Latest / Stroncature Podcast / Misurare l’impronta di carbonio del software

Transcript

Misurare l’impronta di carbonio del software · Stroncature Podcast

0:00
[music]
0:06
SPEAKER_03: Buon pomeriggio e benvenuti a questo nuovo webinar
0:10
SPEAKER_03: di Stroncature intitolato Misurare l'impronta di carbonio del software.
0:14
SPEAKER_03: È un appuntamento che si inserisce nelle attività di terza missione promosse
0:18
SPEAKER_03: da Stroncature in collaborazione col Dipartimento
0:20
SPEAKER_03: di Informatica dell'Università degli Studi di Bari Aldomoro nel quadro del progetto
0:24
SPEAKER_03: di Public Engagement UiBA 2030, Intelligenza Artificiale e Sostenibilità.
0:29
SPEAKER_03: Sezionato nell'ambito delle iniziative di Public Engagement,
0:32
SPEAKER_03: Patto Territoriale e Sistema Universitario Pugliese.
0:35
SPEAKER_03: Discuteranno di questo argomento la professoressa Allegra De Filippo
0:39
SPEAKER_03: del Dipartimento di Informatica,
0:41
SPEAKER_03: Scienze e Ingegneria dell'Università di Bologna,
0:43
SPEAKER_03: il professor Cataldo Musto e il professor Giuseppe Spillo,
0:45
SPEAKER_03: entrambi del Dipartimento di Informatica dell'Università degli Studi
0:48
SPEAKER_03: di Bari Aldomoro.
0:49
SPEAKER_03: Nel corso del webinar si discuterà dell'impatto ambientale dei sistemi informatici e
0:53
SPEAKER_03: in particolare delle emissioni di carbonio Associata allo sviluppo e all'utilizzo
0:58
SPEAKER_03: del software e dell'intelligenza artificiale.
1:00
SPEAKER_03: Affronteremo il tema della sostenibilità digitale
1:02
SPEAKER_03: con attenzione ai consumi energetici degli algoritmi,
1:05
SPEAKER_03: ai metodi per misurare l'impronta di carbonio nel software e alle strategie
1:08
SPEAKER_03: per ridurre l'impatto ambientale delle tecnologie digitali,
1:10
SPEAKER_03: promuovendo soluzioni informatiche più efficienti e sostenibili.
1:14
SPEAKER_03: Quindi do la parola molto volentieri, cominciamo appunto da Allegra De Filippo.
1:18
SPEAKER_03: Prego.
1:19
SPEAKER_00: grazie anche per l'introduzione.
1:24
SPEAKER_00: Nel contesto di questo webinar io farò
1:27
SPEAKER_00: la parte più introduttiva legata all'introduzione dei concetti
1:33
SPEAKER_00: di intelligenza artificiale nell'ambito della sostenibilità e con
1:38
SPEAKER_00: una verticalizzazione sui sistemi di raccomandazione.
1:43
SPEAKER_00: Mi presento brevemente.
1:44
SPEAKER_00: Io sono ricercatrice e docente all'Università di Bologna Faccio ricerca
1:53
SPEAKER_00: da tantissimi anni e sono nel gruppo di ricerca di ingegneria informatica a Bologna,
2:00
SPEAKER_00: in particolare nel gruppo di intelligenza artificiale.
2:04
SPEAKER_00: Insegno a corsi come intelligence systems,
2:09
SPEAKER_00: fondamenti di intelligenza artificiale e tengo diversi master anche sulla parte
2:14
SPEAKER_00: di intelligenza artificiale per sostenibilità anche a corsi di dottorato.
2:19
SPEAKER_00: Mi occupo di efficienza energetica dei sistemi di intelligenza artificiale
2:23
SPEAKER_00: in genere,
2:24
SPEAKER_00: in particolare negli ultimi anni con un focus più attento ai sistemi
2:29
SPEAKER_00: di raccomandazione che poi anche i miei colleghi spiegheranno nel corso del webinar
2:35
SPEAKER_00: e integrazione di diverse tecniche proprio per cercare di gestire questa possibilità
2:42
SPEAKER_00: di bilanciare performance degli algoritmi e impatto ambientale.
2:48
SPEAKER_00: Giusto per dare una prima panoramica sul concetto di sostenibilità,
2:53
SPEAKER_00: il concetto di sostenibilità è un concetto molto complesso e quando si cerca
2:56
SPEAKER_00: di andare sulla parte computazionale per cercare
3:01
SPEAKER_00: di quantificare questo complesso argomento legato alla sostenibilità bisogna tener
3:07
SPEAKER_00: sempre conto del documento ufficiale che è l'Agenda 2030 che definisce i 17 goal
3:14
SPEAKER_00: di sostenibilità a livello globale e con diversi sottogol definiti target per ognuno
3:22
SPEAKER_00: di questi di questi goal di sostenibilità che appunto sono 17 e toccano vari ambiti
3:27
SPEAKER_00: a livello sociale, a livello ambientale e a livello economico.
3:31
SPEAKER_00: Proprio su questo si basa la seconda definizione di sostenibilità
3:34
SPEAKER_00: che è poggiata sui tre Pillar fondamentali,
3:38
SPEAKER_00: quindi i pilastri della sostenibilità che sono il pilastro sociale,
3:42
SPEAKER_00: il pilastro ambientale, il pilastro economico.
3:44
SPEAKER_00: Quello ambientale è quello di cui ci occuperemo principalmente oggi
3:47
SPEAKER_00: in questo webinar che tratta appunto di qual è l'impatto ambientale di ciò
3:53
SPEAKER_00: che utilizziamo in questo caso di sistemi di intelligenza artificiale.
3:59
SPEAKER_00: In questo caso noi nella nostra ricerca stiamo cercando sia a livello più generale
4:03
SPEAKER_00: di algoritmi di intelligenza artificiale poi con appunto un focus sui sistemi
4:08
SPEAKER_00: di raccomandazione di porre
4:12
SPEAKER_00: proprio l'IA all'interno delle definizioni
4:16
SPEAKER_00: di sostenibilità.
4:17
SPEAKER_00: Quindi come vediamo
4:18
SPEAKER_00: in questa immagine noi piazziamo proprio l'intelligenza artificiale all'interno
4:23
SPEAKER_00: delle definizioni dei goal di sostenibilità e cerchiamo di capire come
4:28
SPEAKER_00: Come gestire al meglio questi algoritmi anche per cercare di renderli più sostenibili.
4:33
SPEAKER_00: Infatti le prospettive di ricerca che ci sono in questo ambito congiunto sono da
4:38
SPEAKER_00: una parte usare sistemi di intelligenza artificiale per cercare di promuovere Goal
4:45
SPEAKER_00: di sostenibilità quindi per esempio cercare di attraverso sistemi di smart grid
4:52
SPEAKER_00: di usare di più fonti rinnovabili quindi ottimizzare l'uso di risorse rinnovabili
4:57
SPEAKER_00: e questi sono appunto esempi di come usare quella
5:01
SPEAKER_00: che viene definita AI for good quindi l'intelligenza artificiale per promuovere
5:05
SPEAKER_00: la sostenibilità.
5:06
SPEAKER_00: Dall'altro lato questi sistemi devono essere anch'essi sostenibili Quindi consumare
5:12
SPEAKER_00: meno nelle fasi di addestramento,
5:13
SPEAKER_00: per esempio a livello energetico,
5:15
SPEAKER_00: oppure usare determinate quantità di dati per consumare meno data center.
5:23
SPEAKER_00: Quindi ci sono anche aspetti nella prospettiva
5:26
SPEAKER_00: che viene chiamata sostenibilità dell'intelligenza artificiale che è proprio
5:29
SPEAKER_00: la seconda prospettiva su cui ci focalizziamo oggi,
5:33
SPEAKER_00: in particolare collegato all'aspetto ambientale.
5:37
SPEAKER_00: Quindi quello che si prova a fare nella ricerca in questo ambito è proprio cercare
5:41
SPEAKER_00: di bilanciare le performance di un algoritmo,
5:44
SPEAKER_00: quindi quanto efficiente è l'algoritmo nel fare quello per cui è stato sviluppato
5:50
SPEAKER_00: e quanto tutte le varie fasi di questo algoritmo,
5:55
SPEAKER_00: dal design allo sviluppo e al test, impattino a livello ambientale.
6:02
SPEAKER_00: Cosa faremo oggi?
6:03
SPEAKER_00: Ci focalizzeremo su una tecnologia di intelligenza artificiale in particolare
6:08
SPEAKER_00: che sono appunto i sistemi di raccomandazione.
6:10
SPEAKER_00: Si potrebbe parlare probabilmente giorni interi di tutte le diverse tecnologie,
6:14
SPEAKER_00: di come impattano a livello di sostenibilità ambientale,
6:18
SPEAKER_00: ad esempio sistemi di computer vision,
6:20
SPEAKER_00: sistemi di robotica,
6:22
SPEAKER_00: però oggi ci occuperemo appunto dei sistemi di raccomandazione che come vediamo
6:27
SPEAKER_00: in questa immagine profilano diversi utenti in base a preferenze che hanno
6:34
SPEAKER_00: su diverse piattaforme a livello di oggetti che scelgono su queste piattaforme e
6:40
SPEAKER_00: i sistemi di raccomandazioni proprio basandosi
6:42
SPEAKER_00: su queste profilazioni consigliano nuovi oggetti agli utenti che hanno profilato
6:47
SPEAKER_00: in precedenza.
6:50
SPEAKER_00: Quindi sono tecnologie basate su algoritmi di intelligenza artificiale
6:55
SPEAKER_00: che permettono di raccomandare liste di oggetti agli utenti
6:59
SPEAKER_00: in base alle loro preferenze E che possono essere
7:02
SPEAKER_00: in ambito ad esempio film oppure notizie oppure oggetti da acquistare.
7:10
SPEAKER_00: Infatti le maggiori piattaforme che utilizziamo tutti i giorni sono proprio quelle
7:15
SPEAKER_00: di cui adesso vedremo qualche esempio.
7:20
SPEAKER_00: Un'altra definizione che si può dare dei sistemi di raccomandazione è proprio quella
7:24
SPEAKER_00: di supportare il processo decisionale degli utenti nelle scelte quotidiane.
7:30
SPEAKER_00: Quindi ad esempio che film voglio vedere stasera?
7:33
SPEAKER_00: Io vado in una piattaforma famosissima su cui posso scegliere Che film vedere
7:40
SPEAKER_00: e ovviamente ho una parte dell'interfaccia che mi consiglia quali sono
7:46
SPEAKER_00: i film più adatti a me basati sulla profilazione della mia storia
7:49
SPEAKER_00: come utente quindi ovviamente questo cosa comporta?
7:53
SPEAKER_00: Una quantità di dati che sono stati utilizzati per studiare
7:56
SPEAKER_00: le mie preferenze nel tempo a cui si collegano nuove preferenze in base
8:01
SPEAKER_00: a diverse ovviamente Implementazioni dell'algoritmo che mi consigliano nuovi film
8:08
SPEAKER_00: da vedere collegati in qualche modo alle mie preferenze,
8:11
SPEAKER_00: oppure su piattaforme di musica,
8:14
SPEAKER_00: su piattaforme di e-commerce,
8:16
SPEAKER_00: quindi come acquistare nuovi prodotti e su piattaforme appunto per vedere video.
8:22
SPEAKER_00: Questi sono esempi di come viene profilato un utente per nuovi prodotti,
8:27
SPEAKER_00: ad esempio si possono vedere correlazioni tra Oggetti
8:33
SPEAKER_00: che spesso vengono comprati insieme quindi il sistema questo succede tutti i giorni
8:38
SPEAKER_00: quando proviamo ad acquistare un oggetto
8:39
SPEAKER_00: il sistema consiglia anche altri oggetti collegati
8:42
SPEAKER_00: che possono essere acquistati oppure film da vedere in base non so ad esempio a
8:47
SPEAKER_00: un attore protagonista che preferiamo e quindi consiglia altri film
8:51
SPEAKER_00: con quell'attore protagonista oppure musiche prodotte dagli stessi artisti
8:56
SPEAKER_00: e così via.
8:59
SPEAKER_00: Inoltre una cosa molto importante
9:04
SPEAKER_00: che è sempre stata alla base di questi sistemi
9:07
SPEAKER_00: di raccomandazione è la percentuale di guadagno che danno alle aziende.
9:13
SPEAKER_00: Quindi è normale che più prodotti mi vengono consigliati come utente più io
9:18
SPEAKER_00: come utente acquisterò e diciamo che la cosa importante che viene valutata
9:23
SPEAKER_00: in questi sistemi è quanto siano Accurati nel consigliarmi oggetti
9:28
SPEAKER_00: che probabilmente io comprerò e quindi ovviamente aumenteranno anche
9:33
SPEAKER_00: i guadagni delle aziende che li usano e questi sono esempi di informazioni
9:39
SPEAKER_00: che si trovano su web sulle percentuali appunto di guadagno date dall'utilizzo
9:44
SPEAKER_00: di questi sistemi di raccomandazione.
9:47
SPEAKER_00: Quello che noi proviamo a fare
9:49
SPEAKER_00: come ricerca è proprio porre questi Algoritmi all'interno del concetto
9:54
SPEAKER_00: di sostenibilità,
9:55
SPEAKER_00: quindi come possiamo fare ad affrontare quello che già si fa
9:58
SPEAKER_00: in generale nell'intelligenza artificiale però in particolare
10:02
SPEAKER_00: con questa tecnologia chiamata sistemi di raccomandazione.
10:07
SPEAKER_00: La prima cosa che abbiamo provato ad affrontare
10:10
SPEAKER_00: che noi abbiamo adesso delle direttive nel documento ufficiale dell'Agenda 2030
10:16
SPEAKER_00: che ci definiscono cosa sono i gol di sostenibilità e quali sono gli obiettivi
10:20
SPEAKER_00: a cui bisogna arrivare per essere sostenibili,
10:22
SPEAKER_00: quindi proviamo a unire questi due concetti E a usare questi principi
10:27
SPEAKER_00: di sostenibilità per indicare come guidare le scelte degli utenti.
10:31
SPEAKER_00: Infatti abbiamo diversi esempi che già esistono di sistemi di raccomandazione per
10:36
SPEAKER_00: la sostenibilità.
10:40
SPEAKER_00: In particolare,
10:42
SPEAKER_00: in questa linea di ricerca,
10:43
SPEAKER_00: uno dei nostri contributi principali è stato proporre una doppia visione
10:48
SPEAKER_00: di questi due concetti.
10:49
SPEAKER_00: Quindi da una parte,
10:50
SPEAKER_00: esattamente come si fa per l'IA,
10:52
SPEAKER_00: per l'intelligenza artificiale in generale,
10:54
SPEAKER_00: proporre una prima prospettiva che promuove lo sviluppo di applicazioni basate
11:01
SPEAKER_00: su raccomandazione per promuovere comportamenti sostenibili.
11:05
SPEAKER_00: E in questi esempi abbiamo...
11:08
SPEAKER_00: Sistemi che provano a consigliare agli utenti delle ricette
11:16
SPEAKER_00: che siano buone dal punto di vista nutrizionale.
11:22
SPEAKER_00: Per l'utente a livello di salute ma
11:26
SPEAKER_00: che abbiano anche un'attenzione all'impatto ambientale che hanno i vari ingredienti
11:31
SPEAKER_00: che sono consigliati in queste ricette.
11:33
SPEAKER_00: Per esempio questo è un classico esempio di come un'applicazione basata su sistemi
11:38
SPEAKER_00: di raccomandazione possa cercare di provare a raggiungere alcuni goal
11:45
SPEAKER_00: di sostenibilità che sono legati alla salute ma anche all'impatto ambientale.
11:49
SPEAKER_00: Dall'altra parte però abbiamo detto che Questi sistemi hanno bisogno
11:54
SPEAKER_00: di diversi step,
11:57
SPEAKER_00: quindi dopo vedremo il ciclo di vita di un sistema di raccomandazione.
12:01
SPEAKER_00: Inizialmente si usano molti dati,
12:04
SPEAKER_00: se per usare molti dati,
12:05
SPEAKER_00: per fare un addestramento molto importante abbiamo bisogno
12:08
SPEAKER_00: di consumare tanta energia,
12:10
SPEAKER_00: non stiamo considerando la seconda prospettiva che invece deve essere considerata,
12:14
SPEAKER_00: cioè quanto è sostenibile questo algoritmo che stiamo usando.
12:17
SPEAKER_00: Oltre a consigliare comportamenti sostenibili all'utente,
12:21
SPEAKER_00: deve essere anche se stesso sostenibile.
12:25
SPEAKER_00: In questo QR code trovate la nostra ultima survey,
12:30
SPEAKER_00: che è un lavoro scientifico che abbiamo pubblicato su rivista quest'anno,
12:35
SPEAKER_00: che verticalizza questa prospettiva duale di sostenibilità e sistemi
12:40
SPEAKER_00: di raccomandazione su tutta la letteratura scientifica fino a questo momento.
12:47
SPEAKER_00: Quindi quello che proviamo a fare è gestire questo trade off per bilanciare
12:52
SPEAKER_00: le performance e l'impatto ambientale degli algoritmi di raccomandazione e cerchiamo
12:57
SPEAKER_00: di farlo come vedremo nei prossimi step di questo webinar con i miei colleghi sia
13:05
SPEAKER_00: per tutte le fasi del ciclo di vita di un sistema di raccomandazioni quindi
13:09
SPEAKER_00: a partire dalla scelta del modello A partire dalla quantità di dati
13:14
SPEAKER_00: che utilizzeremo,
13:15
SPEAKER_00: quindi quanto è complesso il modello,
13:17
SPEAKER_00: quanti parametri ha,
13:19
SPEAKER_00: quanti sono i dati di cui realmente ho bisogno per la fase di addestramento
13:24
SPEAKER_00: e infine anche come valutare questi sistemi.
13:28
SPEAKER_00: Come abbiamo visto di solito questi sistemi vengono valutati tipicamente su metriche
13:34
SPEAKER_00: che sono basate su accuratezza,
13:36
SPEAKER_00: quindi quanto è accurato nel predire i Gli oggetti
13:41
SPEAKER_00: che sono più simili alle stesse preferenze dell'utente che è stato profilato,
13:46
SPEAKER_00: quanto è accurata questa predizione?
13:47
SPEAKER_00: Di solito le metriche sono state per molti anni solo basate su accuratezza,
13:54
SPEAKER_00: però nell'ultimo periodo stanno uscendo a livello di linee di ricerca
13:58
SPEAKER_00: le metriche cosiddette Beyond Accuracy,
14:01
SPEAKER_00: quindi che vanno oltre l'idea di accuratezza,
14:04
SPEAKER_00: che sono Quanto è nuovo rispetto alla storia precedente delle preferenze
14:09
SPEAKER_00: dell'utente,
14:09
SPEAKER_00: l'oggetto che viene consigliato o il comportamento che viene consigliato.
14:14
SPEAKER_00: Parliamo di oggetti, ma ovviamente è un concetto che può essere declinato in diversi aspetti.
14:20
SPEAKER_00: Quanto è sorprendente rispetto a quello che veniva consigliato,
14:23
SPEAKER_00: che veniva preferito dall'utente.
14:26
SPEAKER_00: Quanto è equo anche, è molto importante da valutare.
14:31
SPEAKER_00: Facciamo l'esempio della musica.
14:32
SPEAKER_00: Se noi abbiamo Degli artisti molto famosi e molto popolari
14:38
SPEAKER_00: che sono ovviamente scelti da una grossa quantità di utenti,
14:42
SPEAKER_00: i sistemi di raccomandazioni rischiano di proporci sempre
14:46
SPEAKER_00: gli stessi artisti già famosi perché li vedono molto preferiti a livello di quantità
14:50
SPEAKER_00: di utenti che li preferiscono.
14:52
SPEAKER_00: In realtà è solo perché sono più famosi.
14:54
SPEAKER_00: Quindi anche come ricercatori dobbiamo anche renderci conto che
14:59
SPEAKER_00: a volte Bisogna andare a vedere questi aspetti perché artisti meno famosi però
15:04
SPEAKER_00: che magari potrebbero essere perfettamente in linea con le preferenze di
15:08
SPEAKER_00: un utente profilato non vengono consigliati per quello che viene chiamato
15:12
SPEAKER_00: il popularity bias che è un tipico problema dei sistemi di raccomandazione
15:16
SPEAKER_00: che riguarda più la parte sociale.
15:19
SPEAKER_00: A livello invece di ricerca che stiamo promuovendo è stato quello
15:23
SPEAKER_00: di inserire metriche
15:25
SPEAKER_00: di valutazione dell'impatto ambientale quindi Quanto consumano questi sistemi,
15:32
SPEAKER_00: quanto impattano a livello di energia e di emissioni di carbonio.
15:37
SPEAKER_00: Quello che proponiamo in questo webinar e che stiamo attivamente facendo a livello
15:42
SPEAKER_00: di ricerca è definire un benchmark per analizzare il trade off che c'è tra
15:49
SPEAKER_00: le performance di diversi algoritmi e le emissioni e l'impatto ambientale
15:54
SPEAKER_00: che hanno questi algoritmi.
15:57
SPEAKER_00: E questo lo presenterà Cataldo Musto con anche risultati interessanti
16:02
SPEAKER_00: che abbiamo avuto a livello di ricerca.
16:05
SPEAKER_00: Tecniche di riduzione dei dataset per capire quali dati ci servono realmente
16:11
SPEAKER_00: per addestrare i nostri modelli
16:15
SPEAKER_00: e anche a che punto terminare l'addestramento
16:19
SPEAKER_00: di questi modelli a livello proprio di quantità di tempo che utilizziamo
16:24
SPEAKER_00: per non continuare a consumare e per non continuare ad emettere emissioni
16:31
SPEAKER_00: di CO2 senza migliorare effettivamente le performance del nostro algoritmo
16:37
SPEAKER_00: e questi altri due aspetti li svilupperà Giuseppe Spillo nella terza parte.
16:44
SPEAKER_00: Noi inoltre siamo molto attivi nella comunità scientifica con l'organizzazione
16:48
SPEAKER_00: di workshop tutorial
16:50
SPEAKER_00: e stiamo pubblicando diversi volumi sull'attuale livello della comunità scientifica
16:56
SPEAKER_00: in questo ambito Questo è stato il workshop che abbiamo organizzato durante
17:02
SPEAKER_00: la conferenza internazionale di riferimento sui recommender systems
17:06
SPEAKER_00: a Minneapolis quest'anno ed è stato un workshop che è andato molto molto bene
17:12
SPEAKER_00: e abbiamo avuto il piacere di sentire le presentazioni di diversi lavori
17:18
SPEAKER_00: di nostri colleghi a livello internazionale.
17:23
SPEAKER_00: Per le prime due edizioni di questo workshop abbiamo anche collezionato dei volumi
17:28
SPEAKER_00: che quindi se sono appunto di vostro interesse potete andare
17:32
SPEAKER_00: a consultare vedendo anche come è progredita la ricerca
17:36
SPEAKER_00: in questo ambito nei tre anni di organizzazione di questo workshop.
17:41
SPEAKER_00: Infine quest'anno abbiamo anche proposto un tutorial
17:44
SPEAKER_00: con diverse applicazioni tecniche di come provare a migliorare questi sistemi
17:50
SPEAKER_00: di raccomandazioni proprio nel design e nello sviluppo degli algoritmi per avere
17:55
SPEAKER_00: un impatto sia sociale che è un grosso aspetto della sostenibilità
18:00
SPEAKER_00: ma soprattutto ambientale migliore che è il focus di questo webinar.
18:06
SPEAKER_00: Io ho terminato la mia parte e lascio volentieri la parola al collega Cataldo per
18:12
SPEAKER_00: la parte del benchmark.
18:15
SPEAKER_03: Grazie, allegra di Filippo.
18:16
SPEAKER_03: Allora sentiamo Cataldo Musto, prego.
18:20
SPEAKER_01: Ciao a tutti.
18:22
SPEAKER_01: Allora, fondamentalmente questa seconda parte della presentazione è una prosecuzione
18:28
SPEAKER_01: di alcuni dei contenuti che la professoressa ha
18:31
SPEAKER_01: Di Filippo ha mostrato nella prima parte del webinar.
18:39
SPEAKER_01: Perdo giusto 30 secondi per introdurmi.
18:42
SPEAKER_01: Io sono professore associato all'Università di Bari e diciamo che del gruppo
18:49
SPEAKER_01: di persone che partecipa qui oggi al webinar sono la persona che da un pochino più
18:55
SPEAKER_01: di tempo lavora e si occupa.
18:59
SPEAKER_01: di recommender systems che è stato un pochettino in un certo qual modo il tema
19:03
SPEAKER_01: del mio dottorato.
19:05
SPEAKER_01: Ovviamente il mio focus di ricerca sui recommender systems nel corso
19:11
SPEAKER_01: del tempo Si è evoluto andando a seguire diverse direttrici di ricerca
19:17
SPEAKER_01: e abbiamo lavorato sull'uso di tecniche basate su elaborazione
19:23
SPEAKER_01: del linguaggio naturale per il recommender system,
19:26
SPEAKER_01: lavoriamo su metodologie e modelli più recenti come i modelli di linguaggio
19:33
SPEAKER_01: che si utilizzano oggi,
19:35
SPEAKER_01: agenti conversazionali e ovviamente una delle possibili direttrici di cui
19:43
SPEAKER_01: Quindi andare
19:49
SPEAKER_01: a cercare di capire come i recommender system
19:53
SPEAKER_01: in qualche modo impattano sull'ambiente e in che modo possiamo andare a lavorare
19:58
SPEAKER_01: per ottimizzare da un lato le performance ma anche dall'altro lato cercare
20:02
SPEAKER_01: di ridurre quanto più possibile le emissioni di questi system.
20:07
SPEAKER_01: In realtà il mio interesse per la sostenibilità è un pochino più vecchio perché
20:12
SPEAKER_01: in questa slide vi mostro questo volume che è stato disponibile gratuitamente,
20:20
SPEAKER_01: tra l'altro c'è il QR code se la cosa può interessarvi,
20:24
SPEAKER_01: che è stato diffuso nel 2021 ed è un volume in cui Insieme ad alcune persone
20:31
SPEAKER_01: di Iperia che è l'associazione di riferimento italiana
20:35
SPEAKER_01: per l'intelligenza artificiale e insieme
20:38
SPEAKER_01: a CISV abbiamo scritto questo volume appunto in cui a suo tempo chiaramente
20:45
SPEAKER_01: il tema era anche relativamente nuovo andavamo a mostrare tutte quelle che erano
20:51
SPEAKER_01: le possibili applicazioni dell'intelligenza artificiale per
20:54
SPEAKER_01: lo sviluppo sostenibile andando un pochettino a Ora andando un pochettino
21:23
SPEAKER_01: Un po' più centrati diciamo così su quello che è il focus della presentazione di oggi.
21:28
SPEAKER_01: Ovviamente io comincio col darvi qualche informazione diciamo così
21:35
SPEAKER_01: un pochettino più tecnica sui recommender system per quanto ovviamente nel tempo
21:40
SPEAKER_01: a disposizione possiamo riuscire a Possiamo essere approfonditi sul punto
21:46
SPEAKER_01: di vista tecnico,
21:47
SPEAKER_01: però voglio provare a darvi qualche messaggio per capire un po' meglio
21:52
SPEAKER_01: che cosa succede all'interno di questi algoritmi,
21:55
SPEAKER_01: perché come abbiamo introdotto nella piccola presentazione precedente,
22:02
SPEAKER_01: i recommender system sono una tecnologia
22:04
SPEAKER_01: con cui magari spesso anche inconsapevolmente Tutti quanti interagiamo,
22:11
SPEAKER_01: noi siamo sottoposti o esposti in qualche modo a delle raccomandazioni,
22:16
SPEAKER_01: quando siamo su Spotify ci viene suggerita una playlist,
22:20
SPEAKER_01: come dicevamo quando siamo su Amazon e l'algoritmo prova
22:24
SPEAKER_01: a proporci degli altri prodotti da acquistare in accoppiata con ciò
22:28
SPEAKER_01: che abbiamo già messo nel carrello e così via.
22:32
SPEAKER_01: Questa però è chiaramente la parte dell'algoritmo che noi tra virgolette vediamo,
22:37
SPEAKER_01: cioè noi andiamo a vedere quando interagiamo con queste piattaforme,
22:41
SPEAKER_01: abbiamo fatto prima anche l'esempio di Netflix,
22:44
SPEAKER_01: ma ce ne sono tante altre,
22:45
SPEAKER_01: possiamo pensare a YouTube
22:47
SPEAKER_01: quando ci vengono mostrate sulla barra destra degli altri contenuti da vedere,
22:52
SPEAKER_01: ma possiamo anche banalmente pensare a ciò che avviene quando Scrolliamo i video
22:59
SPEAKER_01: che ci vengono mostrati su piattaforme come Instagram o Facebook,
23:03
SPEAKER_01: anche lì c'è dietro un Recommender System.
23:06
SPEAKER_01: Quindi quello è l'output,
23:08
SPEAKER_01: nel senso che è quello che l'algoritmo decide che in un certo momento può essere
23:13
SPEAKER_01: per noi interessante,
23:14
SPEAKER_01: che sia un film,
23:16
SPEAKER_01: che sia una notizia, che sia un libro, che sia una persona da seguire e così via.
23:21
SPEAKER_01: Quello che voglio provare un pochettino a raccontarvi invece è quello che succede
23:25
SPEAKER_01: con molte virgolette sotto il cofano dell'algoritmo,
23:29
SPEAKER_01: cioè che cosa avviene all'interno di questi algoritmi
23:32
SPEAKER_01: che permette poi ai recommender system di decidere cosa andare a suggerirci.
23:40
SPEAKER_01: Quello che vediamo in questa slide è
23:42
SPEAKER_01: una rappresentazione grafica abbastanza schematica,
23:48
SPEAKER_01: diciamo così ad alto livello,
23:50
SPEAKER_01: di quello che avviene all'interno di un sistema di raccomandazione.
23:54
SPEAKER_01: Quindi sul lato sinistro abbiamo le informazioni
23:58
SPEAKER_01: che questi algoritmi normalmente vanno a utilizzare per dare
24:05
SPEAKER_01: Il blocco centrale rappresenta ovviamente l'algoritmo in sé,
24:09
SPEAKER_01: quindi la metodologia che in qualche modo va a tradurre le informazioni
24:15
SPEAKER_01: di input nel risultato.
24:16
SPEAKER_01: Sulla parte destra abbiamo poi quello che,
24:18
SPEAKER_01: come dicevamo prima,
24:21
SPEAKER_01: l'utente finale tendenzialmente va a percepire o ricevere come suggerimento
24:26
SPEAKER_01: che è proprio l'oggetto della raccomandazione.
24:30
SPEAKER_01: Quali sono i dati di input che questi sistemi utilizzano?
24:33
SPEAKER_01: Ovviamente possono essere dati estremamente eterogeni,
24:37
SPEAKER_01: nel senso che tutte le azioni che noi normalmente facciamo all'interno
24:41
SPEAKER_01: di queste piattaforme sono informazioni che le piattaforme vanno uno a registrare,
24:47
SPEAKER_01: due il più delle volte a utilizzare per decidere quale può essere
24:51
SPEAKER_01: un suggerimento adeguato per noi.
24:55
SPEAKER_01: Tutto ciò che compriamo,
24:56
SPEAKER_01: tutto ciò che guardiamo,
24:57
SPEAKER_01: tutti i click che andiamo a spendere su una piattaforma,
25:01
SPEAKER_01: quanto tempo restiamo fermi su un contenuto,
25:06
SPEAKER_01: che sia un video,
25:07
SPEAKER_01: che sia un brano su Spotify o che sia ad esempio un reel che ci viene mostrato su
25:12
SPEAKER_01: una piattaforma,
25:14
SPEAKER_01: oltre ovviamente a quelle forme di feedback che Un pochettino più esplicite
25:19
SPEAKER_01: che ci fanno capire in modo un pochettino più chiaro se
25:22
SPEAKER_01: un certo oggetto ci interessa oppure no che sono per esempio i voti oppure
25:27
SPEAKER_01: i like espressi sia in forma numerica che sotto forma ad esempio del pollice
25:33
SPEAKER_01: che noi utilizziamo sulle piattaforme oppure per esempio persino
25:37
SPEAKER_01: le stesse recensioni, le review che noi andiamo a volte a scrivere su un
25:48
SPEAKER_01: Ovviamente anche
25:50
SPEAKER_01: le informazioni demografiche fanno parte dell'insieme delle informazioni
25:54
SPEAKER_01: di cui queste piattaforme fanno uso quando devono decidere
25:58
SPEAKER_01: se darci oppure no dei suggerimenti.
26:01
SPEAKER_01: Queste informazioni di tipo demografico,
26:03
SPEAKER_01: per quanto possano sembrare apparentemente delle informazioni di base,
26:08
SPEAKER_01: sono invece delle informazioni che i recommender system utilizzano molto,
26:11
SPEAKER_01: soprattutto nella fase iniziale di utilizzo dei sistemi,
26:14
SPEAKER_01: cioè quando non abbiamo ancora fatto un numero sufficiente di acquisti,
26:20
SPEAKER_01: non abbiamo ancora Ho comprato un numero sufficiente di oggetti o ho espresso
26:26
SPEAKER_01: un numero sufficiente di voti,
26:28
SPEAKER_01: in quel caso lì si ragiona per stereotipi,
26:31
SPEAKER_01: quindi si vanno ad utilizzare informazioni come il sesso piuttosto
26:36
SPEAKER_01: che l'età oppure dove mi trovo per decidere cosa può essere interessante per me.
26:43
SPEAKER_01: Ovviamente queste informazioni che rappresentano
26:45
SPEAKER_01: il profilo dell'utente vengono poi incrociate Con le informazioni legate
26:50
SPEAKER_01: al cosiddetto catalogo,
26:51
SPEAKER_01: che sono le informazioni che invece sono disponibili sugli oggetti,
26:54
SPEAKER_01: disponibili su una certa piattaforma.
26:58
SPEAKER_01: Questo tipo
26:58
SPEAKER_01: di informazioni possono essere informazioni legate ad esempio alla popolarità di
27:02
SPEAKER_01: un oggetto,
27:03
SPEAKER_01: cioè quanto un film è stato visto, quanto una canzone è stata riprodotta.
27:07
SPEAKER_01: Che per quanto non sia un'informazione personalizzata è comunque interessante perché
27:12
SPEAKER_01: la popolarità è comunque uno strumento che può essere utilizzato per quanto ripeto
27:18
SPEAKER_01: in modo stereotipato però come un indicatore molto efficace per andare
27:22
SPEAKER_01: a raccomandare cioè suggerire quello che è tendenzialmente popolare in
27:26
SPEAKER_01: un certo momento è comunque sempre una scelta che ha senso.
27:30
SPEAKER_01: Accanto
27:30
SPEAKER_01: a informazioni sulla popolarità poi ci possono essere informazioni diciamo così
27:34
SPEAKER_01: a grana un po' più fine come per esempio dei metadati,
27:37
SPEAKER_01: delle informazioni testuali che vanno a descrivere un oggetto che possono essere
27:42
SPEAKER_01: la categoria,
27:43
SPEAKER_01: il brand di un prodotto oppure se pensiamo per esempio ai film,
27:48
SPEAKER_01: chi sono gli attori del film,
27:49
SPEAKER_01: qual è il regista, qual è il genere, qual è l'anno e così via.
27:53
SPEAKER_01: I Recommender System che fanno?
27:54
SPEAKER_01: Mettono insieme tutte quante queste informazioni,
27:57
SPEAKER_01: mettono insieme chi sono io,
27:59
SPEAKER_01: quali sono le informazioni a disposizione su di me,
28:03
SPEAKER_01: quale può essere il mio bisogno informativo in quel momento,
28:08
SPEAKER_01: vanno incrociare questa informazione con ciò che è presente all'interno
28:12
SPEAKER_01: del catalogo,
28:13
SPEAKER_01: fanno Anche qui ci possiamo mettere tanti virgolette dei ragionamenti
28:17
SPEAKER_01: su cosa può essere per me interessante in un certo momento e restituiscono poi
28:22
SPEAKER_01: il suggerimento.
28:24
SPEAKER_01: Quindi, riassumendo,
28:26
SPEAKER_01: abbiamo due elementi fondamentali all'interno di un Recommender System
28:30
SPEAKER_01: che sono chi è l'utente che in un certo momento sta interagendo con il sistema e
28:36
SPEAKER_01: che cosa sappiamo di quella persona e quali sono invece
28:40
SPEAKER_01: gli oggetti disponibili all'interno del catalogo e che cosa sappiamo
28:43
SPEAKER_01: di quegli oggetti.
28:45
SPEAKER_01: Un algoritmo di raccomandazione mette insieme queste informazioni,
28:48
SPEAKER_01: elabora dei Punteggi di preferenza,
28:52
SPEAKER_01: potremmo chiamarli così,
28:53
SPEAKER_01: quindi uno score che ci dice quanto io sono interessato a un certo contenuto
28:59
SPEAKER_01: e chiaramente gli oggetti che hanno uno score più alto sono quelli
29:02
SPEAKER_01: che poi l'algoritmo va a suggerire all'utente finale.
29:08
SPEAKER_01: Il nodo su cui ovviamente possiamo spendere qualche parola in più è
29:14
SPEAKER_01: Come possiamo andare a effettuare le raccomandazioni perché chiaramente
29:18
SPEAKER_01: in questo perimetro che noi abbiamo definito fino a questo momento quindi utente,
29:24
SPEAKER_01: catalogo e algoritmo Il modo con cui l'algoritmo va
29:28
SPEAKER_01: a ragionare ovviamente si può andare a declinare in tantissimi modi diversi.
29:33
SPEAKER_01: Basti pensare che sul tema dei recommender system noi all'interno dei nostri corsi
29:38
SPEAKER_01: di laurea all'Università di Bari abbiamo un intero corso magistrale di circa 60 ore
29:45
SPEAKER_01: che è totalmente incentrato sui recommender system,
29:49
SPEAKER_01: giusto per far capire quante possibili declinazioni
29:52
SPEAKER_01: di questo tema ovviamente noi possiamo andare ad avere.
29:56
SPEAKER_01: Giusto per darvi un'infarinatura,
29:57
SPEAKER_01: in questa immagine andrò direttamente al succo di quello che vogliamo farvi vedere,
30:05
SPEAKER_01: al trade-off di quanto efficaci sono questi algoritmi
30:10
SPEAKER_01: e quanta energia questi algoritmi vanno a consumare.
30:13
SPEAKER_01: Vi faccio vedere un pochettino come nel corso del tempo le diverse strategie,
30:19
SPEAKER_01: le diverse tipologie, i diversi paradigmi di raccomandazione si sono evoluti.
30:26
SPEAKER_01: Nella prima fase,
30:27
SPEAKER_01: quella che vedete sull'asse X di questo grafico tra il 1995 e il 2005,
30:34
SPEAKER_01: ci sono i cosiddetti algoritmi non personalizzati perché,
30:37
SPEAKER_01: come dicevo prima,
30:38
SPEAKER_01: l'idea di dare dei suggerimenti semplicemente basandoci sulla popolarità è stata
30:45
SPEAKER_01: la primissima metodologia,
30:47
SPEAKER_01: in realtà non neanche un algoritmo,
30:49
SPEAKER_01: ma la primissima euristica utilizzata
30:51
SPEAKER_01: per poter dare delle raccomandazioni agli utenti.
30:54
SPEAKER_01: Successivamente c'è stato un periodo a cavallo tra il 2000 e il 2010-2015
30:59
SPEAKER_01: in cui sono nate le prime tecniche algoritmiche di base
31:02
SPEAKER_01: che sono chiamate rispettivamente content-based e collaborative filtering.
31:07
SPEAKER_01: Poi dopo vi darò qualche informazione in più però l'idea fondamentalmente
31:10
SPEAKER_01: che negli algoritmi content-based noi diamo dei suggerimenti che sono simili a ciò
31:17
SPEAKER_01: che ci è già piaciuto in passato.
31:20
SPEAKER_01: Intuitivamente se in passato ho visto tanti film horror l'algoritmo mi continuerà
31:25
SPEAKER_01: a dare ancora degli altri film horror assumendo che ciò che ho gradito in passato
31:30
SPEAKER_01: lo continuerò ancora a gradire in futuro.
31:33
SPEAKER_01: Gli algoritmi invece di Collaborative Filtering
31:36
SPEAKER_01: in tanti modi diversi però sono basati su un'idea.
31:39
SPEAKER_01: Qual è l'idea?
31:41
SPEAKER_01: Un modo efficace per dare dei suggerimenti è andare a individuare delle persone
31:45
SPEAKER_01: che si comportano in modo simile a noi.
31:47
SPEAKER_01: Quindi se io devo ricevere dei suggerimenti su cosa acquistare,
31:52
SPEAKER_01: vado a vedere cosa ho acquistato in passato o che film ho visto in passato,
31:57
SPEAKER_01: al di là del genere o della tipologia specifica,
32:00
SPEAKER_01: e vado a vedere Altre persone che hanno visto quegli stessi film o
32:05
SPEAKER_01: che hanno comprato quegli stessi prodotti,
32:07
SPEAKER_01: cosa hanno acquistato poi, cosa hanno visto poi nel futuro.
32:11
SPEAKER_01: Quindi andiamo a utilizzare le informazioni legate a persone simili a noi
32:17
SPEAKER_01: per dare dei suggerimenti.
32:19
SPEAKER_01: Ripeto, al di là di quali sono i generi o gli artisti o gli attori che mi piacciono di più.
32:26
SPEAKER_01: Superata questa prima fase,
32:28
SPEAKER_01: in una fase poi tra il 2010 e il 2020 si sono sviluppati quelli
32:32
SPEAKER_01: che invece sono chiamati i cosiddetti modelli ibridi.
32:35
SPEAKER_01: Qual è l'ideale a base del modello ibrido?
32:37
SPEAKER_01: Lo stesso concetto legato in qualche modo un pochettino alle automobili,
32:41
SPEAKER_01: cioè così come l'auto ibrida è un'auto che mette insieme all'interno
32:44
SPEAKER_01: del suo motore diverse strategie per alimentare l'auto,
32:51
SPEAKER_01: la stessa cosa accade per gli algoritmi,
32:53
SPEAKER_01: cioè ibridizzare un algoritmo significa mettere insieme diversi paradigmi,
32:56
SPEAKER_01: cioè ad esempio...
32:57
SPEAKER_01: Quale è l'idea?
32:58
SPEAKER_01: L'idea è cercare di trarre vantaggio da entrambi i principi e le idee
33:01
SPEAKER_01: che caratterizzano entrambi i paradigmi.
33:17
SPEAKER_01: A livello di strategie, poi,
33:18
SPEAKER_01: negli ultimi 7-8 anni non è cambiato tantissimo all'interno
33:23
SPEAKER_01: del mondo degli algoritmi di raccomandazione,
33:26
SPEAKER_01: cioè le tecniche ibride sono quelle che normalmente oggi sono ancora
33:30
SPEAKER_01: a stato dell'arte.
33:31
SPEAKER_01: Ciò che è cambiato è invece la tipologia di apprendimento sottostante,
33:38
SPEAKER_01: nel senso che Più di recente hanno cominciato a svilupparsi i cosiddetti modelli
33:43
SPEAKER_01: di Deep Learning oppure i modelli basati su grafi,
33:46
SPEAKER_01: modelli basati su AI generativa o modelli di linguaggio fondazionali.
33:53
SPEAKER_01: Quindi tutte le tecniche più recenti,
33:55
SPEAKER_01: quelle venute fuori da 2020 in poi,
33:56
SPEAKER_01: in realtà sono solo una Riproposizione dei paradigmi di base andando
34:02
SPEAKER_01: a sfruttare quelle che sono delle tecniche algoritmiche un po' più avanzate
34:06
SPEAKER_01: che sono venute fuori nel corso del tempo.
34:10
SPEAKER_01: E qui un pochettino ho riassunto le cose che vi ho detto un po' a voce.
34:15
SPEAKER_01: Quindi, qual è l'idea che abbiamo cercato di analizzare con questo lavoro?
34:22
SPEAKER_01: Quello che è successo nel corso del tempo,
34:24
SPEAKER_01: torno sulla slide prima perché ho dimenticato, come dire, di
34:32
SPEAKER_01: L'evoluzione che c'è stata nel corso del tempo di queste tecniche
34:35
SPEAKER_01: in realtà ha mostrato un trend.
34:38
SPEAKER_01: Qual è il trend?
34:39
SPEAKER_01: Quello che invece noi vediamo in questo grafico sull'asse Y,
34:43
SPEAKER_01: cioè col passare del tempo sono stati proposti tanti diversi algoritmi
34:50
SPEAKER_01: di raccomandazione Appartenenti a diversi paradigmi,
34:53
SPEAKER_01: ma ciò che è stato notato in linea di massima è un incremento di quella che era
34:57
SPEAKER_01: la complessità computazionale,
34:59
SPEAKER_01: cioè i punti che noi vediamo più in alto all'interno di questo grafico sono
35:05
SPEAKER_01: gli algoritmi che in linea di massima sono un po' più pesanti da eseguire,
35:09
SPEAKER_01: cioè algoritmi che richiedono maggiore potenza di calcolo per poter essere eseguiti.
35:15
SPEAKER_01: Quindi se noi guardiamo un pochettino il trend, cioè vediamo un pochettino le forme che
35:22
SPEAKER_01: Si articola all'interno di questo grafico.
35:24
SPEAKER_01: Noi vediamo paradigmi che nel corso del tempo sono stati proposti,
35:28
SPEAKER_01: ma tecniche di raccomandazione,
35:30
SPEAKER_01: algoritmi di raccomandazione che via via che
35:32
SPEAKER_01: il tempo andava avanti diventavano chiaramente sempre più complessi.
35:36
SPEAKER_01: Quindi la domanda che noi ci siamo fatti in questo scenario,
35:38
SPEAKER_01: che fondamentalmente è quello che voi vedete all'interno di questa immagine, è Ok,
35:43
SPEAKER_01: abbiamo algoritmi più complessi che in linea di massima ci danno delle performance,
35:48
SPEAKER_01: come diceva prima la professoressa Di Filippo,
35:50
SPEAKER_01: migliori,
35:51
SPEAKER_01: quindi suggerimenti più precisi,
35:53
SPEAKER_01: raccomandazioni più accurate,
35:55
SPEAKER_01: ma la domanda è,
35:57
SPEAKER_01: queste raccomandazioni più accurate sono così più accurate da giustificare poi,
36:05
SPEAKER_01: L'energia in più,
36:07
SPEAKER_01: la corrente in più,
36:08
SPEAKER_01: i costi in più che sono necessari per addestrare,
36:12
SPEAKER_01: lanciare e eseguire questi algoritmi ed è quello che noi abbiamo provato.
36:17
SPEAKER_01: Ovviamente non vi do la risposta perché è l'obiettivo della presentazione ma...
36:20
SPEAKER_01: E' quello che abbiamo provato a studiare con questo lavoro.
36:24
SPEAKER_01: Lavoro che si incastra,
36:26
SPEAKER_01: ricollegandoci alla prospettiva di cui parlavamo prima,
36:29
SPEAKER_01: con l'idea della sostenibilità dei recommender system.
36:31
SPEAKER_01: Quindi l'idea in questo caso non è capire come utilizzare l'algoritmo
36:37
SPEAKER_01: a supporto degli obiettivi di sostenibilità,
36:39
SPEAKER_01: ma capire proprio se questi algoritmi sono di fatto progettati
36:43
SPEAKER_01: per essere sostenibili oppure no.
36:45
SPEAKER_01: Quindi quello che abbiamo fatto è stato un pochettino seguire l'immagine che vedete
36:50
SPEAKER_01: in questo grafico,
36:51
SPEAKER_01: quindi partire da un algoritmo di raccomandazione,
36:54
SPEAKER_01: addestrare questo algoritmo,
36:59
SPEAKER_01: recuperare le raccomandazioni,
37:00
SPEAKER_01: quindi andare a vedere quanto queste raccomandazioni fossero accurate e andare poi
37:04
SPEAKER_01: a quantificare i costi in termini di emissioni di CO2 dei singoli algoritmi.
37:12
SPEAKER_01: Come sono calcolate le emissioni di CO2?
37:14
SPEAKER_01: Fondamentalmente andando a combinare due fattori,
37:19
SPEAKER_01: due elementi,
37:19
SPEAKER_01: che sono l'energy consumption,
37:22
SPEAKER_01: cioè quanta elettricità è necessaria per eseguire un certo algoritmo,
37:29
SPEAKER_01: e la cosiddetta carbon intensity,
37:31
SPEAKER_01: cioè quanto inquina Quella energia che noi abbiamo dovuto consumare
37:37
SPEAKER_01: per eseguire l'algoritmo,
37:38
SPEAKER_01: che è un elemento che dipende principalmente dall'energy mix che noi utilizziamo per
37:45
SPEAKER_01: la computazione.
37:46
SPEAKER_01: Quindi il calcolo delle emissioni viene fatto andando
37:48
SPEAKER_01: a combinare questi due elementi,
37:50
SPEAKER_01: quindi quanta elettricità consumiamo e di fatto di che tipo è quell'energia
37:55
SPEAKER_01: che stiamo andando a consumare.
37:59
SPEAKER_01: Come si fanno a livello tecnico queste cose?
38:01
SPEAKER_01: In realtà c'è una libreria che si chiama Code Carbon,
38:04
SPEAKER_01: che è una libreria scritta in un linguaggio di programmazione che si chiama Python,
38:08
SPEAKER_01: che si può utilizzare in modo molto molto semplice per questi scopi.
38:12
SPEAKER_01: Io qui vi faccio vedere davvero solo una slide,
38:14
SPEAKER_01: ma solo per chi ha un background un pochettino più tecnico per capire
38:19
SPEAKER_01: di fatto quanto è semplice utilizzare questa libreria.
38:23
SPEAKER_01: I blocchi che voi vedete,
38:24
SPEAKER_01: questo è il codice scritto in un linguaggio di programmazione,
38:27
SPEAKER_01: i blocchi che noi vediamo all'inizio e alla fine sono le istruzioni,
38:32
SPEAKER_01: le richieste che noi facciamo a questa libreria Python di cominciare a tracciare
38:39
SPEAKER_01: e monitorare quelle che sono le emissioni dell'algoritmo.
38:41
SPEAKER_01: Quindi questa cosa significa che Quindi fondamentalmente si tratta di un tipo
38:47
SPEAKER_01: di studio che può essere fatto
38:48
SPEAKER_01: in modo molto molto semplice soltanto aggiungendo tre istruzioni all'interno
38:55
SPEAKER_01: del codice dei programmi che noi andiamo a scrivere.
38:57
SPEAKER_01: Quindi oltre a eseguire il nostro algoritmo con un piccolo sforzo
39:02
SPEAKER_01: in più noi possiamo di fatto andare a tracciare quelle che sono le emissioni
39:06
SPEAKER_01: di carbonio dei nostri algoritmi.
39:10
SPEAKER_01: Cosa abbiamo messo a confronto?
39:11
SPEAKER_01: Abbiamo messo a confronto,
39:13
SPEAKER_01: utilizzando una libreria,
39:16
SPEAKER_01: cioè un insieme di algoritmi presenti all'interno di uno strumento,
39:21
SPEAKER_01: un po' tutti i paradigmi che abbiamo visto prima,
39:23
SPEAKER_01: perché chiaramente l'idea era quella di prendere almeno una tecnica rappresentativa
39:28
SPEAKER_01: di tutti quei paradigmi che vi ho fatto vedere nella slide precedente.
39:32
SPEAKER_01: Per avere dei risultati un po' più solidi quello
39:34
SPEAKER_01: che abbiamo fatto è stato mettere poi insieme diversi diciamo così campi
39:41
SPEAKER_01: di applicazione perché ovviamente come abbiamo visto all'inizio
39:45
SPEAKER_01: i recommender possono essere utilizzati in diversi ambiti film, musica,
39:49
SPEAKER_01: news eccetera eccetera Ovviamente andare a studiare solo uno dei possibili ambiti
39:55
SPEAKER_01: di applicazione ci può dare sì dei risultati,
39:57
SPEAKER_01: ma dei risultati che ovviamente non sono solidi abbastanza
40:01
SPEAKER_01: per poter tirare poi alla fine fuori delle conclusioni sufficientemente esaustive.
40:05
SPEAKER_01: Quindi abbiamo fatto uno studio poiché ha lavorato su diversi ambiti.
40:11
SPEAKER_01: Vado ai risultati che per la fine sono la cosa un pochettino più interessante
40:14
SPEAKER_01: di cui possiamo parlare.
40:16
SPEAKER_01: Cosa vediamo in questo grafico?
40:17
SPEAKER_01: Vediamo tutta una serie di punti che sono degli algoritmi.
40:21
SPEAKER_01: Sull'asse X vediamo le emissioni,
40:24
SPEAKER_01: quindi quanto il singolo algoritmo ha emesso,
40:27
SPEAKER_01: quindi più siamo sulla destra più l'algoritmo ha emesso.
40:32
SPEAKER_01: Mentre invece sull'asse Y vediamo l'accuratezza degli algoritmi,
40:36
SPEAKER_01: quindi in questo caso quanto più andiamo verso l'alto,
40:39
SPEAKER_01: tanto più l'algoritmo è stato preciso.
40:42
SPEAKER_01: I nomi che vedete sono i nomi degli algoritmi,
40:44
SPEAKER_01: magari anche se questi nomi non vi dicono nulla,
40:46
SPEAKER_01: però sono in qualche modo ricondotti,
40:49
SPEAKER_01: in qualche modo, i paradigmi che abbiamo visto prima.
40:52
SPEAKER_01: Quindi abbiamo in alto quelli che sono gli algoritmi migliori,
40:56
SPEAKER_01: al centro più o meno di algoritmi che sono
41:01
SPEAKER_01: Poi abbiamo sulla sinistra gli algoritmi con basse emissioni,
41:09
SPEAKER_01: sulla destra gli algoritmi con alte emissioni.
41:12
SPEAKER_01: Quindi fondamentalmente lo spot ideale dove vorremmo trovarci,
41:17
SPEAKER_01: dove vorremmo trovare dei punti è quello in alto a sinistra,
41:20
SPEAKER_01: quindi algoritmi che hanno poche emissioni ma che sono sufficientemente precisi.
41:27
SPEAKER_01: Cosa viene fuori?
41:27
SPEAKER_01: Viene fuori che in quello spot che sarebbe quello ideale non c'è niente,
41:31
SPEAKER_01: quindi significa che noi purtroppo non riusciamo a dare dei buoni suggerimenti
41:36
SPEAKER_01: a utilizzare degli algoritmi che sono sufficientemente semplici perché
41:40
SPEAKER_01: gli algoritmi migliori come vediamo sono questo CFKG o questo Light GCN,
41:46
SPEAKER_01: ripeto non vado nel tecnico perché non è interessante qui,
41:48
SPEAKER_01: ma sono algoritmi che Per ottenere quel livello
41:51
SPEAKER_01: di precisione devono fare più calcoli,
41:54
SPEAKER_01: devono fare più computazioni, devono di conseguenza emettere di più.
41:58
SPEAKER_01: Questa cosa però succede,
42:00
SPEAKER_01: e qui arriva la parte più interessante,
42:02
SPEAKER_01: nell'ambito dei film,
42:03
SPEAKER_01: perché questi qui sono i risultati che noi abbiamo ricavato nell'ambito
42:07
SPEAKER_01: del suggerimento dei film.
42:08
SPEAKER_01: Se ci muoviamo in un altro contesto nel suggerimento dei libri vediamo invece che
42:16
SPEAKER_01: in quello che prima abbiamo chiamato spot ideale, quindi raccomandazioni con...
42:23
SPEAKER_01: Alta precisione e basse emissioni,
42:26
SPEAKER_01: un algoritmo invece qui appare,
42:28
SPEAKER_01: che è un algoritmo che si chiama ItemKNN,
42:30
SPEAKER_01: che sempre facendo riferimento a quei contenuti che vi ho mostrato prima,
42:35
SPEAKER_01: è uno degli algoritmi storici,
42:37
SPEAKER_01: algoritmi collaborativi proposti tanti anni fa,
42:40
SPEAKER_01: quindi un algoritmo con molte virgolette vecchio,
42:43
SPEAKER_01: molto semplice, ma che comunque riesce a essere efficace.
42:48
SPEAKER_01: Quindi che cosa viene fuori?
42:49
SPEAKER_01: Viene fuori che il comportamento degli algoritmi si è rivelato,
42:53
SPEAKER_01: in questo studio che abbiamo fatto, essere non particolarmente predicibile.
42:56
SPEAKER_01: Quindi in un ambito abbiamo notato una cosa, in un altro ambito ne abbiamo notato un'altra.
43:01
SPEAKER_01: Quindi non siamo riusciti ad aggiungere delle conclusioni, diciamo così, definitive.
43:07
SPEAKER_01: E la cosa diventa ancora più complicata quando andiamo inoltre
43:11
SPEAKER_01: a considerare Altre dimensioni di analisi che sono per esempio la popolarità media o
43:18
SPEAKER_01: la diversità delle raccomandazioni,
43:20
SPEAKER_01: cioè quanto siamo in grado di dare all'utente dei suggerimenti diversi tra di loro,
43:24
SPEAKER_01: quindi film interessanti ma di tipologie diverse perché anche qui vediamo
43:28
SPEAKER_01: che nell'area ottimale non c'è nessun algoritmo.
43:33
SPEAKER_01: Di fatto il tema è complicato perché in linea di massima sembra
43:38
SPEAKER_01: che alcuni algoritmi semplici ci possano dare buone performance
43:42
SPEAKER_01: ma questo non è sempre vero,
43:43
SPEAKER_01: cioè in alcuni ambiti e per alcuni obiettivi specifici a livello
43:48
SPEAKER_01: di valutazione degli algoritmi in realtà serve andare a eseguire algoritmi
43:53
SPEAKER_01: che sono invece più pesanti a livello di emissioni.
43:58
SPEAKER_01: Quindi quello che è fondamentalmente venuto fuori da questo studio e vado
44:01
SPEAKER_01: a concludere è in qualche modo una tensione,
44:04
SPEAKER_01: diciamo così,
44:04
SPEAKER_01: tra quelle che sono le performance dei modelli e quelle che sono invece
44:09
SPEAKER_01: le nostre esigenze legate all'ambiente,
44:11
SPEAKER_01: quindi legate al fatto di dover emettere di meno.
44:16
SPEAKER_01: Quindi la lesson learned principale di questa parte di presentazione è che
44:20
SPEAKER_01: da questo studio che abbiamo fatto e che abbiamo pubblicato un paio
44:23
SPEAKER_01: di anni fa È venuta fuori una tensione abbastanza importante tra le emissioni
44:28
SPEAKER_01: di carbonio e l'accuratezza,
44:30
SPEAKER_01: perché in generale metodi più complessi possono fornire delle performance migliori,
44:37
SPEAKER_01: ma richiedono anche molta molta più energia,
44:39
SPEAKER_01: quindi non è possibile a priori stabilire qual è l'algoritmo più adatto,
44:45
SPEAKER_01: quello ideale, poi da andare a eseguire.
44:48
SPEAKER_01: Questo senza considerare il fatto che molto spesso questi algoritmi devono essere,
44:53
SPEAKER_01: tecnicamente si parla di addestramento degli algoritmi,
44:57
SPEAKER_01: rieseguiti costantemente ogni qual volta io raccolgo più informazioni sugli utenti,
45:02
SPEAKER_01: quindi ho nuovi acquisti,
45:04
SPEAKER_01: nuove preferenze di divisione o di contenuti che vengono fruiti,
45:09
SPEAKER_01: che è una cosa che ovviamente richiede
45:11
SPEAKER_01: di rieseguire nuovamente l'algoritmo ed emettere nuovamente di più.
45:15
SPEAKER_01: Quindi la domanda ad oggi resta ancora una domanda aperta,
45:18
SPEAKER_01: cioè in che misura io posso o devo emettere CO2 per avere
45:24
SPEAKER_01: un piccolo miglioramento delle performance?
45:27
SPEAKER_01: Non abbiamo ancora una risposta chiara.
45:29
SPEAKER_01: Quello che è venuto fuori, ripeto,
45:30
SPEAKER_01: è che c'è un contrasto tra queste due dimensioni
45:33
SPEAKER_01: che apparentemente sembrano non ottimizzabili.
45:36
SPEAKER_01: Gli studi successivi che abbiamo fatto,
45:38
SPEAKER_01: e qui passerò poi la parola al dottor Giuseppe Spillo,
45:43
SPEAKER_01: sono proprio legati a tecniche alternative che possiamo andare a utilizzare proprio
45:47
SPEAKER_01: per riuscire a raggiungere questa ottimalità che apparentemente nei benchmark
45:51
SPEAKER_01: di partenza non c'è, non viene fuori.
45:55
SPEAKER_01: Ho terminato e grazie.
45:57
SPEAKER_03: Benissimo, grazie Cataldo Musso e sentiamo allora Giuseppe Spillo per l'ultima presentazione.
46:04
SPEAKER_02: Buonasera a tutti,
46:06
SPEAKER_02: mi presento,
46:06
SPEAKER_02: sono Giuseppe Spillo,
46:08
SPEAKER_02: sono attualmente a senista di ricerca postdoc presso l'Università di Bari e appunto
46:13
SPEAKER_02: in questa terza parte del webinar illustrerò le nostre ricerche.
46:20
SPEAKER_02: Le ricerche che abbiamo condotto negli anni scorsi per provare a migliorare
46:24
SPEAKER_02: il trade off tra emissioni e performance nell'ambito dei recommender system.
46:31
SPEAKER_02: Nella ricerca durante il mio dottorato mi sono principalmente occupato appunto
46:35
SPEAKER_02: di temi di raccomandazione con un particolare focus sull'utilizzo di
46:42
SPEAKER_02: Knowledge Graph,
46:43
SPEAKER_02: di grafi di conoscenza per adottire il tipo di raccomandazioni che vengono generate,
46:49
SPEAKER_02: anche sfruttando informazioni relative a contenuti multimediali.
46:53
SPEAKER_02: Possiamo pensare alla copertina di un film come contenuto informativo
46:59
SPEAKER_02: per capire ad esempio le tematiche del film e non solo.
47:04
SPEAKER_02: E ovviamente ho anche una seconda Una linea di ricerca molto importante
47:10
SPEAKER_02: per quanto riguarda l'AI sostenibile e green.
47:14
SPEAKER_02: E appunto questi concetti rientrano in questa direzione di ricerca.
47:21
SPEAKER_02: Sarò un po' più rapido sulla parte iniziale,
47:23
SPEAKER_02: perché sono contenuti già sufficientemente spiegati dai professori De Filippo
47:29
SPEAKER_02: e Musto.
47:31
SPEAKER_02: Abbiamo visto che Non sempre il trade-off tra l'accuratezza e
47:36
SPEAKER_02: le emissioni dei recommender system è favorevole,
47:40
SPEAKER_02: per cui vale la pena capire se è possibile
47:42
SPEAKER_02: in qualche modo migliorare questo trade-off,
47:45
SPEAKER_02: capire anche quali sono le principali tecniche.
47:48
SPEAKER_02: Noi ne abbiamo individuate due sostanziali.
47:52
SPEAKER_02: Le illustro molto brevemente, poi andiamo un po' più nel dettaglio.
47:55
SPEAKER_02: La prima consiste nel ridurre la quantità dei dati di training.
47:59
SPEAKER_02: L'idea è che ridurre la quantità dei dati di training implica ridurre il tempo
48:05
SPEAKER_02: con cui un algoritmo di AI viene...
48:08
SPEAKER_02: un modello di AI e un algoritmo di AI vengono addestrati.
48:11
SPEAKER_02: Questo ovviamente implica meno consumi energetici e quindi meno...
48:16
SPEAKER_02: Meno emissioni.
48:17
SPEAKER_02: Dall'altro lato possiamo anche pensare di fermare l'addestramento del modello di AI
48:24
SPEAKER_02: quando abbiamo una sufficiente accuratezza,
48:28
SPEAKER_02: e capire meglio in che modo,
48:30
SPEAKER_02: in modo da non dover necessariamente addestrare inutilmente l'algoritmo,
48:35
SPEAKER_02: poiché quell'addestramento aggiuntivo non porterebbe eccessivo miglioramento nelle
48:40
SPEAKER_02: performance e soprattutto aumenterebbe comunque la quantità di CO2 emessa.
48:46
SPEAKER_02: Quindi appunto iniziamo con l'analisi della nostra ricerca sulle tecniche
48:50
SPEAKER_02: di data reduction, vengono così chiamate, per migliorare questo trailer.
48:57
SPEAKER_02: Piccolissimo passo indietro,
48:58
SPEAKER_02: dobbiamo pensare che un algoritmo di raccomandazione possa essere addestrato
49:02
SPEAKER_02: in maniera abbastanza analoga a quello che potrebbe essere l'addestramento di un
49:08
SPEAKER_02: Un modello che deve riconoscere, deve distinguere i cani dai gatti.
49:13
SPEAKER_02: Più immagini di cani e più immagini di gatti sottoponiamo all'algoritmo di AI,
49:17
SPEAKER_02: meglio l'algoritmo di AI sarà in grado di distinguere appunto cani e gatti.
49:23
SPEAKER_02: I sistemi di raccomandazione funzionano bene o male allo stesso modo,
49:26
SPEAKER_02: solo che anziché far vedere immagini di cane e gatti,
49:29
SPEAKER_02: facciamo vedere informazioni riguardo agli oggetti che ci interessano o
49:34
SPEAKER_02: che non ci interessano.
49:36
SPEAKER_02: Per cui abbiamo questa analogia.
49:38
SPEAKER_02: In particolare,
49:38
SPEAKER_02: i sistemi di raccomandazione sono definiti come una tecnologia data intensive,
49:43
SPEAKER_02: per cui più dati abbiamo,
49:45
SPEAKER_02: migliori sono le nostre performance,
49:47
SPEAKER_02: di contro si allungano i tempi di addestramento Aumenta la quantità totale
49:52
SPEAKER_02: di energia richiesta per addestramento e quindi aumentano anche le emissioni totali.
49:59
SPEAKER_02: Qui possiamo vedere un esempio di grafico in cui sull'asse delle X abbiamo
50:04
SPEAKER_02: la quantità di dati di training con cui addestriamo un modello,
50:08
SPEAKER_02: sull'asse delle Y abbiamo le performance del modello e qui possiamo vedere
50:14
SPEAKER_02: come ovviamente più dati abbiamo Migliori sono le performance,
50:19
SPEAKER_02: di contro si nota chiaramente che le prime quantità
50:23
SPEAKER_02: di dati sono quelle più informative,
50:27
SPEAKER_02: sono quelle che danno il grosso del contenuto,
50:29
SPEAKER_02: dell'informazione utile per l'addestramento,
50:32
SPEAKER_02: dopodiché si arriva a una sorta di plateau,
50:33
SPEAKER_02: quindi varrebbe la pena capire se sia possibile individuare uno spot
50:38
SPEAKER_02: in cui interrompere,
50:40
SPEAKER_02: in cui limitare la quantità di dati di training per ottenere buone performance
50:45
SPEAKER_02: e ovviamente tempi superiori.
50:47
SPEAKER_02: E quindi abbiamo applicato la stessa logica all'interno dei sistemi di raccomandazione.
50:52
SPEAKER_02: Supponendo di avere,
50:53
SPEAKER_02: in questo caso,
50:53
SPEAKER_02: un sistema di raccomandazione collaborativo in cui abbiamo due utenti e tre film,
50:59
SPEAKER_02: l'idea è quella di vedere cosa succede tagliando alcuni archi delle interazioni,
51:05
SPEAKER_02: quindi abbiamo meno informazioni sugli utenti,
51:08
SPEAKER_02: vediamo cosa succede Alle raccomandazioni,
51:11
SPEAKER_02: ci aspettiamo ovviamente che peggiorino le performance,
51:14
SPEAKER_02: ma vogliamo soprattutto vedere
51:16
SPEAKER_02: se questo eventuale peggioramento delle performance viene bilanciato da
51:19
SPEAKER_02: una drastica diminuzione delle emissioni.
51:23
SPEAKER_02: Nei nostri studi abbiamo considerato diverse tecniche di data reduction.
51:29
SPEAKER_02: Le menziono per chi fosse interessato, ma vedremo la più semplice di tutte.
51:33
SPEAKER_02: Abbiamo
51:36
SPEAKER_02: Un sampling,
51:38
SPEAKER_02: una riduzione del tutto randomica
51:39
SPEAKER_02: per cui casualmente alcune interazioni vengono eliminate.
51:44
SPEAKER_02: Viene eliminato il fatto che a me possa piacere un determinato film e che
51:47
SPEAKER_02: a un'altra persona ne possa piacere un altro.
51:50
SPEAKER_02: Una seconda tecnica consiste nel mantenere solo gli ultimi rating,
51:54
SPEAKER_02: quindi ad esempio una piattaforma di raccomandazione di film che mantiene
52:00
SPEAKER_02: le informazioni relative solo agli ultimi, esempio 100 film che ho visto.
52:04
SPEAKER_02: Oppure mantenere informazioni,
52:06
SPEAKER_02: terza strategia,
52:07
SPEAKER_02: mantenere le informazioni riguardo alle interazioni a partire da una certa data.
52:11
SPEAKER_02: Piattaforma X che decide di non considerare tutte le interazioni,
52:16
SPEAKER_02: tutti i film che ho visto prima del, non so,
52:20
SPEAKER_02: primo settembre, una data a caso, quindi solo gli ultimi 40 giorni in questo caso.
52:26
SPEAKER_02: In questa presentazione ci concentriamo solo sulla più semplice,
52:30
SPEAKER_02: anche perché è la più intuitiva,
52:31
SPEAKER_02: semplicemente a caso Eliminiamo alcune interazioni e vediamo che cosa succede.
52:38
SPEAKER_02: In questo grafico mostriamo che succede al trade-off
52:43
SPEAKER_02: tra l'accuratezza sull'asse delle X e le emissioni sull'asse delle Y.
52:47
SPEAKER_02: Abbiamo preso quattro modelli sufficientemente rappresentativi delle varie
52:51
SPEAKER_02: categorie, prima illustrate dal professor Musto,
52:57
SPEAKER_02: Abbiamo addestrato questi quattro algoritmi di AI a quantità diverse di dati
53:03
SPEAKER_02: di training,
53:04
SPEAKER_02: prima considerando solo il 20%, e poi aggiungendo 20% a volta arriviamo al 100%.
53:11
SPEAKER_02: Come potevamo immaginare,
53:13
SPEAKER_02: effettivamente,
53:14
SPEAKER_02: man mano che aumentano i dati di training,
53:16
SPEAKER_02: o meglio,
53:16
SPEAKER_02: man mano che diminuiscono i dati di training,
53:19
SPEAKER_02: effettivamente anche l'accuratezza diminuisce.
53:22
SPEAKER_02: L'LDCG è una metrica che ci dice quanto è buono un algoritmo a
53:28
SPEAKER_02: Rimaniamo nell'ambito dei film,
53:29
SPEAKER_02: mettere nei primi cinque film suggeriti,
53:31
SPEAKER_02: film che effettivamente ci interessano,
53:33
SPEAKER_02: noi vediamo che man mano che la quantità di dati di training diminuisce,
53:37
SPEAKER_02: l'NDCG è sempre più basso e si avvicina sempre di più a zero.
53:40
SPEAKER_02: Di contro anche le emissioni sono significativamente superiori.
53:44
SPEAKER_02: Passiamo da più di 100 grammi,
53:46
SPEAKER_02: ad esempio, per un modello come DGCF, siamo intorno ai 170, forse sei, 500 grammi.
53:54
SPEAKER_02: Nel caso di...
53:56
SPEAKER_02: Se si utilizzi l'intero dataset di training,
53:59
SPEAKER_02: arriviamo a poco più di 50 grammi quando viene utilizzato solo il 20%.
54:04
SPEAKER_02: Per cui abbiamo una significativa riduzione dell'accuratezza,
54:07
SPEAKER_02: ma questo era in qualche modo un dato,
54:11
SPEAKER_02: un risultato aspettato,
54:13
SPEAKER_02: perché sappiamo, essendo i recommender system, Tecnologia Data Intensive.
54:19
SPEAKER_02: Più da li abbiamo, meglio funzionano.
54:21
SPEAKER_02: Ciò che è interessante, invece,
54:22
SPEAKER_02: vedere che succede quando ha le metriche di Beyond Accuracy,
54:26
SPEAKER_02: che aveva introdotto la professoressa De Filipe.
54:28
SPEAKER_02: Per esempio, in questo caso, valutiamo la popolarità media delle raccomandazioni.
54:34
SPEAKER_02: Effettivamente, notiamo un miglioramento di questa metrica.
54:38
SPEAKER_02: Questa metrica Ci dice quanto sono popolari i film, ad esempio, che vengono suggeriti.
54:45
SPEAKER_02: E ovviamente suggerire sempre solo film popolari può presentare diverse
54:49
SPEAKER_02: problematiche,
54:50
SPEAKER_02: perché magari non si riesce a beccare una determinata nicchia
54:53
SPEAKER_02: di utenti non interessati ai film popolari.
54:56
SPEAKER_02: E ovviamente questo anche il lato produttori di film potrebbe essere un problema,
55:00
SPEAKER_02: perché a questo punto avrebbe senso fare solo film molto simili
55:05
SPEAKER_02: a quelli già popolari.
55:07
SPEAKER_02: Per cui cercare di diminuire questo tipo di problema,
55:10
SPEAKER_02: che appunto viene chiamato popularity bias,
55:13
SPEAKER_02: all'interno della comunità dei recommender system è sempre stata una sfida,
55:17
SPEAKER_02: in parte ancora aperta, è sempre stato comunque un tema molto sentito.
55:22
SPEAKER_02: In questa ricerca abbiamo osservato un dato molto molto interessante,
55:26
SPEAKER_02: o quasi come side effect,
55:27
SPEAKER_02: quasi come effetto collaterale,
55:29
SPEAKER_02: abbiamo visto che Riducendo la quantità dei dati di training,
55:33
SPEAKER_02: la popolarità media delle raccomandazioni diminuisce e questo è sicuramente
55:37
SPEAKER_02: un ottimo dato anche in ottica sostenibilità,
55:40
SPEAKER_02: poiché questo è direttamente collegato ai temi di sostenibilità,
55:43
SPEAKER_02: ai pillar di sostenibilità sociale ed economica.
55:47
SPEAKER_02: Infatti,
55:47
SPEAKER_02: giusto per tirare le somme per quanto riguarda questa strategia,
55:51
SPEAKER_02: abbiamo osservato una riduzione dell'emissione di CO2 in qualche modo aspettata,
55:55
SPEAKER_02: questo in linea con i goal di sostenibilità.
55:58
SPEAKER_02: I goal di sostenibilità sono definiti dall'agenda di sostenibilità,
56:03
SPEAKER_02: ci dice cosa dovremmo raggiungere degli obiettivi un po' più pratici
56:09
SPEAKER_02: per ottenere dei
56:21
SPEAKER_02: Abbiamo notato che ridurre la CO2 va incontro a tre gol di sostenibilità,
56:27
SPEAKER_02: ovviamente l'efficienza energetica,
56:28
SPEAKER_02: il consumo responsabile e il cambiamento climatico, chiaramente.
56:32
SPEAKER_02: Abbiamo anche però osservato una diminuzione del bias di popolarità e questo è un altro
56:39
SPEAKER_02: Un altro goal di sostenibilità è il numero 10 che riguarda appunto
56:41
SPEAKER_02: la riduzione delle disuguaglianze.
56:44
SPEAKER_02: Tuttavia questo non basta poiché non siamo riusciti a dare una risposta definitiva
56:49
SPEAKER_02: su come migliorare questo tradeoff.
56:52
SPEAKER_02: Lo spot ideale A cui prima faceva menzione
56:55
SPEAKER_02: il professor Musto rimane ancora non raggiunto poiché abbiamo dovuto sacrificare
57:00
SPEAKER_02: molta accuratezza per ottenere molta riduzione di CO2.
57:04
SPEAKER_02: Quindi dipende,
57:07
SPEAKER_02: qui si entra in una logica un po' più complessa,
57:09
SPEAKER_02: abbiamo bisogno di considerare diversi aspetti tutti allo stesso tempo.
57:12
SPEAKER_02: Oppure dobbiamo considerare altri tipi di trade off.
57:16
SPEAKER_02: Per esempio sono un'azienda che necessita un'accuratezza maggiore anche Un discapito
57:24
SPEAKER_02: di emissioni maggiori,
57:25
SPEAKER_02: oppure ho più bisogno di diminuire il bias di popolarità,
57:29
SPEAKER_02: per cui mi sta molto bene diminuire l'accuratezza e di conseguenza anche
57:33
SPEAKER_02: le emissioni.
57:34
SPEAKER_02: Tutto questo tipo di logiche sono complesse Ma ovviamente molto interessanti
57:40
SPEAKER_02: perché rientrano nella complessità del mondo reale,
57:43
SPEAKER_02: ma non possono essere,
57:45
SPEAKER_02: non possono avere una risposta univoca e vanno considerate appunto,
57:48
SPEAKER_02: vanno analizzate caso per caso.
57:50
SPEAKER_02: Questo chiude un po' la nostra ricerca su per quanto riguarda la data redaction.
57:54
SPEAKER_02: Qui potete trovare i QR code e anche le reference ai due nostri lavori
58:00
SPEAKER_02: in cui abbiamo ampiamente sviscerato questi questi temi e appunto trovate tutti
58:04
SPEAKER_02: i risultati anche relativi alle altre tecniche di data redaction.
58:09
SPEAKER_02: Passando invece alla seconda tematica di questa presentazione,
58:13
SPEAKER_02: abbiamo ciò che abbiamo definito GES,
58:17
SPEAKER_02: ovvero un Green Early Stop,
58:19
SPEAKER_02: per stoppare,
58:21
SPEAKER_02: per fermare l'addestramento di un modello di raccomandazione in maniera sostenibile.
58:27
SPEAKER_02: Che cosa significa?
58:28
SPEAKER_02: Allora, fondamentalmente,
58:30
SPEAKER_02: quando noi addestriamo un qualunque modello,
58:33
SPEAKER_02: un qualunque algoritmo di AI,
58:34
SPEAKER_02: dobbiamo pensare al modello di AI che sta Imparando dai dati.
58:40
SPEAKER_02: Per imparare dai dati ha bisogno di leggerli tutti.
58:42
SPEAKER_02: Immaginiamo uno studente di scuola che legge una pagina di un libro per capire,
58:46
SPEAKER_02: per capire i concetti.
58:48
SPEAKER_02: Bene, le AI fanno una cosa abbastanza simile.
58:51
SPEAKER_02: Leggono più e più volte tutta la quantità di training che hanno a disposizione
58:56
SPEAKER_02: e ogni lettura completa si chiama epoca.
59:00
SPEAKER_02: Teoricamente più epoche Vengono utilizzate per l'addestramento,
59:04
SPEAKER_02: quindi più volte l'intero dataset viene sottoposto all'analisi del modello di AI,
59:10
SPEAKER_02: meglio il modello di AI impara dai dati.
59:12
SPEAKER_02: Tuttavia,
59:13
SPEAKER_02: qui possiamo vedere in questo grafico,
59:18
SPEAKER_02: sull'asse delle X abbiamo il numero di epoche di addestramento,
59:21
SPEAKER_02: su quello delle Y invece abbiamo una metrica che ci dice quanto il modello
59:26
SPEAKER_02: di AI sta imparando a partire dai dati.
59:29
SPEAKER_02: Qui possiamo vedere che
59:33
SPEAKER_02: In questo caso, trattandosi di una metrica di errore, teoricamente più basso è meglio.
59:39
SPEAKER_02: Qui possiamo vedere come,
59:40
SPEAKER_02: raggiunto una certa quantità di
59:45
SPEAKER_02: accuratezza o comunque di errore nel rating,
59:50
SPEAKER_02: Arriviamo anche questa volta a una sorta di plateau,
59:53
SPEAKER_02: quindi esiste un punto successivo al quale il modello di IAI non impara più bene
1:00:01
SPEAKER_02: come imparava prima.
1:00:02
SPEAKER_02: Allora qui viene l'intuizione.
1:00:04
SPEAKER_02: Questo punto può essere in qualche modo collegato alle emissioni
1:00:10
SPEAKER_02: che stiamo generando,
1:00:11
SPEAKER_02: questo perché sottoporre l'intero dataset
1:00:13
SPEAKER_02: di addestramento ogni volta richiede quantità,
1:00:17
SPEAKER_02: richiede elettricità e quindi richiede anche generazione di emissioni.
1:00:23
SPEAKER_02: Per cui vogliamo capire,
1:00:24
SPEAKER_02: possiamo in qualche modo individuare il punto entro il quale i miglioramenti
1:00:28
SPEAKER_02: di questa metrica che si chiama Validation non sono più così evidenti
1:00:32
SPEAKER_02: da giustificare l'incremento delle emissioni e quindi
1:00:37
SPEAKER_02: per questo abbiamo sviluppato questo GESS, questo Green Ring Stop.
1:00:41
SPEAKER_02: L'idea è quella di portare le informazioni relative alle performance all'interno
1:00:46
SPEAKER_02: del meccanismo di early stop,
1:00:47
SPEAKER_02: quindi del meccanismo di blocco anticipato del processo di training.
1:00:53
SPEAKER_02: L'idea è quella di,
1:00:54
SPEAKER_02: qui entriamo un attimo nel tecnico,
1:00:56
SPEAKER_02: l'idea è quella di calcolare un rapporto che chiamiamo accuracy emission ratio.
1:01:01
SPEAKER_02: Vediamo in sostanza quanto la metrica di validation sta migliorando rispetto
1:01:07
SPEAKER_02: a quante emissioni stiamo producendo sempre di più man mano che
1:01:10
SPEAKER_02: il training va avanti.
1:01:13
SPEAKER_02: Se questo rapporto è sfavorevole,
1:01:16
SPEAKER_02: ed è sfavorevole per tanto tempo consecutivo,
1:01:20
SPEAKER_02: significa che non stiamo più addestrando in maniera efficace, in maniera efficiente.
1:01:25
SPEAKER_02: Ovvero stiamo sprecando un sacco di CO2,
1:01:28
SPEAKER_02: ma non stiamo effettivamente imparando nulla rispetto a quanta CO2 stiamo generando
1:01:34
SPEAKER_02: e quindi blocchiamo l'addestramento.
1:01:36
SPEAKER_02: Qui possiamo vedere modelli,
1:01:38
SPEAKER_02: diversi algoritmi di AI che sono bene o male
1:01:40
SPEAKER_02: gli stessi introdotti prima dal professor Musto.
1:01:43
SPEAKER_02: Possiamo vedere il confronto in questo grafico tra la quantità di CO2 emessa
1:01:47
SPEAKER_02: quando nessun meccanismo di Green Early Stop è applicato,
1:01:52
SPEAKER_02: le barre in rosso,
1:01:53
SPEAKER_02: invece quando un meccanismo di Early Stop è applicato, le barre in verde.
1:01:57
SPEAKER_02: Qui possiamo vedere ad esempio che I due modelli che emettono di più,
1:02:00
SPEAKER_02: che sono DGCF e Light GCN,
1:02:02
SPEAKER_02: bene o male ritornano sempre loro,
1:02:05
SPEAKER_02: hanno una significativa diminuzione delle emissioni.
1:02:09
SPEAKER_02: Passiamo da 100 grammi a circa 10 per DGCF e da 15 grammi a circa 1,5 per Light GCN.
1:02:17
SPEAKER_02: Vale per gli altri modelli, per gli altri algoritmi.
1:02:20
SPEAKER_02: Quindi siamo effettivamente riusciti a diminuire le emissioni,
1:02:23
SPEAKER_02: però ovviamente questo ha un costo,
1:02:25
SPEAKER_02: ovvero in termini di accuratezza,
1:02:28
SPEAKER_02: poiché abbiamo stoppato il training,
1:02:31
SPEAKER_02: abbiamo tolto il libro allo studente in un certo senso ed abbiamo chiesto, bene,
1:02:35
SPEAKER_02: ora prova a dirci quello che sai,
1:02:37
SPEAKER_02: anche se hai letto, Meno volte di quanto avresti voluto.
1:02:41
SPEAKER_02: Ovviamente questo ha un impatto sulle performance dei singoli algoritmi,
1:02:44
SPEAKER_02: anche se, dobbiamo dire, non tutti gli algoritmi rispondono alla stessa maniera.
1:02:48
SPEAKER_02: Ci sono alcuni modelli,
1:02:49
SPEAKER_02: alcuni algoritmi che sono le lineette orizzontali,
1:02:52
SPEAKER_02: per esempio accanto a BPR o anche a KGNNLS,
1:02:57
SPEAKER_02: questi algoritmi rispondono particolarmente bene al GES,
1:03:02
SPEAKER_02: Al green early stop,
1:03:04
SPEAKER_02: poiché non perdono quasi per nulla accuratezza a fronte di
1:03:08
SPEAKER_02: una significativa riduzione delle emissioni.
1:03:11
SPEAKER_02: A questo QR code potete provare la ricerca,
1:03:14
SPEAKER_02: in cui abbiamo sviscerato anche molto più approfonditamente questi risultati,
1:03:19
SPEAKER_02: portando anche l'impatto della stessa tecnica su altre metriche.
1:03:24
SPEAKER_02: Anche in questo caso abbiamo osservato una riduzione in termini di CO2,
1:03:27
SPEAKER_02: quindi di nuovo stiamo raggiungendo i gol di sostenibilità,
1:03:31
SPEAKER_02: 7 sull'efficienza energetica,
1:03:34
SPEAKER_02: 12 sul consumo responsabile,
1:03:35
SPEAKER_02: 13 sui cambiamenti climatici, tuttavia abbiamo perso accuratezza.
1:03:40
SPEAKER_02: Quindi di nuovo non abbiamo una risposta univoca,
1:03:43
SPEAKER_02: ma va considerato quasi sempre caso per caso e soprattutto in base
1:03:47
SPEAKER_02: al contesto corrente,
1:03:48
SPEAKER_02: se ho bisogno più di accuratezza o più di essere efficiente dal punto
1:03:53
SPEAKER_02: di vista delle emissioni,
1:03:55
SPEAKER_02: oppure magari un'ulteriore dimensione di complessità potrebbe essere se Ho
1:04:01
SPEAKER_02: un target massimo di emissioni che posso generare.
1:04:04
SPEAKER_02: A quel punto potrei scegliere l'algoritmo che risponde meglio al GES o quello
1:04:09
SPEAKER_02: che risponde meglio alle strategie di data redaction.
1:04:12
SPEAKER_02: Infatti,
1:04:13
SPEAKER_02: per chiudere anche questa terza PAP abbiamo visto che sia la data redaction che
1:04:19
SPEAKER_02: il green early stock possono essere in qualche modo dei meccanismi che migliorano
1:04:23
SPEAKER_02: il trade off,
1:04:24
SPEAKER_02: però Da un lato abbiamo meno bias ma meno accuratezza,
1:04:29
SPEAKER_02: dall'altro abbiamo meno emissioni ma meno accuratezza e il miglior trade-off
1:04:33
SPEAKER_02: in assoluto è fortemente dipendente dallo scenario corrente
1:04:37
SPEAKER_02: e quindi dobbiamo sensibilizzare la comunicazione.
1:04:40
SPEAKER_02: Bene, con questo chiudo il mio intervento e passo la parola a voi.
1:05:09
SPEAKER_03: Grazie mille anche a Giuseppe Spillo.
1:05:12
SPEAKER_03: A questo punto misurare l'impronta di carbonio del software,
1:05:16
SPEAKER_03: questo era il tema di cui abbiamo parlato ed era nelle attività
1:05:22
SPEAKER_03: di terza missione promosse da Stroncatore in collaborazione col Dipartimento
1:05:25
SPEAKER_03: di Informatica dell'Università di Studi di Bari Aldomoro nel quadro del progetto
1:05:29
SPEAKER_03: di Public Engagement Unibar 2030, Intelligenza Artificiale e Sostenibilità.
1:05:34
SPEAKER_03: Allora ringrazio gli autori delle tre presentazioni che hanno toccato anche se
1:05:44
SPEAKER_03: in maniera tecnica sicuramente un tema che ci riguarda tutti nel presente
1:05:50
SPEAKER_03: e nel futuro.
1:05:51
SPEAKER_03: La professoressa Allegra di Filippo Buona serata e buon weekend a voi.
1:05:54
SPEAKER_03: Buona serata.