高管关于可持续发展生成式人工智能的指南 机器学习博客

高管的可持续发展生成性人工智能指南

作者：Wafae Bakkali Mehdi Noori Rahul Sareen 2024年4月22日，发布于 Amazon Bedrock，Amazon SageMaker，最佳实践，生成性人工智能，可持续性，思想领导力。 永久链接 评论 分享

关键要点

当前，各个组织正面临着越来越多的可持续发展目标，特别是在环境、社会与治理ESG实践方面。根据Gartner Inc的调查，87的商业领袖预计将在未来几年内增加对可持续性的投资。 本文是任何高管在处理生成性人工智能与可持续性之间交集的起点，它提供了利用生成性人工智能加速可持续性和ESG倡议的用例和最佳实践示例，也深入探讨了生成性人工智能在可持续性方面的主要运营挑战。 这份指南可以作为有效整合生成性人工智能于可持续发展战略的路线图，同时确保与组织目标的一致性。

整合生成性人工智能于可持续发展的路线图

以下部分我们将提供如何将生成性人工智能整合进可持续发展倡议的路线图。

1 了解生成性人工智能在可持续性方面的潜力

生成性人工智能具备transform各业务的潜力，它拥有多种功能，比如分析大量数据、识别模式、总结文件、进行翻译、纠正错误和回答问题。这些能力可以为组织整个价值链增值。下图1展示了生成性人工智能在可持续性方面的部分用例示例。

KPMG 2024 ESG组织调查显示，投资于ESG能力的提升是高管的另一项重点工作，因为组织面临越来越大的监管压力，需披露有关ESG影响、风险和机会的信息。在此背景下，组织可以利用生成性人工智能来推进ESG目标。

ESG的工作流程通常涵盖多个阶段，每个阶段都有其独特的痛点。生成性人工智能提供了应对这些痛点的解决方案，贯穿整个流程，助力可持续发展。图2展示了生成性人工智能如何支持您的组织在ESG工作流程中的每个阶段的示例。这些示例包括加快市场趋势分析、确保准确的风险管理及合规性，以及促进数据收集或报告生成。需要注意的是，ESG工作流程在不同的行业、组织成熟度和立法框架中可能有所不同。因此，根据特定需求和背景优先考虑用例，并制定明确的成功评估计划至关重要。

2 识别生成性人工智能在可持续性方面的运营挑战

有效识别并适当解决生成性人工智能实施中的挑战，对希望利用其潜力以达成可持续性目标和ESG倡议的组织至关重要。这些挑战包括：收集和管理高质量数据、将生成性人工智能整合到现有IT系统、应对伦理问题、填补技能差距，并在早期引入关键利益相关者如首席信息安全官或首席财务官，确保在负责任的框架下构建。法律问题是从概念验证POC转向生产的大障碍，因此，在流程一开始就与法律团队合作，以合规为前提打造解决方案十分必要。图3概述了生成性人工智能在可持续性方面的主要运营挑战。

3 构建合适的数据基础

作为希望利用生成性人工智能实现可持续目标的CEO，需认识到数据是您的竞争优势。缺乏高质量数据的公司无法使用自己的数据定制生成性人工智能模型，从而错失利用生成性人工智能全面扩展潜力和创造竞争优势的机会。投资获取多样化和高质量的数据集，为您的ESG倡议提升价值和加速进程。您可以利用资源如Amazon可持续发展数据倡议或AWS数据交换来简化和加快全面数据集的获取与分析。除了获得外部数据，内部数据管理应当被优先考虑，以最大化生成性人工智能的潜力，并利用其分析组织数据并发现新的见解的能力。

在运营角度，可以采用基础模型操作FMOps和大语言模型操作LLMOps，确保您的可持续发展工作是基于数据驱动的且具备可扩展性。这涉及记录数据来源、版本控制、自动化数据处理以及监控数据管理成本。

4 识别高影响机会

您可以利用亚马逊的“反向工作”原则来找出在可持续发展战略中生成性人工智能可以产生重大影响的机会。优先考虑那些在组织内部关键领域内Promise立即改善的项目。尽管ESG仍然是可持续性的重要方面，但利用跨行业专家的专业知识，探索能源、供应链、制造、交通或农业等行业，可以发掘出适合您业务应用的多种生成性人工智能可持续性用例。此外，探索其他途径，如利用生成性人工智能改善研发、促进客户自助服务、优化建筑能耗或减缓森林砍伐也会提供可持续创新的影响机会。

5 使用合适的工具

使用不当的工具可能会增加复杂性、降低安全性，并减少在可持续性方面使用生成性人工智能的有效性。合适的工具应提供选择和灵活性，并使您能够根据特定需求和要求定制解决方案。

图4展示了2023年的AWS生成性人工智能技术栈，它提供了一套能力，涵盖了所有层面上的选择、广度和深度。此外，它基于数据优先的方法，确保其产品的每个方面都考虑到安全和隐私。

您可以使用以下工具来推进可持续发展倡议：

6 采用正确的方法

生成性人工智能不是“一刀切”的解决方案。根据可持续性倡议选择合适的模式和优化策略，以最大化其影响至关重要。图5提供了生成性人工智能的模式和优化策略概述，包括提示工程、检索增强生成以及微调或持续预训练。

此外，图6列出了主要的生成性人工智能优化策略，包括上述的提示工程、检索增强生成以及微调或继续预训练的策略。

7 利用生成性人工智能智能体简化应用开发

生成性人工智能智能体为推动可持续发展倡议提供了独特的机遇，它们具备自动化多种常规和重复性任务的能力，例如数据录入、客户支持咨询和内容生成。此外，它们能够通过将任务拆分成更小的可管理步骤，协调各种行动，并确保在您的组织内部高效执行流程。例如，您可以利用Amazon Bedrock智能体配置一个智能体，监控和分析您运营中的能耗模式，并识别节能机会。或者，您可以创建一个专门的智能体，实时监控对可持续性法规的合规性。

8 建立稳健的反馈机制以进行评估

利用反馈见解进行战略改进，无论是调整生成性人工智能模型，还是重新定义目标，以确保灵活性和与可持续性挑战的一致性。考虑以下指南：

实施实时监控 设立监控系统，跟踪生成性人工智能在可持续性基准方面的表现，关注效率和环境影响。建立指标管道以提供关于您生成性人工智能倡议的可持续性贡献的见解。在此获取更多信息。

吸引利益相关者进行人工审核 借助人机协作审核，定期从内部团队、客户和合作伙伴收集反馈，以了解生成性人工智能驱动的流程对组织可持续发展基准的影响。这将提升透明度并增强您在可持续发展方面的承诺信任度。

利用自动化测试以实现持续改进 使用工具如RAGAS和LangSmith，您可以使用基于模型的评估来识别和纠正不准确或错误的信息，促进生成性人工智能模型与可持续发展目标的快速优化。

9 测量影响并最大化生成性人工智能对可持续性的投资回报率

确立明确的关键绩效指标KPI，以捕捉环境影响，例如减少碳足迹，同时关注经济利益，例如节省成本或增强业务灵活性。这种双重关注确保您的投资不仅有助于专注于环境可持续性的项目，同时也强化了可持续性的商业案例，使您能够在可持续实践中推动创新和竞争优势。在内部和外部分享成功案例，以激励他人，展示组织在可持续性领导者方面的承诺。

10 在生成性人工智能生命周期中最小化资源使用

在某些情况下，生成性人工智能本身可能消耗高昂的能源。为了获得最大影响，应考虑在可持续发展倡议中使用生成性人工智能的利益与该技术本身的能源效率之间的权衡。确保深入了解循序渐进的生成性人工智能生命周期，并为环境的可持续性优化每个阶段。通常，生成性人工智能之旅始于识别特定的应用要求。从那里，您可以选择从头开始训练模型或使用现有的模型。在大多数情况下，选择现有模型并进行定制是首选。在实施之前，彻底评估您的系统至关重要。最后，持续监控使得持续改进和调整成为可能。在整个生命周期中，我们建议实施AWS WellArchitected Framework最佳实践。有关生成性人工智能生命周期的概述，请参见图7。

11 管理风险并负责任地实施

尽管生成性人工智能对促进组织的可持续发展目标具有重要潜力，但它也带来了如毒性和幻觉等挑战。在创新与负责任使用生成性人工智能之间取得平衡至关重要，以减轻风险并推动负责任的AI创新。这一平衡需考虑在质量、披露或报告等众多因素上对风险的评估。为此，必须采用特定的工具和能力，并与安全团队合作，采用安全最佳实践。安全、可靠地扩展生成性人工智能，需要设立针对您的用例的保护机制并确保与负责任AI政策保持一致。

12 投资于教育和培训您的团队

持续提升团队技能，赋能他们