Réduire l'empreinte carbone de vos emails grâce à l'intelligence artificielle (IA)

INTRODUCTION

Sur une année, une entreprise de 100 salariés pourrait générer un équivalent carbone de 14 allers-retours Paris-New-York¹ en échangeant ses mails en interne et en externe. Ce chiffre serait encore plus important en cas de comptabilisation des emails accompagnés de pièces jointes. Les nouveaux modes de travail à distance, qui deviennent de plus en plus répandus, ne font qu’amplifier ce phénomène.

Soucieux de l’impact que cela pourrait avoir sur l’environnement, nous avons analysé cette problématique afin de trouver une solution permettant de réduire l’impact carbone tout en maintenant un niveau optimal de collaboration entre les différents acteurs. Les détails vous sont ci-après exposés.

COMMENT RÉDUIRE CETTE EMPREINTE CARBONE ?

L’échange de courriers électroniques est un processus très énergivore. Cependant, il n’est pas facile de quantifier l’énergie correspondante à un échange d’email sans maîtriser les conditions relatives à cet échange (appareil utilisé, électricité consommée par les routeurs, réseau et data centers hébergeant les données²). Mike Berners-Lee dans son livre ‘How Bad are Bananas? The Carbon Footprint of Everything (2010)’ a estimé l’impact CO2 lié à l’envoi d’un email à 4g de CO2, et 50g avec une pièce jointe de taille significative³. Ainsi, 70 emails par jour pendant un an génèrent en moyenne 84Kg de CO2, ce qui correspond à l’utilisation de 8400 sacs en plastique, soit 1 sac en plastique par jour pendant 23 ans⁴.

Le contenu d’un email est porteur de plusieurs informations. Des expressions telles que « pourriez-vous m’envoyer le document ?» ou « ci-joint la présentation » présagent des actions comme la réception d’un document ou l’envoi d’une série de diapositives, chacune avec son propre impact carbone. Les tournures des phrases, les champs lexicaux utilisés ou les termes employés pourraient permettre de prédéterminer les actions qui vont en découler comme par exemple le nombre de réponses potentiellement engendrées. Anticiper cela permet de choisir la façon la moins énergivore d’envoyer les messages. Par exemple, il serait plus adapté de partager un lien permettant d’accéder à un document que de partager ce dernier avec plusieurs personnes. La formulation et la tournure des phrases permettent également d’éviter des incompréhensions et ainsi d’éviter des allers/retours inutiles d’emails.

Alors que des algorithmes d’analyse de texte et de classification s’appuient sur les mots-clés que l’on pourrait avoir dans un texte, le traitement automatique du langage naturel - plus connu sous le nom NLP - permet à des algorithmes de déduire la sémantique et parfois même les intentions.

Diego Lopez Yse dans ‘Your Guide to Natural Language Processing (NLP)’⁵explique comment un programme peut lire et comprendre un texte et simplifier la tâche d’analyse.

Des techniques comme la Tokenisation permettent de s’affranchir des éléments de ponctuations. La racinisation et la lemmatisation simplifient chaque mot à sa racine ou sa forme neutre canonique, respectivement.

Concrètement, comment cela pourrait se décliner dans le contexte des échanges d’emails ? Nous allons illustrer au travers d’un cas réel :

Fabien envoie un message à Jean, Marguerite, Louis et Anne avec un document en pièce jointe. Des comportements types qu’un modèle pourrait reconnaître sont par exemple :

• Le champ lexical du message de Fabien est de type interrogatif. Une réponse par email des destinataires est très probablement attendue ;
• Le message de Fabien n’apporte pas suffisamment de détails et souvent un deuxième email explicatif est envoyé ;
• Des emails de retour des destinataires confirmant la bonne réception sont souvent envoyés ;
• La pièce jointe est généralement téléchargée et sauvegardée par chacun des destinataires sur son propre poste de travail ;
• Louis, très méticuleux, demande plus de détails à Fabien, en mettant tout le monde en copie.

Le modèle ayant anticipé ces comportements pourrait donc suggérer à Fabien :

1. De différer l’envoi de son email afin de lui laisser le temps de le compléter si besoin ;
2. De préciser que le message ne requiert pas forcément une réponse ;
3. Reformuler certains passages peu clairs ;
4. Proposer le document sur un espace partagé afin que tous puissent y accéder.

CONCLUSION

Le recours aux techniques d’intelligence artificielle et plus spécifiquement le NLP est de plus en plus populaire dans l’analyse des textes. Ces techniques, comme nous l’avons démontré dans l’exemple ci-dessus, permettent de contribuer à la sensibilisation aux impacts environnementaux liés aux échanges email.

Ayant conscience que les mêmes problématiques d’émission CO2 peuvent être inhérentes à l’usage même de ces algorithmes, nous pensons que le premier défi serait de quantifier les émissions liées à l’usage de ces derniers.

Chez Data Reply, nous avons comme mission de mettre à contribution notre expertise en Data Engineering et en Data Science afin de relever le défi du développement durable et donner ainsi un sens à notre métier.

Vous avez des questions ou vous voulez avoir plus de renseignements, n’hésitez pas à nous contacter sur .

¹L'empreinte carbone des emails - Web Design For The Planet

²If the world stopped using email, how much electricity would we save? - Wndyr

³Guide-pratique-face-cachee-numerique.pdf (ademe.fr)

⁴How bad is email for the environment? - The Washington Post

⁵The Email CO2 Calculator (cwjobs.co.uk)

⁶Your Guide to Natural Language Processing (NLP) | by Diego Lopez Yse | Towards Data Science