- แรงบันดาลใจ
องค์กรขนาดใหญ่และบริษัทองค์กรต่างมุ่งมั่นที่จะเพิ่มความยั่งยืนทั่วโลก Gen AI มีกรณีการใช้งานมากมายในการพัฒนาความยั่งยืน หนึ่งในนั้นคือ การรายงานความยั่งยืนและส่งเสริมการทำงานร่วมกัน ภายในบริษัทต่างๆ เพื่อปรับปรุงการสื่อสารและการรายงานเพื่อความยั่งยืน เราได้พัฒนา Sustainability Analytics
มันทำอะไร
การวิเคราะห์ความยั่งยืน มีอินเทอร์เฟซแชทบอทอัจฉริยะที่ช่วยให้ผู้ใช้สามารถถามคำถามแบบเรียลไทม์เกี่ยวกับข้อมูลความยั่งยืนของบริษัทได้
คุณสมบัติที่สำคัญ:
- ใช้ประโยชน์จากข้อมูล ESG และโมเดล AI ขั้นสูง (เช่น LLaMA 3.1) เพื่อดึงข้อมูลที่ถูกต้องและเกี่ยวข้อง
- ผู้ใช้สามารถสอบถามเกี่ยวกับ:
- การปล่อยก๊าซคาร์บอน
- การใช้พลังงาน
- ปริมาณการใช้น้ำ
- และอีกมากมาย!
- แชทบอทสร้าง:
- เปรียบเทียบปีต่อปี
- ข้อมูลเชิงลึกที่เป็นภาพ ในรูปแบบของแผนภูมิแท่ง เส้น และแผนภูมิวงกลม
ตัวอย่าง:
ข้อความค้นหาจากผู้ใช้: "บริษัทที่เกี่ยวข้องปล่อยก๊าซคาร์บอนทั้งหมดในปี 2024 เป็นเท่าใด"
การตอบสนองของแชทบอต: "ปริมาณการปล่อยก๊าซคาร์บอนทั้งหมดในปี 2567 คือ X เมตริกตัน "
เราสร้างมันขึ้นมาอย่างไร
กองเทคโนโลยี:
- วิธีการ RAG ขั้นสูง โดยใช้โมเดลโอเพ่นซอร์ส LLaMA 3.1
- กรอบ Langchain สำหรับการสืบค้นข้อมูล
- ฐานข้อมูล Postgres เพื่อจัดเก็บตัวชี้วัด ESG
- แบ็กเอนด์: เฟรมเวิร์ก Python FastAPI
- ส่วนหน้า: สร้างโดยใช้ React.js
ข้อมูลจะถูกสอบถามผ่านเครื่องมือ Langchain ซึ่ง LLM ประมวลผลเพื่อสร้างการตอบกลับด้วยภาษาที่เป็นธรรมชาติ พร้อมด้วยการแสดงภาพแผนภูมิ
- ความท้าทายที่เราเผชิญ
เราพบกับความท้าทายหลายประการระหว่างการพัฒนา:
วิศวกรรมพร้อมท์:
- การตรวจสอบให้แน่ใจว่าโมเดล LLaMA 3.1 จัดการกับคำถามที่เกี่ยวข้องกับความยั่งยืนได้อย่างแม่นยำ
การจัดหาข้อมูลและการบูรณาการ:
- จัดโครงสร้างข้อมูลตัวชี้วัด ESG เพื่อการสืบค้นที่ง่ายดายผ่านกรอบงาน Langchain
การเพิ่มประสิทธิภาพการทำงาน:
- ปรับปรุงระเบียบวิธี RAG สำหรับชุดข้อมูลขนาดใหญ่และการจัดการการสร้างแผนภูมิ (แท่ง เส้น พาย) สำหรับการเปรียบเทียบข้อมูล
ความแม่นยำในการสืบค้น:
- รับประกันความถูกต้องแม่นยำในการเปรียบเทียบแบบไดนามิกแบบปีต่อปีกับประเภทข้อความค้นหาที่หลากหลาย
- ความสำเร็จที่เราภูมิใจ
- การบูรณาการที่ประสบความสำเร็จ: เราได้รวม LLaMA 3.1 เข้ากับ Langchain เพื่อสร้างแพลตฟอร์มการวิเคราะห์ความยั่งยืนเชิงโต้ตอบ
- การตอบสนองแบบเรียลไทม์: แชทบอทของเราให้คำตอบที่แม่นยำและเจาะจงบริบทเกี่ยวกับการวัด ESG ของบริษัทแบบเรียลไทม์
- การแสดงภาพแบบไดนามิก: ผู้ใช้สามารถสร้างข้อมูลเชิงลึกด้วยภาพ (แผนภูมิแท่ง เส้น แผนภูมิวงกลม) ตามคำค้นหา
- การสืบค้นที่มีประสิทธิภาพ: สร้างกลไกการสืบค้นที่มีประสิทธิภาพสูงสำหรับฐานข้อมูล Postgres ของเรา ซึ่งรับประกันความเร็วโดยไม่กระทบต่อความแม่นยำ
- สิ่งที่เราเรียนรู้
- การเรียนรู้ วิธีการ RAG ขั้นสูง ช่วยให้เราปรับปรุงการสร้างการตอบสนองที่แม่นยำ
- เราเรียนรู้ที่จะจัดการ ข้อมูล ESG ได้อย่างมีประสิทธิภาพมากขึ้นในขณะเดียวกันก็สร้างระบบแบ็กเอนด์ที่ปรับขนาดได้ซึ่งรองรับการดำเนินงานที่มีข้อมูลจำนวนมาก
- การรวมฐานข้อมูลเข้ากับโมเดลเชิงกำเนิดสอนเราถึงความสำคัญของ ความสมบูรณ์ของข้อมูล และการเพิ่มประสิทธิภาพคิวรี
อะไรต่อไปสำหรับการวิเคราะห์ความยั่งยืน
เรามุ่งมั่นที่จะขยาย การวิเคราะห์ความยั่งยืน ด้วย:
คุณสมบัติการวิเคราะห์ข้อมูลขั้นสูง:
- การวิเคราะห์เชิงคาดการณ์สำหรับการคาดการณ์ตัวชี้วัด ESG ในอนาคต
- การระบุพื้นที่สำหรับการปรับปรุงความยั่งยืน
การบูรณาการมาตรฐานสากล:
- เพิ่มกรอบความยั่งยืนให้สอดคล้องกับมาตรฐานสากล
- รองรับความสามารถหลายภาษาสำหรับฐานลูกค้าที่กว้างขึ้น
เครื่องมือการทำงานร่วมกัน:
- ขอแนะนำเครื่องมือที่ช่วยให้ผู้มีส่วนได้ส่วนเสียของบริษัทสามารถป้อนข้อมูลร่วมกันและสร้างรายงานที่ครอบคลุม
บูรณาการ API:
- ขยายการบูรณาการ API กับแพลตฟอร์มความยั่งยืนที่มีอยู่
การปรับปรุงส่วนต่อประสานกับผู้ใช้:
- การปรับปรุง UI เพื่อประสบการณ์ผู้ใช้ที่ใช้งานง่ายยิ่งขึ้น
