L’IA une innovation, mais à quel prix pour l’environnement ? 😩
Les impacts environnementaux de l’intelligence artificielle : c’est ce que nous avons demandé lors de notre atelier : Les enjeux et les défis du graphisme éco-responsable au forum Décoder la com’.
Orianne Solle a répondu a cette question. Voici ce qui a été évoqué durant cet évènement.
Merci à elle pour ces informations précieuses 🙏.

Une difficulté à quantifier les impacts environnementaux de l’intelligence artificielle

L’intelligence artificielle (IA) se présente souvent comme un outil d’innovation et d’optimisation des processus. Cependant, les impacts environnementaux de l’intelligence artificielle sont nombreux mais ils restent difficiles à mesurer de façon précise. 😐

En effet, cette difficulté vient de l’opacité des infrastructures et du manque de données fiables. Ainsi de nombreux éléments sont à prendre en compte : la production des matériaux, la consommation énergétique, l’utilisation de l’eau et la gestion des déchets. 👆

La matérialité des systèmes d’IA : une consommation massive de ressources

Contrairement à l’image d’un logiciel immatériel, l’IA repose sur des infrastructures matérielles gourmandes. ⚡️

Par exemple :

👉Empreinte carbone : En janvier 2023, l’utilisation de ChatGPT représentait l’équivalent de 10 113 tonnes de CO2éq, une quantité significative qui illustre la nécessité d’optimiser ces systèmes.

👉 Production de puces électroniques : Fabriquer une micropuce nécessite 1,3 kg de combustibles et matériaux. 99 % de ces ressources sont perdues lors du processus.

Source : Jennifer Gabrys, 2011 Digital Rubbish : A Natural History of Electronics

👉Entraînement des modèles : L’entraînement de modèles comme GPT-3 mobilise d’énormes quantités d’énergie. Par exemple, 15 jours d’entraînement de GPT-3 équivalent à la consommation énergétique annuelle de 270 ménages français.

Source : Le livre blanc de Data for Good sur les grands défis de l’IA générative

👉Refroidissement des serveurs : En 2022, Microsoft a consommé 6,4 milliards de litres d’eau pour refroidir ses infrastructures.

Source : Environmental Sustainability Report 2022

Impacts sociaux : conditions de travail et perpétuation des biais

Les conséquences de l’IA sur la société ne se limitent pas à l’environnement.
En outre, les impacts sociaux se manifestent à travers des conditions de travail précaires. Mais aussi la perpétuation des biais ! 😩

Biais algorithmiques : L’IA reproduit souvent les biais présents dans ses données d’entraînement. Par exemple, FlauBERT associe ‘les hommes’ à ‘hommes’ et ‘les femmes’ à ‘victimes’. 😤

Travail précaire et répétitif : De nombreuses tâches liées à l’étiquetage des données ou à la modération de contenu sont externalisées vers des travailleurs précaires, parfois payés 2 dollars de l’heure. 😠

Automatisation et rationalisation : L’automatisation des processus, y compris dans le design, risque de déshumaniser l’expérience et de réduire la diversité des solutions, en proposant des réponses standardisées. 😕

Vers un usage plus éthique et responsable de l’IA

Évidemment, la méthode la plus éthique serait de ne PAS utiliser l’IA ! 😄

Toutefois si on ne peut vraiment pas s’en passer, on peut tenter d’adopter des pratiques plus éthiques et responsables dans l’utilisation de l’IA.

Voici quelques pistes d’amélioration :

• 👉 Adopter une approche sobre et critique : Il est nécessaire de s’interroger sur les besoins réels et de limiter l’usage des modèles génératifs au strict nécessaire. Chaque requête IA consomme 10 fois plus d’énergie qu’une recherche sur un moteur de recherche classique. ⚠️
  
• 👉 Choisir des modèles adaptés aux besoins : Plutôt que d’utiliser par défaut les modèles les plus puissants, tu peux utiliser les modèles anciennes générations moins consommateurs d’énergie. Selon une étude de TRG Datacenters, l’entraînement de GPT-3 a nécessité environ 1 248 MWh d’énergie, tandis que GPT-4, plus avancé, a consommé environ 1 750 MWh.
  
• 👉 Définir un cahier des charges clair : La conception d’un brief créatif et d’un cahier des charges clair permet d’éviter les itérations inutiles et de limiter la consommation des ressources.
  
• 👉 Utiliser des outils pertinents et open source : Préférer des outils d’IA open source comme Stable Diffusion, Runway ML ou Hugging Face permet de limiter la multiplication des outils et d’améliorer la transparence.
  

Conclusion

En résumé, les impacts environnementaux et sociaux de l’IA sont bien réels, bien que souvent sous-estimés ou cachés. La production de matériaux, la consommation d’énergie et d’eau, les émissions de CO2, ainsi que les conséquences sur le travail humain et les biais sociétaux, imposent une réflexion globale sur l’utilisation de ces technologies.

À très bientôt pour un prochain article !
En attendant découvre d’autres articles de blog par ici.

Ou bien tu peux me contacter dans mon formulaire de contact.

Lucile Quero