IA ANTI-ECOLOGIE

L’intelligence artificielle est un véritable réservoir d’opportunités pour réinventer les modèles économiques. Une nouvelle industrie est née et est en effervescence à l’échelle internationale. La matière première le data. La valorisation et la transformation des données créent de la valeur ajoutée pour les organismes et représentent une source de profitabilité incroyable. L’automatisation, le machine learning, la robotique, les drones et ces technologies innovantes optimisent et renouvellent le monde du génie. Qu’est-ce qu’il en est de son impact environnemental?
Que cela soit clair, il ne s’agit pas d’une étude approfondie mais plus d’un questionnement sur l’impact de l’Intelligence Artificielle sur le climat. L’on n’est pas sans savoir la surconsommation énergétique des centres de données à travers le monde. Déjà, pour parler de l’intelligence artificielle, précisons les termes les plus en vogue :

       1. Machine Learning (Apprentissage automatique)
Une des principales disciplines de l’IA est le Machine Learning. Il s’agit d’exploiter des masses de données brutes, de les transformer en connaissance, et ce, de manière automatique afin de prendre de meilleures décisions.

       2. Deep Learning (Apprentissage en profondeur)
Le Deep Learning est une technique d’apprentissage automatique, une sous catégorie de l’intelligence artificielle, qui permet de créer un réseau de neurones pour permettre à la machine d’apprendre par elle-même. Par exemple, pour qu’une machine reconnaisse le texte ou le visage d’une personne sur une image, la machine décompose l’image et va reconnaître des caractéristiques telles que la bouche, le visage, les cheveux, etc. Avec les méthodes traditionnelles, la machine se contente de comparer les pixels. Le Deep Learning permet un apprentissage sur des caractéristiques plus abstraites, non prédictif que les valeurs de pixels, qu’elle va elle-même construire.

       3. Réseau de neurone
L’apprentissage en profondeur se sert de neurones artificiels interconnectés et organisés, qui grâce à des algorithmes d’apprentissage, permettent des applications concrètes telles que la reconnaissance des formes, la traduction d’un document ou la description d’une image.
Les réseaux de neurones n’essaient pas de copier ou de simuler le cerveau. Mais, donner des idées pour la construction de machines, des ordinateurs qui s’inspirent de ces principes.

       4. Big Data
L’apprentissage profond a été rendu possible grâce à la puissance de calcul des ordinateurs et la quantité massive de données. Ce volume impressionnant de données produites, collectées, rassemblées et structurées ou non, en temps réel ou non, ce sont les mégadonnées.

       5. Data Mining (forage de données)
L’exploration des données, aussi nommée data mining, est une phase de segmentation de données, d’identification des patterns et de tendances, puis d’extraction de connaissances à partir des informations stockées dans le big data. C’est le terrain de jeu des algorithmes et des calculs statistiques ou mathématiques.

       6. Algorithme
Un algorithme est une méthode pour résoudre des problèmes, autrement dit une manipulation mathématique dans un langage de  programmation qui permet de convertir une donnée entrante en une donnée sortante avec une valeur ajoutée et ce, selon un objectif bien précis.