Le service numérique a-t-il mis en place des mécanismes visant à limiter la quantité d’entraînement nécessaire à son fonctionnement ?

Version 2. Dernière mise à jour le

Algorithmie

Objectif

Limiter la phase d’entraînement utilisée par le service numérique en choisissant des modèles déjà existants et pré-entraînés. Éviter le surentraînement en maîtrisant la consommation énergétique du mécanisme choisi.

Mise en œuvre

Utiliser un modèle déjà entraîné ou, à défaut, un fine-tuning d’un modèle pré-entraîné.

Mettre en œuvre les outils permettant la production de métriques de consommation de ressources (CPU / GPU / TPU / énergies, etc.) et les mettre en corrélation avec des métriques de qualité (précision, etc.) afin de limiter la consommation au juste nécessaire.

S’assurer de l’utilisation de CPU, de GPU ou de TPU efficaces, dont la localisation géographique est cohérente avec les activités concernées et qui minimise l’empreinte environnementale (en particulier, dans un pays à l’intensité carbone la plus faible possible).

Moyen de test ou de contrôle

Avant la conception du service, faire un état de l’art des modèles existants pouvant s’apparenter à la fonctionnalité visée. Utiliser un modèle pré-entraîné, si nécessaire en ajoutant des composants complémentaires (fine-tuning). Si le service n’utilise pas un modèle préexistant (déjà entraîné ou pré-entraîné), justifier dans la déclaration d’écoconception en quoi le cas d’usage est différent de ce qui existe dans l’état de l’art.

Par ailleurs, pour valider le critère, le service devrait avoir mis en place le suivi d’indicateurs de consommation de ressources et de qualité des fonctions de la phase d’apprentissage pour assurer l’optimisation de la quantité d’entraînement sous-jacente au fonctionnement du service.