Organisasi menghadapi tuntutan yang semakin besar terhadap tujuan keberlanjutan serta praktik lingkungan, sosial, dan tata kelola (ESG). A Survei Gartner, Inc mengungkapkan bahwa 87 persen pemimpin bisnis berharap dapat meningkatkan investasi organisasi mereka dalam bidang keberlanjutan di tahun-tahun mendatang. Posting ini berfungsi sebagai titik awal bagi setiap eksekutif yang ingin menavigasi persimpangan kecerdasan buatan generatif (AI generatif) dan keberlanjutan. Laporan ini memberikan contoh kasus penggunaan dan praktik terbaik dalam menggunakan potensi AI generatif untuk mempercepat keberlanjutan dan inisiatif ESG, serta wawasan mengenai tantangan operasional utama AI generatif untuk keberlanjutan. Panduan ini dapat digunakan sebagai peta jalan untuk mengintegrasikan AI generatif secara efektif ke dalam strategi keberlanjutan sekaligus memastikan keselarasan dengan tujuan organisasi.
Peta jalan menuju AI generatif untuk keberlanjutan
Pada bagian selanjutnya, kami memberikan peta jalan untuk mengintegrasikan AI generatif ke dalam inisiatif keberlanjutan
1. Memahami potensi AI generatif untuk keberlanjutan
AI generatif memiliki kekuatan untuk bertransformasi setiap bagian dari suatu bisnis dengan berbagai kemampuannya. Ini termasuk kemampuan menganalisis data dalam jumlah besar, mengidentifikasi pola, meringkas dokumen, melakukan terjemahan, memperbaiki kesalahan, atau menjawab pertanyaan. Kemampuan ini dapat digunakan untuk menambah nilai di seluruh rantai nilai organisasi Anda. Gambar 1 mengilustrasikan beberapa contoh kasus penggunaan AI generatif untuk keberlanjutan di seluruh rantai nilai.
Gambar 1: Contoh AI generatif untuk kasus penggunaan keberlanjutan di seluruh rantai nilai
Menurut Survei Organisasi ESG KPMG tahun 2024, investasi pada kemampuan LST juga merupakan prioritas utama bagi para eksekutif karena organisasi menghadapi tekanan peraturan yang semakin besar untuk mengungkapkan informasi tentang dampak, risiko, dan peluang LST. Dalam konteks ini, Anda dapat menggunakan AI generatif untuk memajukan tujuan-tujuan ESG organisasi Anda.
Alur kerja LST pada umumnya terdiri dari beberapa fase, yang masing-masing menghadirkan titik permasalahan yang unik. AI Generatif menawarkan solusi yang dapat mengatasi permasalahan ini selama proses berlangsung dan berkontribusi pada upaya keberlanjutan. Gambar 2 memberikan contoh yang menggambarkan bagaimana AI generatif dapat mendukung setiap fase alur kerja LST dalam organisasi Anda. Contoh-contoh ini termasuk mempercepat analisis tren pasar, memastikan manajemen risiko dan kepatuhan yang akurat, serta memfasilitasi pengumpulan data atau pembuatan laporan. Perlu diperhatikan bahwa alur kerja LST dapat bervariasi antar sektor, kematangan organisasi, dan kerangka legislatif yang berbeda. Faktor-faktor seperti peraturan khusus industri, ukuran perusahaan, dan kebijakan regional dapat mempengaruhi langkah-langkah alur kerja LST. Oleh karena itu, memprioritaskan kasus penggunaan sesuai dengan kebutuhan dan konteks spesifik Anda serta menentukan rencana yang jelas untuk mengukur keberhasilan sangat penting untuk efektivitas yang optimal.
Gambar 2: Memetakan manfaat AI generatif di seluruh alur kerja LST
2. Mengenali tantangan operasional AI generatif untuk keberlanjutan
Memahami dan mengatasi tantangan penerapan AI generatif dengan tepat sangat penting bagi organisasi yang ingin menggunakan potensinya untuk mencapai tujuan keberlanjutan organisasi dan inisiatif LST. Tantangan-tantangan ini mencakup pengumpulan dan pengelolaan data berkualitas tinggi, mengintegrasikan AI generatif ke dalam sistem TI yang ada, mengatasi masalah etika, mengisi kesenjangan keterampilan, dan menyiapkan organisasi untuk sukses dengan melibatkan pemangku kepentingan utama seperti chief information security officer (CISO) atau chief petugas keuangan (CFO) lebih awal sehingga Anda membangun secara bertanggung jawab. Tantangan hukum merupakan hambatan besar dalam transisi dari bukti konsep (POC) ke produksi. Oleh karena itu, penting untuk melibatkan tim hukum di awal proses untuk membangun dengan mempertimbangkan kepatuhan. Gambar 3 memberikan gambaran tentang tantangan operasional utama AI generatif untuk keberlanjutan.
Gambar 3: Tantangan operasional AI generatif terhadap keberlanjutan
3. Tetapkan landasan data yang tepat
Sebagai CEO yang ingin menggunakan AI generatif untuk mencapai tujuan keberlanjutan, ingatlah hal itu data adalah pembeda Anda. Perusahaan yang tidak memiliki akses terhadap data berkualitas tinggi tidak akan dapat menyesuaikan model AI generatif dengan data mereka sendiri, sehingga kehilangan potensi penskalaan penuh dari AI generatif dan menciptakan keunggulan kompetitif. Berinvestasilah dalam memperoleh beragam dan berkualitas tinggi kumpulan data untuk memperkaya dan mempercepat inisiatif LST Anda. Anda dapat menggunakan sumber daya seperti Inisiatif Data Keberlanjutan Amazon atau itu Pertukaran Data AWS untuk menyederhanakan dan mempercepat perolehan dan analisis kumpulan data yang komprehensif. Selain akuisisi data eksternal, prioritaskan pengelolaan data internal untuk memaksimalkan potensi AI generatif dan gunakan kemampuannya dalam menganalisis data organisasi Anda dan mengungkap wawasan baru.
Dari sudut pandang operasional, Anda bisa menerimanya operasi model dasar (FMOps) dan operasi model bahasa besar (LLMOps) untuk memastikan upaya keberlanjutan Anda berbasis data dan terukur. Hal ini melibatkan pendokumentasian silsilah data, pembuatan versi data, otomatisasi pemrosesan data, dan pemantauan biaya pengelolaan data.
4. Identifikasi peluang yang berdampak besar
Anda dapat menggunakan Prinsip kerja mundur Amazon untuk menunjukkan peluang dalam strategi keberlanjutan Anda di mana AI generatif dapat memberikan dampak yang signifikan. Prioritaskan proyek yang menjanjikan peningkatan segera di bidang-bidang utama dalam organisasi Anda. Meskipun ESG tetap menjadi aspek kunci keberlanjutan, memanfaatkan keahlian khusus industri di berbagai sektor seperti energi, supply chain, dan manufaktur, transportasi, atau pertanian dapat mengungkap beragam AI generatif untuk kasus penggunaan keberlanjutan yang disesuaikan dengan aplikasi bisnis Anda. Selain itu, menjajaki cara-cara alternatif, seperti penggunaan AI generatif untuk meningkatkan penelitian dan pengembangan, memungkinkan layanan mandiri pelanggan, mengoptimalkan penggunaan energi di gedung atau memperlambat deforestasi, juga dapat memberikan peluang yang berdampak bagi inovasi berkelanjutan.
5. Gunakan alat yang tepat
Kegagalan dalam menggunakan alat yang tepat dapat menambah kompleksitas, membahayakan keamanan, dan mengurangi efektivitas penggunaan AI generatif untuk keberlanjutan. Alat yang tepat harus memberi Anda pilihan dan fleksibilitas serta memungkinkan Anda menyesuaikan solusi dengan kebutuhan dan persyaratan tertentu.
Gambar 4 mengilustrasikan Tumpukan AI generatif AWS pada tahun 2023, yang menawarkan serangkaian kemampuan yang mencakup pilihan, keluasan, dan kedalaman di semua lapisan. Selain itu, ini dibangun dengan pendekatan yang mengutamakan data, memastikan bahwa setiap aspek penawarannya dirancang dengan mempertimbangkan keamanan dan privasi.
Contoh alat yang dapat Anda gunakan untuk memajukan inisiatif keberlanjutan adalah:
Batuan Dasar Amazon – layanan terkelola sepenuhnya yang menyediakan akses ke FM berkinerja tinggi dari perusahaan AI terkemuka melalui satu API, memungkinkan Anda memilih model yang tepat untuk kasus penggunaan keberlanjutan Anda.
Pelatihan AWS2 – Dibuat khusus untuk pelatihan FM dan LLM berkinerja tinggi, Trainium2 memberikan efisiensi energi (kinerja/watt) hingga 2x lebih baik dibandingkan chip Trainium generasi pertama.
Berbasis Inferensia2 Contoh Amazon EC2 Inf2 – Instans ini menawarkan kinerja/watt hingga 50 persen lebih baik dibandingkan mesin sejenis Amazon Elastic Compute Cloud (Amazon EC2) contoh. Dibuat khusus untuk menangani model pembelajaran mendalam dalam skala besar, instans Inf2 sangat diperlukan untuk menerapkan model ultra-besar sekaligus memenuhi tujuan keberlanjutan melalui peningkatan efisiensi energi.
Gambar 4: Tumpukan AI generatif AWS
6. Gunakan pendekatan yang tepat
AI generatif bukanlah solusi universal. Menyesuaikan pendekatan Anda dengan memilih modalitas dan strategi optimalisasi yang tepat sangat penting untuk memaksimalkan dampaknya terhadap inisiatif keberlanjutan. Gambar 5 memberikan gambaran umum tentang modalitas AI generatif dan strategi pengoptimalan, termasuk rekayasa cepat, Pengambilan Augmented Generation, dan penyempurnaan atau pra-pelatihan lanjutan.
Gambar 5: Modalitas AI generatif
Selain itu, gambar 6 menguraikan strategi utama pengoptimalan AI generatif, termasuk rekayasa cepat, Pengambilan Augmented Generation, dan penyempurnaan atau pra-pelatihan lanjutan.
Gambar 6: Strategi optimasi AI generatif
7. Sederhanakan pengembangan aplikasi Anda dengan menggunakan agen AI generatif
Agen AI generatif menawarkan peluang unik untuk mendorong inisiatif keberlanjutan dengan kemampuan canggihnya mengotomatiskan berbagai tugas rutin dan berulang, seperti entri data, pertanyaan dukungan pelanggan, dan pembuatan konten. Selain itu, mereka dapat mengatur alur kerja yang kompleks dan multilangkah dengan memecah tugas menjadi langkah-langkah yang lebih kecil dan mudah dikelola, mengoordinasikan berbagai tindakan, dan memastikan pelaksanaan proses yang efisien dalam organisasi Anda. Misalnya, Anda dapat menggunakan Agen untuk Amazon Bedrock untuk mengonfigurasi agen yang memantau dan menganalisis pola penggunaan energi di seluruh operasi Anda dan mengidentifikasi peluang penghematan energi. Alternatifnya, Anda dapat membentuk agen khusus yang memantau kepatuhan terhadap peraturan keberlanjutan secara real-time.
8. Membangun mekanisme umpan balik yang kuat untuk evaluasi
Manfaatkan wawasan masukan untuk perbaikan strategis, baik menyesuaikan model AI generatif atau mendefinisikan ulang tujuan untuk memastikan ketangkasan dan keselarasan dengan tantangan keberlanjutan. Pertimbangkan pedoman berikut:
Menerapkan pemantauan waktu nyata – Menyiapkan sistem pemantauan untuk melacak kinerja AI generatif terhadap tolok ukur keberlanjutan, dengan fokus pada efisiensi dan dampak lingkungan. Tetapkan saluran metrik untuk memberikan wawasan tentang kontribusi keberlanjutan dari inisiatif AI generatif Anda.
Libatkan pemangku kepentingan untuk melakukan evaluasi human-in-the-loop – Andalkan audit human-in-the-loop dan secara berkala mengumpulkan masukan dari tim internal, pelanggan, dan mitra untuk mengukur dampak proses generatif yang didorong oleh AI terhadap tolok ukur keberlanjutan organisasi. Hal ini meningkatkan transparansi dan meningkatkan kepercayaan terhadap komitmen Anda terhadap keberlanjutan.
Gunakan pengujian otomatis untuk perbaikan berkelanjutan – Dengan alat seperti RAGAS dan LangSmith, Anda dapat menggunakan evaluasi berbasis LLM untuk mengidentifikasi dan memperbaiki ketidakakuratan atau halusinasi, memfasilitasi optimalisasi cepat model AI generatif sejalan dengan tujuan keberlanjutan.
9. Mengukur dampak dan memaksimalkan ROI dari AI generatif untuk keberlanjutan
Tetapkan indikator kinerja utama (KPI) yang jelas yang mencakup dampak lingkungan, seperti pengurangan jejak karbon, serta manfaat ekonomi, seperti penghematan biaya atau peningkatan ketangkasan bisnis. Fokus ganda ini memastikan bahwa investasi Anda tidak hanya berkontribusi pada program yang berfokus pada kelestarian lingkungan namun juga memperkuat alasan bisnis untuk keberlanjutan sekaligus memberdayakan Anda untuk mendorong inovasi dan keunggulan kompetitif dalam praktik berkelanjutan. Bagikan kisah sukses secara internal dan eksternal untuk menginspirasi orang lain dan menunjukkan komitmen organisasi Anda terhadap kepemimpinan keberlanjutan.
10. Minimalkan penggunaan sumber daya di seluruh siklus hidup AI generatif
Dalam beberapa kasus, AI generatif sendiri dapat menimbulkan biaya energi yang tinggi. Untuk mencapai dampak maksimal, pertimbangkan trade-off antara manfaat penggunaan AI generatif untuk inisiatif keberlanjutan dan efisiensi energi dari teknologi itu sendiri. Pastikan untuk mendapatkan pemahaman mendalam tentang siklus hidup AI generatif berulang dan mengoptimalkan setiap fase untuk kelestarian lingkungan. Biasanya, perjalanan menuju AI generatif dimulai dengan mengidentifikasi persyaratan aplikasi tertentu. Dari sana, Anda memiliki opsi untuk melatih model Anda dari awal atau menggunakan model yang sudah ada. Dalam kebanyakan kasus, memilih model yang sudah ada dan menyesuaikannya lebih disukai. Mengikuti langkah ini dan mengevaluasi sistem Anda secara menyeluruh sangat penting sebelum penerapan. Terakhir, pemantauan berkelanjutan memungkinkan penyempurnaan dan penyesuaian berkelanjutan. Sepanjang siklus hidup ini, implementasi Kerangka Kerja AWS Well-Architected praktik terbaik direkomendasikan. Lihat Gambar 7 untuk ikhtisar siklus hidup AI generatif.
Gambar 7: Siklus hidup AI generatif
11. Kelola risiko dan terapkan secara bertanggung jawab
Meskipun AI generatif mempunyai potensi besar untuk mencapai tujuan keberlanjutan organisasi Anda, AI generatif juga mempunyai potensi besar tantangan seperti toksisitas dan halusinasi. Mencapai keseimbangan yang tepat antara inovasi dan penggunaan AI generatif yang bertanggung jawab merupakan hal mendasar untuk memitigasi risiko dan memungkinkan inovasi AI yang bertanggung jawab. Saldo ini harus memperhitungkan penilaian risiko dalam beberapa faktor seperti kualitas, pengungkapan, atau pelaporan. Untuk mencapai hal ini, mengadopsi spesifik alat dan kemampuan dan bekerja sama dengan pakar tim keamanan Anda untuk menerapkannya praktik terbaik keamanan diperlukan. Diperlukan penskalaan AI generatif dengan cara yang aman dan terjamin memasang pagar pembatas yang disesuaikan dengan kasus penggunaan Anda dan selaras dengan kebijakan AI yang bertanggung jawab.
12. Berinvestasilah dalam mendidik dan melatih tim Anda
Terus tingkatkan keterampilan tim Anda dan berdayakan mereka dengan keterampilan yang tepat untuk berinovasi dan berkontribusi aktif dalam mencapai tujuan keberlanjutan organisasi Anda. Identifikasi sumber daya yang relevan untuk keberlanjutan dan AI generatif untuk memastikan tim Anda selalu mendapat informasi terkini tentang keterampilan penting yang dibutuhkan di kedua bidang tersebut.
Kesimpulan
Dalam postingan ini, kami memberikan panduan bagi para eksekutif untuk mengintegrasikan AI generatif ke dalam strategi keberlanjutan mereka, dengan fokus pada tujuan keberlanjutan dan ESG. Penerapan AI generatif dalam upaya keberlanjutan bukan hanya soal inovasi teknologi. Ini tentang menumbuhkan budaya tanggung jawab, inovasi, dan perbaikan berkelanjutan. Dengan memprioritaskan data berkualitas tinggi, mengidentifikasi peluang yang berdampak, dan mendorong keterlibatan pemangku kepentingan, perusahaan dapat memanfaatkan kekuatan transformatif AI generatif untuk tidak hanya mencapai tetapi juga melampaui tujuan keberlanjutan mereka.
Bagaimana AWS dapat membantu?
Jelajahi Perpustakaan Solusi AWS untuk menemukan cara membangun solusi keberlanjutan di AWS.
Grafik Pusat Inovasi AI Generatif AWS dapat membantu Anda dalam proses dengan panduan ahli tentang ide, identifikasi kasus penggunaan strategis, eksekusi, dan penskalaan ke produksi.
Untuk mempelajari lebih lanjut tentang bagaimana Amazon menggunakan AI untuk menjangkau kami janji iklim komitmen net-zero carbon pada tahun 2040, jelajahi 7 cara AI membantu Amazon membangun masa depan dan bisnis yang lebih berkelanjutan.
Tentang Penulis
Dr.Wafae Bakkali adalah Ilmuwan Data di AWS. Sebagai ahli AI generatif, Wafae memiliki misi untuk memberdayakan pelanggan dalam memecahkan tantangan bisnis mereka melalui pemanfaatan teknik AI generatif, memastikan mereka melakukannya dengan efisiensi dan keberlanjutan maksimum.
Dr Mehdi Noori adalah Ilmuwan Senior di AWS Generative AI Innovation Center. Dengan semangat untuk menjembatani teknologi dan inovasi di bidang keberlanjutan, dia membantu pelanggan AWS dalam membuka potensi AI Generatif, mengubah potensi tantangan menjadi peluang untuk eksperimen dan inovasi yang cepat. Dengan berfokus pada penggunaan teknologi AI canggih yang terukur, terukur, dan berdampak serta menyederhanakan jalur produksi, ia membantu pelanggan mencapai tujuan keberlanjutan mereka.
Rahul Sareen adalah GM untuk Solusi Keberlanjutan dan GTM di AWS. Rahul memiliki tim yang terdiri dari individu-individu berkinerja tinggi yang terdiri dari ahli strategi keberlanjutan, spesialis GTM, dan arsitek teknologi untuk menciptakan hasil bisnis yang luar biasa untuk tujuan keberlanjutan pelanggan (mulai dari pelacakan emisi karbon, pengemasan dan operasi berkelanjutan, ekonomi sirkular hingga energi terbarukan). Tim Rahul menyediakan keahlian teknis (ML, GenAI, IoT) untuk menyelesaikan kasus penggunaan keberlanjutan
- Konten Bertenaga SEO & Distribusi PR. Dapatkan Amplifikasi Hari Ini.
- PlatoData.Jaringan Vertikal Generatif Ai. Berdayakan Diri Anda. Akses Di Sini.
- PlatoAiStream. Intelijen Web3. Pengetahuan Diperkuat. Akses Di Sini.
- PlatoESG. Karbon, teknologi bersih, energi, Lingkungan Hidup, Tenaga surya, Penanganan limbah. Akses Di Sini.
- PlatoHealth. Kecerdasan Uji Coba Biotek dan Klinis. Akses Di Sini.
- Sumber: https://aws.amazon.com/blogs/machine-learning/the-executives-guide-to-generative-ai-for-sustainability/
