• Sasha Luccioni, responsable IA et Climat chez Hugging Face, a exploré l'impact environnemental des modèles d'IA et s'est concentrée sur l'intersection de la technologie de l'IA et de la durabilité environnementale, cherchant des moyens de réduire l'impact écologique de l'IA grâce à de meilleures mesures et des choix éclairés.
  • Les modèles d'IA, en particulier les grands modèles de langage comme ChatGPT, consomment des quantités importantes d'énergie lors de leur entraînement et de leur déploiement.
  • Inspirée par le programme Energy Star pour les appareils électroménagers, Luccioni propose un système de notation similaire pour les modèles d'IA.

Dr. Sasha Luccioni est une chercheuse en intelligence artificielle éthique. Au cours de la dernière décennie, ses travaux ont ouvert la voie à une meilleure compréhension des impacts sociétaux et environnementaux des technologies d'IA. Récemment, elle a exploré l'impact environnemental des modèles d'IA et s'est concentrée sur l'intersection de la technologie de l'IA et de la durabilité environnementale, cherchant des moyens de réduire l'impact écologique de l'IA grâce à de meilleures mesures et des choix éclairés.

1. Impact environnemental des modèles d'IA

Les modèles d'IA, en particulier les grands modèles de langage comme ChatGPT, consomment des quantités importantes d'énergie lors de leur entraînement et de leur déploiement. Cette consommation d'énergie entraîne des émissions de carbone substantielles, comparables à celles produites par plusieurs voitures au cours de leur durée de vie. L'entraînement de tels modèles peut consommer autant d'énergie que des dizaines de foyers américains par an.

À lire aussi: True Fit utilise l'IA pour aider les acheteurs en ligne à trouver leur tenue idéale

À lire aussi: Sword Health lève 130 millions de dollars et sa valorisation grimpe à 3 milliards de dollars

2. Développement d'un système de notation énergétique pour l'IA

Inspirée par le programme Energy Star pour les appareils électroménagers, Luccioni propose un système de notation similaire pour les modèles d'IA. Ce système est conçu pour aider les utilisateurs à choisir des modèles en fonction de leur efficacité énergétique, favorisant une utilisation plus durable de l'IA. L'objectif est de créer un moyen standardisé de mesurer et de comparer la consommation d'énergie de divers modèles d'IA pour différentes tâches.

3. Premiers tests et résultats

Le projet consiste à tester des modèles d'IA sur diverses tâches, y compris la génération de texte, la classification d'images et la reconnaissance vocale, à l'aide de jeux de données standardisés. Les premiers résultats montrent une grande variabilité de l'efficacité énergétique entre les modèles, certains étant beaucoup plus énergivores que d'autres selon la tâche. Ces résultats soulignent le potentiel d'optimisation et d'amélioration de l'efficacité dans le déploiement des modèles d'IA.

4. Outils de mesure de la consommation d'énergie

Pour aider à évaluer l'impact environnemental, des outils comme Code Carbon ont été développés. Ces outils estiment la consommation d'énergie et les émissions de carbone des modèles d'IA, permettant aux développeurs de faire des choix plus éclairés et durables. En utilisant de tels outils, les entreprises peuvent réduire l'empreinte environnementale de leurs technologies d'IA.

5. Travaux futurs et engagement communautaire

Les travaux en cours comprennent l'extension du système de notation pour couvrir davantage de tâches et de modèles, l'affinement des méthodes de mesure et l'encouragement des retours de la communauté. L'objectif ultime est de collaborer avec des organisations telles qu'ISO ou NIST en vue d'une adoption plus large pour publier un classement « Green AI Leaderboard » afin d'aider la communauté de l'IA à comparer et à sélectionner des modèles en fonction de leur efficacité énergétique, favorisant ainsi un écosystème d'IA plus durable.