36:["$","title",null,{"children":"SAE 303 — Gr 11 | MMI Montbéliard | Observable"}] 3e:T468,`Nature des variables : Quantitatif absolu La moyenne ment-elle ? : Oui, la moyenne ment car les requêtes les plus lourdes tirent le moyenne vers le haut, sans prendre en compte les requêtes les moins énergivores A quoi ressemble la distribution ? La distribution est quasiment illisible car il y a des valeurs très élevées ( consomme beaucou d'énergie) et d'autres très faibles (la consommation est proche de zéro). Absolue ou relatif ? : Les données sont absolues, elles ne sont pas issues d'un calcul. Corrélation ou causalité ? : C'est une causalité car la consommation d'énergie varie selon le modèle d'IA qu'on utilise D'où sort la donnée, qui manque ? : Le jeu de données est mis à jour tous les jours, la dernière date du 20 octobre 2026. Les données ont été récolté par le Ministère de la Culture. Ce jeu de données ne précise pas l'énergie utilisé pour entraîner l'IA pour qu'elle puisse fournir les réponses. Il manque également la localisation du des Data Centers, savoir si ils spnt en France ou pas. De plus, il manque les unités de valeurs de la consommation des modèles `3f:T4ff,## **Fiche pour l'histogramme** **La question :** Quel est le modèle IA le plus énergivore ? **La famille :** Diagramme en barres **L'encodage choisi et pourquoi :** Pour représenter la répartition de la consommation d'électricité des différents modèles d'IA nous avons choisi l'histogramme car celui-ci permet une meilleure visualisation des IA les plus consommatrices d'énergie. L'axe X encode la consommation totale et l'axe Y encode le nom de IA. Nous avons opté pour le tri décroissant pour faciliter le classement visuel et pour voir d'un simple coup d'œil les plus gros consommateurs. Nous avons également limité l'histogramme au 25 premiers modèles car sinon la consommation des modèles les moins énergivore est très peu visible. **Le dénominateur :** Ici, il s'agit de valeur absolue **Le titre :** Le top 25 des IA les plus énergivore **Le sous-titre :** Le modèle le plus énergivore est Mistral-large-4-0 avec une consommation par requête hors norme qui écrase complétement le reste du classement. **Alternative textuelle :** L'histogramme représente les 25 premiers modèles d'IA les plus énergivores. Ils sont rangé par ordre décroissant. Le modèle d'IA le plus consommateur d'énergie est Mistral avec une cosommation de 3.0 kWh40:T4b8,## **Fiche pour la carte des Data Centers** **La question :** Quelle est la répartition géographique des Data Centers sur le territoire français ? **La famille :** Demi-points, un événement, un point **L'encodage choisi et pourquoi :** Nous avons choisi une carte qui positionne les différents data centers de France ce qui permet d'identifier les concentrations et les zones désertées par les data centers. La longitude et la latitude encodent la position des data centers sur la carte. Les points permettent de montrer la présence des data centers **Le dénominateur :** Il n'y as pas dénominateur car c'est une carte qui localise des infrastructure **Le titre :** Les Data Centers massivement concentrés autour des grandes métropoles **Le sous-titre :** L'implantation physique de ces infrastructures numériques est très inégale, avec un forte domination en région parisienne et des grands axes économiques, posant des défis électriques locaux. **Alternative textuelle :** La carte de France, découpé en fonction de départements, représente la position de chaque Data Centers grâce aux points verts. On observe une forte concentration de data centers en région parisienne.41:T654,## **Fiche pour l'évolution** **La question :** La consommation énergétique d’un modèle d’IA est-elle liée à sa date de sortie ? **La famille :** évolution par corrélation, on compare deux variables la date de sortie et la consommation avec un point par modèle d'IA et non une série mesurée dans le temps **L'encodage choisi et pourquoi :** Des points plutôt qu’une ligne, parce que chaque point est un modèle distinct et qu’il n’y a pas de suite continue à relier. Échelle logarithmique, parce que les consommations s’étalent sur plusieurs ordres de grandeur : en échelle linéaire, les petits modèles seraient tassés en bas du graphique. Couleur ordonnée pour la taille du modèle (de XS à XL) **Le dénominateur :** Wh par réponse d’IA : médiane des mesures de chaque modèle, estimation Compar:IA exprimée en kWh et convertie en Wh pour 45 modèles d' IA **Le titre :** Consommation énergétique d’une réponse d’IA selon sa taille à partir de 45 modèles et leur date de sortie **Le sous-titre :** Les modèles les plus récents sont en majorité ceux qui consomme le plus. On peut voir une absence de modèle XS ou S depuis 2026 et une accumulation de modèle L et XL. **Alternative textuelle :** Nuage de points : chaque point est un modèle d’IA, placé selon sa date de sortie (de juillet 2024 à avril 2026) et sa consommation par réponse est en Wh, de O,O3 à 5,92, sur une échelle logarithmique. La couleur indique la taille, de XS à XL. Les modèles XS et S sont en bas du graphique, les XL en haut, et les points sont répartis sur toute la période.42:T54c,## **Fiche pour la comparaison** **La question :** Intelligence Artificielle ou électroménager : qui est le plus gourmand en électricité ? **La famille :** Comparaison avec intéraction **L'encodage choisi et pourquoi :** Position sur une échelle logarithmique, avec des points plutôt que des barres car on ne peut pas additionner les longueurs avec l'échèlle de cet visualisation. **Le dénominateur :** Wh pour une conversation et wh pour une heure d'appareil (moyenne sur 24h). **Le titre :** Consommation de l'IA comparée à celle de l'électroménager du quotidien **Le sous-titre :** Évaluer l'impact énergétique d'un modèle d'IA (ex: gemini-3.1-pro-preview) face à vos appareils du quotidien. **Alternative textuelle :** Graphique comparatif interactif évaluant la consommation énergétique. Des menus déroulants indiquent que l'appareil sélectionné est un "Fours micro-ondes" et le modèle d'IA est "gemini-3.1-pro-preview". Le texte principal conclut : "1 heure de Fours micro-ondes équivaut à environ 1,4 réponses de gemini-3.1-pro-preview". En dessous, un graphique présente deux points sur un axe horizontal à échelle logarithmique en wattheures (Wh) : un point gris pour 1 heure d'utilisation du micro-ondes et un point vert pour 1 réponse de l'IA, les deux valeurs se situant légèrement en dessous de 10 Wh.43:T54d,## Journal IA : **Charlotte :** Tout du long de la SAÉ j'ai utilisé Gemini Pro. Je l'ai utilisé pour m'aider à faire la moyenne de la consommation d'énergie des IA car dans le jeux de données, chaque ligne compare deux modèles différents. Ensuite, lors de l'histogramme pour répondre aux questions, je l'ai utiliser afin d'introduire les deux types de modèles comparé dans chaque ligne. Pour la création de l'histogramme, j'ai utilisé l'IA afin de faire apparaître les modèle a et b sur le graphique et pour que celui-ci soit limiter au 25 premier modèle. Gemini m'a aidé à améliorer le titre et le sous-titre de l'histogramme et de la carte car je les miens n'étaient pas assez porteur de sens. Je me suis aider de l'IA pour la création de la carte des Data Centers, notamment pour le positionnement des points indicateur des structures. J'ai ensuite modifier le code notamment au niveau des couleurs. **Yanis :** Pendant la SAE j'ai utilisé Gemini et Claude. J'ai utilisé Gemini pour faire la moyenne des données d' AI Energy Score et les différents graphique pour la distribution et corrélation/causalité. Je l'ai aussi utilisé pour me donné des piste pour les analyses. Pour Claude je l'ai utilisé pour appeler le fichier consommation_par_heure car il y a des caractères spéciaux qui ne permettait pas de voir les kwh44:[{"id":"2d4da5f4f64046790aabe6f608f000e6091db8dc118c6b1d8d51a6c51a977d3eca1f6c61998099c1f7a09ae669fda2de3309f930725651ff3eb20e7d3f8f9865","href":"https://static.observableusercontent.com/files/2d4da5f4f64046790aabe6f608f000e6091db8dc118c6b1d8d51a6c51a977d3eca1f6c61998099c1f7a09ae669fda2de3309f930725651ff3eb20e7d3f8f9865","name":"datacenters.geojson","type":"application/octet-stream","lastModified":1792419048556,"size":191723},{"id":"b7737c20b75f44f17f4dc48ba6692aea22dcfdcbfe783b1830674dff87d28e87eca15072492421c6a3251020e1e2f37dcc1fdfe35cd1700096c90576580800bf","href":"https://static.observableusercontent.com/files/b7737c20b75f44f17f4dc48ba6692aea22dcfdcbfe783b1830674dff87d28e87eca15072492421c6a3251020e1e2f37dcc1fdfe35cd1700096c90576580800bf","name":"departements.geojson","type":"application/octet-stream","lastModified":1792482863569,"size":1079714},{"id":"76758b8895d87b22c5891cc8fafb8671191c55721eb95a15ce3661e8dd4d1385a68ce468cc2e0785a6b427081b4231b7f7140892a58c8e38e3c1ddc30320b634","href":"https://static.observableusercontent.com/files/76758b8895d87b22c5891cc8fafb8671191c55721eb95a15ce3661e8dd4d1385a68ce468cc2e0785a6b427081b4231b7f7140892a58c8e38e3c1ddc30320b634","name":"converted.csv","type":"text/csv","lastModified":1792484526992,"size":36246026},{"id":"dc03fe4c68876ffebe5de8bf73337e46e0ddd9a07f6301a49686d7ec8169b96ca7f6370ddfcb22a971e5148a11c9f9a98d0bbbad53a96cf7bcec935899026007","href":"https://static.observableusercontent.com/files/dc03fe4c68876ffebe5de8bf73337e46e0ddd9a07f6301a49686d7ec8169b96ca7f6370ddfcb22a971e5148a11c9f9a98d0bbbad53a96cf7bcec935899026007","name":"models.csv","type":"text/csv","lastModified":1792489354015,"size":49333},{"id":"da8c7eb3f34053b09a75b33b33d7f90e7c73a677113bd31e001a85f06b516d7d442ee1405399d0d435852ac835f9af346b54079ef80a1c7a3ecea52645bef888","href":"https://static.observableusercontent.com/files/da8c7eb3f34053b09a75b33b33d7f90e7c73a677113bd31e001a85f06b516d7d442ee1405399d0d435852ac835f9af346b54079ef80a1c7a3ecea52645bef888","name":"consommation_par_heure.csv","type":"text/csv","lastModified":1792567278108,"size":53937}] 3a:{"id":"91db95518bb26041","slug":"sae-303-gr-11/2","title":"SAE 303 — Gr 11","thumbnail":"1b6cdbe2658b93cee8f1bcf89e2e60c880a446c4575c0702d5949fca0f7cf015","access_level":"public","create_time":"$D2026-10-13T09:48:37.632Z","update_time":"$D2026-10-21T14:09:33.370Z","view_time":null,"first_public_time":"$D2026-10-19T07:58:17.582Z","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":"","followed_by_you":false,"follows_you":false},"version":1539,"publish_version":1539,"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":"","followed_by_you":false,"follows_you":false},{"type":"individual","id":"01049d9716f7ac85","login":"mettetal-charlotte","name":"Charlotte Mettetal","avatar_url":"https://avatars-next.observableusercontent.com/a04efb4c759f5f22ce0138b1bd93da82d941acd078bebc34943ce90e16bd4891","tier":null,"bio":"","followed_by_you":false,"follows_you":false},{"type":"individual","id":"9f40d51fd8e88048","login":"yns-chb","name":"Yanis Chouhib-Forster","avatar_url":"https://avatars-next.observableusercontent.com/3e7203483aaba7276eb037b61a345f18ac0be95468edd6247876dd14a2aff383","tier":null,"bio":"","followed_by_you":false,"follows_you":false}],"members":[{"type":"team","id":"29853dc62ffa3714","login":"mmi-montbeliard","name":"MMI Montbéliard","avatar_url":"https://avatars-next.observableusercontent.com/9297b8aeeda295f4db64a8d120219d0fff8dee572e0abb90500ea3732512b50b","tier":"education_2026","role":"editor"}],"comments":[],"custom_thumbnail":false,"trashed":false,"lapsed":null,"subscribed":null,"forks":4,"collection":null,"type":"notebook","body":{"titling":"auto","title":"SAE 303 — Gr 11","cells":[{"id":0,"value":"# SAE 303 — Gr 11","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":7,"value":"

\n Fiche d'intention\n

\n ","pinned":false,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"","database":"$undefined"},{"id":14,"value":"
Public visé : Le grand public qui cherchent à utiliser une IA moins énergivore.\nQuestion : Quel est le poids énergétique des modèles d'IA ?\nAngle choisi : Où sont les centres de données en France.\nDonnées choisies : Localisation des Data Centers en France, données d'AI Energy Score, donnée de Compar IA, consommation des modèles et consommation d'appareils électroniques\nDénominateur : 1 heure\n
","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":31,"value":"

\n Les cinq questions avant de dessiner\n

Consommation par heure de l'électroménager

Nature des variables

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":265,"value":"
appareil : qualitative nominale, ce sont des noms de catégories (le type d'appareil ménager, ex: Réfricongélateur).\n\nperiode : qualitative nominale, catégories descriptives (ex: \"Toutes saisons\").\n\nlib_annee et num_annee : qualitative ordinale, ce sont des identifiants temporels qui peuvent s'ordonner chronologiquement.\n\ntranche_horaire : qualitative ordinale, ce sont des tranches d'heures (ex: [0,1[) qui suivent un ordre logique dans la journée.\n\nNb appareils considérés : quantitative absolue, c'est un dénombrement brut (le nombre exact d'appareils physiques mesurés).\n\nconsommation_Wh/h : quantitative relative, c'est une valeur numérique continue.
","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":249,"value":"

La moyenne ment-elle ?

La moyenne de tous les appareils est de 31,22 wh/h alors que la médianne est de 17,1 wh/h. L'écart viens du chauffage électrique qui consomme 959,8 wh/h de 5h à 6h alors que la cuisinière de 2h à 3h ne consomme que 1,1 wh/h. Donc la moyenne ment car elle est tiré vers le haut par la consommation du chauffage qui n'est pas faite pour toute les saison mais seulement de décembre à février la ou il est le plus consommé alors que les données de la cuisinière sont pour toutes les saisons.

À quoi ressemble la distribution ?\n

Le graphique est asymétrique et montre la consommation en wh/h des appareils électroménager, à gauche on peut voir les petits appareils du quotidien (electroménager, éclairage) et à gauche les gros équipements (chauffage électrique, chauffe-eau)

Absolue ou relatif ?

La consommation_Wh/h est quantitative relative car il y a un dénominateur temporelle.\nLe Nb appareils considérés est quantitative absolue car il y a un dénombrement physique et brut d'équipements.\n

Correlation ou causalité

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":307,"value":"
Ici il y a causalité car c'est l'activité humaine qui défini la consommation des appareils électroniques
","pinned":false,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":257,"value":"

D'ou sort la donné

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":308,"value":"
Le fichier viens de data gouv et on été produite par l' ADEME le 29 janvier 2026. Le fichier ne précise pas l'échelle géographique, la classe énergétique des appareils, la météo ou température extérieur (pour les appareils thermosensibles) et ne précise pas le mode de vies des foyers (télétravail,etc). J'ai confiance en se fichier car il provient du gouvernement.
","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":260,"value":"

\n Consommation par modèle\n

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":264,"value":"ConsommationModele = FileAttachment(\"models.csv\").csv({typed: \"auto\"})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":272,"value":"Inputs.table (ConsommationModele)","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":276,"value":"

\n La moyenne ment elle ?\n

\n Oui, la moyenne de tokens ment car elle suit les extrêmes, elle additionne toutes les valeurs sans prendre en compte les différences de grandeur.\n

\n La distribution montre le nombre de tokens fait en fonction du modèle. On peut voir qu'il y a des trous, ce qui signifie que le nombre de tokens dans certains modèles ne sont pas assez nombreux pour apparaître sur le graphique.\n

\n Absolu ou relatif\n

\n Les données (context tokens) sont absolues, elles ne sont issues d'aucun calcul\n

\n Corrélation ou causalité\n

\nIci, nous avons une corrélation. Plus le modèle exige une grande mémoire de ram, plus la classe énergétique est mauvaise.\n

\n D'où sort la donnée ?\n

\n Le jeu de données provient du Ministère de la Culture, il date du 17 octobre 2026 (soit il y a 3 jours). Ce fichier ne précise pas la consommation en kWh des différents modèles d'IA.\n

\n Consommation par conversation\n

","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":239,"value":"ConsommationConv = FileAttachment(\"converted.csv\").csv({typed: \"auto\"})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":38,"value":"statistiquesIA = {\n const toutesLesConso = ConsommationConv.map(d => +d[\"metadata.conso_a\"])\n .concat(ConsommationConv.map(d => +d[\" metadata.conso_b\"]));\n\n return {\n n: toutesLesConso.length,\n moyenne: d3.mean(toutesLesConso),\n mediane: d3.median(toutesLesConso),\n min: d3.min(toutesLesConso),\n max: d3.max(toutesLesConso)\n };\n}","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":241,"value":"toutesLesConsoIA = ConsommationConv.map(d => ({ conso: +d[\"metadata.conso_a\"] }))\n .concat(ConsommationConv.map(d => ({ conso: +d[\"metadata.conso_b\"] })))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":59,"value":"Plot.plot({\n marks: [\n Plot.rectY(toutesLesConsoIA, Plot.binX({ y: \"count\" }, { x: \"conso\" })),\n Plot.ruleY([0])\n ]\n})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":16,"value":"$3e","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":23,"value":"

\n Localisation des centres de données en France\n

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":69,"value":"geojson = FileAttachment(\"datacenters.geojson\").json()","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":26,"value":"`Nature des variables : Qualitatif nominale\n\nLa moyenne ment-elle ? : pas de moyenne car c'est une carte\n\nA quoi ressemble la distribution ? : pas de distribution car c'est une carte\n\nAbsolue ou relatif ? : Les données sont absolues.\n\nD'où sort la donnée, qui manque ? : Les données sont collectés par OpenStreetMap France. Le fichier est actualisé tous les jours.\n\n`","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":72,"value":"

\n Nettoyage des données\n

Consommation par heure de l'électroménager

Pour les données retenues j'ai garder celles d'ont on a des informations pour toutes les saisons et les données dont les appareils électroménager sont précis

\n La consommation d'électricité par conversation avec l' IA\n

","pinned":false,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":79,"value":"donneesPropres = ConsommationConv\n .map(d => ({\n modelA: d[\"model_a\"],\n modelB: d[\"model_b\"],\n consommationA: d[\"metadata.conso_a\"],\n consommationB: d[\"metadata.conso_b\"]\n }))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":252,"value":"Inputs.table (donneesPropres)","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":196,"value":"##\nCe qui est retiré ou transformé\n\nPour le nettoyage des données, j'ai retirer toutes les données qui ne servaient pas à analyser la consommation de chaque modèle. Je n'ai gardé que le nom des différents modèles ainsi que leur consommation.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":325,"value":"

Consommation par modèle

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":293,"value":"Model = ConsommationModele.map(d => ({\n id: d[\"human_id\"],\n nom: d[\"name\"],\n sortie: d[\"release_date\"],\n params: d[\"params\"],\n contexte: d[\"context_tokens\"],\n ram: d[\"required_ram\"],\n taille: d[\"size_class\"],\n classeEnergie: d[\"energy_class\"]\n}))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":295,"value":"Inputs.table (Model)","pinned":true,"hidden":false,"mode":"ts","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":297,"value":"##\nCe qui est retiré ou transformé\n\nPour le nettoyage des données, j'ai retirer toutes les données qui ne permettaient pas de comprendre la consommation d'énergie des modèles d'IA. De cette façon, les données gardées permettent de comprendre pourquoi tel modèle est plus énergivore.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":198,"value":"

\n Quatre visualisations\n

\n Une distribution - un histogramme\n

\n Une carte de lieux\n

","pinned":false,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":221,"value":"departements = FileAttachment(\"departements.geojson\").json()","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":224,"value":"Plot.plot({\n projection: {\n type: \"mercator\",\n domain: departements\n },\n marks: [\n Plot.geo(departements, {\n stroke: \"currentColor\",\n strokeWidth: 0.5\n }),\n Plot.geo(geojson, {\n r: 5.5,\n fill: \"green\",\n stroke: \"white\",\n strokeWidth: 2,\n title: d => d.properties.name || \"Data Center\"\n })\n ]\n})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":220,"value":"$40","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":269,"value":"

\n V3 - Evolution\n

","pinned":false,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":322,"value":"parModele = modeles.map(m => {\n const info = Model.find(x => x.id === m.modele);\n return {...m, sortie: info ? new Date(info.sortie) : null, taille: info?.taille || \"non renseignée\"};\n}).filter(d => d.sortie && !isNaN(d.sortie))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":323,"value":"Plot.plot({\n ariaLabel: \"Consommation médiane par réponse de chaque modèle d’IA selon sa date de sortie\",\n x: {label: \"Date de sortie\"},\n y: {type: \"log\", label: \"Wh par réponse (médiane, échelle logarithmique)\", grid: true,\n tickFormat: d => d3.format(\"~g\")(d)},\n color: {legend: true, label: \"Taille du modèle\",\n domain: [\"XS\", \"S\", \"M\", \"L\", \"XL\", \"non renseignée\"],\n range: [\"#8DB9E6\", \"#5E9AD6\", \"#2F78C4\", \"#1B559A\", \"#0D3466\", \"#9AA5A8\"]},\n marks: [\n Plot.dot(parModele, {x: \"sortie\", y: \"wh\", fill: \"taille\",\n title: d => `${d.modele} (${d.n} mesures)`})\n ]\n})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":271,"value":"$41","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":268,"value":"

\n V4 - Intéraction\n

","pinned":true,"hidden":false,"mode":"html","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":320,"value":"Object.keys(ConsommationModele[0])","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":321,"value":"conso_long = donneesPropres.flatMap(d => [\n {modele: d.modelA, conso: parseFloat(d.consommationA)},\n {modele: d.modelB, conso: parseFloat(d.consommationB)}\n]).filter(d => d.modele && !isNaN(d.conso))","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":314,"value":"modeles = {\n const FACTEUR = 1000;\n const SEUIL = 10;\n return d3.rollups(\n conso_long,\n v => ({n: v.length, wh: d3.median(v, d => d.conso) * FACTEUR}),\n d => d.modele\n )\n .filter(([, s]) => s.n >= SEUIL)\n .map(([modele, s]) => ({modele, n: s.n, wh: s.wh}))\n .sort((a, b) => d3.ascending(a.modele, b.modele));\n}","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":315,"value":"viewof appareil = Inputs.select(\n moyennePropre.map(d => d.appareil).sort(d3.ascending),\n {label: \"Appareil\"}\n)","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":316,"value":"viewof modele = Inputs.select(\n modeles.map(d => d.modele),\n {label: \"Modèle d'IA\"}\n)","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":317,"value":"resultat = {\n const a = moyennePropre.find(d => d.appareil === appareil);\n const m = modeles.find(d => d.modele === modele);\n return {\n appareilWh: a.consommationMoyenne,\n modeleWh: m.wh,\n n: m.n,\n equivalence: a.consommationMoyenne / m.wh\n };\n}","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":318,"value":"{\n const info = Model.find(m => m.id === modele);\n const fmt = d3.format(resultat.equivalence < 10 ? \".1f\" : \",.0f\");\n return html`

\n 1 heure de ${appareil} équivaut à environ ${fmt(resultat.equivalence)}\n réponse de ${modele}.\n

\n Modèle : taille ${info?.taille ?? \"non renseignée\"},\n classe énergétique ${info?.classeEnergie ?? \"non renseignée\"}\n (médiane de ${resultat.n} mesures).\n

`;\n}","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":319,"value":"Plot.plot({\n ariaLabel: `Comparaison : une heure de ${appareil} (${resultat.appareilWh.toFixed(1)} Wh) contre une réponse de ${modele} (${resultat.modeleWh.toFixed(3)} Wh)`,\n marginLeft: 200,\n x: {type: \"log\", domain: [0.001, 10000], label: \"Énergie (Wh, échelle logarithmique)\", grid: true},\n y: {label: null},\n marks: [\n Plot.dot(\n [\n {label: `1 h de ${appareil}`, wh: resultat.appareilWh},\n {label: `1 réponse (${modele})`, wh: resultat.modeleWh}\n ],\n {x: \"wh\", y: \"label\", r: 8, fill: \"orange\",\n title: d => `${d.label} : ${d3.format(\".3f\")(d.wh)} Wh`}\n )\n]\n})","pinned":true,"hidden":false,"mode":"ojs","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":270,"value":"$42","pinned":false,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":202,"value":"## Conclusion\n\nÀ travers notre analyse des données, nous avons pu constater que les modèles d'IA deviennent de plus en plus puissantes, entraînant une hausse de leur consommation électrique. En effet, plus la mémoire de ram est grande, plus le modèle sera énergivore. L'IA la plus énergivore est Mistral, catégorisé XL. Un modèle consomme autant en donnant X réponse qu'un appareil électroménager pendant 1 heure.\nL'utilisateur doit donc adapté son modèle d'IA en fonction de sa requête. Ne pas prendre un modèle énergivore comme Mistral simplement pour chercher une recette. En choisissant un plus petit modèle que d'habitude, c'est déjà réduire l'impact environnemental dû à la requête.","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"},{"id":57,"value":"$43","pinned":true,"hidden":false,"mode":"md","author":"$undefined","summary":"$undefined","tool":"$undefined","providerMetadata":"$undefined","attachments":"$undefined","output":"$undefined","database":"$undefined"}],"files":"$W44","stdlib":"2"}} 35:null