Évaluation de la consommation énergétique de l'entraînement des réseaux neuronaux
Développé au sein du groupe de recherche alarcosLe projet « GREENN » mesure la consommation électrique des réseaux neuronaux couche par couche, promouvant ainsi une intelligence artificielle plus durable.
La 5e édition des prix de la machine de Turing a reconnu l'excellence du projet de fin d'études de Elena Ballesteros Morallonpar le biais du prix décerné par l'entreprise inetumElle a également reçu le prix du meilleur parcours universitaire lors de la cérémonie de remise des diplômes de 2025. Ses travaux, supervisés par les professeurs Félix Óscar García Rubio et María González Gutiérrez, abordent l'un des enjeux actuels de la technologie : l'impact environnemental de l'intelligence artificielle.
| Outil d'évaluation de la consommation énergétique de l'entraînement des réseaux neuronaux Résumé du projet (GREENN) | |
|---|---|
| 🔴 Le problème | L'entraînement des systèmes d'IA consomme une quantité d'énergie immense. On estime que d'ici 2027, les serveurs d'IA consommeront autant d'énergie que l'Argentine entière. |
| 🟢 La solution | Un outil développé au sein du groupe Alarcos qui permet de mesurer, d'analyser et de comparer l'empreinte carbone des modèles d'apprentissage automatique. |
| ⭐ Innovation | Haute précision de mesure grâce à sa granularité au niveau de la couche, vous permettant de voir précisément quelle partie du réseau consomme le plus d'énergie. |
| ⚙️ Technologie | Integra CodeCarbone avec ses propres technologies de réseau neuronal et Python (MVC) pour générer des rapports de durabilité détaillés. |
| 🎯 Impact | Elle vous permet de choisir des modèles d'IA en fonction non seulement de leur précision, mais aussi de leur responsabilité énergétique. |
Contexte : L’empreinte cachée de l’IA
L'intelligence artificielle a transformé notre quotidien, facilitant tout, des recherches internet aux systèmes de recommandations personnalisés. Cependant, cette omniprésence a un coût invisible mais très élevé : la consommation d'énergie.
Les estimations sont alarmantes : on prévoit que d’ici 2027, la consommation d’électricité des serveurs dédiés à l’IA sera de équivalent à la consommation annuelle d'un pays comme l'ArgentineDans ce contexte, l'œuvre d'Elena Ballesteros soulève une question cruciale :
Comment réduire l'impact environnemental de ces modèles sans sacrifier leur efficacité ?
La solution : « GREENN », précision au niveau des couches
En réponse à ce défi, ce qui suit est né VERTGREENN est un outil innovant conçu pour évaluer la consommation d'énergie lors de l'entraînement des réseaux de neurones. Contrairement aux autres outils du marché qui proposent des mesures générales, le principal atout de GREENN réside dans sa granularité. Cet outil permet des mesures de consommation d'énergie extrêmement précises, jusqu'au niveau de chaque couche du réseau de neurones.
Pour ce faire, le projet met en œuvre une architecture robuste qui intègre :
- Un réseau neuronal personnalisé qui permet d'accéder au code pour insérer les compteurs.
- CodeCarbon : Le logiciel d'estimation le plus utilisé aujourd'hui, intégré pour fournir des indicateurs tels que la durée de l'expérience et l'énergie consommée par chaque composant matériel.
- Technologies Web : Développé principalement en Python selon un modèle Vue-Contrôleur, garantissant la maintenabilité et l'évolutivité du code.
Un panneau de contrôle pour un apprentissage automatique durable
GREENN n'est pas qu'un simple moteur de mesure ; c'est un outil complet pour les chercheurs et les développeurs. Grâce à son interface web, les utilisateurs peuvent :
- Gestion de projets et d'études de cas : Configurer les paramètres spécifiques des tests et de l'entraînement.
- Surveillance en temps réel: Visualiser la progression de l'entraînement (périodes, lots) et recevoir des notifications une fois l'opération terminée.
- Analyse comparative : Le système génère deux rapports. D'une part, il présente les indicateurs de qualité du modèle (tels que précision et les pertes) et, d'autre part, le coût énergétique associé (total, par saison et par couche).
