IA frugale et projets DIAT : entretien avec Jean-Baptiste Crumeyrolles

Chargé de programme France2030 Numérique pour la transition écologique à la Banque des Territoires, Jean-Baptiste Crumeyrolles revient sur l'appel à projets Démonstrateurs d'IA frugale au service de la transition écologique (nouvelle fenêtre), du programme France 2030, et opéré par la Banque des Territoires.

Quels critères doivent être remplis pour qu’un projet d’IA visant la transition écologique soit considéré comme un succès ?

L’intelligence artificielle (IA) offre un potentiel considérable pour accélérer la transition écologique des territoires, mais à certaines conditions. Elle permet de collecter, organiser et analyser de grandes quantités de données sur un territoire. L’IA n’est pas seulement un outil de calcul : elle aide aussi à croiser des données disparates, à assurer la cohérence de ces données, à suivre en temps réel des indicateurs clés (qualité de l’air, niveau d’eau, biodiversité, etc.), à prédire des évolutions et à orienter rapidement les actions.

Un projet d’IA pour la transition écologique est considéré comme réussi :

• S’il entraine des gains environnementaux significatifs : réduction de la consommation de ressources (eau, énergie, etc.) ou de l’empreinte carbone. Des projets peuvent aller plus loin en abordant aussi la qualité des ressources (par exemple, l’eau), la protection de la biodiversité, ou l’adaptation face aux risques environnementaux. L’enjeu est de mieux comprendre le territoire pour mieux agir, en développant des outils adaptés, utiles et concrets.
• S’il prend en compte l’empreinte environnementale de l’IA elle-même : un indispensable pour un projet d’IA au service de la transition écologique. En effet, les technologies d’IA consomment beaucoup de ressources (énergie, eau, matériel informatique, etc.), en particulier lors de l’entraînement et à travers les centres de données.

C’est pourquoi cet AAP promeut une démarche d’IA frugale : les projets lauréats limitent les ressources utilisées, privilégient l’usage de modèles déjà entraînés, restreignent le volume de données traitées, et, surtout, s’assurent que les bénéfices écologiques du projet sont supérieurs à son coût environnemental. Les porteurs utilisent notamment l’outil Green Algorithms pour estimer cet impact.

Grâce à ces critères, nous aidons les collectivités territoriales à répondre aux enjeux de la transition écologique en s’appuyant sur des technologies éprouvées et maîtrisées. Ces projets DIAT, bien qu’expérimentateurs, n’imposent pas nécessairement une rupture technologique, mais testent avant tout des solutions concrètes et pragmatiques à des problématiques environnementales identifiées sur le terrain, pour les collectivités territoriales.

Comment ces projets DIAT se sont-ils structurés / organisés ?

Les porteurs de projets, qu’ils soient publics ou privés, travaillent en consortium avec d’autres acteurs de leur territoire : collectivités locales (dont la participation est imposée dans le cahier de charges), startups, entreprises, et laboratoires de recherche. Cette dynamique se distingue des schémas classiques de la « ville intelligente » qui gravitaient pour la plupart, autour de grands industriels.

Une nouvelle approche de la "smart city" émerge, se distinguant des méthodes des années 2010. Contrairement à l'époque où le déploiement massif de capteurs IoT était privilégié pour générer de nouvelles données, cette approche se concentre sur l'exploitation de l'existant. Les projets actuels privilégient la valorisation de données métiers disponibles (consommations énergétiques, inventaires, données publiques) et comptent sur l’IA pour apporter des réponses à ces problématiques.

Les projets s’appuient sur une dynamique territoriale, souvent préexistante, en matière de numérique et d’écologie. Ils nécessitent une mobilisation active des agents et des élus des collectivités concernées et voisines, afin de créer un vrai terrain d'expérimentation. L’acteur privé est principalement mobilisé pour ses compétences et ses capacités de développement en IA ; compétences orientées vers la résolution d’une problématique écologique de territoire. À titre d’exemple, la Région Centre-Val de Loire a lancé le projet PrevizO dans le cadre de son programme « Climate Data Hub », une coopérative de données pour le climat. Ce cas d’usage vise à mieux gérer la ressource en eau grâce à l’IA, en s’appuyant sur une mobilisation à la fois régionale et locale, avec des syndicats, des métropoles, des experts. Chacun y trouve un bénéfice concret, et l’initiative s’inscrit dans la continuité d’une stratégie de long terme.

D’autres projets sont nés de besoins spécifiques souvent partagées par les collectivités territoriales. Par exemple, à Noisy-le-Grand, où il s’agissait de rénover efficacement 200 bâtiments publics pour répondre au décret BACS (obligation d’automatiser la gestion énergétique des bâtiments). Ici, l’IA est utilisée pour simuler et optimiser les scénarios de rénovation énergétique de ces bâtiments : plusieurs structures privées, avec des compétences techniques complémentaires, sont mobilisées vers l’atteinte de cet objectif.

Quelles spécificités doivent être prises en compte lors de la conception de modèles d’IA pour ces projets ?

Concevoir des modèles d’IA pour la transition écologique exige de respecter des principes de sobriété, mais aussi d’intégrer pleinement les réalités du terrain. Le référentiel AFNOR SPEC pour l’IA frugale (lien externe, nouvelle fenêtre) propose des bonnes pratiques en la matière. Il s’agit, par exemple, de former les agents des collectivités à l’IA, d’optimiser l’utilisation des équipements informatiques existants, ou encore de privilégier l’emploi de jeux de données ouverts pour le prototypage.

Ces principes doivent être intégrés à chaque étape de la conception, au déploiement. L’objectif est de limiter l’empreinte écologique, mais aussi de garantir l’utilité concrète du projet.

Un autre point clé : le jeu d’acteurs. Les projets sont centrés sur les collectivités territoriales, et l’implication des agents et élus est déterminante pour leur réussite. La co-construction avec ces acteurs facilite l’intégration des outils développés, renforce leur visibilité et leur utilité, et assure que la solution répond vraiment aux besoins locaux.

Il est également important de ne pas « réinventer la roue » : les projets les plus efficaces sont ceux qui s’inscrivent dans la continuité des dynamiques existantes, en enrichissant les démarches déjà engagées plutôt qu’en imposant des ruptures technologiques déconnectées du terrain.

Qu'est-ce qu'une balance environnementale positive et comment peut-elle être atteinte et évaluée dans ces projets ?

Une « balance environnementale positive » signifie à minima qu’un équilibre est atteint entre les bénéfices écologiques apportés par un projet d’IA et les impacts négatifs générés par sa mise en œuvre. Pour évaluer ce point, les porteurs de projet doivent estimer l’empreinte environnementale de leur IA (consommation énergétique, ressources nécessaires pour l’entraînement des modèles, etc.) grâce à des outils comme Green Algorithms, outil Open Source développé par un chercheur de Cambridge.

Ils renseignent des paramètres précis tel que le volume de données, la localisation des data centers, la durée de calcul, etc., ce qui permet d’estimer l’empreinte carbone du projet. En parallèle, ils évaluent les bénéfices attendus : économies d’énergie, réduction des émissions, amélioration de la gestion de la ressource, coûts évités en cas de risques environnementaux, etc. A ce jour, cette empreinte n’est mesurée que sur la base des déclarations des porteurs de projets, avant le projet, en cours de projet et à la fin.

L’atteinte de cet objectif est plus facile pour certains usages, comme la gestion énergétique des bâtiments, où les économies et gains sont mesurables. Il devient plus complexe pour des impacts indirects, par exemple sur la biodiversité, où les effets sont plus difficiles à quantifier et à comparer aux impacts négatifs de l’IA.

Cette estimation est importante pour sélectionner les projets et orienter les porteurs dans leur démarche. Le prochain défi, cependant, sera de passer d’une simple estimation à un suivi plus engageant, pour mesurer en continu la frugalité et l’utilité des solutions déployées.

Quels exemples concrets de projets d’IA réussis dans la transition écologique pouvez-vous citer ?

12 projets sont lauréats de l’appel à projets DIAT (nouvelle fenêtre). L’une des spécificités étant la diversité des thématiques adressées (urbanisme, eau, biodiversité, gestion énergétique des bâtiments, pollution de l’air, etc.), il n’est pas possible d’être exhaustif ici.

Trois projets se concentrent sur la gestion énergétique des bâtiments : à Noisy-le-Grand (nouvelle fenêtre), à Bordeaux Métropole (nouvelle fenêtre), et avec la société Advizeo (nouvelle fenêtre) (Métropole du Grand Paris). Tous développent des outils d’aide à la décision pour la planification de travaux de rénovation énergétique, intègrent des relevés de consommation en temps réel et proposent des recommandations d’usage sans travaux lourds. Chacun se distingue toutefois par ses approches, ses choix technologiques, ses partenaires, le périmètre d’expérimentation choisi, etc. A terme, une comparaison de ces initiatives devrait apporter, en soi, des enseignements.

Le projet IA.rbre, porté par la société Telescoop, utilise l’IA pour cartographier les zones plantables et favoriser la végétalisation du territoire : des scénarios de plantation (zones, essences, budget) seront formulés en fonction des objectifs poursuivis : désimperméabilisation, réduction des ilots de chaleur, etc.

Les projets AMELIA (société WaltR (nouvelle fenêtre)) et Predict’Air (Paris Ouest la Défense) s’intéressent quant à eux à la qualité de l’air et du bruit, en particulier ceux liés à la mobilité.

À Paris-Saclay, le projet Urba(IA) vise à optimiser la gestion des plans locaux d’urbanisme, intégrant des outils d’aide à la décision (scénarios prédictifs) alimentés par l’IA et ajoutant des critères environnementaux.

Enfin, le projet GAIA PREDICT  porté par la Région Occitanie propose une cartographie de la faune et de la flore sur le territoire ; intégrant des outils d’aide à la décision pour les politiques locales de protection de la biodiversité.

Ces projets devront démontrer que l’IA, bien encadrée et pensée pour la sobriété, peut répondre à des enjeux variés de transition écologique : du climat à la biodiversité, en passant par la gestion des ressources. C’est l’objet du terme « démonstrateur ». Elle n’est pas la seule solution, mais elle constitue un levier déterminant pour accélérer la transformation écologique, à condition d’en maîtriser l’impact. En actionnant ce levier, nous participons, à notre niveau, à défendre une voie française pour une IA plus frugale, souveraine et respectueuse de l'environnement.