Course Syllabus
Obiettivi
(DdD 1) Conoscenza e capacità di comprensione
Al termine del corso, lo studente sarà in grado di:
- Descrivere i principi fondamentali del green computing, comprese le motivazioni etiche, ambientali ed economiche alla base della sostenibilità in ambito informatico.
- Conoscere le principali tecniche di data science e intelligenza artificiale orientate all'efficienza energetica e alla sostenibilità.
(DdD 2) Capacità di applicare conoscenza e comprensione
Al termine del corso, lo studente sarà in grado di:
- Condurre analisi del ciclo di vita (Life Cycle Assessment, LCA) delle risorse informatiche, identificando impatti ambientali e possibili ottimizzazioni.
(DdD 3) Autonomia di giudizio
Durante il corso, lo studente svilupperà la capacità di:
- Valutare criticamente soluzioni informatiche esistenti in termini di impatto ambientale e proporre strategie migliorative basate su dati e metriche.
- Redigere report o brevi saggi tecnici in cui esprime con rigore il proprio giudizio sul bilancio tra prestazioni e sostenibilità.
(DdD 4) Abilità comunicative
Durante le attività del corso, lo studente sarà in grado di:
- Presentare progetti o analisi di sostenibilità in ambito ICT.
(DdD 5) Capacità di apprendere
Al termine del corso, lo studente avrà acquisito la capacità di:
.
- Proseguire lo studio in modo autonomo approfondendo tematiche avanzate, anche interdisciplinari, relative all’impatto ambientale dell’informatica.
Contenuti sintetici
Il corso consiste nei seguenti moduli:
Modulo 1 - Panoramica sulla sostenibilità e l'impatto dell'informatica
Modulo 2 - Architetture, calcolo e ingegneria del software orientate al basso consumo energetico
Modulo 3 - Data Science ed IA orientate alla sostenibilità
Programma esteso
Modulo 1 - Panoramica sulla sostenibilità e sull’impatto dell’informatica
Introduzione al Green Computing
- Definizione e importanza del green computing.
- Contesto storico ed evoluzione.
- Attori principali e fattori chiave del green computing.
Impatto ambientale dell’informatica
- L’effetto serra
- Consumo energetico nell’informatica
- Che cos’è l’Intelligenza Artificiale e perché consuma così tanta energia
- Nozioni di base sulle blockchain
- Stima delle emissioni di carbonio
- L’impronta di carbonio dei data center
Modulo 2 - Architetture, calcolo e ingegneria del software orientati all’efficienza energetica
Sistemi ad alta efficienza energetica
- Principi dell’informatica ad alta efficienza energetica
- Hardware a basso consumo energetico
- Architetture energeticamente efficienti
- Reti, 5G, 6G
- Analisi dei flussi e analisi predittiva del consumo energetico
- Consumo energetico dei linguaggi di programmazione
- Algoritmi a basso consumo
- Pratiche di sviluppo software sostenibili
- Valutazione del ciclo di vita delle risorse informatiche
Metriche e standard per il Green Computing
- Metriche per misurare l’efficienza energetica e la sostenibilità
- Strumenti per il monitoraggio e la rendicontazione delle metriche di sostenibilità
Modulo 3 - Data Science, Intelligenza Artificiale e Sostenibilità
Data Science e Sostenibilità
- Impatto ambientale dei Big Data e dell’IA
- Pipeline tradizionali vs pipeline basate su ML
- Ottimizzazione algoritmica
- Transfer Learning
- Knowledge Distillation
- Pruning
- Tendenze della ricerca in ML e green computing
- Informatica neuromorfica
- Reservoir Computing
Elementi di Intelligenza Artificiale per la sostenibilità (AI4Green)
Casi di studio
Prerequisiti
- Conoscenze di base di informatica e data science.
- Comprensione dei concetti fondamentali di statistica e machine learning.
Modalità didattica
L’insegnamento è composto da
- lezioni frontali, in modalità didattica prevalentemente erogativa (DE 30 ore)
- esercitazioni, in modalità prevalentemente interattiva (DI 16 ore)
Il corso sarà erogato in Inglese.
Materiale didattico
Note, slide e articoli forniti dal docente.
Periodo di erogazione dell'insegnamento
Secondo anno, Secondo semestre
Modalità di verifica del profitto e valutazione
L'esame consiste in una prova scritta (peso 20/30) e nella realizzazione di un progetto (peso 10/30).
Il progetto comporta tipicamente l'analisi di dati e si svolge su un tema concordato con i docenti. Deve essere svolto individualmente.
Lo scritto si compone di domande aperte e problemi.
Durante lo scritto si possono consultare libri e appunti ed è consentito l'uso si una calcolatrice.
Non sono presenti prove in itinere
Criteri di valutazione:
Domande Aperte
-Comprensione dei Concetti: La capacità di spiegare chiaramente i concetti chiave e le teorie relative al materiale del corso.
-Chiarezza e Coerenza: La chiarezza, coerenza e organizzazione delle risposte.
-Rilevanza: La rilevanza e accuratezza delle informazioni presentate in relazione alle domande poste.
Soluzioni Analitiche dei Problemi
-Accuratezza: Correttezza dei calcoli matematici e delle soluzioni.
-Metodologia: L'adeguatezza e correttezza dei metodi e degli approcci utilizzati per risolvere i problemi.
-Chiarezza del Lavoro: Presentazione chiara delle soluzioni, inclusi tutti i passaggi e le giustificazioni.
Report di Progetto
- Originalità
- Appropriatezza delle tecniche di analisi
- Interpretazione dei risultati e comunicazione
Orario di ricevimento
Appuntamento da concordare via mail.
Sustainable Development Goals
Aims
(DdD 1) Knowledge and understanding
By the end of the course, the student will be able to:
- Describe the fundamental principles of green computing, including the ethical, environmental, and economic motivations behind sustainability in the field of computer science.
- Demonstrate knowledge of key data science and artificial intelligence techniques aimed at energy efficiency and sustainability.
(DdD 2) Applying knowledge and understanding
By the end of the course, the student will be able to:
- Conduct life cycle assessments (LCA) of computing resources, identifying environmental impacts and possible optimizations.
(DdD 3) Making judgements
Throughout the course, the student will develop the ability to:
- Critically evaluate existing computing solutions in terms of environmental impact and propose data-driven strategies for improvement.
- Write reports or short technical essays expressing well-founded judgements on the trade-offs between performance and sustainability.
(DdD 4) Communication skills
Through course activities, the student will be able to:
- Present sustainability-focused projects or analyses within the ICT domain.
(DdD 5) Learning skills
By the end of the course, the student will have developed the ability to:
- Continue studying independently, deepening their understanding of advanced and interdisciplinary topics related to the environmental impact of computing.
Contents
The course consists of the following modules:
Module 1 - Overview of Sustainability and Impact of Computing
Module 2 - Energy efficient architectures, computing, and software engineering
Module 3 - Data Science, AI and sustainability
Detailed program
Module 1 - Overview of Sustainability and Impact of Computing
Introduction to Green Computing
• Definition and significance of green computing.
• Historical context and evolution.
• Key drivers and stakeholders in green computing.
Environmental Impact of Computing
• The greenhouse effect
• Energy consumption in computing
• What is AI and why it needs so much energy
• Basics of Blockchains
• Estimating carbon emissions
• Carbon footprint of data centers
Module 2 - Energy efficient oriented architectures, computing, and software engineering
Energy-Efficient Systems
• Principles of energy-efficient computing.
• Energy efficient hardware
• Energy efficient architectures
• Networks, 5G, 6G
• Flow analysis and predictive analytics for energy consumption
• Programming language energy consumption
• Energy-efficient algorithms
• Sustainable software development practices.
• Lifecycle Assessment of Computing Resources
Green Computing Metrics and Standards
• Metrics for measuring energy efficiency and sustainability.
• Tools for monitoring and reporting sustainability metrics.
Module 3 - Data Science, AI and Sustainability
Data Science and Sustainability
• Environmental impact of Big Data and AI.
• Traditional vs ML pipelines
• Algorithmic improvement
• Transfer Learning
• Knowledge Distillation
• Pruning
• Research trends in ML and green computing
• Neuromorphic Computing
• Reservoir Computing
Elements of AI for Green
Case Studies
Prerequisites
- Basic knowledge of computer science and data science.
- Understanding of basic concepts in statistics and machine learning.
Teaching form
The course comprises
- classroom lectures (DE 30 hours)
- interactive exercises in the classroom (DI 16 hours)
The course will be delivered in English
Textbook and teaching resource
Lecture notes, slide decks and articles provided by the lecturer.
Semester
Second year, Second semester
Assessment method
The exam consists of a written test (worth 20/30) and the completion of a project (worth 10/30).
The project typically involves data analysis and is carried out on a topic agreed upon with the instructors. It must be completed individually.
The written test consists of open-ended questions and problems.
During the exam, books and notes can be consulted, and the use of a calculator is allowed.
There are no midterm exams.
Evaluation criteria:
Open Questions
- Understanding of Concepts: The ability to clearly explain the key concepts and theories related to the course material.
- Clarity and Coherence: The clarity, coherence, and organization of the responses.
- Relevance: The relevance and accuracy of the information presented in relation to the questions asked.
Analytical Solutions of Problems
- Accuracy: Correctness of the mathematical computations and solutions.
- Methodology: The appropriateness and correctness of the methods and approaches used to solve the problems.
- Clarity of Work: Clear presentation of the solutions, including all steps and justifications.
Project
- Originality
- Appropriateness of analysis techniques
- Interpretation of results and communication
Office hours
Appointment to be agreed by email.
Sustainable Development Goals
Staff
-
Davide Chicco
-
Gabriele Gianini
