論文の概要: Leveraging AI-derived Data for Carbon Accounting: Information Extraction
from Alternative Sources
- arxiv url: http://arxiv.org/abs/2312.03722v1
- Date: Sun, 26 Nov 2023 22:49:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-11 03:22:33.690011
- Title: Leveraging AI-derived Data for Carbon Accounting: Information Extraction
from Alternative Sources
- Title（参考訳）: 炭素会計におけるaiデータ活用--代替資源からの情報抽出
- Authors: Olamide Oladeji, Seyed Shahabeddin Mousavi
- Abstract要約: 我々は、信頼できる炭素会計手順への道筋に重要な役割を果たす、より多様なデータソースの必要性について論じる。
金融・海運データに対するOpenAIのGPT APIを用いたNLPを用いた分析により,近年の現実世界データに関するケーススタディを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Carbon accounting is a fundamental building block in our global path to
emissions reduction and decarbonization, yet many challenges exist in achieving
reliable and trusted carbon accounting measures. We motivate that carbon
accounting not only needs to be more data-driven, but also more
methodologically sound. We discuss the need for alternative, more diverse data
sources that can play a significant role on our path to trusted carbon
accounting procedures and elaborate on not only why, but how Artificial
Intelligence (AI) in general and Natural Language Processing (NLP) in
particular can unlock reasonable access to a treasure trove of alternative data
sets in light of the recent advances in the field that better enable the
utilization of unstructured data in this process. We present a case study of
the recent developments on real-world data via an NLP-powered analysis using
OpenAI's GPT API on financial and shipping data. We conclude the paper with a
discussion on how these methods and approaches can be integrated into a broader
framework for AI-enabled integrative carbon accounting.
- Abstract（参考訳）: 炭素会計は、排出削減と脱炭への世界的道の基本的な構成要素であるが、信頼性と信頼性のある炭素会計対策の達成には多くの課題がある。
私たちは、炭素会計はデータ駆動であるだけでなく、より方法論的に健全である必要があることを動機付けている。
我々は、信頼された炭素会計手続きへの道のりにおいて重要な役割を果たす、より多様なデータソースの必要性を議論し、その理由だけでなく、一般的な人工知能(ai)と自然言語処理(nlp)が、このプロセスにおける非構造化データの利用をより有効にする分野の最近の進歩に照らして、代替データセットの宝庫への合理的なアクセスをいかに解放するかについて詳しく説明する。
金融・海運データに対するOpenAIのGPT APIを用いたNLPを用いた分析により,近年の現実世界データに関するケーススタディを提案する。
本稿は,これらの手法とアプローチを,AIを活用した統合的炭素会計のためのより広範なフレームワークに統合する方法についての議論で締めくくった。
関連論文リスト
- Carbon Footprint Accounting Driven by Large Language Models and Retrieval-augmented Generation [3.428260237038657]
従来のライフサイクルアセスメント手法は人間の専門知識に大きく依存しており、ほぼリアルタイムのアップデートを困難にしている。
本稿では,大規模言語モデル(LLM)と検索拡張生成技術を統合し,炭素フットプリント情報検索と分析のリアルタイム,専門的,経済的な側面を強化する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-19T06:05:24Z) - Generative AI for Low-Carbon Artificial Intelligence of Things with Large Language Models [67.0243099823109]
ジェネレーティブAI(GAI)は、AIoT(Artificial Intelligence of Things)の二酸化炭素排出量を減らす大きな可能性を秘めている
本稿では, 炭素排出量削減のためのGAIの可能性について検討し, 低炭素AIoTのための新しいGAI対応ソリューションを提案する。
本稿では,Large Language Model (LLM) を利用したCO_2排出最適化フレームワークを提案し,このフレームワークにより,プラグ可能なLLMとRetrieval Augmented Generation (RAG) モジュールを設計する。
論文 参考訳（メタデータ） (2024-04-28T05:46:28Z) - AI-driven E-Liability Knowledge Graphs: A Comprehensive Framework for
Supply Chain Carbon Accounting and Emissions Liability Management [0.0]
本稿では,Kaplan と Ramanna が提唱した E-liability carbon accounting method and emissions Liability Management (ELM) を紹介する。
我々は、AIと計算を活用する新しいデータ駆動統合フレームワーク、E-Liability Knowledge Graphフレームワークを紹介します。
論文 参考訳（メタデータ） (2023-11-26T23:09:36Z) - A Comprehensive Survey of Dataset Distillation [73.15482472726555]
限られた計算能力で無制限に成長するデータを扱うことは困難になっている。
ディープラーニング技術はこの10年で前例のない発展を遂げた。
本稿では,多面的なデータセット蒸留の総合的な理解を提供する。
論文 参考訳（メタデータ） (2023-01-13T15:11:38Z) - Estimating the Carbon Footprint of BLOOM, a 176B Parameter Language
Model [72.65502770895417]
176ビリオンパラメータ言語モデルBLOOMの炭素フットプリントを,そのライフサイクルにわたって定量化する。
BLOOMの最終訓練で約24.7トンのカルボネックが放出されたと推定する。
本稿では,機械学習モデルの炭素フットプリントを正確に推定することの難しさについて論じる。
論文 参考訳（メタデータ） (2022-11-03T17:13:48Z) - Measuring the Carbon Intensity of AI in Cloud Instances [91.28501520271972]
我々は,ソフトウェアの炭素強度を測定するための枠組みを提供し,運転中の炭素排出量を測定することを提案する。
私たちは、Microsoft Azureクラウドコンピューティングプラットフォームにおける排出削減のための一連のアプローチを評価します。
論文 参考訳（メタデータ） (2022-06-10T17:04:04Z) - Towards a Systematic Survey for Carbon Neutral Data Centers [23.339102377319833]
データセンターは大規模なエネルギー消費のため、炭素集約型企業である。
データセンター産業は2030年までに世界の二酸化炭素排出量の8%を占めると見積もられている。
本研究は, 政策指標と技術方法論の両方を考慮した, 炭素中性データセンターへのロードマップを提案する。
論文 参考訳（メタデータ） (2021-10-15T09:24:15Z) - An Empirical Survey of Data Augmentation for Limited Data Learning in
NLP [88.65488361532158]
豊富なデータへの依存は、低リソース設定や新しいタスクにNLPモデルを適用するのを防ぐ。
NLPにおけるデータ効率を改善する手段として,データ拡張手法が検討されている。
限定ラベル付きデータ設定におけるNLPのデータ拡張に関する最近の進展を実証的に調査する。
論文 参考訳（メタデータ） (2021-06-14T15:27:22Z) - Towards the Systematic Reporting of the Energy and Carbon Footprints of
Machine Learning [68.37641996188133]
我々は、リアルタイムエネルギー消費と二酸化炭素排出量を追跡するための枠組みを導入する。
エネルギー効率のよい強化学習アルゴリズムのためのリーダーボードを作成します。
炭素排出量削減とエネルギー消費削減のための戦略を提案する。
論文 参考訳（メタデータ） (2020-01-31T05:12:59Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。