IA frugale : Introduction au Référentiel AFNOR SPEC 2314

Par L'équipe GenerIA   |   8 oct. 2024   |   5 m.

Partagez cet article :

Favoriser l'innovation sans précipiter l'attrition des ressources naturelles. Voilà la raison d'être de l'intelligence artificielle frugale, dont l'AFNOR se propose de normaliser la définition, les contours et les pratiques.

C'est aujourd'hui une certitude abondamment documentée, le développement et le déploiement de l'IA posent des défis majeurs en matière de consommation de ressources et d'impact environnemental. Pour contenir et, pourquoi pas, inverser ces tendances, il est essentiel d'adopter des pratiques responsables et durables. Dans cette perspective, le Référentiel AFNOR (Association Française de Normalisation) SPEC 2314 arrive à point nommé. Rigoureux, écrit en partenariat avec des spécialistes du secteur, il formalise des recommandations précieuses qui guident les entreprises et leurs collaborateurs dans l'implémentation et l'utilisation d'intelligences artificielles frugales.

Dans le domaine de l'IA, la frugalité se définit comme une approche visant à concevoir des systèmes efficaces en termes de consommation de ressources, tout en maintenant des performances de haut niveau. Contrairement aux modèles d'IA traditionnels, qui nécessitent souvent d'énormes quantités de données et donc de calculs de modélisation, l'IA frugale cherche à optimiser l'utilisation des ressources disponibles. Ce qui inclut la réduction de la consommation d'énergie (et ainsi des émissions de CO2 et du stress hydrique), une évaluation juste des besoins en données et l'utilisation de technologies accessibles au commun des organisations, pas uniquement aux géants technologiques.

Les principes de l'IA frugale

Le référentiel de l'AFNOR identifie six principes fondamentaux qui sous-tendent l'IA frugale :

1. L'efficacité des ressources - L'IA frugale privilégie des algorithmes et des modèles qui consomment moins de ressources, tant en termes de données que de puissance de calcul. Il en résulte mécaniquement une réduction importante de son empreinte carbone et hydrique.
2. La durabilité - L'accent est mis ici sur la création de solutions ayant un impact environnemental minimal tout au long de leur cycle de vie, pas uniquement lors de la construction des modèles. Cette dimension se caractérise notamment par l'utilisation de techniques d'inférence nécessitant moins d'énergie.
3. L'accessibilité - L'IA frugale vise à rendre les technologies d'IA accessibles à toutes les organisations, y compris les petites et moyennes entreprises. Cela passe par la simplification des processus de développement et la réduction des coûts associés.
4. La transparence et l'éthique - Les décisions et résultats produits par les algorithmes des IA frugales doivent être compréhensibles et justifiables. Cette explicabilité favorise l'adoption de l'IA frugale par le plus grand nombre.
5. L'adaptabilité - L'IA frugale doit être capable de s'adapter à différents contextes et besoins, afin de permettre une utilisation flexible, donc efficace, des ressources disponibles et des technologies existantes validées elles-mêmes comme frugales.
6. La collaboration - La frugalité doit se concevoir comme résultant d'une collaboration entre les différents acteurs (entreprises, chercheurs, gouvernements) afin que les meilleures pratiques et connaissances puissent être partagées, et ainsi l'innovation collective favorisée.

Des avantages immédiats *et* durables

Outre les bénéfices immédiats en termes d'impact environnemental, l'adoption de l'IA frugale présente plusieurs avantages significatifs. Avec en premier lieu la réduction des coûts directs, conséquence logique de la réduction des besoins en ressources. Cet argument économique est censé jouer un rôle moteur dans l'adoption de l'IA frugale. L'accélération de l'innovation est également une conséquence majeure de la frugalité : l'IA frugale étant par essence accessible, PME et startups sont en capacité d'innover plus rapidement, ce qui stimule la concurrence et le développement de nouvelles solutions.

Plus flexibles et donc moins contraignants techniquement, les systèmes d'IA frugaux garantissent une meilleure efficacité dans une plus large variété de contextes d'utilisation. C'est le cas notamment lorsque les corpus documentaires qui servent de base à leurs modèles sont plus restreints, et lorsque les infrastructures d'inférence ne sont pas illimitées.

Enfin, insistons sur la dimension Confiance : la transparence et l'éthique citées précédemment comme principes intrinsèques de l'IA frugale renforcent la confiance des utilisateurs et des consommateurs dans ces technologies, qui ne sont plus perçues comme nécessairement opaques.

Les défis de l'IA Frugale

Si ses avantages sont nombreux, l'IA frugale ne coule cependant pas de source, et les défis auxquels elle doit répondre ne sont pas minces. Il y a d'abord la complexité technique. La conception de modèles d'IA frugaux nécessite une expertise avancée, de sorte que les organisations qui souhaiteraient se lancer elles-mêmes dans l'aventure devront investir dans la formation et le développement de compétences spécifiques - ou faire appel à des partenaires spécialisés tels que GenerIA.

Au-delà de la compétence RH, il y a également pour chaque cas d'usage un point d'équilibre pas toujours évident à trouver entre la performance des modèles et l'efficacité de l'infrastructure nécessaire pour parvenir aux résultats escomptés. En clair, il est primordial que la réduction des ressources n'affecte pas la qualité des inférences, faute de quoi, tout frugal qu'il soit, le système ne sera pas utilisé.

Autre défi d'importance, l'absence de normes claires pour l'IA frugale peut compliquer son adoption. Les propositions de normalisation contenues dans le référentiel AFNOR soulignent la nécessité de développer une normalisation spécifique susceptible de guider les entreprises dans la mise en œuvre de solutions à la fois efficaces et durables. Ainsi, parce que le concept d'IA frugale est encore flou pour bon nombre d'utilisateurs potentiels, il est essentiel de sensibiliser tous azimuts à ses avantages et d'encourager chacun à en adopter les pratiques.

Des exemples d'application à l'infini

Le rapport de l'AFNOR n'est pas uniquement théorique. Il s'attache à présenter plusieurs exemples concrets d'applications de l'IA frugale dans divers secteurs, dont par exemple :

• L'agriculture, avec l'utilisation de capteurs et de modèles d'IA pour optimiser l'irrigation et la fertilisation, dans le but de réduire les consommations d'eau et d'engrais.
• La santé, avec le développement d'outils d'analyse de données médicales qui nécessitent moins de "samples" pour fournir des diagnostics précis, afin de faciliter l'accès aux soins dans les régions éloignées.
• Les transports, avec l'optimisation dynamique des itinéraires de livraison via des algorithmes pouvant être exécutés depuis les véhicules de livraison.
• L'énergie, avec la surveillance en temps réel des pipelines d'approvisionnement en gaz pour éviter toute fuite sur les réseaux...

Conclusion

La frugalité est probablement la seule réponse crédible et pérenne aux nombreux enjeux de l'IA telle qu'elle se pratique aujourd'hui, et que la presse, spécialisée ou non, ne cesse de souligner. En adoptant l'IA frugale, les organisations peuvent non seulement réduire leurs coûts et leur impact environnemental, mais aussi stimuler l'innovation et renforcer la confiance des utilisateurs. Pour cela, il est essentiel que les acteurs du secteur collaborent pour normaliser les pratiques et ainsi promouvoir une offre de solutions multi-sectorielles cohérentes. C'est un des objectifs revendiqués par les propositions du référentiel AFNOR, qui fait la part belle aux bonnes pratiques.