Vers une Intelligence Artificielle Numérique Responsable

Towards Responsible Digital Artificial Intelligence

• Auteur / Autrice : Angela Voinea
• Direction : Vincent Courboulay
• Type : Thèse de doctorat
• Discipline(s) : Informatique et Applications
• Date : Soutenance le 11/07/2024
• Etablissement(s) : La Rochelle
• Ecole(s) doctorale(s) : École doctorale Euclide (La Rochelle ; 2018-....)
• Partenaire(s) de recherche : Laboratoire : Laboratoire Informatique, Image, Interaction (La Rochelle) - Laboratoire Informatique, Image et Interaction
• Jury : Président / Présidente : Karell Bertet
• Jury : Examinateurs / Examinatrices : Karell Bertet, Christine Fernandez-Maloigne, Denis Hamad
• Jury : Rapporteur / Rapporteuse : Christine Fernandez-Maloigne, Denis Hamad

Mots clés

Mots clés contrôlés

Apprentissage profond

Écologie numérique

Informatique dans les nuages

Entreprises

Consommation d'énergie

Intelligence artificielle

Mots clés libres

Intelligence Artificielle

Deep Learning

NLP

Numérique Responsable

Énergie

Consommation

Durable

Artificial Intelligence

Deep Learning

NLP

Responsible Digital

Energy

Consumption

Sustainable

Résumé

Le numérique pollue, et l’Intelligence Artificielle tout particulièrement ! La consommation d’énergie est de plus en plus une préoccupation dans de nombreux domaines, y compris pour les domaines de l’IA. Un constat partagé, la consommation d’énergie de l’IA a considérablement augmenté au cours des dernières années, tant pour la partie matérielle nécessaire pour la construction des solutions que pour les solutions en elles-mêmes, notamment en raison de l’explosion des services basés sur l’IA et de l’énorme quantité de données nécessaire. Dans le passé, la consommation d’énergie était principalement un sujet lié au matériel utilisé avec sa capacité d’utiliser le moins possible d’énergie pour effectuer des tâches. Aujourd’hui, la partie applicative est aussi importante que le matériel, et elle est également responsable de l’augmentation de l’énergie consommée. Avec l’émergence du Cloud Computing et l’adoption de plus en plus des infrastructures hébergées dans le Cloud ont modifié la perception des entreprises et des usagers sur la consommation énergétique des applications IA. Avec des ressources matérielles et des services dématérialisés, facilement scalables à travers les plate-formes Cloud, beaucoup d’entreprises tendent à ne pas donner d’importance à l’optimisation énergétique de leurs solutions d’IA. L’objectif de cette thèse est d’aider les entreprises et les usagers à comprendre et à introduire la conception de solutions d’IA plus responsables, afin de réduire leur consommation d’énergie et de fournir des services plus frugaux en termes de consommation d’énergie. Nous contribuons de cette manière à la conception de solutions IA plus écologiques et plus durables. Pour le faire, nous commençons par mener un état de l’art sur l’évolution des solutions IA, afin de discuter des multiples facettes auxquels il faut s’intéresser une fois lancé dans une démarche responsable autour du numérique, et particulièrement l’IA. Pour réduire la consommation énergétique des solutions IA, les entreprises et l’ensemble des usages doivent d’abord être capables de la mesurer et suivre son évolution. Le choix des outils de mesure de ce type de solution reste encore un vrai challenge aujourd’hui du fait que la mesure doit être réalisée sur l’ensemble du cycle de vie des solutions afin de pouvoir mettre en évidence les parties qui nécessitent une optimisation afin de réduire la consommation d’énergie. Une fois les outils capables de mesurer la consommation d’énergie des applications IA sont en place, le travail d’analyse et d’optimisation pour procéder à la réduction d’énergie et la réalisation des solutions plus responsables de point de vue numérique peut commencer. Cette thèse propose aux entreprises des solutions concrètes pour rendre l’utilisation des applications IA plus responsables et surtout des solutions sans besoin de remettre en cause la partie matérielle déjà en place.

Digital technology pollutes, and Artificial Intelligence (AI) in particular. Energy consumption is increasingly a concern in many areas, including AI domains. A shared observation is that AI’s energy consumption has significantly increased over the past few years, both for the hardware needed to build solutions and for the solutions themselves, notably due to the explosion of AI-based services and the vast amount of data required. In the past, energy consumption was mainly a topic related to the hardware used, with its ability to use as little energy as possible to perform tasks. Today, the application part is as important as the hardware, and it is also responsible for the increase in energy consumed. The goal of this thesis is to help companies and users understand and introduce the design of more responsible AI solutions, in order to reduce their energy consumption and provide more frugal services in terms of energy use. In this way, we contribute to the design of greener and more sustainable AI solutions. To do this, we begin by conducting a state-of-the-art review on the evolution of AI solutions, in order to discuss the multiple facets that must be considered once embarked on a responsible approach around digital technology, and particularly AI. To reduce the energy consumption of AI solutions, companies and all users must first be able to measure it and track its evolution. The choice of measurement tools for this type of solution remains a real challenge today because the measurement must be carried out over the entire lifecycle of the solutions in order to highlight the parts that require optimization to reduce energy consumption .Once the devices (or solutions) capable of measuring the energy consumption of AI applications are in place, the work of analysis and optimization to proceed with energy reduction and the realization of more digitally responsible solutions can begin. Furthermore, the emergence of cloud computing and the growing adoption of cloud infrastructure shave changed companies’ perception of energy consumption. With the dematerialized and easily scalable resources offered by the cloud, many companies tend to give less importance to the energy optimization of their AI solutions. This thesis offers companies concrete solutions to make the use of AI applications more responsible and especially solutions that do not require questioning the already existing hardware part.