Sources et méthodologie
AI Pulse s'appuie sur des données ouvertes et fiables issues de trois sources complémentaires, traitées avec la méthodologie TokenFlop.
Construit sur des données ouvertes et fiables
Base de lois IA Fruggr
133 lois et réglementations suivies dans 46 juridictions. Maintenue par notre équipe gouvernance.
MIT AI Risk Repository
1 700+ risques IA catalogués sur 7 domaines avec taxonomie causale.
Observatoire des politiques IA de l'OCDE
Indices d'adoption nationale de l'IA et indicateurs politiques dans 80+ juridictions.
Méthodologie TokenFlop
TokenFlop est un modèle computationnel ouvert, basé sur la physique, développé par fruggr, qui estime l'empreinte environnementale des systèmes d'IA. Il convertit les FLOPs en heures GPU, puis en consommation d'énergie, et enfin en équivalent CO2 — en tenant compte du type de matériel, du PUE du datacenter, du mix énergétique par région et de l'empreinte de fabrication.
La méthodologie suit les normes ISO 14040 / UIT L.1410 et couvre l'entraînement, le fine-tuning et l'inférence pour le texte, l'image, l'audio et la vidéo.
Lire la méthodologie complèteCrédits et remerciements
AI Pulse est maintenu par l'équipe fruggr. La base de lois IA est enrichie mensuellement par nos experts en gouvernance. Les données de risque proviennent du MIT AI Risk Repository (Slattery et al., 2024, CC BY 4.0). Les données d'incidents sont issues du OECD AI Incidents Monitor. Les indices d'adoption proviennent de l'OECD AI Policy Observatory.