Ma contribution à un MOOC Green IA avec aivancity

Je suis auteur et formateur du MOOC « Green IA » avec aivancity, une contribution également présentée dans mon CV. Ce travail prolonge une conviction pédagogique : apprendre à utiliser l’intelligence artificielle implique aussi de comprendre les ressources qu’elle mobilise et les choix qui permettent de les maîtriser.

Cette contribution figure dans mon parcours professionnel. Elle rejoint les enjeux de formation à une IA responsable portés par aivancity, notamment à travers Adopt’IA, présenté par l’école comme une initiative France 2030. Je souhaite ici expliquer pourquoi ce sujet occupe une place dans mon activité de chercheur, de concepteur de systèmes et de formateur.

La Green IA fait partie de mon travail parce qu’un système ne se juge pas seulement à la qualité de sa réponse. Il faut également regarder les moyens nécessaires pour produire cette réponse, la fréquence d’utilisation et les contraintes du service rendu. Le modèle est une composante de cet ensemble, pas la totalité du système.

Mon parcours doctoral porte sur des méthodes d’apprentissage profond appliquées à l’analyse d’images et à des problématiques de mesure. Il m’a amené à travailler à l’intersection des données, des modèles et de leur mise en œuvre. Les références de mon parcours scientifique permettent de situer ce travail sans le confondre avec une expertise environnementale universelle.

Un exemple concret est ma publication EUSIPCO sur l’identification du pollen et l’estimation de sa concentration par imagerie et apprentissage profond, signée sous mon nom académique, Anandaramane Candassamy. Elle montre une autre facette de mon parcours : utiliser des modèles pour examiner des données issues d’un dispositif de mesure. Cette expérience ne constitue pas une preuve que tout système d’IA serait bénéfique à l’environnement. Elle nourrit mon intérêt pour une question plus précise : quel service rend le système, avec quelles données et dans quelles conditions ?

Dans un enseignement sur la Green IA, cette attention aux conditions d’usage devient un repère concret : de quoi avons-nous besoin, que mesurons-nous et quelles limites acceptons-nous ? Une affirmation générale sur une IA « verte » ne répond pas à ces questions. Le sujet demande des comparaisons explicites et des hypothèses que l’on peut discuter.

On veut transmettre la capacité de poser les bonnes questions avant de choisir une solution. Un MOOC permet d’organiser ces questions dans un parcours que l’apprenant peut suivre et reprendre. Il ne peut cependant pas remplacer les données propres à chaque organisation ni produire une conclusion valable pour tous les systèmes.

Je considère qu’un premier repère consiste à définir le service attendu. Résumer un document, classer des images et répondre à des demandes répétées ne mobilisent pas les mêmes opérations. Il faut ensuite décrire le périmètre observé : calcul, stockage, transferts, matériel et fréquence d’exécution. Une comparaison change de sens si elle inclut certains postes dans une option et les ignore dans l’autre.

L’objectif pédagogique est de rendre ce raisonnement accessible sans le réduire à une formule magique. La présentation des formations en ligne d’aivancity situe l’IA et l’environnement parmi les thèmes de formation proposés ou annoncés. Les modalités d’accès et l’état de disponibilité des cours sont à vérifier directement dans ce catalogue.

Il faut distinguer une mesure, une estimation et une promesse. Une mesure décrit un dispositif et des conditions. Une estimation dépend d’hypothèses. Une promesse ne devient vérifiable que lorsqu’on précise comment la mettre à l’épreuve. Mélanger ces trois niveaux donne une conclusion plus simple à raconter, mais moins utile pour décider.

Prenons un exemple pédagogique fictif : deux systèmes accomplissent une même tâche documentaire. Le premier utilise un modèle plus grand ; le second combine une recherche ciblée et un modèle plus petit. On ne peut pas déclarer le second préférable sans vérifier la qualité obtenue, les appels supplémentaires, la charge de recherche et les reprises nécessaires lorsque la réponse échoue.

Cette comparaison doit donc conserver une tâche et des critères de qualité communs. Si l’une des solutions fournit un résultat insuffisant, elle ne rend pas le même service. Si elle exige plusieurs tentatives, ces tentatives appartiennent au bilan. C’est ce type de raisonnement que je souhaite rendre naturel : regarder le travail accompli et les moyens mobilisés, plutôt qu’un indicateur isolé.

On peut examiner le dimensionnement, la réutilisation de calculs, la fréquence des traitements et la qualité des données. Ce sont des pistes à tester, pas des économies garanties. Leur intérêt dépend du fonctionnement réel du système et des exigences de l’usage.

Un traitement planifié peut parfois être moins fréquent. Une information stable peut être réutilisée au lieu d’être recalculée. Une entrée mieux préparée peut éviter des reprises inutiles. Un modèle plus petit peut convenir à certaines tâches. Mais chaque changement doit être vérifié : fraîcheur des données, qualité des sorties, gestion des droits et coût de maintenance peuvent modifier l’arbitrage.

J’ai développé ce lien entre dimensionnement et sobriété dans une analyse du choix d’un modèle plus petit. Le sujet est également présent dans mon travail d’audit des systèmes IA, où l’on cherche à comprendre ce que fait chaque composant, pourquoi il existe et comment observer ses effets.

Il faut apprendre à documenter l’incertitude, plutôt qu’à la faire disparaître du support de cours. Certaines informations ne sont pas disponibles, certaines conditions changent et certaines comparaisons demandent des moyens de mesure supplémentaires. Dire ce qu’on ne sait pas fait partie d’une démarche professionnelle.

Un exercice peut demander de comparer deux options en indiquant les informations manquantes. La conclusion attendue peut être une décision limitée ou une demande de mesure supplémentaire. Cela apprend à résister à la pression d’un classement définitif lorsque les données ne permettent pas de le construire.

Cette posture me semble particulièrement importante lorsque l’IA est présentée comme une réponse à un problème environnemental. L’utilité visée et l’empreinte du dispositif doivent être examinées ensemble. Le fait de travailler sur un sujet lié au climat ne suffit pas à démontrer que chaque choix technique est sobre, ni que le bénéfice final a été mesuré.

Le lien avec la pratique se construit lorsqu’une équipe peut réutiliser les questions du cours sur son propre projet. Elle doit pouvoir décrire le service attendu, identifier ses hypothèses, proposer une comparaison et expliquer les limites de sa conclusion. Ces éléments forment une base de discussion entre les métiers, les équipes techniques et les responsables du projet.

Ma contribution à la formation s’inscrit dans cette logique de transmission. Comprendre un concept est une première étape ; savoir l’utiliser pour examiner une décision en est une autre. Dans mes formations à l’intelligence artificielle, je cherche à relier ces deux étapes avec des situations compréhensibles et des contrôles explicites.

Pour la Green IA, cela signifie garder une ambition claire et un langage précis. On peut chercher à améliorer un système sans prétendre avoir supprimé tout impact. On peut identifier une option prometteuse tout en indiquant ce qu’il reste à mesurer. C’est cette capacité de décision argumentée que je souhaite voir progresser à travers les contenus que je contribue à construire.