Ensemble de techniques de fine-tuning qui n'ajustent qu'une fraction des paramètres d'un modèle pré-entraîné (typiquement 0,1 à 5 %), au lieu de ré-entraîner l'intégralité du réseau. Les méthodes PEFT (LoRA, QLoRA, Adapters, Prefix-Tuning) réduisent considérablement les besoins en calcul, en mémoire et en énergie, constituant un levier majeur de l'IA frugale.
Le Fine-tuning efficient en paramètres (PEFT) représente une opportunité majeure pour la sobriété numérique et la réduction de l'empreinte environnementale de l'IA, en limitant drastiquement la consommation d'énergie et les émissions de carbone liées à l'entraînement des modèles, contribuant ainsi aux objectifs de l'ESRS E1 (changement climatique) et E3 (ressources en eau et marines) par une gestion plus frugale des ressources.
Une entreprise adapte un modèle de langage généraliste à l'analyse ESRS en appliquant LoRA (Low-Rank Adaptation) : seuls 0,5 % des paramètres sont modifiés, réduisant le coût de fine-tuning de 95 % et l'empreinte carbone de 90 % par rapport à un fine-tuning complet.
Termes connexes (Technologie)
IA fantôme (Shadow AI)
Utilisation non autorisée d'outils d'intelligence artificielle par les employés, contournant les politiques de sécurité, de conformité et de gouvernance de l'entreprise. Ce phénomène représente un risque ESG majeur : fuite de données sensibles, non-conformité RGPD/IA Act, absence de traçabilité et d'audit.
Ingénierie de prompt ESG
Discipline d'optimisation des instructions textuelles (prompts) données aux modèles d'IA pour obtenir des réponses pertinentes, précises et conformes aux exigences du reporting de durabilité. Inclut la structuration des requêtes, l'injection de contexte réglementaire et la réduction des hallucinations.
Hallucination IA
Génération par un modèle d'IA de contenus faux, inventés ou non étayés par les données sources, présentés avec une apparence de certitude. Risque critique pour le reporting ESG où l'exactitude et la traçabilité des informations sont essentielles pour l'audit externe.
Token (unité de traitement IA)
Unité élémentaire de texte traitée par les modèles de langage (environ 4 caractères ou 0,75 mot en français). Le nombre de tokens détermine le coût de calcul, la consommation énergétique et l'empreinte carbone d'une requête IA. Métrique clé pour l'optimisation Green AI.
GPU (Processeur graphique)
Processeur spécialisé dans le calcul parallèle, essentiel pour l'entraînement et l'inférence des modèles d'IA. Les GPU représentent la principale source de consommation énergétique et d'émissions carbone des infrastructures IA, avec des enjeux d'approvisionnement en terres rares et de recyclage.
Récupération de chaleur fatale (data center)
Valorisation de la chaleur résiduelle générée par les serveurs et GPU des centres de données pour alimenter des réseaux de chauffage urbain, des serres agricoles ou des processus industriels. Levier clé d'économie circulaire pour réduire l'impact environnemental net des infrastructures IA.