Comment les start-ups des technologies climatiques utilisent l'IA générative pour faire face à la crise du climat

L'intelligence artificielle (IA) générative peut sembler magique ou s'apparenter à un collaborateur intelligent, générant du texte, des images, des vidéos et de la musique originaux. Il a attiré l'attention du monde entier grâce à d'incroyables capacités de chat et à la création d'images captivantes. Cependant, il peut s'agir de bien plus qu'un simple collaborateur créatif ou un robot de discussion. Chez AWS, nous constatons que l'IA générative transforme la façon dont les humains et les entreprises utilisent la technologie pour résoudre certains des problèmes les plus complexes du monde.

Il y a peu de problèmes plus urgents que la crise du climat. Le monde est engagé dans une course pour atteindre la neutralité carbone d'ici 2050 afin de réduire le réchauffement climatique à 2 degrés Celsius avant que l'impact du changement climatique ne devienne irréversible. La rapidité est essentielle pour faire face à cette crise, et bien que l'IA générative soit encore un domaine émergent, elle est déjà en train de devenir un outil important pour accélérer la création et le déploiement de solutions climatiques.

Nous sommes ravis de vous présenter quelques start-ups des technologies climatiques qui sont à l'avant-garde de la course pour stopper la crise du climat. Elles utilisent l'IA générative pour lutter contre le changement climatique en réduisant les émissions de gaz à effet de serre et en permettant au monde de passer à une économie zéro carbone.

BrainBox AI : accélérer la décarbonation des bâtiments grâce à l'IA générative

Selon l'Agence internationale de l'énergie (AIE), les bâtiments représentent 30 % de la consommation énergétique mondiale et 26 % des émissions mondiales liées à l'énergie. La réduction de la consommation d'énergie des bâtiments est essentielle pour atteindre la neutralité carbone à l'échelle mondiale.

BrainBox AI a développé une IA autonome pour décarboner et optimiser les bâtiments commerciaux, qui permet également aux clients d'économiser de l'argent sur leurs factures d'énergie. La solution d'optimisation basée sur le cloud basée sur AWS se connecte aux systèmes CVC (chauffage, ventilation et climatisation) existants des bâtiments et envoie de manière autonome des commandes de contrôle optimisées en temps réel afin de réduire au maximum les émissions et la consommation d'énergie sans aucune intervention humaine.

Par exemple, BrainBox AI a aidé les propriétaires de bâtiments à réduire leurs coûts énergétiques liés au CVC jusqu'à 25 % et à réduire les émissions de gaz à effet de serre liées au CVC jusqu'à 40 % en prédisant la température dans un magasin de détail sur la base de données historiques et de jeux de données externes, tels que les structures météorologiques et tarifaires de l'énergie.

Au fur et à mesure que BrainBox AI ajoute de nouveaux bâtiments à son système, l'entreprise utilise l'IA générative pour réduire les délais d'intégration de chacun d'eux. Dans le passé, chaque fois qu'un nouvel équipement était identifié dans un bâtiment (par exemple, une pompe ou une unité de traitement d'air), les ingénieurs devaient parcourir les manuels techniques complexes du fabricant à la recherche d'informations telles que la puissance nominale de la pompe ou la pression qu'elle génère pour les convertir dans un format lisible par machine.

À l'aide d'Amazon Bedrock, BrainBox AI extrait les données et génère automatiquement des fichiers de configuration qui sont ensuite complétés et révisés par les ingénieurs. Ce processus est connu sous le nom de Power Tagging. Grâce à Amazon Bedrock, BrainBox AI estime avoir réduit le temps nécessaire à l'étiquetage énergétique de plus de 90 %. BrainBox AI est ainsi en mesure d'intégrer plus de clients, plus rapidement, afin d'avoir un impact plus important et plus rapide sur la crise climatique.

Pendulum : décarbonation de la chaîne d'approvisionnement grâce à l'IA générative

Pendulum exploite la puissance de l'IA pour résoudre l'un des problèmes les plus urgents au monde : comment les entreprises peuvent créer plus avec moins. La technologie de l'entreprise propose des solutions durables à des problèmes complexes dans des secteurs tels que la chaîne d'approvisionnement commerciale, la santé mondiale et la sécurité nationale.

L'optimisation des chaînes d'approvisionnement est essentielle pour réduire les émissions de carbone. Accenture estime que les chaînes d'approvisionnement génèrent 60 % de toutes les émissions de carbone dans le monde, et selon l'Agence de protection de l'environnement des États-Unis, les chaînes d'approvisionnement peuvent être responsables de plus de 90 % des émissions de gaz à effet de serre d'une entreprise. Si l'on considère la façon dont les chaînes d'approvisionnement fonctionnent (ou ne fonctionnent pas) aujourd'hui, l'ampleur du gaspillage de ressources et de capitaux est alarmante. Par exemple, chaque année, on estime que 562 milliards d'USD sont perdus en cas de surstockage, 17 % des produits alimentaires et 8 % des produits de vente au détail et de consommation emballés étant mis au rebut.

Les solutions basées sur l'IA de Pendulum permettent aux organisations de gérer intelligemment leurs opérations et de réduire le gaspillage de produits, les pertes de revenus et les émissions excessives de gaz à effet de serre. Basé sur AWS, le logiciel de Pendulum peut prévoir la demande, planifier l'approvisionnement et géolocaliser les expéditions. Il permet aux entreprises d'acheter avec plus de précision les ressources dont elles ont besoin tout en produisant exactement la quantité de biens demandée par leurs clients.

L'accès aux données d'entreprise est essentiel pour la plateforme de Pendulum. Cependant, les données sont souvent conservées dans des systèmes cloisonnés et des documents non structurés tels que des fichiers PDF et du texte brut. Le logiciel de Pendulum est conçu pour exploiter les sources de données les plus pertinentes pour la prise de décisions opérationnelles. Ils déploient une IA générative pour accéder rapidement aux informations importantes contenues dans des documents longs et complexes afin de réduire le délai de rentabilisation pour leurs clients.

L'agriculture de précision est un exemple de déploiement efficace de cette technologie. L'équipe Pendulum utilise une approche à intervention humaine pour ajuster les instructions d'un grand modèle de langage (LLM) sur AWS Trainium à l'aide d'Amazon SageMaker. Cette approche génère des données lisibles par machine à partir de fichiers non structurés que les machines agricoles de leurs clients peuvent utiliser pour déterminer la quantité de pesticides, d'eau et d'autres produits à utiliser. Par conséquent, le client est moins susceptible de surutiliser les ressources ou d'en commander trop, peut économiser de l'argent et réduire son empreinte carbone ainsi que son impact environnemental. En outre, cela permet aux clients de respecter les besoins de l'usine, les réglementations locales et d'autres critères importants.

Pendulum estime que cette solution a réduit le temps nécessaire au décodage de ces documents de 83 %, et l'entreprise n'a plus qu'à examiner les données à des fins d'assurance qualité. Cela permet de réduire les coûts et d'accélérer le déploiement de leurs logiciels à grande échelle.

VIA : faciliter la compréhension de l'efficacité énergétique par les gestionnaires de bâtiments grâce à l'IA générative

Pour permettre la réduction des émissions, les institutions et les entreprises doivent suivre les données énergétiques au niveau local et individuel. Par exemple, afin de réduire les émissions de carbone associées à sa flotte de véhicules électriques (VE), il est important pour une entreprise de savoir si les véhicules électriques, dans une région donnée et à un moment donné, sont rechargés à l'aide d'électricité produite par des énergies renouvelables ou des combustibles fossiles. Pour les bâtiments économes en énergie, il est essentiel de disposer de données distinctes et détaillées sur l'ensemble du portefeuille immobilier d'une organisation. Si tout le monde fournissait toutes les données de manière transparente, cela ne poserait aucun problème ; cependant, les données distinctes ne sont souvent pas accessibles pour des raisons de confidentialité ou de sécurité. De nombreuses personnes hésitent à fournir l'heure, la date et le lieu des données relatives à la recharge, à la décharge et à la consommation d'énergie de leur véhicule, ce qui complique la gestion de l'énergie et la réduction des gaz à effet de serre.

Via Science, Inc. (VIA) permet aux organisations de réduire leur empreinte carbone de manière collective, tout en préservant la confidentialité et la sécurité des données distinctes. L'entreprise fournit des données sur la durabilité à l'aide de preuves à connaissance nulle testées et vérifiées par le département de l'Énergie des États-Unis. Cela permet aux organisations et aux entreprises de suivre les données et d'atteindre leurs objectifs de durabilité, même lorsqu'il n'est pas possible de partager des informations détaillées en raison d'obstacles réglementaires ou de confidentialité.

VIA a développé une première solution pour la Force aérienne des États-Unis, qui impose des exigences strictes en matière de confidentialité des données empêchant souvent les équipes de gestion des bâtiments et de gestion de l'énergie d'accéder aux données critiques dont elles ont besoin. La solution logicielle décentralisée de VIA permet aux aviateurs et aux sous-traitants autorisés d'utiliser des modèles d'IA générative sans partager de données : aucune donnée privée n'est utilisée pour entraîner le modèle ni envoyée au modèle en temps voulu. Au lieu de cela, lorsqu'un utilisateur saisit une requête telle que « je veux voir tous les bâtiments de la base aérienne XYZ dont l'état du système CVC est inférieur à 60 », le LLM répond par « Je comprends ce que vous voulez réaliser. Comme je n'ai pas accès aux données, je génère une requête SQL que vous pouvez exécuter pour obtenir les données de votre base de données locale. Je vous envoie également le code frontal que vous pouvez exécuter pour afficher les données. » Ces deux morceaux de code sont ensuite renvoyés à l'utilisateur où l'outil, SLAM AI, s'exécute automatiquement et visualise les données localement.

Pour économiser davantage d'énergie et réduire les coûts de calcul, VIA utilise des LLM open source compacts qui s'exécutent sur des processeurs. Ils évaluent en permanence de nouveaux modèles en raison de l'évolution rapide des performances du LLM. En tirant parti d'Amazon Elastic Kubernetes Service (EKS), ils peuvent facilement échanger des modèles à chaud, en intégrant des modèles plus efficaces dès qu'ils sont disponibles.

La prochaine étape de l'IA générative et des technologies climatiques

BrainBox AI, Pendulum et VIA utilisent l'IA générative sur AWS de manières passionnantes pour faire face à la crise climatique. Ils utilisent la capacité de l'IA générative à extraire des éléments clés de données non structurées et à générer de nouveaux contenus. Cela permet à ces entreprises de servir davantage de clients plus rapidement et de réduire les émissions de gaz à effet de serre tout en réduisant les coûts pour ces entreprises et pour leurs clients.

Nous nous attendons à ce que les start-ups des technologies climatiques trouvent de nouveaux moyens d'utiliser l'IA générative sur AWS pour faire face à la crise du climat. Voici quelques exemples de ce que nous observons dans d'autres secteurs qui, selon nous, pourraient s'appliquer à ces technologies climatiques.

Augmentation des données à l'aide de l'IA générative pour générer des données synthétiques destinées à l'entraînement de modèles prédictifs

L'IA générative peut créer des données synthétiques, une classe de données générées plutôt qu'obtenues à partir d'observations directes du monde réel. Cela peut être utile pour la modélisation du sous-sol à des fins de géothermie ou de séquestration du carbone, lorsque les données sur la formation des roches souterraines sont difficiles à obtenir. Les start-ups du secteur des transports à faibles émissions de carbone pourraient également utiliser l'IA générative pour créer des scénarios de test des nouveaux véhicules. L'IA générative pourrait également être utile dans la fabrication de technologies de pointe liées aux technologies climatiques. La création de données d'images synthétiques peut être utilisée pour créer des images d'équipements (compresseurs, turbines, par exemple) présentant de la rouille ou des fissures. Ces images peuvent être utilisées pour former des modèles de machine learning (ML) basés sur la vision pour la maintenance prédictive, qui peuvent jouer un rôle clé dans la réduction des coûts et des temps d'arrêt opérationnels.

Amélioration de l'efficacité de la fabrication dans le secteur des technologiques climatiques grâce à l'IA générative

En utilisant des modèles basés sur des données historiques, notamment les journaux d'utilisation et de maintenance des machines, l'IA générative peut identifier des modèles et des liens entre divers facteurs, tels que la température, les vibrations et les heures de fonctionnement. Cela peut permettre au système de prévoir la probabilité d'une défaillance de l'équipement et de communiquer ces modèles de manière proactive aux parties prenantes concernées, telles que les ingénieurs qualité, les ingénieurs de maintenance et les opérateurs. En communiquant de manière proactive les besoins de maintenance, les temps d'arrêt seront réduits, tout comme les interruptions de fabrication.

Conception et synthèse de nouvelles séquences protéiques pour une agriculture et une production alimentaire durables grâce à l'IA générative

L'IA générative peut prédire les structures repliées des protéines qui leur permettent de remplir des fonctions particulières dans la cellule. Les chercheurs pourraient ainsi générer des protéines fonctionnelles et différentes molécules de manière guidée. De plus, l'IA générative permet aux scientifiques de définir avec précision la structure de séquences protéiques connues afin d'identifier des cibles moléculaires/biologiques.

Les start-ups du secteur des technologies climatiques peuvent probablement utiliser l'IA générative de bien d'autres manières pour lutter contre le réchauffement climatique. Nous espérons que cet article de blog donnera des idées à certains et incitera les fondateurs du secteur des technologies climatiques à faire un usage innovant et intéressant de l'IA générative.

Les charges de travail d'IA générative peuvent consommer de grandes quantités d'énergie et de ressources cloud, et comme pour toutes les charges de travail, il est essentiel de prendre en compte leur impact environnemental. Il est de notre responsabilité collective d'utiliser cette technologie de manière durable ; Amazon s'engage d'ailleurs à atteindre la neutralité carbone d'ici 2040. Dans le cadre de cet engagement, Amazon est sur la bonne voie pour alimenter ses opérations avec 100 % d'énergie renouvelable d'ici 2025, y compris les centres de données AWS. Amazon est ainsi devenue la plus grande entreprise acheteuse d'énergie renouvelable au monde au cours des quatre dernières années. AWS fournit des conseils pour aider les entreprises à optimiser leurs charges de travail d'IA générative en faveur de la durabilité environnementale. Il est également essentiel que ces entreprises mesurent l'impact de leur utilisation de l'IA générative et sa contribution aux objectifs globaux de durabilité de l'organisation.