L’essor des technologies de l’intelligence artificielle (IA), porté par l’engouement autour des IA génératives, transforme de nombreux secteurs d’activité allant de la santé à la finance, en passant par la logistique et le commerce. Cependant, derrière cette révolution technologique se cache une préoccupation croissante concernant son impact environnemental, nécessitant une éco-conception numérique.

Alors que les défenseurs de l’IA promettent des gains d’efficacité et des optimisations sans précédent, les exemples récents d’augmentation des émissions carbones de Google et Microsoft démontrent qu’il est essentiel de considérer les coûts environnementaux directs et indirects pour soutenir ces nouveaux usages. L’estimation de ces impacts devient ainsi une priorité pour les entreprises et les décideurs. C’est à ces fins que l’Association française de normalisation (AFNOR) a récemment publié le référentiel général pour l’IA frugale.

Cette avancée normative vient combler un manque de cadrage dans ce champ nouveau de l’évaluation environnementale des services numériques en proposant un référentiel simple, accessible et opérationnel. Une première avancée introduite dans la norme est la distinction entre le service d’IA et le système d’IA.

Distinction entre système d’IA et service d’IA

  • Le système d’IA est défini comme un « Système technique qui génère des sorties telles que du contenu, des prévisions, des recommandations ou des décisions pour un ensemble d’objectifs définis par l’humain », il regroupe ainsi tout ce qui traite de la partie fonctionnelle de l’IA et ce, sur l’ensemble de son cycle de vie :

Figure 1 : Cycle de vie d’un système d’IA

  • Le service d’IA quant à lui est défini comme un « Service numérique incluant un système d’IA en principal ou en accessoire. Le système d’IA inclus dans le service peut avoir été développé en interne ou par un tiers. » Le service d’IA englobe ainsi à la fois le système d’IA mais aussi tous les composants accessoires nécessaires à la réalisation du service souhaité. Le service d’IA traite de la finalité, du but de la mise en place de l’IA.

Loin d’être anodine, cette distinction permet d’englober de nombreuses nuances des impacts environnementaux des IA, non seulement d’un point de vue attributionnel, au sens d’une analyse de cycle de vie, mais également conséquentiel en prenant en compte les effets d’ordre supérieur.

On parle alors d’un côté de systèmes efficients d’IA, au sens de « systèmes efficaces », recherchant une optimisation ou un compromis sur un niveau de résultat fortement contraint. L’évaluation de ce genre de système prend en compte les effets de premier ordre afin de les minimiser. D’un autre côté, on parle de services frugaux d’IA, au sens de « services sobres », recherchant une diminution globale des impacts ou un compromis large sur un niveau de résultat, ce qui nécessite d’élargir ou d’assouplir le besoin. L’évaluation environnementale d’un service d’IA prend alors en considération les effets de premier ordre mais aussi les effets d’ordre supérieur incluant les effets rebond.

Estimation des impacts environnementaux

La deuxième partie du document propose une méthodologie détaillée pour l’évaluation environnementale des systèmes et services d’IA. Cette méthodologie s’adresse aux producteurs, fournisseurs, clients et autorités compétentes impliqués dans la conception et la mise en place d’IA. Elle s’appuie sur des normes existantes, telles que l’Analyse du Cycle de Vie (ACV), les recommandations ITU-T et les PCR de l’ADEME, pour fournir des lignes directrices pertinentes permettant de mesurer l’impact environnemental.

On y retrouve des préconisations sur les indicateurs environnementaux à évaluer prioritairement (changement climatique, épuisement des ressources abiotiques, consommations énergétiques), sur les unités fonctionnelles à utiliser pour les systèmes et services d’IA, et sur les règles d’allocations considérés selon les tiers numériques (terminaux utilisateurs, réseaux, centres de données).

L’évaluation des impacts du service se base sur une approche attributionnelle des impacts suivant les recommandations de la norme IUT L1480, c’est-à-dire via un arbre de conséquence visant à identifier l’ensemble des effets indirects liés au service.

Bonnes pratiques

La troisième partie se concentre sur les bonnes pratiques à adopter pour minimiser l’impact environnemental des IA par l’écoconception numérique. Basées sur des témoignages et entretiens, ces bonnes pratiques sont classées selon les segments (service, données, infrastructures) et les étapes du cycle de vie d’une IA, de la conception à la mise hors service. Les pratiques couvrent un large éventail de sujets, avec un accent particulier sur les phases initiales de conception et de gouvernance, reflétant leur importance sur l’ensemble du cycle de vie des projets d’IA. Au total, 31 bonnes pratiques sont ainsi formulées permettant à l’ensemble des acteurs d’un projet faisant intervenir une IA de réfléchir à une approche plus raisonnée des ressources et des usages.

Pour évaluer l’impact de vos projets IA et bénéficier d’un accompagnement sur mesure, contactez nos équipes via ce lien. Nos spécialistes vous aideront à faire progresser vos initiatives avec succès.