Cara perusahaan rintisan teknologi iklim menggunakan AI generatif untuk mengatasi krisis iklim

Kecerdasan buatan (AI) generatif dapat terlihat seperti keajaiban atau kolaborator yang cerdas, yang menghasilkan teks, gambar, video, dan musik asli. Hal ini telah menarik perhatian dunia dengan kemampuan obrolan yang luar biasa serta pembuatan gambar yang menawan. Namun, AI generatif bisa lebih dari sekadar kolaborator kreatif atau bot obrolan. Di AWS, kami melihat AI generatif mengubah cara manusia dan bisnis menggunakan teknologi untuk memecahkan beberapa masalah paling menantang di dunia.

Ada beberapa masalah yang lebih mendesak dibandingkan dengan krisis iklim. Dunia sedang berlomba untuk mencapai emisi karbon nol bersih pada tahun 2050 untuk membatasi pemanasan global hingga 2 derajat Celcius sebelum dampak perubahan iklim tidak dapat diubah lagi. Kecepatan sangat penting untuk mengatasi krisis iklim—AI generatif masih merupakan bidang yang sedang berkembang, tetapi AI generatif sudah menjadi alat penting untuk mempercepat pembangunan dan deployment solusi iklim.

Kami sangat antusias untuk memperkenalkan Anda kepada beberapa perusahaan rintisan Teknologi Iklim yang berada di garis depan dalam perlombaan untuk menghentikan krisis iklim. Mereka menggunakan AI generatif untuk memerangi perubahan iklim dengan mengurangi emisi gas rumah kaca dan memungkinkan dunia melakukan transisi menuju ekonomi nol karbon.

BrainBox AI: Mempercepat dekarbonisasi bangunan melalui AI generatif

Menurut International Energy Agency (IEA), bangunan menyumbang 30 persen dari konsumsi energi global dan 26 persen dari emisi terkait energi global. Mengurangi penggunaan energi bangunan sangat penting untuk mencapai emisi global nol bersih.

BrainBox AI telah mengembangkan AI otonom untuk mendekarbonisasi dan mengoptimalkan bangunan komersial. Hal ini juga menghemat uang pelanggan untuk tagihan listrik mereka. Solusi optimisasi berbasis cloud yang dibangun di AWS terhubung ke sistem HVAC (pemanas, ventilasi, dan pendingin udara) bangunan yang ada dan secara mandiri mengirimkan perintah kontrol yang dioptimalkan secara waktu nyata untuk meminimalkan emisi dan konsumsi energi tanpa campur tangan manusia.

Misalnya, BrainBox AI telah membantu pemilik bangunan mengurangi biaya energi HVAC hingga 25 persen dan mengurangi emisi gas rumah kaca terkait HVAC hingga 40 persen dengan memprediksi suhu di toko ritel berdasarkan data historis dan set data eksternal, seperti cuaca serta struktur tarif energi.

Saat BrainBox AI menambahkan bangunan baru ke sistemnya, mereka menggunakan AI generatif untuk mengurangi waktu orientasi bagi setiap bangunan baru. Pada masa lalu, setiap kali peralatan baru diidentifikasi di suatu bangunan, seperti pompa atau unit penanganan udara, para rekayasawan harus membaca panduan teknis yang rumit dari produsen, untuk menemukan detail seperti peringkat daya pompa atau tekanan yang dihasilkannya, dan akhirnya mengonversi informasi tersebut menjadi format yang dapat dibaca mesin.

Menggunakan Amazon Bedrock, BrainBox AI mengekstraksi data dan menghasilkan file konfigurasi secara otomatis. File ini kemudian diselesaikan dan direvisi oleh para rekayasawan. Proses ini dikenal sebagai power tagging. Dengan Amazon Bedrock, BrainBox AI memperkirakan bahwa mereka mengurangi waktu yang dibutuhkan untuk power tag lebih dari 90 persen. Hasilnya, BrainBox AI mampu merekrut lebih banyak pelanggan serta lebih cepat sehingga dapat memiliki dampak yang lebih besar dan lebih cepat pada krisis iklim.

Pendulum: Dekarbonisasi rantai pasokan dengan AI generatif

Pendulum memanfaatkan tenaga AI untuk mengatasi salah satu masalah paling mendesak di dunia: cara organisasi dapat menciptakan lebih banyak dengan upaya lebih sedikit. Teknologi perusahaan menawarkan solusi berkelanjutan untuk masalah kompleks di sektor-sektor, seperti rantai pasokan komersial, kesehatan global, dan keamanan nasional.

Mengoptimalkan rantai pasokan sangat penting untuk mengurangi emisi karbon. Accenture memperkirakan bahwa rantai pasokan menghasilkan 60 persen dari semua emisi karbon secara global. Menurut Badan Perlindungan Lingkungan AS, rantai pasokan dapat menyumbang lebih dari 90 persen emisi gas rumah kaca perusahaan. Ketika Anda melihat cara rantai pasokan bekerja (atau tidak bekerja) saat ini, ada beberapa detail mengejutkan mengenai tingkat sumber daya dan modal yang terbuang. Misalnya, setiap tahun, diperkirakan ada kerugian sebesar 562 miliar USD karena kelebihan stok, dengan 17 persen produk makanan dan 8 persen produk ritel dan barang kemasan konsumen dibuang.

Solusi yang ditenagai AI Pendulum memungkinkan organisasi mengelola operasi mereka secara cerdas dan mengurangi limbah produk, kehilangan pendapatan, dan emisi gas rumah kaca berlebih. Dibangun di atas AWS, perangkat lunak Pendulum dapat memprediksi permintaan, merencanakan pasokan, serta menempatkan pengiriman secara geografis. Hal ini memungkinkan perusahaan untuk lebih akurat membeli sumber daya yang mereka butuhkan sekaligus memproduksi barang dalam jumlah persis dengan yang diminta pelanggan mereka.

Mengakses data korporasi sangat penting untuk platform Pendulum. Namun, data sering disimpan dalam sistem silo dan dokumen tidak terstruktur, seperti PDF dan file teks biasa. Perangkat lunak Pendulum dirancang untuk memanfaatkan sumber data yang paling relevan dengan pengambilan keputusan operasional. Mereka melakukan deployment AI generatif untuk dengan cepat membuka informasi penting yang terkandung dalam dokumen yang panjang serta rumit agar mereka dapat mempercepat waktu untuk memberi nilai bagi pelanggan mereka.

Salah satu contoh hal ini dilakukan deployment secara efektif adalah di pertanian presisi. Tim Pendulum menggunakan pendekatan human-in-the-loop untuk menginstruksikan model bahasa besar (LLM) di AWS Trainium menggunakan Amazon SageMaker. Hal ini menghasilkan data yang dapat dibaca mesin dari file tidak terstruktur yang dapat digunakan mesin pertanian pelanggan mereka untuk menentukan berapa banyak pestisida, air, dan produk lain yang akan digunakan. Akibatnya, pelanggan cenderung tidak terlalu sering menggunakan atau memesan sumber daya secara berlebihan, dapat menghemat uang, dan mengurangi jejak karbon serta dampak lingkungan mereka. Selain itu, memungkinkan pelanggan untuk mematuhi kebutuhan pembangkit, peraturan setempat, dan kriteria penting lainnya.

Pendulum memperkirakan solusi ini telah mengurangi waktu yang diperlukan untuk memecahkan kode dokumen ini sebesar 83 persen, dan mereka kini hanya perlu meninjau data untuk jaminan kualitas. Hal ini pada gilirannya akan mengurangi biaya dan mempercepat deployment perangkat lunak mereka dalam skala besar.

VIA: Mempermudah manajer gedung untuk memahami efisiensi energi dengan AI generatif

Untuk memungkinkan pengurangan emisi, lembaga dan bisnis perlu melacak data energi di tingkat lokal dan individu. Misalnya, untuk mengurangi emisi karbon yang terkait dengan armada kendaraan listriknya (EV), penting bagi perusahaan untuk memahami apakah EV, di wilayah tertentu, pada waktu tertentu, diisi menggunakan listrik yang ditenagai oleh energi terbarukan atau bahan bakar fosil. Untuk bangunan hemat energi, data individual yang mendalam di seluruh portofolio real estat organisasi sangatlah penting. Jika semua orang memberikan semua data secara transparan, hal ini tidak akan menjadi masalah. Namun, data tingkat individu seringkali tidak dapat diakses karena masalah privasi atau masalah keamanan. Banyak orang enggan memberikan waktu, tanggal, dan lokasi data pengisian/pengosongan/energi kendaraan mereka. Hal ini membuat manajemen energi dan pengurangan gas rumah kaca menjadi tantangan.

Via Science, Inc. (VIA) memungkinkan organisasi untuk mengurangi jejak karbon mereka secara kolektif, sekaligus menjaga data individu tetap privat dan aman. Perusahaan menyediakan data keberlanjutan menggunakan zero-knowledge proof yang diuji dan diverifikasi oleh Departemen Energi AS. Hal ini memungkinkan organisasi dan bisnis untuk melacak data serta memenuhi tujuan keberlanjutan bahkan ketika mustahil untuk berbagi informasi detail karena hambatan peraturan atau privasi.

VIA awalnya mengembangkan solusi untuk Angkatan Udara AS, yang memiliki persyaratan privasi data yang ketat yang sering melarang manajemen gedung dan tim manajemen energi mengakses data penting yang mereka butuhkan. Solusi perangkat lunak terdesentralisasi VIA memungkinkan penerbang dan kontraktor yang diizinkan untuk menggunakan model AI generatif tanpa berbagi data: tidak ada data pribadi yang digunakan untuk melatih model atau dikirim ke model dalam perintah. Sebaliknya, ketika pengguna memasukkan perintah seperti “tunjukkan semua bangunan di Pangkalan Angkatan Udara XYZ dengan kondisi sistem HVAC kurang dari 60,”, LLM merespons dengan “Saya mengerti apa yang ingin Anda capai, dan, karena saya tidak memiliki akses ke data, saya akan menghasilkan kueri SQL yang dapat Anda jalankan untuk mendapatkan data dari basis data lokal Anda. Saya juga akan mengirimkan kode frontend yang dapat Anda jalankan untuk menampilkan data.” Kedua potongan kode ini kemudian dikirim kembali ke pengguna di mana alat, SLAM AI, secara otomatis menjalankan dan memvisualisasikan data secara lokal.

Untuk lebih menghemat energi dan mengurangi biaya komputasi, VIA menggunakan LLM sumber terbuka ringkas yang berjalan pada CPU. Mereka terus menilai model-model baru karena evolusi performa LLM yang cepat. Dengan memanfaatkan Amazon Elastic Kubernetes Service (EKS), mereka dapat dengan lancar melakukan model hot swap, yang mengintegrasikan model yang lebih efisien saat tersedia.

Apa terjadi selanjutnya pada AI generatif dan teknologi iklim

BrainBox AI, Pendulum, dan VIA menggunakan AI generatif di AWS dengan cara yang menarik untuk mengatasi krisis iklim. Mereka memanfaatkan kemampuan AI generatif untuk mengekstraksi elemen kunci dari data tidak terstruktur dan menghasilkan konten baru. Hal ini memungkinkan perusahaan-perusahaan ini untuk melayani pelanggan mereka lebih cepat, melayani lebih banyak pelanggan, serta mengurangi emisi gas rumah kaca. Hal ini juga mengurangi biaya untuk perusahaan-perusahaan ini dan untuk pelanggan mereka.

Kami berharap bahwa perusahaan rintisan Teknologi Iklim akan menemukan cara baru lainnya untuk menggunakan AI generatif di AWS guna mengatasi krisis iklim. Berikut adalah beberapa contoh dari apa yang kita lihat di industri lain yang menurut kami dapat diterapkan pada Teknologi Iklim.

Augmentasi data menggunakan AI generatif untuk menghasilkan data sintetis bagi pelatihan model prediktif

Al generatif dapat membuat data sintetis, yang merupakan kelas data yang dihasilkan alih-alih diperoleh dari observasi langsung di dunia nyata. Hal ini dapat berguna untuk pemodelan bawah permukaan untuk panas bumi atau sekuestrasi karbon di mana data formasi batuan bawah permukaannya sulit didapat. Perusahaan rintisan transportasi yang rendah karbon juga dapat menggunakan AI generatif untuk membuat skenario pengujian kendaraan baru. AI generatif juga dapat berguna dalam manufaktur teknologi keras Teknologi Iklim. Pembuatan data gambar sintetis dapat digunakan untuk membuat gambar peralatan (misalnya, kompresor, turbin) yang berkarat atau retakan. Gambar-gambar ini dapat digunakan untuk melatih model machine learning (ML) berbasis penglihatan untuk pemeliharaan prediktif, yang dapat memainkan peran penting dalam mengurangi biaya dan meminimalkan waktu henti operasional.

Tingkatkan efisiensi manufaktur Teknologi Iklim menggunakan AI generatif

Dengan menggunakan model yang dilatih pada data historis, termasuk log penggunaan dan pemeliharaan mesin, AI generatif dapat mengidentifikasi pola dan hubungan antara berbagai faktor, seperti suhu, getaran, serta jam operasi. Hal ini dapat memungkinkan sistem untuk meramalkan kegagalan peralatan yang mungkin terjadi dan secara proaktif mengomunikasikan pola-pola tersebut kepada pemangku kepentingan yang tepat, seperti rekayasawan kualitas, rekayasawan pemeliharaan, dan operator. Dengan mengomunikasikan kebutuhan pemeliharaan secara proaktif, waktu henti akan berkurang, serta meminimalkan gangguan pada manufaktur.

Rancang dan sintesis urutan protein baru untuk pertanian berkelanjutan dan produksi pangan dengan AI generatif

AI generatif dapat memprediksi struktur terlipat protein yang memungkinkan mereka untuk melakukan fungsi tertentu di dalam sel. Hal ini akan memungkinkan para peneliti untuk menghasilkan protein fungsional dan molekul yang berbeda secara terpandu. Selain itu, AI generatif memungkinkan para ilmuwan untuk secara akurat menentukan struktur urutan protein yang diketahui untuk mengidentifikasi target molekuler/biologis.

Kemungkinan ada lebih banyak cara agar perusahaan rintisan Teknologi Iklim dapat menggunakan AI generatif untuk mengatasi pemanasan global. Kami berharap posting blog ini dapat memicu ide dan menginspirasi para pendiri Teknologi Iklim untuk menggunakan AI generatif dengan cara baru dan menarik.

Beban kerja AI generatif dapat mengonsumsi sejumlah besar energi dan sumber daya cloud, dan seperti semua beban kerja, penting untuk mempertimbangkan dampak lingkungannya. Hal ini merupakan tanggung jawab kolektif kami untuk menggunakan teknologi ini secara berkelanjutan. Amazon berkomitmen untuk mencapai nol karbon pada tahun 2040. Sebagai bagian dari komitmen ini, Amazon berada di jalur untuk memberdayakan operasinya dengan 100 persen energi terbarukan pada tahun 2025, termasuk pusat data AWS. Hal ini telah menyebabkan Amazon menjadi pembeli korporat energi terbarukan terbesar di dunia selama empat tahun terakhir. AWS memberikan panduan untuk membantu perusahaan mengoptimalkan beban kerja AI generatif mereka untuk keberlanjutan lingkungan. Penting juga bahwa perusahaan-perusahaan ini mengukur dampak penggunaan AI generatif serta kontribusinya terhadap tujuan keberlanjutan organisasi secara keseluruhan.