Ai-je besoin de l'IA ?
Réponse courte : NON !
Réponse longue : Peut-être bien que oui, peut-être bien que non !? C'est tout l'objet de cette formation.
Module 01
Introduction
Comprendre les enjeux de l'IA responsable et son contexte actuel
L'histoire de l'IA : une évolution par vagues technologiques
1950
Machine Intelligente
Turing pose les bases de l'intelligence artificielle
1956
Conférence de Dartmouth
Le terme "AI" (Artificial Intelligence) apparaît officiellement
1970-1990
Premiers projets & Systèmes experts
Applications militaires, médicales, industrielles
1996
Deep Blue
L'IA d'IBM bat Kasparov aux échecs
2000-2010
Machine Learning
Essor du ML et reconnaissance vocale
2011
Apple Siri
L'assistant vocal grand public
2022-2025
IA Générative
ChatGPT, GPT-4, GPT-5, DeepSeek... L'explosion
Glossaire
- Phase d'entraînement
- Moment où l'IA apprend grâce à de nombreux exemples.
- Phase d'inférence
- Moment où l'IA utilise ce qu'elle a appris pour produire une réponse.
- Datasets
- Ensembles d'exemples (textes, images, chiffres) servant à entraîner une IA.
- Fine-tuning
- Ajustement d'une IA déjà entraînée pour la spécialiser sur un domaine particulier.
L'explosion de la puissance des modèles
Modèles de grande taille
Explosion du nombre de paramètres avec une capacité à traiter plusieurs langues, formats et tâches (modèles "multimodaux")
Généralisation des usages IA
Présence de l'IA dans les outils du quotidien, intégration dans les chaînes métiers : automatisation, aide à la décision, agents conversationnels
Effet d'industrialisation
IA intégrée massivement dans les processus industriels et commerciaux
L'hyper-croissance et la démesure
Microsoft a annoncé en septembre 2024 le redémarrage d'une centrale nucléaire (Three Mile Island) pour alimenter ses data centers IA. Cette centrale avait connu un accident sur son réacteur Unit 2 en 1979.
Une croissance et un impact exponentiels
Consommation et impact de l'entraînement de ChatGPT
| Version | Consommation | Équivalent | CO2 |
|---|---|---|---|
| GPT-3 | 1 300 MWh | 120 foyers américains / 1 an | 550 tCO2eq |
| GPT-4 | 52 000 MWh | 5 000 foyers américains / 1 an | 22 000 tCO2eq |
Chiffres clés de l'impact
x10
Consommation énergétique d'une requête ChatGPT vs une recherche Google
+15%
Augmentation annuelle de la consommation des data centers
1.6M
Foyers français équivalent à la consommation annuelle de GPT-5
500ml
Eau douce évaporée pour une conversation moyenne avec ChatGPT
Rappel des impacts environnementaux du numérique
Sources d'impact
1
Fabrication des équipements
Extraction de métaux rares, assemblage et transport mondialisés, renouvellement rapide
2
Consommation énergétique
Électricité pour alimenter, refroidir, maintenir disponibles les systèmes
3
Fin de vie des équipements
Recyclage infime, métaux précieux souvent non récupérés
4%
des émissions mondiales de GES sont dues au numérique
Source : GreenIT.fr 2020Cycle de vie d'une IA et consommation
Modélisation
→
Entraînement
Impact élevé→
Fine-tuning
→
Inférence
Impact récurrent→
Fin de vie
Optimiser l'entraînement réduit le pic, optimiser l'inférence réduit l'impact récurrent.
Un virage nécessaire
Face à l'accélération des impacts environnementaux de l'IA moderne et au risque de non-soutenabilité, l'éco-conception devient un levier d'efficacité indispensable.
- Réduire les besoins en données, calcul, stockage...
- Optimiser les usages en ciblant la valeur réelle
- Réduire la quantité des infrastructures et allonger leur durée de vie
Qu'est-ce que l'écoconception ?
L'écoconception vise à proposer des services numériques dont les impacts sur l'environnement sont réduits à chaque étape du cycle de vie. De manière plus concrète, écoconcevoir un service numérique consiste, à niveau de qualité et de service constant, à réduire la quantité de moyens matériels nécessaires à son fonctionnement.
Une exigence stratégique et réglementaire
🎯 Trajectoire Bas Carbone
Objectif de réduction de 35% des émissions à horizon 2030
- Cartographier les services IA
- Mesurer l'empreinte carbone
- Analyser et mettre en œuvre des pratiques IA écoresponsables
📜 Loi REEN
Obligation pour les acteurs publics de mesurer et réduire leur empreinte numérique
Module 02
Définition du besoin & Cadrage
Évaluer la pertinence du recours à l'IA avant de se lancer
L'IA n'est jamais un objectif
L'IA n'est qu'un moyen pour répondre à un besoin réel, priorisé et évalué avec les usagers.
L'IA n'est pas toujours la meilleure solution. Elle peut être coûteuse en énergie, complexe à maintenir, et parfois disproportionnée par rapport au besoin réel.
Il est donc crucial d'explorer des alternatives avant de se lancer dans un projet IA.
Les 3 étapes du cadrage
1
Comprendre le besoin utilisateur
Utiliser des méthodes comme l'UX research, les interviews ou le design thinking.
→ Quel est le besoin fondamental ?
2
Reformuler la problématique
Une bonne formulation doit :
- Être compréhensible
- Laisser la porte ouverte à plusieurs types de solutions
- Être testable
3
Identifier les besoins durables
Le besoin est-il récurrent, structurant, pérenne ?
Cherchez l'erreur !
❌ Mauvaise formulation
"Il nous faut une IA de reconnaissance d'image pour détecter les défauts."
✅ Bonne formulation
"Nous voulons détecter plus tôt les défauts de fabrication pour réduire les pertes et améliorer la qualité."
Explorer les alternatives à l'IA
L'IA n'est pas neutre écologiquement, elle implique souvent plus d'infrastructure, de calcul et de données.
Des solutions plus simples peuvent répondre aussi bien ou mieux au besoin, être plus robustes, moins coûteuses et plus rapides à déployer.
Identifier les alternatives non-IA
Logique métier
Règles déterministes (si... alors...)
RPA
Automatisation robotisée des processus
Statistiques classiques
Analyses et modèles statistiques simples
Intervention humaine
Processus manuels optimisés
S'assurer de l'alignement stratégique
Comités Produit/Data/IA
Double validation impérative
Cohérence avec les priorités du SI et des produits
Comité Éthique IA
Évaluer l'impact et les risques sociaux de la solution IA :
- Données personnelles
- Biais algorithmiques
- Impact sur l'emploi
L'usage de l'IA doit être collectivement validé, pas décidé unilatéralement.
Définir des critères de frugalité
Frugalité
Volume de données utilisées, fréquence de réentraînement
Durabilité
Longévité et maintenabilité de la solution
Simplicité
Éviter la sur-ingénierie
Pertinence
Adéquation au besoin réel
Une IA mal cadrée est source de dette technique.
Arbre de décision interactif : Ai-je besoin de l'IA ?
Cliquez sur votre réponse pour découvrir la suite !
Y a-t-il un volume important d'informations, d'actions ou de données à traiter ?
1
2
3
4
🎮 Cas pratique : Projet GRAINE
Contexte métier
Sur la base lunaire Gaïa-9, l'autonomie alimentaire qui repose sur des serres cultivées est en danger !
Le besoin
Mieux anticiper les besoins des plantes en environnement instable : analyser en continu les données de culture (capteurs de sol, d'humidité, de lumière...) pour optimiser les rendements.
Analyse
✅ Arguments pour l'IA
- L'IA détecte des signaux faibles non visibles à l'œil nu
- Analyse des corrélations complexes multivariables
- Objectif écologique crucial dans tel environnement
⚠️ Points de vigilance
- Des règles métier pourraient déjà résoudre une partie du besoin
- Les jardiniers pourraient se sentir dépossédés
- Le cycle de décision pourrait être plus long avec des observations
Module 03
Gestion de la donnée
Qualité, quantité et réutilisation des données pour une IA frugale
L'importance de la qualité et de la quantité
🔍 Qualité des données
Une donnée de mauvaise qualité :
- Pollue les algorithmes
- Rallonge l'entraînement
- Alourdit le stockage
- Nuit à la pertinence du produit
📊 Quantité de données
Plus on stocke de données :
- Plus d'espace mobilisé sur les serveurs
- Plus de matériel à fabriquer
- Plus de requêtes et transferts énergivores
- Plus de besoins en refroidissement
Réduire le volume et avoir des données propres, c'est la base de l'écoconception IA.
Réutiliser plutôt que dupliquer
Dupliquer des données alourdit inutilement les infrastructures et augmente l'empreinte carbone.
Mieux vaut réutiliser les jeux de données déjà disponibles afin de :
- Gagner du temps
- Éviter les erreurs
- Réduire les coûts de stockage et de traitement
Bonnes pratiques opérationnelles
- Utiliser des outils comme le Data Catalogue pour identifier les datasets existants
- Favoriser la mutualisation des données entre équipes
- Documenter les datasets pour faciliter leur réutilisation
Les questions essentielles à se poser
Est-ce que chaque donnée collectée est réellement utilisée ?
Est-ce qu'une version plus légère (résolution, fréquence, format) suffirait ?
Peut-on réduire le jeu d'apprentissage sans perdre en performance ?
Quelle est la qualité de la donnée (source, complétude, cohérence) ?
Les données sont-elles déjà disponibles ailleurs dans l'entreprise ?
Qui est en charge de la gestion des données ?
Product Owner
Valide les règles de nettoyage, arbitre les pertes de données
Dev / Tech Lead
Implémente les routines automatiques de nettoyage et de réduction
Expert Data
Analyse les impacts statistiques, propose des méthodes d'allocation
Tous
Participent à la documentation et la traçabilité des choix faits
Module 04
Optimisation des modèles
Choisir le bon modèle pour le bon usage
Les 3 niveaux de complexité des modèles IA
Niveau 1
Machine Learning traditionnel
Peu gourmand, rapide, efficace sur beaucoup de cas métiers simples
Exemples : Playlists automatiques Spotify, Classification des spams
Niveau 2
Deep Learning
Plus précis mais plus coûteux en calcul et énergie
Exemples : Filtres Instagram, Recommandations Netflix, Assistants vocaux (Siri, Alexa...)
Niveau 3
IA générative / LLM
Très gourmand, à réserver aux besoins vraiment complexes
Exemples : ChatGPT, Génération de texte, Création d'images
Arbre de décision interactif : Quel type de modèle choisir ?
Cliquez sur votre réponse pour découvrir le modèle adapté !
Votre logique métier repose-t-elle sur des règles fixes ou des décisions déterministes (si, alors...) ?
1
2
3
Découper en petits modèles dédiés
Un gros modèle unique est souvent lourd et coûteux à maintenir. Découper en petits modèles dédiés réduit la consommation d'énergie et facilite la maintenance : chacun est entraîné et mis à jour sans impacter les autres.
Exemple : Assistant client
Séparez :
- La détection d'intention (ex : classification légère)
- La génération de réponse (ex : template ou LLM selon le cas)
- L'extraction d'entités (ex : NER spécialisé)
L'orchestrateur de modèles
L'orchestrateur est un système d'aiguillage qui décide en temps réel quel modèle doit traiter une requête, en fonction de la complexité et des ressources disponibles.
2 approches :
Cascade de modèles
Utiliser un petit modèle d'abord, puis un plus gros si nécessaire
Routage intelligent
Diriger directement vers le modèle le plus adapté selon le contexte
Techniques d'optimisation des modèles
Quantification
Transformer la précision numérique des poids pour réduire la taille mémoire et le coût en calcul.
- Le modèle reste identique en structure
- Peut introduire une légère perte de précision (souvent négligeable)
- Appliquée en post-training ou en cours d'entraînement
Distillation
Utiliser un modèle existant pour entraîner un modèle plus léger qui reproduit son comportement.
- Le "professeur" guide l'"élève"
- Permet d'obtenir un modèle compact et performant
Multi-Instance GPU (MIG)
Fractionner un GPU pour exécuter plusieurs tâches en parallèle, avec des ressources adaptées à la charge de chacune.
Surveillance de l'usage
Détecter les modèles et services non utilisés pour les mettre en pause et libérer les ressources.
🎮 Cas pratique : Hugging Face
Le répertoire de référence Open Source pour l'IA
📦 Modèles
Beaucoup d'entreprises, chercheurs ou associations publient leurs modèles et permettent de les télécharger.
- Documentation technique pour chaque modèle
- Tri par tâche et par taille
📊 Datasets
Publication des datasets d'entraînement avec possibilité de téléchargement.
- Documentation technique
- Tri par type de données et par taille
🧪 Spaces
Tester directement sur le site des IA publiées par la communauté.
💡 Recherchez l'outil "Ecologits" pour estimer l'impact d'une requête d'IA Générative !
Module 05
Gestion des phases d'entraînement et d'inférence
Optimiser les phases les plus énergivores du cycle de vie IA
L'entraînement est-il toujours nécessaire ?
Existe-t-il un modèle open-source ou interne pertinent ?
Le besoin utilisateur est-il satisfait par ce modèle ?
✅ Si oui aux deux
Entraînement non nécessaire
⚠️ Sinon
Entraînement à considérer avec précaution
Une phase d'entraînement n'est pas toujours nécessaire, et son intégration doit être conditionnée à une valeur ajoutée démontrée car elle est très coûteuse en ressources.
Réutiliser un modèle existant
✅ Avantages
- Baisse directe de l'impact carbone
- Gain de temps
- Qualité éprouvée
⚠️ Points de vigilance
- Vérifier la compatibilité avec les données réelles
- S'assurer du respect des exigences de sécurité et d'éthique
- Évaluer le poids du modèle et privilégier une version plus légère
Stratégies d'entraînement responsable
Fine-tuning local
Adapter un modèle existant (interne ou open source) uniquement sur le jeu de données métier
Réapprentissage contrôlé
Mettre à jour le modèle sur de nouvelles données sans repartir de zéro et uniquement quand on observe une baisse de qualité (AI drift)
Quand réentraîner ?
Indicateurs déclencheurs :
Dégradation d'un ou plusieurs KPI (précision, taux d'erreur, couverture)
Data drift : changement statistique des données entrantes
Conceptual drift : modification dans les relations entrées/sorties
Changement dans les besoins des utilisateurs
Évolution réglementaire ou nouvelle politique
Feedback utilisateur signalant une perte de pertinence
Techniques d'optimisation de l'entraînement
Batch training
VitesseFractionner les données d'apprentissage en petits groupes (batchs) pour paralléliser les calculs et réduire les I/O.
Toujours applicableEarly stopping
ÉconomieArrêter l'entraînement dès que la performance sur les données de validation cesse de s'améliorer.
Mutualisation des entraînements
EfficacitéLes clusters personnels ou dédiés sont souvent sous-utilisés. Les plateformes mutualisées permettent un meilleur rendement "impact carbone / kWh".
Créneaux d'entraînement optimisés
Green ITEntraîner quand l'électricité est moins carbonée. L'intensité carbone varie selon les périodes et conditions météorologiques.
Optimisation de l'inférence
🗄️ Mise en cache
Mémoriser le résultat d'une prédiction pour ne pas recalculer si la même demande est répétée.
Cas d'usage :
- Résultats de classification stables dans le temps
- Traduction automatique pour contenus statiques
⏱️ Rafraîchissement contrôlé
Solliciter les modèles périodiquement ou uniquement si les données ont changé.
Exemples :
- Score de risque recalculé uniquement si données modifiées
- Recommandation personnalisée mise à jour selon un seuil
📦 Traitement par lot
Regrouper plusieurs requêtes en un seul lot pour mutualiser l'exécution.
Adapté pour :
- Traitements asynchrones ou file d'attente
- Services ayant une tolérance à la latence
Module 06
Infrastructure & Déploiement
Choisir les bonnes ressources pour minimiser l'impact
L'impact environnemental du cloud
L'impact environnemental du cloud varie fortement selon :
🔌 Mix énergétique
Taux d'énergies renouvelables ou bas carbone du fournisseur
📍 Localisation
Réseau électrique local, refroidissement naturel, etc.
⚡ Efficacité énergétique
PUE (Power Usage Effectiveness), modularité, refroidissement
📊 Transparence
Outils fournis pour monitorer ou optimiser l'impact
GPU vs CPU : Quel matériel pour quel usage ?
| Cas d'usage | Caractéristique | Matériel recommandé |
|---|---|---|
| Entraînement Deep Learning | Beaucoup de calculs à la fois, sur de grosses données | GPU |
| Inférence rapide (chatbot, assistant vocal) | Faible latence exigée, en continu | GPU |
| Prédictions régulières non urgentes | Traitements par lot, latence tolérée | CPU |
Le GPU est surpuissant, mais très énergivore. À utiliser uniquement quand c'est vraiment nécessaire !
Coûts et consommation des GPU
GPU grand public (RTX)
| Modèle | Prix (EUR) | VRAM | Consommation (TDP) |
|---|---|---|---|
| RTX 6000 Ada | 7 120 - 9 135 € | 48 GB | 300W |
| RTX 5000 Ada | 4 097 - 5 500 € | 32 GB | 250W |
| RTX 4000 Ada | 1 150 - 1 600 € | 20 GB | 130W |
GPU datacenter (NVIDIA)
| Modèle | Prix (EUR) | VRAM | Consommation (TDP) | Usage principal |
|---|---|---|---|---|
| B200 SXM | 42 000 - 47 000 € | 192 GB HBM3e | 1000W | Training massif |
| H200 SXM | 28 000 - 37 000 € | 141 GB HBM3e | 700W | LLM très larges |
| H100 SXM | 25 000 - 40 000 € | 80 GB HBM3 | 700W | Training & inférence |
Module 07
Mesurer et piloter l'impact carbone
On ne peut pas améliorer ce qu'on ne mesure pas
Pourquoi mesurer ?
Mesurer l'impact d'un service IA permet de :
Identifier les leviers d'optimisation sur tout le cycle de vie
Favoriser la transparence auprès des parties prenantes (métier, IT, RSE...)
Soutenir des décisions produit alignées avec les engagements environnementaux
Les deux dimensions de l'impact
🏭 Impact fabrication
40 à 60% de l'impact total d'un service numérique
Correspond à l'extraction des matières premières, la production, l'assemblage, le transport et la fin de vie de :
- PCB, CPU, GPU, RAM
- Systèmes de stockage (disques durs, SSD)
- Systèmes de refroidissement
- Réseaux, routeurs, câblages
- Datacenters (bâtiment, climatisation...)
⚡ Impact usage
Consommation énergétique des serveurs
- Reflète l'effort pour chaque inférence ou réentraînement
- Les composants les plus consommateurs : CPU et GPU
- Taille du modèle
- Fréquence des requêtes
Les métriques clés
kWh
Consommation électrique
tCO2eq
Émissions de gaz à effet de serre
m³
Consommation d'eau
kgSbeq
Épuisement des ressources
Exemple d'impact : Mistral AI (18 mois)
20 400
tCO2eq
281 000
m³ d'eau
660
kgSbeq
Outils de mesure
La mesure de l'impact environnemental d'une IA est un exercice complexe. Cette formation vous donne des repères pour comprendre les grands leviers, mais la mesure fine reste le rôle d'experts car elle nécessite des données précises et une méthodologie rigoureuse.
Types d'outils disponibles
- Calculettes d'empreinte carbone - Pour estimer l'impact d'un service IA
- Outils de monitoring GPU/CPU - Pour mesurer la consommation en temps réel
- Ecologits (Hugging Face) - Pour estimer l'impact d'une requête d'IA Générative
🎮 Cas pratique : Estimer l'impact d'un projet IA
Cluster GPU fictif : FAB-IA-01
GPUs
2 GPU V100 + 4 GPU A100
CPUs
100 vCPU (AMD EPIC Zen 2)
RAM
1.2 To
Stockage
10 To SSD
Services du projet ABC
Service de défloutage
5 Pods (10 Go RAM + 10 vCPU chacun)
Service de classification
15 Pods (4 Go RAM + 2 vCPU chacun)
Service d'OCR
30 Pods (8 Go RAM + 6 vCPU chacun)
Service d'extraction de mots clés
10 Pods (4 Go RAM + 2 vCPU chacun)
Module 08
Gestion de la fin de vie
Anticiper et gérer la fin de vie des services IA
Pourquoi planifier la fin de vie ?
La frugalité doit couvrir toutes les étapes du cycle de vie. Une IA inutilisée continue de consommer et de complexifier l'écosystème.
Elle doit être abordée comme une vraie étape projet, avec des responsabilités claires et des décisions à documenter.
Risques si on ne prévoit pas la fin de vie :
- Coûts d'infrastructure maintenus inutilement
- Dette technique croissante
- Confusion dans l'écosystème applicatif
- Données non archivées ou perdues
Les 3 étapes de la fin de vie
1
Désactivation du service IA
- Ajouter dans la backlog une étape de désactivation planifiée (date ou critère métier)
- Préciser les modalités de coupure (arrêt des containers, suppression de l'instance cloud...)
- Communiquer auprès des utilisateurs
2
Nettoyage ou archivage des modèles
- Mettre en place une politique de rétention (ex : conserver 1 an puis archiver)
- Documenter les modèles pour réutilisation future éventuelle
3
Revue critique des datasets
- Identifier les données à conserver, archiver ou supprimer
- Respecter les obligations RGPD
Donner une seconde vie aux modèles
Les modèles d'IA peuvent enrichir une bibliothèque interne partagée entre les collaborateurs.
À terme, les modèles pourront également avoir une seconde vie avec l'open-source, mais attention aux exigences de conformité au RGPD et de protection des données personnelles.
Conclusion
Les objectifs de cette formation
Cadrer
Un projet d'IA de manière responsable en intégrant des critères de sobriété, d'utilité et d'impact environnemental
Concevoir
Des solutions IA frugales en limitant la volumétrie des données
Choisir
Des modèles d'IA sobres et adaptés en arbitrant entre performance, complexité et coût énergétique
Réduire
L'impact environnemental des phases d'entraînement et d'inférence
Anticiper
La fin de vie des services IA
Ressources pour aller plus loin
🌍 GreenIT.fr
Communauté des acteurs du numérique responsable. Études, outils et bonnes pratiques d'écoconception.
🏛️ ADEME - Numérique responsable
Ressources officielles sur l'impact environnemental du numérique et guides pratiques.
🇫🇷 MiNumEco
Mission interministérielle numérique écoresponsable. RGESN et référentiels publics.
🤗 EcoLogits Calculator
Estimez l'impact environnemental de vos requêtes IA générative sur Hugging Face.
📊 ML CO2 Impact
Calculateur d'empreinte carbone pour l'entraînement de modèles de machine learning.
📈 The Shift Project - Lean ICT
Rapports de référence sur la sobriété numérique et l'impact du digital.
Passez à l'action !
Cette formation vous a donné les clés pour concevoir et mettre en place une IA responsable. Il est maintenant temps de les appliquer dans vos projets.