à la consommation et non à faire preuve de
sobriété. Il ne s'agit donc ni d'un changement de
mentalité, ni d'un changement de pratique.
Toutefois, l'effet rebond n'est pas toujours le reflet de
comportements négatifs : si les technologies permettent désormais
de se chauffer à moindre coût grâce à une
consommation énergétique mieux anticipée, l'effet rebond
macroéconomique peut simplement être lié à
l'utilisation du chauffage par des foyers qui n'en avaient pas les moyens
auparavant. Dans ce cas, l'effet rebond contribue au bien-être, puisque
les économies de ressources effectuées permettent de
répondre à un besoin élémentaire de la
population.
37 GILLINGHAM, Kenneth, RAPSON, David, et WAGNER,
Gernot. The rebound effect and energy efficiency policy. Review of
environmental economics and policy, 2016.
