43:null 44:["$","title",null,{"children":"SAE 303 — Gr 08 | MMI Montbéliard | Observable"}] 4a:T526,

Sommaire du projet

4b:T11a2,# AI Energy Score Leaderboard *Données : 11 tâches, 206 modèles. L'unité de l'énergie n'est pas précisée (hypothèse : Wh pour 1 000 requêtes).* ## 1 · Nature des variables | Variable | Nature | Remarque | |---|---|---| | model | Identifiant (texte) | Pas une variable d'analyse. 2 doublons. | | total_gpu_energy | Quantitative continue (ratio) | La seule vraie mesure. Aucune valeur manquante. | | energy_score | Ordinale (1 à 5 étoiles) | Dérivée de l'énergie. Pas de moyenne sérieuse possible. | | class (A/B/C) | Catégorielle ordonnée | Seulement en génération de texte et raisonnement. | | test date | Catégorielle (Feb 25 / Dec 25) | Campagne de test, pas une vraie date. | ## 2 · La moyenne ment-elle ? **Oui, souvent beaucoup.** Rapport moyenne / médiane : | Tâche | Moyenne / médiane | |---|---| | question_answering | 22,7× | | text_generation | 13,5× | | text_classification | 5,5× | | sentence_similarity | 2,1× | | summarization | 2,0× | | image_generation | 1,5× | | asr | 1,3× | | image_classification | 1,2× | | reasoning | 1,1× | | image_captioning, object_detection | 1,0× | En question_answering, un seul modèle (t5-11b) tire la moyenne vers le haut, alors que 13 modèles sur 18 sont sous 0,002. En génération de texte, la moyenne (0,254) est 13 fois la médiane (0,019) : elle ne décrit presque personne. **La médiane décrit le cas typique, pas la moyenne.** La moyenne globale (0,65) est 72 fois la médiane (0,009) et n'a aucun sens, car elle mélange des tâches non comparables. ## 3 · À quoi ressemble la distribution ? Asymétrique à droite presque partout : beaucoup de petits consommateurs et quelques très gros. Écart entre le modèle le plus sobre et le plus gourmand : | Tâche | Écart max / min | |---|---| | question_answering | ×3 215 | | text_generation | ×2 610 | | asr | ×140 | | text_classification | ×129 | | reasoning | ×71 | | sentence_similarity | ×49 | | summarization | ×44 | | autres tâches | ×4 à ×9 | En échelle logarithmique, la distribution devient à peu près symétrique (loi log-normale) : l'énergie croît de façon multiplicative avec la taille du modèle. **Pour comparer ou tracer : médiane et échelle log.** Les échantillons sont petits (7 à 23 modèles par tâche, 62 en génération de texte). ## 4 · Absolu ou relatif ? - **L'énergie est absolue**, mais comparable seulement au sein d'une même tâche. Les médianes vont de 0,0006 (sentence_similarity) à 5,4 (reasoning), soit environ 9 000× d'écart. - **Le score est relatif** : un classement par étoiles dans une tâche, avec des seuils différents d'une tâche à l'autre. - **Piège en génération de texte** : un score 5 peut aller jusqu'à 1,87, et un score 1 commencer à 0,026. La note est relative à la classe : un modèle de classe C très gourmand est « 5 étoiles », alors qu'un modèle de classe A beaucoup plus sobre (phi-4) est « 1 étoile ». **Comparer les notes uniquement à classe égale.** - **Piège en raisonnement** : sur 10 modèles présents dans les deux fichiers, 9 consomment de ×46 à ×697 plus en raisonnement qu'en génération de texte. Ce n'est pas la même charge de travail : ne pas comparer ces deux tâches. ## 5 · D'où sort cette donnée, qui manque ? **Origine probable** : le format ressemble à l'AI Energy Score (Hugging Face et partenaires). Les fichiers ne donnent ni source, ni protocole, ni unité : c'est une hypothèse à vérifier. **Ce qui manque ou biaise :** - Aucune mesure de **qualité** (précision) : un modèle sobre peut être inutilisable. - Les **modèles fermés** (GPT, Claude, Gemini…) sont absents : seuls des modèles ouverts sont mesurés. - **Seulement l'énergie GPU** : ni CPU, ni refroidissement, ni entraînement, ni fabrication du matériel, ni CO₂. - **Aucune incertitude** : une seule valeur par modèle, sans répétitions. - **Détails du test absents** : taille des requêtes, nombre de tokens, matériel. - **Deux campagnes de test** (Feb 25 et Dec 25) mélangées en génération de texte. - **Qualité des lignes** : 2 doublons (swinv2-large en classification d'images, detr-resnet-50-dc5 en détection d'objets) et un nom bruité (ibm-granite/*granite-4.0-h-tiny). ## Conclusion On peut comparer les modèles **au sein d'une tâche (et d'une classe)**, en **médiane** et en **échelle log**. Il ne faut ni comparer les tâches entre elles, ni faire de moyenne globale, ni lire les étoiles comme une échelle absolue.4c:Ta64,# OpenStreetMap (centres de données) : *Données : 378 centres de données OpenStreetMap, extraits via l'API Overpass le 19/10/2026 (étiquettes telecom=data_center et building=data_center, France entière). Licence ODbL.* ## 1 · Nature des variables | Variable | Nature | Remarque | |---|---|---| | nom, operateur, ville | Nominale (texte) | 89 sites sans nom, 92 sans opérateur. 23 noms en double. | | lat, lon | Quantitative (position) | Présente pour les 378 sites : sert à placer chaque site sur la carte. | | type (node, way, relation) | Nominale | Décrit seulement la façon dont le site est dessiné dans OSM. | **Aucune colonne ne mesure la consommation ou la puissance d'un site** : OSM dit où sont les centres de données, pas ce qu'ils consomment. ## 2 · La moyenne ment-elle ? **Il n'y a rien à moyenner.** Le fichier ne contient que des positions. On peut compter des sites par zone, mais un comptage ne dit rien de leur taille : un petit local technique et un grand campus comptent chacun pour un. ## 3 · À quoi ressemble la distribution ? **Répartition très inégale, concentrée autour des grandes villes.** | Zone | Sites (environ) | |---|---| | Île-de-France (comptage exact par département) | ${sitesMetro.filter((d) => ["75", "77", "78", "91", "92", "93", "94", "95"].includes(d.dep)).length} sur ${sitesMetro.length} | | Lille | 25 | | Lyon | 22 | | Marseille | 16 | | Bordeaux, Nantes, Strasbourg | 8 chacune | | Hors métropole (Guadeloupe ×2, Mayotte, Nouvelle-Calédonie) | 4 | *L'Île-de-France est comptée exactement grâce à la jointure aux départements ; les autres villes sont comptées de façon approchée, dans un rayon autour de chacune.* Une grande partie du territoire ne compte presque aucun site. ## 4 · Absolu ou relatif ? **Notre question est « où ? »**, donc on fait une carte de lieux (un point par site) et pas une carte rapportée à la population. Un centre de données ne sert pas les habitants de son département mais des utilisateurs partout : diviser par la population donnerait un taux sans signification. ## 5 · D'où sort cette donnée, qui manque ? | Produit par | Date | Licence | Ce qui manque | |---|---|---|---| | Contributeurs bénévoles d'OpenStreetMap, via l'API Overpass | 19/10/2026 | ODbL | Sites non cartographiés, 89 sans nom, 92 sans opérateur, étiquettes douteuses (« Association ReptiGo »), aucune taille ni consommation. | **Biais à nommer** : c'est une liste collaborative, donc incomplète, et sans aucune mesure de consommation. Les données de consommation par IRIS (ODRE) ne distinguent pas les centres de données des autres industriels.4d:Tc67,# Gestes du quotidien (Impact CO₂) : *Données : 8 gestes du quotidien relevés à la main sur impactco2.fr (ADEME, Base Carbone et Agribalyse) le 19/10/2026, et 2 facteurs d'émission de l'électricité.* ## 1 · Nature des variables | Variable | Nature | Remarque | |---|---|---| | geste | Nominale | 8 gestes : repas, vêtements, vidéo, voiture. | | valeur (kg CO₂e) | Quantitative continue (ratio) | Vrai zéro : on peut dire « deux fois plus ». | | quantite | Unité de référence | Change à chaque ligne (1 repas, 1 jean, 1 heure, 10 km). | | statut | Nominale | Vérifié, Facteur ou À calculer : sert à filtrer les lignes. | ## 2 · La moyenne ment-elle ? **Une moyenne des 8 gestes n'aurait aucun sens**, car elle additionnerait des repas, des vêtements et des kilomètres. De plus, chaque valeur est déjà une moyenne : « un repas avec du bœuf » ou « une heure de streaming » représentent une situation type, qui cache de gros écarts (recette, taille de l'écran, type de connexion). ## 3 · À quoi ressemble la distribution ? | Geste | g CO₂e | |---|---| | Une heure de streaming vidéo | 31,6 | | Un repas végétalien | 540 | | Un repas végétarien | 850 | | 10 km en voiture thermique | 1 420 | | Un repas avec du poulet | 1 460 | | Un repas avec du bœuf | 4 970 | | Un t-shirt en coton | 6 430 | | Un jean | 25 090 | Les valeurs vont de 31,6 g à 25 090 g : **le jean pèse environ 800 fois l'heure de vidéo.** Elles s'étalent sur près de trois ordres de grandeur, donc sur un axe linéaire les petits gestes seraient écrasés contre zéro. **Pour les comparer, on change donc d'unité : chaque geste est exprimé en nombre de conversations avec une IA (graphique V3).** ## 4 · Absolu ou relatif ? **Chaque valeur est déjà relative**, rapportée à une unité (un repas, un jean, une heure, 10 km). **Notre dénominateur commun est « un geste du quotidien »** : on compare une conversation avec une IA à un geste que le lecteur connaît, tout en g CO₂e par geste. Les deux facteurs d'électricité sont rapportés au kWh (51,9 g en France, 435 g en moyenne mondiale) : ils servent à convertir les Wh d'une conversation en g CO₂e. ## 5 · D'où sort cette donnée, qui manque ? | Donnée | Produit par | Date | Ce qui manque | |---|---|---|---| | 8 gestes | ADEME, Impact CO₂ (Base Carbone, Agribalyse) | Relevé le 19/10/2026 | Ce sont des estimations moyennes, pas des mesures. | | Électricité France : 51,9 g/kWh | ADEME, Base Carbone, mix moyen France continentale 2024 | 19/10/2026 | Le lieu réel des serveurs de chaque modèle est inconnu. | | Électricité monde : 435 g/kWh | AIE, *Electricity 2026*, moyenne mondiale 2025 | 19/10/2026 | Idem : les deux facteurs encadrent le résultat sans le mesurer. | **Piège de périmètre** : les gestes sont comptés en analyse de cycle de vie (fabrication, transport, usage), alors que la conversation avec une IA ne compte que l'électricité des serveurs pendant la réponse, sans la fabrication des machines, l'entraînement du modèle ni le téléphone de l'utilisateur. **La conversation est donc sous-estimée**, et on le dit sur chaque graphique.4e:T11bd,# Compar:IA *Données : 37 modèles, 5 variables. L'unité de l'énergie est la consommation moyenne en Wh (vraisemblablement par conversation).* ## 1 · Nature des variables | Variable | Nature | Remarque | |---|---|---| | modele | Identifiant (texte) | 37 modèles uniques, aucun doublon. | | nb_conversations | Quantitative discrète | Volume d'échantillon. 9 modèles sont évalués sur moins de 10 conversations. | | conso_moyenne_wh | Quantitative continue (ratio) | La seule vraie mesure énergétique, sans aucune valeur manquante. | | tokens_moyens | Quantitative continue | Volume de texte traité, varie fortement selon les modèles. | | taille_parametres | Quantitative (milliards) | Indicateur du poids théorique de chaque modèle. | ## 2 · La moyenne ment-elle ? **Oui, nettement.** Le rapport entre la moyenne et la médiane sur la consommation globale est de **3,46×** (moyenne de 1,79 Wh, contre une médiane de 0,52 Wh). La moyenne globale est tirée vers le haut par quelques modèles gigantesques très gourmands, ce qui lui fait perdre tout son sens. **La médiane décrit le cas typique, pas la moyenne.** En revanche, si l'on regroupe les modèles par taille de paramètres, la moyenne redevient pertinente : | Catégorie (paramètres) | Moyenne / médiane | |---|---| | Moins de 10 milliards | 1,2× | | 10 à 35 milliards | 1,1× | | 35 à 100 milliards | 0,9× | | Plus de 100 milliards | 1,3× | ## 3 · À quoi ressemble la distribution ? La distribution est asymétrique à droite : une majorité de modèles se situent sous la barre de 1 Wh, tandis que quelques très gros modèles consomment beaucoup plus. L'écart entre le modèle le plus sobre (*gemini-3.1-flash-lite-preview* mesuré à 0,01 Wh) et le plus gourmand (*gemini-1.5-pro* mesuré à 11,64 Wh) est de **×1 164**. Cette explosion de l'écart s'observe particulièrement dans la catégorie des très grands modèles : | Catégorie (paramètres) | Écart max / min | |---|---| | Moins de 10 milliards | ×3,6 | | 10 à 35 milliards | ×3,6 | | 35 à 100 milliards | ×9,6 | | Plus de 100 milliards | ×1 164 | La consommation d'énergie croissant de façon multiplicative avec la taille du modèle, la distribution devient plus lisible et symétrique en **échelle logarithmique**. ## 4 · Absolu ou relatif ? - **L'énergie mesurée (Wh) est absolue** : les données reflètent une vraie grandeur, avec une forte corrélation (0,70) entre la consommation et la taille du modèle. - **Piège du volume de travail** : la quantité de texte généré (`tokens_moyens`) varie drastiquement, allant de 16 (*gemini-3.1-flash-lite-preview*) à 2 119 (*claude-3-7-sonnet*). Comparer deux modèles en valeur absolue alors que l'un produit 130 fois plus de texte que l'autre fausse l'analyse. - **Absolu ou rapporté au texte produit** : pour effectuer une comparaison juste et pertinente, il ne faut pas utiliser la consommation brute, mais une efficacité relative obtenue en divisant `conso_moyenne_wh` par `tokens_moyens`. ## 5 · D'où sort cette donnée, qui manque ? **Ce qui manque ou biaise l'analyse :** - **Un déséquilibre statistique flagrant** : le nombre de conversations testées s'étend de 1 seule (*mistral-large-2512*) à 1 456 (*gpt-4o-mini-2024-07-18*). Les 9 modèles disposant de moins de 10 échantillons offrent des moyennes très peu fiables. - **La standardisation du protocole** : la dispersion extrême des longueurs de réponse suggère que les modèles n'ont pas été soumis aux mêmes requêtes ni aux mêmes limites de génération. - **L'origine matérielle** : les caractéristiques du matériel (génération de GPU) et le périmètre de la mesure (carte graphique seule ou consommation totale du centre de données) sont absents du fichier. - **La qualité des réponses** : un modèle affichant une très faible consommation (0,01 Wh pour une moyenne de 16 tokens) peut simplement s'être arrêté de répondre prématurément ou avoir produit des hallucinations. ## Conclusion Ces modèles peuvent être comparés, mais la consommation brute par conversation est trompeuse si elle n'est pas **rapportée au nombre de tokens générés**. Calculer une moyenne globale n'a pas de sens en raison des écarts immenses d'architecture (de 4 à plus de 600 milliards de paramètres) et du manque de robustesse statistique des petits échantillons. Pour exploiter ce jeu de données, la **médiane segmentée par taille** et l'**échelle log** sont les méthodes de visualisation à privilégier.4f:T496,md`## Compar:IA · ce qui a été transformé Le fichier exporté depuis Google Sheets a quatre défauts, dont trois cassent la lecture si on ne les corrige pas. | Problème trouvé | Exemple | Ce qu'on fait | Pourquoi | |---|---|---|---| | Les noms de colonnes contiennent leur type | « conso_moyenne_wh⏎ float64 » | On ne garde que le premier mot : conso_moyenne_wh. | Sans ça, d.conso_moyenne_wh n'existe pas et tous les graphiques sont vides. | | La virgule est un séparateur de milliers | « 1,333 » conversations, « 1,051 » tokens | On la retire : 1 333 et 1 051. | Lue comme une virgule décimale, la valeur serait divisée par 1 000. | | Les zéros de fin ont disparu | « 1,6 » tokens, « 1,36 » tokens | On complète à trois chiffres : 1 600 et 1 360. | La feuille a affiché 1 600 comme « 1,6 ». C'est une reconstruction, signalée dans le contrôle. | | Des zéros en tête | « 03.08 » Wh | Lu comme 3,08. | Aucune perte d'information. | On ajoute aussi une colonne calculée, **wh_pour_1000_tokens** = conso_moyenne_wh ÷ tokens_moyens × 1 000, parce que les modèles ne produisent pas la même longueur de réponse (de 16 à 2 119 tokens).`50:T1069,v1 = { // Distribution des 37 IA de Compar:IA : un point par IA const fmt = (x) => x.toLocaleString("fr-FR", { maximumFractionDigits: x < 1 ? 2 : 1 }); const couleurs = { "moins de 10 Md": "#93c5fd", "10 à 35 Md": "#3b82f6", "35 à 100 Md": "#1d4ed8", "plus de 100 Md": "#172554" }; const categorie = (t) => t < 10 ? "moins de 10 Md" : t < 35 ? "10 à 35 Md" : t <= 100 ? "35 à 100 Md" : "plus de 100 Md"; const data = comparia.map((d) => ({ ...d, cat: categorie(d.taille_milliards) })); const mediane = d3.median(data, (d) => d.conso_wh); const moyenne = d3.mean(data, (d) => d.conso_wh); const sousUn = data.filter((d) => d.conso_wh < 1).length; const plusSobre = d3.least(data, (d) => d.conso_wh); const plusGourmand = d3.greatest(data, (d) => d.conso_wh); const peuFiables = data.filter((d) => d.nb_conversations < 10).length; const dodge = (options) => Plot.dodgeY({ anchor: "bottom", x: "conso_wh", r: 7, padding: 1, ...options }); const etiquette = (modele) => (d) => d.modele === modele ? d.modele : ""; return Plot.plot({ title: `Combien consomme une conversation ? Les ${data.length} IA de Compar:IA`, subtitle: `${sousUn} IA sur ${ data.length } consomment moins de 1 Wh par conversation ; quelques très gros modèles montent jusqu'à ${fmt( plusGourmand.conso_wh )} Wh.`, caption: `Lecture : chaque point est une IA. Plus il est à droite, plus une conversation consomme d'électricité ; chaque graduation vaut 10 fois la précédente (échelle logarithmique). La médiane (${fmt( mediane )} Wh) décrit l'IA typique ; la moyenne (${fmt( moyenne )} Wh) est tirée vers le haut par les plus gros modèles. Source : Compar:IA (ministère de la Culture), consommation estimée par conversation · ${peuFiables} IA reposent sur moins de 10 conversations · Md = milliards de paramètres.`, width: 760, height: 320, marginTop: 40, marginLeft: 20, marginRight: 20, marginBottom: 45, style: { fontSize: "13px" }, x: { type: "log", domain: [0.007, 20], ticks: [0.01, 0.1, 1, 10], tickFormat: (d) => `${d.toLocaleString("fr-FR")} Wh`, label: "Électricité consommée par une conversation (échelle logarithmique) →", grid: true }, color: { legend: true, label: "Taille du modèle", domain: Object.keys(couleurs), range: Object.values(couleurs) }, marks: [ Plot.ruleX([mediane], { stroke: "#111827", strokeDasharray: "5,4" }), Plot.ruleX([moyenne], { stroke: "#b91c1c", strokeDasharray: "5,4" }), Plot.text([mediane], { x: (d) => d, frameAnchor: "top", dy: -10, dx: -4, textAnchor: "end", text: () => `médiane ${fmt(mediane)} Wh`, fontWeight: "600" }), Plot.text([moyenne], { x: (d) => d, frameAnchor: "top", dy: -10, dx: 4, textAnchor: "start", text: () => `moyenne ${fmt(moyenne)} Wh`, fontWeight: "600", fill: "#b91c1c" }), Plot.dot( data, dodge({ fill: "cat", stroke: "white", strokeWidth: 1.5, title: (d) => `${d.modele} : ${fmt(d.conso_wh)} Wh` }) ), // Les deux extrêmes, nommés en haut du graphique et reliés à leur point par un trait fin Plot.ruleX([plusSobre, plusGourmand], { x: "conso_wh", stroke: "#94a3b8", strokeWidth: 1 }), Plot.text([plusSobre], { x: "conso_wh", frameAnchor: "top", dy: 14, dx: 4, textAnchor: "start", text: (d) => `${d.modele} : ${fmt(d.conso_wh)} Wh (la plus sobre)`, fontSize: 11, fill: "#334155" }), Plot.text([plusGourmand], { x: "conso_wh", frameAnchor: "top", dy: 14, dx: -4, textAnchor: "end", text: (d) => `${d.modele} : ${fmt(d.conso_wh)} Wh (la plus gourmande)`, fontSize: 11, fill: "#334155" }) ] }); }51:T8e9,**Fiche V1 (distribution : la consommation des 37 IA)** | | | |---|---| | **La question** | Toutes les IA consomment-elles à peu près pareil par conversation, ou quelques-unes sortent-elles du lot ? | | **La famille** | Distribution (points empilés, *beeswarm*) : un point par IA, comme l'histogramme du TP 3, mais sans regrouper en classes car il n'y a que 37 IA. | | **L'encodage** | La position sur x porte la consommation par conversation, en échelle logarithmique parce que les valeurs vont de 0,01 à 11,64 Wh (plus de ×1 000) : en échelle normale, presque tous les points seraient collés à zéro. Les points qui ont la même valeur s'empilent vers le haut, ce qui montre où il y a le plus d'IA. La couleur (du bleu clair au bleu foncé, donc ordonnée) porte la taille du modèle. Deux lignes repères : la médiane en noir, la moyenne en rouge. Les deux extrêmes sont nommés en haut du graphique, reliés à leur point par un trait fin, pour que les noms ne cachent pas les points. | | **Le dénominateur** | Une conversation : la consommation moyenne estimée d'une conversation pour chaque IA. | | **Titre et sous-titre** | « Combien consomme une conversation ? Les 37 IA de Compar:IA » · « ${comparia.filter((d) => d.conso_wh < 1).length} IA sur 37 consomment moins de 1 Wh par conversation ; quelques très gros modèles montent jusqu'à 11,6 Wh. » | | **L'alternative textuelle** | Diagramme en points empilés, en échelle logarithmique, avec un point par IA conversationnelle de Compar:IA. Il montre la consommation électrique estimée d'une conversation pour ${comparia.length} IA. La plupart des IA consomment moins de 1 Wh, et quelques très gros modèles beaucoup plus : la distribution est très asymétrique, si bien que la moyenne (${d3.mean(comparia, (d) => d.conso_wh).toLocaleString("fr-FR", {maximumFractionDigits: 2})} Wh) est bien au-dessus de la médiane (${d3.median(comparia, (d) => d.conso_wh).toLocaleString("fr-FR", {maximumFractionDigits: 2})} Wh). La plus sobre (${d3.least(comparia, (d) => d.conso_wh).modele}) consomme ${d3.min(comparia, (d) => d.conso_wh).toLocaleString("fr-FR")} Wh, la plus gourmande (${d3.greatest(comparia, (d) => d.conso_wh).modele}) ${d3.max(comparia, (d) => d.conso_wh).toLocaleString("fr-FR")} Wh. |52:Tc85,v1b = { const modeles = [ "gpt-4o-2024-08-06", "claude-3-5-sonnet-v2", "gemini-1.5-pro", "llama-3.1-405b", "deepseek-v3-chat", "gemma-3-27b", "gpt-4o-mini-2024-07-18", "llama-3.1-8b" ]; const fr = facteurs.find((f) => f.lieu.includes("France")).gParKWh; const mo = facteurs.find((f) => f.lieu.includes("mondiale")).gParKWh; const fmt = (x) => x.toLocaleString("fr-FR", { maximumSignificantDigits: 2 }); const moy = d3.mean(comparia, (d) => d.conso_wh); const nomMoy = `Moyenne des ${comparia.length} modèles`; const lignes = comparia .filter((d) => modeles.includes(d.modele)) .sort((a, b) => b.conso_wh - a.conso_wh) .map((d) => ({ nom: d.modele, wh: d.conso_wh })); lignes.push({ nom: nomMoy, wh: moy }); const data = lignes.map((d) => ({ ...d, gFr: (d.wh / 1000) * fr, gMo: (d.wh / 1000) * mo })); const FR = "Serveur en France", MO = "Serveur en moyenne mondiale"; const points = data.flatMap((d) => [ { nom: d.nom, lieu: FR, g: d.gFr, wh: d.wh }, { nom: d.nom, lieu: MO, g: d.gMo, wh: d.wh } ]); const moyData = data[data.length - 1]; return Plot.plot({ title: "Combien pèse une conversation avec une IA ?", subtitle: `En moyenne ${fmt( moyData.gFr )} g de CO₂e avec un serveur en France, ${fmt( moyData.gMo )} g en moyenne mondiale. Selon l'IA, de ${fmt( d3.min(data.slice(0, -1), (d) => d.gFr) )} à ${fmt(d3.max(data.slice(0, -1), (d) => d.gFr))} g (France).`, caption: `Calcul : énergie par conversation (Wh) ÷ 1 000 × émissions de l'électricité (${fr.toLocaleString( "fr-FR" )} g CO₂e/kWh en France, ${mo.toLocaleString( "fr-FR" )} g en moyenne mondiale). Source : Compar:IA, ADEME, AIE. Estimation : électricité des serveurs seulement.`, width: 860, height: 440, marginLeft: 200, marginRight: 30, marginBottom: 50, style: { fontSize: "13px" }, x: { type: "log", domain: [0.0007, 25], label: "g de CO₂e par conversation (échelle logarithmique) →", ticks: [0.001, 0.01, 0.1, 1, 10], tickFormat: (d) => `${d.toLocaleString("fr-FR")} g`, grid: true }, y: { label: null, domain: data.map((d) => d.nom), padding: 0.5 }, color: { legend: true, domain: [FR, MO], range: ["#1d4ed8", "#ea580c"] }, marks: [ Plot.ruleY([nomMoy], { stroke: "#e2e8f0", strokeWidth: 38, strokeOpacity: 0.7 }), Plot.link(data, { x1: "gFr", x2: "gMo", y: "nom", stroke: "#94a3b8", strokeWidth: 2 }), Plot.dot(points, { x: "g", y: "nom", fill: "lieu", r: 7, stroke: "white", strokeWidth: 1.5 }), Plot.text(data, { x: "gFr", y: "nom", text: (d) => `${fmt(d.gFr)} g`, dx: -12, textAnchor: "end", fill: "#1d4ed8", fontWeight: "600" }), Plot.text(data, { x: "gMo", y: "nom", text: (d) => `${fmt(d.gMo)} g`, dx: 12, textAnchor: "start", fill: "#c2410c", fontWeight: "600" }) ] }); }53:Tea2,md`**Fiche V1b (complément : le poids carbone d'une conversation, selon l'IA et le lieu du serveur)** | | | |---|---| | **La question** | Combien pèse, en CO₂, une conversation avec une IA, et est-ce que le lieu du serveur change beaucoup le résultat ? | | **La famille** | Comparaison de valeurs (diagramme à points reliés, *dumbbell plot*), avec deux valeurs par modèle. | | **L'encodage** | La position sur x porte les grammes de CO₂e par conversation, en échelle logarithmique parce que les valeurs vont de ${( (0.06 / 1000) * facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g à ${( (d3.max(comparia, (d) => d.conso_wh) / 1000) * facteurs[1].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g (plus de ×1 000) : en échelle linéaire, les petits modèles seraient collés à zéro. On a choisi des points et non des barres, parce qu'une barre sur une échelle log ne part pas de zéro et tromperait sur sa longueur. Un point bleu = serveur en France, un point orange = moyenne mondiale, reliés par un trait : comme le rapport est le même pour tous les modèles (×${( facteurs[1].gParKWh / facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumFractionDigits: 1 })}), le trait a la même longueur partout, ce qui montre que le lieu pèse autant que le choix du modèle. Les modèles sont triés du plus gourmand au plus sobre, la ligne « moyenne » est surlignée en gris, et la valeur exacte est écrite à côté de chaque point. | | **Le dénominateur** | Une conversation avec une IA : l'énergie moyenne par conversation de chaque modèle (Compar:IA, en Wh) ÷ 1 000 × l'émission de l'électricité (${facteurs[0].gParKWh.toLocaleString( "fr-FR" )} g CO₂e/kWh en France, ${facteurs[1].gParKWh.toLocaleString( "fr-FR" )} g en moyenne mondiale). | | **Titre et sous-titre** | « Combien pèse une conversation avec une IA ? » · « En moyenne ${( (d3.mean(comparia, (d) => d.conso_wh) / 1000) * facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g de CO₂e avec un serveur en France, ${( (d3.mean(comparia, (d) => d.conso_wh) / 1000) * facteurs[1].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g en moyenne mondiale. Selon l'IA, de ${( (0.06 / 1000) * facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} à ${( (11.64 / 1000) * facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g (France). » | | **L'alternative textuelle** | Diagramme à points en échelle logarithmique qui compare 8 IA conversationnelles et la moyenne des ${ comparia.length } modèles de Compar:IA. Il mesure les grammes de CO₂e émis par une conversation, pour deux lieux de serveur : la France (électricité peu carbonée) et la moyenne mondiale (${( facteurs[1].gParKWh / facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumFractionDigits: 1 })} fois plus carbonée). Le résultat dépend de deux choses : le modèle, puisqu'il y a un facteur d'environ ×200 entre le plus sobre (llama-3.1-8b) et le plus gourmand (gemini-1.5-pro), et le lieu du serveur, qui multiplie tous les résultats par ${( facteurs[1].gParKWh / facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumFractionDigits: 1 })}. En moyenne, une conversation émet ${( (d3.mean(comparia, (d) => d.conso_wh) / 1000) * facteurs[0].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g avec un serveur en France et ${( (d3.mean(comparia, (d) => d.conso_wh) / 1000) * facteurs[1].gParKWh ).toLocaleString("fr-FR", { maximumSignificantDigits: 2 })} g en moyenne mondiale. Estimation : seule l'électricité des serveurs est comptée. |`54:T640,md`**Fiche V2** | | | |---|---| | **La question** | Où sont les centres de données en France ? | | **La famille** | Carte de lieux (un point par site), comme la carte Leaflet / Plot.geo du TP 4. | | **L'encodage** | La position (longitude et latitude, projetées en Mercator) place chaque site ; le fond des départements est en gris clair pour ne pas concurrencer les points ; une seule couleur, car tous les points sont de même nature. On a choisi une carte de lieux et non une choroplèthe parce que la question est « où ? » et qu'OpenStreetMap ne donne aucune valeur (consommation, puissance) à colorer. Les points sont semi-transparents pour que les zones denses (Île-de-France) restent lisibles. | | **Le dénominateur** | Aucun, et c'est voulu : rapporter les sites à la population n'aurait pas de sens, car un centre de données sert des utilisateurs partout, pas les habitants de son département. Un point = un site, quelle que soit sa taille. | | **Titre et sous-titre** | « Où sont les centres de données en France ? » · « Près de la moitié se trouvent en Île-de-France : l'IA « dans le nuage » a une adresse ». | | **L'alternative textuelle** | Carte de France métropolitaine où chaque point est un centre de données recensé dans OpenStreetMap. Elle montre la localisation de ${sitesMetro.length} sites. Ils sont très concentrés : près de la moitié en Île-de-France, puis autour de Lille, Lyon et Marseille, alors que de nombreux départements n'en comptent aucun. ${controleJointureOSM.horsCarte.length} sites hors métropole ne sont pas représentés. |`55:T700,v3 = { // Poids d'une conversation (médiane Compar:IA, serveur en France), en g CO₂e const gConversation = (convMedianeWh / 1000) * facteurs[0].gParKWh; // Pour chaque geste : combien de conversations émettent autant ? const lignes = gestes.map((g) => ({ geste: g.label, conversations: Math.round(g.gCO2e / gConversation) })); const nb = (mot) => lignes .find((d) => d.geste.includes(mot)) .conversations.toLocaleString("fr-FR"); return Plot.plot({ title: "Une conversation avec une IA, comparée à un geste du quotidien", subtitle: "Une seule conversation pèse très peu : il en faut plus d'un millier, voire des centaines de milliers, pour égaler un geste du quotidien.", caption: `Lecture : un repas avec du bœuf émet autant de CO₂ que ${nb( "bœuf" )} conversations avec une IA dont le serveur tourne en France. Sources : ADEME, Impact CO₂ (relevé du 19/10/2026) · Compar:IA (médiane : ${convMedianeWh} Wh par conversation) · ADEME, Base Carbone 2024 (51,9 g CO₂e/kWh). Estimations : la conversation ne compte que l'électricité des serveurs, les gestes tout leur cycle de vie.`, marginLeft: 330, marginRight: 90, x: { label: "Nombre de conversations avec une IA qui émettent autant que le geste →", grid: true, tickFormat: (d) => d.toLocaleString("fr-FR") }, y: { label: null }, marks: [ Plot.barX(lignes, { x: "conversations", y: "geste", fill: "#1d4ed8", sort: { y: "-x" } }), Plot.text(lignes, { x: "conversations", y: "geste", text: (d) => d.conversations.toLocaleString("fr-FR"), dx: 6, textAnchor: "start" }), Plot.ruleX([0]) ] }); }56:T871,md`**Fiche V3** | | | |---|---| | **La question** | Une conversation avec une IA, ça pèse combien face à d'autres gestes du quotidien ? | | **La famille** | Comparaison (barres horizontales triées, comme le G1 du TP 3). | | **L'encodage** | La longueur des barres (position sur x) porte le nombre de conversations qui émettent autant que chaque geste ; l'axe part de zéro et reste linéaire, pour que deux fois plus long veuille dire deux fois plus. Les barres sont triées du geste le plus lourd au plus léger. Le nombre exact est écrit au bout de chaque barre, parce que les petits gestes (la vidéo) ont des barres très courtes. Une seule couleur : il n'y a qu'une catégorie de données. On exprime tout en « nombre de conversations » plutôt qu'en grammes : 0,03 g ne parle à personne, « 184 000 conversations » si. | | **Le dénominateur** | Une conversation avec une IA (médiane Compar:IA, ${convMedianeWh} Wh, serveur en France à 51,9 g CO₂e/kWh). Chaque geste est divisé par le poids d'une conversation. | | **Titre et sous-titre** | « Une conversation avec une IA, comparée à un geste du quotidien » · « Une seule conversation pèse très peu : il en faut plus d'un millier, voire des centaines de milliers, pour égaler un geste du quotidien. » | | **L'alternative textuelle** | Diagramme en barres horizontales qui compare huit gestes du quotidien à des conversations avec une IA. Il mesure, pour chaque geste, le nombre de conversations (serveur en France) qui émettent autant de CO₂. Une conversation pèse très peu, mais l'usage répété finit par compter : il en faut plus d'un millier pour égaler une heure de vidéo, et des centaines de milliers pour un repas ou un vêtement. Une heure de vidéo équivaut à ${Math.round( gestes.find((g) => g.label.includes("vidéo")).gCO2e / ((convMedianeWh / 1000) * facteurs[0].gParKWh) ).toLocaleString( "fr-FR" )} conversations, un repas avec du bœuf à ${nbConvBoeuf.toLocaleString( "fr-FR" )}, un jean à ${Math.round( gestes.find((g) => g.label.includes("jean")).gCO2e / ((convMedianeWh / 1000) * facteurs[0].gParKWh) ).toLocaleString("fr-FR")}. |`57:Tba4,viewof v4 = { const fmt = (x) => x.toLocaleString("fr-FR", { maximumFractionDigits: x < 1 ? 3 : 1 }); const entier = (x) => Math.round(x).toLocaleString("fr-FR"); const nomLieu = (f) => f.lieu.includes("France") ? "Serveur en France" : "Serveur en moyenne mondiale"; const couleurs = { "Serveur en France": "#1d4ed8", "Serveur en moyenne mondiale": "#ea580c" }; const select = Inputs.select(gestes, { label: "Choisis un geste", format: (g) => g.label, value: gestes.find((g) => g.label.includes("bœuf")) }); const zone = html`

`; const racine = html`

${select}${zone}

`; const dessiner = () => { const geste = select.value; const equivalences = facteurs.map((f) => { const gConv = (convMedianeWh / 1000) * f.gParKWh; return { lieu: nomLieu(f), gConv, conversations: Math.round(geste.gCO2e / gConv) }; }); const [fr, mo] = equivalences; zone.replaceChildren( Plot.plot({ title: `${geste.label} : combien de conversations avec une IA ?`, subtitle: `Il en faut ${entier( fr.conversations )} avec un serveur en France, mais seulement ${entier( mo.conversations )} en moyenne mondiale, où l'électricité est ${fmt( facteurs[1].gParKWh / facteurs[0].gParKWh )} fois plus carbonée.`, caption: `Calcul : ${entier(geste.gCO2e)} g CO₂e pour le geste ÷ ${fmt( fr.gConv )} g par conversation en France (${fmt( mo.gConv )} g en moyenne mondiale). Une conversation = médiane Compar:IA, ${fmt( convMedianeWh )} Wh. Sources : ADEME, Impact CO₂ · ADEME, Base Carbone 2024 · AIE, Electricity 2026. Estimation : la conversation ne compte que l'électricité des serveurs.`, width: 760, height: 260, marginTop: 20, marginLeft: 220, marginRight: 40, marginBottom: 45, style: { fontSize: "13px" }, x: { label: "Nombre de conversations équivalentes →", grid: true, domain: [ 0, Math.max(...equivalences.map((d) => d.conversations)) * 1.2 ], tickFormat: (d) => d.toLocaleString("fr-FR") }, y: { label: null, padding: 0.35 }, marks: [ Plot.barX(equivalences, { x: "conversations", y: "lieu", fill: (d) => couleurs[d.lieu] }), Plot.text(equivalences, { x: "conversations", y: "lieu", text: (d) => `${entier(d.conversations)} conversations`, dx: 8, textAnchor: "start", fontWeight: "600", fill: "#334155" }), Plot.ruleX([0]) ] }) ); racine.value = { geste, equivalences }; }; select.addEventListener("input", dessiner); dessiner(); return racine; }58:T7af,md`**Fiche V4** | | | |---|---| | **La question** | Combien de conversations avec une IA pèsent autant que ce geste ? (question du lecteur, écrite en toutes lettres) | | **La famille** | Comparaison, avec une interaction : un menu déroulant pour choisir le geste (comme les select des TP de R312). | | **L'encodage** | La longueur des barres (axe linéaire qui part de zéro) porte le nombre de conversations qui émettent autant que le geste choisi ; une barre par lieu du serveur, en bleu pour la France et en orange pour la moyenne mondiale. Le nombre exact est écrit au bout de chaque barre. L'interaction est gardée parce qu'elle répond à une vraie question du lecteur : il choisit un geste de son quotidien. Dans le site, elle demandera la route B (le graphique se redessine chez le lecteur). | | **Le dénominateur** | Une conversation avec une IA (médiane Compar:IA, ${convMedianeWh} Wh), convertie en CO₂ avec l'électricité de France (51,9 g/kWh) ou la moyenne mondiale (435 g/kWh). On divise le poids du geste par celui d'une conversation. | | **Titre et sous-titre** | « [Geste] : combien de conversations avec une IA ? » · « Il en faut [N] avec un serveur en France, mais seulement [M] en moyenne mondiale, où l'électricité est 8,4 fois plus carbonée. » Les deux se réécrivent selon le geste choisi. | | **L'alternative textuelle** | Diagramme en barres horizontales qui compare, pour un geste du quotidien choisi par le lecteur, le nombre de conversations avec une IA ayant le même poids carbone. Il mesure ce nombre pour deux lieux de serveur : la France et la moyenne mondiale. Le lieu du serveur change fortement le résultat, car l'électricité mondiale est beaucoup plus carbonée. Pour « ${ v4.geste.label } », il faut ${v4.equivalences[0].conversations.toLocaleString( "fr-FR" )} conversations avec un serveur en France, contre ${v4.equivalences[1].conversations.toLocaleString( "fr-FR" )} en moyenne mondiale. |`59:T46f,md`**Journal IA · Izya** 1. **Quels outils / quels prompts** — J'ai utilisé Gemini Pro pour la mise en page Markdown, pour le sommaire par exemple. Je l'ai également utilisé pour m'aider à créer des graphiques adaptés à notre question principale et il m'a aidé à comprendre comment télécharger les données à mettre dans l'observable. J'ai également utilisé Claude gratuit pour mettre au propre et rendre plus lisible des graphiques. 2. **Ce que ça m'a apporté** — Claude m'a aidé à trouver trois défauts du fichier Compar:IA (noms de colonnes avec leur type, virgule des milliers, zéros de fin perdus) et il m'a donné le code pour les corriger. Il m'a également donné le code d'assemblage des 11 fichiers AI Energy Score, le code et donc le texte de la visualisation v1, et une grande partie des parties textuelles. 3. **Ce que j'ai dû corriger** — J'ai dû repasser derrière les textes de Claude qui étaient parfois trop poussés et qui manquaient de rigueur sur certains points. Les graphiques étaient très souvent peu lisibles, je devais demander plusieurs fois de les rendre plus lisibles.`5a:T5b4, Notre question de départ : une conversation avec une IA, ça pèse combien face aux gestes du quotidien ? Prise toute seule, une conversation pèse très peu. Avec la consommation médiane de Compar:IA (0,52 Wh) et l'électricité française, on arrive à environ 0,03 g de CO₂e. Il en faut plus d'un millier pour égaler une heure de vidéo en streaming, et environ 184 000 pour un repas avec du bœuf. Mais ce chiffre bouge beaucoup selon deux choses. Le lieu du serveur d'abord : avec l'électricité moyenne mondiale, la même conversation pèse environ 8 fois plus (0,23 g). Le modèle ensuite, et c'est l'écart le plus fort : dans Compar:IA, le modèle le plus gourmand consomme plus de 1 000 fois plus que le plus sobre, et dans l'AI Energy Score l'écart dépasse 2 600 pour la même tâche de génération de texte. Et cette IA a bien une adresse : sur notre carte, près de la moitié des centres de données recensés dans OpenStreetMap sont en Île-de-France. **Nos limites** : tous ces chiffres sont des estimations, pas des mesures. La conversation ne compte que l'électricité des serveurs, alors que les gestes sont comptés sur tout leur cycle de vie, donc elle est sous-estimée. OpenStreetMap est incomplet et ne dit rien de la consommation des sites, et les modèles fermés ne publient pas leurs chiffres. **Ce qu'on retient** : une conversation, c'est peu, mais le choix du modèle et le nombre de conversations changent tout. 5b:[{"id":"b70c9a67d0ce501fbfa6e0ea211bdec33cf203b950d6f7b7024b98c5b138e87d3293115497d997e878febe52fae3f8b893959ac09fbaf611114121b4856f6753","href":"https://static.observableusercontent.com/files/b70c9a67d0ce501fbfa6e0ea211bdec33cf203b950d6f7b7024b98c5b138e87d3293115497d997e878febe52fae3f8b893959ac09fbaf611114121b4856f6753","name":"comparia_conso.csv - Feuille 1.csv","type":"text/csv","lastModified":1792401562452.329,"size":1459},{"id":"4843d02bb167ced47db23513a4b608ad3809aabdddf9ae90372eb14a8622550bae286d8afcb970f9f507f1fd6169a8eea5598a20f9e0c6b15adb82d004b4e55c","href":"https://static.observableusercontent.com/files/4843d02bb167ced47db23513a4b608ad3809aabdddf9ae90372eb14a8622550bae286d8afcb970f9f507f1fd6169a8eea5598a20f9e0c6b15adb82d004b4e55c","name":"image_generation.csv","type":"text/csv","lastModified":1792408020822.049,"size":546},{"id":"98a924946db36f043a1c41d9f800ade99d19ad58d94de84cbcac4fc2dd0320e3a0b26283376f557b466b907bf4693e461e8e3f3d1766eeb5ae4fbbfbfdc6af6f","href":"https://static.observableusercontent.com/files/98a924946db36f043a1c41d9f800ade99d19ad58d94de84cbcac4fc2dd0320e3a0b26283376f557b466b907bf4693e461e8e3f3d1766eeb5ae4fbbfbfdc6af6f","name":"reasoning.csv","type":"text/csv","lastModified":1792408020785.302,"size":902},{"id":"1acd7ce32894349ec3ab5eb8efb2b4daa3ffdd6e0b198176bee15b9891667ea608d9a104142e43e31e54d26297fe889dd5e9d5af9009c968fa8b089e2a506881","href":"https://static.observableusercontent.com/files/1acd7ce32894349ec3ab5eb8efb2b4daa3ffdd6e0b198176bee15b9891667ea608d9a104142e43e31e54d26297fe889dd5e9d5af9009c968fa8b089e2a506881","name":"osm-datacenters.json","type":"application/json","lastModified":1792400614106.639,"size":130080},{"id":"521f2e4860cc6f1d03258af0177ee15dd2204be3dbf37e5503e021a810d361358f3047ff2a37c6f9e3d1820b58e793af87ad0a87412e7185d41cad0e40edcd89","href":"https://static.observableusercontent.com/files/521f2e4860cc6f1d03258af0177ee15dd2204be3dbf37e5503e021a810d361358f3047ff2a37c6f9e3d1820b58e793af87ad0a87412e7185d41cad0e40edcd89","name":"image_classification.csv","type":"text/csv","lastModified":1792408020844.997,"size":1078},{"id":"6937916b0eb8e2a70db53a4a7a709e4e5455e8c3c986af0732275fed1340fcebab3db89e3553c80f6e0f8ea1499b14a948ec534cdbc83c7cfb317a7426aa84a1","href":"https://static.observableusercontent.com/files/6937916b0eb8e2a70db53a4a7a709e4e5455e8c3c986af0732275fed1340fcebab3db89e3553c80f6e0f8ea1499b14a948ec534cdbc83c7cfb317a7426aa84a1","name":"sentence_similarity.csv","type":"text/csv","lastModified":1792408020827.485,"size":800},{"id":"5542e5631c8bf482ad12e9a88521b2a4b5f7944ce516321d43bb391887ebfa5ff4e16ff15470ff2930a95502381473a8c432e4114097b86a9c1e3d19bf298f35","href":"https://static.observableusercontent.com/files/5542e5631c8bf482ad12e9a88521b2a4b5f7944ce516321d43bb391887ebfa5ff4e16ff15470ff2930a95502381473a8c432e4114097b86a9c1e3d19bf298f35","name":"question_answering.csv","type":"text/csv","lastModified":1792408020779.328,"size":867},{"id":"d122797f347264c0901a731b3721d83ed5d3807913669e62266f255c01fbf6fb8f26bde4adb9d0fc35a63c90412400bdb1b35a001d3b9d21920afeb2bcdbcec7","href":"https://static.observableusercontent.com/files/d122797f347264c0901a731b3721d83ed5d3807913669e62266f255c01fbf6fb8f26bde4adb9d0fc35a63c90412400bdb1b35a001d3b9d21920afeb2bcdbcec7","name":"text_classification.csv","type":"text/csv","lastModified":1792408020808.529,"size":667},{"id":"f731462538139608f100edd89f073a85ca5fbaa284caf555a04897dd6f3b76ed07563f0135980c46680dfa7aa58ed97f330ac5b39bc3becbcbbbeb0122862a3a","href":"https://static.observableusercontent.com/files/f731462538139608f100edd89f073a85ca5fbaa284caf555a04897dd6f3b76ed07563f0135980c46680dfa7aa58ed97f330ac5b39bc3becbcbbbeb0122862a3a","name":"object_detection.csv","type":"text/csv","lastModified":1792408020825.148,"size":313},{"id":"36c666578e59a15306c031a5511adb4b9e0751d871ecddcd29e759164575b4f6f5dcbb7d05c7e28c99c5e43840c668c088a7cf460ba3b5f47f79441ca3e57a6e","href":"https://static.observableusercontent.com/files/36c666578e59a15306c031a5511adb4b9e0751d871ecddcd29e759164575b4f6f5dcbb7d05c7e28c99c5e43840c668c088a7cf460ba3b5f47f79441ca3e57a6e","name":"summarization.csv","type":"text/csv","lastModified":1792408020785.265,"size":473},{"id":"0ebe2150a01499fe9594d05116403cc4b1eb27da26ed19859e769a31d966a9effff7e547e81f3d9aec5b83b7f2b344886e046e686bec55295d24b1f4a322fb4a","href":"https://static.observableusercontent.com/files/0ebe2150a01499fe9594d05116403cc4b1eb27da26ed19859e769a31d966a9effff7e547e81f3d9aec5b83b7f2b344886e046e686bec55295d24b1f4a322fb4a","name":"asr.csv","type":"text/csv","lastModified":1792408020844.805,"size":582},{"id":"890e1690e426da478485e487c38f0abb59cfb1dad5507c09428de52cd79a6da96af41e9c6fce08f67db20e7cd5738e54851d9d40f13748008fc4629c2a95eec5","href":"https://static.observableusercontent.com/files/890e1690e426da478485e487c38f0abb59cfb1dad5507c09428de52cd79a6da96af41e9c6fce08f67db20e7cd5738e54851d9d40f13748008fc4629c2a95eec5","name":"text_generation.csv","type":"text/csv","lastModified":1792408020818.33,"size":2787},{"id":"df651cbd637d7efe57b489bd8e3d154e0374bed2d3b1cecb29faa83afeb091b5f2b176805e7bb46900ea21884d335c1ca14b461d8c2386876d0f7c16458e4d59","href":"https://static.observableusercontent.com/files/df651cbd637d7efe57b489bd8e3d154e0374bed2d3b1cecb29faa83afeb091b5f2b176805e7bb46900ea21884d335c1ca14b461d8c2386876d0f7c16458e4d59","name":"image_captioning.csv","type":"text/csv","lastModified":1792408020877.007,"size":470},{"id":"25e6c7633d569e294499e96900d3a84c461fc0a84f99a7c4fb06dbe44d497fbaebda88e012a3f259443c60dcb5f96fc7a207b81c9300d66cb6e10b5baaa195f8","href":"https://static.observableusercontent.com/files/25e6c7633d569e294499e96900d3a84c461fc0a84f99a7c4fb06dbe44d497fbaebda88e012a3f259443c60dcb5f96fc7a207b81c9300d66cb6e10b5baaa195f8","name":"impactco2-gestes (3) - gestes@1.csv","type":"text/csv","lastModified":1792413968016.612,"size":1416}] 48:{"id":"e3cb570e56ebab36","slug":"sae-303-gr-08","title":"SAE 303 — Gr 08","thumbnail":"f662d50bd780889523d8af1477f7351677ed7fcd49eea3b64bed470772cc6b81","access_level":"public","create_time":"$D2026-10-13T09:35:26.234Z","update_time":"$D2026-10-20T07:38:28.140Z","view_time":null,"first_public_time":"$D2026-10-20T09:30:00.183Z","has_unpublished_edits":null,"fork":false,"stars":0,"starred":false,"owner":{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","bio":"","following":false},"version":513,"publish_version":null,"role":null,"authored":false,"authors":[{"type":"individual","id":"9e994ecabe6cd753","login":"xaviersenente","name":"Xavier SENENTE","avatar_url":"https://avatars-next.observableusercontent.com/00724f3264dc62ce6303793b946b15214af84cf98487a4cdaa88dbdfea37786a","tier":null,"bio":"","following":false}],"members":[{"type":"individual","id":"ccf01652b8045b26","login":"izyaa","name":"izya thiriet","avatar_url":"https://avatars-next.observableusercontent.com/314f6c7b1082c94fa49aa4f73897914a2672f833991c93d208af9aa9a6442584","tier":null,"role":"editor"},{"type":"individual","id":"49a86edf02251de3","login":"laurabailly","name":"Laura Bailly","avatar_url":"https://avatars-next.observableusercontent.com/0c572f16b0bca30cdfc68d35a80529bbcc2f4f3536ef568161c40aa8eb9ef4b4","tier":null,"role":"editor"},{"type":"individual","id":"9e994ecabe6cd753","login":"xaviersenente","name":"Xavier SENENTE","avatar_url":"https://avatars-next.observableusercontent.com/00724f3264dc62ce6303793b946b15214af84cf98487a4cdaa88dbdfea37786a","tier":null,"role":"editor"},{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","role":"viewer"}],"comments":[],"custom_thumbnail":false,"trashed":false,"lapsed":null,"subscribed":null,"forks":2,"collection":null,"type":"notebook","body":{"titling":"auto","title":"SAE 303 — Gr 08","cells":[{"id":0,"value":"# SAE 303 — Gr 08","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":16,"value":"Laura BAILLY - Izya THIRIET","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":75,"value":"$4a","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":13,"value":"\n\n# La fiche d'intention\n\n**Le public visé** : Des étudiants qui utilisent une IA conversationnelle au quotidien.\n\n**La question principale** : Une conversation avec une IA, ça pèse combien face à d'autres gestes du quotidien ?\n\n**L'angle choisi** : Déconstruire le mythe d'un numérique immatériel. On part de l'échelle du geste du lecteur\n(une conversation), on la compare à des gestes familiers (un repas, un vêtement, une heure\nde vidéo), puis on montre ce qui fait varier le chiffre : le modèle utilisé et le lieu où\ntourne le serveur. Chaque chiffre est présenté comme une estimation, avec sa méthode.\n","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":73,"value":"\n\n# Les 5 questions avant de dessiner\n\nNature des variables · la moyenne ment-elle ? · à quoi ressemble la distribution ? · absolu ou relatif ? · d'où sort cette donnée, qui manque ?","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":155,"value":"$4b","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":152,"value":"$4c","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":174,"value":"$4d","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":158,"value":"$4e","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":176,"value":"md`\n\n# Le nettoyage et les jointures\n\nQuatre jeux sont nettoyés ici : Compar:IA, AI Energy Score, les centres de données OpenStreetMap et les gestes Impact CO₂. Pour chaque étape, on dit ce qui a été retiré ou transformé, et pourquoi. Pour chaque jointure, on compte **ce qui tombe à côté**.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":178,"value":"$4f","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":202,"value":"md`**Ce que le contrôle révèle.** ${controleComparia.lignes} modèles lus, aucune consommation illisible si la liste « consoIllisible » est vide. ${controleComparia.zerosReconstruits.length} valeurs ont dû être reconstruites (zéros de fin perdus à l'export) : ce sont des reconstructions probables, pas des valeurs certaines. ${controleComparia.moinsDe10Conversations.length} modèles reposent sur moins de 10 conversations : leurs valeurs sont fragiles, on les garde mais on les signale. Il n'y a pas de jointure dans ce jeu : il est utilisé seul, puis sa médiane (${controleComparia.medianeWh} Wh par conversation) sert au calcul de la partie Impact CO₂.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":204,"value":"md`## AI Energy Score · ce qui a été transformé\n\n| Étape | Ce qu'on fait | Pourquoi |\n|---|---|---|\n| Assemblage | Les 11 fichiers (un par tâche) sont réunis en un seul tableau, avec une colonne **tache**. | Pour comparer les modèles au sein de chaque tâche avec le même code. |\n| Colonnes | « test date » devient **campagne** ; « class » et « campagne » restent vides pour les tâches qui ne les ont pas. | Un nom sans espace se manipule plus facilement. |\n| Nom bruité | « ibm-granite/*granite-4.0-h-tiny » perd son astérisque. | Erreur de saisie dans le fichier. |\n| Doublons | Un modèle présent deux fois dans la même tâche (swinv2-large, detr-resnet-50-dc5) n'est gardé qu'une fois. | Sinon il pèserait double dans la médiane. |\n| Unité | On garde la valeur telle quelle, en la notant « énergie GPU (unité supposée : Wh pour 1 000 requêtes) ». | Le fichier ne donne pas l'unité : on ne l'invente pas, on la signale. |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":214,"value":"md`**Ce que le contrôle révèle.** ${controleAIES.lignesLues} lignes lues dans les 11 fichiers, ${controleAIES.doublonsRetires} doublons retirés, ${controleAIES.energieIllisible} valeur d'énergie illisible. Le nombre de modèles par tâche est faible (souvent moins de 25) : chaque médiane repose sur peu de modèles. Il n'y a pas de jointure avec Compar:IA : les noms de modèles et les unités ne sont pas les mêmes, et les deux jeux ne mesurent pas la même chose (une conversation réelle d'un côté, 1 000 requêtes de test de l'autre). On ne les mélange donc pas.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":216,"value":"md`## OpenStreetMap · ce qui a été transformé\n\n| Étape | Ce qu'on fait | Pourquoi |\n|---|---|---|\n| Positions | Les bâtiments (ways) et les zones (relations) sont ramenés à leur centre. | Pour placer chaque site comme un point sur la carte. |\n| Colonnes | On ne garde que id, type, nom, opérateur, ville, lat et lon. | Les autres étiquettes OSM ne servent ni au dessin ni à la vérification. |\n| Doublons | On fusionne seulement les sites qui ont le même nom **et** la même position (à 100 m près). | Un même nom ne veut pas dire un même site : un opérateur peut avoir plusieurs sites, et « Centre de données » est un nom générique. |\n| Sites sans nom | On les garde. | Ils sont réels, seulement mal renseignés. Les retirer ferait disparaître un quart des sites. |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":233,"value":"md`**Ce que le contrôle révèle.** Les sites « hors carte » sont ceux qui ne tombent dans aucun département métropolitain : l'outre-mer (Guadeloupe, Mayotte, Nouvelle-Calédonie) et, s'il y en a, des sites situés juste de l'autre côté d'une frontière (le centre de calcul du CERN, à Genève). Ils restent dans les données mais ne sont pas tracés, et on le dit sous la carte. Les départements sans aucun site ne sont pas une erreur de jointure : OSM n'y recense aucun centre de données.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":208,"value":"aiesBrut = (\n await Promise.all(\n Object.entries(fichiersAIES).map(async ([tache, f]) =>\n (await f.csv({ typed: true })).map((d) => ({ ...d, tache }))\n )\n )\n).flat()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":235,"value":"md`## Gestes du quotidien · ce qui a été transformé\n\n| Étape | Ce qu'on fait | Pourquoi |\n|---|---|---|\n| Relevé | 8 gestes relevés à la main sur impactco2.fr, une fiche par geste, avec son unité. | Le fichier complet de l'ADEME ne donne pas l'unité de chaque valeur (par kg, par repas, par km…). |\n| Ramenés à un geste | Le streaming, donné pour un an (364 h), est ramené à 1 heure ; la voiture à 10 km. | Pour comparer des gestes qu'un étudiant fait vraiment. |\n| Filtre | On ne garde que les lignes « Vérifié » pour les gestes, et « Facteur » pour l'électricité. | La ligne « Une conversation avec une IA » est calculée dans le notebook, pas relevée. |\n| Unité | Les kg CO₂e sont convertis en g CO₂e. | Une conversation pèse quelques grammes : en kg, on ne lirait que des zéros. |\n| Virgule | « 4,97 » devient 4.97. | La feuille Google est en français : sans conversion, les valeurs restent du texte. |`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":249,"value":"md`**Ce que le contrôle révèle.** Sur les 11 lignes de la feuille, 8 sont des gestes, 2 sont des facteurs d'électricité et 1 seule est écartée : la conversation avec une IA, qui n'est pas relevée mais calculée. Ce n'est pas une jointure par clé : on multiplie l'énergie médiane d'une conversation Compar:IA (en Wh) par l'intensité carbone de l'électricité. Le contrôle vérifie donc que toutes les valeurs Compar:IA sont lisibles comme des nombres (aucune ne doit tomber en NaN).`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":251,"value":"md`\n\n# Les visualisations\n\nV1 : la distribution · V1b : un complément · V2 : la carte · V3 : la comparaison · V4 : l'interaction.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":342,"value":"$50","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":444,"value":"$51","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":253,"value":"$52","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":255,"value":"$53","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":257,"value":"md`**La fonction prête pour le site.** Elle reçoit les sites et les contours en paramètres et ne va chercher aucune cellule du notebook : c'est ce code qu'on recopie tel quel dans \\`src/scripts/carte.js\\`.`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":261,"value":"v2 = carteSites(sitesMetro, departements.features, {\n title: \"Où sont les centres de données en France ?\",\n subtitle:\n \"Près de la moitié se trouvent en Île-de-France : l'IA « dans le nuage » a une adresse\",\n caption: `Source : OpenStreetMap (© contributeurs, ODbL), extraction du 19/10/2026 · France métropolitaine · ${sitesMetro.length} sites tracés, ${controleJointureOSM.horsCarte.length} hors métropole non représentés · un point = un site, quelle que soit sa taille.`,\n ariaLabel:\n \"Carte des centres de données OpenStreetMap en France métropolitaine, très concentrés en Île-de-France et autour de Lille, Lyon et Marseille.\"\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":502,"value":"carteSites(\n sitesMetro.filter((d) => bfc.includes(d.dep)),\n departements.features.filter((f) => bfc.includes(f.properties.code)),\n {\n width: 400,\n title: \"Test de la fonction carteSites : la Bourgogne-Franche-Comté seule\",\n caption:\n \"Si cette carte ne montre que la région, recadrée, la fonction ne dépend d'aucune cellule du notebook : elle est prête pour le site.\"\n }\n)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":431,"value":"$54","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":273,"value":"$55","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":275,"value":"$56","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":277,"value":"md`**La question du lecteur : « Combien de conversations avec une IA pèsent autant que ce geste ? »**`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":283,"value":"$57","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":436,"value":"$58","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":307,"value":"md`\n\n**Journal IA · Laura**\n\n1. **Quels outils / quels prompts** —\nJ'ai utilisé Claude pour la synthaxe, le code pour la visualisation des donnés, pour l'ajout des donnés dans notre observable car nous ne savions pas comment faire et aussi pour vérifier notre travail, si nous étions en raccord avec le sujet et la grille de visualisation.\n\n2. **Ce que ça m'a apporté** —\nL'ia m'a aidé à trouver des erreurs qu'il y avait dans notre observable, il y avait certaines incohérences avec les fiches et leurs visualisation, et pour les donnés l'ia m'a permis de ne pas télécharger tout les fichiers volumineux mais seulement ce qui était utile pour notre sujet.\n\n3. **Ce que j'ai dû corriger** —\n J'ai fait refaire plusieurs graphiques qui n'étaient pas assez clairs comme la comparaison avec les gestes et le graphique AI Energy Score. J'ai dut aussi réorganisé le notebook et supprimé ce qui ne servait pas.\n`","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":309,"value":"$59","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":464,"value":"\n\n# La synthèse\n\n","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":475,"value":"$5a","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"synthese","database":"$undefined"},{"id":429,"value":"\n\n# Les données utilisées","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":194,"value":"comparia_brut = FileAttachment(\"comparia_conso.csv - Feuille 1.csv\").csv()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":196,"value":"milliers = (v) => {\n const [entier, reste] = String(v).trim().split(\",\");\n return reste == null ? +entier : +entier * 1000 + +reste.padEnd(3, \"0\");\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":198,"value":"comparia = comparia_brut.map((d) => {\n // on renomme chaque colonne avec son premier mot : \"conso_moyenne_wh\\n float64\" → \"conso_moyenne_wh\"\n const ligne = Object.fromEntries(\n Object.entries(d).map(([k, v]) => [k.trim().split(/\\s/)[0], v])\n );\n const conso = +ligne.conso_moyenne_wh;\n const tokens = milliers(ligne.tokens_moyens);\n return {\n modele: ligne.modele,\n nb_conversations: milliers(ligne.nb_conversations),\n conso_wh: conso,\n tokens_moyens: tokens,\n taille_milliards: +ligne.taille_parametres,\n wh_pour_1000_tokens: tokens > 0 ? (conso / tokens) * 1000 : null,\n zeros_reconstruits:\n /,\\d{1,2}$/.test(String(ligne.tokens_moyens)) ||\n /,\\d{1,2}$/.test(String(ligne.nb_conversations))\n };\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":200,"value":"controleComparia = ({\n lignes: comparia_brut.length,\n colonnesLues: Object.keys(comparia[0] ?? {}),\n consoIllisible: comparia\n .filter((d) => isNaN(d.conso_wh))\n .map((d) => d.modele),\n tokensIllisibles: comparia\n .filter((d) => isNaN(d.tokens_moyens))\n .map((d) => d.modele),\n zerosReconstruits: comparia\n .filter((d) => d.zeros_reconstruits)\n .map((d) => `${d.modele} (${d.tokens_moyens} tokens)`),\n moinsDe10Conversations: comparia\n .filter((d) => d.nb_conversations < 10)\n .map((d) => `${d.modele} (${d.nb_conversations})`),\n medianeWh: d3.median(comparia, (d) => d.conso_wh),\n moyenneWh: d3.mean(comparia, (d) => d.conso_wh)\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":206,"value":"fichiersAIES = ({\n question_answering: FileAttachment(\"question_answering.csv\"),\n summarization: FileAttachment(\"summarization.csv\"),\n reasoning: FileAttachment(\"reasoning.csv\"),\n text_classification: FileAttachment(\"text_classification.csv\"),\n text_generation: FileAttachment(\"text_generation.csv\"),\n image_generation: FileAttachment(\"image_generation.csv\"),\n object_detection: FileAttachment(\"object_detection.csv\"),\n sentence_similarity: FileAttachment(\"sentence_similarity.csv\"),\n asr: FileAttachment(\"asr.csv\"),\n image_classification: FileAttachment(\"image_classification.csv\"),\n image_captioning: FileAttachment(\"image_captioning.csv\")\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":210,"value":"aies = {\n const vus = new Set();\n const lignes = [];\n for (const d of aiesBrut) {\n const model = String(d.model).replace(\"*\", \"\").trim();\n const cle = `${d.tache}|${model}`;\n if (vus.has(cle)) continue; // doublon dans la même tâche\n vus.add(cle);\n lignes.push({\n tache: d.tache,\n model,\n energie: +d.total_gpu_energy,\n score: +d.energy_score,\n classe: d.class ?? null,\n campagne: d[\"test date\"] ?? null\n });\n }\n return lignes;\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":212,"value":"controleAIES = ({\n lignesLues: aiesBrut.length,\n lignesGardees: aies.length,\n doublonsRetires: aiesBrut.length - aies.length,\n energieIllisible: aies.filter((d) => isNaN(d.energie)).length,\n modelesParTache: Object.fromEntries(\n d3.rollups(\n aies,\n (v) => v.length,\n (d) => d.tache\n )\n )\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":218,"value":"osmBrut = FileAttachment(\"osm-datacenters.json\").json()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":220,"value":"datacenters = osmBrut.elements\n .map((e) => ({\n id: e.id,\n type: e.type,\n nom: e.tags?.name ?? null,\n operateur: e.tags?.operator ?? null,\n ville: e.tags?.[\"addr:city\"] ?? null,\n lat: e.lat ?? e.center?.lat ?? null,\n lon: e.lon ?? e.center?.lon ?? null\n }))\n .filter((d) => d.lat != null && d.lon != null)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":222,"value":"datacentersUniques = {\n const vus = new Map();\n for (const d of datacenters) {\n const cle =\n d.nom == null\n ? `id-${d.id}` // sans nom : on ne fusionne jamais\n : `${d.nom}|${d.lat.toFixed(3)}|${d.lon.toFixed(3)}`;\n if (!vus.has(cle)) vus.set(cle, d);\n }\n return [...vus.values()];\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":224,"value":"import { departements } from \"@mmi-montbeliard/tp-4-cartographier-et-finir\"","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":227,"value":"datacentersDep = datacentersUniques.map((d) => {\n const f = departements.features.find((f) =>\n d3.geoContains(f, [d.lon, d.lat])\n );\n return {\n ...d,\n dep: f?.properties.code ?? null,\n depNom: f?.properties.nom ?? null\n };\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":229,"value":"sitesMetro = datacentersDep.filter((d) => d.dep != null)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":231,"value":"controleJointureOSM = ({\n elementsRecus: osmBrut.elements.length,\n avecPosition: datacenters.length,\n doublonsFusionnes: datacenters.length - datacentersUniques.length,\n sitesSurLaCarte: sitesMetro.length,\n horsCarte: datacentersDep\n .filter((d) => d.dep == null)\n .map(\n (d) => `${d.nom ?? \"sans nom\"} (${d.lat.toFixed(2)}, ${d.lon.toFixed(2)})`\n ),\n departementsSansAucunSite: departements.features\n .filter((f) => !sitesMetro.some((d) => d.dep === f.properties.code))\n .map((f) => f.properties.nom)\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":237,"value":"gestesBrut = FileAttachment(\"impactco2-gestes (3) - gestes@1.csv\").csv()","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":239,"value":"nombre = (v) => +String(v).replace(\",\", \".\")","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":241,"value":"gestes = gestesBrut\n .filter((d) => d.statut === \"Vérifié\")\n .map((d) => ({\n label: `${d.geste} (${d.quantite})`,\n gCO2e: nombre(d.valeur) * 1000,\n source: d.source_url\n }))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":243,"value":"facteurs = gestesBrut\n .filter((d) => d.statut === \"Facteur\")\n .map((d) => ({ lieu: d.geste, gParKWh: nombre(d.valeur) * 1000 }))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":245,"value":"convMedianeWh = d3.median(comparia, (d) => d.conso_wh)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":247,"value":"controleCO2 = ({\n lignesDeLaFeuille: gestesBrut.length,\n gestesRetenus: gestes.length,\n lignesEcartees: gestesBrut\n .filter((d) => d.statut !== \"Vérifié\" && d.statut !== \"Facteur\")\n .map((d) => `${d.geste} (${d.statut})`),\n facteurs: facteurs.map((f) => `${f.lieu} : ${f.gParKWh} g/kWh`),\n modelesComparia: comparia.length,\n valeursComparIaIllisibles: comparia.filter((d) => isNaN(d.conso_wh)).length,\n conversationMedianeWh: convMedianeWh\n})","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":263,"value":"bfc = [\"21\", \"25\", \"39\", \"58\", \"70\", \"71\", \"89\", \"90\"]","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":269,"value":"pointsCO2 = [\n ...gestes.map((g) => ({\n label: g.label,\n gCO2e: g.gCO2e,\n categorie: \"Geste du quotidien\"\n })),\n ...facteurs.map((f) => ({\n label: `Une conversation avec une IA (${f.lieu})`,\n gCO2e: (convMedianeWh / 1000) * f.gParKWh,\n categorie: \"Conversation avec une IA\"\n }))\n]","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":271,"value":"nbConvBoeuf = Math.round(\n gestes.find((g) => g.label.includes(\"bœuf\")).gCO2e /\n ((convMedianeWh / 1000) * facteurs[0].gParKWh)\n)","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":259,"value":"carteSites = (\n sites,\n contours,\n { width = 640, couleur = \"#1d4ed8\", title, subtitle, caption, ariaLabel } = {}\n) => {\n const fond = { type: \"FeatureCollection\", features: contours };\n return Plot.plot({\n width,\n title,\n subtitle,\n caption,\n ariaLabel,\n projection: { type: \"mercator\", domain: fond },\n marks: [\n Plot.geo(fond, { fill: \"#eeeeee\", stroke: \"white\", strokeWidth: 0.5 }),\n Plot.dot(sites, {\n x: \"lon\",\n y: \"lat\",\n r: 2.5,\n fill: couleur,\n fillOpacity: 0.6,\n stroke: \"white\",\n strokeWidth: 0.3\n })\n ]\n });\n}","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":287,"value":"sitesParDep = departements.features.map((f) => ({\n code: f.properties.code,\n nom: f.properties.nom,\n n: sitesMetro.filter((d) => d.dep === f.properties.code).length\n}))","pinned":false,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W5b","stdlib":"1"}} 49:"$48:body"