Aller au contenu
Apprendre.
  • M1 · toutes les matières15 matières : Préparation de données, API & sécurité, CI/CD, Docker, Merise, Dataviz, KNIME, ML appliqué : projet LoL, SQL & UML, SQL avancé, Machine Learning, Git, IA frugale & responsable, Qualité des données, MathématiquesAnnée
  • M2 · toutes les matières4 matières : Deep Learning, AI Act, Comex & Fundraising, Gouvernance & DataMeshAnnée
  • Deep LearningM2 · 4 modules · Réseaux de neurones, CNN, texte, modèles génératifs.Matière
  • Préparation de donnéesM1 · 3 modules · Nettoyer, transformer et fusionner des données avec Python.Matière
  • API & sécuritéM1 · 2 modules · Consommer, concevoir et sécuriser des API.Matière
  • CI/CDM1 · 1 module · Intégration et livraison continues.Matière
  • DockerM1 · 3 modules · Conteneurs, images, volumes, réseaux, Compose.Matière
  • MeriseM1 · 2 modules · Modéliser une base : MCD, MLD, MPD.Matière
  • DatavizM1 · 2 modules · Visualiser pour comprendre et décider.Matière
  • KNIMEM1 · 1 module · Explorer et nettoyer des données en workflow.Matière
  • ML appliqué : projet LoLM1 · 2 modules · Du besoin métier au POC de vision par ordinateur.Matière
  • SQL & UMLM1 · 3 modules · Modèles UML et requêtes SQL.Matière
  • SQL avancéM1 · 3 modules · Jointures, fenêtres, CTE, optimisation.Matière
  • Machine LearningM1 · 3 modules · Régression, classification, segmentation, projet.Matière

↑↓ naviguer↵ ouvre le résultat en surbrillanceesc fermer

Partie 1 · IA frugale

Bilan : les 15 bonnes pratiques

Le support se conclut par 15 bonnes pratiques. Retiens-les par famille, avec les chiffres qui les justifient.

FamilleBonnes pratiques du cours
BesoinBP1 n'utiliser l'IA générative ou agentique que si aucune autre solution IT ne résout le problème ; BP2 éviter les LLM à raisonnement ou qui recherchent sur tout internet ; BP3 préférer l'IA générative à l'IA agentique, bien plus impactante
Infrastructurechoisir un cloud aux datacentres à faible intensité carbone ; BP4 inférence par CPU (ou NPU/TPU) plutôt que GPU
Modèles et donnéesBP5 datasets spécialisés plutôt que tout internet ; BP6 modèles spécialisés pour une tâche (traduction : DeepL au lieu de ChatGPT) ; BP7 moins de paramètres, moins d'impacts ; BP8 générer du texte seulement quand possible ; BP9 IA locale quand possible (attention au hardware) ; BP10 open source, plus transparent et mesurable
MesureBP11 évaluer l'impact à chaque étape avec les bons outils ; BP12 connaître les limites de ces évaluations, surtout celles des GAFAM
Usage et gouvernanceBP13 green prompting (méthode COSTAR) ; BP14 fixer des limites d'impacts à ne pas dépasser ; BP15 mettre en place une Charte IA Responsable

Remarque : le support numérote deux fois « BP3 » (préférer l'IA générative à l'agentique, et choisir un cloud bas carbone) ; on les distingue ici par leur contenu.

Vérifie que tu as compris

Quelle bonne pratique du cours recommande de recourir à un modèle spécialisé plutôt qu'à un généraliste ?

La séquence en une page

  1. Contexte : six limites planétaires dépassées, 4 % des émissions mondiales, ressources finies.
  2. Impacts : électricité, eau, déchets, et 70 % des impacts de l'IA qui ne sont pas des émissions ; l'inférence domine (80-90 %).
  3. Société : personnes vulnérables, data workers, emploi.
  4. Solutions : besoin d'abord, puis datacentres, hardware, modèles petits et open source, data frugale, green prompting.
  5. Mesurer : EcoLogits, CodeCarbon, AI Energy Score, Compar:IA ; ACV et PEF ; méfiance envers les chiffres incomplets.
  6. Cadres : AI Act, AFNOR, Green IT ; pratique : limites d'impact et charte IA responsable.

Vérifie que tu as compris

Quel ordre de priorité résume le mieux la démarche frugale du cours ?