Sustainable Computing for Digital Livestock: Reconciling Artificial Intelligence with Planetary Boundaries
Notice bibliographique
Résumé
Artificial intelligence is transforming digital livestock farming, yet the same systems that improve welfare, efficiency, and emissions monitoring can impose large carbon costs from training, continuous inference, and hardware manufacture. This PRISMA-guided systematic review examines how Green AI can realign performance with environmental responsibility. We searched IEEE Xplore, Scopus, Web of Science, and the ACM Digital Library (January 2019–October 2025), screening 1,847 records and including 89 studies (61 with quantitative data). We address three questions: (RQ1) How do energy-efficient model designs reduce computational footprints while preserving accuracy? (RQ2) Which low-carbon machine-learning frameworks minimize training and inference emissions? (RQ3) How do sustainable infrastructures enable climate-positive deployments? Meta-analysis shows strong decoupling of performance from impact. Compression (pruning, quantization, distillation) achieves 70–95% parameter reductions with <5% accuracy loss. Lightweight architectures (e.g., MobileNet, EfficientNet) deliver 10–50× energy savings versus conventional CNNs, while neuromorphic systems achieve 200–1000× power reductions. Carbon-aware scheduling cuts emissions by ~70% via temporal and spatial workload placement; federated learning reduces communication energy by ~85% while preserving privacy; edge–fog–cloud hierarchies lower inference energy by ~87% by localizing computation. Six representative deployments report mean energy savings of 90.3% (85.9–99.96%) and cumulative CO₂ reductions of 2,175 kg with >91% accuracy retained. Key gaps remain: no ISO-aligned carbon metrics for agricultural AI; embodied emissions are rarely counted (17% of studies); accessibility for smallholders is limited; rebound effects are unquantified. We propose a roadmap prioritizing ISO-compliant accounting, low-cost solar or neuromorphic edge devices, rebound analysis, field validation, and multi-stakeholder Pareto optimization.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,002 |
| Méta-épidémiologie (sens large) | 0,002 | 0,001 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,002 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,002 | 0,003 |
| Intégrité de la recherche | 0,001 | 0,002 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; les deux têtes enseignantes s’accordent sur ce qui est montré ici.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».