Intelligence artificielle frugale : pourquoi, quoi et comment ?

• Digital
• IA
• Machine learning
• Recherche
• RSE

Partager sur Twitter : Intelligence artificielle frugale : pourquoi, quoi et comment ? (Nouvelle fenêtre) Partager sur Linkedin : Intelligence artificielle frugale : pourquoi, quoi et comment ? (Nouvelle fenêtre)

Pourquoi l’IA frugale ?

L’IA générative, en tant que dernière révolution numérique, transforme les usages technologiques tout en mettant en lumière des enjeux cruciaux tels que la responsabilité, la sécurité et l’éthique. Cependant, l’empreinte environnementale du numérique, représentant déjà environ 4 % des émissions mondiales de gaz à effet de serre, reste souvent négligée. La montée en puissance de l’IA risque d’amplifier cette empreinte, accentuant la pression sur des ressources vitales telles que l’eau et l’électricité. Face à ce constat, le concept d’IA frugale émerge, remettant en question la tension entre le développement rapide de l’IA et les limites planétaires.

Historiquement, l’innovation frugale était associée aux pays à faibles revenus confrontés à de graves contraintes de ressources. Aujourd’hui, elle est reconnue comme pertinente à tous les niveaux de développement. Le terme « frugal » ne se limite pas à faire plus avec moins : il implique également de concevoir des méthodes accessibles et durables sur le long terme. L’innovation frugale se caractérise par sa solidité, sa fonctionnalité, son accessibilité économique et son ancrage local. Elle représente une opportunité d’innover de manière efficace et durable dans un contexte de rareté des ressources.

Pour comprendre, adopter et mettre en œuvre les principes de l’IA frugale, la société doit remettre en question ses habitudes actuelles et réduire ses besoins dans les limites des capacités écologiques de la planète.

Qu’est-ce que l’IA frugale ?

L’IA frugale se situe à l’intersection de quatre domaines : l’économie, la technologie, la société et le changement climatique.

Figure 1 : l’IA frugale est un domaine multidisciplinaire.

Le concept de sobriété numérique est souvent utilisé de manière interchangeable avec celui d’IA frugale. Bien que partageant un objectif commun de durabilité, ces deux notions diffèrent par leur portée. En général, la sobriété numérique vise à promouvoir des pratiques numériques responsables auprès des utilisateurs et des entreprises, en cohérence avec les objectifs environnementaux globaux.

L’IA frugale, quant à elle, désigne l’usage de technologies intelligentes pour développer des solutions efficaces, économes et conscientes des ressources. Elle permet aux systèmes d’apprendre, d’automatiser et de prendre des décisions avec une intervention humaine minime, en mettant l’accent sur l’accessibilité, l’abordabilité et l’adaptabilité dans des environnements limités en ressources. Les techniques d’optimisation permettent à l’IA de fonctionner efficacement au sein d’infrastructures limitées, ce qui en fait une approche essentielle là où les méthodes conventionnelles s’avèrent peu viables.

À mesure que les technologies d’IA progressent, deux concepts clés, la frugalité et l’ efficacité , s’imposent comme des considérations majeures, tant dans la recherche que dans les applications concrètes. Ces termes pouvant sembler similaires, une question naturelle se pose : en quoi diffèrent-ils de ce qui était déjà connu ? La réponse réside dans les principes qu’ils incarnent en matière de conception et de déploiement des systèmes d’IA.

L’efficacité désigne l’utilisation optimale des ressources pour atteindre des objectifs de performance, en se concentrant sur l’efficacité computationnelle, algorithmique et opérationnelle.

Ce concept, apparu avant celui de frugalité, en constitue néanmoins un élément fondamental.

La frugalité se distingue principalement par sa volonté d’intégrer dès la phase de conception des critères d’accessibilité économique, de simplicité, d’évolutivité et de durabilité, plutôt que d’optimiser des systèmes existants.

 Elle incarne une philosophie plus large que celle de l’efficacité, en valorisant le minimalisme, l’accessibilité, la durabilité et le développement contextuel. Cela implique de concevoir des systèmes d’IA capables de fonctionner sous des contraintes strictes de ressources, ce qui conduit souvent à des solutions novatrices, économiques et durables.

« Le fait que les ingénieurs travaillent avec des contraintes n’a rien de nouveau. Mais nous soutenons que la nature de ces contraintes a évolué : nous sommes passés d’une logique d’efficacité pure ou de précision technique à un ensemble de contraintes orientées par la mission. » Source : Bhatti, Yasser Ahmad « ( Ventresca, Marc, The Emerging Market for Frugal Innovation: Fad, Fashion, or Fit? (15 janvier 2012).

Dans la littérature, plusieurs termes sont utilisés de manière interchangeable pour décrire les aspects de la gestion des ressources en intelligence artificielle. Comprendre ces notions permet de mieux distinguer la frugalité des autres approches :

• IA « lean » : réduction des gaspillages et de la complexité.
• IA durable : réduction de l’empreinte environnementale.
• IA verte : obtention de résultats sans augmentation du coût computationnel.
• IA responsable : développement et déploiement de l’IA de manière sûre et éthique.

Principes clés des technologies et solutions d’IA frugale (IAF)

1. Efficacité : priorité à l’efficacité énergétique et computationnelle. L’IA frugale ( IAF ) vise à réduire l’impact environnemental en limitant la consommation énergétique et en valorisant une utilisation judicieuse des ressources disponibles. Cela peut conduire à des approches innovantes et contextuelles, différentes des modèles d’IA traditionnels, souvent gourmands en ressources.
2. Accessibilité économique : Rendre l’IA accessible indépendamment des moyens financiers. La frugalité met l’accent sur la création de solutions d’IA adaptées aux environnements touchés par des contraintes de ressources, notamment dans les régions en développement ou au sein d’entreprises disposant de budgets limités.
3. Simplicité : Favoriser des solutions simples et intuitives. La conception d’une solution frugale commence par une question essentielle : les besoins de l’environnement ciblé sont-ils pleinement compris ? Les systèmes d’IA frugale sont conçus pour fonctionner efficacement tout en évitant toute complexité inutile.
4. Évolutivité : Concevoir des systèmes modulaires et adaptables.

Comment Orange agit

Orange traduit activement les principes de l’IA frugale en pratiques concrètes au sein de ses équipes de recherche, d’ingénierie et de développement produit, en cohérence avec sa trajectoire Net Zéro Carbone et ses engagements ESG.

• Mesurer pour agir Un outil interne de gestion carbone est en cours de déploiement pour guider et rationaliser les décisions liées à l’intégration de l’IA dans les produits et services.
• Promouvoir l’IA frugale en interne Orange encourage une culture de l’IA responsable, en sensibilisant à l’usage raisonné des technologies numériques pour limiter leur impact environnemental.
• Optimiser systématiquement : recours à des techniques telles que la compression de modèles (quantification, élagage, distillation), un apprentissage économe en données des stratégies de déploiement prenant en compte l’empreinte carbone (dimensionnement adapté, inférence en périphérie ou embarquée le cas échéant).
• Opérer de manière responsable : ciblage de matériel économe en énergie, exécution des charges de travail dans des régions ou créneaux horaires à faible empreinte carbone, suppression des ressources obsolètes pour réduire la consommation énergétique.
• Partager et renforcer la gouvernance : Orange maintient une gouvernance transparente via sa stratégie IA de confiance, soutenue par la charte DATA & IA et le conseil éthique.

Ces mesures s’inscrivent dans les initiatives plus larges d’Orange visant à réduire la consommation énergétique, les déchets numériques et la pollution électronique, tout en garantissant une IA fiable, éthique et durable.

Défis liés à l’intelligence artificielle frugale (IAF)

Le développement et le déploiement de modèles d’IA nécessitent une collecte de données massive, des étapes de prétraitement complexes, ainsi qu’une consommation énergétique importante pour l’entraînement et l’exécution des modèles. Autrement dit, les avancées en IA s’accompagnent généralement de coûts computationnels et environnementaux élevés, notamment en termes d’émissions de CO₂.

Le concept d’IA frugale (IAF) a émergé comme un cadre visant à réduire la dépendance aux ressources, tout en préservant l’efficacité des systèmes d’IA.

Deux contraintes principales sont associées à l’IAF :

• Les ressources nécessaires à la fabrication et à l’entretien des équipements.
• L’utilisation des ressources pendant les opérations d’IA, notamment la réduction du volume de données pour l’entraînement et l’inférence, la diminution de la consommation de mémoire, de puissance de calcul et de batterie.

L’IA frugale met l’accent sur une durabilité pensée dès la conception, avec pour objectif de limiter l’impact environnemental en cas de déploiement à grande échelle. Pour comprendre, adopter et mettre en œuvre les principes de l’IA frugale, la société doit remettre en question ses habitudes actuelles et réduire ses besoins dans les limites des capacités écologiques de la planète.

Stratégies de conception pour l’IA frugale

Pour atteindre les objectifs de frugalité en matière d’IA, plusieurs approches complémentaires peuvent être explorées :

Principes d’éco-conception : Adopter une démarche d’éco-conception dès les premières phases d’un projet peut avoir un impact significatif sur le résultat final. Il est essentiel de sélectionner uniquement les fonctionnalités indispensables et de développer des méthodes adaptées aux besoins réels. Il convient d’éviter de suivre les effets de mode (par exemple, utiliser l’IA générative sans justification pertinente dans un cas d’usage donné) et de privilégier la mesure des impacts potentiels tout au long du cycle de vie du projet. Ces stratégies permettent de mieux anticiper les risques et de garantir que des ajustements appropriés puissent être mis en œuvre, même à des stades avancés du projet, pour compenser d’éventuelles hypothèses initiales erronées.

Conception consciente des ressources : adapter les systèmes d’IA aux ressources disponibles, en tenant compte des contraintes matérielles, énergétiques et environnementales.

Réutilisation et adaptation : utiliser des modèles pré-entraînés pour réduire les coûts d’entraînement.

Optimisations de l’IA : L’ensemble des méthodes connues en matière d’efficacité peut être mobilisé :

• Techniques de compression de modèles
• Techniques d’optimisation matérielle
• Techniques d’optimisation algorithmique
• Techniques d’optimisation des déploiements
• Méthodes d’efficacité des données

Une description détaillée de chaque groupe de techniques et des méthodes associées est disponible dans le document d’étude d’Orange sur l’IA frugale [1].

Facteurs clés de succès pour l’adoption de l’innovation frugale

Selon l’étude de Kannan Govindan, deux facteurs sont identifiés comme les plus influents pour une adoption réussie de l’innovation frugale en IA, à la fois économique, scalable et durable : la compréhension du concept d’intelligence artificielle et le niveau d’investissement en IA.

Des programmes de formation structurés, associés à une sensibilisation à l’intelligence artificielle et à la sobriété numérique, sont recommandés pour renforcer la compréhension à l’échelle de l’entreprise et soutenir une prise de décision éclairée.

Conclusion

L’IA frugale incarne un changement de paradigme visant à concevoir des systèmes d’IA intrinsèquement économes en ressources, accessibles et durables. Alors que l’efficacité vise à optimiser les processus existants, la frugalité cherche à les repenser et les redéfinir. À mesure que l’intelligence artificielle poursuit son expansion, les principes et pratiques de l’IA frugale deviennent essentiels pour garantir que les progrès technologiques restent en phase avec les besoins environnementaux et sociétaux.

Recommandations de conception de l’IA frugale :

• Comprendre les impacts de l’IA sur la société et l’environnement ;
• Intégrer les principes d’éco-conception dès les premières phases du projet ;
• Explorer des configurations alternatives adaptées à des ressources limitées ;
• Développer des solutions d’IA ciblées sur les besoins réels ;
• Respecter les recommandations, spécifications et réglementations en vigueur.