Des chercheurs ont calculé les émissions de carbone causées par l’utilisation de modèles d’intelligence artificielle pour différentes tâches.
Générer du texte ou des vidéos, classer des images…, l’intelligence artificielle (IA) peut être utilisée pour diverses tâches, mais ces usages ont un impact sur la planète. Des chercheurs de la startup Hugging Face, en collaboration avec l’université Carnegie Mellon, ont calculé pour la première fois les émissions de carbone causées par l’utilisation de modèles d’IA pour différentes tâches. Ils ont ainsi découvert que la génération d’images à l’aide de cette technologie est la tâche la plus énergivore, consommant autant d’énergie que la recharge complète d’un smartphone.
Des tâches énergivores
Plus précisément, les chercheurs ont examiné les émissions associées à 10 tâches d’IA populaires sur la plateforme Hugging Face, comme la réponse aux questions, la génération de texte ou encore le sous-titrage. Dans le cadre de leur étude, ils ont mené des expériences sur 88 modèles différents. Pour chacune des tâches, l’équipe a exécuté 1 000 prompts et mesuré l’énergie consommée avec l’outil Code Carbon, conçu par Sasha Luccioni, chercheuse en IA chez Hugging Face, qui a dirigé les travaux.
Si la génération de texte est moins énergivore que la génération d’images, cette tâche revient tout de même à charger son smartphone à 16% d’une charge complète, indiquent les chercheurs. Leurs résultats soulignent que les tâches les plus gourmandes en énergie sont celles demandant à un modèle d’IA de générer un contenu. La classification de texte est, elle, la moins énergivore, sa consommation étant inférieure à la conduite d’un kilomètre dans une voiture à essence moyenne.
Des modèles plus énergivores que d’autres
Les chercheurs ont également découvert que l’utilisation de grands modèles pour diverses tâches était plus gourmande en énergie que l’utilisation de modèles plus petits adaptés à des tâches spécifiques. Cela, car les premiers essaient de faire plusieurs choses à la fois au lieu d’une seule tâche. Recourir à un grand modèle pour classer des critiques de films selon qu’elles soient positives ou négatives consomme, par exemple, environ 30 fois plus d’énergie que l’utilisation d’un modèle créé spécifiquement pour cela, a indiqué Sasha Luccioni au MIT Technology Review.
Enfin, l’équipe a constaté que les émissions quotidiennes associées à l’utilisation de l’IA dépassaient de loin celles liées à la formation de grands modèles. Entraînés une seule fois, ces derniers peuvent ensuite être utilisés des milliards de fois. Avec le modèle multilingue BLOOM de Hugging Face, plus de 590 millions d’utilisations ont été nécessaires pour atteindre le coût carbone lié à l’entraînement de son plus grand modèle. Cependant, pour les systèmes plus populaires, à l’image de ChatGPT, il est possible que les émissions d’utilisation dépassent celles de formation en quelques semaines seulement, selon Sasha Luccioni. À son apogée, le robot conversationnel d’OpenAI comptait en effet plus de 10 millions d’utilisateurs par jour et 100 millions d’utilisateurs actifs par mois, soulignent les chercheurs.
L’objectif avec leur étude est de « préparer le terrain pour une meilleure compréhension des besoins énergétiques et des émissions de carbone de la dernière étape, souvent négligée, du cycle de vie des modèles ML (machine learning ou apprentissage automatique en français, ndlr) : le déploiement du modèle ». Ils considèrent que ces données peuvent « éclairer nos collègues chercheurs et praticiens de l’IA, ainsi que les décideurs politiques qui travaillent à l’estimation et à la réglementation des impacts environnementaux des modèles d’IA et des TIC en général ». Ils appellent ainsi les deux premiers à « faire preuve de transparence concernant la nature et les impacts de leurs modèles, afin de permettre une meilleure compréhension de leurs impacts environnementaux ».
À lire aussi
