Infos pour
Accès direct
UFR
Pour clore le projet Escade, financé par le ministère fédéral de la Recherche, l'équipe présentera, le 30 juillet de 10 h à 13 h au DFKI sur le campus de Sarrebruck (D3 2), ses résultats pour rendre l'IA moins énergivore sans en fermer l'accès aux PME.
Les médias et personnes intéressées sont cordialement invités.
Le texte suivant a été traduit automatiquement de l'allemand et n'a pas été post-édité.
Aujourd'hui, presque tout le monde utilise l'intelligence artificielle d'une manière ou d'une autre. Ce que tout le monde ne sait pas, c'est que même la plus petite réponse d'un chatbot consomme de l'énergie et des ressources. L'entraînement et l'exploitation des modèles d'IA à partir de données massives engloutissent des centaines de térawattheures à l'échelle mondiale. À l'échelle mondiale, tout cela laisse une empreinte écologique considérable. Et avec le développement fulgurant de cette technologie, les besoins vont augmenter en flèche. De nouveaux centres de données vont imperméabiliser d'immenses surfaces, tout comme les nouvelles centrales électriques, voire celles fonctionnant aux énergies fossiles, qui devront fournir l'énergie supplémentaire nécessaire. Les émissions de CO₂ augmenteront tout autant que les besoins en eau pour le refroidissement.
Un consortium dirigé par le professeur Wolfgang Maaß, qui mène des recherches à l’Université de la Sarre et au Centre de recherche allemand pour l’intelligence artificielle e (DFKI), s’efforce de contrer cette évolution et de rendre l’intelligence artificielle plus économe en énergie. Pendant trois ans, le consortium a étudié différentes méthodes et développé et testé de nouvelles technologies. Les chercheuses et chercheurs présentent leurs résultats à l'issue du projet.
L’IA compressée consomme près de 90 % d’énergie en moins
D'une part, l'équipe mise sur des modèles d'IA plus petits et mieux adaptés aux besoins afin de réduire la consommation énergétique de l'IA et de préserver les ressources. Aujourd’hui, l’IA utilise d’énormes modèles de données. Un chatbot, par exemple, utilise pour sa réponse l’intégralité du modèle de données comprenant des billions de paramètres : il parcourt donc, au sens figuré, toute une bibliothèque au lieu de se limiter aux livres dont le contenu est pertinent. Les chercheurs ont donc développé des modèles d’IA dans lesquels les paramètres non essentiels ne sont tout simplement pas traités, ce qui les rend plus économes en énergie.
Pour ce faire, ils extraient des grands modèles d’enseignants les connaissances réellement nécessaires à chaque domaine d’activité et créent des modèles d’élèves sur mesure, dont la taille est réduite jusqu’à 90 %. « Nous obtenons de bons résultats en compressant les modèles d’IA, c’est-à-dire en les rendant plus petits et plus efficaces. Lors de nos essais, nous avons pu démontrer que les modèles dérivés offrent des performances comparables, tout en consommant jusqu’à 89 % d’énergie en moins », explique Sabine Janzen, chercheuse post-doctorale au sein de l’équipe de Wolfgang Maaß. Ces modèles d’IA allégés, conçus pour des cas d’application concrets, fonctionnent sans infrastructure lourde. « Cela rend les modèles d’IA performants accessibles même aux petites et moyennes entreprises, ce qui était auparavant impossible en raison de la taille des modèles », explique Mme Janzen.
Sélection automatique du meilleur modèle d’IA avec 40 % d’énergie en moins
Pour les modèles d’IA qui traitent et génèrent des données d’images numériques, les chercheurs utilisent une autre méthode, appelée « recherche d’architecture neuronale ». Ce procédé permet de trouver automatiquement la meilleure architecture pour les réseaux neuronaux artificiels. L’équipe a pu démontrer qu’elle était capable de réduire la taille des modèles de près de 90 % et de diminuer leur consommation d’énergie de 40 %. Ce faisant, les modèles ne perdent pas en performances. « Grâce à cette approche, nous avons même pu améliorer la précision du modèle », explique Sabine Janzen.
Dans le cadre de l'apprentissage automatique utilisant des réseaux neuronaux artificiels, les processus d'apprentissage se déroulent de manière similaire à ceux du cerveau humain. Alors que ce dernier est un véritable champion en matière d'efficacité énergétique – le cerveau humain s'est continuellement optimisé au cours de l'évolution et traite les informations de manière très économe en énergie –, son équivalent artificiel, avec ses algorithmes performants, nécessite une puissance de calcul et une consommation d'électricité considérables : Aujourd’hui encore, les réseaux neuronaux artificiels sont minutieusement assemblés par des humains et ajustés jusqu’à ce qu’ils fournissent de bons résultats. « Nous automatisons ce processus grâce à la recherche d’architecture neuronale. Nous testons ainsi différentes structures de réseaux et les optimisons afin que les modèles soient performants et efficaces, tout en étant moins coûteux », explique Sabine Janzen.
Cas test : tri des déchets métalliques
Afin de tester ces méthodes d'IA plus efficaces sur le plan énergétique à l'échelle industrielle, les chercheurs collaborent depuis 2022 avec la SHS – Stahl-Holding-Saar dans le cadre du projet Escade.
La SHS a développé un modèle d’IA très performant qui classe automatiquement la ferraille et identifie, à partir d’images filmées, le type de ferraille livré sur le site sidérurgique.
Depuis 2024, la SHS utilise son modèle d’IA optimisé et développé en interne pour classer la ferraille : à partir d’images capturées par caméra, l’IA identifie les différents types de ferraille, ce qui permet de les trier par type avant leur utilisation dans la production.
Dans le cadre du projet Escade, l’objectif était de concevoir un modèle d’IA offrant des performances quasi équivalentes, mais avec une efficacité énergétique encore supérieure. L’équipe de recherche a développé un modèle d’IA visuelle performant pour la classification des déchets d’acier. Ce nouveau modèle a été compressé de manière à être compact, économe en énergie et aussi performant qu’un modèle d’IA créé à l’aide de méthodes classiques. Cela rend le processus de calcul visuel plus économe en énergie. Pour ce faire, les partenaires ont d’abord entraîné le modèle à l’aide de l’ensemble complet de données et de toutes les informations, puis l’ont compressé grâce à la distillation des connaissances et à des réseaux neuronaux assemblés automatiquement. Les techniques mises au point peuvent notamment être transposées à d’autres modèles d’IA visuelle et contribuer ainsi à des économies d’énergie à grande échelle.
Autres potentiels d’économies pour des centres de données durables
Par ailleurs, le consortium présentera le 30 juillet les potentiels d'économies pour les centres de données. En collaboration avec ses partenaires, l'équipe de recherche de Sarrebruck a élaboré un concept et des recommandations d'action pour une IA économe en énergie, qui permettront aux centres de données et aux utilisateurs d'IA de mieux planifier leurs activités et d'identifier les processus non rentables. À cette fin, l’équipe a mis au point un outil permettant d’établir des prévisions fiables sur la consommation énergétique exacte et les coûts des modèles d’IA. « Cet outil permet, par exemple, de planifier les processus nécessitant une grande puissance de calcul lorsque le prix de l’électricité est bas. Jusqu’à présent, les décideurs avaient du mal à estimer la quantité d’énergie que consommeraient tels ou tels modèles, ce qui rendait difficile la planification économique d’ », explique Hannah Stein, doctorante qui mène des recherches sur les méthodes d’IA économes en énergie.
Technologies de puces neuromorphiques
Par ailleurs, le consortium de recherche travaille, dans le domaine du matériel, sur les technologies de puces neuromorphiques, c’est-à-dire des microprocesseurs qui reproduisent également le fonctionnement du cerveau humain. « Nos résultats dans ce domaine du matériel indiquent que cette technologie fonctionne elle aussi de manière nettement plus économe en énergie que les puces classiques : lors de nos tests, celles-ci se sont déjà révélées jusqu’à six fois plus efficaces. Mais des recherches supplémentaires sont nécessaires dans ce domaine, et nous avons encore besoin de plus de temps pour cela », explique Sabine Janzen.
Le 30 juillet, le consortium de recherche présentera les résultats de son projet sur les centres de données d’IA durables et les algorithmes d’IA économes en ressources, notamment à travers des démonstrations. Les personnes intéressées, en particulier les exploitants de centres de données, les fournisseurs de technologies et les entreprises, sont invitées à y participer.
Inscription et programme du 30 juillet : https://escade-project.de
Contexte
Le projet ESCADE (Energy-Efficient Large-Scale Artificial Intelligence for Sustainable Data Centers) a été financé par le ministère fédéral allemand de la Recherche, de la Technologie et de l’Espace (BMFTR) à hauteur d’environ cinq millions d’euros sur une durée de trois ans, dans le cadre du « Concours d’innovations Green Tech ».
Outre l'équipe de recherche du professeur Wolfgang Maaß, qui en assure la coordination (Centre de recherche allemand pour l’intelligence artificielle DFKI et Université de la Sarre), le consortium du projet comprend l'Université technique de Dresde, l'Université de Bielefeld, le centre de calcul NT Neue Technologie AG NT (NT.AG) d'Allemagne centrale, la SHS - Stahl-Holding-Saar GmbH & Co. KGaA, la société SEITEC GmbH, ainsi que l’organisme de recherche autrichien Salzburg Research et les sous-traitants eco2050 Institut für Nachhaltigkeit, SpiNNcloud Systems GmbH et elevait GmbH & Co. KG.
Le porteur du projet est le Centre allemand pour l'aéronautique et l'espace (DLR).
Pour toute question, veuillez contacter :
Dr Sabine Janzen : Tél. : 0681- 8 57 75 - 269, e-mail : sabine.janzen@dfki.de
Hannah Stein : Tél. : +49 681 302-64739, e-mail : hannah.stein@iss.uni-saarland.de
Photos de presse à télécharger :
Vous trouverez des photos de presse sur cette page d'actualités :https://www.uni-saarland.de/aktuell/escade-forschungsergebnisse-49764.html
Vous pouvez utiliser ces photos de presse gratuitement dans le cadre du présent communiqué de presse et des articles consacrés à l'Université de la Sarre, à condition de mentionner le nom du photographe.
