I sistemi operativi di previsione della superficie terrestre basati su modelli State Space di famiglia Mamba hanno un difetto poco visibile ma costoso: assorbono gli eventi confondenti non stazionari nelle matrici di transizione dello stato. Un boom irriguo non registrato, un cambio nella gestione di una diga o una ricalibrazione dei sensori possono continuare a distorcere le previsioni di NDVI, LST e fenologia delle colture molto dopo che la causa fisica è terminata. È un bias che non si corregge con un semplice aggiornamento dei dati di input: il modello lo ha ormai incorporato nella sua dinamica interna.

Il paper che presenta SSU-LSF, State-Space Unlearning for Land Surface Forecasting, propone il primo framework di machine unlearning costruito appositamente per i modelli geoscientifici basati su Mamba. Il framework sviluppa funzioni di influenza EKFac specializzate per le matrici di stato, sfruttando un gradiente in forma chiusa della matrice esponenziale. Poi usa un thresholding pesato sul raggio spettrale per localizzare un'impronta temporale del confondimento, e applica un'ascesa del gradiente proiettata senza Hessiano all'interno di una regione di fiducia basata sulla divergenza KL, con una regolarizzazione di variazione totale spaziale. In pratica, cerca di rimuovere soltanto la traccia dell'evento anomalo, senza riaddestrare l'intero modello.

Unlearning come manutenzione operativa

Il dato che sposta l'equazione è il costo. Secondo gli autori, SSU-LSF converge in 3–5 epoche e richiede un costo GPU per richiesta di unlearning 8,4 volte inferiore rispetto al retraining completo. Per un team che gestisce modelli in locale, non è solo una questione di bolletta computazionale: è il passaggio da una correzione episodica e costosa a una pratica di manutenzione più frequente e sostenibile. Se rimuovere un evento confondente costa poco, diventa possibile farlo ogni volta che si sospetta una contaminazione, invece di accumulare derive e aspettare un ciclo di retraining pianificato.

Il limite teorico, però, è chiaro. La Proposizione 1 del paper stabilisce che il confondimento residuo cresce con la lunghezza della finestra temporale T_c. Eventi confondenti lunghi, come una stagione irrigua non registrata o un cambiamento operativo persistente, restano più difficili da eliminare di un singolo picco breve. E il degrado massimo nel dominio pulito, misurato come 4,2% di RMSE su ERA5, indica che l'unlearning non è completamente indolore: c'è un prezzo da pagare anche sui dati non contaminati. Per chi valuta deployment on-premise, questo trade-off è centrale: la riduzione del costo di correzione va pesata contro il rischio di degradare le prestazioni di base.

Il framework è anche un segnale strutturale. I modelli Mamba stanno guadagnando attenzione come alternative efficienti ai transformer per sequenze lunghe, e la loro adozione in ambiti operativi locali rende la manutenzione del modello un problema di prima classe, non un ripensamento. SSU-LSF mostra che il machine unlearning può essere progettato come un modulo specializzato, con ottimizzazioni che sfruttano la struttura matematica delle matrici di stato. Non è una soluzione universale: i risultati riportati—0,773 su CropHarvest, 0,821 su NDVI-LST e 0,859 su ERA5—sono specifici per quei benchmark e per la regolarizzazione spaziale adottata. Ma l'approccio indica che la direzione è quella di trattare la correzione post-hoc come parte integrante del ciclo di vita dei modelli, non come un'emergenza.

Per chi opera sistemi geoscientifici self-hosted, la lezione è duplice. Da un lato, l'unlearning riduce la pressione a riaddestrare frequentemente, con benefici in termini di TCO e di velocità di intervento. Dall'altro, la localizzazione dell'impronta temporale Φ richiede osservabilità sui dati e sugli eventi operativi: senza sapere cosa è successo e quando, il framework non può isolare il confondimento. Il paper mette a disposizione il codice su GitHub, ma l'integrazione in pipeline di produzione resta una sfida di ingegneria dei dati più che di matematica. Per chi valuta deployment on-premise, i trade-off tra costo di correzione e degrado delle prestazioni non si risolvono con una sola metrica; AI-RADAR offre framework analitici su /llm-onpremise per valutare questi aspetti.