组织面临着可持续发展目标以及环境、社会和治理 (ESG) 实践日益增长的要求。 A Gartner, Inc. 调查 据透露，87% 的企业领导者希望在未来几年增加其组织在可持续发展方面的投资。这篇文章可以作为任何寻求解决以下问题的高管的起点： 生成人工智能（generative AI） 和 承诺对学院。它提供了利用生成人工智能的潜力来加速可持续发展和 ESG 举措的用例和最佳实践示例，以及对生成人工智能实现可持续发展的主要运营挑战的见解。本指南可用作将生成式人工智能有效整合到可持续发展战略中的路线图，同时确保与组织目标保持一致。
可持续发展的生成式人工智能路线图
在接下来的部分中，我们提供了将生成式人工智能整合到可持续发展计划中的路线图
1.了解生成式人工智能在可持续发展方面的潜力
生成式人工智能具有变革的力量 企业的每个部分 以其广泛的功能。其中包括分析大量数据、识别模式、总结文档、执行翻译、纠正错误或回答问题的能力。这些功能可用于在组织的整个价值链中增加价值。图 1 展示了生成式人工智能在整个价值链中实现可持续发展的用例的精选示例。
图 1：跨价值链可持续发展用例的生成式人工智能示例
根据 毕马威 2024 年 ESG 组织调查随着组织面临越来越大的监管压力，要求其披露有关 ESG 影响、风险和机遇的信息，对 ESG 能力的投资是高管的另一个首要任务。在此背景下，您可以使用生成式人工智能 推进组织的 ESG 目标.
典型的 ESG 工作流程由多个阶段组成，每个阶段都有独特的痛点。生成式人工智能提供的解决方案可以在整个过程中解决这些痛点，并为可持续发展做出贡献。图 2 提供的示例说明了生成式 AI 如何支持组织内 ESG 工作流程的每个阶段。这些示例包括加快市场趋势分析、确保准确的风险管理和合规性以及促进数据收集或报告生成。请注意，ESG 工作流程可能因不同行业、组织成熟度和立法框架而异。行业特定法规、公司规模和区域政策等因素可能会影响 ESG 工作流程步骤。因此，根据您的特定需求和环境确定用例的优先级并定义清晰的计划来衡量成功对于获得最佳效果至关重要。
图 2：在 ESG 工作流程中映射生成式 AI 的优势
2. 认识生成式人工智能对可持续发展的运营挑战
对于希望利用其潜力来实现组织的可持续发展目标和 ESG 举措的组织来说，理解并适当应对实施生成式 AI 的挑战至关重要。这些挑战包括收集和管理高质量数据、将生成式人工智能集成到现有 IT 系统中、解决道德问题、填补技能差距以及通过引入首席信息安全官 (CISO) 或首席信息官等关键利益相关者来帮助组织取得成功。尽早担任财务官 (CFO)，以便您负责任地进行建设。法律挑战是从概念验证 (POC) 过渡到生产的巨大障碍。因此，有必要让法律团队尽早参与到构建过程中并牢记合规性。图 3 概述了生成式人工智能在可持续发展方面面临的主要运营挑战。
图 3：生成式 AI 实现可持续发展的运营挑战
3. 建立正确的数据基础
作为一位致力于利用生成式人工智能实现可持续发展目标的首席执行官，请记住： 数据是您的优势。无法随时获取高质量数据的公司将无法使用自己的数据定制生成式人工智能模型，从而错过了充分发挥生成式人工智能的扩展潜力并创造竞争优势的机会。投资收购 多元化、高品质 数据集来丰富和加速您的 ESG 计划。您可以使用诸如 亚马逊可持续发展数据计划 或者 AWS数据交换 简化和加快综合数据集的获取和分析。除了外部数据获取之外，还要优先考虑内部数据管理，以最大限度地发挥生成式人工智能的潜力，并利用其功能来分析组织数据并发现新的见解。
从操作的角度来看，您可以拥抱 基础模型操作 (FMOps) 和 大型语言模型操作 (LLMOps) 确保您的可持续发展工作是数据驱动的且可扩展的。这涉及记录数据沿袭、数据版本控制、自动化数据处理和监控数据管理成本。
4. 识别高影响力的机会
您可以使用 亚马逊的逆向工作原则 在您的可持续发展战略中找出生成式人工智能可以产生重大影响的机会。优先考虑能够立即增强组织内关键领域的项目。虽然 ESG 仍然是可持续发展的一个关键方面，但可以利用跨部门的特定行业专业知识，例如 能源, 供应链及 制造业、运输业或农业 可以发现针对您的企业应用程序量身定制的可持续发展用例的各种生成式人工智能。此外，探索替代途径，例如使用生成式人工智能来改进研发、实现客户自助服务、优化建筑物或区域的能源使用 减缓森林砍伐，还可以为可持续创新提供有影响力的机会。
5.使用正确的工具
未能使用适当的工具可能会增加复杂性、损害安全性并降低使用生成式人工智能实现可持续发展的有效性。正确的工具应该为您提供选择和灵活性，并使您能够根据特定的需求和要求定制解决方案。
图 4 说明了 AWS 生成式 AI 堆栈 截至 2023 年，它提供了一系列涵盖所有层的选择、广度和深度的功能。此外，它建立在数据优先的方法之上，确保其产品的每个方面在设计时都考虑到安全和隐私。
您可以用来推进可持续发展计划的工具示例包括：
亚马逊基岩 – 一项完全托管的服务，可通过单一 API 访问领先 AI 公司的高性能 FM，使您能够为可持续发展用例选择正确的模型。
AWS 培训2 – Trainium2 专为 FM 和 LLM 的高性能训练而设计，与第一代 Trainium 芯片相比，能效（性能/瓦特）提高了 2 倍。
基于Inferentia2 Amazon EC2 Inf2实例 – 与同类实例相比，这些实例的性能功耗比提高了 50% Amazon Elastic Compute Cloud（Amazon EC2） 实例。 Inf2 实例专为处理大规模深度学习模型而构建，对于部署超大型模型至关重要，同时通过提高能源效率来实现可持续发展目标。
图 4：AWS 生成式 AI 堆栈
6. 使用正确的方法
生成式人工智能并不是一种万能的解决方案。通过选择正确的方式和优化策略来定制您的方法对于最大化其对可持续发展计划的影响至关重要。图 5 概述了生成式 AI 模式和优化策略，包括 即时工程, 检索增强生成及 微调或继续预训练.
图 5：生成式 AI 模式
此外，图 6 概述了主要的生成式 AI 优化策略，包括 即时工程, 检索增强生成及 微调或继续预训练.
图 6：生成式 AI 优化策略
7. 使用生成式人工智能代理简化应用程序的开发
生成式人工智能代理 提供独特的机会，利用其先进的能力推动可持续发展计划的发展 自动执行各种日常和重复性任务，例如数据输入、客户支持查询和内容生成。此外，他们可以通过将任务分解为更小的、可管理的步骤、协调各种操作并确保 组织内流程的高效执行. 例如，您可以使用 亚马逊基岩代理 配置一个代理来监控和分析整个运营过程中的能源使用模式并识别节能机会。或者，您可以创建一个专门的代理来实时监控可持续性法规的遵守情况。
8. 建立健全评价反馈机制
利用反馈见解进行战略改进，无论是调整生成式人工智能模型还是重新定义目标，以确保敏捷性并与可持续发展挑战保持一致。请考虑以下准则：
实施实时监控—— 建立监控系统，根据可持续发展基准跟踪生成式人工智能的表现，重点关注效率和环境影响。 建立指标管道 深入了解您的生成式人工智能计划对可持续发展的贡献。
让利益相关者参与人机参与评估 – 依靠 人在回路审计 并定期收集内部团队、客户和合作伙伴的反馈，以评估生成式人工智能驱动流程对组织可持续发展基准的影响。这提高了透明度并增强了人们对可持续发展承诺的信任。
使用自动化测试进行持续改进 – 使用诸如 拉加斯 和 兰·史密斯，您可以使用基于法学硕士的评估来识别和纠正错误或幻觉，从而促进根据可持续发展目标快速优化生成式人工智能模型。
9. 衡量生成式人工智能的影响并最大化投资回报率以实现可持续发展
建立明确的关键绩效指标 (KPI)，捕捉环境影响（例如减少碳足迹）以及经济效益（例如 节省成本或增强业务敏捷性。这种双重关注确保您的投资不仅有助于注重环境可持续性的计划，而且还强化了可持续发展的商业案例，同时使您能够在可持续实践中推动创新和竞争优势。在内部和外部分享成功故事，以激励他人并展示您的组织对可持续发展领导力的承诺。
10. 在整个生成人工智能生命周期中最大限度地减少资源使用
在某些情况下，生成式人工智能本身的能源成本可能很高。为了实现最大的影响，请考虑使用生成式人工智能进行可持续发展计划的好处与技术本身的能源效率之间的权衡。确保深入了解迭代生成人工智能生命周期和 优化每个阶段以实现环境可持续性。通常，生成式人工智能之旅始于确定特定的应用程序需求。从那里，您可以选择从头开始训练模型或使用现有模型。在大多数情况下，首选选择现有模型并对其进行定制。在部署之前，遵循此步骤并彻底评估您的系统至关重要。最后，持续监控可以实现持续的改进和调整。在整个生命周期中，实施 AWS架构完善的框架 建议最佳实践。请参阅图 7，了解生成式 AI 生命周期的概述。
图 7：生成式 AI 生命周期
11. 管理风险并负责任地实施
虽然生成式人工智能对于实现组织的可持续发展目标具有重大前景，但它也提出了 挑战 例如中毒和幻觉。在创新和负责任地使用生成式人工智能之间取得适当的平衡是降低风险和实现负责任的人工智能创新的基础。该余额必须考虑 风险评估 就质量、披露或报告等几个因素而言。为实现这一目标，采取具体 工具和能力 并与您的安全团队专家合作采用 安全最佳实践 是必要的。以安全可靠的方式扩展生成式人工智能需要 设置护栏 根据您的用例定制并符合负责任的人工智能政策。
12. 投资于团队的教育和培训
不断提高您的团队的技能，赋予他们适当的创新技能，并积极为实现组织的可持续发展目标做出贡献。确定相关资源 承诺对学院 和 生成式人工智能 确保您的团队随时掌握这两个领域所需的基本技能。
结论
在这篇文章中，我们为高管人员提供了将生成式人工智能融入其可持续发展战略的指南，重点关注可持续发展和 ESG 目标。在可持续发展工作中采用生成式人工智能不仅仅是技术创新。它涉及培养责任、创新和持续改进的文化。通过优先考虑高质量数据、识别有影响力的机会并促进利益相关者的参与，企业可以利用生成式人工智能的变革力量，不仅实现甚至超越其可持续发展目标。
AWS 可以提供什么帮助？
探索 AWS 解决方案库 探索在 AWS 上构建可持续发展解决方案的方法。
AWS 生成式 AI 创新中心 可以在此过程中为您提供有关创意的专家指导, 战略用例识别、执行和扩展到生产。
详细了解亚马逊如何利用人工智能来达到我们的目标 气候承诺 到 2040 年实现净零碳的承诺，探索 人工智能帮助亚马逊打造更加可持续的未来和业务的 7 种方式。
作者简介
瓦法·巴卡利博士 是 AWS 的数据科学家。作为生成式人工智能专家，Wafae 的使命是帮助客户通过利用生成式人工智能技术解决其业务挑战，确保他们以最高的效率和可持续性来解决这一问题。
迈赫迪·努里博士 是 AWS 生成式 AI 创新中心的高级科学家。他热衷于连接可持续发展领域的技术和创新，帮助 AWS 客户释放生成式 AI 的潜力，将潜在的挑战转化为快速实验和创新的机会。通过专注于先进人工智能技术的可扩展、可衡量和有影响力的使用以及简化生产路径，他帮助客户实现其可持续发展目标。
拉胡尔·萨林 是 AWS 可持续发展解决方案和 GTM 的总经理。 Rahul 拥有一支由可持续发展战略家、GTM 专家和技术架构师组成的高绩效团队，致力于为客户的可持续发展目标（从碳排放跟踪、可持续包装和运营、循环经济到可再生能源）创造出色的业务成果。 Rahul 的团队提供技术专业知识（ML、GenAI、IoT）来解决可持续发展用例
