L'expansion rapide de l'intelligence artificielle pose un défi énergétique majeur, avec des projections indiquant que les centres de données américains pourraient consommer jusqu'à 12 % de l'électricité totale d'ici 2028. Pour répondre à cette urgence de durabilité, des chercheurs du MIT et du MIT-IBM Watson AI Lab ont développé une méthode inédite pour estimer la consommation électrique de l'IA en quelques secondes, contre plusieurs heures ou jours pour les approches traditionnelles. Cette innovation, présentée lors du symposium international de l'IEEE sur l'analyse de performance des systèmes, vise à permettre aux opérateurs de centres de données et aux développeurs d'algorithmes d'évaluer l'efficacité énergétique avant le déploiement. L'outil, baptisé EnergAIzer, est conçu pour fonctionner sur une large gamme de configurations matérielles, y compris des architectures émergentes qui n'ont pas encore été déployées. La méthode repose sur l'identification de motifs répétitifs inhérents aux charges de travail de l'IA. Contrairement aux techniques classiques qui simulent étape par étape chaque module du processeur graphique (GPU), une approche trop lourde pour des opérations complexes, les chercheurs exploitent les optimisations structurelles que les développeurs de logiciels appliquent déjà pour maximiser l'efficacité. Ces optimisations créent une structure régulière que le modèle léger d'estimation peut analyser rapidement pour prédire la consommation. Cependant, la vitesse ne devait pas se faire au détriment de la précision. Les chercheurs ont intégré des termes de correction basés sur des mesures réelles pour prendre en compte les coûts énergétiques fixes liés à l'initialisation des programmes et les pertes dues aux conflits d'accès aux données ou aux fluctuations matérielles. Cette combinaison permet à EnergAIzer de fournir une estimation fiable avec une marge d'erreur d'environ 8 %, un niveau comparable aux méthodes traditionnelles mais obtenu en une fraction du temps. Les utilisateurs peuvent désormais fournir des informations sur leur charge de travail, telles que le modèle d'IA visé et la quantité de données à traiter, pour obtenir une estimation de la consommation instantanément. L'outil permet également de tester virtuellement l'impact de différents choix de configuration, comme la vitesse d'opération d'un GPU, sur la consommation globale. Cette capacité à comparer rapidement différentes stratégies aide à l'allocation optimale des ressources limitées entre plusieurs modèles et processeurs. L'équipe, dirigée par la post-doctorante Kyungmi Lee et le directeur du MIT Anantha P. Chandrakasan, espère que cet outil incitera plus largement l'industrie à intégrer la réduction de la consommation énergétique dès la phase de conception. À l'avenir, les chercheurs prévoient de tester la solution sur des configurations de GPU plus récentes et de l'étendre pour gérer des environnements où de multiples processeurs collaboreraient simultanément. Ce développement représente une étape cruciale vers un écosystème informatique plus durable, offrant aux concepteurs de matériel, aux opérateurs et aux développeurs un retour d'information immédiat sur l'empreinte carbone de leurs décisions techniques. Les résultats de cette étude, financée en partie par le MIT-IBM Watson AI Lab, soulignent l'importance d'outils rapides pour rendre la transition énergétique de l'IA accessible et efficace à grande échelle.