ADR-0004 — Propagation d’incertitude par Monte-Carlo N=10⁴

• Statut : Accepted
• Date : 2026-05-12
• Décideurs : Thibault, Cowork (+ relecture mentor Ecolab à venir)
• Contexte : Sprint S4

Contexte

L’évaluation environnementale d’un usage GenAI repose sur une chaîne de paramètres tous incertains : énergie par token, PUE du datacenter, facteur d’émission de l’électricité, embodied carbon hardware, durée d’amortissement, etc. Présenter une valeur ponctuelle (« 3.14 gCO₂eq ») est trompeur et scientifiquement discutable.

AFNOR SPEC 2314 demande explicitement la transparence sur les hypothèses et la prise en compte de l’incertitude.

Options envisagées

A — Estimation ponctuelle (P50 seul)

• ✅ Simple, rapide.
• ❌ Trompe l’utilisateur, scientifiquement faible, non conforme SPEC 2314.

B — Intervalles min/max déterministes

• ✅ Plus honnête, peu coûteux.
• ❌ Compose mal sur 5+ paramètres (intervalles deviennent énormes ou irréalistes).
• ❌ N’exprime pas la distribution réelle.

C — Propagation analytique (séries de Taylor)

• ✅ Exact pour distributions simples.
• ❌ Très lourd à implémenter pour distributions composées.
• ❌ Ne gère pas bien les non-linéarités et corrélations.

D — Monte-Carlo N=10⁴ (retenu)

• ✅ Robuste, généraliste, gère toutes distributions et corrélations.
• ✅ Restitue P5, P25, P50, P75, P95.
• ✅ Suffisamment rapide en Rust (cible < 200 ms par estimation).
• ❌ Légère stochasticité d’exécution (mitigée par seed).

Décision

Monte-Carlo N=10⁴ par estimation, seed déterministe (SOBRIA_SEED, défaut 42). Implémenté dans sobria-estimator.

Distributions par paramètre (par défaut, ajustables)

Paramètre	Distribution	Justification
Énergie/token	Log-normale	Mesures Luccioni, Patterson : variance multiplicative
PUE	Uniforme bornée	Plage [1.05, 1.6] par datacenter
Facteur émission	Discrète (mix réel)	Lecture RTE / Electricity Maps
Embodied/req	Log-normale	Forte incertitude amortissement
Tokens entrée	Déterministe ou uniforme	Selon entrée utilisateur
Tokens sortie	Log-normale autour estimation	Variance documentée

Performance attendue

• N=10⁴ × 6 paramètres = 60 000 ops scalaires en Rust → cible < 50 ms en release mode.
• Génération RNG : rand + rand_distr (xorshift / pcg).
• Parallélisable par rayon par_iter si plusieurs estimations en batch.

Conséquences

Positives :

• Conformité méthodologique forte.
• Restitution honnête au public.
• Robuste aux changements de paramètres.

Négatives :

• Code plus complexe que l’estimation ponctuelle.
• Output UI plus riche → effort dataviz supplémentaire.

Liens

• CDC §9.
• ADR-0001 (Rust pour la perf).
• Référence : AFNOR SPEC 2314, ISO/IEC GUM (Guide to expression of Uncertainty in Measurement).