Thèse Comprendre les Impacts Systémiques de l'IA H/F - Doctorat.Gouv.Fr

Établissement : Université Grenoble Alpes École doctorale : MSTII - Mathématiques, Sciences et technologies de l'information, Informatique Laboratoire de recherche : Laboratoire d'Informatique de Grenoble Direction de la thèse : Kim Thang NGUYEN ORCID 0000000260859453 Début de la thèse : 2026-10-01 Date limite de candidature : 2026-06-09T23:59:59 La plupart des approches d'« IA verte » cherchent à réduire les impacts négatifs de l'IA, sans toujours en traiter les causes profondes ni remettre en question les modèles économiques et technologiques dominants. Or, améliorer seulement l'efficacité environnementale des systèmes d'IA ne suffit pas : leurs principaux impacts dépendent surtout de leurs usages et des comportements humains.

Notre étude récente montre par exemple que des gains d'efficacité énergétique dans le calcul haute performance pour l'entraînement en apprentissage automatique peuvent accroître la consommation totale d'énergie, en raison d'effets rebond liés aux comportements des utilisateurs.

Les algorithmes d'apprentissage automatique influencent aussi de nombreuses décisions importantes, comme le recrutement, les admissions universitaires, les prêts ou l'attribution de subventions bas carbone. Face à ces systèmes, individus et entreprises peuvent adapter stratégiquement leurs données ou leurs comportements pour obtenir de meilleurs résultats.

Notre projet propose donc d'utiliser des modèles de théorie des jeux pour analyser ces incitations, comprendre les effets rebond et concevoir des méthodes d'apprentissage automatique capables de favoriser des résultats plus positifs. La plupart des approches existantes de ce que l'on appelle l'« IA verte » se concentrent sur l'atténuation des impacts négatifs de l'IA, mais elles abordent rarement les causes profondes ou ne remettent en question les paradigmes économiques et technologiques dominants. Se concentrer uniquement sur l'amélioration technologique de la performance environnementale des systèmes d'IA est insuffisant. Les principaux impacts découlent de la manière dont ces systèmes sont utilisés, c'est-à-dire des pratiques et comportements humains. Les améliorations de l'efficacité énergétique des systèmes de calcul utilisés pour l'entraînement en apprentissage automatique peuvent, paradoxalement, accroître la consommation totale d'énergie en raison de comportements d'utilisateurs motivés par leur intérêt personnel. Ce phénomène, connu sous le nom d'effets rebond, est multiforme et pose des défis majeurs. Cela nécessite une compréhension approfondie sur ces phénomènes et les solutions adaptées. Comprendre les effets rebond et concevoir des méthodes d'apprentissage automatique capables de favoriser des résultats positifs. Utilisation des techniques de machine learning, conception d'algorithmes et théorie des jeux.

Motivé et avoir une connaissance solide en algorithmique. Capacité d'analyse des algorithmes et mathématique. Ouverture d'esprit.