caractéristiques qu’il sont désormais disponibles.

Aujourd’hui, l’apprentissage profond atteint des

niveaux de précisions qui vont même jusqu’à dépasser les performances humaines.34
L’apprentissage profond repose sur une famille d’algorithmes qui fonctionnent sur la 35 base de
réseaux profonds de neurones artificiels (Figure 5) . La profondeur est en fait un terme technique qui
détermine le niveau de couches cachées dans le réseau de 31 FUMO, David. Op cit. note 26. 32
BAJAJ, Prateek. «Reinforcement learning», GeeksforGeeks, 17 mai 2020, en ligne : (Consulté le 31
août 2020). 33 MATHWORKS. «What Is Deep Learning? 3 things you need to know», The MathWorks,
Inc., s.d., en ligne : (Consulté le 31 août 2020). 34 Id. 35 L’OQLF définit le réseau de neurones profond
comme un «Réseau de neurones artificiels comportant de nombreuses couches cachées qui lui
permettent, en multipliant les possibilités de traitement, d'augmenter ses capacités d'apprendre,
d'améliorer son efficacité à effectuer certaines opérations complexes et d'accroître ses moyens de
résoudre certains problèmes difficiles.» OFFICE QUÉBÉCOIS DELALANGUEFRANÇAISE.«réseau de
neurones profond», 2018, en ligne : (Consulté le 25 janvier 2021). 13 36 neurones. Les réseaux de
neurones artificiels s’inspirent fortement de ce qu’on peut retrouver dans le système nerveux
biologique avec une couche d’entrée, une ou plusieurs couches dites «cachées» et une couche de
sortie. Figure 5 37 Chaque couche est interconnectée par des neurones ou des nœuds, et chaque
couche 38 utilise la couche précédente comme entrée. Contrairement au réseau peu profond qui ne
comporte qu’une seule couche cachée, les réseau de neurones profonds en ont 39 plusieurs, parfois
jusqu’à 150. C’est cette quantité de couches cachées qui permet à l’apprentissage profond de
résoudre et classifier des problèmes si complexes. Chaque entrée est divisée en plusieurs niveaux
d’abstractions et le réseau de neurone peut ainsi apprendre les caractéristiques des données dans
une hiérarchie de 36 SEROKELL. «Artificial Intelligence vs. Machine Learning vs. Deep Learning:
What’s the Difference», Medium, 10 avril 2020, en ligne (Consulté le 31 août 2020). : 37
MATHWORKS. «What Is a Neural Network? 3 things you need to know», The MathWorks, Inc., s.d.,
en ligne : (Consulté le 31 août 2020). 38 SEROKELL. Op cit. note 36. 39 [Link] cit. note 37.
14 caractéristiques, puisque des caractéristiques simples (un pixel, par exemple) vont se recombiner
d’une couche à l’autre pour former des caractéristiques plus complexes (une ligne, par exemple)
pour finalement résoudre le problème soumis (tel que la reconnaissance d’une image par les
algorithmes).40 L’apprentissage profond est utilisé dans plusieurs domaines, comme la
reconnaissance faciale, la conduite automobile autonome, les assistants vocaux, la traduction, etc.41
1.4 L’IA et le hardware Aujourd’hui, l’intelligence artificielle est exploitée via les ordinateurs. Il est
donc important de comprendre quel est le matériel informatique utilisé pour pouvoir ensuite mieux
comprendre les contraintes que ce matériel emmène, particulièrement au niveau de l’intelligence
artificielle. Lorsqu’on parle d’intelligence artificielle, deux acronymes qu’on retrouve régulièrement
sont CPU et GPU. L’acronyme CPU signifie Central Processing Unit, soit le processeur en termes plus
courants. Sa principale tâche est d’effectuer les différents calculs nécessaires au bon 42
fonctionnement de l’ordinateur. Il est souvent comparé au cerveau de l’ordinateur puisqu’il est
impliqué dans la plupart des tâches et calculs effectués par toutes les 40 SEROKELL. Op cit. note 36.
octobre 41 MARR, Bernard. «What Is Deep Learning AI? A Simple Guide With 8 Practical Examples»,
Forbes, 1er 2018, en ligne : (Consulté le 31 août 2020). 42 S.A. «CPU (Central Processins Unit) :
définition, traduction et acteurs», Journal du Net, 10 janvier 2019, en ligne : (Consulté le 31 août
2020). 15 43 autres composantes. C’est l’endroit où sont regroupées et traitées toutes les
informations permettant à l’ordinateur d’effectuer les tâches demandées par l’utilisateur.44
L'acronyme GPU, quant à lui, signifie Graphic Processing Unit, soit la carte graphique de l’appareil. Le
GPU est conçu pour effectuer des tâches qui nécessitent beaucoup de puissance. Son rôle dans
l’ordinateur est généralement de gérer l’affichage de l’image à l’écran.45 Un autre terme souvent
retrouvé lorsqu’on commence à regarder le fonctionnement d’un CPU et d’un GPU est le concept de
cœur (“core” en anglais). Un cœur de CPU est en fait un processeur. Autrefois, chaque processeur
n’avait qu’un seul cœur qui pouvait se concentrer sur une seule tâche à la fois. Aujourd’hui, le CPU
contient généralement entre deux et dix-huit cœurs, chacun pouvant travailler sur une tâche 46
différente. Malgré le fait qu’il n’y ait pas de consensus sur une définition de cœur de GPU, pour nos
fins, nous pouvons affirmer qu’il en contient beaucoup qu’un CPU (soit environ un millier). Grâce à
leurs milliers de cœurs qui fonctionnent simultanément, les GPU peuvent effectuer une quantité
massive de tâches en parallèle où chaque cœur se concentre sur des calculs efficaces.47 43 PERRET,
Christelle. «CPU, GPU, APU : qu’est-ce que c’est et quelles différences?», PaperGeek, 20 novembre
2018, en ligne : (Consulté le 31 août 2020). 44 S.A. Op cit. note 42. 45 CAULFIELD, Brian. «What’s the
Difference Between a CPU and a GPU?», Nvidia, 16 décembre 2009, en ligne : (Consulté le 31 août
2020). 46 HARDING, Scharon. «What Is a CPU Core? A Basic Definition», Future US inc., 23 août 2018,
en ligne : (Consulté le 31 août 2020). 47 OMNISCI. «How CPU and GPU Work Together», OmniSci,
s.d., en ligne : (Consulté le 31 août 2020). 16 Alors que les CPU parcourent une série de tâches
nécessitant beaucoup d'interactivité, les GPU décomposent les problèmes complexes en plusieurs
tâches qu’ils accomplissent en même temps. Puisque les GPU peuvent effectuer en parallèle une
grande quantité de tâches, ils sont maintenant couramment utilisés pour des tâches non graphiques
comme l’apprentissage informatique et le calcul scientifique. En 48 décomposant un problème
complexe en en milliers de calculs en parallèle, les GPU accélèrent de façon drastique la vitesse des
calculs effectués et donc la vitesse d’apprentissage et de traitement des données par des algorithmes
d’apprentissage automatique.49 Ayant ainsi examiné les différentes techniques employées dans le
domaine de l’intelligence artificielle, nous examinerons au cours de la seconde section de cet essai
ses applications possibles dans une optique de protection de l’environnement. Cette seconde section
nous permettra plus précisément d’identifier les différents secteurs d’intérêts pour lesquels
l’utilisation de l’IA apparaît la plus prometteuse. 48 Id. 49 S.A. Op cit. note 42. 17 2. Utilisation de
l’intelligence artificielle (IA) en environnement Parmi les différentes finalités de l’utilisation de l’IA,
certaines d’entre elles promettent d’améliorer l’efficacité (2.1) et la gestion de ressources
énergétiques (2.2) ou de déchets (2.3). D’autres promettent pour leur part de renforcer les
prédictions climatiques (2.4) ou l’application des normes environnementales (2.5). Toutefois,
l’utilisation de l’IA entraîne certains impacts négatifs, notamment liés à la pollution électronique
(2.6). Nous examinerons ainsi respectivement au cours des sous-sections suivantes les avantages et
inconvénients reliés à l’utilisation de l’IA dans le domaine de l’environnement. 2.1 Optimisation de
l’efficacité énergétique L’intelligence artificielle, et plus particulièrement l’apprentissage
automatique, peut contribuer au développement et à l’utilisation de sources d’énergie plus
écoresponsables en informant la recherche, le déploiement et le fonctionnement des technologies
des systèmes électriques. En effet, l’IA peut servir à optimiser l’efficacité énergétique soit en
prévoyant efficacement l’offre et la demande énergétique, en planifiant les meilleurs sites de
déploiement ou en réduisant les pertes énergétiques dans les réseaux de distribution. Plusieurs
initiatives ont déjà été entreprises en ce sens. Par exemple, Google utilise l’IA dans ses propres
centres de données pour optimiser sa consommation énergétique. Google est carbone neutre depuis
2007 en ayant choisi des énergies renouvelables et en investissant dans des programmes de
compensation 18 carbone, comme la plantation d’arbres et l’investissement dans l’énergie éolienne
et solaire. Afin de réussir leur objectif de n’utiliser que de l’énergie renouvelable, Google utilise son
programme AI DeepMind qui a réussi à réduire d’environ 40 % l’énergie utilisée par les systèmes de
refroidissement de ses centres de données du monde entier et d’environ 15 % pour sa
consommation globale d’énergie.50 Une autre grande compagnie américaine qui s’est lancée dans
l’intelligence artificielle est IBM. En juillet 2014, IBM a lancé une initiative de 10 ans en Chine
nommée «Green Horizon» dans le but de donner à la Chine les moyens de transformer ses systèmes
énergétiques nationaux et de répondre à ses besoins d'urbanisation durable. 51 Parmi les trois
projets de l’initiative, on retrouve l’intégration des énergies renouvelables et l’efficacité énergétique
industrielle.52 À cet égard, il y avait en 2013 une capacité d’énergie éolienne de 92 GW en Chine,
mais environ 25 à 40% de ce potentiel énergétique n'était pas utilisé. L’un des plus 53 gros défis
reliés à l’utilisation d’énergies renouvelables comme l’énergie éolienne ou l’énergie solaire réside
dans le fait qu’elles sont générées de façon variable et intermittente, et qu’elles sont ainsi peu
contrôlables. Les producteurs d’énergie ont besoin de prévoir la production d’énergie pour en
maximiser son utilisation. En 50 EVANS, Richard et Jim GAO. «DeepMind AI Reduces Google Data
Centre Cooling Bill by 40%», DeepMind, 20 juillet 2016, en ligne (Consulté le 31 août 2020). 51 IBM.
«Green Horizon», IBM, s.d., en (Consulté le 31 août 2020). 52 Id. 53 Id. ligne : : 19 combinant les
prévisions météorologiques et l’analyse de mégadonnées (Big Data)54 pour prévoir avec précision la
disponibilité des énergies renouvelables, la solution IBM Hybrid Renewable Energy Forecasting
(HyREF) permet aux entreprises de services publics de minimiser leurs pertes d’énergie en sachant à
l’avance la quantité d’énergie qui pourra être distribuée dans leur réseau ou stockée. La solution
d’IBM 55 permet donc une optimisation de l’utilisation des énergies renouvelables et contribue à
garantir le moins de gaspillage énergétique possible. Le système a déjà été utilisé pour une trentaine
de sources d'énergie éolienne, solaire et hydraulique. Le plus grand projet fut celui de la ville de
Zhangbei en Chine, géré par la State Grid Jibei Electricity Power Company Limited (SG-JBEPC). Grâce
au système d’IBM, SG-JBEPC a été en mesure d’intégrer 10% plus d’énergie alternative éolienne avec
une précision de prédiction de 90%, ce qui en fait un des systèmes de prévision d’énergie les plus
précis au monde.56 De plus, la Chine s’était engagée à réduire son empreinte carbone de 40-45%
d’ici 2020. Afin d’atteindre cet objectif, IBM a développé un nouveau système pour aider à surveiller,
gérer et optimiser la consommation d’énergie des entreprises industrielles qui représentent plus de
70% de la consommation totale d’énergie en Chine. À l’aide 54 Les mégadonnées (Big Data)
désignent un ensemble des données numériques extrêmement volumineuses qui peuvent être
analysées par ordinateur pour révéler des modèles, des tendances et des associations; S.A. «Big
data», Lexico, s.d., en ligne : (Consulté le 31 août 2020). En 2001, un analyste du cabinet Meta Group
(devenu Gartner) définit les mégadonnées avec le principe des «trois V» :-- S.A. un volume de
données de plus en plus massif la variété de ces données qui viennent de différentes sources et
peuvent être brutes, non structurées ou semi-structurées la vélocité, soit la vitesse de collecte, de
création et de partage de ces données qui désigne le fait que ces données sont produites, récoltées
et analysées en temps réel. «Big data», Futura, s.d., en : (Consulté le 31 août 2020). ligne 55 IBM. Op
cit. note 51. 56 Id. 20 d’une plateforme de mégadonnées et d’analyses déployées sur le cloud, le
système 57 permettra d’analyser de grandes quantités de données générées par des dispositifs de
surveillance de consommation d’énergie et pourra par la suite identifier les opportunités de
conservation d’énergie. Il pourrait, par exemple, identifier que dans une aciérie, le four à oxygène
gaspille de l’énergie parce que la température de la fumée dégagée est trop élevée. L’utilisation du
système permettrait ainsi, selon IBM, d’orienter les décisions d'optimisation et d’investissement dans
les industries chinoises qui sont plus énergivores, comme l’acier, le ciment, les produits chimiques et
les métaux non ferreux.58 Face au succès de Green Horizon en Chine, IBM a poursuivi sur sa lancée
avec un accord avec un grand fournisseur chinois d’énergie éolienne pour utiliser l'Internet of 59
Things (IoT) , le cloud computing, l'analyse des mégadonnées et d'autres technologies avancées pour
stimuler l'innovation et transformer leurs modèles 57 Le cloud (aussi appelé cloud computing ou
informatique en nuage) est une infrastructure dans laquelle les données stockées et la puissance de
calcul sont gérés par des serveurs qui sont accessibles par une liaison internet; S.A. «Cloud
computing», Futura, s.d., en ligne : (Consulté le 31 août 2020). Les serveurs cloud sont situés dans
des centres de données du monde entier. En utilisant le cloud computing, les utilisateurs et les
entreprises n'ont pas à gérer eux-mêmes des serveurs physiques ou à exécuter des applications
logicielles sur leurs propres machines ; CLOUDFLARE. «What Is the Cloud? | Cloud Definition»,
Cloudflare, s.d., en ligne (Consulté le 31 août 2020). 58 IBM. Op cit. note 51. : 59 L’Internet of Things
(IoT) est un concept décrivant le réseau d'appareils connectés ensemble grâce à l’Internet. En
combinant ces appareils connectés avec des systèmes automatisés, il est possible de «recueillir des
informations, de les analyser et de créer une action» pour aider quelqu'un dans une tâche
particulière ou apprendre d'un processus; BURGESS, Matt. «What is the Internet of Things?», Wired,
16 février 2018, en ligne : (Consulté le 31 août 2020). Presque n'importe quel objet physique peut
être transformé en appareil IoT s'il peut être connecté à Internet pour être contrôlé ou pour
communiquer des informations. Ces objets peuvent être de toute taille, en passant des montres
intelligentes et lumières programmables aux camions roulant sans conducteurs; RANGER, Steve.
«What is the IoT? Everything you need to know about the Internet of Things right now», ZDNet, 3
février 2020, en : (Consulté le 31 août 2020). ligne 21 commerciaux et technologiques. La technologie
IBM se retrouve également au Royaume-Uni pour aider à prévoir la production d’électricité dans les
parcs éoliens. Au Japon, IBM travaille sur un projet avec la Toyo Engineering Corporation et la société
d'énergie renouvelable Setouchi Future Creations LLC qui aidera à gérer et à contrôler l'énergie des
890 000 panneaux solaires de l'usine. Finalement, aux 60 États-Unis, IBM met sa technologie de
prévision des énergies renouvelables à la disposition des agences gouvernementales, des services
publics et des opérateurs de réseaux pour prendre en charge la planification de l'offre et de la
demande.61 Le géant américain Microsoft s’est également lancé dans l’utilisation de l’IA en
environnement avec son programme de 5 ans AI for Earth lancé, en 2017, au coût de 62 50 millions
de dollars. Ce programme accorde des subventions aux chercheurs et aux innovateurs dédiés à la
résolution des problèmes environnementaux. Parmi les bénéficiaires de ces subventions, le
«Symbiosis Institute of Technology», en Inde, développe des algorithmes de regroupement afin
d’utiliser les données 63 générées par les compteurs électriques intelligents. Une fois appliqués aux
données des compteurs intelligents et aux données socio-économiques correspondantes, ces
algorithmes permettent de prédire la demande et les charges de pointe, d’établir des modèles
régionaux, saisonniers et communautaires de consommation. Ces algorithmes permettent également
aux services publics d’aligner la production sur la demande prévue pour réduire les pertes d’énergie
et aident les consommateurs à 60 IBM. «Green Horizons», IBM, s.d., en ligne (Consulté le 31 août
2020). 61 Id. : 62 SAWERS, Paul. «Microsoft commits $50 million more to its AI for Earth program»,
VentureBeat, 11 décembre 2017, en ligne : (Consulté le 21 janvier 2021). 63 MICROSOFT. «Microsoft
AI for Earth grantee gallery», Microsoft, s.d., en ligne : (Consulté le 31 août 2020). 22 planifier leur
propre consommation d’électricité pour réduire la demande en énergie ainsi que les émissions de
carbone.64 Microsoft utilise également l’intelligence artificielle pour réduire sa propre
consommation d’énergie dans ses centres de données et campus. En plus de se concentrer sur la
recherche et le développement ainsi que sur l’utilisation d’énergies renouvelables, l’entreprise a
annoncé en 2019 qu’elle lancera une nouvelle initiative de cloud en utilisant l’Internet of Things (IoT),
le blockchain et l’intelligence 65 artificielle afin de surveiller les performances et rationaliser la
réutilisation, la revente et le recyclage des actifs des centres de données, ce qui comprend leurs
serveurs.66 À plus large échelle, l’intelligence artificielle peut favoriser un meilleur accès à
l’électricité en modélisant des systèmes énergétiques très peu documentés à partir de systèmes
énergétiques aux données abondantes. L’IA peut également déterminer quelles méthodes
d’électrification propres seraient les meilleures pour une région particulière.67 64 SYMBIOSIS
INSTITUTE OF TECHNOLOGY. «Smart meter data analytics», Microsoft, 1er juillet 2019, [PDF], p.2. 65
«La blockchain est une technologie de stockage et de transmission d’informations, transparente,
sécurisée, et fonctionnant sans organe central de contrôle.[...] Par extension, une blockchain
constitue une base de données qui contient l’historique de tous les échanges effectués entre ses
utilisateurs depuis sa création. Cette base de données est sécurisée et distribuée : elle est partagée
par ses différents utilisateurs, sans intermédiaire, ce qui permet à chacun de vérifier la validité de la
chaîne.» L’exemple le plus populaire de l’utilisation de la blockchain est la cryptomonnaie, comme les
Bitcoins ; BLOCKCHAINFRANCE. «Qu’est-ce que la blockchain ?», Blockchain France, s.d., en ligne :
(Consulté le 31 août 2020). 66 SMITH, Brad. «We’re increasing our carbon fee as we double down on
sustainability», Microsoft, 15 avril 2019, en ligne (Consulté le 31 août 2020). : 67 DONTI Priya L.
«Tackling Climate Change with Machine Learning», 5 novembre 2019, [PDF], p.11. 23 Outre la gestion
de l’efficacité énergétique, l’IA permet aussi d’améliorer celle des ressources naturelles. La prochaine
sous-section examinera en quoi l’utilisation de l’IA permet de contribuer à cet objectif
environnemental important. 2.2 Gestion des ressources La protection de notre environnement
repose essentiellement sur la conservation des ressources naturelles qui le composent. L’intelligence
artificielle est un outil qui permet un contrôle plus efficace de la qualité de l’eau et de l’air et une
meilleure gestion des ressources biotiques renouvelables. Le programme de Microsoft AI for Earth
compte plus de 230 bénéficiaires qui utilisent, entre autres, sa plateforme d’apprentissage profond
«Azure» sur le cloud, et l'intelligence artificielle pour résoudre des problèmes environnementaux.
Parmi les 68 51 bénéficiaires mentionnés par Microsoft sur leur site d'AI for Earth, plusieurs utilisent
le programme, ses outils et ses subventions afin de surveiller la 69 biodiversité. Par exemple,
l’organisation Ashoka Trust for Research in Ecology and Environment (ATREE) utilise l’apprentissage
automatique et la vision par ordinateur pour cartographier, cataloguer et créer un atlas de la
biodiversité du nord-est de l'Inde. 70 Leur but est de créer une base de données complète de la
biodiversité de la région afin d’aider les décideurs et les communautés locales à prendre des
décisions économiques, écologiques et relatives aux infrastructures qui soient mieux informées. 71
Dans le même ordre d’idée, l’organisation Conservation Metrics développe des solutions
automatiques sur Azure qui permettent, grâce à des capteurs à distance, de 68 SMITH, Brad. Op cit.
note 66. 69 MICROSOFT. Op cit. note 63. 70 ATREE. «Biodiversity atlas for northeast India»,
Microsoft, 28 juin 2019, [PDF], p.1. 71 Id. 24 72 collecter, traiter et analyser des données sur la faune.
Ces données servent à créer des modèles prédictifs qui soutiennent la conservation des espèces à
risque. Un 73 autre exemple est la plateforme de réseaux sociaux iNaturalist qui utilise la subvention
de Microsoft pour créer et déployer un modèle de vision par ordinateur pouvant reconnaître et
identifier instantanément et efficacement différentes espèces animales ou végétales. Avec le
développement de modèles de reconnaissance d’image avec l’IA, la plateforme peut détecter en
temps réel des anomalies dans l'environnement et aider à dresser un tableau global des processus
écosystémiques. En utilisant les données via des modèles d'IA prédictifs, iNaturalist peut passer de la
collecte passive de données sur les écosystèmes à la mobilisation active des scientifiques et des
communautés locales pour enquêter sur des situations inhabituelles et prendre des mesures pour
protéger les écosystèmes. D’autres 74 organisations font un suivi plus précis de la biodiversité en
surveillant, par exemple, 75 76 77 78 les populations de lions , de singes , de pingouins , d’ours ou
d’abeilles dans 79 une région donnée. L’organisation Long Live the Kings surveille le rétablissement
du saumon et la pêche durable dans la mer des Salish, au sud de l’île de Vancouver.80 72
CONSERVATION METRICS. «Automated wildlife monitoring», Microsoft, 28 juin 2019, [PDF], p.1. 73
Id. 74 INATURALIST. «A community for naturalists to help protect biodiversity», Microsoft, 28 juin
2019, [PDF], p.1. 75 LINC. «Capturing and sharing data on lion populations», Microsoft, 28 juin 2019,
[PDF], p.1. 76 IIIT DELHI. «Intelligent tool for monitoring monkey populations», Microsoft, 28 juin
2019, [PDF], p.1. 77 LYNCH, Heather. «Tracking Antarctic penguin populations», Microsoft, 28 juin
2019, [PDF], p.1. 78 LAMB, Clayton. «Massively parallel computing for grizzly bear conservation»,
Microsoft, 28 juin 2019, [PDF], p.1. 79 PEREIRA, Agustin Garcia. «Curbing the decline of wild and
managed bees», Microsoft, 28 juin 2019, [PDF], p.1. 80 LONG LIVE THE KINGS. «Salish Sea Marine
Survival Project», Microsoft, 28 juin 2019, [PDF], p.1. 25 L’IA est également utilisée afin d’assurer une
gestion adéquate de l’eau dans différentes régions. Par exemple, le projet EqWater du Indian
Institute of Science utilise l’analyse de données et l’apprentissage automatique afin d’identifier les
inégalités dans la distribution de l’eau dans les mégalopoles d’Inde et proposer des
recommandations afin d’assurer une distribution équitable en eau. Pour ce faire, les 81 chercheurs
de ce projet se basent sur des données issues de capteurs qui montrent la quantité d’eau s’écoulant
à travers les tuyaux de certains quartiers, des données de mesure résidentielle d’utilisation d’eau,
des données sur la quantité d’eau acheminée par de grands réservoirs à l’intérieur et autour de la
ville, des données démographiques et socioéconomiques ainsi que des données météorologiques 82
saisonnières. D’autres bénéficiaires d’AI for Earth utilisent l’IA afin de prédire les inondations.
Michael Souffront, un ingénieur logiciel chez Aquaveo a amélioré le Global Flood Awareness System
(GloFAS) développé conjointement par la Commission européenne et le Centre européen de
prévisions météorologiques à 83 moyen terme (ECMWF). Le travail de S