Intelligence artificielle frugale
Le Big Data est sur le point d’arriver au sommet de sa popularité. Alors que de plus en plus d’entreprises atteignent la maturité dans la collecte et l’utilisation des grands ensembles de données, elles commencent à se tourner vers la mise en place de modèles algorithmiques automatisés qui peuvent être entraînés avec de petits ensembles de données. En effet, la collecte et la préparation des données pour l’apprentissage automatique peuvent représenter un défi pour les organisations, non seulement en termes d’effort consacré au traitement de la donnée mais aussi, de coût.
Des données ayant un impact sur l’environnement
L’utilisation de données volumineuses permet sans doute l’amélioration de la précision des modèles, mais elle présente aussi de lourdes conséquences sur le plan environnemental. Effectivement, le développement de certains modèles d’intelligence artificielle consomme beaucoup d’énergie. Ces derniers s’appuient sur des sources de données toujours plus volumineuses avec des calculs de plus en plus lourds.
C’est pourquoi les ingénieurs et les scientifiques explorent de nouvelles techniques qui permettent de concevoir des modèles robustes en utilisant peu de données, mais aussi en consommant moins d’énergie. Ceci peut être défini par l’intelligence artificielle frugale. Pour ce faire, plusieurs voies sont en cours d’exploration.
Le transfer learning, un moyen de rendre l’IA plus « verte »
L’une des solutions explorées est l’apprentissage par transfert (transfer learning) où il est possible d’exploiter les connaissances (caractéristiques, poids, etc.) des modèles précédemment formés pour former de nouveaux modèles, et même résoudre des problèmes tels que le manque de jeux de données. Par conséquent, avec l’apprentissage par transfert, au lieu de former un réseau de neurones à partir de zéro pour exécuter une certaine tâche, nous pouvons prendre un réseau déjà entraîné sur un domaine différent pour exécuter une tâche source différente et l’adapter au domaine dont nous avons besoin et à notre tâche cible.
Par exemple, ce qui a été appris par un algorithme pour reconnaître les chats, ou pour déterminer si une critique de film est positive ou négative, peut être réutilisé respectivement pour distinguer les chiens ou pour classer les critiques de produits.
Ainsi, cette solution permet de réduire la consommation électrique des réseaux de neurones artificiels, qui nécessitent une puissance de calcul phénoménale pour ingérer et traiter les énormes jeux de données.
Imaginer des technologies moins énergivores, un enjeu d’avenir
Comme l’empreinte carbone d’un algorithme de deep Learning est directement affectée par la taille des jeux de données, l’intelligence artificielle frugale, qui permet la réduction des jeux de données d’entraînement, se traduira par une IA plus écologique.
En 2019, des chercheurs de l’Allen Institute for AI ont appelé à une IA plus efficace et plus inclusive, entrant ainsi dans le champ de recherche de l’IA verte. Une IA frugale qui est moins gourmande en données et en puissance de calcul peut être caractérisée comme une IA verte. Par opposition à l’IA rouge ayant entraîné une augmentation rapide de la puissance de calcul (et donc des émissions de carbone), l’IA verte encourage les approches qui présentent des compromis favorables entre les performances d’un modèle et son impact sur l’environnement.
