Comment nous utilisons l’IA chez Tapio

L’intelligence artificielle (IA) est aujourd’hui omniprésente. Qu’il s’agisse de vos outils de travail ou même de WhatsApp, l’IA semble être devenue une nécessité plutôt qu’une fonction supplémentaire.

Dans le même temps, des outils comme ChatGPT ont été critiqués pour leur impact environnemental important, car ils consomment de grandes quantités d’eau, d’énergie et de matières premières.

Cependant, la façon dont le mot « IA » est utilisé crée souvent des malentendus : le terme Intelligence Artificielle inclut plus que les Grands Modèles de Langage (LLM) tels que ChatGPT, Gemini et Falcon, et chaque type d’IA a des impacts environnementaux différents.

Chez Tapio, nous développons des logiciels de gestion du carbone pour aider les entreprises à mesurer et à réduire leur empreinte carbone, nous voulons donc utiliser l’IA de manière responsable. Dans cet article, nous vous expliquons comment.

Qu’est-ce que l’IA ?

​​L’intelligence artificielle est un terme très large qui englobe tout, de la logique qui vous permet de jouer aux échecs contre un ordinateur aux modèles génératifs plus complexes comme les LLM. En termes simples, l’IA désigne les programmes informatiques capables d’effectuer des tâches qui requièrent généralement l’intelligence humaine.

Pour entrer un peu plus dans les détails, voici un exemple de ce que l’IA comprend et de ses définitions (N.B. : cette liste n’est pas exhaustive) :

• Intelligence artificielle : processus d’imitation de l’intelligence humaine, basé sur la création et l’application d’algorithmes.
• Machine learning : utilisation et développement de systèmes informatiques capables d’apprendre et de s’adapter sans suivre d’instructions explicites, en utilisant des algorithmes et des modèles statistiques pour analyser et tirer des conclusions à partir de modèles dans les données.
• Deep learning : un type d’apprentissage automatique basé sur des réseaux neuronaux artificiels dans lesquels plusieurs couches de traitement extraient progressivement des caractéristiques de niveau supérieur à partir des données. Les LLM sont de très grands modèles d’apprentissage profond.
• IA générative : systèmes informatiques capables de copier un comportement humain intelligent et de produire un nouveau contenu, tel qu’un texte.

Ainsi, lorsque les gens parlent d’IA, ils peuvent avoir plusieurs significations.

Le coût environnemental de l’IA

Tous les types d’IA n’ont pas le même impact sur l’environnement. Lorsque vous entendez parler de l’impact environnemental de l’IA, il s’agit probablement des LLM, car ces modèles ont un impact considérable.

La formation, l’ajustement et le déploiement des LLM nécessitent une grande quantité d’énergie et d’eau. Les centres de données ont également besoin d’une grande quantité de matières premières et contribuent à l’augmentation des déchets électroniques.

L’impact de l’IA étant énorme, nous travaillons actuellement à inclure les émissions de carbone de l’IA dans le bilan carbone de Tapio, et invitons tout le monde à faire de même.

Comment nous utilisons l’IA chez Tapio

Nous comprenons que l’IA peut améliorer l’efficacité d’une tâche, mais à ce stade de notre parcours, nous ne voulons pas échanger quelques minutes d’efficacité contre une augmentation des émissions de gaz à effet de serre de Tapio. Si nous utilisons l’IA, nous voulons nous assurer qu’elle représente un grand avantage pour le travail des experts en carbone.

Nous travaillons actuellement sur quelques fonctionnalités, dont l’IA, qui permettront aux experts carbone de gagner du temps lors de la collecte des données et de l’examen des bilans carbone. Cependant, il est possible d’utiliser des modèles d’IA plus responsables. Voici comment procéder :

1. Choisissez des modèles d’IA formés localement plutôt que d’utiliser des modèles formés sur des GPU externes plus énergivores ;
2. Choisissez des modèles d’IA déjà entraînés, mais non affinés. Dans la plupart des cas, cela n’a pas d’impact sur la précision de vos modèles.Comment nous utilisons l’IA chez Tapio

Suggestions de facteurs d’émission

Jusqu’à présent, nous avons utilisé l’IA pour les suggestions de facteurs d’émission, une fonctionnalité qui nous permet d’obtenir une suggestion automatique de facteur d’émission basée sur le nom des données d’activité. Nous avons également utilisé la boîte à outils de détection des anomalies pour détecter automatiquement les anomalies dans les bilans carbone et gagner du temps lors du processus de révision. Cette fonctionnalité est réservée à un usage interne, mais sera bientôt disponible pour tous les utilisateurs.

Dans le cas des suggestions de facteurs d’émission par exemple, pour contrôler notre impact, nous avons opté pour un modèle de taille limitée mais suffisamment efficace pour que les suggestions soient performantes. De plus, ce modèle n’est pas finement réglé, car cela apporterait des gains de performance minimes pour un impact important sur sa consommation d’énergie et ses émissions de carbone.