Lo scorso 9 ottobre, Stroncature ha ospitato un incontro dal titolo “Misurare l’impronta di carbonio del software”. L’appuntamento si inserisce nelle attività di Terza Missione promosse da Stroncature in collaborazione con il Dipartimento di Informatica dell’Università degli Studi di Bari Aldo Moro, nel quadro del progetto di Public Engagement “UNIBA 2030 – Intelligenza Artificiale e Sostenibilità”, selezionato nell’ambito delle iniziative di Public Engagement “Patto Territoriale Sistema Universitario Pugliese”. Nel corso del webinar sono intervenuti la prof.ssa Allegra De Filippo, del Dipartimento di Informatica – Scienza e Ingegneria dell’Università di Bologna, il prof. Cataldo Musto e il dott. Giuseppe Spillo, entrambi del Dipartimento di Informatica dell’Università degli Studi di Bari Aldo Moro.
Ogni suggerimento prodotto da un sistema di intelligenza artificiale richiede elaborazioni, dati ed energia. Questo vale anche per i sistemi di raccomandazione che propongono film, musica, notizie o prodotti sulle piattaforme digitali. Valutarne la qualità significa chiedersi quanto siano pertinenti i suggerimenti e quale costo ambientale comporti produrli. Il webinar ha affrontato questa relazione attraverso il confronto tra algoritmi e la presentazione di strategie per ridurre le emissioni associate al loro addestramento, mostrando come la scelta di un sistema dipenda dagli obiettivi e dal contesto in cui viene utilizzato.
La prof.ssa Allegra De Filippo ha introdotto il tema collocando l’intelligenza artificiale nel quadro dell’Agenda 2030 e dei suoi 17 obiettivi di sviluppo sostenibile. La sostenibilità comprende dimensioni ambientali, sociali ed economiche, che devono essere considerate anche nella progettazione dei sistemi informatici. In questo ambito, la ricerca segue due prospettive complementari: utilizzare l’IA per favorire comportamenti e processi sostenibili e rendere sostenibili gli stessi algoritmi impiegati. Un sistema che contribuisce a ottimizzare l’uso delle risorse deve quindi essere valutato anche rispetto all’energia necessaria per svilupparlo, addestrarlo e utilizzarlo.
Questa doppia prospettiva riguarda direttamente i sistemi di raccomandazione, che elaborano informazioni sulle preferenze degli utenti per suggerire contenuti o azioni. Un esempio richiamato dalla prof.ssa De Filippo è quello delle applicazioni che consigliano ricette considerando sia la qualità nutrizionale sia l’impatto ambientale degli ingredienti. Il beneficio atteso riguarda la salute e le scelte alimentari, ma il funzionamento del sistema richiede a sua volta dati e risorse di calcolo. Per valutarne la sostenibilità occorre tenere insieme questi aspetti, esaminando la complessità del modello, la quantità di informazioni utilizzate e le modalità di addestramento.
La valutazione dei sistemi di raccomandazione si è tradizionalmente concentrata sull’accuratezza, cioè sulla capacità di suggerire oggetti coerenti con gli interessi dell’utente. La prof.ssa De Filippo ha ricordato che la ricerca considera anche metriche definite beyond accuracy, che riguardano, per esempio, la novità dei suggerimenti, la capacità di sorprendere l’utente e l’equità delle raccomandazioni. Nel caso della musica, proporre continuamente artisti già molto conosciuti può penalizzare quelli meno popolari, anche quando sarebbero adatti alle preferenze di chi ascolta. Questo fenomeno, chiamato popularity bias, mostra come la qualità di una raccomandazione abbia anche una dimensione sociale. A queste valutazioni, il lavoro presentato nel webinar affianca l’analisi dei consumi energetici e delle emissioni.
Il prof. Cataldo Musto ha approfondito il funzionamento dei sistemi di raccomandazione, distinguendo i suggerimenti visibili sulle piattaforme dai processi che li producono. Gli algoritmi utilizzano informazioni sugli utenti, come acquisti, visualizzazioni, valutazioni e tempi di permanenza su un contenuto, insieme ai dati disponibili sugli oggetti presenti nel catalogo. Per un film, queste informazioni possono riguardare il genere, gli attori o il regista. Incrociando il profilo dell’utente con le caratteristiche del catalogo, il sistema elabora punteggi di preferenza e seleziona gli oggetti da proporre. Le modalità con cui vengono effettuate queste elaborazioni possono essere molto diverse.
Nel ricostruire l’evoluzione degli algoritmi, il prof. Musto ha descritto i principali paradigmi di raccomandazione. Le prime soluzioni non personalizzate proponevano soprattutto gli oggetti più popolari, senza distinguere le preferenze dei singoli utenti. Le tecniche content-based suggeriscono oggetti simili a quelli apprezzati in passato; il collaborative filtering utilizza invece le informazioni ricavate da utenti con comportamenti o preferenze simili. I modelli ibridi combinano più strategie, mentre approcci più recenti impiegano il deep learning, i grafi, l’IA generativa e i modelli di linguaggio. Il prof. Musto ha osservato che queste tecniche riprendono i paradigmi di base utilizzando strumenti di apprendimento più avanzati. L’aumento della complessità dei modelli può migliorare la precisione dei suggerimenti, ma richiede anche maggiori risorse computazionali. La domanda affrontata dalla ricerca è quindi se il miglioramento ottenuto giustifichi l’energia consumata e le emissioni associate.
Per stimare queste emissioni, il prof. Musto ha illustrato il rapporto tra consumo energetico e intensità carbonica dell’elettricità. Il primo elemento riguarda la quantità di energia necessaria per eseguire un algoritmo; il secondo dipende dal mix di fonti con cui quell’energia viene prodotta. La stima combina quindi quanta elettricità viene utilizzata e le emissioni associate alla sua produzione. Nel webinar è stata presentata CodeCarbon, una libreria Python che consente di monitorare o stimare i consumi durante l’esecuzione del codice e di ricavare una stima delle emissioni. Il prof. Musto ha sottolineato la semplicità dell’integrazione: nell’esempio presentato, tre istruzioni aggiunte al codice permettono di avviare e concludere il tracciamento necessario alla stima delle emissioni. Integrare questi strumenti permette di affiancare alle consuete misure di qualità degli algoritmi una valutazione del loro costo ambientale.
Il confronto sperimentale presentato dal prof. Musto ha coinvolto algoritmi rappresentativi di diversi paradigmi e più ambiti di applicazione. I risultati hanno mostrato che il rapporto tra accuratezza ed emissioni cambia secondo il contesto. Nel caso delle raccomandazioni di film, gli algoritmi più precisi richiedevano un maggiore impegno computazionale e producevano più emissioni, senza che emergesse una soluzione capace di combinare i migliori risultati con un basso impatto. Nel caso dei libri, invece, ItemKNN, un algoritmo collaborativo più semplice e consolidato, riusciva a offrire un rapporto favorevole tra precisione e basse emissioni. Questi risultati indicano che la complessità di un modello, da sola, non consente di stabilire quale sia la scelta più adatta.
Il quadro diventa più articolato quando si considerano anche la diversità dei suggerimenti e la loro popolarità media. Un algoritmo efficace rispetto a una metrica può risultare meno soddisfacente rispetto a un’altra. Inoltre, i sistemi devono essere aggiornati man mano che vengono raccolte nuove informazioni sugli utenti, e ogni nuovo addestramento comporta ulteriori consumi. Il prof. Musto ha quindi evidenziato una questione ancora aperta: quante emissioni aggiuntive sia ragionevole produrre per ottenere un miglioramento delle raccomandazioni. La risposta richiede di valutare insieme le caratteristiche del sistema, il campo di applicazione e gli obiettivi da raggiungere.
Il dott. Giuseppe Spillo ha presentato due linee di ricerca per intervenire su questo rapporto: ridurre la quantità di dati utilizzati per l’addestramento e interrompere il processo quando i miglioramenti non giustificano più le emissioni aggiuntive. La prima strategia, chiamata data reduction, parte dall’osservazione che una maggiore disponibilità di dati può migliorare le raccomandazioni, ma allunga anche i tempi di elaborazione. Le informazioni aggiunte nelle fasi successive possono inoltre produrre benefici progressivamente più contenuti. La ricerca cerca quindi di capire quali dati siano necessari e quale riduzione consenta di contenere i consumi mantenendo una qualità adeguata dei suggerimenti.
Tra le tecniche studiate, il dott. Spillo ha citato la rimozione casuale di alcune interazioni, il mantenimento delle valutazioni più recenti di ciascun utente e la selezione delle informazioni a partire da una certa data. Nel confronto illustrato durante il webinar, quattro modelli sono stati addestrati utilizzando quantità crescenti di dati, dal 20% fino all’intero insieme disponibile. Riducendo i dati, diminuivano le emissioni, ma peggiorava anche l’accuratezza delle raccomandazioni. Il risultato conferma che il risparmio computazionale deve essere valutato insieme alla perdita di qualità, senza assumere che una minore quantità di informazioni produca sempre il compromesso desiderato.
La riduzione dei dati ha mostrato anche un effetto sulla popolarità dei suggerimenti. Negli esperimenti presentati, utilizzando meno informazioni di addestramento diminuiva la popolarità media degli oggetti raccomandati, attenuando il popularity bias. Il dott. Spillo ha collegato la riduzione delle emissioni agli obiettivi 7, 12 e 13 dell’Agenda 2030, che riguardano l’energia, il consumo e la produzione responsabili e il contrasto al cambiamento climatico. Ha inoltre ricondotto la riduzione del bias di popolarità all’obiettivo 10, dedicato alla riduzione delle disuguaglianze: un sistema che concentra meno i suggerimenti sugli oggetti già popolari può dare maggiore spazio a contenuti meno conosciuti. Resta però il costo in termini di accuratezza: decidere se accettarlo dipende dalle priorità dell’applicazione e dal peso attribuito alle diverse metriche.
La seconda strategia illustrata è il Green Early Stop, un meccanismo che considera le emissioni nel decidere quando interrompere l’addestramento. Un modello apprende attraverso passaggi ripetuti sui dati: ciascun passaggio completo viene chiamato epoca. Con il procedere delle epoche, i miglioramenti possono diventare sempre più piccoli, mentre il consumo energetico continua a crescere. Il metodo presentato confronta il progresso della metrica di validazione, utilizzata per valutare il modello durante l’addestramento, con l’incremento delle emissioni. Quando questo rapporto rimane sfavorevole per un certo numero di passaggi consecutivi, il processo viene fermato.
Nel confronto mostrato dal dott. Spillo, il Green Early Stop ha consentito riduzioni consistenti delle emissioni. Per il modello DGCF, i valori presentati passavano da circa 100 grammi a circa 10 grammi di CO2; per LightGCN, da circa 15 grammi a circa 1,5 grammi. Si tratta dei risultati delle specifiche prove illustrate, che mostrano il potenziale dell’interruzione anticipata dell’addestramento. Gli effetti sull’accuratezza variavano però tra i modelli: alcuni perdevano qualità, mentre altri, come BPR e KGNNLS, conservavano quasi interamente le proprie prestazioni a fronte di una riduzione delle emissioni. Anche in questo caso, la risposta dipendeva dalle caratteristiche dell’algoritmo.
La scelta delle strategie può quindi essere orientata dalle esigenze concrete dell’applicazione. Un servizio può richiedere un’elevata precisione dei suggerimenti, attribuire maggiore importanza alla riduzione del bias di popolarità oppure dover rispettare un limite alle emissioni. La riduzione dei dati e il Green Early Stop offrono possibilità di intervento, ma i loro effetti devono essere verificati nei diversi scenari. Il dott. Spillo ha sottolineato che il compromesso più favorevole emerge da una valutazione caso per caso, nella quale la sostenibilità ambientale viene considerata insieme alla qualità e agli altri effetti delle raccomandazioni.
Il webinar ha collegato la misurazione dell’impronta di carbonio alle scelte con cui vengono progettati e addestrati i sistemi di raccomandazione. L’intervento della prof.ssa De Filippo ha fornito il quadro della sostenibilità, quello del prof. Musto ha mostrato come confrontare qualità ed emissioni, mentre il dott. Spillo ha illustrato tecniche per ridurre il costo ambientale dell’addestramento. Dalle ricerche presentate emerge l’esigenza di misurare i consumi e verificare i benefici dei calcoli aggiuntivi: scegliere la complessità del modello, i dati da utilizzare e la durata dell’apprendimento diventa così parte della valutazione della sostenibilità del software.
