Fluid Topics - Mesure d'Impact Carbone IA & Traduction

Ce projet vise à modéliser, simuler et mesurer l'empreinte énergétique et carbone des services d'Intelligence Artificielle (GenAI) et de Traduction Automatique (NMT) orchestrés par la plateforme Fluid Topics.

Dans une architecture distribuée de type "Black Box" (où les calculs sont effectués par des tiers comme OpenAI ou DeepL), ce code propose une méthodologie d'estimation basée sur des proxies de consommation et des simulations volumétriques.

Objectifs du Projet

1. Simuler les volumes de données : Convertir des logs d'usage (nombre d'appels API) en métriques physiques (tokens, caractères) en fonction des profils utilisateurs (Chatbot vs Traduction).
2. Estimer l'énergie (kWh) : Appliquer des coefficients issus de l'état de l'art (2025) pour distinguer la consommation statique (latence) de la consommation dynamique (génération).
3. Calculer l'impact carbone () : Convertir l'énergie en émissions selon l'intensité carbone du mix électrique.

📂 Structure du Projet

FluidTopics_RSE/
│
├── data/
│   └── 2025-FluidTopics-daily-analytics.yaml   # Fichier source (Logs d'usage)
│
├── output/
│   ├── rapport_carbone_simule.csv              # Résultat généré par le script
│   └── graphs/                                # Graphiques générés automatiquement
│  
│
├── measure_simulation.py                       # Script principal de calcul 
|
|
├── graphs.py                                  # Script de génération des graphiques d’empreinte carbone
│
├── demo.py                                    # Pour une approche plus interactive
│
├── requirements.txt                           # Liste des dépendances Python
└── README.md                                  # Documentation du projet



## ⚙️ Installation

### Pré-requis

* Python 3.8 ou supérieur
* Pip (gestionnaire de paquets)

### Installation des dépendances

Exécutez la commande suivante pour installer les librairies nécessaires (`pandas`, `pyyaml`) :

```bash
pip install pandas pyyaml

🚀 Utilisation

1. Placez votre fichier de logs brut dans le dossier data/ (par défaut : 2025-FluidTopics-daily-analytics.yaml).
2. Lancez le script de simulation :

python measure_simulation.py

3. Le script affichera un résumé dans la console et générera le fichier détaillé output/rapport_carbone_simule.csv.

---

Méthodologie et Hypothèses

Ce projet repose sur une simulation déterministe. Les volumes de données ne sont pas mesurés en temps réel (données non disponibles dans les logs actuels) mais reconstitués selon des règles métier.

1. Paramètres de Simulation (SIMULATION_PARAMS)

Ces constantes sont définies dans le script measure_simulation.py et peuvent être ajustées pour créer des scénarios (ex: Scénario "Documentation Lourde").

Paramètre	Valeur par défaut	Description
TOPIC_SIZE_CHARS	3000	Taille moyenne d'un topic documentaire (en caractères).
PROMPT_SIZE_CHARS	500	Taille moyenne du prompt utilisateur.
OUTPUT_SIZE_CHARS	350	Taille moyenne de la réponse générée par l'IA.
CHATBOT_CONTEXT	3	Nombre moyen de topics injectés dans le contexte du Chatbot.

2. Modèle Énergétique (État de l'Art 2025)

• Pour les LLM (GenAI) : Utilisation d'un modèle hybride combinant coût par token et coût temporel (latence).

• Pour la NMT (Traduction) : Modèle linéaire basé sur les caractères.

---

📊 Interprétation des Résultats

Le fichier de sortie (rapport_carbone_simule.csv) contient les colonnes suivantes :

• date : Jour de l'analyse.
• profile_type : Type d'usage (chatbots, translations, completions).
• count : Nombre d'appels API réels (source YAML).
• simulated_tokens : Volume de tokens estimé par la simulation.
• energy_kwh : Consommation électrique totale estimée (incluant PUE 1.2).
• carbon_gCO2 : Impact carbone basé sur un mix global (475 gCO2/kWh).

📈 Visualisation des Résultats Graphiques

En complément du fichier CSV généré, le projet produit automatiquement plusieurs graphes analytiques permettant d’interpréter visuellement les usages et l’impact carbone.

Les graphiques sont enregistrés dans le dossier output/ et couvrent deux dimensions :

🔹 1. Graphes de volumétrie (Dialogues Chatbots)

Ces graphes sont basés uniquement sur le nombre d’appels API chatbot :

Nuage de points mensuel

Distribution journalière du nombre de dialogues par mois. Permet d’identifier la variabilité quotidienne et les jours de forte activité.

Courbe mensuelle

Total mensuel des dialogues. Permet d’observer la tendance globale d’usage du chatbot.

🔹 2. Graphes d’empreinte carbone

Pour chaque profil (Chatbots, Completions, Translations) ainsi que pour le TOTAL GENAI, deux graphes sont générés :

Nuage de points mensuel

Chaque point représente l’empreinte carbone d’un jour, regroupé par mois. Permet d’analyser la dispersion quotidienne et les pics d’impact.

Courbe mensuelle

Somme mensuelle de l’empreinte carbone. Permet d’observer l’évolution temporelle de l’impact environnemental.

🔹 3. TOTAL GENAI

Le graphe TOTAL GENAI correspond à la somme des impacts carbone :

Chatbots + Completions + Translations

Il représente l’empreinte carbone globale des usages d’IA sur la plateforme.

🎯 Objectif des visualisations

Ces graphes permettent de :

Comparer volumétrie et impact carbone.

Identifier les mois critiques.

Observer la variabilité quotidienne.

Mettre en évidence la dominance du chatbot dans l’empreinte globale.

Servir de support décisionnel pour une démarche RSE.

📝 Licence

Ce projet est réalisé dans un cadre académique en partenariat avec Fluid Topics. Usage interne réservé.