Organisationer står over for stadigt stigende krav til bæredygtighedsmål sammen med miljømæssige, sociale og forvaltningspraksis (ESG). EN Gartner, Inc. undersøgelse afsløret, at 87 procent af virksomhedsledere forventer at øge deres organisations investering i bæredygtighed i løbet af de næste år. Dette indlæg tjener som udgangspunkt for enhver leder, der søger at navigere i krydset mellem generativ kunstig intelligens (generativ AI) , bæredygtighed. Det giver eksempler på use cases og bedste praksis for at bruge generativ AI's potentiale til at accelerere bæredygtighed og ESG-initiativer, samt indsigt i de vigtigste operationelle udfordringer ved generativ AI for bæredygtighed. Denne vejledning kan bruges som en køreplan for effektiv integration af generativ AI i bæredygtighedsstrategier og samtidig sikre overensstemmelse med organisatoriske mål.
En køreplan til generativ AI for bæredygtighed
I de følgende afsnit giver vi en køreplan for integration af generativ AI i bæredygtighedsinitiativer
1. Forstå potentialet i generativ AI for bæredygtighed
Generativ AI har kraften til at transformere hver del af en virksomhed med dens brede vifte af muligheder. Disse omfatter evnen til at analysere enorme mængder data, identificere mønstre, opsummere dokumenter, udføre oversættelser, rette fejl eller besvare spørgsmål. Disse muligheder kan bruges til at tilføje værdi gennem hele værdikæden i din organisation. Figur 1 illustrerer udvalgte eksempler på use cases af generativ AI til bæredygtighed på tværs af værdikæden.
Figur 1: Eksempler på generativ AI til bæredygtighedsanvendelse på tværs af værdikæden
Ifølge KPMG's 2024 ESG Organisation Survey, er investering i ESG-kapaciteter en anden topprioritet for ledere, da organisationer står over for et stigende regulatorisk pres for at afsløre information om ESG-påvirkninger, -risici og -muligheder. Inden for denne sammenhæng kan du bruge generativ AI til fremme din organisations ESG-mål.
Den typiske ESG-arbejdsgang består af flere faser, der hver præsenterer unikke smertepunkter. Generativ AI tilbyder løsninger, der kan løse disse smertepunkter gennem hele processen og bidrage til bæredygtighedsindsatsen. Figur 2 giver eksempler, der illustrerer, hvordan generativ AI kan understøtte hver fase af ESG-workflowet i din organisation. Disse eksempler omfatter fremskyndelse af markedstendensanalyse, sikring af nøjagtig risikostyring og overholdelse og facilitering af dataindsamling eller rapportgenerering. Bemærk, at ESG-arbejdsgange kan variere på tværs af forskellige vertikaler, organisatoriske modenheder og lovgivningsmæssige rammer. Faktorer såsom branchespecifikke reguleringer, virksomhedsstørrelse og regionale politikker kan påvirke ESG-workflow-trinene. Derfor er det afgørende for optimal effektivitet at prioritere use cases i henhold til dine specifikke behov og kontekst og definere en klar plan for at måle succes.
Figur 2: Kortlægning af generative AI-fordele på tværs af ESG-arbejdsgangen
2. Anerkend de operationelle udfordringer ved generativ AI for bæredygtighed
Forståelse og passende håndtering af udfordringerne ved at implementere generativ AI er afgørende for organisationer, der sigter på at bruge sit potentiale til at adressere organisationens bæredygtighedsmål og ESG-initiativer. Disse udfordringer omfatter indsamling og styring af data af høj kvalitet, integrering af generativ AI i eksisterende it-systemer, navigere i etiske bekymringer, udfylde kvalifikationshuller og sætte organisationen op til succes ved at inddrage nøgleinteressenter såsom Chief Information Security Officer (CISO) eller Chief. økonomiansvarlig (CFO) tidligt, så du bygger ansvarligt. Juridiske udfordringer er en kæmpe blokering for overgangen fra proof of concept (POC) til produktion. Derfor er det vigtigt at involvere juridiske teams tidligt i processen for at opbygge med compliance i tankerne. Figur 3 giver et overblik over de vigtigste operationelle udfordringer ved generativ AI for bæredygtighed.
Figur 3: Operationelle udfordringer ved generativ AI for bæredygtighed
3. Sæt det rigtige datagrundlag
Som administrerende direktør, der sigter mod at bruge generativ kunstig intelligens til at nå bæredygtighedsmål, skal du huske det data er din differentiator. Virksomheder, der mangler let adgang til data af høj kvalitet, vil ikke være i stand til at tilpasse generative AI-modeller med deres egne data, og dermed gå glip af at realisere det fulde skaleringspotentiale ved generativ AI og skabe en konkurrencefordel. Invester i at erhverve forskelligartet og af høj kvalitet datasæt til at berige og accelerere dine ESG-initiativer. Du kan bruge ressourcer som f.eks Amazon Sustainability Data Initiative eller AWS dataudveksling at forenkle og fremskynde anskaffelse og analyse af omfattende datasæt. Ved siden af ekstern dataindsamling skal du prioritere intern datastyring for at maksimere potentialet i generativ AI og bruge dens muligheder til at analysere dine organisationsdata og afdække ny indsigt.
Fra et operationelt synspunkt kan du omfavne fundament model ops (FMOps) , store sprogmodeloperationer (LLMOps) for at sikre, at din bæredygtighedsindsats er datadrevet og skalerbar. Dette involverer dokumentation af dataafstamning, dataversionering, automatisering af databehandling og overvågning af omkostninger til dataadministration.
4. Identificer muligheder med stor effekt
Du kan bruge Amazons princip om at arbejde baglæns at lokalisere muligheder inden for din bæredygtighedsstrategi, hvor generativ AI kan have en betydelig indflydelse. Prioriter projekter, der lover øjeblikkelige forbedringer på nøgleområder i din organisation. Mens ESG fortsat er et nøgleaspekt af bæredygtighed, udnytter man branchespecifik ekspertise på tværs af sektorer som f.eks energi, forsyningskædeog fremstilling, transport eller landbrug kan afsløre forskellige generative AI til bæredygtighedsbrug, skræddersyet til din virksomheds applikationer. Desuden udforske alternative veje, såsom brug af generativ kunstig intelligens til at forbedre forskning og udvikling, muliggøre kundeselvbetjening, optimere energiforbruget i bygninger eller bremse afskovningen, kan også give effektive muligheder for bæredygtig innovation.
5. Brug de rigtige værktøjer
Undladelse af at bruge de passende værktøjer kan tilføje kompleksitet, kompromittere sikkerheden og reducere effektiviteten ved brug af generativ AI til bæredygtighed. Det rigtige værktøj skal give dig valgmuligheder og fleksibilitet og gøre dig i stand til at tilpasse dine løsninger til specifikke behov og krav.
Figur 4 illustrerer AWS generativ AI-stak fra 2023, som tilbyder et sæt funktioner, der omfatter valg, bredde og dybde på tværs af alle lag. Desuden er det bygget på en data-først tilgang, der sikrer, at alle aspekter af dets tilbud er designet med sikkerhed og privatliv i tankerne.
Eksempler på værktøjer, du kan bruge til at fremme bæredygtighedsinitiativer, er:
Amazonas grundfjeld – en fuldt administreret tjeneste, der giver adgang til højtydende FM'er fra førende AI-virksomheder gennem en enkelt API, så du kan vælge den rigtige model til dine bæredygtighedsanvendelsessager.
AWS Trainium2 – Specialbygget til højtydende træning af FM'er og LLM'er, Trainium2 giver op til 2x bedre energieffektivitet (ydelse/watt) sammenlignet med førstegenerations Trainium-chips.
Inferentia2-baseret Amazon EC2 Inf2-forekomster – Disse tilfælde tilbyder op til 50 procent bedre ydeevne/watt i forhold til sammenlignelige Amazon Elastic Compute Cloud (Amazon EC2) tilfælde. Inf2-forekomster, der er designet til at håndtere deep learning-modeller i stor skala, er uundværlige for at implementere ultrastore modeller, mens bæredygtighedsmålene nås gennem forbedret energieffektivitet.
Figur 4: AWS generativ AI-stak
6. Brug den rigtige tilgang
Generativ AI er ikke en løsning, der passer til alle. At skræddersy din tilgang ved at vælge den rigtige modalitet og optimeringsstrategi er afgørende for at maksimere dens indvirkning på bæredygtighedsinitiativer. Figur 5 giver et overblik over generative AI-modaliteter og optimeringsstrategier, herunder hurtig ingeniørarbejde, Retrieval Augmented Generationog finjustering eller fortsat fortræning.
Figur 5: Generative AI-modaliteter
Derudover skitserer figur 6 de vigtigste generative AI-optimeringsstrategier, herunder hurtig ingeniørarbejde, Retrieval Augmented Generationog finjustering eller fortsat fortræning.
Figur 6: Generative AI-optimeringsstrategier
7. Forenkle udviklingen af dine applikationer ved at bruge generative AI-agenter
Generative AI-agenter tilbyde en unik mulighed for at drive bæredygtighedsinitiativer fremad med deres avancerede evner automatisering af en bred vifte af rutinemæssige og gentagne opgaver, såsom dataindtastning, kundesupportforespørgsler og indholdsgenerering. Desuden kan de orkestrere komplekse arbejdsgange i flere trin ved at opdele opgaver i mindre, håndterbare trin, koordinere forskellige handlinger og sikre effektiv eksekvering af processer i din organisation. Du kan f.eks. bruge Agenter for Amazon Bedrock at konfigurere en agent, der overvåger og analyserer energiforbrugsmønstre på tværs af dine operationer og identificerer muligheder for energibesparelser. Alternativt kan du oprette en specialiseret agent, der overvåger overholdelsen af bæredygtighedsreglerne i realtid.
8. Byg robuste feedbackmekanismer til evaluering
Udnyt feedback-indsigt til strategiske forbedringer, uanset om du justerer generative AI-modeller eller omdefinerer mål for at sikre smidighed og tilpasning til bæredygtighedsudfordringer. Overvej følgende retningslinjer:
Implementer overvågning i realtid – Konfigurer overvågningssystemer til at spore generativ AI-ydeevne i forhold til bæredygtighedsbenchmarks, med fokus på effektivitet og miljøpåvirkning. Etabler en metric pipeline at give indsigt i bæredygtighedsbidragene fra dine generative AI-initiativer.
Engager interessenter til menneske-i-løkken-evaluering – Stole på human-in-the-loop auditering og indsamler regelmæssigt feedback fra interne teams, kunder og partnere for at måle effekten af generative AI-drevne processer på organisationens bæredygtighedsbenchmarks. Dette øger gennemsigtigheden og fremmer tilliden til din forpligtelse til bæredygtighed.
Brug automatisk test til løbende forbedringer – Med værktøjer som f.eks RAGAS , LangSmith, kan du bruge LLM-baseret evaluering til at identificere og korrigere unøjagtigheder eller hallucinationer, hvilket letter hurtig optimering af generative AI-modeller i overensstemmelse med bæredygtighedsmål.
9. Mål effekt og maksimer ROI fra generativ AI for bæredygtighed
Etabler klare nøglepræstationsindikatorer (KPI'er), der fanger miljøpåvirkningen, såsom reduktion af CO2-fodaftryk, sammen med økonomiske fordele, som f.eks. omkostningsbesparelser eller forbedret virksomheds agilitet. Dette dobbelte fokus sikrer, at dine investeringer ikke kun bidrager til programmer, der er fokuseret på miljømæssig bæredygtighed, men også styrker forretningsgrundlaget for bæredygtighed, mens det giver dig mulighed for at drive innovation og konkurrencefordele i bæredygtig praksis. Del succeshistorier internt og eksternt for at inspirere andre og demonstrere din organisations engagement i bæredygtighedsledelse.
10. Minimer ressourceforbruget gennem hele den generative AI-livscyklus
I nogle tilfælde kan generativ kunstig intelligens i sig selv have en høj energiomkostning. For at opnå maksimal effekt skal du overveje afvejningen mellem fordelene ved at bruge generativ AI til bæredygtighedsinitiativer og selve teknologiens energieffektivitet. Sørg for at få en dyb forståelse af den iterative generative AI-livscyklus og optimere hver fase for miljømæssig bæredygtighed. Typisk begynder rejsen ind i generativ AI med at identificere specifikke applikationskrav. Derfra har du mulighed for enten at træne din model fra bunden eller bruge en eksisterende. I de fleste tilfælde foretrækkes det at vælge en eksisterende model og tilpasse den. Det er vigtigt at følge dette trin og evaluere dit system grundigt før implementering. Endelig muliggør kontinuerlig overvågning løbende forfining og justeringer. Gennem hele denne livscyklus, implementering AWS velstruktureret rammeværk bedste praksis anbefales. Se figur 7 for en oversigt over den generative AI-livscyklus.
Figur 7: Den generative AI-livscyklus
11. Håndter risici og implementer ansvarligt
Mens generativ kunstig intelligens har et betydeligt løfte om at arbejde hen imod din organisations bæredygtighedsmål, udgør det også udfordringer såsom toksicitet og hallucinationer. At finde den rette balance mellem innovation og ansvarlig brug af generativ AI er grundlæggende for at mindske risici og muliggøre ansvarlig AI-innovation. Denne balance skal tage højde for vurdering af risiko i form af flere faktorer såsom kvalitet, afsløringer eller rapportering. For at opnå dette, vedtage specifikke værktøjer og muligheder og samarbejde med dit sikkerhedsteams eksperter om at adoptere bedste praksis for sikkerhed er nødvendigt. Skalering af generativ AI på en sikker og sikker måde kræver at sætte autoværn på plads der er tilpasset dine brugssager og tilpasset ansvarlige AI-politikker.
12. Invester i at uddanne og træne dine teams
Løbende opkvalificere dit team og give dem de rigtige færdigheder til at innovere og aktivt bidrage til at nå din organisations bæredygtighedsmål. Identificer relevante ressourcer til bæredygtighed , generativ AI for at sikre, at dine teams forbliver opdaterede med de nødvendige færdigheder på begge områder.
Konklusion
I dette indlæg gav vi en guide til ledere til at integrere generativ AI i deres bæredygtighedsstrategier med fokus på både bæredygtighed og ESG-mål. Indførelsen af generativ kunstig intelligens i bæredygtighedsbestræbelser handler ikke kun om teknologisk innovation. Det handler om at fremme en kultur med ansvar, innovation og løbende forbedringer. Ved at prioritere data af høj kvalitet, identificere virkningsfulde muligheder og fremme interessenternes engagement, kan virksomheder udnytte den transformative kraft af generativ AI til ikke blot at nå, men overgå deres bæredygtighedsmål.
Hvordan kan AWS hjælpe?
Udforske AWS Solutions Library at opdage måder at bygge bæredygtighedsløsninger på AWS.
AWS Generative AI Innovation Center kan hjælpe dig i processen med kyndig vejledning om idé, strategisk use case identifikation, eksekvering og skalering til produktion.
For at lære mere om, hvordan Amazon bruger kunstig intelligens til at nå vores klima løfte forpligtelse af netto-nul kulstof i 2040, udforsk 7 måder AI hjælper Amazon med at opbygge en mere bæredygtig fremtid og forretning.
Om forfatterne
Dr. Wafae Bakkali er Data Scientist hos AWS. Som en generativ AI-ekspert er Wafae drevet af missionen om at give kunderne mulighed for at løse deres forretningsmæssige udfordringer ved at bruge generative AI-teknikker, hvilket sikrer, at de gør det med maksimal effektivitet og bæredygtighed.
Dr. Mehdi Noori er seniorforsker ved AWS Generative AI Innovation Center. Med en passion for at bygge bro mellem teknologi og innovation inden for bæredygtighedsområdet, hjælper han AWS-kunder med at frigøre potentialet i Generative AI og omdanne potentielle udfordringer til muligheder for hurtige eksperimenter og innovation. Ved at fokusere på skalerbar, målbar og virkningsfuld brug af avancerede AI-teknologier og strømline vejen til produktion hjælper han kunder med at nå deres bæredygtighedsmål.
Rahul Sareen er GM for Sustainability Solutions og GTM hos AWS. Rahul har et team af højtydende individer bestående af bæredygtighedsstrateger, GTM-specialister og teknologiarkitekter for at skabe gode forretningsresultater for kundens bæredygtighedsmål (alt fra sporing af CO2-emissioner, bæredygtig emballage og drift, cirkulær økonomi til vedvarende energi). Rahuls team leverer teknisk ekspertise (ML, GenAI, IoT) til at løse bæredygtighedsbrug
- SEO Powered Content & PR Distribution. Bliv forstærket i dag.
- PlatoData.Network Vertical Generative Ai. Styrk dig selv. Adgang her.
- PlatoAiStream. Web3 intelligens. Viden forstærket. Adgang her.
- PlatoESG. Kulstof, CleanTech, Energi, Miljø, Solenergi, Affaldshåndtering. Adgang her.
- PlatoHealth. Bioteknologiske og kliniske forsøgs intelligens. Adgang her.
- Kilde: https://aws.amazon.com/blogs/machine-learning/the-executives-guide-to-generative-ai-for-sustainability/
