Réunion

Faced with the growth of mobile traffic and the evolution of digital usage, telecommunications operators must adapt their infrastructures while managing costs and environmental impacts. Traditional deployment strategies—primarily focused on increasing capacity—raise questions regarding their long-term sustainability. In this context, this doctoral research proposes a prospective approach based on the construction of scenarios and their techno-economic and environmental assessment, in order to explore various development trajectories for mobile networks. The study focuses primarily on the Radio Access Network (RAN), which serves as a relevant scope for analyzing deployment decisions and their consequences. Several prospective scenarios are developed from a common starting point. These represent different network evolution strategies, such as continuing current trends (« Business as Usual »), limiting certain investments, sharing infrastructure, improving energy efficiency, or employing various forms of network densification. Particular attention is also paid to the alignment between deployed capacity and evolving needs, specifically regarding downlink and uplink traffic. The methodology relies on a modeling framework structured in four stages. First, a projection of mobile traffic demand is generated based on historical data to establish a demand trajectory common to all scenarios. Second, this projection is integrated into a dimensioning model, which determines the technical specifications and the evolution of infrastructure according to the strategies under consideration. Third, the results from the dimensioning process are used to estimate the energy consumption and greenhouse gas emissions associated with each trajectory. Finally, an economic assessment is used to calculate capital expenditures (CAPEX) and operating expenditures (OPEX), aggregated as a Net Present Cost (NPC). In the long term, this approach will be expanded to include environmental and socio-economic externalities—both positive and negative—thereby moving beyond the operator’s purely financial perspective. This work aims to provide a coherent evaluation framework for comparing different mobile network development strategies and for clarifying the trade-offs between capacity, quality of service, costs, and environmental impacts. It contributes to the ongoing discussion on how the principle of « sobriety » (resource efficiency/restraint) can be integrated into the engineering and planning choices for digital infrastructure.

Mots-clefs : réutilisation, impact environnemental, efficacité énergétique, IoT, systèmes embarqués, remplacement,

Introduction

D’un côté, de nombreuses études s’intéressent à la consommation d’énergie des appareils de l’internet des objets (IoT) et à son optimisation. De l’autre, plusieurs travaux portent sur l’analyse de cycle de vie (ACV) précise de ces équipements électroniques pour montrer que tout leur cycle de vie importe et pas seulement leur usage. Cela a conduit à rechercher des solutions pour allonger leur durée de vie ou réduire l’impact de leur fabrication. Néanmoins, peu de travaux s’intéressent à combiner ces études pour modéliser l’empreinte environnementale de systèmes IoT et pour proposer des indicateurs qui permettent de comprendre les scénarios réduisant cette empreinte. Mes travaux cherchent à déterminer sur quels paramètres se baser pour aborder le compromis entre besoin de performance (efficacité énergétique, efficacité calculatoire) et besoin de sobriété (conservation, réutilisation des objets IoT).

Compromis entre efficacité énergétique et sobriété matérielle

Dans un premier temps, mes travaux actuels portent sur l’intérêt, du point de vue de l’empreinte carbone et à usage identique, du remplacement d’un ancien appareil électronique par un nouveau moins consommateur d’énergie. On propose d’étendre l’usage de l’indicateur UER10 (pour “ratio of use-phase emissions during 10 years over embodied emissions”) de l’ITU, qui permet d’évaluer l’empreinte carbone des dispositifs des technologies de l’information et de la communication (TIC). Il est en effet possible de calculer cet indicateur pour une durée de seulement un an d’usage, indicateur que nous nommerons UER1. Celui-ci nous permet alors de visualiser l’évolution de l’empreinte carbone d’un système IoT dans lequel l’appareil est remplacé au bout de quelques années – ou non – par un plus efficace énergétiquement. On modélise ensuite le seuil à partir duquel le changement d’appareil devient profitable en termes d’émission carbone. Mes expériences montrent que, pour certains systèmes déjà très efficaces énergétiquement, ce seuil ne peut être atteint dans un temps raisonnable à l’échelle humaine : cela doit nous inciter à bien réfléchir sur le remplacement des objets électroniques et sur la sobriété matérielle.

Compromis entre anciennes et nouvelles technologies

Dans un second temps, la thèse d’Eya Kharrat, doctorante à l’Irisa, cherche à modéliser les impacts environnementaux d’un appareil IoT dans différentes configurations matérielles, ceci afin de comprendre les enjeux attachés à chacune de ces configurations. Le principal cas d’étude de ces travaux est la plateforme Owl (développée au sein de l’équipe Granit de l’Irisa), une plateforme embarquée pour la détection acoustique de chants d’oiseaux et alimentée par un panneau solaire, qui vise à fonctionner par intermittence en fonction de la disponibilité de l’énergie solaire. Le travail d’Eya Kharrat cherche notamment à évaluer les différences d’impact environnemental entre un microcontrôleur ancienne ou nouvelle génération pour réaliser l’inférence des algorithmes d’intelligence artificielle (pour la détection acoustique). Le but est de comprendre comment la fabrication et l’utilisation d’un nouveau microcontrôleur, moins consommateur en énergie et plus rapide, affecte l’empreinte environnementale de notre plateforme. La suite des travaux pourrait ensuite tenter de réfléchir à la possibilité de conserver un ancien microcontrôleur, quitte à avoir une inférence plus longue ou des performances dégradées.

Conclusion

Ces travaux en cours sont l’occasion d’aborder de nombreuses questions sur la sobriété et la réutilisation matérielle, en interrogeant le besoin de remplacement d’appareil dans les systèmes IoT par des technologies plus avancées. Ces recherches sont également l’occasion de s’interroger sur la façon dont on enseigne aux étudiants dans le domaine des nouvelles technologies. Un point pourra être fait sur la manière dont j’ai déjà intégré une introduction à la sobriété dans mes enseignements.

pdf

New multi-modal large language models (MLLMs) are continuously being trained and deployed, following rapid development cycles. This generative AI frenzy is driving steady increases in energy consumption, greenhouse gas emissions, and a plethora of other environmental impacts linked to datacenter construction and hardware manufacturing. Mitigating the environmental consequences of GenAI remains challenging due to an overall lack of transparency by the main actors in the field. Even when the environmental impacts of specific models are mentioned, they are typically restricted to the carbon footprint of the final training run, omitting the research and development stages.

In this work, we explore the impact of GenAI research through a fine-grained analysis of the compute spent to create Moshi, a 7B-parameter speech-text foundation model for real-time dialogue developed by Kyutai, a leading privately funded open science AI lab. For the first time, our study dives into the anatomy of compute-intensive MLLM research, quantifying the GPU-time invested in specific model components and training phases, as well as early experimental stages, failed training runs, debugging, and ablation studies.

Additionally, we assess the environmental impacts of creating Moshi from beginning to end using a life cycle assessment methodology.

The compute required to train state-of-the-art AI models has increased exponentially in recent years. Typically, such growth would drive a proportional rise in energy consumption. However, this trend has been mitigated by substantial improvements in hardware efficiency—particularly in GPUs—as well as by advances in AI-building frameworks. Notably, techniques such as model compilation and mixed-precision training have significantly accelerated training processes while reducing energy demands. Although reductions in energy consumption generally translate into lower carbon emissions and water usage for a constant workload, these metrics alone do not fully capture the environmental footprint of AI training. The production of newer, more efficient hardware entails considerable environmental costs, including the extraction of rare mineral resources, high consumption of ultra- pure water, and the emission of fluorinated greenhouse gases. Thus, one of the objectives of this project is to assess the environmental impact trade-off of upgrading to newer hardware. On the other hand, updating to newer versions of AI-building frameworks (e.g., PyTorch) often brings about efficiency improvements without incurring additional environmental costs. However, software updates present significant logistical challenges in large, shared computing environments. Moreover, such improvements are not always applied automatically: some require manual enabling, while others are available only for specific hardware. Therefore, a second objective of this project is to quantify the environmental costs of missing out on these software-side efficiency improvements.

Résumé du projet

Le coût environnemental du streaming vidéo est de plus en plus documenté [Arcom2024] et s’avère massif, étant donné l’énorme flux de données, ainsi que le nombre et la complexité des opérations qu’il nécessite. D’importants efforts de recherche s’intéressent donc à quantifier le coût (notamment énergétique) de toutes ces opérations, et en particulier de l’encodage et décodage des vidéos. Les outils et bases de données existants (GREEM, MVCD, COCONUT et SEED/VEED) sont très spécifiques, de petite taille et difficilement reproductibles. Ce projet vise à unifier ces bases de données en proposant une méthodologie solide, les compléter par de nombreux points de mesures, et les rendre reproductibles dans un contexte simple d’utilisation. Mendevi (Mesures d’Encodage et de Décodage Vidéo) est un module Python qui permet de mesurer et d’étudier la consommation énergétique et des métriques lors des flux d’encodage et de décodage vidéo. Il a été conçu pour répondre à trois problématiques:

1) Unification et robustesse

Ce module expose une interface complète en ligne de commande qui permet d’effectuer simplement des mesures dans un cadre documenté, controlé et reproductible. Il capture le contexte d’environnement, incluant les informations matérielles et les versions logicielles de tout l’écosystème. L’intégralité du code a été codé à la main sans IA générative, et possède un banc complet de tests de non régression. Le module offre également la capacité de modifier les commandes ffmpeg à la volée via des fonctions callback personnalisées, permettant la réalisation de tests spécifiques tout en restant dans le cadre imposé. Les résultats sont stockés dans une base de donnée relationnelle sqlite générée automatiquement, dont la structure des tables a été pensée pour enregistrer les informations sur les vidéos, sur le processus d’encodage et de décodage, de métriques et de contexte. Cet outil supporte de nombreux encodeurs et décodeurs CPU et GPU, ainsi que de nombreux paramètres d’encodage, tout en prenant garde aux espaces colorimétriques. En sortie, il mesure des métriques de qualité et de complexité, ainsi que des indicateurs d’activité système (consommation CPU, RAM, GPU, température, RAPL, wattmètre et durée).

2) Mesures effectuées

Nous avons durant plusieurs mois, effectué des mesures (plus de 320k) pour répondre à des questions spécifiques. Par exemple l’effet du paralélisme, du mode de contrôle de débit, du type de disque dur, de l’influence de l’espace colorimétrique… Ensuite nous avons mesuré 140k scénario d’encodage et de décodage dans des situations très variées. Nous avons mis à disposition toutes ces bases de données.

3) Partage des données

Des bases de données prêtes à l’emploi sont disponibles sous licence GPLv3, sous leur version exhaustive au format sqlite distribuée par le protocole torrent, et aussi sous forme condensée légère au format json. Quel que soit le plan d’expérience, toutes les bases de données possèdent une structure commune qui permet facilement de les fusionner, de les partager et de les analyser avec des outils communs.

4) Analyse des résultats

L’API mendevi plot permet de générer automatiquement le code Python nécessaire pour produire une figure Matplotlib ou une animation à partir d’une base de données Mendevi. Il est possible de spécifier les grandeurs des axes, des couleurs, des formes, des barres d’erreur, des sous-fenêtres et des animations. Le module met aussi à disposition des modèles d’apprentissage machine pour étudier les tendances, faire de l’interpolation ou de la prédiction.

Objectifs de la présentation

Nous souhaiterions introduire ce module en tant qu’outil au sein de la communauté. Dans un premier temps, il s’agirait de présenter sa structure et le projet en tant que tel, et dans un second temps, ses capacités et la portée des résultats qu’il permet d’apporter.

Recent acoustic recording technologies, notably autonomous recording units (ARUs), have enabled passive acoustic monitoring to scale across time and space. However, despite their name, ARUs remain dependent on human intervention for routine maintenance. Constraints on autonomy caused by limited battery capacity and storage continue to shape survey design in acoustic monitoring. Furthermore, the deployment of ever larger battery-powered surveys poses an urgent threat to the environmental sustainability of research methods in bioacoustics [2]. Current AA batteries contain toxic compounds such as manganese dioxide (MnO2), potassium hydroxide (KOH), and nickel hydroxide (NiOH), hence a hidden cost in terms of end-of-life management [1].

This study explores real-time on-device detection as a means of improving the autonomy of bioacoustic surveys. Whether switching from indiscriminate recording to triggered recording results in a net gain or net loss in terms of battery life depends on two factors: (1) hardware characteristics such as energy efficiency and runtime; and (2) the number of detected events per unit of time, referred to as hit rate. To the best of our knowledge, previous works have analyzed them independently but never in conjunction in the context of bioacoustic detectors. Against this shortcoming, the main objective of our work is to evaluate the benefits and limitations of triggered recording as accurately as possible within a realistic deployment scenario. For this purpose, we:

(1) Construct a probabilistic model of battery depletion in bioacoustic detectors. Our model is based on the theory of renewal-reward processes and is informed by energy efficiency and hit rate. It provides analytic formulas for the expected value and variance of battery life

(2) Design and train a TinyML model for bioacoustic detection of Yellowhammer song. This model, dubbed Gabor for conciseness, operates on raw waveforms by means of a Gabor filterbank. Gabor meets the resource constraints of AudioMoth hardware: 32 kB of static random-access memory (SRAM) and a current consumption under 10 mA.

(3) Benchmark four detection algorithms on AudioMoth: Gabor, our proposed model; Goertzel the standard technique for triggered recording on AudioMoth, based on the Goertzel algorithm; Band-pass and Mel two other TinyML models operating in the spectrogram domain.

(4) Apply our battery depletion model to four sites from a five-month Yellowhammer PAM survey in the Czech Republic. We simulate the execution of all four detection algorithms, listed above, and derive estimates of average battery life on AudioMoth.

This study investigates whether efficiency and sustainability can be improved at the firmware level using a device that is widely deployed for passive acoustic monitoring. The goal is to maximize operational autonomy and minimize environmental impact without rendering existing sensors obsolete. Our best-performing detector, based on Gabor filterbanks, increases survey-wide autonomy by 31 hours at a recall of 0.9. These results demonstrate that bring- ing machine-listening algorithms closer to the sensors can enable more energy-efficient, autonomous, and sustainable monitoring.

References

[1] M. P. Cenci, T. Scarazzato, D. D. Munchen, P. C. Dartora, H. M. Veit, A. M. Bernardes, and P. R. Dias. Eco-friendly electronics—a comprehensive review. Advanced Materials Technologies, 7(2):2001263, 2022. https://doi.org/10.1002/admt.202001263.

[2] V. Lostanlen, A. Bernabeu, J.-L. B´echennec, M. Briday, S. Faucou, and M. Lagrange. Energy efficiency is not enough: Towards a batteryless internet of sounds. In Proceedings of the 16th International Audio Mostly Conference, pages 147–155, 2021. https://doi.org/10.1145/3478384.3478408.

Passive acoustic monitoring (PAM) for ecology and conservation require autonomous recording units (ARU’s) which can operate off the electrical grid over multiple years. However, the current generation of solar-powered ARU’s depends on rechargeable batteries, thus incurring extra cost, weight, and maintenance. Against this limitation, we present new hardware and software towards batteryless solar-powered PAM. The key idea is to replace batteries by a more durable and resilient component, known as supercapacitor, which in turns powers a microcontroller unit (MCU) for digital signal processing. For the sake of privacy and energy efficiency, our MCU does not store raw audio: instead, it runs a low-complexity neural network for sound event detection and classification and transmits periodic checklists over a long-range (LoRa) wireless channel. As a proof of feasibility, we simulate the deployment of our prototype for monitoring bird sounds (i.e., songs, calls, and drumming) in the Risoux forest (France) over one year, using prerecorded audio, solar irradiance data, and in-lab measurements of power consumption. Our results suggest that batteryless solar-powered hardware offers a sustainable and reliable alternative to battery-powered ARU’s.

Policymakers and industry promote the use of information and communication technologies (ICT) as a way to reduce the environmental impacts of agriculture. However, social sciences criticize such technical solutions for the risk of lock-in and uncertainties about their potential to reduce environmental impacts. This article explores different lock-in mechanisms in digital agriculture, founded on interdisciplinary research. We show that the deployment of ICT in agriculture should respect methodologies capable of estimating socio-environmental impacts within a full life-cycle perspective. Moreover, we argue that digital agriculture should be self-obviating by design in order to reduce the risk of technological lock-in. We illustrate the self-obviating digital agricultural system design philosophy through the scenario of a drone-based decision support system.