Repenser la sélection des modèles ML à l’aide d’une IHM durable

Jury

• Aurelie BUGEAU, Professor, Université de Bordeaux, Rapporteure & Examinatrice
• Ines DI LORETO, Associate Professor, Université de technologie de Troyes, Rapporteure & Examinatrice
• Aurélien TABARD, Maitre de conférences, Université Claude Bernard Lyon, Examinateur
• Anne-Laure LIGOZAT, Professor, Université Paris Saclay et École Nationale Supérieure d’Informatique pour l’Industrie et l’Entreprise (ENSIIE), Examinatrice

Résumé

L’entraînement et le déploiement de grands modèles exigent d’importantes ressources de calcul, contribuent aux émissions de carbone et accentuent les inégalités d’accès aux données et aux infrastructures. Pourtant, la durabilité est encore rarement considérée comme un critère de sélection prioritaire, souvent reléguée derrière les objectifs de performance et d’efficacité. Un point de décision crucial, mais largement négligé dans ce processus, est la sélection du modèle, où les développeurs choisissent entre des modèles concurrents, privilégiant souvent la précision ou la familiarité au détriment de l’efficacité et de la durabilité.

L’interaction homme–machine (IHM) se concentre sur les interactions entre les personnes, la technologie et le contexte, et offre des perspectives précieuses pour relever ces défis. En mettant l’accent sur les valeurs humaines et la réflexion dans le processus de sélection des modèles, les méthodes issues de l’IHM peuvent aider les praticiens à prendre en compte les conséquences environnementales de leurs choix techniques. Cette thèse explore comment la durabilité peut être intégrée dans les flux de travail de l’apprentissage automatique (AA) en combinant les perspectives issues de l’IHM, de l’apprentissage automatique et de la recherche sur la durabilité. Elle propose des contributions théoriques, empiriques et techniques visant à faire progresser la compréhension et la pratique vers un apprentissage automatique plus durable et centré sur l’humain. J’examine l’état actuel de la sensibilisation et de la prise en compte de la durabilité au sein de l’IHM et de l’AA à travers des entretiens, des questionnaires et une revue de littérature approfondie. À partir de ces observations, je présente un nouveau cadre de recherche sur la durabilité qui relie ces deux domaines et définit de nouvelles orientations pour la recherche à leur intersection.

Grâce à des entretiens avec des praticiens de l’apprentissage automatique, j’ai mis en évidence le rôle crucial de la définition initiale du problème et de la sélection du modèle pour réduire l’impact environnemental des applications d’IA. Mes résultats montrent que la sensibilisation à la durabilité reste limitée et souvent secondaire par rapport aux objectifs de performance lors du choix d’un modèle. Bien que les développeurs soient conscients des coûts énergétiques et infrastructurels associés aux grands modèles d’apprentissage automatique, ils manquent d’outils ou de cadres leur permettant d’évaluer ou de réduire ces effets. Ces constats ont conduit à la conception et à l’évaluation de Seleco, une interface interactive qui guide les développeurs dans la définition de leurs tâches d’apprentissage automatique et la sélection de modèles appropriés, tout en tenant compte de leur consommation énergétique et de leur impact environnemental.

Notre étude d’observation comparative structurée, menée auprès de développeurs professionnels en apprentissage automatique, montre que la transparence sur la consommation d’énergie et l’empreinte environnementale des modèles les incite à réfléchir à leurs choix et à intégrer la durabilité dans leurs décisions quotidiennes. Au-delà de l’outil lui-même, mes résultats démontrent que l’application des méthodes de l’IHM aux processus d’apprentissage automatique peut favoriser des pratiques plus durables et encourager les praticiens à mieux concilier performance technique et responsabilité éthique ou environnementale. En conclusion, cette thèse montre comment l’intégration d’une conception centrée sur l’humain, d’une pratique réflexive et de considérations de durabilité peut encourager des approches plus responsables et transparentes du développement de l’apprentissage automatique.