Glossario, definizioni e terminologia
| Termine | Definizione |
|---|---|
| Bias (Generale) | Errori sistematici nei sistemi AI che possono portare a risultati ingiusti o discriminatori, spesso riflettendo pregiudizi sociali presenti nei dati di addestramento o nella progettazione dell'algoritmo. |
| Bias (Rete Neurale) | Un bias è uno dei parametri interni chiave delle reti neurali, insieme ai pesi. Consente al neurone di essere più o meno attivato per un dato insieme di input e pesi. |
| Carbon Free Energy (CFE) | Percentuale di energia rinnovabile utilizzata in proporzione al totale dell'energia consumata. |
| Carbon Intensity | L'intensità carbonica è una misura di quanto sia pulita l'elettricità. Si riferisce a quanti grammi di anidride carbonica (CO₂) vengono rilasciati per produrre un kilowattora (kWh) di elettricità. |
| CNN (Convolutional Neural Network) | Tipo di rete neurale utilizzata principalmente per il riconoscimento e l'elaborazione delle immagini. |
| CO₂e | Equivalente di anidride carbonica — utilizzato per contabilizzare altri gas serra come metano, NO₂, ecc. |
| Compressione | Insieme di tecniche nel machine learning che riducono le dimensioni e la complessità computazionale di un modello mantenendone o migliorandone le prestazioni. Serve a rendere il modello più piccolo ed efficiente. |
| Context Window | Nei LLM, il numero di token di input che un modello può gestire simultaneamente durante l'inferenza. Include l'input utente, i file e la cronologia delle conversazioni. |
| CSRD | Corporate and Sustainability Reporting Directive. Normativa UE che impone la rendicontazione delle emissioni di carbonio per le grandi aziende (oltre 1.000 dipendenti) che operano in Europa. |
| CV (Computer Vision) | Campo dell'AI che addestra i computer a interpretare e comprendere il mondo visivo. |
| Demand Shaping | La definizione generale è ereditata dalle strategie di supply chain che prevedono di influenzare la domanda dei clienti per adeguarla all'offerta dell'azienda. Nel contesto della sostenibilità, significa modificare il comportamento del prodotto in base all'intensità carbonica della rete elettrica — ad esempio, fornire raccomandazioni meno intensive dal punto di vista computazionale quando la rete dell'utente è "sporca". |
| Distillazione | Tecnica che si concentra sul trasferimento di conoscenza da un modello grande, detto "teacher", a un modello più piccolo ed efficiente, detto "student". Condividendo etichette soft o rappresentazioni intermedie, i modelli più piccoli diventano più veloci, economici ed efficienti dal punto di vista energetico. |
| DL (Deep Learning) | Sottocampo del ML che utilizza reti neurali artificiali con più livelli per apprendere da grandi quantità di dati. Apprendimento automatico mediante reti neurali multi-livello. |
| Emissioni Incorporate (Embodied Emissions) | Quantità di inquinamento da carbonio emesso durante la produzione e lo smaltimento di un dispositivo. |
| AI Edge Computing | Combinazione di intelligenza artificiale e edge computing per elaborare dati localmente sui dispositivi. Ciò consente un'elaborazione più rapida, una latenza ridotta e una maggiore protezione della privacy. |
| Federated Learning | Il Federated Learning mira ad addestrare un algoritmo di machine learning, ad esempio reti neurali profonde, su più dataset locali contenuti in nodi locali senza scambiare esplicitamente campioni di dati. Ogni nodo costruisce il proprio modello locale utilizzando i dati a disposizione e scambia periodicamente i parametri del modello (come pesi e bias) per combinarli in un modello globale condiviso accessibile a tutti i nodi. In altri termini, è un paradigma di apprendimento distribuito che prioritizza la privacy dei dati mantenendoli locali su ogni dispositivo. Ciò limita il training del modello e riduce i tempi di elaborazione. |
| Fine-Tuning | Processo di regolazione dei parametri di un modello per migliorarne le prestazioni. |
| Sistemi AI frugali | Sistemi AI progettati per ridurre il fabbisogno complessivo di risorse materiali ed energetiche e i relativi impatti ambientali, ridefinendo i requisiti di utilizzo o prestazione, o reindirizzando le necessità (General Framework for Frugal AI, 2024). |
| Gen AI (Generative AI) | Sistemi AI in grado di creare nuovi contenuti — inclusi testo, immagini, codice e altro — basandosi sui propri dati di addestramento. |
| GHG | Gas Serra (GreenHouse Gas). |
| GreenHouse Gas Protocol | Lo standard di contabilizzazione dei gas serra più diffuso e riconosciuto a livello internazionale. Suddivide le emissioni in 3 categorie principali: Scope 1, 2 e 3. |
| GPU (Graphics Processing Unit) | Processore specializzato originariamente progettato per la grafica computerizzata, ora ampiamente utilizzato nell'AI per l'elaborazione parallela. |
| Green IT | Il "Green IT" si riferisce alla progettazione, all'uso, allo smaltimento e al riciclo dei prodotti e sistemi informatici in modo ambientalmente responsabile. Il Sustainable Cloud indica il consumo di servizi cloud in modo sostenibile, per minimizzarne l'impatto ambientale. Include: • Infrastruttura e gestione dei data center • Servizi digitali in esecuzione su questa infrastruttura • Modalità di sviluppo, progettazione, deployment e gestione operativa di tali servizi. |
| Allucinazioni | Quando un modello AI genera output fluente e apparentemente plausibile, ma fattualmente scorretto o privo di senso. |
| IaC | Infrastructure as Code. |
| Inferenza | L'inferenza AI è una fase del ciclo di vita di un modello AI successiva alla fase di addestramento. È il processo mediante il quale un modello addestrato applica i pattern appresi a dati nuovi e mai visti per generare previsioni, insight o decisioni. Consente all'AI di ragionare e trarre conclusioni al di là dei dati di training, simulando il riconoscimento di pattern e il processo decisionale tipici dell'essere umano. |
| LLM | I Large Language Model sono un tipo di algoritmo AI che utilizza tecniche di deep learning e dataset massivi per comprendere, riassumere, generare e prevedere nuovi contenuti. Questi modelli hanno aumentato in modo drastico la quantità di dati utilizzati per il training e l'inferenza rispetto ai modelli linguistici precedenti (definizione tratta da: "Building Green Software"). |
| ML (Machine Learning) | Sottocampo dell'AI che si concentra su algoritmi in grado di apprendere dai dati e formulare previsioni o decisioni basandosi su di essi. |
| Training del modello | Alimentare un algoritmo di Machine Learning con dati e apprenderne gli attributi ottimali sulla base di un risultato desiderato. |
| NLP (Natural Language Processing) | Ramo dell'AI che si occupa dell'interazione tra computer ed esseri umani attraverso il linguaggio naturale. |
| NN (Neural Network) | Sistema computazionale ispirato alle reti neurali biologiche del cervello. |
| OKR | Objective and Key Results. Framework che consente alle organizzazioni di eseguire e raggiungere le strategie desiderate attraverso una definizione degli obiettivi semplice e collaborativa. |
| Prompt Compression | La compressione del prompt è il processo di riduzione della lunghezza di un prompt di input mantenendo le informazioni essenziali necessarie affinché un modello linguistico possa comprendere e generare una risposta pertinente. |
| Pruning | Tecnica utilizzata per ridurre le dimensioni di un modello di deep learning. Può migliorare l'efficienza del modello e velocizzare l'inferenza. Fare pruning di una rete equivale a rimuovere i parametri inutilizzati da una rete sovra-parametrizzata. Consiste nella rimozione delle connessioni di peso per aumentare la velocità di inferenza e ridurre lo spazio di archiviazione del modello, consentendo così il deployment di modelli significativamente più piccoli e veloci, con un impatto minimo (e in alcuni casi positivo) su metriche come l'accuratezza. |
| PUE | Power Usage Effectiveness — Efficienza nell'uso dell'energia. |
| Quantizzazione | Tecnica per ridurre i costi computazionali e di memoria dell'inferenza, rappresentando pesi e attivazioni con tipi di dati a bassa precisione come interi a 8 bit anziché i consueti numeri in virgola mobile a 32 bit. Ridurre il numero di bit significa che il modello risultante richiede meno spazio di archiviazione, consuma meno energia (in teoria) e le operazioni come la moltiplicazione di matrici possono essere eseguite molto più rapidamente. |
| RAG (Retrieval-Augmented Generation) | Tecnica AI che migliora i modelli linguistici recuperando informazioni pertinenti da una base di conoscenza per generare risposte più accurate e contestualizzate. |
| RL (Reinforcement Learning) | Area del ML in cui un agente impara a prendere decisioni interagendo con un ambiente. |
| RNN (Recurrent Neural Network) | Tipo di NN in cui le connessioni tra nodi formano un grafo diretto lungo una sequenza temporale, utilizzata per compiti come il riconoscimento vocale. |
| SaaS | Software as a Service. |
| SBTi | Science Based Targets initiative. Organismo che definisce e promuove le best practice nella definizione di obiettivi basati sulla scienza. Ad esempio, la creazione degli standard per il net zero. |
| SCI | Software Carbon Intensity. Lo SCI è il rapporto tra le emissioni totali e un'unità funzionale rappresentativa del software stesso. Permette di normalizzare e confrontare più facilmente software simili. Include le emissioni incorporate e non include le compensazioni di carbonio. SCI = (E × I) + M / R • E è il consumo energetico del componente software • I è il fattore di intensità carbonica della rete elettrica che alimenta il data center (o la regione del cloud provider) • M sono le emissioni incorporate dell'hardware su cui viene eseguito il programma AI: produzione e fine vita. M è calcolato in time-share e resource-share, il che significa che si contabilizza solo il tempo in cui il software è in esecuzione sul server e la percentuale di risorse che sta consumando • R è l'Unità Funzionale, che corrisponde a come il software scala — ad esempio: numero di utenti, numero di chiamate API, numero di inferenze • Maggiori informazioni sullo SCI sono disponibili (link: https://sci.greensoftware.foundation/ text: qui). |
| Sufficienza | Insieme di misure e pratiche quotidiane che evitano la domanda di energia, materiali, terra e acqua, fornendo benessere umano per tutti entro i confini planetari (IPCC, Mitigation of Climate Change, 2022). |
| Transfer Learning | Il Transfer Learning (TL) è una tecnica ML in cui un modello pre-addestrato su un compito viene ottimizzato per un nuovo compito correlato, risparmiando enormi quantità di elaborazione e calcolo. Addestrare un nuovo modello ML è un processo dispendioso in termini di tempo e risorse, che richiede una grande quantità di dati, potenza di calcolo e diverse iterazioni prima di essere pronto per la produzione. |
| Token e Tokenizzazione | Data una sequenza di caratteri e un'unità documentale definita, la tokenizzazione è il compito di suddividerla in pezzi, chiamati token, possibilmente scartando contemporaneamente alcuni caratteri, come la punteggiatura. |
| TPU (Tensor Processing Unit) | ASIC acceleratore AI (Application-Specific Integrated Circuit) sviluppato da Google per il machine learning con reti neurali. |
| Transformer | Tipo di architettura di rete neurale che utilizza meccanismi di auto-attenzione, consentendo di elaborare dati sequenziali (come il linguaggio) in modo molto efficace. Costituisce la base di molti modelli NLP moderni, inclusi gli LLM. |
| Pesi | Parametri numerici delle connessioni in una rete neurale. |
| WUE | Water Usage Effectiveness — Efficienza nell'uso dell'acqua. |
Fonti: (link: https://maven.com/it-climate-ed/sustainable-ai/ text: Pascal Joly), Hugging Face, AWS, NLP Stanford, (link: https://learn.greensoftware.foundation/glossary/ text: Green Software Foundation), NationalGrid (e altri)