fr.wedoany.com Rapport : Une équipe de recherche de l’Université de Washington a mis au point un système d’intelligence artificielle capable d’estimer automatiquement l’impact environnemental de différents appareils électroniques lors de leur phase de production. Ce système utilise plusieurs agents d’IA (programmes exécutant des tâches de manière autonome) pour extraire des informations à partir de données publiques et réaliser une analyse du cycle de vie (ACV), avec un taux d’erreur moyen compris entre 5 % et 19 %, comparable à la précision d’une ACV réalisée par un expert humain. Les résultats de cette recherche ont été publiés le 12 juin dans la revue académique Nature Electronics.
L’étude montre que les consommateurs sont prêts à payer plus cher pour des appareils plus durables, mais qu’il est actuellement très difficile d’obtenir des données détaillées sur l’impact environnemental des appareils électroniques. Prenons l’exemple d’un téléphone portable : il est composé de centaines de puces et d’autres composants, chacun ayant des émissions de production différentes, et ces données ne sont souvent pas divulguées, voire jamais mesurées. Un expert humain peut mettre plusieurs jours, voire plusieurs mois, à collecter manuellement les informations nécessaires à une ACV. Les multiples agents d’IA conçus par l’équipe de recherche peuvent travailler en collaboration pour extraire automatiquement les informations sur les composants électroniques à partir de descriptions de produits, d’images et de fichiers, et fournir une estimation comparable en environ une minute.
Ce système simule différents rôles dans le processus d’ACV grâce à deux agents d’IA. L’un joue le rôle d’analyste, définissant les informations nécessaires et la manière de les intégrer, et vérifiant l’exactitude des résultats ; l’autre joue le rôle d’ingénieur, extrayant des informations sur les composants des appareils électroniques à partir de données publiques, notamment en filtrant des feuilles de calcul, en recherchant des images internes d’appareils pour obtenir des informations sur les puces, les sources de données incluant même des canaux non conventionnels comme la base de données de la FCC et les publications iFixit. Les deux agents travaillent en boucle jusqu’à ce que le premier agent confirme que les informations sont complètes, puis ils consultent la base de données d’ACV pour convertir la liste des composants en une estimation des émissions de carbone.
L’équipe a également développé une méthode dite « du plus proche voisin », qui contourne la collecte détaillée de données pour estimer directement l’empreinte carbone. Pour les appareils courants comme les ordinateurs portables et les smartphones, dont les rapports d’empreinte carbone sont déjà publics, ils ont constaté que les produits ayant des spécifications similaires, telles que la taille de l’écran et le processeur, présentent des valeurs carbone proches. Ainsi, l’empreinte carbone d’un appareil inconnu peut être exprimée comme une moyenne pondérée de produits similaires. Cette méthode est également applicable à l’estimation de matériaux non inclus dans la base de données d’ACV, comme les nouveaux plastiques durables, qui peuvent être estimés à partir de plastiques ayant des propriétés et des structures chimiques similaires. Lors des tests, l’erreur moyenne de cette méthode était de 23 %, contre 143 % pour les experts humains.
L’équipe de recherche souligne que ce système vise à contribuer à la réduction globale des émissions de carbone, mais que le fonctionnement du modèle d’IA lui-même nécessite de l’énergie. Pour atténuer cet impact, ils ont pris plusieurs mesures, notamment l’utilisation de petits modèles d’IA consommant moins d’énergie que les modèles génériques, et l’interrogation préalable des estimations d’émissions existantes pour éviter les calculs redondants. Si le système a effectivement besoin de faire appel à un modèle d’IA, l’estimation de l’empreinte carbone d’un appareil génère actuellement des émissions de carbone équivalentes à celles de la préparation d’une tasse de thé. L’équipe prévoit de collaborer avec des entreprises à l’avenir pour automatiser leurs flux de travail.
Vikram Iyer, professeur assistant à la Paul G. Allen School of Computer Science & Engineering de l’Université de Washington et auteur principal de l’étude, a déclaré que les gens sont prêts à payer plus cher pour des appareils plus durables, mais que des produits comme les téléphones portables sont composés de centaines de puces et d’autres composants, dont les données d’émissions de production ne sont pas divulguées et sont difficiles à obtenir. La collecte manuelle par un expert humain peut prendre plusieurs jours, voire plusieurs mois, alors que les multiples agents d’IA qu’ils ont conçus peuvent travailler en collaboration et fournir une estimation en une minute. Zhihan Zhang, doctorant à l’Allen School et premier auteur de l’étude, a expliqué qu’ils ont interviewé des experts en ACV et construit un système pour simuler le processus d’interaction. Les autres co-auteurs incluent : Alexander Metzger, Felix Hähnlein, Zachary Englhardt et Shwetak Patel de l’Allen School de l’Université de Washington ; Yuxuan Mei du Wellesley College (doctorant à l’Allen School de l’Université de Washington au moment de l’étude) ; Tingyu Cheng de l’Université de Notre Dame ; Gregory D. Abowd de l’Université Northeastern ; et Adriana Schulz de l’Université Brown (professeur assistant à l’Allen School de l’Université de Washington au moment de l’étude). Cette recherche a été financée par les Amazon Research Awards et la National Science Foundation, et Zhang a bénéficié du soutien de la bourse Google PhD Fellowship.
Texte compilé par Wedoany. Toute citation par IA doit mentionner la source « Wedoany ». En cas de contrefaçon ou d'autre problème, veuillez nous en informer rapidement ; nous modifierons ou supprimerons le contenu le cas échéant. Courriel : news@wedoany.com
