論文の概要: The Carbon Footprint Wizard: A Knowledge-Augmented AI Interface for Streamlining Food Carbon Footprint Analysis

• arxiv url: http://arxiv.org/abs/2509.07733v1
• Date: Tue, 09 Sep 2025 13:34:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-10 14:38:27.333482
• Title: The Carbon Footprint Wizard: A Knowledge-Augmented AI Interface for Streamlining Food Carbon Footprint Analysis
• Title（参考訳）: カーボンフットプリントウィザード:食品フットプリント分析の合理化のための知識強化されたAIインターフェース
• Authors: Mustafa Kaan Aslan, Reinout Heijungs, Filip Ilievski,
• Abstract要約: ライフサイクルアセスメント(LCA)は、定量化とグローバルサプライチェーンによって複雑になる。 本稿では,LCAと一般公開データベースの進歩と知識付加型AI技術を組み合わせた方法論を提案する。 ライブWebデモでは、任意の食品やフォローアップ質問で概念実証システムを紹介します。
• 参考スコア（独自算出の注目度）: 9.596990138649426
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Environmental sustainability, particularly in relation to climate change, is a key concern for consumers, producers, and policymakers. The carbon footprint, based on greenhouse gas emissions, is a standard metric for quantifying the contribution to climate change of activities and is often assessed using life cycle assessment (LCA). However, conducting LCA is complex due to opaque and global supply chains, as well as fragmented data. This paper presents a methodology that combines advances in LCA and publicly available databases with knowledge-augmented AI techniques, including retrieval-augmented generation, to estimate cradle-to-gate carbon footprints of food products. We introduce a chatbot interface that allows users to interactively explore the carbon impact of composite meals and relate the results to familiar activities. A live web demonstration showcases our proof-of-concept system with arbitrary food items and follow-up questions, highlighting both the potential and limitations - such as database uncertainties and AI misinterpretations - of delivering LCA insights in an accessible format.
• Abstract（参考訳）: 環境の持続可能性、特に気候変動に関して、消費者、生産者、政策立案者にとって重要な関心事である。 温室効果ガス排出量に基づく炭素フットプリントは、活動の気候変動への貢献を定量化するための標準指標であり、ライフサイクルアセスメント(LCA)を用いてしばしば評価される。 しかし、LCAの実施は不透明でグローバルなサプライチェーンと断片化されたデータによって複雑である。 本稿では,LCAと一般利用可能なデータベースの進歩と,食品のクレードル・トゥ・ゲートカーボンフットプリントを推定する検索強化生成を含む知識強化AI技術を組み合わせる手法を提案する。 我々は,複合食の炭素影響を対話的に探索し,その結果を親しみやすい活動に関連付けるチャットボットインタフェースを導入した。 ライブWebデモでは、任意の食品やフォローアップ質問で概念実証システムを紹介し、LCAの洞察をアクセス可能な形式で提供する可能性と制限(データベースの不確実性やAIの誤解釈など)を強調しています。

関連論文リスト

• A Knowledge Graph Informing Soil Carbon Modeling [3.625589258088034]
  土壌有機炭素は気候変動の緩和と農業の持続可能性に不可欠である。 本稿では,土壌有機炭素知識グラフ(SOCKG)を導入し,農業研究データをクエリ可能な知識表現に変換する。
  論文  参考訳（メタデータ） (2025-08-14T15:25:59Z)
• Towards Autonomous Sustainability Assessment via Multimodal AI Agents [46.77807327332175]
  電子デバイスのクレードル・トゥ・ゲート二酸化炭素排出量を計算するためのマルチモーダルAIエージェントを導入する。 このアプローチは、専門家時間の数週間から数ヶ月を1分未満に短縮し、データ可用性のギャップを埋める。 炭素フットプリントは専門的なLCAの19%以内であり、プロプライエタリなデータはゼロである。
  論文  参考訳（メタデータ） (2025-07-22T20:49:25Z)
• A Collaborative Platform for Soil Organic Carbon Inference Based on Spatiotemporal Remote Sensing Data [3.9589674165097897]
  WALGREENは、現在のアプリケーションの制限を克服することで、SOC推論を強化するプラットフォームである。 WALGREENは、過去の公開データとプライベートデータを使って予測モデルを生成する。 研究者、政策立案者、土地管理者が炭素データにアクセスし、トレンドを分析し、エビデンスベースの意思決定をサポートするために、ユーザーフレンドリーなインターフェースを提供する。
  論文  参考訳（メタデータ） (2025-04-17T04:50:18Z)
• CarbonChat: Large Language Model-Based Corporate Carbon Emission Analysis and Climate Knowledge Q&A System [4.008184902967172]
  大規模言語モデルに基づくコーポレートカーボンエミッション分析と気候知識Q&Aシステムを提案する。 ルールベースおよび長文文書のセグメンテーションを扱うために,多種多様なインデックスモジュール構築法を提案する。 炭素排出量分析のための14の次元が確立されており、レポートの要約、関連性評価、カスタマイズされた応答を可能にしている。
  論文  参考訳（メタデータ） (2025-01-03T08:45:38Z)
• 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)
• Counting Carbon: A Survey of Factors Influencing the Emissions of Machine Learning [77.62876532784759]
  機械学習(ML)は、モデルトレーニングプロセス中に計算を実行するためにエネルギーを使用する必要がある。 このエネルギーの生成には、使用量やエネルギー源によって、温室効果ガスの排出という観点からの環境コストが伴う。 本稿では,自然言語処理とコンピュータビジョンにおいて,95のMLモデルの炭素排出量の時間的および異なるタスクに関する調査を行う。
  論文  参考訳（メタデータ） (2023-02-16T18:35:00Z)
• 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)

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。