L’APPRENDIMENTO AUTOMATICO (ML) È SEMPRE PIÙ INTEGRATO NEI SISTEMI SOFTWARE CRITICI, MA LA SUA INGEGNERIZZAZIONE INTRODUCE SFIDE LEGATE AI REQUISITI NON FUNZIONALI (NFR), IN PARTICOLARE ALLA SOSTENIBILITÀ. NONOSTANTE LA SUA RILEVANZA, LA SOSTENIBILITÀ RIMANE SCARSAMENTE DEFINITA, MISURATA IN MODO INCOERENTE E DEBOLMENTE SUPPORTATA DAGLI STRUMENTI, CREANDO UN DIVARIO TRA PRINCIPI ASTRATTI E PRATICHE REALMENTE APPLICABILI. QUESTA DISSERTAZIONE COLMA TALE DIVARIO ATTRAVERSO UN’INDAGINE EMPIRICA GUIDATA DA QUATTRO DOMANDE DI RICERCA. IN PRIMO LUOGO, ANALIZZA COME LA SOSTENIBILITÀ È CONCETTUALIZZATA NELLA RICERCA E NELL’INDUSTRIA, RIVELANDO UN DISALLINEAMENTO: IL MONDO ACCADEMICO ENFATIZZA GLI IDEALI AMBIENTALI, MENTRE I PROFESSIONISTI SI CONCENTRANO SU EFFICIENZA, MANUTENIBILITÀ E RESPONSABILITÀ ETICA. IN SECONDO LUOGO, ESAMINA I TRADE-OFF TRA SOSTENIBILITÀ E ALTRI NFR, MOSTRANDO CHE MIGLIORAMENTI IN FAIRNESS O ACCURATEZZA POSSONO AUMENTARE IL CONSUMO ENERGETICO E LA CAPACITÀ DEL MODELLO, EVIDENZIANDO LA NATURA MULTIDIMENSIONALE DELLA SOSTENIBILITÀ. PER SCALARE L’ANALISI DELLA SOSTENIBILITÀ, LA DISSERTAZIONE INTRODUCE MARK, UN CLASSIFICATORE BASATO SU REGOLE CHE IDENTIFICA AUTOMATICAMENTE I REPOSITORY ML COME PRODUTTORI, CONSUMATORI O IBRIDI, CONSENTENDO LA COSTRUZIONE RIPRODUCIBILE DI DATASET. UTILIZZANDO QUESTO DATASET, VENGONO APPLICATI MODELLI LINGUISTICI DI GRANDI DIMENSIONI (LLM) PER ESTRARRE PRATICHE DI SOSTENIBILITÀ. GLI LLM INDIVIDUANO SIA TATTICHE NOTE SIA TATTICHE NUOVE, SEBBENE IL LORO UTILIZZO COMPORTI VARIABILITÀ, ALLUCINAZIONI E COSTI COMPUTAZIONALI. INFINE, VIENE PROPOSTO PRIMES 2.0, UN FRAMEWORK METODOLOGICO CHE STRUTTURA IL MINING DEI REPOSITORY BASATO SU LLM ATTRAVERSO FASI SISTEMATICHE PER LA PROGETTAZIONE DEI PROMPT, LA VALIDAZIONE, IL CONFRONTO E L’ANALISI DEI TRADE-OFF. COMPLESSIVAMENTE, QUESTO LAVORO AVANZA LA CHIAREZZA CONCETTUALE, IL RIGORE METODOLOGICO E IL SUPPORTO PRATICO PER L’INGEGNERIA SOSTENIBILE DEI SISTEMI ML, PROMUOVENDO SISTEMI NON SOLO ACCURATI E EQUI, MA ANCHE EFFICIENTI DAL PUNTO DI VISTA ENERGETICO, MANUTENIBILI E SOCIALMENTE RESPONSABILI.

MACHINE LEARNING (ML) IS INCREASINGLY INTEGRATED INTO CRITICAL SOFTWARE SYSTEMS, YET ITS ENGINEERING INTRODUCES CHALLENGES CENTERED ON NON-FUNCTIONAL REQUIREMENTS (NFRS), PARTICULARLY SUSTAINABILITY. DESPITE ITS RELEVANCE, SUSTAINABILITY REMAINS POORLY DEFINED, INCONSISTENTLY MEASURED, AND WEAKLY SUPPORTED BY TOOLS, CREATING A GAP BETWEEN ABSTRACT PRINCIPLES AND ACTIONABLE PRACTICES. THIS DISSERTATION BRIDGES THAT GAP THROUGH AN EMPIRICAL INVESTIGATION GUIDED BY FOUR RESEARCH QUESTIONS. FIRST, IT ANALYZES HOW SUSTAINABILITY IS CONCEPTUALIZED IN RESEARCH AND INDUSTRY, REVEALING A MISALIGNMENT: ACADEMIA EMPHASIZES ENVIRONMENTAL IDEALS, WHILE PRACTITIONERS FOCUS ON EFFICIENCY, MAINTAINABILITY, AND ETHICAL RESPONSIBILITY. SECOND, IT EXAMINES TRADE-OFFS BETWEEN SUSTAINABILITY AND OTHER NFRS, SHOWING THAT GAINS IN FAIRNESS OR ACCURACY CAN INCREASE ENERGY USE AND MODEL CAPACITY, HIGHLIGHTING SUSTAINABILITY AS A MULTIDIMENSIONAL CONCERN. TO SCALE SUSTAINABILITY ANALYSIS, THE DISSERTATION INTRODUCES MARK, A RULE-BASED CLASSIFIER THAT AUTOMATICALLY IDENTIFIES ML REPOSITORIES AS PRODUCERS, CONSUMERS, OR HYBRIDS, ENABLING REPRODUCIBLE DATASET CONSTRUCTION. USING THIS DATASET, LARGE LANGUAGE MODELS (LLMS) ARE APPLIED TO MINE SUSTAINABILITY PRACTICES. LLMS UNCOVER BOTH KNOWN AND NOVEL TACTICS, THOUGH THEIR USE ENTAILS VARIABILITY, HALLUCINATION, AND COMPUTATIONAL COSTS. FINALLY, PROPOSED PRIMES 2.0, A METHODOLOGICAL FRAMEWORK THAT STRUCTURES LLM-BASED REPOSITORY MINING THROUGH SYSTEMATIC STAGES FOR PROMPT DESIGN, VALIDATION, COMPARISON, AND TRADE-OFF ANALYSIS. OVERALL, THIS WORK ADVANCES CONCEPTUAL CLARITY, METHODOLOGICAL RIGOR, AND PRACTICAL TOOLING FOR SUSTAINABLE ML ENGINEERING, FOSTERING SYSTEMS THAT ARE NOT ONLY ACCURATE AND FAIR BUT ALSO ENERGY-EFFICIENT, MAINTAINABLE, AND SOCIALLY RESPONSIBLE.

SOFTWARE SUSTAINABILITY IN THE ML ERA: EMPIRICAL INSIGHTS, TRADE-OFFS, AND LLM METHODOLOGIES / Vincenzo De Martino , 2025 Dec 05. 38. ciclo, Anno Accademico 2024/25.

SOFTWARE SUSTAINABILITY IN THE ML ERA: EMPIRICAL INSIGHTS, TRADE-OFFS, AND LLM METHODOLOGIES

DE MARTINO, Vincenzo
2025

Abstract

L’APPRENDIMENTO AUTOMATICO (ML) È SEMPRE PIÙ INTEGRATO NEI SISTEMI SOFTWARE CRITICI, MA LA SUA INGEGNERIZZAZIONE INTRODUCE SFIDE LEGATE AI REQUISITI NON FUNZIONALI (NFR), IN PARTICOLARE ALLA SOSTENIBILITÀ. NONOSTANTE LA SUA RILEVANZA, LA SOSTENIBILITÀ RIMANE SCARSAMENTE DEFINITA, MISURATA IN MODO INCOERENTE E DEBOLMENTE SUPPORTATA DAGLI STRUMENTI, CREANDO UN DIVARIO TRA PRINCIPI ASTRATTI E PRATICHE REALMENTE APPLICABILI. QUESTA DISSERTAZIONE COLMA TALE DIVARIO ATTRAVERSO UN’INDAGINE EMPIRICA GUIDATA DA QUATTRO DOMANDE DI RICERCA. IN PRIMO LUOGO, ANALIZZA COME LA SOSTENIBILITÀ È CONCETTUALIZZATA NELLA RICERCA E NELL’INDUSTRIA, RIVELANDO UN DISALLINEAMENTO: IL MONDO ACCADEMICO ENFATIZZA GLI IDEALI AMBIENTALI, MENTRE I PROFESSIONISTI SI CONCENTRANO SU EFFICIENZA, MANUTENIBILITÀ E RESPONSABILITÀ ETICA. IN SECONDO LUOGO, ESAMINA I TRADE-OFF TRA SOSTENIBILITÀ E ALTRI NFR, MOSTRANDO CHE MIGLIORAMENTI IN FAIRNESS O ACCURATEZZA POSSONO AUMENTARE IL CONSUMO ENERGETICO E LA CAPACITÀ DEL MODELLO, EVIDENZIANDO LA NATURA MULTIDIMENSIONALE DELLA SOSTENIBILITÀ. PER SCALARE L’ANALISI DELLA SOSTENIBILITÀ, LA DISSERTAZIONE INTRODUCE MARK, UN CLASSIFICATORE BASATO SU REGOLE CHE IDENTIFICA AUTOMATICAMENTE I REPOSITORY ML COME PRODUTTORI, CONSUMATORI O IBRIDI, CONSENTENDO LA COSTRUZIONE RIPRODUCIBILE DI DATASET. UTILIZZANDO QUESTO DATASET, VENGONO APPLICATI MODELLI LINGUISTICI DI GRANDI DIMENSIONI (LLM) PER ESTRARRE PRATICHE DI SOSTENIBILITÀ. GLI LLM INDIVIDUANO SIA TATTICHE NOTE SIA TATTICHE NUOVE, SEBBENE IL LORO UTILIZZO COMPORTI VARIABILITÀ, ALLUCINAZIONI E COSTI COMPUTAZIONALI. INFINE, VIENE PROPOSTO PRIMES 2.0, UN FRAMEWORK METODOLOGICO CHE STRUTTURA IL MINING DEI REPOSITORY BASATO SU LLM ATTRAVERSO FASI SISTEMATICHE PER LA PROGETTAZIONE DEI PROMPT, LA VALIDAZIONE, IL CONFRONTO E L’ANALISI DEI TRADE-OFF. COMPLESSIVAMENTE, QUESTO LAVORO AVANZA LA CHIAREZZA CONCETTUALE, IL RIGORE METODOLOGICO E IL SUPPORTO PRATICO PER L’INGEGNERIA SOSTENIBILE DEI SISTEMI ML, PROMUOVENDO SISTEMI NON SOLO ACCURATI E EQUI, MA ANCHE EFFICIENTI DAL PUNTO DI VISTA ENERGETICO, MANUTENIBILI E SOCIALMENTE RESPONSABILI.
5-dic-2025
38
INFORMATICA
MACHINE LEARNING (ML) IS INCREASINGLY INTEGRATED INTO CRITICAL SOFTWARE SYSTEMS, YET ITS ENGINEERING INTRODUCES CHALLENGES CENTERED ON NON-FUNCTIONAL REQUIREMENTS (NFRS), PARTICULARLY SUSTAINABILITY. DESPITE ITS RELEVANCE, SUSTAINABILITY REMAINS POORLY DEFINED, INCONSISTENTLY MEASURED, AND WEAKLY SUPPORTED BY TOOLS, CREATING A GAP BETWEEN ABSTRACT PRINCIPLES AND ACTIONABLE PRACTICES. THIS DISSERTATION BRIDGES THAT GAP THROUGH AN EMPIRICAL INVESTIGATION GUIDED BY FOUR RESEARCH QUESTIONS. FIRST, IT ANALYZES HOW SUSTAINABILITY IS CONCEPTUALIZED IN RESEARCH AND INDUSTRY, REVEALING A MISALIGNMENT: ACADEMIA EMPHASIZES ENVIRONMENTAL IDEALS, WHILE PRACTITIONERS FOCUS ON EFFICIENCY, MAINTAINABILITY, AND ETHICAL RESPONSIBILITY. SECOND, IT EXAMINES TRADE-OFFS BETWEEN SUSTAINABILITY AND OTHER NFRS, SHOWING THAT GAINS IN FAIRNESS OR ACCURACY CAN INCREASE ENERGY USE AND MODEL CAPACITY, HIGHLIGHTING SUSTAINABILITY AS A MULTIDIMENSIONAL CONCERN. TO SCALE SUSTAINABILITY ANALYSIS, THE DISSERTATION INTRODUCES MARK, A RULE-BASED CLASSIFIER THAT AUTOMATICALLY IDENTIFIES ML REPOSITORIES AS PRODUCERS, CONSUMERS, OR HYBRIDS, ENABLING REPRODUCIBLE DATASET CONSTRUCTION. USING THIS DATASET, LARGE LANGUAGE MODELS (LLMS) ARE APPLIED TO MINE SUSTAINABILITY PRACTICES. LLMS UNCOVER BOTH KNOWN AND NOVEL TACTICS, THOUGH THEIR USE ENTAILS VARIABILITY, HALLUCINATION, AND COMPUTATIONAL COSTS. FINALLY, PROPOSED PRIMES 2.0, A METHODOLOGICAL FRAMEWORK THAT STRUCTURES LLM-BASED REPOSITORY MINING THROUGH SYSTEMATIC STAGES FOR PROMPT DESIGN, VALIDATION, COMPARISON, AND TRADE-OFF ANALYSIS. OVERALL, THIS WORK ADVANCES CONCEPTUAL CLARITY, METHODOLOGICAL RIGOR, AND PRACTICAL TOOLING FOR SUSTAINABLE ML ENGINEERING, FOSTERING SYSTEMS THAT ARE NOT ONLY ACCURATE AND FAIR BUT ALSO ENERGY-EFFICIENT, MAINTAINABLE, AND SOCIALLY RESPONSIBLE.
SUSTAINABILITY; LARGE LANGUAGE MODEL; MACHINE LEARNING; ML-ENABLED SYSTEMS
PALOMBA, Fabio
File in questo prodotto:
File Dimensione Formato  
De_Martino_Vincenzo_Abstract.pdf

accesso aperto

Descrizione: Software Sustainability in the ML Era: Empirical Insights, Trade-offs, and LLM Methodologies
Tipologia: Tesi di dottorato
Dimensione 182.53 kB
Formato Adobe PDF
182.53 kB Adobe PDF Visualizza/Apri
PhD_Thesis_Vincenzo_De_Martino.pdf

accesso aperto

Descrizione: Software Sustainability in the ML Era: Empirical Insights, Trade-offs, and LLM Methodologies
Tipologia: Tesi di dottorato
Dimensione 14.34 MB
Formato Adobe PDF
14.34 MB Adobe PDF Visualizza/Apri

I documenti in IRIS sono protetti da copyright e tutti i diritti sono riservati, salvo diversa indicazione.

Utilizza questo identificativo per citare o creare un link a questo documento: https://hdl.handle.net/11386/4969109
Citazioni
  • ???jsp.display-item.citation.pmc??? ND
  • Scopus ND
  • ???jsp.display-item.citation.isi??? ND
social impact