論文の概要: Toward Sustainable AI Deployment: A Carbon-Aware Decision Framework for Enterprise Supply Chain Systems
- arxiv url: http://arxiv.org/abs/2609.14881v1
- Date: Mon, 14 Sep 2026 01:03:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.024327
- Title: Toward Sustainable AI Deployment: A Carbon-Aware Decision Framework for Enterprise Supply Chain Systems
- Title（参考訳）: 持続可能なAIデプロイメントに向けて - エンタープライズサプライチェーンシステムのためのカーボンアウェアな意思決定フレームワーク
- Abstract要約: 企業調達のための持続可能なAIガバナンスを運用するGreen ISデザインアーティファクトを開発する。
我々はサプライチェーンタスクにまたがる6つの大規模言語モデルをベンチマークし、意思決定品質と推定生成関連動作炭素を同時に測定した。
私たちの「ベンチマークファースト、選択グリーン」原則は、環境責任と意思決定品質が相互に強化される可能性があることを示唆しています。
- 参考スコア（独自算出の注目度）: 2.9152186617858304
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Enterprises deploying AI for supply chain decisions commonly default to the largest available language model, a procurement heuristic that neglects both empirical performance and environmental cost. We benchmark six large language models across 520 supply chain tasks, simultaneously measuring decision quality and estimated generation-related operational carbon. Drawing on the Technology-Organization-Environment (TOE) framework, we develop a Carbon-Aware AI Procurement Framework (CAAPF), a Green IS design artifact that operationalizes sustainable AI governance for enterprise procurement. Within this bounded sample, quality spans 0.497-0.723, and the models with the largest disclosed parameter totals do not achieve the highest scores. The design does not isolate size, provider, architecture, or benchmark-construction effects. A category-by-tier calibrated GreenRoute proof of concept reaches 0.733 mean out-of-sample quality at an estimated 0.402 gCO2/task. Static Haiku reaches 0.699 at 0.022 gCO2/task, while Sonnet reaches 0.723 at 0.401 gCO2/task, demonstrating that the preferred strategy depends on the organization's quality requirement. Our "benchmark first, select green" principle suggests that environmental responsibility and decision quality can be mutually reinforcing, contributing to sustainable digital infrastructure governance aligned with SDG 12 and SDG 13.
- Abstract（参考訳）: サプライチェーン決定のためにAIをデプロイする企業は一般的に、経験的パフォーマンスと環境コストの両方を無視する調達ヒューリスティック(Procurement Heuristic)である、最大の利用可能な言語モデルにデフォルトを定めている。
520のサプライチェーンタスクにまたがる6つの大規模言語モデルをベンチマークし、意思決定品質と推定生成関連動作炭素を同時に測定した。
企業調達のための持続可能なAIガバナンスを運用するグリーンISデザインアーティファクトであるCarbon-Aware AI Procurement Framework(CAAPF)を開発した。
この有界サンプルの中では、品質は0.497-0.723の範囲であり、最大のパラメータの総和を持つモデルは最高スコアを達成できない。
サイズ、プロバイダ、アーキテクチャ、あるいはベンチマーク構成効果を分離しない。
カテゴリごとに校正されたGreenRoute概念の証明は0.733まで到達し、サンプル外品質は0.402 gCO2/taskと推定される。
静的俳句は0.022 gCO2/taskで0.699、Sonnetは0.723 gCO2/taskで0.401 gCO2/taskに達する。
この原則は、環境責任と意思決定品質が相互に強化され、SDG 12とSDG 13と整合した持続可能なデジタルインフラストラクチャガバナンスに寄与することを示している。
関連論文リスト
- DREAM Technical Report [53.37525197047151]
DREAMは、既存のパイプラインの上に認識認識、オーケストレーション、監査可能なポリシ層を追加し、それを置き換えることなく、自律的な最適化制御アーキテクチャである。
DREAMには2つのコアコンポーネントがある。まず、3層Intent Engineはデバイス上の信号を構造化されたL0/L1/L2インテント表現に融合する。エッジクラウドトリガーチェーンはレポートのボリュームを約8.7%に削減する。
第2に、Meta EngineはMetaModelを使って、層状M1-to-M2-to-M3推論(インテントの要約、ストラテジーメモリに通知されるストラテジープランニング、パラメータ変換など)を定式化したM1-to-M2-to-M3推論に使用します。
論文 参考訳（メタデータ） (2026-08-10T10:35:32Z) - Bringing GRACE to Recommendation: Fine-Tuning for Sustainable and Accurate Personalization [57.58261252242669]
環境サステナビリティに関する懸念が高まり、グリーンの推奨システムは、よりエコフレンドリーで健康的な選択へとユーザーを導いてくれる。
多くの既存のグリーンレコメンデーションアプローチでは、スクラッチから新しいモデルをトレーニングする必要がある。
本稿では、アイテムレベルのサステナビリティ信号を事前訓練されたレコメンデーションモデルに統合する微調整フレームワークであるGRACE(Adaptive Conflict-rEsolution)を提案する。
論文 参考訳（メタデータ） (2026-07-24T14:17:37Z) - Accounting for AI Inference in Corporate GHG Inventories: A Four-Tier Methodology for Scope 3 Category 1 Reporting [0.0]
AI推論サービスは、CSRD(Comporate Sustainability Reporting Directive)の下でScope 3 Category 1に該当する。
現在の慣行では、カテゴリーを完全に省略するか、ICTセクター全体に対して調整された一般的な経済的な入出力要素を適用している。
推定精度とデータ組織が現実的に得るデータとを一致させる4層フレームワークを提案する。
論文 参考訳（メタデータ） (2026-06-09T10:08:36Z) - Evaluating the Environmental Impact of using SLMs and Prompt Engineering for Code Generation [2.2165845825140695]
本稿では,サステナビリティ・ファクターとともにコード生成の精度に異なるエンジニアリング・ストラテジーがどう影響するかを,最初の系統的な実証的研究を行った。
我々は,HumanEval+ベンチマークとMBPP+ベンチマークを用いて,11個のオープンソースモデル(1Bから34Bパラメータ)にまたがる6つの顕著なプロンプト戦略を評価した。
以上の結果から,より単純なプロンプト技術であるChain-of-Thoughtは,推理能力とエネルギー効率のほぼ最適バランスを実現できることが示唆された。
論文 参考訳（メタデータ） (2026-04-03T06:37:51Z) - CarbonEdge: Carbon-Aware Deep Learning Inference Framework for Sustainable Edge Computing [0.3130422849413413]
ネットワークエッジにおけるディープラーニングの応用は、AI関連の二酸化炭素排出量の大幅な増加につながります。
既存のエッジコンピューティングフレームワークはレイテンシとスループットを最適化しているが、推論ワークロードの環境への影響を無視している。
本稿では,炭素フットプリント推定とグリーンスケジューリング能力を備えた適応モデル分割を拡張可能な,炭素対応ディープラーニング推論フレームワークであるCarbonEdgeを紹介する。
論文 参考訳（メタデータ） (2026-03-28T21:41:58Z) - AI-CARE: Carbon-Aware Reporting Evaluation Metric for AI Models [2.7946918847372277]
本稿では,AI-CARE,エネルギー消費評価ツール,および機械学習モデルの炭素排出量について述べる。
理論的解析と実証的検証を通じて、炭素認識ベンチマークがモデルの相対的なランキングを変えることを実証する。
本提案は,研究コミュニティを透明で多目的な評価に転換し,MLの進歩をグローバルなサステナビリティ目標に合わせることを目的としている。
論文 参考訳（メタデータ） (2026-02-17T21:52:48Z) - ProAct: Agentic Lookahead in Interactive Environments [56.50613398808361]
ProActは、2段階のトレーニングパラダイムを通じて、エージェントが正確なルックアヘッド推論を内部化することを可能にするフレームワークである。
そこでは,環境に基づく探索から得られたトラジェクトリの微調整をエージェントが行うGLAD(Grounded LookAhead Distillation)を紹介する。
また,政策段階のアルゴリズムを改良する補助値推定器であるモンテカルロ批判(MC-Critic)を提案する。
論文 参考訳（メタデータ） (2026-02-05T05:45:16Z) - Environmental Impact of CI/CD Pipelines [45.02374935546107]
GitHub Actionsエコシステムは、かなりの炭素と水のフットプリントをもたらす。
したがって、最も可能性の高いシナリオの炭素フットプリントは、1年で7,615本の都会の木によって捕獲された炭素と同等である。
主な推奨事項は、エネルギー生産が環境への影響の低い地域にランナーを配置することである。
論文 参考訳（メタデータ） (2025-10-30T12:02:09Z) - GRank: Towards Target-Aware and Streamlined Industrial Retrieval with a Generate-Rank Framework [47.25361445845229]
産業規模のレコメンデータシステムはカスケードパイプラインに依存しており、検索段階では何十億ものアイテムから設定されたハイリコール候補を厳格なレイテンシで返さなければならない。
本稿では,ユーザ中心の検索とターゲット認識学習をシームレスに統一する新しい構造化インデックスフリー検索パラダイムであるGRankを提案する。
論文 参考訳（メタデータ） (2025-10-17T04:15:09Z) - OmniEAR: Benchmarking Agent Reasoning in Embodied Tasks [52.87238755666243]
OmniEARは,言語モデルが身体的相互作用やツールの使用,マルチエージェントの協調にどう影響するかを評価するためのフレームワークである。
我々は、家庭と工業領域にまたがる1500のシナリオにおける連続的な物理的特性と複雑な空間的関係をモデル化する。
我々の体系的な評価は、モデルが制約から推論しなければならない場合、厳しい性能劣化を示す。
論文 参考訳（メタデータ） (2025-08-07T17:54:15Z) - How Hungry is AI? Benchmarking Energy, Water, and Carbon Footprint of LLM Inference [0.0]
本稿では,商用データセンタにデプロイされる30の最先端モデルを対象とした,AI推論の環境フットプリントを定量化する,新たなインフラストラクチャ対応ベンチマークフレームワークを提案する。
以上の結果から,O3とDeepSeek-R1が最もエネルギー集約的なモデルとして出現し,GPT-4.1ナノの70倍以上のGPT-4.1ナノを消費し,Claude-3.7 Sonnetはエコ効率で最高であることがわかった。
AIは安価で速くなっているが、そのグローバルな採用はリソース消費を不均等にしている。
論文 参考訳（メタデータ） (2025-05-14T17:47:00Z) - A Comparative Study of Machine Learning Algorithms for Anomaly Detection
in Industrial Environments: Performance and Environmental Impact [62.997667081978825]
本研究は,環境の持続可能性を考慮した高性能機械学習モデルの要求に応えることを目的としている。
Decision TreesやRandom Forestsといった従来の機械学習アルゴリズムは、堅牢な効率性とパフォーマンスを示している。
しかし, 資源消費の累積増加にもかかわらず, 最適化された構成で優れた結果が得られた。
論文 参考訳（メタデータ） (2023-07-01T15:18:00Z)
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。