Lors d’un panel dans le cadre de la conférence ALL IN à Montréal la semaine dernière, des experts de l’industrie provenant d’institutions de premier plan comme MILA, Hugging Face, Innovobot, l’Université de Stanford et d’autres se sont réunis pour discuter des défis liés à la mesure et à la communication de l’impact de l’intelligence artificielle (IA) sur le changement climatique.
David Rolnick, membre universitaire principal de MILA, a lancé la discussion, détaillant les applications de l’IA dans le changement climatique, couvrant la collecte de données, les prévisions, l’amélioration de l’efficacité opérationnelle, l’accélération des simulations, l’accélération de la découverte scientifique et bien plus encore.
Il a toutefois prévenu : « L’IA n’est pas une solution miracle. Ce n’est pas la réponse au changement climatique – il n’y a pas de réponse unique au changement climatique – nous avons besoin d’une multitude d’outils différents. L’IA est l’un de ces outils. Ce n’est pas le plus important, mais c’en est un puissant.
Il existe des défis même au sein des algorithmes d’IA dans les applications liées au climat, a expliqué M. Rolnick. Cela inclut principalement les difficultés liées à la collecte de données, qui sont en constante évolution, limitées ou déséquilibrées, surtout si un chercheur travaille dans plusieurs zones géographiques.
Sasha Luccioni, chercheuse chez Hugging Face, a ajouté que les données sur les émissions des GPU, ou sur la quantité associée à l’IA, manquent cruellement, ajoutant : « nous n’aurons pas ces chiffres jusqu’à ce que quelqu’un poursuive en justice une grande entreprise technologique, et cela fera alors partie du domaine publique. »
Cependant, les panélistes ont reconnu que la transparence ne s’apparente pas au « greenwashing », par lequel une entreprise ferait des déclarations non prouvées sur son respect de l’environnement. Les affirmations du géant pétrolier Chevron selon lesquelles l’entreprise n’aurait aucune émission nette, par exemple, n’ont pas de sens, a noté le chercheur d’Innovobot Sylvain Carle, qui a fait valoir que son activité principale, à savoir la fourniture de combustibles fossiles, n’est pas prise en compte dans les émissions « Scope 3 ».
« Il est essentiel de vraiment comprendre d’où proviennent les chiffres afin de ne pas nous retrouver dans une situation où nous avons des algorithmes certifiés durables qui font une chose absolument non durable », a déclaré M. Carle.
Une autre idée fausse courante, explique Dave Rolnick, est l’association de grands modèles de langage « en vogue » avec des applications positives pour le climat.
Les panélistes ont souligné que les modèles dérivés de GPT ne sont pas utilisés dans les applications positives pour le climat et que ce sont, en fait, ces grands modèles de langage qui ont la plus grande empreinte environnementale.
Il existe également plusieurs autres moyens permettant à l’IA d’avoir un impact négatif sur le changement climatique, et ils pourraient être directs ou indirects, a expliqué M. Carle. Les impacts directs, entre autres, seraient les émissions d’un centre de données d’IA, tandis que les impacts indirects seraient, par exemple, la quantité de carbone nécessaire à la fabrication des puces d’IA ou la consommation de l’IA.
Les entreprises, a déploré Sylvain Carle, devraient cesser d’essayer de considérer uniquement certains éléments de l’impact, ou de rejeter la responsabilité sur d’autres, et plutôt penser à « l’ensemble de la chaîne de valeur, à l’ensemble de l’impact tout au long de la ligne, afin de ne pas ont des chiffres vraiment trompeurs ».
Sylvain Carle a ajouté que les agences publiques doivent également faire un meilleur travail en matière de rapport. « Plus de rapport d’émissions en PDF, s’il vous plaît. Et nous avons besoin de données à jour, lisibles par machine et analysables. »
En outre, Lee Tiedrich, chercheur à l’Université Duke, a fait valoir qu’il est important que les experts techniques proposent des outils et des mesures uniformes d’évaluation de l’impact climatique pour responsabiliser davantage les décideurs politiques, ajoutant : « Cela n’aide pas si l’Europe a un ensemble de normes, l’Amérique du Nord en a un autre, et l’Asie en a un autre. »
La mise en œuvre de l’interprétabilité des données pour l’utilisateur final dans les applications liées au climat est une question clé, a reconnu Dave Rolnick.
« Ces algorithmes ne seront pas simplement du code isolé. Ils seront intégrés dans des pipelines plus vastes et utilisés par des parties prenantes peu ou pas familiarisées avec l’IA », a-t-il déclaré. « Comprendre quels types de fonctionnalités doivent être intégrés, comme la quantification de l’incertitude ou l’interprétabilité, est vraiment essentiel pour que ces systèmes soient réellement utiles. »
Mme Luccioni a reconnu qu’il n’y a qu’un nombre limité de personnes qui savent utiliser l’IA et l’apprentissage automatique. L’objectif, dit-elle, devrait donc être de donner aux écologistes les outils nécessaires pour réussir.
Lee Tiedrich a en outre ajouté que les décideurs politiques doivent également disposer d’une voie pour garantir que la réglementation ne manque pas la cible et ne finisse pas par être contre-productive.
« Il s’agit d’une collaboration multidisciplinaire : rassembler les gens dans un environnement agile pour trouver des solutions. Parce qu’alors vous pouvez vous adresser aux régulateurs et leur dire : « Voici des outils qui fonctionnent », a déclaré M. Tiedrich.
Adaptation et traduction française par Renaud Larue-Langlois.
