Tren AI generatif terbaru untuk mengatasi krisis iklim

Dalam Perjanjian Iklim Paris 2015, negara-negara global menandatangani kesepakatan untuk mencapai emisi karbon nol bersih pada tahun 2050. Dengan tenggat waktu yang hanya tinggal 26 tahun lagi, perlombaan untuk bertransisi ke teknologi bersih menjadi lebih mendesak. Dampak dari perubahan iklim sudah mulai terasa dengan makin seringnya terjadi kebakaran hutan, panas ekstrem, banjir, dan gagal panen. Pergeseran ke ekonomi nol bersih harus dilakukan sebesar revolusi industri. Jika revolusi tersebut terjadi secara bertahap selama 180 tahun, revolusi ini akan terjadi hanya dalam waktu 26 tahun. Untungnya, para inovator saat ini memiliki akses ke teknologi canggih dan kecerdasan buatan (AI) yang dapat mempercepat transisi menuju nol karbon.

Di AWS, startup menggunakan AI generatif untuk mengatasi tantangan ini. Awal tahun ini, kami berbagi cara gelombang pertama startup teknologi iklim menggunakan AI generatif untuk mengelola operasi mereka dengan lebih efisien, melakukan deployment agar dapat dengan cepat membuka informasi penting yang terkandung dalam dokumen panjang dan rumit. Kini, startup teknologi iklim menggunakan AI generatif untuk mempercepat pengembangan produk, memberikan penghematan biaya kepada pelanggan mereka, dan membuktikan hal yang dapat terwujud pada skala yang tak terbayangkan sebelumnya.

Tren AI generatif yang muncul dalam teknologi iklim

1. Mengembangkan Model Fondasi (FM) berdasarkan data dunia nyata, meliputi alam, cuaca, ilmu material, dan lain-lain.
2. Menggunakan AI generatif untuk menemukan dan merancang sains baru, meliputi pengembangan material berkelanjutan, pemetaan genetik, dan banyak lagi.
   
3. Mengoptimalkan operasi bisnis untuk menghemat waktu dan biaya melalui peningkatan kategorisasi, penyerapan dokumen, dan otomatisasi.
   
4. Membuat data sintetis untuk melatih model machine learning (ML) ketika data tidak tersedia.
   
5. Menggunakan Model Bahasa Kecil (SLM), yaitu sebuah model khusus yang lebih kecil dengan kapasitas yang terkonsentrasi pada tugas target tertentu, untuk mengoptimalkan beban kerja AI generatif demi keberlanjutan lingkungan dan biaya.
   

Cara Insilico menggunakan AI generatif untuk menemukan dan merancang material yang berkelanjutan

Insilico Medicine adalah perusahaan bioteknologi tahap klinis global yang didukung oleh AI generatif yang awalnya berfokus pada percepatan penemuan obat. Sejak itu, Insilico Medicine telah memperluas platformnya untuk menemukan dan merancang material dan agrokimia berkelanjutan. Insilico awalnya membangun Pharma AI, yang menggunakan AI generatif untuk mengidentifikasi target serta menghasilkan dan mengoptimalkan molekul dengan cepat untuk mengembangkan dan memajukan jalur programnya sendiri ke uji klinis dalam waktu singkat. Insilico juga menawarkan platform Pharma.ai sebagai produk SaaS yang di-hosting di AWS. Rata-rata, dalam industri farmasi, perjalanan dari identifikasi target ke pemilihan kandidat klinis melibatkan sintesis dan pengujian ribuan senyawa dan memakan waktu lebih dari 4,5 tahun. Pendekatan AI generatif Insilico memungkinkan optimisasi multiparametrik yang tepat, biasanya mengurangi jumlah rata-rata molekul yang disintesis per program menjadi kurang dari 100 dari identifikasi hit hingga nominasi kandidat praklinis hanya dalam 12-18 bulan. Selain membuat proses lebih cepat dan lebih terjangkau, prosesnya kira-kira 10 kali sedikit lebih efisien daripada pendekatan tradisional. Bersama Amazon, Insilico Medicine juga telah membangun apa yang mereka yakini sebagai set data dinamika molekul terbesar di dunia yang dihasilkan menggunakan Komputasi Performa Tinggi (HPC) di AWS dengan Amazon EC2, Amazon FSx, Amazon S3, dan Elastic Fabric Adapter (EFA). Set data unik yang dapat dimanfaatkan dengan berbagai cara untuk meningkatkan akurasi dan kecepatan penemuan dan pengembangan obat molekul kecil.

Insilico kini menerapkan platform AI generatifnya untuk menemukan dan merancang material yang berkelanjutan. Platform mereka menggunakan Amazon SageMaker untuk melatih Model Fondasi baru dengan cepat dan menghasilkan struktur molekul yang dioptimalkan. SageMaker memungkinkan pemrosesan paralel tugas-tugas komputasi yang kompleks, menskalakan sumber daya dengan lancar untuk evaluasi model, dan menyediakan akses sesuai permintaan bagi Insilico ke GPU dan CPU mutakhir. Untuk memulai dengan material berkelanjutan, Insilico bermitra dengan perusahaan teknologi pertanian global yang besar untuk menciptakan herbisida yang lebih hijau, lebih aman, dan lebih efektif. Herbisida penting untuk melindungi tanaman dan memungkinkan petani untuk menghasilkan makanan dengan harga terjangkau, tetapi dapat membahayakan lingkungan sekitarnya. Melalui kerja sama, mereka memanfaatkan teknologi dan keahlian kimia generatif molekul kecil bertenaga AI generatif milik Insilico untuk merancang dan mengoptimalkan herbisida aktif potensial lebih cepat dan lebih baik bagi lingkungan dan kesehatan manusia.

Insilico tidak berhenti di situ. Mereka baru-baru ini mengumumkan peluncuran Konsorsium AI Generatif untuk Kelestarian Lingkungan, dengan misi untuk mengembangkan teknologi AI generatif mutakhir sumber terbuka demi kelestarian lingkungan. Teknologi ini adalah platform sumber terbuka bagi para ilmuwan dan laboratorium akademik untuk menyumbangkan model dan data demi memajukan bidang 1) penangkapan karbon 2) penyimpanan hidrogen, 3) kimia pertanian, serta 4) minyak dasar dan pelumas. Ilmuwan dapat mengirimkan model untuk ditinjau. Platform ini menawarkan sistem tolok ukur sehingga para ilmuwan dapat memahami model yang terbaik untuk tujuan tertentu. 

NET2GRID melakukan deployment AI generatif untuk membantu perusahaan utilitas mempercepat transisi energi

Kompleksitas jaringan listrik berkembang pesat seiring dengan beralihnya penyedia energi ke sumber energi terbarukan yang bersifat intermiten, seperti tenaga surya dan angin. Sumber energi terbarukan ini menghasilkan jumlah listrik yang berbeda pada waktu-waktu yang berbeda dalam satu hari. Variabilitas ini, ditambah dengan cuaca ekstrem yang disebabkan oleh perubahan iklim, menimbulkan permintaan listrik yang tinggi dan lonjakan kenaikan harga. Jika tidak dikelola dengan baik, lonjakan ini dapat menyebabkan ketidakstabilan jaringan listrik. Sebuah studi dari Wall Street Journal mengindikasikan bahwa insiden pemadaman listrik yang berkepanjangan telah meningkat dua kali lipat sejak tahun 2013. Selain itu, World Energy Outlook 2022 dari IEA menemukan bahwa harga energi mengalami lonjakan sebesar 30% dalam satu dekade terakhir sehingga menyebabkan pelanggan mencari cara untuk mengurangi tagihan listrik. 

Platform EnergyAI milik NET2GRID menggunakan AI generatif untuk memungkinkan utilitas memberikan wawasan dan rekomendasi penggunaan energi kepada pelanggan mereka untuk mengurangi biaya, menyeimbangkan jaringan listrik, dan menghindari pemadaman. EnergyAI Assistant membantu pelanggan utilitas memahami penggunaan energi, memotong biaya, dan meningkatkan efisiensi mereka dengan mudah. Sistem ini didukung oleh model bahasa besar (LLM) yang memanfaatkan API analitik untuk memberikan wawasan dan rekomendasi yang dipersonalisasi kepada pelanggan utilitas tentang konsumsi energi. Sistem ini memberdayakan rumah tangga dan bisnis dengan analitik dan prakiraan energi canggih yang sebelumnya sangat mahal dan hanya tersedia untuk para ahli industri. Sistem ini dapat mengidentifikasi penggunaan energi peralatan tertentu dan penggunaan energi historis sehingga pelanggan utilitas tahu di mana dapat menghemat energi. Sistem ini juga menawarkan prakiraan canggih tentang konsumsi energi dan harga listrik pada masa mendatang sehingga pengguna dapat menghindari lonjakan harga dan mengurangi biaya. 

NET2GRID menggunakan Amazon Sagemaker untuk menyempurnakan dan melakukan deployment LLM berbasis skala berdasarkan Llama 7B. Mereka menggunakan AWS Inferentia2, chip inferensi machine learning kustom beperforma tinggi milik AWS, untuk deployment model AI yang hemat biaya dan dioptimalkan energi. Akhirnya, mereka menggunakan fungsi AWS Lambda untuk menjalankan kode yang merespons pemicu atau peristiwa tertentu untuk memastikan asisten tetap responsif dan efisien tanpa memerlukan manajemen server berkelanjutan. 

Dengan menerapkan EnergyAI Assistant, ada banyak manfaat yang bisa didapatkan oleh penyedia energi dan pelanggannya. Asisten tersebut secara signifikan meningkatkan pengalaman pelanggan dengan memberikan respons cepat dan personal terhadap pertanyaan terkait energi. Karena tersedia sepanjang waktu, tingkat dukungan ini dapat membantu meningkatkan kepuasan pelanggan dan membantu mereka mengurangi penggunaan energi. Hal ini pada gilirannya membantu utilitas mengelola grid dan menghindari pemadaman yang mahal. Teknologi ini juga membantu penyedia energi mengurangi biaya layanan mereka hingga 25% melalui dukungan pelanggan tingkat pertama yang lebih efisien. Selain itu, wawasan yang dihasilkan oleh asisten dapat mengurangi analisis pasar dan biaya survei sebanyak 20%, yang mengarah pada penghematan biaya yang signifikan. 

Connect Earth membantu nasabah bank membuat keputusan pembelian berdasarkan iklim menggunakan AI generatif

Ketika dunia berlomba untuk mencapai emisi gas rumah kaca nol bersih, pelaporan gas rumah kaca kini wajib dilakukan di 40 negara, termasuk Inggris, sebagian besar negara anggota UE, Australia, Jepang, dan AS. Menurut CDP, sebuah organisasi nirlaba yang menjalankan sistem pengungkapan global, lebih dari 23.000 perusahaan, mewakili dua pertiga kapitalisasi pasar global, melaporkan data emisi kepada mereka. Lebih dari 10.000 perusahaan telah mengumumkan secara terbuka tujuan pengurangan gas rumah kaca, termasuk Amazon dan lebih dari 500 penandatangan Climate Pledge untuk mencapai emisi nol bersih pada tahun 2040, yang didirikan bersama Amazon. Untuk mengaktifkan upaya ini, Connect Earth menyediakan rangkaian alat API berbasis AI yang membantu lembaga layanan keuangan dan pelanggan menghitung dan mengurangi emisi rumah kaca. 

Connect Earth menggunakan AI generatif di AWS untuk mengintegrasikan penilaian dampak lingkungan dengan lancar ke dalam layanan perbankan sehari-hari. Dengan menganalisis serangkaian titik data yang komprehensif—termasuk deskripsi transaksi, kategori yang disediakan bank, tanggal, mata uang, dan informasi regional—sistem tidak hanya mengategorikan transaksi dengan presisi, tetapi juga mengaitkan masing-masing dengan perkiraan emisi karbon yang sesuai. Pendekatan ini memberdayakan nasabah bank dengan pemahaman yang jelas tentang emisi karbon pribadi dan bisnis mereka sehingga memungkinkan mereka untuk membuat keputusan pembelian yang sadar lingkungan dan mengambil langkah-langkah aktif untuk mengurangi jejak karbon mereka.

Connect Earth mengintegrasikan AI generatif di AWS dalam tiga cara. Pertama, AI generatif digunakan untuk mengategorikan dan memberi label transaksi untuk memperkirakan jejak karbon, proses yang sebelumnya manual. Connect Earth menyempurnakan DistilBERT untuk klasifikasi urutan, versi disaring dari BERT yang memiliki parameter 40% lebih sedikit, berjalan 60% lebih cepat, dan mempertahankan lebih dari 95% performa BERT. Kedua, saat data tidak dapat diakses atau peraturan membatasi penggunaan, data sintetis dihasilkan untuk melatih modelnya, yang menggunakan Model Bahasa Kecil (SLM), seperti Mistral 8x7B melalui AWS Bedrock. Terakhir, Connect Earth sedang mengeksplorasi SLM sumber terbuka, seperti Llama 7B untuk mengekstraksi data dari input tidak terstruktur untuk dimasukkan ke dalam modelnya, untuk memberikan hasil yang mengesankan dengan sebagian kecil dari sumber daya komputasi Model Bahasa Besar (LLM). Dengan menggunakan algoritma dan SLM yang hemat energi, Connect Earth mengurangi biaya dan mengikuti praktik terbaik AWS untuk mengoptimalkan beban kerja Machine Learning untuk Keberlanjutan. Tumpukan Connect Earth dilakukan deployment pada komputasi nirserver AWS: API didukung oleh AWS Lambda dan model dilakukan deployment di Inferensi Nirserver Amazon SageMaker. Infrastruktur yang dapat diskalakan ini memungkinkan Connect Earth memproses jutaan transaksi per hari.

Melalui jalur AI generatif ini, perusahaan memperkirakan bahwa mereka sekarang menggandakan jumlah transaksi yang mereka berikan data karbonnya, dan akan segera memungkinkan perhitungan emisi untuk sumber data tidak terstruktur, seperti faktur. Nasabah bank juga menerima keuntungan tambahan: sebelumnya, akuntan secara manual mengategorikan pengeluaran untuk menentukan perkiraan emisi karbon, yang memakan waktu 10–20 jam per perusahaan per tahun. Sekarang proses itu telah dihilangkan sehingga menghemat waktu dan uang nasabah bank. 

Mulai membangun sekarang, dengan AWS dan AI generatif 

AWS berkomitmen untuk membantu startup mempercepat perang melawan krisis iklim dengan memanfaatkan AI generatif. Melalui rangkaian alat AWS, startup dapat dengan cepat mengembangkan solusi untuk memungkinkan penemuan material yang lebih berkelanjutan, mengurangi waktu untuk penemuan ilmiah, mempercepat operasi, dan menurunkan biaya, atau bahkan menghasilkan data sintetis. Bersama-sama, kita semua akan memimpin tugas untuk memerangi perubahan iklim.

Cari tahu cara AWS dapat membantu startup Anda memanfaatkan kekuatan transformatif AI generatif, dengan mempelajari selengkapnya tentang Amazon Bedrock dan program AWS Startups.