AFNOR SPEC 2314 : les bonnes pratiques de l'IA frugale

Par L'équipe GenerIA   |   22 oct. 2024   |   5 m.

Partagez cet article :

De la conception des projets à l'acculturation des utilisateurs, l'IA frugale est avant tout affaire de bonnes pratiques. Nombreuses et complémentaires, elles sont détaillées dans le référentiel AFNOR SPEC 2314. En voici un résumé thématique.

#1 Evaluation continue : avant, pendant, après

Avant de développer un système d'IA, il est essentiel de définir les besoins réels de l'organisation, à partir de quelques questions clés. Quel problème l'IA doit-elle résoudre ? Quels sont les objectifs à atteindre ? Avec quels moyens techniques et énergétiques ?

Une évaluation rigoureuse en amont permet d'éviter le développement de solutions superflues et de concentrer les ressources sur des projets à forte valeur ajoutée. Il est tout aussi nécessaire, une fois le système d'IA déployé, de mettre en place des mécanismes permettant de mesurer l'efficacité de la solution, d'identifier les domaines d'amélioration et d'ajuster les pratiques en conséquence.

Ce pilotage découle de deux stratégies parallèles :

• Métrologie continue : mettre en place des tests pour mesurer l'efficacité et l'efficience des modèles en production.
• Amélioration continue: adopter une approche itérative pour affiner les modèles en fonction des retours d'expérience.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 01 - Utiliser des méthodes d'analyse de besoin pour mettre en oeuvre la frugalité
• BP 13 - Piloter la performance environnementale des systèmes d'IA
• BP 23 - Réaliser une estimation de la consommation du modèle a priori
• BP 25 - Faire évoluer les stratégies de mesure en fonction des enjeux et des contraintes pour maintenir la frugalité du service d'IA
• BP 31 - A/B testing de modèles pour identifier le modèle avec le meilleur ratio performance/ressources

#2 Choix et optimisation des données

La qualité des données détermine le succès d'un projet d'IA. L'AFNOR recommande de privilégier des ensembles de données dont on a établi la pertinence, la diversité et la représentativité. Il est également important de veiller à ce que les données sélectionnées soient accessibles et utilisables sans nécessiter de ressources excessives. L'utilisation de données ouvertes et de sources collaboratives peut à ce titre contribuer à une approche plus frugale.

Pour tout cela, deux étapes préparatoires s'avèrent incontournables :

• Collecte ciblée : ne collecter que les données nécessaires pour répondre à un besoin spécifique.
• Prétraitement des données : nettoyer et transformer les données pour en maximiser la qualité et la pertinence.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 06 - Maîtriser le volume des données
• BP 07 - Travailler sur la qualité des données
• BP 08 - Utiliser un jeu de données pertinent pour concevoir le service d'IA
• BP 10 - Définir des règles de stockage des données en fonction des usages
• BP 15 - Faire de la compression de données
• BP 19 - Utiliser des jeux de données open source pour le prototypage

#3 Choix et optimisation des algorithmes

L'optimisation des algorithmes est une étape clé pour parvenir à des modèles simples et efficaces qui garantissent une IA frugale. Cette optimisation passe par la sélection d'algorithmes moins gourmands en ressources et/ou l'adaptation d'algorithmes existants pour qu'ils soient plus efficaces. Elle peut aussi inclure le portage de certains calculs vers des langages plus proches du matériel (C, Rust, etc.).

L'AFNOR encourage également l'utilisation de techniques telles que l'élagage ("pruning") et la quantification (adoption de types de données numériques plus légers) qui réduisent la taille des modèles tout en maintenant leur performance et en augmentant leur explicabilité.

Deux boussoles sont donc à suivre :

• Simplicité : les algorithmes moins complexes sont plus facilement interprétés et déployés.
• Transparence : les décisions prises par les modèles plus simples peuvent être plus facilement expliquées, ce qui renforce la confiance des utilisateurs.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 02 - Choisir et développer la solution pour répondre spécifiquement au besoin, en considérant les alternatives à l'IA
• BP 03 - Utiliser des méthodes de compression pour réduire l'empreinte des algorithmes d'IA
• BP 04 - Définir des critères justifiant le ré-entraînement du modèle
• BP 26 - Écrire du code pouvant être amélioré par plusieurs personnes et ré-implémenté sur plusieurs environnements
• BP 27 - Rationaliser les modèles
• BP 28 - Décomposer un gros modèle d'IA en plusieurs petits modèles
• BP 29 - Réutiliser des algorithmes entraînés et partager les algorithmes réalisés (Open Source)
• BP 30 - Privilégier des modèles plus frugaux

#4 Economie énergétique des infrastructures

L'AFNOR souligne à juste titre l'importance du choix des infrastructures de calcul dans l'efficacité énergétique des modèles d'IA. En effet, outre les spécifications électriques des serveurs et processeurs nécessaires aux entraînements et à la production, l'efficacité énergétique (PUE) des datacenters et les spécificités des sources d'énergie qui les alimentent (hydro-électricité, nucléaire, charbon…) sont des éléments prépondérants de l'impact environnemental de l'IA. Les prendre en compte dès la phase de conception permet de rendre les déploiements plus vertueux.

Deux critères principaux doivent donc être retenus :

• Efficacité énergétique : privilégier des infrastructures (centre de données, matériels…) et des algorithmes qui consomment moins d'énergie.
• Durabilité : concevoir le cycle de vie des projets d'IA sur la base de pratiques durables, à commencer par le choix de la source et des fournisseurs d'électricité.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 20 - Optimiser l'usage de l'équipement existant
• BP 22 - Favoriser les terminaux utilisateurs/salariés existants pour l'entraînement ou l'inférence du service d'IA
• BP 24 - Assurer la frugalité des infrastructures tout au long de l'exploitation

#5 Collaboration et partage des normes, connaissances et outils de mesure

La collaboration entre les différents acteurs du secteur est essentielle pour promouvoir une IA frugale. L'AFNOR encourage la diffusion voire la mise en commun des meilleures pratiques, des outils et des ressources. Les partenariats entre entreprises clients, producteurs d'IA et universités favorisent l'innovation et minimisent à la fois les coûts et la redondance des efforts.

Cette collaboration repose sur deux piliers indissociables :

• Partage des connaissances : échanger les bonnes pratiques et les leçons apprises au sein de la communauté.
• Normes communes : adopter les normes qui favorisent l'interopérabilité et la compatibilité entre les systèmes.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 09 - Intégrer la frugalité dans les critères de pertinence de l'IA
• BP 12 - Instruire la frugalité dans chaque projet IA grâce au cycle de vie
• BP 16 - Identifier & mobiliser le vivier de compétences IA frugale
• BP 17 - Mettre en place et animer le référentiel unique de « services IA » frugaux
• BP 18 - Avoir une offre de produits numériques IA sur étagère favorisant la frugalité
• BP 21 - Créer un référentiel des impacts environnementaux des projets

#6 Éthique et responsabilité : sensibilisation et formation

Pour que les bonnes pratiques de l'IA frugale soient adoptées, il est essentiel de sensibiliser et de former les équipes impliquées dans le développement et l'utilisation des solutions. L'AFNOR propose des thématiques de programmes de formation pour aider les professionnels à comprendre les enjeux de l'IA frugale et à intégrer ces principes dans leur travail quotidien.

Parmi les enjeux concernés, deux requièrent une attention toute particulière :

• Biais et équité : par essence, des biais existent dans les données et les modèles, qui doivent être minimisés sinon totalement éliminés.
• Impact social : évaluer l'impact social de la solution d'IA envisagée pour s'assurer qu'elle bénéficie au plus grand nombre, sans effets de bord négatifs.
• Les bonnes pratiques AFNOR SPEC 2314 applicables :

• BP 05 - Mettre en oeuvre des mesures d'éco-conception en phase de développement
• BP 11 - Prévoir la fin de vie dans la gestion d'un projet IA
• BP 14 - Acculturer et former les parties prenantes

Conclusion

Validation du besoin, efficacité énergétique des infrastructures, optimisation pertinente des données et des algorithmes, acculturation des développeurs et des utilisateurs… les bonnes pratiques présentées en détail dans le Référentiel AFNOR promettent des solutions d'IA à la fois efficaces, durables et éthiques. Parce qu'elles nous amènent à repenser les technologies avancées, se pourrait-il que certaines évoluent un jour en régulations contraignantes ?