? 영감
대규모 조직과 기업은 전 세계적으로 지속 가능성을 높이기 위해 노력하고 있습니다. Gen AI는 지속 가능성 개발에 있어 수많은 사용 사례를 가지고 있으며, 그 중 하나는 지속 가능성 보고 및 기업 내 협업 강화 입니다. 지속가능성에 대한 의사소통과 보고를 강화하기 위해 우리는 지속가능성 분석(Sustainability Analytics)을 개발했습니다.
그것이 하는 일
Sustainability Analytics는 사용자가 회사의 지속 가능성 데이터에 대해 실시간으로 질문할 수 있는 지능형 챗봇 인터페이스를 제공합니다.
주요 특징:
- ESG 데이터와 고급 AI 모델(예: LLaMA 3.1)을 활용하여 정확하고 관련성 있는 정보를 검색합니다.
- 사용자는 다음에 대해 문의할 수 있습니다.
- 탄소 배출
- 에너지 사용량
- 물 소비
- 그리고 더!
- 챗봇은 다음을 생성합니다.
- 전년 대비 비교
- 막대, 선, 원형 차트 형태의 시각적 통찰력 .
예:
사용자 쿼리: "각 회사의 2024년 총 탄소 배출량은 얼마입니까?"
Chatbot 응답: "2024년의 총 탄소 배출량은 X미터톤 입니다."
우리가 그것을 구축한 방법
기술 스택:
- 오픈 소스 LLaMA 3.1 모델을 사용하는 고급 RAG 방법론입니다 .
- 데이터 쿼리를 위한 Langchain 프레임워크 .
- ESG 지표를 저장하는 Postgres 데이터베이스 .
- 백엔드: Python 프레임워크 FastAPI .
- 프론트엔드: React.js를 사용하여 구축되었습니다.
데이터는 LLM이 차트 시각화와 함께 자연어 응답을 생성하기 위해 처리하는 Langchain 도구를 통해 쿼리됩니다.
? 우리가 직면한 과제
우리는 개발 과정에서 몇 가지 문제에 직면했습니다.
신속한 엔지니어링:
- LLaMA 3.1 모델이 지속 가능성 관련 쿼리를 정확하게 처리하는지 확인합니다.
데이터 소싱 및 통합:
- Langchain 프레임워크를 통해 쉽게 쿼리할 수 있도록 ESG 지표 데이터를 구조화합니다.
성능 최적화:
- 대규모 데이터 세트에 대한 RAG 방법론을 강화하고 데이터 비교를 위한 차트 생성(막대, 선, 원형)을 관리합니다.
쿼리 전반의 정확성:
- 다양한 쿼리 유형에 대한 동적 연간 비교의 정확성을 보장합니다.
? 우리가 자랑스러워하는 성과
- 성공적인 통합: LLaMA 3.1을 Langchain과 통합하여 대화형 지속 가능성 분석 플랫폼을 구축했습니다.
- 실시간 응답: 당사의 챗봇은 회사의 ESG 지표에 대한 정확하고 상황별 답변을 실시간으로 제공합니다.
- 동적 시각화: 사용자는 쿼리를 기반으로 시각적 통찰력(막대, 선, 원형 차트)을 생성할 수 있습니다.
- 효율적인 쿼리: Postgres 데이터베이스를 위한 매우 효율적인 쿼리 메커니즘을 구축하여 정확성을 저하시키지 않고 속도를 보장합니다.
? 우리가 배운 것
- 고급 RAG 방법론을 익히는 것은 정확한 응답 생성을 간소화하는 데 도움이 되었습니다.
- 우리는 데이터 집약적인 운영을 지원하는 확장 가능한 백엔드 시스템을 구축하는 동시에 ESG 데이터를 보다 효과적으로 처리하는 방법을 배웠습니다.
- 데이터베이스를 생성 모델과 통합하면서 데이터 무결성 과 쿼리 최적화의 중요성을 배웠습니다.
지속 가능성 분석의 다음 단계
우리는 다음을 통해 지속 가능성 분석을 확장하는 것을 목표로 합니다.
고급 데이터 분석 기능:
- 미래 ESG 지표를 예측하기 위한 예측 분석입니다.
- 지속가능성 개선을 위한 영역 식별.
글로벌 표준 통합:
- 글로벌 표준에 맞춰 더 많은 지속 가능성 프레임워크를 추가합니다.
- 더 넓은 고객 기반을 위한 다국어 기능을 지원합니다.
협업 도구:
- 회사 이해관계자가 공동으로 데이터를 입력하고 포괄적인 보고서를 생성할 수 있는 도구를 소개합니다.
API 통합:
- 기존 지속 가능성 플랫폼과 API 통합을 확장합니다.
사용자 인터페이스 개선:
- 보다 직관적인 사용자 경험을 위해 UI를 개선합니다.
