L’intelligence Artificielle dans le domaine de l’énergie
Le 25/08/2021
Cet article vous est proposé par Neovision, exposant sur le SIDO Paris 2021
L’Intelligence artificielle compte son lot d’enthousiastes et de détracteurs. Pour les seconds, l’un de leurs arguments favoris réside dans le fait que l’IA, et plus largement le numérique, consomme beaucoup d’énergie et représente donc un coût environnemental important.
Nier le fait que l’apprentissage machine est énergivore serait vous mentir, et cela ne ressemble pas à Neovision.
Toutefois, si l’apprentissage consomme de l’énergie, tous les entraînements ne se valent pas. Si l’entraînement de GPT-3 représente l’équivalent CO2 d’un vol aller-retour New York – San Francisco, il s’agit là d’un modèle assez singulier et probablement le plus lourd au monde. Il a ingurgité plus de 500 milliards de mots, 150 fois Wikipédia dans toutes les langues.
De plus, si l’apprentissage est énergivore, le constat n’est pas le même pour l’inférence, quand une IA est mise en production et réellement utilisée.
Pour résumer, pour l’apprentissage, l’IA consomme beaucoup, une fois mise en production, celle-ci consomme beaucoup moins. Or, l’apprentissage est ponctuel, l’inférence est récurrente.
Un peu comme pour les humains en somme, apprendre nous demande beaucoup d’énergie, mais quand nous avons un acquis il est facile de s’en servir régulièrement.
Les exemples qui suivent vous montreront que dans le domaine du smart building ou de la gestion de l’énergie, l’intelligence artificielle trouve autant d’applications que de bienfaits. Petit tour d’horizon !
Le smartbuilding s’occupe de vous, de vos équipements et de votre facture d’électricité
Quel est, selon vous, le secteur consommant le plus d’énergie en France ? On vous avait donné un indice dans le titre. Il s’agit bien du bâtiment ! Il représente à lui seul 44% de la consommation d’énergie en France. Sans être réellement surprenant, ce constat nous invite à nous questionner quant à l’importance de rendre nos bâtiments moins énergivores.
Si nous pouvons, bien entendu, remettre en question certaines habitudes et comportements, l’intelligence artificielle peut également nous y aider et accélérer le processus.
En couplant l’analyse de la consommation énergétique de certains équipements à l’analyse de nos habitudes et comportements, un bâtiment intelligent est capable d’anticiper nos besoins, de limiter la friction technologique et de lisser notre consommation d’énergie.
Par exemple, si un capteur indique qu’il ne reste plus personne dans une pièce un vendredi soir à 17h et que l’historique nous fait savoir que la consommation énergétique décroît à partir de 16h30, une intelligence artificielle pourra automatiser la GTB et ainsi couper la lumière et la clim/chauffage qui étaient restés allumés. A la clé, des économies sur la facture et un impact environnemental réduit ! Jackpot !
Cas client
Schneider et Neovision ont notamment travaillé sur ce sujet. Le but était de rendre un capteur infrarouge intelligent. Par intelligent, il faut comprendre que le but était de faire en sorte que ce capteur soit capable de détecter des humains. Jusque là, rien de révolutionnaire. Mais le projet ne s’arrête pas là ! Outre le fait de détecter des humains, le capteur devait également pouvoir reconnaître les postures des différentes personnes présentes dans la pièce : assises, debout ou couchées.
De cette reconnaissance de posture, il fallait ensuite en déduire une activité. Chose rendue possible grâce à l’apprentissage automatique.
Un autre challenge portait sur les contraintes inhérentes au capteur et à son déploiement. Pour rester facile à déployer et installer, le capteur devait fonctionner sur batterie. Et la batterie devait tenir plusieurs années. Autant vous dire que la puissance et l’énergie disponibles étaient faméliques.
En fin de compte, les prédictions produites par l’IA Neovision étaient utilisées pour piloter la GTB du bâtiment et ainsi l’optimiser : climatisation, éclairage, chauffage. Le but étant de réduire et lisser la consommation énergétique du bâtiment !
Prédiction et effacement : au revoir les pics de consommation
Souvent présenté comme une solution écologique, le véhicule électrique pose également des problèmes. Le gouvernement chinois pourra en témoigner. Depuis 2017, le gouvernement incite ses habitants à s’équiper de voitures électriques et impose d’impressionnants quotas aux constructeurs automobiles – vendre 12% de véhicules électriques en 2020.
Mais il y a un problème. Ces ventes importantes de voitures électriques entraînent des pics de consommation monumentaux. Pourquoi ? Parce que tout le monde recharge sa voiture en même temps. Pour répondre à cette demande, les centrales à charbon tournent à plein régime et font exploser les émissions de CO2. Les conséquences sont catastrophiques avec une large augmentation de la pollution atmosphérique.
Là encore, l’IA a un rôle à jouer. La promotion de l’effacement est une excellente solution pour éviter les pics de consommation et donc de pollution. Pour cela, il est nécessaire de pouvoir prédire la consommation électrique, de façon fine et rapide, au plus près du temps réel.
En prédisant la consommation réelle à quelques heures dans le futur, il est possible d’inciter la population ou les entreprises à effacer leur consommation électrique et ainsi décaler certaines tâches non urgentes de quelques heures. En couplant cette prédiction de consommation à une technologie de planification, les processus industriels gagnent en flexibilité, lissent la consommation électrique et permettent à la société de faire des économies en consommant lorsque l’énergie est moins chère.
Quand l’IA limite la consommation énergétique… de l’IA !
On le sait, l’intelligence artificielle peut consommer beaucoup d’énergie – notamment lors de la phase d’apprentissage – c’est un fait. Néanmoins, ce n’est pas une fatalité grâce à l’IA. L’intelligence artificielle permet donc à l’intelligence artificielle de gagner en efficacité énergétique (WTF?).
Aujourd’hui, les data centers représentent 1 à 3% de la consommation électrique mondiale. C’est à la fois peu et énorme. Un phénomène qui devrait aller crescendo pour atteindre 10% de la production mondiale d’ici à 2030 ! D’autres études tendent à montrer que l’appétit des data centers croît moins rapidement que leurs capacités (+550% sur la quantité de calcul entre 2010 et 2018 tandis que la consommation n’a progressé que de 6%).
Quoiqu’il en soit, ce n’est pas rien et on comprend mieux pourquoi l’efficacité énergétique est un enjeu que les GAFA entendent prendre à bras le corps. Pour cela, ils basent leurs analyses sur un indice : le PUE (Power Usage Effectiveness). Cet indice permet de faire le rapport entre l’énergie totale utilisée par le centre de données et l’énergie réellement consommée par les équipements informatiques. Un PUE de 1 signifie que toute l’énergie consommée est dédiée aux équipements : chose impossible, mais pourquoi ? Qui dit équipement informatique qui fonctionne à plein régime dit production de chaleur et donc besoin en refroidissement. Or, refroidir des machines, cela demande de l’énergie. La plupart du temps, les data centers mise sur le watercooling. Pour faire simple, des tuyaux remplis d’eau fraîche en mouvement traversent les serveurs pour créer un échange thermique.
Depuis 2014, Google s’appuie sur l’IA pour optimiser son système de refroidissement. En 2016, cette intelligence artificielle, développée par sa filiale DeepMind, recommandait un scénario d’exploitation idéal en fonction de deux prédictions : les températures et la charge de travail demandées aux serveurs.
Mais ils sont allés plus loin. Dès 2018, nous apprenions que désormais l’IA pilote en totale autonomie le refroidissement des centres de données, sans intervention humaine. Toutefois, des mécanismes de contrôle ont été implémentés de façon à pouvoir reprendre la main à tout moment !
Mais Google et les autres GAFA ne sont pas les seuls sur le sujet : Schneider Electric propose Cooling Optimize, une IA dédiée au pilotage des armoires de climatisation optimisant le débit d’air dans un data center en fonction des conditions environnementales et des modifications de l’infrastructure.