Notions d'écologie numérique

Notions d’écologie numérique

Comprendre l'impact écologique du numérique

Tout comme en physique quantique, en écologie, la réalité n’existe pas tant qu’elle n’est pas observée. L’action qui permet de passer du monde des possibles au monde de ce que nous connaissons est celle de la mesure. Cela est particulièrement vrai dans le monde moderne, où la technologie occupe désormais une place dominante.

Aujourd’hui, l’utilisation du numérique pourrait nous pousser à penser que nos actions, une fois numérisées, n’ont plus d’impact physique sur le monde environnant. Cet effet est évidemment faux et est une conséquence directe de l’apparente déconnexion entre la technologie et la nature. C’est ici qu’intervient l’écologie numérique, qui vise à analyser et réduire l’empreinte environnementale des technologies digitales.

L’objectif de cet article est de donner des notions d’écologie numérique pour combler le fossé entre l’utilisation d’un produit numérique et son impact écologique. Chaque produit technologique repose sur une chaîne d’approvisionnement qui a produit le matériel et fournit l’énergie nécessaire à son utilisation. L’empreinte carbone principale de la plupart des produits technologiques est générée lors de la production. Par la suite, leur impact dépend principalement des besoins énergétiques des algorithmes utilisés et de la fréquence d’utilisation.

Mesurer l'empreinte carbone d'un projet numérique

L’écologie numérique s’intéresse en particulier à l’empreinte carbone des technologies digitales. En effet, même dans un monde idéal où l’énergie aurait un faible taux d’émissions de carbone, l’impact sur l’environnement causé par la recherche des ressources et l’utilisation de l’énergie elle-même serait tout de même inévitable. Il est donc essentiel d’en tenir compte lors de l’évaluation des émissions de carbone, afin d’éviter de privilégier des activités à faible impact carbone qui pourraient, malgré tout, nuire aux écosystèmes. [1]

Imaginez que vous souhaitiez calculer l’empreinte carbone de votre projet numérique. Celle-ci est généralement exprimée en unité de mesure « Équivalent Kg. CO2 » (eqCO2). Une unité de mesure qui permet de comparer les impacts des différents gaz à effet de serre (GES) en les rapportant au dioxyde de Carbone (CO2). Le plus courant et le plus connu. Le montant de eqCO2 généré par un outil digital dépend de l’intensité carbone de la chaîne de production d’électricité. Pour avoir une idée de la manière de calculer l’empreinte carbone, nous pouvons estimer l’eqCO2 en fonction des différents types de sources d’énergie disponibles au niveau national [1]. Fig.1 montre l’intensité carbone de plusieurs types d’énergie électrique.

Fig.1 Empreinte Carbone pour de différentes sources d’énergie [Source : 2]

En formules, l’intensité carbone (IC), définie comme l’empreinte carbone (eqCO2) par unité d’énergie (KWh), peut donc être calculée comme :

𝜂 est l’intensité carbone pour chaque source d’énergie i et 𝛼 est le pourcentage du type d’énergie qui dépend du pays considéré.

Afin de mieux comprendre les quantités en jeu lorsque nous parlons d’écologie numérique, le gouvernement français a mis à disposition un comparateur d’émissions de carbone. Par exemple, en considérant que Chat-GPT émet en moyenne 1,5 g eqCO2 par requête [3], 100 requêtes (0,15 kg de CO2) correspondent à l’émission d’une ampoule LED allumée pendant 20 heures.

Mesurer la consommation énergétique d'un script Python

L’un des piliers de l’écologie numérique est la mesure et l’optimisation de la consommation énergétique des logiciels. Il existe des outils spécifiques, notamment pour mesurer les émissions liées à un code en Python. Mesurer l’empreinte carbone d’un script permet de réduire sa facture d’électricité, mais aussi de se rendre compte de l’impact écologique quotidien du travail de Développeur.

Parmi les différents packages utilisables pour mesurer l’empreinte carbone d’un code Python, nous trouvons par exemple AIPowerMeter. Il fournit de nombreux détails comme l’empreinte mémoire, le temps CPU. Un autre package plus industriel et dockerisé est Scaphandre.

Le package CodeCarbon est le plus populaire pour le Machine Learning exécuté sur une machine locale. Si vous souhaitez mesurer la consommation CPU, un accès au système CPU via l’interface RAPL est nécessaire. Donc cela ne fonctionne pas sur des machines virtuelles dans le cloud. En utilisant la classe EmissionsTracker de ce package, nous pouvons par exemple mesurer la consommation d’énergie pendant le training d’un modèle comme illustré en Fig.1.

Fig.2 Esempio di misura per il training di un generico modello di ML [4]

D’autres méthodes pour utiliser ce package sont également disponibles ici [4].

Et l'IA dans tout ça ?

Tous les principaux modèles d’IA ainsi que les modèles modernes comme Chat-GPT, le Chat Mistral, Gemini ont un point commun : ils sont tous extrêmement énergivores. À titre d’exemple, Google et Microsoft, dont les consommations énergétiques respectives surpassent déjà celles de nombreux pays, ont connu une augmentation de leurs consommations à la suite de la massification des modèles d’IA. En 2024, Google a vu une augmentation des émissions de CO2 de 48 % par rapport à 2019. Tandis que Microsoft a déclaré une augmentation de 30 % en une seule année.

Outre l’énergie, l’IA repose sur l’utilisation massive d’eau pour refroidir les serveurs. Selon des chercheurs ayant étudié l’impact hydrique de l’IA [5-7], seul l’entraînement de GPT-3 aurait utilisé 700 000 litres d’eau. En ce qui concerne l’utilisation de l’IA, poser entre 20 et 50 questions à Chat-GPT non seulement produit entre 30g et 75 de eqCO2, mais aussi une consommation hydrique équivalente à celle d’une bouteille d’eau. Une étude publiée dans la revue Science Advances [9] estime que la consommation totale d’eau des modèles d’IA se situe entre 3 et 6 millions de mètres cubes par an, ce qui équivaut à la consommation d’au moins 300 000 personnes [9]. Une autre étude menée par un groupe de chercheurs de l’Université du Massachusetts [10] estime la consommation d’eau d’un seul modèle d’IA comme ChatGPT à environ 6 000 litres d’eau par heure.

En tenant compte des différents types d’IA et de la progression actuelle de la demande en eau, il est estimé que la demande mondiale en eau de l’IA pourrait atteindre en 2027 entre 4,5 et 6,5 milliards de mètres cubes d’eau [5-7]. Ce qui équivaut à la moitié de la consommation annuelle du Royaume-Uni. Selon le bilan électrique de RTE [8], OpenAI utiliserait 564 MWh par jour pour assurer l’utilisation de ChatGPT-3.

Considérations finales

L’écologie numérique est une discipline essentielle pour concilier technologie et durabilité. Il devrait être clair à ce stade que l’utilisation des services numériques a un impact considérable sur l’environnement qui nous entoure, même si nous n’en avons pas toujours une conscience immédiate. Dans cet article, nous avons posé les bases de la compréhension de l’impact écologique de l’utilisation de l’électricité et des différents types d’énergie, en établissant un lien entre l’utilisation des appareils numériques et leur empreinte écologique. Nous avons également exploré comment mesurer la consommation énergétique d’un script Python et la comparer à des unités de mesure plus intuitivement accessibles. Enfin, nous avons évoqué l’utilisation de l’eau nécessaire au fonctionnement des centres de données, en prenant conscience de l’impact gigantesque qu’ils exercent sur notre écosystème.

Maintenant que nous avons inventé l’intelligence artificielle, il est de notre responsabilité de l’intégrer de manière harmonieuse et durable dans notre écosystème. L’avenir de la technologie passe par une réelle prise en compte des enjeux de l’écologie numérique pour un monde plus respectueux de l’environnement.

Sources

[1] Donella H. Meadows [and others]. The Limits to Growth; a Report for the Club of Rome’s Project on the Predicament of Mankind. New York: Universe Books, 1972.

[2] Electricity mixes per country (Our world in data)

[3] https://blog.ekip.app/quelle-est-lempreinte-carbone-de-chatgpt/

[4] Code carbon examples

[5] J. Harris, “ChatCO2 – Safeguards Needed For AI’s Climate Risks”, Greenpeace

[6] Pengfei Li et al., “Making AI Less « Thirsty »: Uncovering and Addressing the Secret Water Footprint of AI Models”, arXiv (6 avril 2023)

[7] A. Shaji George et al., “The Environmental Impact of AI: A Case Study of Water Consumption by ChatGPT”, Partners Universal International Innovation Journal (PUIIJ) Volume: 01 Issue: 02 | March-April 2023

[8] RTE Bilan électrique 2023

[9] Mytton, David. “Data Centre Water Consumption – Npj Clean Water.” Nature, 15 Feb. 2021

[10] “Reduce Water Usage: 10 Ways to Lower Water Consumption | Install-It-Direct.” Reduce Water Usage: 10 Ways to Lower Water Consumption | Install-It-Direct, 14 Aug. 2012.

[11] Comparateur Carbone

Image de Marco FAGGIAN

Marco FAGGIAN

Consultant Data Scientist

Partager l'article

Partager l'article

Sommaire

À lire aussi

code 418
Lire l'article
Audit QA
Lire l'article
Le défi de l’accès aux utilisateurs dans les milieux sécurisés
Lire l'article