AI-agenten voor een duurzamere wereld: inzichten in datawetenschap

Terwijl de politieke steun voor duurzaamheid afneemt, is de behoefte aan duurzame praktijken op de lange termijn groter dan ooit. AI-agenten kunnen op dit gebied een cruciale rol spelen.

Hoe kunnen we analyses, aangevuld met krachtige AI, gebruiken om bedrijven te ondersteunen bij hun groene transformatie?

Jarenlang heb ik met mijn blog de nadruk gelegd op het gebruik van methodologieën en hulpmiddelen voor supply chain-analyse om specifieke problemen op te lossen. Nu duurzaamheid steeds belangrijker wordt, richten we ons op het integreren van deze hulpmiddelen om milieudoelstellingen te bereiken.

Bij Logi Green , de startup die ik heb opgericht, zetten we deze analyseoplossingen in om retailers, fabrikanten en logistieke bedrijven te helpen hun duurzaamheidsdoelen te bereiken. We gebruiken tools zoals voorspellende modellen en routeoptimalisatie om de uitstoot te verminderen.

In dit artikel laat ik zien hoe we deze bestaande oplossingen kunnen verbeteren met behulp van AI-agenten. We onderzoeken hoe AI onze analytische mogelijkheden kan verbeteren, zodat we duurzaamheidsdoelen sneller en effectiever kunnen behalen.

Het doel is om de implementatie van duurzaamheidsinitiatieven in de gehele toeleveringsketen van bedrijven te vergemakkelijken en te versnellen . Door kunstmatige intelligentie te integreren, kunnen we processen automatiseren en proactief verbeterpunten identificeren.

 

Belemmeringen voor groene transformatie voor bedrijven

Nu de politieke en financiële druk verschuift van duurzaamheid, is het urgenter dan ooit om de groene transitie mogelijk te maken en toegankelijker te maken.

Vorige week heb ik de ChangeNOW Global Conference bijgewoond, die in mijn woonplaats Parijs werd gehouden.

Deze conferentie bracht vernieuwers, ondernemers en besluitvormers bijeen die zich inzetten voor een betere toekomst, ondanks de moeilijke context.

Het was een uitstekende gelegenheid om een ​​aantal van mijn lezers te ontmoeten en in contact te komen met leiders die verandering teweegbrengen in verschillende sectoren.

Tijdens deze gesprekken kwam een ​​duidelijke boodschap naar voren.

Bedrijven worden geconfronteerd met drie grote obstakels bij het leiden van duurzame transformatie:

• Gebrek aan inzicht in operationele processen,
• De complexiteit van de eisen voor duurzaamheidsrapportage,
• De uitdaging om initiatieven in de gehele waardeketen te ontwerpen en implementeren.

In de volgende paragrafen zal ik onderzoeken hoe we Agentic AI kunnen inzetten om twee van deze belangrijke obstakels te overwinnen:

• Verbeter de rapportage om te voldoen aan de regelgeving
• Het versnellen van het ontwerp en de implementatie van duurzame initiatieven

 

Rapportage-uitdagingen oplossen met AI-agenten

De eerste stap in elk duurzaamheidsplan is het leggen van een basis voor rapportage. Het leggen van deze basis is essentieel om de nauwkeurigheid en toegankelijkheid van gegevens te waarborgen, zodat u weloverwogen beslissingen kunt nemen.

Bedrijven moeten hun huidige ecologische voetafdruk meten en publiceren voordat ze actie ondernemen.

Een ESG-rapport illustreert bijvoorbeeld de milieuprestaties (E) van een bedrijf , de maatschappelijke verantwoordelijkheid (S) en de sterkte van de bestuursstructuren (G) . Een ESG-rapport is een essentieel instrument voor het beoordelen van de prestaties van bedrijven op het gebied van duurzaamheid op milieu-, sociaal en bestuurlijk gebied.

Laten we beginnen met het probleem van de gegevensvoorbereiding.

 

Probleem 1: Gegevensverzameling en -verwerking

Veel bedrijven staan ​​vanaf het begin voor aanzienlijke uitdagingen, te beginnen met het verzamelen van gegevens , wat een cruciale uitdaging is bij projecten voor productlevenscyclusanalyse.

In een eerder artikel introduceerde ik het concept van levenscyclusanalyse (LCA) – een methode om de milieueffecten van een product te beoordelen, van de winning van grondstoffen tot de afvalverwerking.

Hiervoor is een complexe gegevenspijplijn nodig om verbinding te maken met meerdere systemen, ruwe gegevens te extraheren, te verwerken en op te slaan in een datawarehouse. Dit omvat het integreren van gegevens uit verschillende bronnen om nauwkeurige analyses te garanderen.

Deze pijplijnen worden gebruikt om rapporten te genereren en consistente gegevensbronnen te leveren aan analyse- en bedrijfsteams, zodat weloverwogen beslissingen kunnen worden genomen op basis van nauwkeurige inzichten.

 

Hoe kunnen we niet-technische teams helpen bij het navigeren door deze complexe omgeving?

Bij LogiGreen onderzoeken we het gebruik van een AI-agent voor tekst-naar-SQL-toepassingen, ook wel bekend als een "Text-to-SQL AI Agent".

De grote meerwaarde is dat operationele en bedrijfsteams niet langer afhankelijk zijn van analyse-experts voor het creëren van maatwerkoplossingen. Hierdoor wordt de afhankelijkheid van data-analisten verminderd en de efficiëntie verbeterd.

Als supply chain engineer begrijp ik de frustratie van operations managers die supporttickets moeten aanmaken om data te extraheren of een nieuwe metriek te berekenen.

Met deze AI-agent bieden we alle gebruikers een Analytics-as-a-Service-ervaring, waardoor ze hun verzoeken in begrijpelijke taal kunnen formuleren. Dit zorgt voor snellere en eenvoudigere toegang tot data-inzichten.

Wij helpen rapportageteams bijvoorbeeld bij het maken van specifieke prompts voor het verzamelen van gegevens uit meerdere tabellen voor een rapport. Hierdoor wordt het rapportageproces versneld en de handmatige arbeid verminderd.

 

“Maak een tabel met de totale koolstofdioxide-uitstoot (CO₂) per dag voor alle leveringen vanuit magazijn XXX.”

 

Probleem 2: Rapportopmaak

Zelfs na het verzamelen van de gegevens staan ​​bedrijven voor een nieuwe uitdaging: het opstellen van het rapport in de vereiste formaten.

In Europa biedt de nieuwe Richtlijn inzake duurzaamheidsrapportage van bedrijven (CSRD) een kader voor bedrijven om hun impact op het milieu, de maatschappij en het bestuur openbaar te maken.

Volgens de Richtlijn inzake duurzaamheidsrapportage van bedrijven (CSRD) moeten bedrijven gestructureerde rapporten indienen in XHTML- formaat.

Dit document, ondersteund door gedetailleerde ESG- classificaties , vereist een proces dat zeer technisch en foutgevoelig kan zijn, met name voor bedrijven met een lage datavolwassenheid.

Daarom hebben we geëxperimenteerd met het gebruik van een AI-agent die het rapport automatisch controleert en een samenvatting biedt voor niet-technische gebruikers.

 

Hoe het werkt?

Gebruikers dienen hun rapporten in via e-mail.

Endpoint downloadt automatisch het bijgevoegde bestand en controleert de inhoud en opmaak op fouten of ontbrekende waarden. Dit proces garandeert een zorgvuldig onderzoek van de gegevens.

De resultaten worden vervolgens naar een AI-agent gestuurd, die een duidelijke auditsamenvatting in het Engels genereert. De agent maakt gebruik van geavanceerde algoritmen om gegevens efficiënt te analyseren en samen te vatten.

De agent stuurt een rapport terug naar de afzender.

We hebben een volledig geautomatiseerde service ontwikkeld voor het controleren van rapporten die zijn opgesteld door duurzaamheidsadviseurs (onze klant is een adviesbureau). Iedereen kan deze service gebruiken zonder technische kennis. Deze service bespaart tijd en moeite en garandeert de nauwkeurigheid van de rapporten.

 

Bent u geïnteresseerd in het implementeren van een vergelijkbare oplossing?

Ik heb dit project gebouwd met behulp van het n8n-platform zonder enige code.

Je vindt de kant-en-klare sjabloon in mijn profiel als content creator op n8n.

Nu we de verschillende rapportageoplossingen hebben onderzocht, kunnen we overgaan tot de kern van groene transformaties: het ontwerpen en implementeren van duurzame initiatieven.

Effectieve AI voor Supply Chain Analytics-producten

Analytics-producten voor duurzaamheid

De afgelopen twee jaar heb ik mij gericht op het bouwen van analyseproducten, waaronder webapplicaties, API's en geautomatiseerde workflows. Mijn ervaring omvat het ontwikkelen van geavanceerde analytische oplossingen die initiatieven van bedrijven op het gebied van milieu- en sociale duurzaamheid ondersteunen, met de nadruk op het meten van de impact op het milieu en het verbeteren van de efficiëntie van hulpbronnen.

 

Wat is de duurzaamheidsroutekaart?

Mijn ervaring leert dat dit proces vaak begint met een duwtje vanuit het hogere management.

De directie kan bijvoorbeeld aan de afdeling supply chain vragen om de CO₂-uitstoot van het bedrijf te meten voor het basisjaar 2021.

Ik was verantwoordelijk voor het inschatten van de Scope 3-emissies voor de distributieketen.

Daarom heb ik de methodologie toegepast die in het hierboven gelinkte artikel wordt beschreven.

Zodra de basislijn is vastgesteld, wordt een doelstelling voor emissiereductie geformuleerd met een duidelijke deadline.

Uw management zou zich er bijvoorbeeld toe kunnen verbinden om tegen 30 een reductie van 2030% te realiseren.

De rol van de afdeling supply chain is vervolgens om initiatieven te ontwerpen en implementeren om de CO2-uitstoot te verminderen.

In het bovenstaande voorbeeld realiseert het bedrijf een reductie van 30% in jaar N door initiatieven op het gebied van productie, logistiek, detailhandel en COXNUMX-compensatie.

Ter ondersteuning van deze reis ontwikkelen we analytische producten die de impact van verschillende initiatieven simuleren, zodat teams optimale duurzaamheidsstrategieën kunnen ontwerpen.

Tot nu toe bestonden producten uit webapplicaties met een gebruikersinterface en een backend die verbonden waren met hun eigen gegevensbronnen.

Elke module biedt belangrijke inzichten ter ondersteuning van operationele besluitvorming.

 

“Op basis van de resultaten kunnen we een vermindering van 32% in de CO₂-uitstoot realiseren door onze fabriek van Brazilië naar de VS te verplaatsen.”

Voor een publiek dat niet bekend is met data-analyse, kan de interactie met deze applicaties echter wat verwarrend zijn. Om waardevolle inzichten te verkrijgen, is een basiskennis van de beginselen van gegevensanalyse vereist. Voor niet-deskundigen kan dit een uitdaging zijn.

 

Hoe kunnen we AI-agenten gebruiken om deze gebruikers beter te ondersteunen? Hoe kunnen AI-agenten de gebruikerservaring verbeteren en innovatieve oplossingen bieden?

 

Effectieve AI voor analyseproducten

We zijn deze oplossingen nu aan het doorontwikkelen door autonome AI-agenten toe te voegen die rechtstreeks met analysemodellen en -tools communiceren via API-eindpunten.

Deze hulpmiddelen zijn ontworpen om niet-technische gebruikers door het hele traject te begeleiden, beginnend met een simpele vraag:

“Hoe kan ik de CO₂-uitstoot van mijn transportnetwerk verminderen?”

De AI-agent neemt vervolgens de verantwoordelijkheid voor:

• Het formuleren van correcte vragen,
• Contactverbeteringsmodellen,
• Interpretatie van de resultaten,
• En geef bruikbare aanbevelingen.

De gebruiker hoeft niet te begrijpen hoe de backend werkt.
Ze ontvangen directe, op het bedrijfsleven gerichte uitkomsten zoals:

“Implementeer oplossing XXX met een investeringsbudget van YYY euro om een ​​CO2-emissiereductie van ZZZ ton CO2-equivalent te bereiken.”

Door optimalisatiemodellen, API's en AI-gestuurde begeleiding te combineren, leveren wij een complete Analytics-as-a-Service-ervaring.

Ons doel is om duurzaamheidsanalyses toegankelijk te maken voor alle teams, niet alleen voor technische experts.

Conclusie en eindconclusies

 

Verantwoord gebruik van kunstmatige intelligentie

Voordat we afsluiten, nog een woord over het verkleinen van de ecologische voetafdruk van de oplossingen die we ontwikkelen.

Wij zijn ons volledig bewust van de impact van het gebruik van grote taalmodellen (LLM's) op het milieu.

Daarom blijft de kern van onze producten gebaseerd op zorgvuldig ontworpen deterministische optimalisatiemodellen . Deze modellen garanderen een hoge efficiëntie in het gebruik van energie en grondstoffen.

Grote taalmodellen (LLMS) worden alleen gebruikt als ze een echte toegevoegde waarde bieden, voornamelijk om de interactie met gebruikers te vereenvoudigen of om niet-kritieke taken te automatiseren. Dit komt overeen met de best practices voor duurzaamheid in AI.

Dit stelt ons in staat om:

• Zorg voor duurzaamheid en betrouwbaarheidBij dezelfde invoer ontvangen gebruikers consequent dezelfde uitvoer, waardoor het willekeurige gedrag dat kenmerkend is voor zuivere AI-modellen, wordt vermeden.
• Verminder het energieverbruik: Door het aantal tokens dat we in onze API-aanroepen gebruiken te beperken en elke aanroep zo efficiënt mogelijk te maken.

Kortom, wij streven ernaar oplossingen te bouwen die qua ontwerp duurzaam zijn. Wij streven ernaar de kracht van AI in evenwicht te brengen met milieuverantwoordelijkheid.

 

AI-agenten veranderen de spelregels van supply chain-analyse.

Voor mij zijn AI-agenten krachtige bondgenoten geworden die onze klanten helpen hun duurzaamheidsplannen te versnellen. Het gebruik van AI-agenten in supply chain-analyses vertegenwoordigt een ware paradigmaverschuiving.

Omdat ik met een niet-technische doelgroep communiceer, is dit een concurrentievoordeel. Hierdoor kan ik Analytics-as-a-Service-oplossingen leveren waarmee operationele teams meer mogelijkheden krijgen. Deze AI-gestuurde oplossingen bieden waardevolle inzichten op een vereenvoudigde manier.

Hiermee wordt een van de grootste obstakels voor bedrijven die starten met hun groene transformatie opgelost. Met deze tools wordt het namelijk veel eenvoudiger om complexe data te begrijpen.

Door inzichten in eenvoudige taal te communiceren en gebruikers door hun traject te begeleiden, helpen AI-agenten de kloof tussen datagedreven oplossingen en operationele implementatie te overbruggen. Dit zorgt voor een bredere acceptatie van duurzame oplossingen.