論文の概要: EcoAssist: Embedding Sustainability into AI-Assisted Frontend Development
- arxiv url: http://arxiv.org/abs/2604.04332v1
- Date: Mon, 06 Apr 2026 00:56:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-07 15:49:19.048788
- Title: EcoAssist: Embedding Sustainability into AI-Assisted Frontend Development
- Title（参考訳）: EcoAssist:AI支援フロントエンド開発にサステナビリティを組み込む
- Authors: André Barrocas, Nuno Jardim Nunes, Valentina Nisi, Nikolas Martelaro,
- Abstract要約: 数百万のページビューに複製されたフロントエンドコードは、かなりのエネルギーを消費し、デジタルエミッションに直接貢献する。
我々は、AI生成コードに統合されたエネルギー認識アシスタントであるEcoAssistを紹介し、そのエネルギーフットプリントを推定し、目標とする最適化を提案する。
その結果、EcoAssistは、Webサイトごとのエネルギーを平均13-16%削減し、開発者のエネルギー使用に対する意識を高め、開発者の生産性を維持した。
- 参考スコア（独自算出の注目度）: 16.31674424617645
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Frontend code, replicated across millions of page views, consumes significant energy and contributes directly to digital emissions. Yet current AI coding assistants, such as GitHub Copilot and Amazon CodeWhisperer, emphasize developer speed and convenience, with energy impact not yet a primary focus. At the same time, existing energy-focused guidelines and metrics have seen limited adoption among practitioners, leaving a gap between research and everyday coding practice. To address this gap, we introduce EcoAssist, an energy-aware assistant integrated into an IDE that analyzes AI-generated frontend code, estimates its energy footprint, and proposes targeted optimizations. We evaluated EcoAssist through benchmarks of 500 websites and a controlled study with 20 developers. Results show that EcoAssist reduced per-website energy by 13-16% on average, increased developers' awareness of energy use, and maintained developer productivity. This work demonstrates how energy considerations can be embedded directly into AI-assisted coding workflows, supporting developers as they engage with energy implications through actionable feedback.
- Abstract（参考訳）: 数百万のページビューに複製されたフロントエンドコードは、かなりのエネルギーを消費し、デジタルエミッションに直接貢献する。
しかし、現在のAIコーディングアシスタントであるGitHub CopilotやAmazon CodeWhispererは、開発者のスピードと利便性を強調している。
同時に、既存のエネルギー中心のガイドラインとメトリクスは実践者の間では採用が限られており、研究と日々のコーディングの実践の間にギャップが残っています。
このギャップに対処するため、私たちは、AI生成したフロントエンドコードを解析し、そのエネルギーフットプリントを推定するIDEに統合されたエナジーアウェアアシスタントであるEcoAssistを紹介し、目標とする最適化を提案する。
我々はEcoAssistを500のWebサイトのベンチマークと20人の開発者によるコントロールされた調査を通じて評価した。
その結果、EcoAssistはWebサイトあたりのエネルギーを平均13-16%削減し、開発者のエネルギー使用に対する意識を高め、開発者の生産性を維持した。
この研究は、エネルギの考慮事項をAI支援のコーディングワークフローに直接組み込む方法を示し、アクション可能なフィードバックを通じてエネルギの影響に関わりながら開発者を支援する。
関連論文リスト
- EcoThink: A Green Adaptive Inference Framework for Sustainable and Accessible Agents [0.14323566945483493]
EcoThinkは、高性能AIインテリジェンスと環境責任を調整します。
統計的に有意な性能損失を伴わずに、推論エネルギーを平均で40.4%削減する。
アルゴリズム廃棄物を緩和することにより、EcoThinkは持続可能な、包括的でエネルギー効率の良い生成AIエージェントへのスケーラブルなパスを提供する。
論文 参考訳（メタデータ） (2026-03-26T14:37:46Z) - Towards Green AI: Decoding the Energy of LLM Inference in Software Development [46.879983975894135]
AI支援ツールはソフトウェア開発にますます統合されているが、大きな言語モデル(LLM)に依存しているため、相当な計算とエネルギーコストが伴う。
モデルが入力を処理して内部表現を構築した(1)プリフィルと,(2)デコードで格納された状態を用いて出力トークンを生成する(2)プリフィルとを区別し,LCM推定エネルギー消費の位相レベル解析を行う。
論文 参考訳（メタデータ） (2026-02-05T14:38:19Z) - EmboCoach-Bench: Benchmarking AI Agents on Developing Embodied Robots [68.29056647487519]
Embodied AIは、高忠実度シミュレーションと大規模データ収集によって実現されている。
しかし、このスケーリング能力は、労働集約的な手作業の監視に依存しているため、いまだにボトルネックになっている。
実装ポリシーを自律的に構築するための LLM エージェントの能力を評価するベンチマークである textscEmboCoach-Bench を紹介する。
論文 参考訳（メタデータ） (2026-01-29T11:33:49Z) - Measuring the environmental impact of delivering AI at Google Scale [6.044580037086392]
本稿では、AI推論ワークロードのエネルギー使用量、二酸化炭素排出量、水消費量を測定するための包括的な方法論を提案し、実施する。
Googleのソフトウェア効率向上とクリーンエネルギー調達は、エネルギー消費の33倍の削減と、中央値のGemini Appsテキストプロンプトの44倍の炭素フットプリントの削減を1年以上に及んだ。
論文 参考訳（メタデータ） (2025-08-21T17:22:06Z) - Greening AI-enabled Systems with Software Engineering: A Research Agenda for Environmentally Sustainable AI Practices [70.24403396375277]
CECAM-Lorentzワークショップは2025年2月3日、スイスのローザンヌで開催された。
本報告ではワークショップから生まれた研究課題について述べる。
環境に優しいAIシステムの開発を導くために、オープンな研究の方向性と実践的な勧告を概説する。
論文 参考訳（メタデータ） (2025-06-02T15:19:49Z) - Carbon Footprint Evaluation of Code Generation through LLM as a Service [5.782162597806532]
グリーンコーディングとAIモデルはエネルギー効率を向上させることができると主張している。
本稿では,AIモデルの持続可能性意識を測定するためのグリーンコーディングとメトリクスの概要を紹介する。
論文 参考訳（メタデータ） (2025-03-30T15:27:04Z) - Can We Make Code Green? Understanding Trade-Offs in LLMs vs. Human Code Optimizations [45.243401722182554]
大規模言語モデル(LLM)は、パフォーマンスとエネルギー効率の最適化を開発者が支援すると主張している。
この研究は、科学と工学の応用のために学術と産業の両方で広く使われているマットラブで書かれたソフトウェアに焦点を当てている。
トップ100のGitHubリポジトリで400スクリプトのエネルギ中心の最適化を分析します。
論文 参考訳（メタデータ） (2025-03-26T00:27:29Z) - Green My LLM: Studying the key factors affecting the energy consumption of code assistants [1.747820331822631]
本稿では,GitHub Copilotのような大規模言語モデルに基づくコードアシスタントのエネルギー消費について検討する。
その結果,コードアシスタントのエネルギー消費と性能は,コンカレント開発者の数など,様々な要因に影響されていることがわかった。
論文 参考訳（メタデータ） (2024-11-07T16:00:29Z) - Learn to Code Sustainably: An Empirical Study on LLM-based Green Code
Generation [7.8273713434806345]
生成型商用AI言語モデルにより生成された自動生成符号の持続可能性を評価する。
3つのAI言語モデルによって生成された人為的なコードとコードのパフォーマンスとグリーンキャパシティを比較した。
論文 参考訳（メタデータ） (2024-03-05T22:12:01Z) - Green Edge AI: A Contemporary Survey [46.11332733210337]
AIの変換力は、ディープニューラルネットワーク(DNN)の利用から導かれる。
ディープラーニング(DL)は、エンドユーザーデバイス(EUD)に近い無線エッジネットワークに移行しつつある。
その可能性にもかかわらず、エッジAIは大きな課題に直面している。主な原因は、無線エッジネットワークのリソース制限と、DLのリソース集約的な性質の分離である。
論文 参考訳（メタデータ） (2023-12-01T04:04:37Z) - Learning, Computing, and Trustworthiness in Intelligent IoT
Environments: Performance-Energy Tradeoffs [62.91362897985057]
Intelligent IoT Environment(iIoTe)は、半自律IoTアプリケーションを協調実行可能な異種デバイスで構成されている。
本稿では,これらの技術の現状を概観し,その機能と性能,特にリソース,レイテンシ,プライバシ,エネルギー消費のトレードオフに注目した。
論文 参考訳（メタデータ） (2021-10-04T19:41:42Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。