L’IA pose un défi en matière de durabilité
Selon la dernière étude Gartner, l’augmentation de la consommation d’électricité en raison de l’IA va entraîner des pénuries d’électricité, restreignant l’exploitation et les opérations de 40 % des centres de données dédiés à l’IA d’ici 2027. En ligne de mire pour les deux prochaines années, les analystes alertent sur une prévision de croissance de consommation énergétique de 160 % pour les centres de données.
Autre projection inquiétante, selon Wells Fargo, la demande en électricité pour faire tourner l’IA devrait plus que décupler d’ici 2030 (+1150 %).
Or, toujours selon Gartner, l’énergie nécessaire pour faire fonctionner les serveurs IA atteindra 500 térawattheures (TWh) par an en 2027, soit 2,6 fois le niveau en 2023. En effet, il faut de gigantesques volumes de données pour entraîner les modèles de grande taille (Large Language Model) pour les applications GenAI.
Ainsi, « la croissance des nouveaux centres de données hyperscale pour mettre en œuvre la GenAI crée une demande insatiable en énergie qui dépassera la capacité des fournisseurs d’électricité à étendre leur offre assez rapidement » précise Bob Johnson, Vice-Président Analyste chez Gartner. Alors, se pose la question de la disponibilité énergétique, des pénuries, des hausses de coûts des LLM et du développement éventuel d’autres centres de données.
Le sujet de l’essor de l’IA est ancré au cœur des discussions : rester dans la course à l’innovation certes, mais mesurer la consommation énergétique. Outre, de possibles négociations pour les contrats énergétiques des centres de données, il est temps de penser à des démarches moins énergivores.
Les clés d’une approche durable pour intégrer l’IA
Alors, de quelle manière intégrer une IA durable ? Plusieurs pistes sont, d’ores et déjà, envisagées.
Ainsi, l’équipe AI Research de Salesforce, au-delà de prendre en compte et d’analyser le cycle de vie entier de l’IA (extraction des matériaux, fabrication des composants et des équipements, logistique, énergie et ressources consommées pour entraîner les Large Language Model), se focalise sur les principes de conception de l’IA responsable, en s’appuyant sur différents piliers.
Premier pilier : l’optimisation des modèles. L’énergie indispensable à l’entraînement d’un modèle dépend du nombre des paramètres et de la taille des données d’entraînement. L’équipe préconise le développement de modèles spécifiques à un domaine, et personnalisés en fonction des applications prévues. Si les modèles plus petits sont plus rentables, plus faciles à optimiser et fonctionnent plus rapidement, pour une expérience utilisateur améliorée, les modèles doivent être conçus dans une optique de durabilité, de l’architecture à l’interface utilisateur.
Second pilier : le choix du matériel pour déployer et entraîner l’IA. Après l’optimisation du modèle, il faut choisir le hardware pour former et déployer une IA.
Troisième pilier : des centres de données à faibles émissions de carbone. Il est important de savoir quels centres de données sont utilisés pour former et déployer l’IA.
Aligner la stratégie IA avec les objectifs de durabilité
Si l’IA offre des avantages pour le développement durable grâce à ses actions de surveillance et d’optimisation, son impact environnemental préoccupe grandement. Quand on observe que seulement 35 % des organisations considèrent l’empreinte énergétique de leurs solutions d’IA (contre 55 % non) selon le baromètre mondial de la durabilité de Kyndryl & Microsoft, il y a urgence à agir.
À noter toutefois que 84 % des organisations accordent une importance stratégique à la réalisation des objectifs de développement durable. Mais, seules 21 % utilisent la technologie pour réduire leur empreinte environnementale et définir leur stratégie en matière de développement durable.
Aussi, intégrer l’objectif durable dans la stratégie IA est crucial pour mesurer précisément les émissions des infrastructures, optimiser les architectures d’IA, y compris les modèles de machine learning, minimiser la consommation énergétique et réduire les déchets.
Enfin, Gartner conseille fortement de réévaluer les intentions de durabilité en matière d’émissions de CO₂, et mesurer les besoins énergétiques des centres de données. Pour une stratégie IA efficiente et durable, nul doute qu’il faut accentuer les efforts d’optimisation des ressources computationnelles, explorer des solutions plus respectueuses, et utiliser des modèles de langage plus petits SLM (Small Language Model), bien moins consommateurs en électricité.
