Publications

Tout d’abord, l’intelligence artificielle a de nombreux rôles à jouer dans le secteur même de l’écologie. Les applications envisageables de l’IA peuvent servir activement aux scientifiques pour les assister dans leurs travaux de préservation de l’environnement. Le potentiel offert par l’IA est colossal : maintenance des éoliennes facilitées par l’utilisation de drones aux capacités d'inspection améliorées (2), prévision de l’arrivée des canicules par analyse des conditions météorologiques (3), contrôle du développement urbain et des évolutions des écosystèmes (4), n’en sont que des aperçus. Voici quelques exemples non exhaustifs mais détaillés pour comprendre comment des algorithmes d’IA peuvent être utilisés.

La détection de polluants est importante pour le secteur de l’écologie car la contamination de l’environnement par des produits chimiques peut avoir des conséquences désastreuses sur la biodiversité. Cependant, une des premières difficultés auxquelles les scientifiques sont confrontés est bien évidemment de pouvoir détecter les zones contaminées. 

C’est alors que des chercheurs ont réfléchi à des solutions utilisant de l’IA pour les aider à surmonter l’obstacle. Dans le cas des marées noires, une des propositions est d’utiliser des algorithmes de détection pour les repérer à l’aide d'images satellites (5). Il est également possible d’utiliser des drones équipés de caméras infrarouges pour les détecter même de nuit et notamment dans des zones portuaires (6). 

Un autre type de zone contaminée difficile à découvrir concerne la pollution des sols. L’IA peut être utilisée notamment pour détecter la présence de pétrole contaminant dans les sols (7). C’est grâce à un capteur qui peut par exemple être embarqué sur un robot se déplaçant sur un site potentiellement contaminé que les polluants pourront être détectés. Le capteur va permettre de récupérer les spectres de réflectance des éléments contenus dans le sol et l’IA sera capable de déterminer s’il y a une présence de polluants et desquels il s’agit. L’intérêt de ces pratiques est que l’IA puisse aider les scientifiques à réaliser des analyses et des détections bien plus rapidement.

L’intelligence artificielle peut également servir à la surveillance de taux de carbone. Une étude a permis de mesurer la densité de carbone contenue dans les arbres africains et ce suivant leur région climatique (semi-aride, tropicale, etc) (8).

L’IA a été utilisée pour reconnaître individuellement chaque arbre sur des images satellites et les compter. Cette méthode a permis de gagner beaucoup de temps et également en précision. Car le comptage à la main un par un des arbres sur des régions entières était impossible pour les êtres humains et des approximations devaient alors être effectuées. Ces approximations prenaient par ailleurs également en compte les herbes et arbustes, ce qui faussait les résultats car ils contiennent bien moins de carbone que les arbres.

Ainsi, grâce à cette nouvelle étude, il a été possible de déterminer que le stockage de carbone des arbres était inférieur aux prévisions précédentes et que les terres arides stockaient tout de même des quantités de carbone non négligeables, ce qui a changé le point de vue climatique de la situation. L’utilisation de l’IA dans cette étude a été cruciale pour permettre de mieux comprendre les impacts du réchauffement climatique et le fonctionnement du cycle du carbone de la Terre.

La part d’émission de gaz à effet de serre imputée aux voitures lorsqu'elles sont en circulation est évaluée entre 6% et 9% selon les estimations (9). Diminuer cette part est tout de même désirable, surtout dans les zones où la circulation est plus dense et où la pollution atmosphérique se trouve être plus importante. Ceci peut d’ailleurs dans certains cas se retrouver préoccupant vis-à-vis de la qualité de l’air et de la santé. Fluidifier le trafic c’est diminuer le temps de circulation des véhicules et donc c’est finalement participer à réduire les émissions de CO2 et de particules fines, préservant ainsi l’état de santé des citoyens.

C’est alors que plusieurs projets se sont lancés dans le but d’utiliser des technologies de deep learning pour répondre à ce défi d’urbanisme qu’est la fluidification du trafic.

Par exemple, Google a expérimenté l’utilisation d’une IA pour optimiser le fonctionnement des feux de circulation en temps réel en fonction du trafic. Le résultat représentait une réduction de 10 à 20% de la consommation de carburant et du temps d’attente aux croisements (10).

Wintics, une entreprise française spécialisée dans l’analyse vidéo au profit des territorialités, a également lancé des projets concernant l’optimisation de la gestion des flux touristiques, l’analyse de l’occupation des aires de covoiturage ou la supervision du stationnement pour éviter les rotations inutiles (11).

Un des piliers principaux de l’écologie est la protection de la biodiversité. Préserver les écosystèmes, sauvegarder les espèces animales et végétales, prémunir des dérives des pratiques humaines sont autant d’actions pour lesquelles l’IA peut assister les spécialistes.

Par exemple, un projet d’IA baptisé Seeker a pour but de lutter contre le braconnage et le trafic d’animaux sauvages (12). Le dispositif a été expérimenté dans l’aéroport d'Heathrow à Londres, pour lequel l’IA vient renforcer les capacités des scanners de bagage. L’objectif est de détecter les objets illégaux provenant d’espèces sauvages, comme des objets en ivoire, pour ensuite permettre de tracer et de faire cesser le réseau de braconnage grâce à l’analyse de données. 

La conservation de l’océan est également un sujet qui attire beaucoup les chercheurs et voit naître de nombreux projets d’IA (13). Il existe par exemple un projet de détection de chant des baleines à bosses, avec plus de 180 000 heures d’enregistrements audio sous-marin analysées par un algorithme de machine learning. L’objectif est d’aider les scientifiques à identifier ces chants pour leur permettre de mieux comprendre l’espèce et protéger ses déplacements. 

L’intelligence artificielle sert également à OceanMind pour lutter contre la pêche illégale en identifiant et traquant les navires grâce à des images satellites. Enfin, les algorithmes peuvent être alliés à des capacités robotiques, pour développer des robots autonomes qui peuvent aider à la préservation des fonds marins. La cartographie et la connaissance des fonds marins est un véritable défi car seulement une partie très infime des fonds marins est actuellement référencée. Cependant certaines zones jusqu’à maintenant inconnues pourraient nécessiter une réelle attention et des actions de préservation envers des espèces qui pourraient être impactées par la pollution et les activités humaines. Les technologies d’analyse vidéo utilisant le deep learning pour permettre l’identification et la surveillance de l’état de santé des fonds marins sont alors un véritable atout (14).

L’intelligence artificielle peut donc assister autant l’ingénieur écologue, que le chercheur climatologue, l’urbaniste ou encore le garde-côte dans ses activités de préservation de la nature, de lutte contre le réchauffement climatique, de réduction de l’empreinte carbone des activités humaines ou de protection de la biodiversité. L’utilité avérée de l’IA et la multiplicité des capacités qu’elle offre sont véritablement de taille pour aider les experts à adresser un des défis les plus importants du siècle.

Malgré le poids que semble peser l’IA en faveur de la protection de l’environnement, il ne faut pas oublier que la consommation énergétique des algorithmes impacte également l’environnement.

Compte tenu de la complexité du domaine de l’intelligence artificielle et des très nombreuses variables qui peuvent entrer en compte dans le calcul des émissions de carbone, il est très difficile de quantifier concrètement son impact. Ce qui est certain c’est que beaucoup de paramètres entrent en jeu, et ce rien que pour le processus d’entraînement d’un réseau de neurones : emplacement du serveur servant à l’entraînement, type de réseau énergétique utilisé, durée du processus d’entraînement, ou encore matériel à l’aide duquel l’entraînement est réalisé. 

Pour donner un ordre de grandeur, des chercheurs de l'Université du Massachusetts ont cherché à estimer l’impact de l’entraînement d’algorithmes de traitement du langage naturel (NLP), par exemple utilisés par des chatbots pour “converser” avec des humains (15). Ils ont conclu, en convertissant la consommation énergétique en taux d’émission de carbone, que l’entraînement d’un gros modèle de NLP émet environ 300 000 kg de dioxyde de carbone ; ce qui équivaut à 125 vols New York - Beijing. Et encore, l’émission n’est que relative à l’entraînement, elle ne prend pas en compte le coût de conception, de validation, de déploiement, d’utilisation et de contrôle post-déploiement de l’intelligence artificielle. Bien d’autres aspects ne sont également pas pris en compte, comme par exemple les aspects de gestion des déchets informatiques. L’IA peut donc rapidement engendrer des surconsommations énergétiques si son cycle de vie n’est pas assez bien maîtrisé et optimisé.

Une part importante de la consommation en lien direct avec l’IA concerne bien évidemment les coûts de collecte et de stockage des données, qui sont des composantes essentielles pour le développement de l’IA. Effectivement, les réseaux de neurones nécessitent des quantités énormes de données pour être capable de réaliser des tâches de façon automatique avec des taux de succès décents. Cependant le big data, qui comprend la collecte et le stockage de ces masses de données, représente un véritable défi écologique. Il est connu que les data-centers sont très fortement consommateurs d’énergie, que ce soit en termes d’électricité pour faire tourner les machines ou pour alimenter des batteries de climatiseurs qui visent à contrôler la montée en température causée par le fonctionnement constant de matériels informatiques.

Selon l’ADEME, les centres de données participent au réchauffement climatique en générant 25% des émissions mondiales de gaz à effet de serre pour le secteur du numérique (16).Il devient alors essentiel de chercher à diminuer l’émission de CO2 et plus généralement la pollution générée par l’utilisation des modèles de machine learning et les stockages de données. 

Ce besoin de considération a été pris en compte au travers de diverses initiatives comme le Green AI, qui sera détaillé dans la prochaine partie, et le “Responsible AI”. Cette dernière prône les mêmes principes que l’IA de confiance “Thrustworthy AI” en incluant en plus des notions écologiques aux notions de systèmes éthiques, transparents, justes et responsables. L'IA responsable consiste à s'assurer que la technologie de l'IA est développée et déployée de manière à bénéficier à la société tout en minimisant les impacts négatifs sur les individus, les communautés et l'environnement. Les gouvernements, l'industrie et les organisations de la société civile travaillent justement à l'élaboration de cadres et de lignes directrices pour prôner une IA de confiance et responsable. Ce sont des initiatives, telles que les “Ethics guidelines for trustworthy AI” de la commission européenne (17), qui se portent garantes de l’intégration des valeurs éthiques. Et des initiatives telles que l’AI ACT qui visent à standardiser et réguler de façon très concrète le déploiement des technologies d’IA en conformité avec le positionnement de l’Union Européenne sur le sujet (18).

Certes il a été pointé du doigt que l’intelligence artificielle consomme et pollue, mais elle peut également permettre de réaliser de l’optimisation énergétique afin de limiter la pollution. Grâce à ses capacités d'analyse de données et d’aide à la prise de décision, l’IA peut permettre d’optimiser la conception de réseaux électriques, l’utilisation des ressources énergétiques ou encore permettre le développement d'infrastructures à faibles émissions. Afin de tirer pleinement parti des avantages du machine learning, une idée est alors de réussir à diminuer ses besoins énergétiques pour faire davantage pencher la balance gain-coût en faveur de l’utilisation de l’IA.

C’est dans ce but qu’ont été développés les prémices du Green AI, faisant en sorte que l’IA s’intègre pleinement dans les principes du développement durable et que la transition numérique s’associe à la transition écologique (19). Afin de rendre l’IA “verte” plusieurs options sont envisageables, à commencer par l’intégration des principes du Green IT et s’assurer que les infrastructures nécessaires à la conception de l’IA, comme les data centers, soient alimentées par de l’énergie renouvelable à l’instar des énergies fossiles. Dans la multiplicité des actions envisageables pour limiter la consommation et la pollution, certaines se concentrent spécifiquement sur les éléments algorithmiques, pour optimiser les coûts de fonctionnement à partir même du code. Avec par exemple :

• Des principes tels que la frugalité qui envisagent l'optimisation du traitement de données algorithmique pour permettre aux IA d’être entraînées avec très peu de données (20). Le but d’avoir une IA frugale est de limiter le besoin massif de données et donc de gagner énormément en termes de coûts de calcul lors des phases d'entraînement qui, comme démontré précédemment, sont très consommatrices.

• Une autre option qui est de chercher à embarquer les algorithmes et donc d’intégrer l’IA directement dans les dispositifs tels que les capteurs, les caméras, etc. (21). Le but est ainsi d’avoir la collecte des données et le traitement des données au même endroit, ce qui évite des échanges de données inutiles. Avec l’IA embarquée, seul le résultat final est transmis du dispositif de collecte vers le terminal de traitement de l’information, sans étapes intermédiaires. L’embarquabilité participe à la sobriété énergétique en limitant les déperditions s’opérant lors de transferts non nécessaires.

Ces deux méthodes relèvent cependant de véritables défis technologiques, nécessitant des travaux de recherche poussés pour permettre d’avoir des algorithmes fonctionnels tout en étant frugaux ou embarqués. Le développement de telles IA implique de devoir jongler entre la performance des algorithmes, leur robustesse et l’optimisation énergétique. Les principes de validation de l’IA peuvent aider en ce sens pour assurer que les modèles soient satisfaisants au niveau de leurs résultats tout en ayant été optimisés d’un point de vue énergétique.

En l’état actuel, certaines typologies d’IA ne participent pas assez à la sobriété énergétique et nécessiteraient la prise d’actions pour mettre en place des pratiques de Green AI. C’est en particulier le cas pour les IA génératives telles que DALL-E, Chat GPT, Mid Journey et autres. Effectivement, ces algorithmes énergivores consomment énormément durant leur entraînement mais aussi durant leur utilisation (22).

Une dualité existe toujours, entre le complaisant ou l’incommodant ; et l’intelligence artificielle n’y fait pas défaut. Présentant de nombreux avantages, mais comprenant également son lot d’inconvénients, l’IA reste un sujet qu’il faut peser. Mais, en soit, la balance a déjà été effectuée car l’intelligence artificielle n’est plus dans un lointain horizon, elle est déjà au cœur de la société. Maintenant, le véritable enjeu est de faire en sorte que la balance penche en faveur d’une utilisation responsable et de s’assurer qu’elle y reste. Comme abordé précédemment, des projets de standardisation et d’utilisation éthique de l’IA sont en cours pour permettre de fixer un cadre habilitant la régulation des algorithmes de machine learning.

Concernant les considérations écologiques, plusieurs initiatives ont également vu le jour. Avec par exemple : 

• L'initiative “Climate Change AI” (CCAI), collaboration entre les communautés de l'IA et du climat. Celle-ci vise à accélérer les progrès en matière de solutions climatiques à l’aide des capacités offertes par l'IA, notamment dans les domaines des énergies renouvelables, de la capture du carbone, de l'agriculture et de l'adaptation climatique (23).

• Le programme AI for Earth, lancé par Microsoft. Il offre des subventions et un soutien aux organisations souhaitant utiliser l'IA pour relever des défis environnementaux relevant du changement climatique, de la préservation de la biodiversité et de la lutte contre la raréfaction de l'eau (24). Google a lancé un a challenge fortement semblable, qui se propose également de délivrer subvention et soutien pour le développement de solutions sur les mêmes thèmes (25).

• L'initiative Green AI, menée par des chercheurs de l'université du Massachusetts à Amherst. Comme présentée précédemment, cette dernière se concentre sur le développement d'algorithmes d'IA plus économes en énergie et à empreinte carbone plus faible (26).

Ainsi, de nombreux projets visent à s’assurer d’un impact positif et d’un développement durable de l’IA. Les enjeux environnementaux ont été sérieusement pris en compte. Car, compte tenu des avantages concrets que permettent l’utilisation de l’IA ; il est véritablement important de faire en sorte de développer des cadres durables permettant une utilisation avant tout raisonnée de ces technologies.

Suivez les sorties et retrouvez tous nos articles sur : 
https://numalis.com/publications.php

(1) Rapport sur la pollution numérique

(2) Inspection des éoliennes par des drones et des technologies d’IA

(3) Solutions IA pour anticiper les canicules 

(4) Une IA de google pour lutter contre le réchauffement climatique grâce à l’analyse d’images satellites

(5) Étude sur la faisabilité de détection de marées noires à l’aide d’algorithmes d’IA

(6) Étude sur la détection de marées noire dans des ports à l’aide de drones et d’algorithmes d’IA

(7) Étude sur la détection de sol contaminé par le pétrole à l’aide d’IA

(8) Une IA pour mesurer des taux de carbone dans les forêts africaines

(9) Part de la pollution automobile dans les émissions de gaz à effet de serre

(10) Réduction de la pollution automobile grâce à des flux de circulation optimisés par une IA

(11) Wintics, une IA pour réduire l’empreinte carbone des transports

(12) Des IA pour lutter contre le trafic d’animaux sauvages et le braconnage

(13) L’IA pour la conservation de la biodiversité marine et la lutte contre le changement climatique

(14) L’IA et la robotique pour la préservation de la nature aquatique

(15) Estimation de l’impact carbone de l’IA

(16) Consommation énergétique des data centers

(17) Ethics guidelines for trustworthy AI

(18) The EU AI Act

(19) Les principes d’adoption d’une démarche Green AI

(20) Frugalité de l’IA, principe et intérêt

(21) L’embarquabilité de l’IA, une solution pour réduire l’empreinte écologique

(22) L’énorme coût énergétique des IA génératives

(23) Climate Change AI

(24) Microsoft AI for Earth

(25) Challenge Google de proposition de solutions pour lutter contre le changement climatique

(26) Explications concernant le Green AI

Ecrit par Baptiste Aelbrecht & Jacques Mojsilovic & Camille Jullian

Image bandeau par Fabricio Macedo FGMsp de Pixabay

Image texte par Lukas de Pexel