L’IA frugale est une intelligence artificielle qui consomme moins de données et d’infrastructure tout en restant efficace.
Définition technique de l’IA frugale
Différents leviers permettent de d’atteindre une intelligence artificielle plus légère comme l’optimisation des données utilisées, l’optimisation des algorithmes, le choix d’un matériel (hardware) plus économe en énergie ou l’utilisation de sources d’énergies renouvelables pour les alimenter les centres de données (data center). La gestion des équipements par l’utilisation de technologies de conteneurisation permet d’optimiser l’utilisation des ressources matérielles. La conception durable (éco-conception) dans le développement des systèmes d’IA permet de réduire leur empreinte carbone. L’utilisation de ressources publiques et open source permet de réduire les coûts de développement. Enfin, l’optimisation et l’automatisation des processus de développement, de test et de déploiement et la mise en place de systèmes de monitoring pour détecter et corriger rapidement les problèmes font également partie des leviers permettant de développer une IA qui soit à la fois performante et respectueuse des ressources.
Concernant l’optimisation des algorithmes, l’IA frugale repose sur des modèles d’apprentissage optimisés qui minimisent la consommation de données et de puissance de calcul. Elle privilégie des architectures légères, souvent basées sur des algorithmes spécialisés qui réduisent le nombre de paramètres à traiter. Cette approche réduit considérablement les besoins en stockage et en traitement, tout en garantissant une précision suffisante pour orienter les interventions de maintenance. L’apprentissage par transfert (« transfer learning ») est un moyen de rendre l’IA plus « verte » : il permet d’exploiter les connaissances des modèles précédemment formés pour créer de nouveaux modèles ou même résoudre des problèmes tels que le manque de jeux de données.
Mesurer l’empreinte écologique de l’IA
Pour faciliter la mesure d’impact, Green Algorithms, développé par Loïc Lannelongue de l’Université de Cambridge, est un outil simple et open source qui permet d’estimer la consommation énergétique et l’impact carbone d’un système d’IA.
Cet outil est désormais généralisé dans les appels à projets sur l’IA, après avoir été testé avec succès lors de l’appel à projets « Démonstrateurs d’IA frugale pour la transition écologique des Territoires » (DIAT).
