• FNE
  • FSE

Formation Green IA : l’intelligence artificielle responsable

Concevoir des modèles de Machine Learning en visant un équilibre entre performance et frugalité
Durée 2 jours
Niveau Avancé
Classe à distance
Non

Vous ne pouvez pas suivre cette formation en direct depuis votre domicile ou votre lieu de travail. Plus d'informations sur notre solution de classe à distance...

Référence GRIA
Éligible CPF Non

Désormais, les entreprises se doivent d'être durables et responsables. La sobriété numérique n'est plus une option et ce constat concerne bien évidemment l'Intelligence Artificielle.

Cette formation Green IA, à destination des data scientists et des CDO, pose un regard différent sur la matière manipulée et la méthodologie afin de questionner la recherche frénétique de performance, pour promouvoir une IA plus frugale.
Durant deux jours, nous passerons en revue les différentes étapes, entre la première idée et son implémentation en production, afin d'identifier les grands « postes de dépenses et gâchis énergétiques ». Nous aborderons également leur optimisation et réduction au travers des principaux leviers à votre disposition : code, hardware et méthodologie.

À la fin de cette formation Green IA, vous aurez une compréhension solide des bonnes pratiques et outils pour vous permettre d'établir le bilan énergétique de vos modèles de Machine Learning en production et d'éco-concevoir les nouveaux.

Objectif opérationnel : 

Avoir une compréhension solide des bonnes pratiques et outils pour vous permettre d'établir le bilan énergétique de vos modèles de Machine Learning.

Objectifs pédagogiques : 

A l'issue de cette formation Green IA vous aurez acquis les connaissances et les compétences nécessaires pour :

  • Définir le périmètre du green IA
  • Identifier les grands postes de dépenses et de gâchis en Machine Learning
  • Assimiler l'état de l'art des alternatives en termes d'algorithmes de Machine Learning, notamment pour les réseaux neuronaux, ainsi qu'en termes de matériels hardware
  • Découvrir les leviers méthodologiques que nous pouvons utiliser à très court terme dans une démarche de Data Science
  • Contribuer à l'adoption d'un comportement d'éco-conception en Machine Learning
  • Utiliser les outils d'éco-conception en Machine Learning
  • Quantifier l'empreinte CO2 d'un modèle : de la conception à son usage en production

Public :

Ce cours Green IA s'adresse à un : 

  • Analyste
  • Statisticien
  • Data Scientist
  • Chief Data Officer (CDO)
  • Machine Learning Engineer

Prérequis :

Pour suivre cette formation Green IA, une bonne connaissance des principaux algorithmes de Machine Learning ainsi qu'une connaissance des réseaux de neurones sont nécessaires.

J’évalue mes connaissances pour vérifier que je dispose des prérequis nécessaires pour profiter pleinement de cette formation en faisant ce test.

Jour 1

Enjeux et constats

Introduction - pourquoi parler de Green AI 
Le paradoxe de la loi Moore et la loi de Wirth
Impacts environnementaux du numérique : énergie, eau, métaux
Optimisation : trois exemples concrets de gains d'efficacité extrêmes
Notre responsabilité en tant qu'experts

Performance vs Frugalité

Retour aux bases : d'où viennent nos algorithmes de ML ?
La quête de la performance : limites et dérives industrielles
Red AI vs. Green AI : vers une IA plus sobre
Introduction au coût algorithmique : E, D, H
Mise en pratiqueCalculs de FLOPs sur un réseau simple

Artefacts numériques et biomimétisme

Les artefacts du Deep Learning : gradient vanishing, exploding, etc.
Limites biologiques de la backpropagation
Inspiration biologiques : spike-based, equilibrium propagation, etc.
Vers une nouvelle génération de neurones ?

Méthodologie et Outils

Pourquoi mesurer est essentiel
Les métriques encore absentes (ex : CO2)
Présentation de la toolbox d'éco-modélisation
DémonstrationAtelier d'analyse énergétique d'un modèleJour 2

Les algorithmes de machine learning en question

La performance
Coût algorithmique
La backpropagation
Les artefacts numériques et gâchis
Vers des neurones artificiels moins…artificiels
État de l’art des alternatives actuelles

Le hardware

Limites des matériels actuels
Neurones à impulsions
Puces neuromorphiques, crossbar arrays, memristors
Vers une nouvelle ère analogique

La méthodologie

Expérimentation, apprentissage, inférence
Évaluer la bonne performance
Chiffrer le coût énergétique d’une erreur
Mise en pratiqueAtelier, un exemple concret de d’éco-modélisation qui challenge la performance algorithmique

Clôture et bilan

Synthèse des points abordés
Partage sur la formation
Et demain par quoi je commence pour démarrer l'éco-modélisation?
Questions/réponses additionnelles
Date de mise à jour du programme : 24/10/2025

Dates et lieux

Du 17 au 18 novembre 2025
Session garantie
Lieu
Paris
Durée
2 jrs
2120 € HT
Du 24 au 25 mars 2026
Lieu
Paris
Durée
2 jrs
2120 € HT
Du 09 au 10 juin 2026
Lieu
Paris
Durée
2 jrs
2120 € HT

Ces formations peuvent aussi vous intéresser :

Envisager la place des systèmes d'information sous la perspective du développement durable et de l'efficacité énergétique

  • Niveau : Fondamental
  • Référence : MGDC

  • Niveau : Intermédiaire
  • Certification : Éco-Conception de Service Numérique
  • Référence : ECOC

Savoir évaluer et quantifier l'impact environnemental des produits, services ou systèmes de production

  • Niveau : Intermédiaire
  • Certification : ACV et Numérique
  • Référence : ACVN


Formations Informatique
et Management
en ligne à ce jour

+
Stagiaires dans nos salles
de cours sur
l'année

4,7/5
94% de nos participants
sont satisfaits ou
très satisfaits


Formateurs experts
validés par
PLB

%
Des participants
recommandent
nos formations