# Comment déclarer la consommation d'énergie de mes recherches en IA ?

> Quoi indiquer sur le calcul et l'énergie dans un article : matériel, heures GPU de toutes les exécutions, énergie, lieu, carbone, coût d'inférence et périmètre.

Source: https://greenai.guide/fr/comment/comment-declarer-la-consommation-d-energie-de-mes-recherches-en-ia/  
Updated: 2026-11-19

## En bref

Indiquez le matériel, les heures GPU de toutes les exécutions, réglage et échecs compris, l'énergie en kWh avec l'outil utilisé, le lieu et l'intensité carbone du réseau, les émissions en kg CO₂e, et l'énergie d'inférence pour une taille de lot précisée. Dites ce que le périmètre inclut et quelle est l'incertitude des chiffres. Mesurer au fur et à mesure, avec un outil comme CodeCarbon, en fait un simple tableau plutôt qu'une reconstitution.

## Steps

1. Suivez l'énergie de chaque exécution dès le début du projet, pas seulement de l'exécution finale.
2. Indiquez le matériel, les heures GPU, l'énergie, le lieu, l'intensité carbone du réseau et les émissions dans un tableau standard.
3. Donnez l'énergie d'inférence pour 1 000 requêtes, avec une taille de lot et une longueur de séquence précisées.
4. Indiquez le périmètre, y compris si les surcoûts du centre de données sont comptés.
5. Présentez les résultats rapportés au calcul, comme la précision par kWh, à côté du meilleur score.

**Présentez le calcul et l'énergie comme des résultats à part entière, pas comme une note de bas de page.** Sans eux,
les affirmations d'efficacité ne peuvent pas être vérifiées, et les lecteurs ne peuvent pas savoir si un petit gain de
précision a coûté dix fois plus d'énergie.

L'argument a été formulé tôt : Strubell, Ganesh et McCallum ont quantifié en 2019 le coût financier et
environnemental de l'entraînement de plusieurs modèles de langage, et Schwartz et ses collègues ont plaidé dans
« Green AI » pour que l'efficacité soit déclarée au même titre que la précision.

## Que doit contenir le tableau ? {#what-should-the-table-include}

| Élément | Exemple |
|---|---|
| Matériel | Modèle et nombre de GPU, CPU, mémoire |
| Durée d'exécution | Heures GPU des exécutions finales **et** de toutes les exécutions de réglage et ratées |
| Énergie | kWh, mesurés ou estimés, avec l'outil et sa version |
| Lieu | Pays ou région du réseau, et intensité carbone utilisée |
| Émissions | kg CO₂e |
| Inférence | Énergie pour 1 000 requêtes, avec une taille de lot et une longueur de séquence précisées |
| Périmètre | Si le refroidissement et les surcoûts du centre de données (PUE) sont inclus |

Si vous publiez le modèle, reportez les chiffres dans le champ `co2_eq_emissions` de la fiche du modèle sur Hugging
Face.

## Erreurs fréquentes {#common-mistakes}

- **Ne déclarer que l'exécution gagnante.** La recherche qui l'a précédée représente généralement l'essentiel de
  l'énergie.
- **Pas d'incertitude.** Les estimations fondées sur des modèles de puissance peuvent différer des valeurs mesurées ;
  donnez une fourchette.
- **Omettre les résultats négatifs.** Une méthode d'efficacité qui n'a pas fonctionné évite à d'autres de la
  retester.

Les principes GREENER de Lannelongue et ses collègues offrent un cadre plus large pour les équipes et les
institutions. Consultez le [guide pour les chercheurs](/fr/guides/l-ia-verte-pour-les-chercheurs/) et
[comment mesurer l'énergie de l'IA](/fr/bonnes-pratiques/comment-mesurer-l-energie-et-le-carbone-de-l-ia/).

## Sources

- [Energy and policy considerations for deep learning in NLP](https://arxiv.org/abs/1906.02243), Strubell, Ganesh and McCallum, ACL (2019)
- [Green AI](https://doi.org/10.1145/3381831), Schwartz, Dodge, Smith and Etzioni, Communications of the ACM (2020)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
- [Displaying carbon emissions for your model](https://huggingface.co/docs/hub/model-cards-co2), Hugging Face Hub documentation (2026)
