? Inspiración
Las grandes organizaciones y empresas corporativas se esfuerzan por aumentar la sostenibilidad a nivel mundial. Gen AI tiene numerosos casos de uso en el desarrollo de la sostenibilidad, uno de los cuales son los informes de sostenibilidad y el impulso de la colaboración dentro de las empresas. Para mejorar la comunicación y la presentación de informes para la sostenibilidad, desarrollamos Sustainability Analytics .
Que hace
Sustainability Analytics proporciona una interfaz de chatbot inteligente que permite a los usuarios hacer preguntas en tiempo real sobre los datos de sostenibilidad de una empresa.
Características clave:
- Aprovecha los datos ESG y los modelos avanzados de IA (como LLaMA 3.1) para recuperar información precisa y relevante.
- Los usuarios pueden realizar consultas sobre:
- Emisiones de carbono
- Uso de energía
- Consumo de agua
- ¡Y más!
- El chatbot genera:
- Comparaciones interanuales
- Información visual en forma de gráficos de barras, líneas y circulares.
Ejemplo:
Consulta del usuario: "¿Cuáles serán las emisiones totales de carbono en 2024 para la empresa respectiva?"
Respuesta del chatbot: "Las emisiones totales de carbono para 2024 son X toneladas métricas ".
Cómo lo construimos
Pila de tecnología:
- Metodología RAG avanzada utilizando el modelo de código abierto LLaMA 3.1 .
- Marco Langchain para consultar datos.
- Base de datos de Postgres para almacenar métricas ESG.
- Backend: marco Python FastAPI .
- Frontend: Construido usando React.js .
Los datos se consultan a través de herramientas Langchain, que el LLM procesa para generar respuestas en lenguaje natural, junto con visualizaciones de gráficos.
? Desafíos que encontramos
Encontramos varios desafíos durante el desarrollo:
Ingeniería inmediata:
- Garantizar que el modelo LLaMA 3.1 maneje con precisión las consultas relacionadas con la sostenibilidad.
Obtención e integración de datos:
- Estructurar datos de métricas ESG para consultar fácilmente a través del marco Langchain.
Optimización del rendimiento:
- Mejorar la metodología RAG para grandes conjuntos de datos y gestionar la generación de gráficos (barras, líneas, circulares) para comparaciones de datos.
Precisión en todas las consultas:
- Garantizar la precisión en las comparaciones dinámicas año tras año en diversos tipos de consultas.
? Logros de los que estamos orgullosos
- Integración exitosa: integramos LLaMA 3.1 con Langchain para construir una plataforma interactiva de análisis de sostenibilidad.
- Respuestas en tiempo real: nuestro chatbot ofrece respuestas precisas y específicas del contexto sobre las métricas ESG de una empresa en tiempo real.
- Visualizaciones dinámicas: los usuarios pueden generar información visual (gráficos de barras, líneas, circulares) basados en consultas.
- Consultas eficientes: creó un mecanismo de consulta altamente eficiente para nuestra base de datos Postgres, lo que garantiza la velocidad sin comprometer la precisión.
? Lo que aprendimos
- Dominar la metodología RAG avanzada nos ayudó a agilizar la generación de respuestas precisas.
- Aprendimos a manejar los datos ESG de manera más efectiva mientras construíamos sistemas backend escalables que respaldan operaciones con muchos datos.
- La integración de bases de datos con modelos generativos nos enseñó la importancia de la integridad de los datos y la optimización de las consultas.
¿Qué sigue para el análisis de sostenibilidad?
Nuestro objetivo es ampliar el análisis de sostenibilidad con:
Funciones avanzadas de análisis de datos:
- Análisis predictivo para pronosticar futuras métricas ESG.
- Identificar áreas de mejora de la sostenibilidad.
Integración de estándares globales:
- Agregar más marcos de sostenibilidad para alinearse con los estándares globales.
- Soporte para capacidades multilingües para una base de clientes más amplia.
Herramientas de colaboración:
- Introducir herramientas que permitan a las partes interesadas de la empresa introducir datos de forma colaborativa y generar informes completos.
Integración API:
- Ampliar las integraciones de API con plataformas de sostenibilidad existentes.
Mejoras en la interfaz de usuario:
- Mejora de la interfaz de usuario para una experiencia de usuario más intuitiva.
