Generate_Sustainability_Report

？靈感

大型組織和企業正在努力提高全球的永續性。 Gen AI 在永續發展方面有許多用例，其中之一是永續發展報告和促進公司內部的協作。為了加強可持續發展的溝通和報告，我們開發了永續發展分析。

---

它的作用

Sustainability Analytics提供智慧聊天機器人介面，讓使用者可以提出有關公司永續發展數據的即時問題。

主要特點：

• 利用 ESG 資料和先進的人工智慧模型（如 LLaMA 3.1）來檢索準確且相關的資訊。
• 用戶可以查詢：
  • 碳排放
  • 能源使用
  • 用水量
  • 還有更多！
• 聊天機器人生成：
  • 年比比較
  • 長條圖、折線圖和圓餅圖形式的視覺洞察。

例子：

用戶查詢： “各公司 2024 年的碳排放總量是多少？”
聊天機器人回應： “2024 年碳排放總量為X 公噸。”

---

我們是如何建造它的

技術堆疊：

• 使用開源LLaMA 3.1模型的高階 RAG 方法。
• 用於查詢資料的Langchain 框架。
• 用於儲存 ESG 指標的 Postgres 資料庫。
• 後端： Python框架FastAPI 。
• 前端：使用React.js建置。

數據透過 Langchain 工具查詢，法學碩士處理該工具以產生自然語言回應以及圖表視覺化。

---

？我們所遇到的挑戰

我們在開發過程中遇到了幾個挑戰：

1. 及時工程：

   • 確保 LLaMA 3.1 模型準確處理與永續性相關的查詢。

2. 資料來源和整合：

   • 建立ESG指標數據，以便透過Langchain框架輕鬆查詢。

3. 效能優化：

   • 增強大型資料集的 RAG 方法並管理圖表生成（長條圖、折線圖、圓餅圖）以進行資料比較。

4. 跨查詢的準確性：

   • 確保不同查詢類型的動態同比比較的準確性。

---

？我們引以為傲的成就

• 成功整合：我們將 LLaMA 3.1 與 Langchain 集成，建立了一個互動式永續發展分析平台。
• 即時回應：我們的聊天機器人即時提供有關公司 ESG 指標的準確且針對具體情況的答案。
• 動態視覺化：使用者可以根據查詢產生視覺化見解（長條圖、折線圖、圓餅圖）。
• 高效查詢：為我們的Postgres資料庫建立了高效的查詢機制，在保證速度的同時不影響準確性。

---

？我們學到了什麼

• 掌握先進的 RAG 方法有助於我們簡化精確響應的產生。
• 我們學會如何更有效地處理ESG 數據，同時建立支援數據密集型操作的可擴展後端系統。
• 將資料庫與生成模型整合教會我們資料完整性和查詢最佳化的重要性。

---

永續發展分析的下一步是什麼

我們的目標是透過以下方式擴展永續發展分析：

1. 進階資料分析功能：

   • 用於預測未來 ESG 指標的預測分析。
   • 確定可持續性改進的領域。

2. 全球標準整合：

   • 增加更多永續發展框架以符合全球標準。
   • 支援更廣泛的客戶群的多語言功能。

3. 協作工具：

   • 推出允許公司利害關係人協作輸入資料並產生綜合報告的工具。

4. API整合：

   • 擴展 API 與現有永續發展平台的整合。

5. 使用者介面改進：

   • 增強 UI，提供更直覺的使用者體驗。

---