L'analyse du cycle de vie (ACV) est une méthodologie systématique permettant d'évaluer les impacts environnementaux potentiels d'un produit ou service sur l'ensemble des étapes de son cycle de vie. De l'extraction des matières premières à la fin de vie en passant par la production, le transport et l'utilisation, l'ACV quantifie les flux entrants et sortants et leurs impacts sur des catégories comme le changement climatique, l'épuisement des ressources ou la pollution.

Alors que les enjeux environnementaux sont de plus en plus prégnants, avec le changement climatique, l'érosion de la biodiversité ou la raréfaction des ressources, l'ACV apparaît comme un outil incontournable pour éclairer les choix et guider les organisations vers plus de durabilité. La méthodologie étant cependant complexe et chronophage, son usage doit être facilité et étendu.

C'est là qu'interviennent les grands modèles de langage (LLM), ces architectures d'intelligence artificielle entraînées sur d'immenses bases de données textuelles. Des modèles comme GPT-3 ou ChatGPT sont capables de générer des textes extrêmement réalistes et de répondre à des questions complexes de manière cohérente. Ils ouvrent des perspectives fascinantes pour automatiser certaines tâches fastidieuses de l'ACV et accélérer son déploiement au service de la transition écologique.

Intérêt des LLM pour l'ACV

Les LLM présentent divers avantages pour accélérer et améliorer la réalisation d'ACV:

• Ils peuvent automatiser la collecte de données et la réalisation de l'inventaire du cycle de vie, qui sont des étapes fastidieuses et chronophages dans une ACV. Les LLM sont capables de rechercher et de compiler automatiquement des données pertinentes à partir de bases de données ou de documentation.
• Ils peuvent ensuite intégrer les étapes de collecte de données, d'inventaire et d'évaluation des impacts pour produire directement une ACV complète à partir des informations compilées. Leurs capacités d'apprentissage automatique leur permettent de réaliser les calculs d'impacts de manière autonome.
• Ils peuvent également générer une interprétation des résultats d'ACV sous forme de rapports ou de visualisations. Leurs compétences en génération de langage naturel sont un atout pour produire des analyses intelligibles.
• Par leur analyse rapide de grandes quantités de données, les LLM peuvent identifier les points chauds d'impacts et les actions prioritaires pour réduire les impacts environnementaux.
• Enfin, par leurs capacités de prédiction, ils peuvent évaluer l'effet de différentes stratégies de réduction d'impacts et thus aider à la décision.

L'apport des LLM à l'ACV semble donc multiple, de l'automatisation à l'analyse prédictive en passant par l'interprétation. Leur intégration pourrait grandement accélérer la réalisation d'ACV fiables.

Applications possibles des LLM en ACV

Les LLM pourraient supporter différentes étapes d'une ACV standard, définies dans la norme ISO 14040:

• Pour la définition des objectifs et du champ de l'étude, les LLM peuvent aider à préciser les frontières du système, l'unité fonctionnelle et les hypothèses de modélisation grâce à leur capacité de dialogue.
• Pour l'inventaire du cycle de vie, ils peuvent comme mentionné précédemment compiler automatiquement les données nécessaires à partir de sources variées. Leur apprentissage automatique peut aussi combler des lacunes de données.
• Pour l'évaluation des impacts, les LLM peuvent calculer de manière autonome les impacts sur différentes catégories selon la méthodologie choisie, en s'appuyant sur les données d'inventaire.
• Pour l'interprétation, ils peuvent générer des rapports, tableaux de bord, visualisations pour éclairer les points chauds d'impacts et les leviers d'action possibles. Leurs capacités linguistiques améliorent la restitution des résultats.

Enfin, par leur analyse prédictive des données, les LLM peuvent aussi étayer la prise de décision pour réduire les impacts, en modélisant différents scénarios d'écoconception ou d'évolution des chaînes de valeur par exemple.

Forces et opportunités des LLM pour l'ACV