Cet article se concentre sur l'adoption croissante de l'apprentissage fédéré (AF) dans tous les secteurs d'activité, à mesure que les lois et politiques de confidentialité se renforcent. Nous notons notamment le manque de recherche sur le respect de l'environnement de l'AF Cross-Silo, qui partage les mises à jour des modèles plutôt que les données, et nous cherchons à évaluer sa durabilité tout au long du cycle de vie des produits d'IA. Nous présentons un cadre robuste pour évaluer quantitativement le coût et les émissions de CO2 dans un environnement réel d'AF Cross-Silo, en le comparant aux approches d'apprentissage centralisé traditionnelles. Nous démontrons que, si la consommation d'énergie et le coût de l'apprentissage des modèles sont similaires entre les deux approches, les exigences de transmission et de stockage des données de l'apprentissage centralisé peuvent entraîner des émissions de CO2 importantes. Enfin, nous présentons un système innovant de gestion des données et des applications qui intègre l'AF Cross-Silo à l'analytique, dans le but d'améliorer la durabilité et l'efficacité économique des entreprises informatiques.
