La MITSloan Mangement Review analyse le défi énergétique que représente le développement des systèmes intelligents comme les grands modèles de langage, dont ChatGPT est le plus connu. En effet, bien que l'intelligence artificielle (IA) puisse devenir un outil décisif pour accroître l'efficacité des initiatives de développement durable, elle pourrait en même temps freiner les efforts collectifs visant à diminuer les émissions de gaz à effet de serre (GES) et à atténuer l'urgence climatique mondiale.

L'un des défis est la difficulté à estimer la consommation d'énergie des modèles d'IA et d'apprentissage automatique comme première étape pour commencer à maîtriser le problème. La situation devient encore plus complexe lorsqu'on considère que la plupart des entreprises qui développent des outils d'IA ne mesurent ni ne divulguent ces paramètres. Apparemment, la quantité d'énergie consommée lors du déploiement des modèles intelligents est encore moins bien comprise que celle qui est utilisée lors de leur conception.

Bien qu'il soit possible de trouver plusieurs logiciels qui permettent de mesurer l'ampleur des émissions produites par un projet d'IA, le facteur décisif serait d'aborder chaque étape du cycle de vie du développement, de la mise en œuvre et de l'adoption finale.

C'est pourquoi on propose une démarche en trois étapes qui, appliquée tout au long du cycle de vie de l'IA, devrait permettre de générer plus de valeur avec moins de données et de réduire les coûts, en plus de réduire l'impact environnemental de l'IA :

1. Repenser
   Il s'agit d'évaluer le volume de données qui permettrait d'obtenir les résultats les plus précis dans un projet d'IA tout en réduisant les besoins énergétiques. Par exemple, il a été constaté, dans une expérience avec un ensemble de données Kaggle de scènes naturelles, que l'utilisation de 70 % des données lors de la formation d'un modèle de vision par ordinateur réduisait sa précision de moins de 1 %, tandis que la consommation d'énergie chutait de 47 %. En général, les entreprises devraient réfléchir à la technique d'IA la plus appropriée selon les tâches qu'elles doivent accomplir.
2. Réutiliser
   Les coûts et les émissions liés aux calculs et au stockage des données peuvent être réduits par des techniques telles que l'apprentissage par transfert. Cela permet la réutilisation d'un modèle, entraîné pour accomplir une tâche, dans une autre tâche connexe. En guise d'exemple, les experts notent que grâce à l'utilisation de cette technique, on a pu atteindre 4 fois plus vite un haut niveau de précision de 95 % dans la formation d'un modèle de vision par ordinateur que si on avait démarré le projet de zéro. De plus, la consommation d'énergie a été réduite de 99,3 %.
3. Réduire
   Cette étape correspond à la mise au point de nouvelles techniques qui permettent d'optimiser l'énergie. Par exemple, des chercheurs du Harbin Institute of Technology et de l'Université de Leeds ont développé le GPOEO, un cadre d'optimisation énergétique en ligne micro-intrusive des processeurs graphiques qui peut ajuster automatiquement les paramètres énergétiques de ceux-ci en fonction du type et du modèle de tâches qu'ils effectuent.