Programme et Appel

• Lieu : PSL, site Amyot (3 rue Amyot, 75005 Paris)
• Date : jeudi 2 avril 2026

Programme:

Heure	Événement
9h15 – 9h45	Accueil café
9h45	Introduction
10h00 – 11h00	Invité - Gaël Varoquaux
11h00 – 12h00	Invité - Nicolas Keriven
12h00 – 13h30	Pause déjeuner / échanges / posters
13h30 – 14h30	Invitée - Julia Gusak
14h30 – 15h30	Invitée - Aurélie Névéol
15h30 – 16h00	Pause café et session posters
16h00 – 17h00	Table ronde: “IA et carbone: sauveur, bourreau ou écran de fumée ?”
17h00	Clôture

Description:

Les progrès récents dans les domaines de l’intelligence artificielle ont montré des avancées étonnantes en termes de performances et de richesse des applications possibles, avec potentiellement un impact sociétal fort. On peut, au moins en partie, attribuer ce succès à l’entraînement auto-supervisé de grands modèles dits “de fondation” sur de grandes quantités de données, afin de capturer toute la richesse de leur distribution et par conséquent de réaliser une diversité de tâches. En traitement du langage naturel avec les LLM, en vision artificielle avec les “world models”, en traitement des signaux acoustiques avec les modèles SSL, et dans bien d’autres domaines, cette approche est devenue dominante, soutenue par la volonté de créer un modèle unique pour tous les cas d’utilisation.

Les lois de passage à l’échelle poussent à augmenter la taille des modèles, en paramètres, en données et en coût de calcul, à la fois à l’entraînement et en inférence (en générant par exemple des raisonnements), afin d’obtenir de meilleures performances. Cette approche pousse à des compromis car son rendement est décroissant : le coût de chaque point gagné en performance augmente exponentiellement avec la réduction des erreurs. Ce coût devient aussi un problème sociétal, avec des conséquences sur l’environnement de plus en plus préoccupantes associées à une adoption généralisée des applications de l’IA.

Pourtant, les pratiques d’évaluation et de benchmarking de la communauté scientifique et industrielle ont peu changé et les mesures de succès ne prennent pas en compte le gigantisme des modèles et le coût global de leur mise en œuvre (écologique, économique, sociétal…). Les performances mesurées ignorent les conséquences des modèles sur l’environnement et la diversité de tâches et la quantité de données nécessaires pour valider la généralité des modèles rendent les évaluations elles-mêmes gourmandes en ressources.

Cette journée s’intéresse prioritairement à la question de construire des méthodologies d’évaluation “socio-écologiquement conscientes”, qui soient à la fois capables de diriger les concepteurs de modèles vers un compromis socialement et écologiquement acceptable entre performances et ressources, et qui limitent aussi dans leur mise en oeuvre leurs conséquences sur l’environnement. Elle s’attache aussi à rassembler la communauté sur toutes les questions liées à la frugalité de l’intelligence artificielle, de la mesure des ressources à l’implémentation efficace des modèles.

Les thèmes abordés dans cette journée commune aux GdR TAL et MADICS sont, sans être limités à :

• Mesure de l’impact environnemental et sociétal : impact carbone, métriques, méthodologie de collection…
• Benchmarks frugaux, protocoles d’évaluation, métriques mélangeant succès à une tâche et impact environnemental : densité en +information des modèles…
• Amélioration de l’efficacité des modèles d’IA (en paramètres, temps de traitement, en données, en mémoire…)
• Recherche d’architecture et apprentissage automatique sous contrainte de budget• Quantification, distillation et décimation +des modèles
• Méthodes de faible rang, parcimonie
• Collection de données et frugalité
• IA on edge devices, implementation efficace, accélération matérielle

Présentations invitées (titres et résumés à venir) :

• Julia Gusak
• Nicolas Keriven
• Aurélie Névéol
• Gaël Varoquaux

Organisateurs : Benoit Favre (Aix-Marseille Université, Université Grenoble-Alpes), Alexandre Allauzen (Université Paris Dauphine - PSL, ESPCI Paris - PSL), Christophe Cerisara (CNRS, Loria), Paul Caillon (Paris School of AI - PSL).

• Tags:
• Nlp