Utilizzare l’AI per l’efficientamento energetico può sembrare un ossimoro: non è un mistero, infatti, che alcuni modelli di intelligenza artificiale siano particolarmente energivori. Usarli per migliorare l’efficienza, quindi, potrebbe sollevare alcuni dubbi, non tanto sugli aspetti economici quanto sulla tematica ambientale. In realtà il tema ha sfaccettature più profonde: in estrema sintesi non possiamo ascrivere come energivora l’AI nella sua interezza.
AI per l’efficientamento energetico: non chiamiamola GPT
Nell’ultimo anno si è fatto un gran parlare dei consumi, spesso irragionevoli, dell’AI generativa. Un tema così serio che l’IEEE (Institute of Electrical and Electronics Engineers, un punto di riferimento storico per l’elettronica e l’elettrotecnica) parla addirittura di un problema strutturale e del bisogno di trovare un nuovo approccio all’energia.
“Il problema è reale e l’obiezione assolutamente corretta – spiega Andrea Ferrazzi, Chief Security & Innovation Officer di Maticmind – ma bisogna sottolineare che riguarda un momento specifico dell’intelligenza artificiale, la parte di addestramento, ed in particolare quello di un Large Language Model come i GPT, Generative Pre-trained Transformer, ed il suo funzionamento”.
Non tutti i modelli di intelligenza artificiale, insomma, sono energivori come i GPT che, come spiega IEEE, possono arrivare a consumare per una singola interazione la stessa energia di una lampadina a LED accesa per un’ora.
L’uso dell’AI per l’efficientamento energetico, in particolare sei il fine è la sostenibilità e non il semplice risparmio economico, deve tenerne conto. Tuttavia, ricorda Ferrazzi, i modelli utilizzati da Maticmind nella ricerca sono più semplici, specializzati e con un consumo ridotto. Il tema principale, in ogni caso, è quello che coinvolge maggiormente gli addetti ai lavori: distinguere i diversi modelli di IA e capire quali sono più adatti e sostenibili per ogni scopo.
Strumenti a supporto dell’energy saving
La ricerca per Maticmind è partita da un bisogno pratico e da un obiettivo preciso: monitorare il building degli uffici di un cliente per monitorare consumi e assorbimenti e attraverso l’IA, stabilire come ottimizzarli. “Per capire il livello di capillarità del progetto, abbiamo progettato un algoritmo che gestisce le tende plissettate delle finestre per contribuire a conservare la temperatura designata” racconta Ferrazzi.
Gli algoritmi utilizzati tuttavia non sono energivori come gli LLM e i GPT. “La base del nostro lavoro è l’acquisizione di dati, la definizione degli algoritmi e la successiva implementazione. Al di là di qualche uso sperimentale, gli algoritmi usati in produzione nascono dal machine learning” spiega ancora Ferrazzi. Algoritmi di questo tipo sono ampiamente utilizzati in ambito aziendale e industriale da diversi anni e, oltre ad essere ormai consistenti e consolidati, non presentano le stesse problematiche di consumo e risorse dei modelli generativi più noti.
Uso consapevole dell’intelligenza artificiale per l’efficientamento energetico
Pur facendo le dovute distinzioni fra i diversi modelli di intelligenza artificiale, Ferrazzi mette in guardia dall’assumere posizioni di principio. Anche gli LLM, infatti, possono trovare la loro collocazione in una filiera di efficientamento energetico. Questo nonostante il ragionamento fatto finora sia completamente valido. Come è possibile? “Nel campo del machine learning, la parte più problematica è la normalizzazione del dato, attività in cui gli LLM possono essere estremamente efficaci e completare un task in tempi molto più ridotti. Fornire agli analisti un LLM di supporto può condurre a livelli di ottimizzazione impensabili con gli strumenti tradizionali” commenta Ferrazzi.
Bisogna, insomma, capire se questa soluzione può essere più efficiente e meno energivora rispetto alle soluzioni tradizionali. Insomma, “non sono mondi antitetici per definizione”.
Le ricerche effettuate da Maticmind confermano una delle regole d’oro della progettualità complessa: non esiste una formula sempre valida e applicabile ma bisogna effettuare le valutazioni caso per caso, sulla base delle specificità di ogni singolo progetto.
“Occorre fare le dovute valutazioni, sulla base degli obiettivi del progetto, delle specificità del contesto e della qualità del dato iniziale” conclude Ferrazzi. Per ogni progetto, occorre valutare costi, economici energetici, delle diverse soluzioni possibili e fare le opportune valutazioni del caso, con consapevolezza.
