• Langue : Anglais
• Discipline : Informatique et applications
• Identifiant : 2025ULILB025
• Type de thèse : Doctorat
• Date de soutenance : 13/11/2025

Résumé en langue originale

La montée en puissance récente des grands modèles de langage (LLMs) a transformé l'ingénierie logicielle en permettant la génération automatique de code, la documentation, les tests et l'optimisation. Bien que ces outils promettent une augmentation de la productivité et, potentiellement, un code plus efficace, ils soulèvent également d'importantes préoccupations environnementales en raison de leurs besoins énergétiques élevés, de leur dépendance à un matériel spécialisé, et de leur intégration dans des infrastructures énergivores. Cette thèse étudie les compromis entre les coûts énergétiques et les bénéfices liés à l'usage des LLMs pour les tâches liées au code, avec un accent particulier sur leur rôle dans le développement logiciel durable.Trois études empiriques sont présentées. Premièrement, nous évaluons les performances à l'exécution du code généré par des LLMs sur plus de 200 problèmes provenant de Leetcode, révélant que, bien que les LLMs puissent surpasser des solutions humaines dans certains cas, leur efficacité reste très sensible aux paramètres du modèle et à la familiarité avec les problèmes. Deuxièmement, nous quantifions la consommation énergétique des assistants de code comme GitHub Copilot à travers une étude utilisateur et une instrumentation des serveurs. Les résultats montrent un gaspillage énergétique important dû aux suggestions non sollicitées, et soulignent comment la configuration des serveurs d'inférence et les modes d'utilisation peuvent réduire cette consommation. Troisièmement, nous analysons l'impact énergétique net des techniques d'optimisation de code basées sur les LLMs sur 118 problèmes. Nos résultats montrent que si ces optimisations peuvent réduire la consommation d'énergie, elles ne sont écologiquement rentables que si le code optimisé est exécuté suffisamment souvent pour compenser le coût de sa génération.Ensemble, ces trois contributions offrent une analyse détaillée des compromis liés à l'usage des LLMs pour la génération et l'optimisation de code, avec un focus sur la consommation énergétique. En évaluant empiriquement à la fois les coûts et les économies potentielles liés aux assistants de code et aux optimiseurs basés sur les LLMs, cette thèse met en lumière une dimension essentielle de l'ingénierie logicielle durable. Si les LLMs peuvent améliorer l'efficacité du code et accélérer le développement, leur impact environnemental dépend fortement des usages, des conditions de déploiement et du contexte applicatif. Alors que l'empreinte environnementale des technologies numériques continue de croître, comprendre ces compromis devient crucial. Cette thèse propose des pistes concrètes pour aligner le développement logiciel avec les contraintes écologiques.

Résumé traduit

The recent rise of Large Language Models (LLMs) has transformed software engineering by enabling automated code generation, documentation, testing, and optimization. While these tools promise increased productivity and potentially more efficient code, they also raise important environmental concerns due to their high energy demands, reliance on specialized hardware, and integration into energy-intensive infrastructures. This thesis investigates the trade-offs between the energy costs and benefits of using LLMs for code-related tasks, with a particular focus on their role in sustainable software development.Three empirical studies are presented. First, we evaluate the runtime performance of LLM-generated code on over 200 Leetcode problems, revealing that while LLMs can outperform human-written solutions in some cases, their efficiency is highly sensitive to model parameters and problem familiarity. Second, we quantify the energy consumption of code assistants like GitHub Copilot through a user study and server instrumentation. The results show significant energy waste due to unsolicited suggestions and highlight how inference server configuration and usage modes can reduce energy consumption. Third, we analyze the net energy impact of LLM-based code optimization techniques across 118 problems. Our findings show that while optimizations can reduce energy usage, they are only environmentally profitable if the optimized code is run frequently enough to offset the cost of generating the optimization.Together, these three contributions provide a detailed examination of the trade-offs in using LLMs for code generation and optimization, with a focus on energy consumption. By empirically assessing both the costs and potential savings of code assistants and LLM-based optimizers, this thesis highlights a critical dimension of sustainable software engineering. While LLMs can improve code efficiency and accelerate development, their environmental impact depends heavily on usage patterns, deployment conditions, and application context. As ICT's footprint grows, understanding these trade-offs is essential. This thesis offers actionable insights for aligning software development with ecological constraints.