Les dernières tendances de l’IA générative pour faire face à la crise climatique

Dans le cadre de l’Accord de Paris sur le climat de 2015, les pays du monde se sont engagés à atteindre des émissions nettes de carbone nulles d’ici 2050. À 26 ans de cette date, la course à la transition vers des technologies propres n’a jamais été aussi pressante. Les effets du changement climatique se font déjà sentir avec la fréquence croissante des feux de forêt, des chaleurs extrêmes, des inondations et des mauvaises récoltes. Le passage à une économie à consommation nette zéro devra être aussi important que la révolution industrielle. Alors que cette révolution s’est progressivement déroulée sur une période 180 ans, celle-ci devra se produire en 26 ans seulement. Heureusement, les innovateurs ont aujourd’hui accès à des technologies de pointe et à l’intelligence artificielle (IA), qui peuvent accélérer la transition vers la neutralité carbone.

Sur AWS, les start-ups utilisent l’IA générative pour relever ce défi. Plus tôt cette année, nous avons expliqué comment la première vague de start-ups du secteur des technologies climatiques utilise l’IA générative pour gérer plus efficacement les opérations, en la déployant pour accéder rapidement à des informations importantes contenues dans des documents longs et complexes. Aujourd’hui, les start-ups des technologies climatiques utilisent l’IA générative pour accélérer le développement de produits, faire économiser de l’argent à leurs clients et prouver ce qui est possible à une échelle auparavant inimaginable.

Nouvelles tendances en matière d’IA générative dans le domaine des technologies climatiques

1. Développement de modèles de fondation (FM) basés sur des données du monde réel, notamment le monde naturel, la météo, la science des matériaux, etc.
2. Utiliser l’IA générative pour découvrir et concevoir de nouvelles sciences, notamment le développement de matériaux durables, la cartographie génétique, etc.
   
3. Optimisation des opérations commerciales pour gagner du temps et de l’argent grâce à des améliorations apportées à la catégorisation, à l’ingestion de documents et à l’automatisation.
   
4. Création de données synthétiques pour entraîner des modèles de machine learning (ML) lorsque les données ne sont pas facilement disponibles.
   
5. Utilisation de petits modèles de langage (SLM), de petits modèles spécialisés dont la capacité est concentrée sur une tâche cible spécifique, afin d’optimiser les charges de travail d’IA générative pour la durabilité environnementale et les coûts.
   

Comment Insilico utilise l’IA générative pour découvrir et concevoir des matériaux durables

Insilico Medicine est une société mondiale de biotechnologie au stade clinique alimentée par l’IA générative, qui s’est initialement concentrée sur l’accélération de la découverte de médicaments. Elle a depuis élargi sa plateforme pour découvrir et concevoir des matériaux et des produits agrochimiques durables. Insilico a initialement développé Pharma AI, qui utilise l’IA générative pour identifier des cibles et générer et optimiser rapidement des molécules afin de développer et de faire progresser son propre portefeuille de programmes vers des essais cliniques en un temps record. Insilico propose également la plateforme Pharma.ai en tant que produits SaaS hébergés sur AWS. En moyenne, dans l’industrie pharmaceutique, le parcours entre l’identification des cibles et la sélection des candidats cliniques implique la synthèse et le test de milliers de composés et prend plus de 4 ans et demi. L’approche d’IA générative d’Insilico permet une optimisation multiparamétrique précise, en réduisant généralement le nombre moyen de molécules synthétisées par programme à moins de 100 entre l’identification des résultats et la nomination de candidats précliniques, le tout en seulement 12 à 18 mois. En plus de rendre le processus plus rapide et abordable, la solution génère environ 10 fois moins de gaspillage que l’approche traditionnelle. En collaboration avec Amazon, Insilico Medicine a également créé ce qu’elle considère comme le plus grand jeu de données de dynamique des molécules au monde, généré à l’aide du calcul haute performance (HPC) sur AWS avec Amazon EC2, Amazon FSx, Amazon S3 et Elastic Fabric Adapter (EFA). Un jeu de données unique qui peut être exploité de multiples manières pour améliorer la précision et la rapidité de la découverte et du développement de médicaments à base de petites molécules.

Insilico utilise désormais sa plateforme d’IA générative pour découvrir et concevoir des matériaux durables. La plateforme utilise Amazon SageMaker pour former rapidement de nouveaux modèles de fondation et générer des structures moléculaires optimisées. SageMaker permet le traitement parallèle de tâches de calcul complexes, adapte facilement les ressources pour l’évaluation des modèles et fournit à Insilico un accès à la demande à des GPU et des processeurs de pointe. Pour démarrer dans le domaine des matériaux durables, Insilico s’est associée à une grande entreprise mondiale de technologie agricole afin de créer des herbicides plus écologiques, sûrs et efficaces. Les herbicides sont importants pour protéger les cultures et permettre aux agriculteurs de cultiver des aliments à un prix abordable, mais ils peuvent nuire à l’environnement. Travaillant en étroite collaboration, ils ont tiré parti de la technologie de chimie des petites molécules alimentée par l’IA générative et de l’expertise d’Insilico pour concevoir et optimiser des herbicides actifs potentiels meilleurs pour l’environnement et la santé humaine plus rapidement.

Insilico ne s’arrête pas là. L’entreprise a récemment annoncé le lancement du consortium Generative AI for Environmental Sustainability, dont la mission est de développer des technologies d’IA générative de pointe open source pour la durabilité environnementale. Il s’agit d’une plateforme open source permettant aux scientifiques et aux laboratoires universitaires de fournir des modèles et des données pour faire progresser les domaines suivants : 1) la capture du carbone, 2) le stockage de l’hydrogène, 3) l’agrochimie et 4) les huiles et lubrifiants de base. Les scientifiques peuvent soumettre des modèles pour examen. La plateforme propose un système d’analyse comparative qui permet aux scientifiques de comprendre quels modèles conviennent le mieux à quels objectifs. 

NET2GRID déploie l’IA générative pour aider les entreprises de services publics à accélérer la transition énergétique

La complexité du réseau électrique augmente rapidement à mesure que les fournisseurs d’énergie se tournent vers des sources d’énergie renouvelables intermittentes, comme l’énergie solaire et éolienne, qui produisent différentes quantités d’électricité à différents moments de la journée. Cette variabilité, associée aux conditions météorologiques extrêmes provoquées par le changement climatique, entraîne une demande d’électricité extrême et des pics de prix. S’ils ne sont pas bien gérés, ces pics peuvent entraîner une instabilité du réseau. Une étude du Wall Street Journal indique que le nombre de pannes d’électricité prolongées a doublé depuis 2013. En outre, selon les Perspectives énergétiques mondiales 2022 de l’Agence internationale de l'énergie (AIE), les prix de l’énergie ont augmenté de 30 % au cours de la dernière décennie, ce qui a incité les clients à rechercher des moyens de réduire leur facture énergétique. 

La plateforme EnergyAI de NET2GRID utilise l’IA générative pour permettre aux services publics de fournir à leurs clients des informations et des recommandations sur la consommation d’énergie afin de réduire les coûts, d’équilibrer le réseau et d’éviter les pannes. L’assistant EnergyAI aide les clients des services publics à comprendre facilement leur consommation d’énergie, réduire leurs coûts et améliorer leur efficacité. Le système est alimenté par de grands modèles de langage (LLM) qui tirent parti des API d’analyse pour fournir aux clients des services publics des informations et des recommandations personnalisées sur la consommation d’énergie. Il permet aux ménages et aux entreprises de disposer d’analyses et de prévisions énergétiques avancées qui étaient auparavant d’un coût prohibitif et réservées aux experts du secteur. Le système peut identifier la consommation d’énergie de certains appareils et l’historique de la consommation d’énergie afin que les clients des services publics sachent où réaliser des économies. Il propose également des prévisions sophistiquées de la consommation d’énergie future et de la tarification de l’électricité afin que les utilisateurs puissent éviter les pics de taux et réduire les coûts. 

NET2GRID utilise Amazon Sagemaker pour affiner et déployer des LLM évolutifs basés sur Llama 7B. L’entreprise utilise AWS Inferentia2, la puce d’inférence de machine learning hautes performances personnalisée d’AWS, pour un déploiement rentable et optimisé en termes d’énergie des modèles d’IA. Enfin, NET2GRID utilise les fonctions AWS Lambda pour exécuter du code en réponse à des déclencheurs ou à des événements spécifiques, garantissant ainsi à l’assistant de rester réactif et efficace sans avoir besoin d’une gestion continue du serveur. 

La mise en œuvre de l’assistant EnergyAI offre des avantages à la fois aux fournisseurs d’énergie et à leurs clients. L’assistant améliore considérablement l’expérience client en fournissant des réponses rapides et personnalisées aux questions liées à l’énergie. Disponible 24 heures sur 24, ce niveau d’assistance peut contribuer à améliorer la satisfaction des clients et à réduire leur consommation d’énergie. Cela permet à son tour aux services publics de gérer le réseau et d’éviter des pannes coûteuses. La technologie aide également les fournisseurs d’énergie à réduire leurs coûts de service de jusqu’à 25 % grâce à un support client de premier niveau plus efficace. En outre, les informations générées par l’assistant peuvent réduire les coûts des analyses de marché et des enquêtes de jusqu’à 20 %, ce qui permet de réaliser des économies de coûts importantes. 

Connect Earth aide les clients du secteur bancaire à prendre des décisions d’achat en tenant compte du climat grâce à l’IA générative

Alors que le monde s’efforce de réduire ses émissions nettes de gaz à effet de serre à zéro, la déclaration des gaz à effet de serre est désormais obligatoire dans 40 pays, dont le Royaume-Uni, de nombreux États membres de l’UE, l’Australie, le Japon et les États-Unis. Selon le CDP, une organisation à but non lucratif qui gère des systèmes de divulgation mondiaux, plus de 23 000 entreprises, représentant les deux tiers de la capitalisation boursière mondiale, leur communiquent des données sur leurs émissions. Plus de 10 000 entreprises ont annoncé publiquement des objectifs de réduction des gaz à effet de serre, notamment Amazon et les plus de 500 signataires du Climate Pledge, qu’Amazon a cofondé, visant à atteindre la neutralité carbone d’ici 2040. Pour permettre ces efforts, Connect Earth fournit une suite d’outils d’API pilotés par l’IA qui aident les institutions des services financiers et leurs clients à calculer et réduire les émissions de gaz à effet de serre. 

Connect Earth utilise l’IA générative sur AWS pour intégrer de manière fluide l’évaluation de l’impact environnemental dans les opérations bancaires courantes. En analysant un ensemble complet de points de données, y compris les descriptions des transactions, les catégories fournies par les banques, les dates, les devises et les informations régionales, le système classe non seulement les transactions avec précision, mais associe également chacune d’entre elles à ses émissions de carbone estimées correspondantes. Cette approche donne aux clients du secteur bancaire une compréhension claire de leurs émissions de carbone personnelles et professionnelles, leur permettant de prendre des décisions d’achat respectueuses de l’environnement et des mesures actives pour réduire leur empreinte carbone.

Connect Earth intègre l’IA générative sur AWS de trois manières. Tout d’abord, l’IA générative est utilisée pour classer et étiqueter les transactions afin d’estimer l’empreinte carbone, un processus auparavant manuel. Connect Earth optimise DistilBERT pour la classification des séquences, une version distillée de BERT qui comporte 40 % de paramètres en moins, fonctionne 60 % plus vite et préserve plus de 95 % des performances de BERT. Ensuite, lorsque les données ne sont pas accessibles ou que la réglementation restreint leur utilisation, des données synthétiques sont générées pour entraîner ses modèles, à l’aide de petits modèles de langage (SLM), comme Mistral 8x7B via AWS Bedrock. Enfin, Connect Earth explore les SLM open source, comme Llama 7B, pour extraire des données à partir d’entrées non structurées afin de les intégrer à son modèle, pour fournir des résultats impressionnants avec une fraction des ressources de calcul d’un grand modèle de langage (LLM). En adoptant des algorithmes et des SLM économes en énergie, Connect Earth réduit les coûts et suit les meilleures pratiques d’AWS pour optimiser les charges de travail de machine learning dans un souci de durabilité. La pile Connect Earth est déployée sur l’informatique sans serveur AWS : les API sont alimentées par AWS Lambda et les modèles sont déployés sur l’Inférence sans serveur Amazon SageMaker. Cette infrastructure évolutive permet à Connect Earth de traiter des millions de transactions par jour.

Grâce à ce pipeline d’IA générative, l’entreprise estime qu’elle double désormais le nombre de transactions pour lesquelles elle fournit des données sur le carbone et qu’elle permettra bientôt de calculer les émissions pour les sources de données non structurées, comme les factures. Les clients du secteur bancaire bénéficient également d’avantages supplémentaires : auparavant, les comptables classaient manuellement les dépenses pour déterminer les estimations des émissions de carbone, ce qui prenait 10 à 20 heures par entreprise et par an. Ce processus a maintenant été éliminé, ce qui permet aux clients du secteur bancaire d’économiser du temps et de l’argent. 

Commencez à créer dès maintenant avec AWS et l’IA générative 

AWS s’engage à aider les start-ups à accélérer la lutte contre la crise climatique en tirant parti de l’IA générative. Grâce à la suite d’outils AWS, les start-ups peuvent rapidement développer des solutions permettant de découvrir des matériaux plus durables, réduire les délais de découverte scientifique, accélérer les opérations et réduire les coûts, ou même générer des données synthétiques. Ensemble, nous prendrons tous les devants de la lutte contre le changement climatique.

Découvrez comment AWS peut aider votre start-up à tirer parti de la puissance transformatrice de l’IA générative, en en apprenant davantage sur Amazon Bedrock et le programme AWS Startups.