Impact environnemental de l’IA

(article mis à jour en juin 2021)

Ces dernières années ont été marquées par un essor de l’intelligence artificielle (IA), que ce soit dans les discours grand public ou dans les travaux de recherche. Les outils d’apprentissage profond (deep learning) en particulier sont de plus en plus utilisés, et encore souvent sans prise en compte de leurs impacts environnementaux, qui peuvent pourtant être importants.

L’intelligence artificielle est un champ de l’informatique qui consiste à écrire des programmes pour effectuer des tâches de traitement de l’information pour lesquelles les humains sont a priori les plus compétents (Sabouret, 2019). L’une des approches possibles en intelligence artificielle est l’apprentissage automatique (machine learning en anglais), qui comprend des méthodes d’apprentissage profond (deep learning). Ce sont actuellement ces méthodes d’apprentissage profond qui sont au cœur de l’essor de l’IA depuis 2010 environ, notamment du fait des immenses quantités de données désormais disponibles et de la capacité de ces méthodes à en tirer parti. Le fait que ces méthodes nécessitent une très grande quantité de données pour leur apprentissage a des implications fortes sur la collecte et le stockage des données, puis sur leur traitement. Ces méthodes d’apprentissage profond ne sont pas récentes, mais les récents développements logiciels et matériels, notamment de calcul sur GPU, ont rendu possible l’entraînement de modèles d’apprentissage profond en un temps raisonnable et avec du matériel relativement courant.

Ces méthodes sont actuellement utilisées dans des travaux en traduction automatique, analyse d’image, robotique… Pour ces applications, elles s’avèrent efficaces pour résoudre des problèmes comme en reconnaissance de formes et d’objets, sur lesquels elles améliorent très nettement les performances des méthodes précédentes en terme de qualité fonctionnelle des résultats, par exemple en obtenant des traductions de meilleure qualité ou des taux d’erreurs très faibles sur la reconnaissance d’images. 

Comme pour tout programme informatique, les impacts environnementaux d’un programme d’apprentissage sont de plusieurs sortes :

• impacts directs

liés à l’ensemble du cycle de vie des équipements qui permettent de les exécuter : ordinateurs, serveurs, téléphones portables… Cela regroupe notamment la consommation d’énergie des équipements sur lesquels sont exécutés les programmes, mais également la fabrication et la fin de vie des équipements. Or ces deux dernières phases sont a priori loin d’être négligeables. L’impact de la fin de vie des équipements est toujours difficile à estimer dans le cas d’équipements numériques, notamment du fait du manque de suivi d’une partie des équipements, qui ne passent pas toujours pour des filières de collecte agréées (voir article DEEE). Néanmoins, les connaissances actuelles sur le coût environnemental du recyclage des matériaux des TIC, leur taux de recyclage et l’enfouissement qui en résulte donne une intuition plutôt pessimiste quant à l’impact actuel de la fin de vie de ces matériels, qui est en outre souvent précipitée du fait d’une obsolescence prématurée. Pour l’étape de fabrication des équipements, il n’existe pas à notre connaissance d’étude sur des équipements utilisés pour faire tourner ce type de programme, notamment car aucun constructeur de GPU (processeurs graphiques), TPU (processeurs spécifiques pour les réseaux de neurones) ou autre équipement équivalent ne fournit actuellement d’analyse de cycle de vie, qui permettrait de connaître les impacts liés à la fabrication. On peut cependant s’appuyer sur d’autres études pour estimer que cet impact serait important : une étude montre par exemple qu’en terme d’empreinte carbone, une heure.coeur de calcul dans le centre de calcul Gricad à Grenoble a une empreinte carbone liée directement aux équipements qui est due à 40% à la fabrication des serveurs ! Et en terme d’autres impacts, l’extraction et le traitement des matières premières nécessaires à la fabrication des composants électroniques sont également très polluants.

• impacts indirects

changements d’autres secteurs ou de comportements, liés à l’utilisation de ces programmes (voir article Effets rebond du numérique).

Actuellement des évaluations d’impact commencent à émerger dans des travaux scientifiques et des outils ont également été proposés, comme indiqué dans l’article dédié à la consommation énergétique de l’utilisation de l’IA. Il est important de se souvenir que ces évaluations ne concernent qu’une partie des impacts environnementaux réels, ne prenant en compte que la consommation d’énergie de tout ou partie des expériences, mais cela constitue néanmoins une évolution intéressante des communautés scientifiques concernées.

Références

• Green AI, Roy Schwartz et al., 2019, https://arxiv.org/abs/1907.10597

• Comprendre l’intelligence artificielle, Nicolas Sabouret, dessins de Lizete De Assis, Ellipses, 2019

voir aussi :

• Cours sur l’impact “Impact du numérique et de l’IA sur l’environnement”, CentraleSupelec, Anne-Laure Ligozat, 18 mars 2021