? Inspiração
Grandes organizações e empresas corporativas estão se esforçando para aumentar a sustentabilidade globalmente. A Gen AI tem vários casos de uso no desenvolvimento da sustentabilidade, um dos quais é Relatórios de Sustentabilidade e Impulso da Colaboração dentro das empresas. Para melhorar a comunicação e os relatórios para a sustentabilidade, desenvolvemos Análise de Sustentabilidade .
O que isso faz
O Sustainability Analytics fornece uma interface de chatbot inteligente que permite aos usuários fazer perguntas em tempo real sobre os dados de sustentabilidade de uma empresa.
Principais recursos:
- Aproveita dados ESG e modelos avançados de IA (como LLaMA 3.1) para recuperar informações precisas e relevantes.
- Os usuários podem perguntar sobre:
- Emissões de carbono
- Uso de energia
- Consumo de água
- E mais!
- O chatbot gera:
- Comparações ano a ano
- Insights visuais na forma de gráficos de barras, linhas e pizza.
Exemplo:
Consulta do usuário: "Quais são as emissões totais de carbono em 2024 para a respectiva empresa?"
Resposta do chatbot: "As emissões totais de carbono para 2024 são de X toneladas métricas ."
Como o construímos
Pilha de tecnologia:
- Metodologia RAG avançada usando o modelo LLaMA 3.1 de código aberto.
- Estrutura Langchain para consulta de dados.
- Banco de dados Postgres para armazenar métricas ESG.
- Back-end: estrutura Python FastAPI .
- Frontend: construído usando React.js .
Os dados são consultados por meio de ferramentas Langchain, que o LLM processa para gerar respostas em linguagem natural, juntamente com visualizações de gráficos.
? Desafios que enfrentamos
Encontramos vários desafios durante o desenvolvimento:
Engenharia imediata:
- Garantir que o modelo LLaMA 3.1 lide com precisão com questões relacionadas à sustentabilidade.
Fonte e integração de dados:
- Estruturação de dados de métricas ESG para fácil consulta por meio da estrutura Langchain.
Otimização de desempenho:
- Aprimoramento da metodologia RAG para grandes conjuntos de dados e gerenciamento da geração de gráficos (barras, linhas, pizza) para comparações de dados.
Precisão em consultas:
- Garantir a precisão em comparações dinâmicas ano a ano em diversos tipos de consulta.
? Realizações das quais nos orgulhamos
- Integração bem-sucedida: Integramos LLaMA 3.1 com Langchain para construir uma plataforma interativa de análise de sustentabilidade.
- Respostas em tempo real: Nosso chatbot fornece respostas precisas e específicas ao contexto sobre as métricas ESG de uma empresa em tempo real.
- Visualizações dinâmicas: os usuários podem gerar insights visuais (gráficos de barras, linhas, pizza) com base em consultas.
- Consulta Eficiente: Construímos um mecanismo de consulta altamente eficiente para nosso banco de dados Postgres, garantindo velocidade sem comprometer a precisão.
? O que aprendemos
- Dominar a metodologia RAG avançada nos ajudou a agilizar a geração de respostas precisas.
- Aprendemos a lidar com dados ESG de forma mais eficaz ao mesmo tempo em que construímos sistemas de back-end escaláveis que dão suporte a operações com muitos dados.
- A integração de bancos de dados com modelos generativos nos ensinou a importância da integridade dos dados e da otimização de consultas.
O que vem por aí para análise de sustentabilidade
Nosso objetivo é expandir a Análise de Sustentabilidade com:
Recursos avançados de análise de dados:
- Análise preditiva para previsão de futuras métricas ESG.
- Identificar áreas para melhoria da sustentabilidade.
Integração de Padrões Globais:
- Adicionar mais estruturas de sustentabilidade para alinhar com os padrões globais.
- Suporte para recursos multilíngues para uma base de clientes mais ampla.
Ferramentas de colaboração:
- Apresentando ferramentas que permitem que as partes interessadas da empresa insiram dados de forma colaborativa e gerem relatórios abrangentes.
Integração de API:
- Expandir as integrações de API com plataformas de sustentabilidade existentes.
Melhorias na interface do usuário:
- Aprimorando a IU para uma experiência de usuário mais intuitiva.
