La place de l’IA dans notre société évolue, son empreinte carbone également. Une étude de Goldman Sachs montre que la consommation énergétique de l'IA devrait être multipliée par 2,5 d'ici 2030. Sam Altman, le PDG d'OpenAI, a déclaré à Davos que l'avenir de l'IA dépendait d'une disruption dans le domaine de l’énergie. Ne faudrait-il donc faire aucun effort en attendant cette fameuse disruption ?
Cela représente bien un manque à gagner car, en IA, allier durabilité, réduction des coûts et amélioration de l’expérience utilisateur est possible. Photoroom l’a vécu en 2023 avec, à la clé, un chiffre d'affaires annuel récurrent (ARR) qui a doublé en un an, de 20 millions d’ARR fin 2022 à 40 millions d’ARR fin 2023. En 2024, nous réitérons notre engagement avec un passage en énergie renouvelable lors de la phase d’entraînement de nos modèles, ainsi que de nouvelles améliorations d’algorithme, en termes de temps de calcul et qualité de génération.
Le mode opératoire de Photorooom
Dans la plupart des industries, investir dans la durabilité constitue un effort supplémentaire, souvent en marge du business model de l’entreprise. Or, en IA, ce n’est pas le cas : travailler sur la durabilité de l'IA constitue en fait un win-win-win, où les entreprises peuvent simultanément améliorer l'expérience utilisateur, réduire les coûts, et limiter leur impact environnemental. En effet, en optimisant ses modèles, Photoroom a pu fournir des résultats plus rapides et plus pertinents, conduisant à un meilleur engagement de ses utilisateurs, tout en contribuant à la réduction des coûts et à la baisse des émissions de CO2.
Voici comment cela a été réalisé :
- Améliorer l'expérience utilisateur : En réduisant le temps nécessaire pour traiter les images — de 2 minutes à 2 secondes — et en améliorant la qualité de l'image générée, nos utilisateurs ont pu obtenir des résultats de niveau professionnel, rapidement avec une expérience utilisateur fluide et une adoption boostée.
- Réduire les coûts : Photoroom traite plus de 2 milliards d'images par an. Optimiser les temps de traitement permet d’utiliser moins de ressources informatiques (GPU), et donc de réduire considérablement les coûts opérationnels. Grâce à une IA plus efficace, il devient possible de servir davantage d'utilisateurs tout en maintenant des coûts d'exploitation faibles.
- Réduire les émissions de CO2 : En réduisant le temps nécessaire pour générer des résultats, Photoroom minimise les ressources informatiques utilisées et l’électricité requise pour chaque requête, ce qui entraîne directement une réduction des émissions de CO2. Générer l’arrière-plan d’une photographie consomme seulement l’équivalent de 30 secondes d’une LED allumée en électricité, et de 3 respirations humaines en CO2.
Ces points mettent en évidence que les efforts vers une IA durable peuvent aller de paire avec une amélioration de l'expérience utilisateur et la réduction des coûts de fonctionnement.
Pourquoi l’IA consomme de l’énergie
Pour comprendre comment l'IA impacte l'environnement, il est essentiel de décomposer comment l'IA consomme de l'énergie. Les besoins énergétiques des technologies d'IA proviennent principalement de deux étapes : l'entraînement et l'inférence.
- L'entraînement : La phase d'entraînement est comparable à la construction d'une voiture : elle est gourmande en énergie, car elle implique le traitement de vastes quantités de données pour affiner et ajuster les paramètres du modèle d'IA. Cette phase peut durer des semaines ou des mois, avec des GPU puissants fonctionnant en continu, et consommant une énergie considérable. La complexité du modèle, la quantité de données traitées et la durée de l'entraînement contribuent à la consommation d'énergie globale. Pendant cette phase, les serveurs fonctionnent sans interruption pour traiter les données.
- L'inférence : Après l'entraînement, l'IA entre dans la phase d'inférence, où elle traite les requêtes des utilisateurs ou génère des sorties. Cette phase est comparable à la conduite de la voiture : chaque requête à laquelle l'IA répond consomme de l'énergie. Avec l'augmentation de l'adoption de l'IA et de son utilisation, le volume de requêtes d'inférence croît, ce qui entraîne une augmentation proportionnelle de la demande énergétique. La consommation énergétique en inférence est particulièrement conséquente pour les entreprises d'IA ayant une grande base d'utilisateurs, avec des millions, voire des milliards, de requêtes traitées chaque année.
Des développements durables dans l'IA
Les entreprises engagées en matière de durabilité dans l'IA peuvent prendre des mesures concrètes pour optimiser les phases d'entraînement et d'inférence afin de réduire la consommation d'énergie et minimiser leur empreinte carbone.
- Optimiser l'entraînement : En 2024, Photoroom a opté pour Genesis Cloud, un fournisseur d'énergie renouvelable alimenté par hydroélectricité . Cette transition a permis de réduire de manière significative l'impact environnemental des opérations de Photoroom : plus de 1000 tonnes de CO2e par an, soit l'équivalent des émissions de 1000 vols entre Paris et New York, sont désormais produites par une énergie renouvelable plutôt que carbonée. En choisissant de l'énergie verte, les entreprises d'IA peuvent réduire considérablement leur empreinte carbone, même dans des processus énergivores comme l'entraînement des modèles, contribuant ainsi positivement aux objectifs de durabilité.
- Optimiser l'inférence : L'inférence de Photoroom fonctionne sur des serveurs Google Cloud, capables de gérer le volume élevé de requêtes que nous traitons — plus de 2 milliards d'images par an — tout en ayant l'un des impacts carbone les plus faibles de l'industrie. Le score CFE (carbon-free energy) de Google dans cette région est de 95%, garantissant que l'énergie alimentant l'infrastructure d'inférence de Photoroom est principalement renouvelable. Photoroom a également présenté des optimisations d'inférence lors de l'événement Nvidia NGC 2024, qui ont permis de réaliser une réduction de la latence de 25%. En outre, la distillation a réduit le nombre d'étapes de traitement nécessaires, passant de 20 à 6, obtenant ainsi une réduction de la latence par 3, ce qui contribue à de meilleures performances et à une moindre consommation d'énergie.
- Développer des modèles spécialisés : Les modèles spécialisés sont conçus pour traiter des cas d'utilisation spécifiques, plutôt que de tenter de traiter un large éventail de tâches. Ces modèles nécessitent généralement moins de paramètres, des durées d'entraînement plus courtes et un temps d’inférence plus rapide.En se concentrant sur des modèles d'IA spécialisés pour leurs cas d’usage, les entreprises peuvent minimiser la consommation d'énergie tout en améliorant la qualité des résultats.
- Améliorer la qualité des résultats : Il est fréquent que les utilisateurs d'IA générative multiplient les requêtes pour obtenir le résultat souhaité. Réduire le temps d'exécution au niveau de chaque requête peut donc sembler inefficace si l'utilisateur doit faire 20 prompts pour obtenir le résultat escompté. Un moyen efficace de contrebalancer cet effet est de tenter de générer le résultat attendu en limitant le nombre de générations nécessaires. En concevant des modèles plus pertinents et plus efficaces, les entreprises d'IA peuvent minimiser la consommation d'énergie à une échelle plus large que celle de la requête individuelle, en réduisant ainsi le nombre total de requêtes et l'énergie consommée globalement.
Les opportunités et le chemin vers un écosystème d'IA durable
La durabilité dans l'IA représente une opportunité win-win-win pour les entreprises. En se concentrant sur l'amélioration de l'expérience utilisateur, la réduction des coûts et la limitation de l'impact environnemental, les entreprises d'IA peuvent débloquer une valeur significative pour elles-mêmes et leurs clients.
L'écosystème plus large de l'IA joue un rôle essentiel dans la durabilité, et tous les acteurs — fournisseurs de cloud, développeurs et utilisateurs finaux — peuvent prendre en compte des critères durables en sélectionnant leurs fournisseurs et partenaires, tels que l'utilisation d'énergie renouvelable, la faible consommation d'énergie et l'engagement à minimiser l'impact environnemental.
Un avenir durable dans l'IA nécessitera une collaboration plus responsable à l’échelle de l'écosystème.
Si vous souhaitez en savoir plus sur la vision de Photoroom, retrouvez Lyline Lim lors de la MKIA, notre événement dédié à l'IA, le 29 avril à la salle Gaveau. Elle prendra la parole lors de la table-ronde "Comment réduire l'empreinte écologique de l'IA ?".
