Mobilité connectée et IA fédérée : comment quantifier et minimiser le coût énergétique ?

Partager sur Twitter : Mobilité connectée et IA fédérée : comment quantifier et minimiser le coût énergétique ? (Nouvelle fenêtre) Partager sur Linkedin : Mobilité connectée et IA fédérée : comment quantifier et minimiser le coût énergétique ? (Nouvelle fenêtre)

Nos villes d’aujourd’hui et de demain

La connectivité est devenue, et continuera d’être, une composante essentielle de nos villes. À Barcelone par exemple, la mobilité connectée repose sur un réseau de capteurs IoT et de télémétrie en temps réel, intégrés aux transports publics. Le centre de gestion du trafic utilise ces flux de données avec l’Intelligence Artificielle (IA) pour synchroniser dynamiquement les feux de signalisation et optimiser les fréquences de passage des bus. Cette interconnexion entre l’infrastructure et les centres de contrôle permet de réduire la congestion de 20% et d’améliorer la ponctualité grâce à l’analyse prédictive des flux de circulation ^[1]. De l’autre côté de L’Atlantique, à Columbus aux États-Unis, l’accent est mis sur l’écosystème « CASE » (Connecté, Autonome, Partagé, Électrique) pour fluidifier les déplacements urbains. La ville a déployé des hubs de mobilité connectés et l’application Pivot, qui agrège les données en temps réel des bus et des services de VTC. En parallèle, des véhicules autonomes équipés de capteurs avancés et connectés aux réseaux urbains, tels que les robotaxis de Zoox, testent la communication entre le véhicule et son environnement pour sécuriser les trajets complexes. En combinant l’Internet des Objets (IoT), la connectivité et l’IA, ces métropoles transforment données en décisions opérationnelles pour développer des villes intelligentes et un réseau routier robuste et durable.

Un des défis posés par l’IA fédérée est qu’elle s’appuie largement sur les ressources de calcul et de communication des clients, avec des coûts énergétiques élevés qu’il est crucial d’optimiser.

Focus sur les véhicules connectés

Les villes intelligentes s’appuient sur les véhicules connectés comme composantes essentielles de leur écosystème numérique et communicant. Les chercheurs du programme Sustainable Mobility à Orange Belfort étudient le cas spécifique de l’utilisation de l’IA dans un contexte de véhicules connectés ainsi que le développement de mécanismes permettant de minimiser les coûts énergétiques. Le sujet gagne en importance avec l’émergence d’équipements connectés, et la croissance du taux de connectivité des voitures qui pourrait atteindre 95% en 2030 ^[2]. Les véhicules connectés et autonomes transformeront la gestion de la mobilité et peuvent générer jusqu’à 25 Gigabytes ^[3] de données par heure : d’une part ils embarquent une multitude de capteurs pour une perception riche de leur environnement, d’autre part les progrès des réseaux de télécommunication permettent des échanges à faible latence entre les véhicules et les infrastructures urbaines, le réseau ou les piétons, c’est ce qu’on appelle la communication V2X (Vehicle-to-Everything). Ces données alimentent des modèles d’IA pour, notamment prédire l’état du trafic, faire des alertes de collision ou privilégier la conduite éco-responsable. Cependant ces services soulèvent des problèmes liés à la confidentialité des données utilisateur. L’IA fédérée, ou Federated Learning (FL), est une approche novatrice standardisée par le 3rd Generation Partnership Project (3GPP) ^[4] qui permet de construire des modèles d’IA performants, sans collecter les données personnelles des utilisateurs ^[5]. Cette approche repose sur l’idée suivante : chaque utilisateur, appelé client, entraîne un modèle uniquement local sur ses propres données (sans jamais les déplacer), puis un serveur central agrège ces modèles pour obtenir un modèle global enrichi des connaissances de chaque client. Ce modèle global est utilisé par tous les clients pour les inférences, exempt de données personnelles. L’IA fédérée a l’avantage de s’appliquer à une grande variété de modèles : réseaux de neurones profonds (réseaux de convolution pour le Computer Vision, réseaux récurrents ou Transformers pour le langage, etc.), des modèles de régression logistique ou encore des arbres de décision et forêts aléatoires. Cette flexibilité permet à l’IA fédérée de s’adapter à un grand nombre de cas d’usages sur des données décentralisées.

Maitriser la consommation énergétique de l’IA fédérée

Un des défis posés par l’IA fédérée est qu’elle s’appuie largement sur les ressources de calcul et de communication des clients, avec des coûts énergétiques élevés qu’il est crucial d’optimiser ^[6-8]. La littérature sur l’optimisation énergétique du FL retient plusieurs aspects, notamment de stratégies telles que la sélection optimale de clients ^[9] ou encore une compression des poids du modèle ^[10], une technique qui réduit l’espace de stockage nécessaire au modèle sans diminuer significativement ses performances. Néanmoins, la plupart des travaux considèrent un environnement statique qui n’est donc pas sujet aux variations de l’état du réseau mobile ^[11], avec par conséquent des estimations de coût énergétique qui ne sont, d’une part, non généralisables au cas d’étude véhiculaire à cause de la fluctuation rapide de l’état des clients véhicules (en particulier l’état de connectivité au réseau mobile), et qui d’autre part, reposent sur des approximations théoriques.

De la théorie à la pratique

L’équipe de recherche de Belfort a mené une preuve de concept sur la faisabilité de l’IA fédérée sur le réseau Orange, ainsi qu’une quantification sur le terrain du coût énergétique de ce service pour le client. L’architecture de test s’appuie sur une plateforme V2X déployée sur le site de Belfort. Un serveur MQTT (Message Queuing Telemetry Transport) joue le rôle de serveur d’apprentissage fédéré et envoie un trigger MQTT, c’est-à-dire un message d’alerte, au véhicule connecté en mouvement. Le véhicule, qui dans ce test joue le rôle de plusieurs clients, effectue ensuite une requête http sécurisée par une authentification d’accès de base pour télécharger le modèle global courant et calculer les modèles locaux avec le framework PyTorch de Python. Enfin le véhicule transmet les modèles client au serveur MQTT pour l’agrégation. Le coût énergétique des calculs est estimé sur le matériel en temps réel par la librairie Python CodeCarbon ^[12], choisie pour des raisons de compatibilité matérielle et de simplicité d’utilisation. CodeCarbon estime le coût énergétique de l’exécution du code Python à partir de la consommation électrique des composants de calcul de l’ordinateur (CPU, GPU et RAM). Quant au coût des communications avec le serveur, il est calculé à partir de la mesure des KPI (Key Performance Indicators) du réseau, en particulier via le ratio signal-sur-bruit (SNR) qui permet d’estimer la capacité du canal de transmission du véhicule à chaque instant. Les cartes ci-dessous illustrent l’exemple d’un trajet effectué avec à gauche la vitesse du véhicule, et à droite l’énergie de communication estimée par transmission de modèle.  Les mesures permettent d’observer l’impact de la mobilité sur la qualité du signal, mais aussi d’identifier des leviers pour optimiser le coût énergétique de l’IA fédérée. En particulier, le coût énergétique par transmission de paquet côté client est en moyenne 30% supérieur lorsque le client effectue un handover, c’est-à-dire bascule d’une antenne relais à une autre lors de son déplacement.

Perspectives

Pour réduire ce surcoût énergétique, les chercheurs d’Orange Belfort étudient plusieurs pistes. Premièrement, une stratégie de participation partielle où sont sélectionnés les clients qui ont la plus faible probabilité d’être sujets à des handovers.  Une seconde piste consiste en un mécanisme de mise en attente de transmission où le client attend que ses conditions radio se stabilisent avant de transmettre son modèle local. Pour être encore plus robuste, cette solution peut être combinée à des méthodes d’agrégation non synchrone côté serveur. Contrairement à une méthode synchrone dans laquelle le serveur attend de recevoir tous les modèles locaux avant de continuer le processus d’apprentissage, le modèle global est ici mis à jour au fur et à mesure des réceptions des modèles locaux.