GREAI Green AI : l’intelligence artificielle responsable
Concevoir des modèles de Machine Learning en visant un équilibre entre performance et frugalité

Nouveau Exclusivité
Format : Séminiaire
Niveau Avancé
 
 
 
 
Répartition du temps : 70% exposés
10% pratique
20% échanges

La formation en détails

Description

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, 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.

A la fin de cette formation, 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.

Objectifs

  • Définir le périmètre du green AI
  • 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 cible

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

Prérequis

Une bonne connaissance des principaux algorithmes de ML (Machine Learning).
Connaissance des réseaux de neurones.

Modalités pédagogiques

Formation avec apports théoriques, échanges sur les contextes des participants et retours d'expérience pratique des formateurs, complétés de travaux pratiques et de mises en situation.

Profil du formateur

Toutes nos formations sont animées par des consultants-formateurs et consultantes-formatrices dont l'expérience et l'expertise sont reconnues par leurs pairs.

Modalités d'évaluation et de suivi

L'évaluation des acquis se fait tout au long de la session au travers des ateliers et des mises en pratique. Une évaluation à chaud sur la satisfaction des stagiaires est réalisée systématiquement en fin de session et une attestation de formation est délivrée aux participants mentionnant les objectifs de la formation, la nature, le programme et la durée de l'action de formation ainsi que la formalisation des acquis.

Programme détaillé

Jour 1

ENJEUX ENVIRONNEMENTAUX
  • Le concept du donut et les limites planétaires
  • Dessine moi un donut
  • Les dernières études sur les limites planétaires
  • Le plancher social du donut
  • Le donut comme liste des critères extra-financiers
  • Première conclusion générale
  • Focus sur le changement climatique : Mini-Fresque
  • Les derniers rapports du GIEC
  • La consommation énergétique
  • L’objectif 2 tonnes

IMPACTS ENVIRONNEMENTAUX DU NUMÉRIQUE
  • Quiz : "Quelle est l’empreinte carbone du numérique aujourd’hui ? Et pourquoi l’éco-conception est un levier important ?"
  • Impact en eau
  • Impact en métaux
  • Émissions de gaz à effet de serre du numérique
  • Le numérique est une ressource non renouvelable
  • Économiser les artéfacts numériques

Jour 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 pratique : “Atelier, 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

Nos autres formations du domaine « Data Science » Toutes les formations du domaine

DSCIT Citizen Data Scientist : niveau 1
S'initier à la pratique de la Data Science sur une plateforme analytique pour étendre son expertise métier
Data & AI / Data Science
Durée : 14 h / 2 j
Fondamentaux
 
 
 
 
Prochaine session : 09 novembre 2023
DSFDX Fondamentaux de la Data Science
S'initier à la pratique de la Data Science et constituer sa première boîte à outils de Data Scientist
Meilleure vente
Data & AI / Data Science
Durée : 21 h / 3 j
Fondamentaux
 
 
 
 
Prochaine session : 15 novembre 2023
DSNVA Data Science : niveau avancé
Approfondir des concepts avancés de machine learning et enrichir sa boîte à outils de Data Scientist
Data & AI / Data Science
Durée : 21 h / 3 j
Avancé
 
 
 
 
Prochaine session : 25 septembre 2023
NLPSR Intelligence Artificielle : Natural Language Processing (NLP) & Speech Recognition
Devenir un expert du langage écrit et parlé avec python
Data & AI / Data Science
Durée : 21 h / 3 j
Avancé
 
 
 
 
Prochaine session : 27 novembre 2023
DSETI Data Science : s’approprier les bonnes pratiques de l'Intelligence Artificielle Responsable
Appréhender les enjeux éthiques et favoriser l'interprétabilité et la vigilance des modèles de Machine Learning
Data & AI / Data Science
Durée : 7 h / 1 j
Fondamentaux
 
 
 
 
Prochaine session : 08 décembre 2023
DSGDP Cadrage et pilotage d'un projet de Data Science
Comprendre les spécificités d'un projet de Data Science pour mieux le piloter de la conception au delivery
Data & AI / Data Science
Durée : 14 h / 2 j
Avancé
 
 
 
 
Prochaine session : 11 décembre 2023

Besoin d'aide pour trouver votre formation ?

Contactez-nous

Sessions & Inscriptions

Session partagée avec d'autres organisations

Prochaines sessions
  • du 14 au 15/11/2023
    Présentiel
    2 090,00 € HT
  • du 11 au 12/03/2024
    Présentiel, Paris
    2 120,00 € HT
  • du 20 au 21/06/2024
    Présentiel, Paris
    2 120,00 € HT
Durée
14 h / 2 j

Demander un devis Nous contacter
Télécharger le programme

Organiser une session dédiée à votre organisation

Durée
14 h / 2 j

Vous avez plusieurs collaborateurs à former ?

Cette formation peut être organisée
sous la forme de sessions dédiées
aux membres de votre organisation.

Demander un devis Nous contacter Télécharger le programme

Personnaliser cette formation

Cette formation vous intéresse
et vous souhaitez l'adapter pour
vos collaborateurs ?

Nos formateurs et notre équipe pédagogique sont à
votre disposition pour en discuter
et vous proposer un programme sur-mesure.

Nous contacter Télécharger le programme

OCTO Academy respecte votre vie privée

Ce site web stocke des informations vous concernant via le dépôt de cookie afin de mesurer l’audience du site. Ces données de navigation sont anonymisées.

En cliquant sur « OK pour moi », vous manifestez votre consentement pour le dépôt de ces cookies.

Lire la politique de confidentialité

Non, merci
Je choisis
OK pour moi
À propos des cookies

Sur ce site, nous utilisons des cookies pour mesurer notre audience, entretenir la relation avec vous et vous adresser de temps à autre du contenu qualitif ainsi que de la publicité. Vous pouvez sélectionner ici ceux que vous autorisez à rester ici.

Retour
Tout accepter
Terminer
Cookies