# Comment réduire l'empreinte des expériences d'IA sur un cluster de recherche ?

> Réduisez l'énergie des expériences d'IA en HPC : lisez la comptabilité énergétique de Slurm, ne demandez que l'utile, testez à petite échelle, faites des points de reprise.

Source: https://greenai.guide/fr/comment/comment-reduire-l-empreinte-des-experiences-d-ia-sur-un-cluster-de/  
Updated: 2026-11-19

## En bref

Commencez par mesurer : de nombreux clusters enregistrent l'énergie de chaque tâche dans l'ordonnanceur Slurm, et CodeCarbon ou le calculateur Green Algorithms peuvent combler les lacunes. Ne demandez ensuite que les GPU, la mémoire et le temps dont vous avez besoin, testez les idées à petite échelle, créez des points de reprise pour les longues tâches et planifiez les tâches flexibles quand le réseau est plus propre. Déclarez l'énergie de projets entiers, pas seulement des exécutions finales.

## Steps

1. Vérifiez si votre cluster enregistre l'énergie des tâches, par exemple dans le champ ConsumedEnergy de Slurm.
2. Ne demandez que les GPU, la mémoire et le temps d'exécution dont votre tâche a réellement besoin.
3. Lancez de petits pilotes avant de passer une expérience à l'échelle.
4. Créez des points de reprise pour les longues tâches afin que les échecs et les pauses ne gaspillent pas le travail accompli.
5. Planifiez les tâches flexibles aux heures où le réseau est plus propre, lorsque le cluster le permet.
6. Déclarez l'énergie à l'échelle du projet, y compris les exécutions de réglage et les exécutions ratées.

**Les clusters partagés rendent l'énergie facile à ignorer, car personne ne voit de facture.** Pourtant, chaque GPU
demandé en trop et chaque tâche abandonnée consomment de l'électricité et font attendre les autres.

## Comment voir ce que consomment mes tâches ? {#how-do-i-see-what-my-jobs-use}

- **La commande `sacct` de Slurm** peut indiquer le ConsumedEnergy d'une tâche lorsque la comptabilité énergétique est
  activée sur le cluster. Demandez à votre équipe de calcul scientifique si elle l'est.
- **CodeCarbon** peut s'exécuter à l'intérieur des tâches, et sa documentation couvre les nœuds de calcul sans accès à
  internet.
- **Green Algorithms**, de Lannelongue, Grealey et Inouye, estime l'empreinte à partir du matériel, de la durée
  d'exécution, de la mémoire et du lieu, ce qui convient aux tâches passées.

## Ce qui fait la plus grande différence {#what-makes-the-biggest-difference}

- **Des demandes de ressources bien dimensionnées.** Demander quatre GPU et n'en utiliser qu'un en laisse trois
  réservés et inactifs.
- **Des pilotes et l'arrêt précoce.** L'essentiel de l'énergie va à l'exploration ; écartez tôt les mauvaises idées.
  Consultez [réduire l'énergie des recherches d'hyperparamètres](/fr/comment/comment-reduire-l-energie-des-recherches-d-hyperparametres/).
- **Des points de reprise,** pour que les plantages et les limites de temps n'obligent pas à tout recommencer.
- **La réutilisation** de modèles pré-entraînés et de jeux de données partagés au lieu que chacun prépare les siens.

Un « sandpit » britannique sur l'IA verte organisé en 2026, réunissant mathématiciens, informaticiens et
industriels, a aussi insisté sur l'intérêt de vérifier si une méthode numérique bien connue résout déjà le problème,
avant même d'entraîner un modèle.

## Erreurs fréquentes {#common-mistakes}

- **Considérer le cluster comme gratuit.** Suivez les heures GPU comme un budget ; consultez
  [fixer un budget de calcul](/fr/comment/comment-fixer-un-budget-de-calcul-pour-un-projet-de-recherche/).
- **Ne déclarer que l'exécution finale** dans les articles.

Les principes GREENER de Lannelongue et ses collègues offrent un cadre pour les équipes et les institutions.
Consultez le [guide pour les chercheurs](/fr/guides/l-ia-verte-pour-les-chercheurs/).

## Sources

- [Slurm sacct manual (ConsumedEnergy)](https://slurm.schedmd.com/sacct.html), SchedMD (2025)
- [Using CodeCarbon on SLURM](https://docs.codecarbon.io/latest/how-to/slurm/), CodeCarbon documentation (2025)
- [Green Algorithms: quantifying the carbon footprint of computation](https://www.green-algorithms.org/), Lannelongue, Grealey and Inouye, Advanced Science (2021)
- [GREENER principles for environmentally sustainable computational science](https://doi.org/10.1038/s43588-023-00461-y), Lannelongue et al., Nature Computational Science (2023)
