Die neuesten generativen KI-Trends zur Bewältigung der Klimakrise

Im Pariser Klimaabkommen von 2015 haben sich die Nationen der Welt verpflichtet, bis 2050 netto keine Kohlenstoffemissionen mehr zu verursachen. Bis dahin sind es nur noch 26 Jahre, und das Rennen um den Übergang zu sauberen Technologien war noch nie so dringend. Die Folgen des Klimawandels sind bereits jetzt spürbar: häufigere Waldbrände, extreme Hitze, Überschwemmungen und Ernteausfälle. Der Wechsel zu einer Netto-Null-Wirtschaft wird genauso groß sein müssen wie die industrielle Revolution. Diese Revolution hat sich über einen Zeitraum von 180 Jahren entwickelt, während die jetzige in nur 26 Jahren vollzogen werden muss. Glücklicherweise haben die Innovatoren heute Zugang zu fortschrittlicher Technologie und künstlicher Intelligenz (KI), die den Übergang zu einer Netto-Null-Wirtschaft beschleunigen können.

Bei AWS nutzen Startups generative KI, um diese Herausforderung zu meistern. Zu Beginn dieses Jahres haben wir darüber berichtet, wie die erste Welle von Climate-Tech-Startups generative KI einsetzt, um ihre Abläufe effizienter zu verwalten und wichtige Informationen aus langen und komplizierten Dokumenten schnell zu erschließen. Inzwischen setzen Startups aus dem Bereich der Klimatechnologie generative KI ein, um die Produktentwicklung zu beschleunigen, Geld für ihre Kunden zu sparen und zu beweisen, was in einem bisher unvorstellbaren Ausmaß möglich ist.

Neue generative KI-Trends in der Klimatechnik

1. Entwicklung von Basismodellen (FM, Foundation Models) auf der Grundlage von Daten aus der realen Welt, einschließlich der Natur, des Wetters, der Materialwissenschaften und anderer.
2. Einsatz generativer KI zur Entdeckung und Gestaltung neuer wissenschaftlicher Erkenntnisse, einschließlich der Entwicklung nachhaltiger Materialien, genetischer Kartierung und mehr.
   
3. Optimierung von Geschäftsabläufen, um Zeit und Geld durch Verbesserungen bei der Kategorisierung, Dokumentenaufnahme und Automatisierung zu sparen.
   
4. Erstellung synthetischer Daten zum Trainieren von Modellen für Machine Learning (ML), wenn Daten nicht ohne weiteres verfügbar sind.
   
5. Mithilfe von Small Language Models (SLM), spezialisierten kleineren Modellen, deren Kapazität auf eine bestimmte Zielaufgabe konzentriert ist, werden generative KI-Workloads im Hinblick auf ökologische Nachhaltigkeit und Kosten optimiert.
   

So nutzt Insilico generative KI, um nachhaltige Materialien zu entdecken und zu entwerfen

Insilico Medicine ist ein globales Biotechnologieunternehmen in der klinischen Phase, das sich auf generative KI stützt und sich zunächst auf die Beschleunigung der Arzneimittelentdeckung konzentrierte. Seither hat das Unternehmen seine Plattform erweitert, um nachhaltige Materialien und Agrochemikalien zu entdecken und zu entwickeln. Zunächst baute Insilico Pharma AI auf, das generative KI zur Identifizierung von Zielmolekülen und zur schnellen Generierung und Optimierung von Molekülen einsetzt, um seine eigene Pipeline von Programmen zu entwickeln und in Rekordzeit zu klinischen Studien zu bringen. Außerdem bietet Insilico die Pharma.ai-Plattform als SaaS-Produkte an, die auf AWS gehostet werden. Im Durchschnitt dauert in der pharmazeutischen Industrie der Weg von der Identifizierung eines Ziels bis zur Auswahl eines klinischen Kandidaten mehr als 4,5 Jahre, da Tausende von Verbindungen synthetisiert und getestet werden müssen. Der generative KI-Ansatz von Insilico ermöglicht eine präzise multiparametrische Optimierung, wodurch die durchschnittliche Anzahl der synthetisierten Moleküle pro Programm von der Identifizierung des Treffers bis zur Nominierung des präklinischen Kandidaten in nur 12 bis 18 Monaten auf weniger als 100 reduziert wird. Der Prozess ist nicht nur schneller und erschwinglicher, sondern auch etwa 10 Mal weniger verschwenderisch als der traditionelle Ansatz. Gemeinsam mit Amazon hat Insilico Medicine außerdem den nach eigenen Angaben weltweit größten Datensatz zur Moleküldynamik aufgebaut, der mit High Performance Computing (HPC) auf AWS mit Amazon EC2, Amazon FSx, Amazon S3 und Elastic Fabric Adapter (EFA) erzeugt wurde. Ein einzigartiger Datensatz, der auf vielfältige Weise genutzt werden kann, um die Genauigkeit und Geschwindigkeit der Entdeckung und Entwicklung von Medikamenten mit kleinen Molekülen zu verbessern.

Insilico setzt jetzt seine generative KI-Plattform ein, um nachhaltige Materialien zu entdecken und zu entwerfen. Diese Plattform nutzt Amazon SageMaker, um neue Foundation-Modelle schnell zu trainieren und optimierte molekulare Strukturen zu erzeugen. Mit SageMaker können komplexe Rechenaufgaben parallel verarbeitet werden, die Ressourcen für die Modellevaluierung werden nahtlos skaliert und Insilico erhält bei Bedarf Zugang zu hochmodernen GPUs und CPUs. Als Einstieg in den Bereich der nachhaltigen Materialien ist Insilico eine Partnerschaft mit einem großen globalen Agrartechnologieunternehmen eingegangen, um umweltfreundlichere, sicherere und effektivere Herbizide zu entwickeln. Diese sind wichtig, um Nutzpflanzen zu schützen und den Landwirten einen erschwinglichen Anbau von Nahrungsmitteln zu ermöglichen, können aber die Umwelt schädigen. In enger Zusammenarbeit nutzten sie Insilicos generative KI-gestützte Technologie und Expertise in der generativen Chemie kleiner Moleküle, um potenzielle aktive Herbizide schneller und besser für die Umwelt und die menschliche Gesundheit zu entwickeln und zu optimieren.

Insilico belässt es nicht dabei. Das Unternehmen kündigte vor kurzem die Gründung des Generative AI for Environmental Sustainability Consortium an, das sich zum Ziel gesetzt hat, innovative generative KI-Technologien für ökologische Nachhaltigkeit zu entwickeln. Dabei handelt es sich um eine Open-Source-Plattform für Wissenschaftler und akademische Labors, die Modelle und Daten beisteuern können, um die Bereiche 1) Kohlenstoffabscheidung, 2) Wasserstoffspeicherung, 3) Agrarchemie und 4) Grundöle und Schmierstoffe voranzubringen. Wissenschaftler können Modelle zur Überprüfung einreichen. Die Plattform bietet ein Benchmarking-System, damit Wissenschaftler verstehen können, welche Modelle für welche Zwecke am besten geeignet sind. 

NET2GRID setzt generative KI ein, um Versorgungsunternehmen dabei zu unterstützen, die Energiewende zu beschleunigen

Die Komplexität des Stromnetzes nimmt rapide zu, da die Energieversorger auf intermittierende erneuerbare Energiequellen wie Solar- und Windenergie umsteigen, die zu verschiedenen Tageszeiten unterschiedliche Mengen an Strom produzieren. Diese Unbeständigkeit in Verbindung mit den durch den Klimawandel bedingten Wetterextremen führt zu extremer Stromnachfrage und Preisspitzen. Wenn diese Spitzen nicht gut gehandhabt werden, können sie zu einer Instabilität des Netzes führen. Laut einer Studie des Wall Street Journal haben sich die Fälle von längeren Stromausfällen seit 2013 verdoppelt. Darüber hinaus hat der World Energy Outlook 2022 der IEA festgestellt, dass die Energiepreise in den letzten zehn Jahren um 30 % gestiegen sind, was die Kunden dazu veranlasst, nach Möglichkeiten zur Senkung der Energierechnung zu suchen. 

Die EnergyAI Plattform von NET2GRIDnutzt generative KI, um Versorgungsunternehmen in die Lage zu versetzen, ihren Kunden Einblicke in die Energienutzung zu geben und Empfehlungen auszusprechen, die Kosten senken, das Netz ausbalancieren und Ausfälle vermeiden. Mit dem EnergyAI Assistant können Versorgungskunden ihren Energieverbrauch leicht verstehen, Kosten senken und die Effizienz verbessern. Dieses System basiert auf großen Sprachmodellen (LLMs), die Analyse-APIs nutzen, um Versorgungsunternehmen personalisierte Einblicke und Empfehlungen zum Energieverbrauch zu geben. Es gibt Haushalten und Unternehmen fortschrittliche Energieanalysen und -prognosen an die Hand, die bisher unerschwinglich und nur für Branchenexperten verfügbar waren. Das System kann den Energieverbrauch bestimmter Geräte und den Energieverbrauch in der Vergangenheit ermitteln, so dass Versorgungsunternehmen wissen, wo sie Einsparungen erzielen können. Außerdem bietet es ausgefeilte Prognosen über den künftigen Energieverbrauch und die Strompreise, so dass die Nutzer Spitzenpreise vermeiden und Kosten senken können. 

NET2GRID verwendet Amazon Sagemaker für die Feinabstimmung und Bereitstellung von skalierten LLMs auf der Grundlage von Llama 7B. Das Unternehmen verwendet AWS Inferentia2 , den maßgeschneiderten Hochleistungs-Chip für Machine Learning von AWS, für die kostengünstige und energieoptimierte Bereitstellung von KI-Modellen. Darüber hinaus setzen sie AWS Lambda-Funktionen ein, um Code auszuführen, der auf bestimmte Auslöser oder Ereignisse reagiert. So wird sichergestellt, dass der Assistent reaktionsschnell und effizient bleibt, ohne dass eine kontinuierliche Serververwaltung erforderlich ist. 

Die Implementierung des EnergyAI-Assistenten bietet Vorteile sowohl für Energieversorger als auch für deren Kunden. Dieser Assistent verbessert das Kundenerlebnis erheblich, indem er schnelle, personalisierte Antworten auf energiebezogene Fragen gibt. Er ist rund um die Uhr verfügbar und kann dazu beitragen, die Kundenzufriedenheit zu verbessern und ihren Energieverbrauch zu senken. Gleichzeitig hilft dies den Energieversorgern, das Stromnetz zu verwalten und kostspielige Ausfälle zu vermeiden. Außerdem hilft die Technologie den Energieversorgern, ihre Servicekosten durch eine effizientere Kundenbetreuung auf der ersten Ebene um bis zu 25 % zu senken. Darüber hinaus können die durch den Assistenten gewonnenen Erkenntnisse die Kosten für Marktanalysen und Umfragen um bis zu 20% senken, was zu erheblichen Kosteneinsparungen führt. 

Connect Earth hilft Bankkunden mithilfe generativer KI, klimainformierte Kaufentscheidungen zu treffen

Während die Welt darum ringt, ihre Treibhausgasemissionen auf null zu reduzieren, ist die Berichterstattung über Treibhausgasemissionen jetzt in 40 Ländern verpflichtend, darunter in Großbritannien, vielen EU-Mitgliedstaaten, Australien, Japan und den USA. Nach Angaben von CDP, einer gemeinnützigen Organisation, die globale Offenlegungssysteme betreibt, melden mehr als 23.000 Unternehmen, die zwei Drittel der weltweiten Marktkapitalisierung repräsentieren, Emissionsdaten an CDP. Über 10.000 Unternehmen haben öffentlich Ziele zur Reduzierung der Treibhausgasemissionen bekannt gegeben, darunter Amazon und die über 500 Unterzeichner des Climate Pledge, der von Amazon mitbegründet wurde, um bis 2040 Netto-Null-Emissionen zu erreichen. Um diese Bemühungen zu unterstützen, bietet Connect Earth eine Reihe von KI-gesteuerten API-Tools, die Finanzdienstleistern und Kunden bei der Berechnung und Reduzierung von Treibhausgasemissionen helfen. 

Connect Earth setzt generative KI auf AWS ein, um Umweltverträglichkeitsprüfungen nahtlos in den Bankalltag zu integrieren. Durch die Auswertung eines umfassenden Satzes von Datenpunkten – einschließlich Transaktionsbeschreibungen, von der Bank bereitgestellte Kategorien, Daten, Währungen und regionale Informationen – kategorisiert das System nicht nur die Transaktionen präzise, sondern ordnet auch jede einzelne den entsprechenden geschätzten Kohlenstoffemissionen zu. Dieser Ansatz gibt den Bankkunden ein klares Verständnis ihrer persönlichen und geschäftlichen Kohlendioxidemissionen und ermöglicht es ihnen, umweltbewusste Kaufentscheidungen zu treffen und aktive Schritte zur Verringerung ihres Kohlendioxidausstoßes zu unternehmen.

Connect Earth bindet generative KI auf AWS auf drei Arten ein. Zunächst wird generative KI verwendet, um Transaktionen zu kategorisieren und zu kennzeichnen, um den CO2-Fußabdruck zu schätzen - ein früher manueller Prozess. Dazu stimmt Connect Earth DistilBERT für die Sequenzklassifizierung ab, eine destillierte Version von BERT, die 40 % weniger Parameter hat, 60 % schneller läuft und über 95 % der Leistung von BERT beibehält. Wenn keine Daten zur Verfügung stehen oder die Vorschriften die Nutzung einschränken, werden synthetische Daten generiert, um die Modelle mit Small Language Models (SLMs) wie Mistral 8x7B via AWS Bedrock zu trainieren. Und schließlich erforscht Connect Earth Open-Source-SLMs wie Llama 7B, um Daten aus unstrukturierten Eingaben zu extrahieren und in sein Modell einzuspeisen, um mit einem Bruchteil der Rechenressourcen eines Large Language Model (LLM) beeindruckende Ergebnisse zu erzielen. Indem es energieeffiziente Algorithmen und SLMs einsetzt, senkt Connect Earth die Kosten und folgt den Best Practices von AWS für die  Optimierung von Machine Learning-Arbeitslasten im Hinblick auf Nachhaltigkeit. Der Connect Earth-Stack wird auf AWS Serverless Computing bereitgestellt: Die APIs werden von AWS Lambda betrieben und die Modelle werden auf Amazon SageMaker Serverless Inference bereitgestellt. Diese skalierbare Infrastruktur ermöglicht es Connect Earth, Millionen von Transaktionen pro Tag zu verarbeiten.

Durch diese generative KI-Pipeline hat das Unternehmen nach eigenen Angaben die Anzahl der Transaktionen verdoppelt, für die es Emissionsdaten bereitstellt, und wird bald die Berechnung von Emissionen für unstrukturierte Datenquellen wie Rechnungen ermöglichen. Die Bankkunden profitieren auch von weiteren Vorteilen: Früher mussten die Buchhalter die Ausgaben manuell kategorisieren, um die geschätzten CO2-Emissionen zu ermitteln, was 10 bis 20 Stunden pro Unternehmen und Jahr in Anspruch nahm. Jetzt entfällt dieser Prozess, was den Bankkunden Zeit und Geld spart. 

Jetzt aufbauen – mit AWS und generativer KI 

AWS möchte Startups dabei helfen, den Kampf gegen die Klimakrise zu beschleunigen, indem es generative KI einsetzt. Dank der AWS-Tools können Startups schnell Lösungen entwickeln, die die Entdeckung nachhaltigerer Materialien ermöglichen, die Zeitspanne für wissenschaftliche Entdeckungen verkürzen, den Betrieb beschleunigen und die Kosten senken oder sogar synthetische Daten erzeugen. Gemeinsam werden wir alle den Kampf gegen den Klimawandel anführen.

Finden Sie heraus, wie AWS Ihr Startup dabei unterstützen kann, die transformative Kraft der generativen KI zu nutzen, indem Sie mehr über Amazon Bedrock und das AWS Startups-Programm erfahren.