Hoe wij AI gebruiken bij Tapio

Artificiële intelligentie (AI) is op dit moment overal. Van je zakelijke tools tot zelfs WhatsApp: AI lijkt eerder een must-have dan een extra functie te zijn geworden.

Tegelijk krijgen tools als ChatGPT kritiek vanwege hun zware impact op het milieu, omdat ze grote hoeveelheden water, energie en grondstoffen verbruiken.

De manier waarop het woord “AI” wordt gebruikt, leidt echter vaak tot misverstanden: de term artificiële intelligentie omvat veel meer dan enkel Large Language Models (LLM) zoals ChatGPT, Gemini en Falcon, en elk type AI heeft een andere impact op het milieu.

Bij Tapio bouwen we carbon management software om ondernemingen te helpen hun CO₂-voetafdruk te meten en te verlagen. We willen AI dan ook op een verantwoorde manier inzetten. In dit artikel leggen we uit hoe.

Wat is AI nu eigenlijk?

Artificiële intelligentie is een ruime term die alles omvat, van de logica waarmee je tegen een computer kan schaken tot complexere generatieve modellen zoals LLM’s. Eenvoudig gesteld verwijst AI naar computerprogramma’s die taken kunnen uitvoeren die doorgaans menselijke intelligentie vereisen.

Om het wat technischer te maken, geven we hier een voorbeeld van wat AI zoal omvat, met de bijhorende definities (let op: dit is geen volledige lijst):

• Artificiële intelligentie: het proces waarbij menselijke intelligentie wordt nagebootst, op basis van het creëren en toepassen van algoritmes.

• Machine learning: het gebruik en de ontwikkeling van computersystemen die kunnen leren en zich aanpassen zonder expliciete instructies te volgen, door algoritmes en statistische modellen te gebruiken om patronen in data te analyseren en daaruit conclusies te trekken.

• Deep learning: een vorm van machine learning gebaseerd op artificiële neurale netwerken, waarbij meerdere verwerkingslagen geleidelijk steeds complexere kenmerken uit data halen. LLM’s zijn zeer grote deep learning-modellen.

• Generatieve AI: computersystemen die intelligent menselijk gedrag kunnen nabootsen en nieuwe content kunnen produceren, zoals tekst.

Wanneer mensen over AI spreken, kunnen ze dus heel uiteenlopende dingen bedoelen.

De milieukost van AI

Niet elk type AI heeft dezelfde impact op het milieu. Wanneer je hoort spreken over de milieu-impact van AI, verwijst men waarschijnlijk naar LLM’s, aangezien die modellen een enorme impact hebben.

Het trainen, fijnafstellen en uitrollen van LLM’s vraagt een grote hoeveelheid energie en water. Datacenters hebben bovendien een grote hoeveelheid grondstoffen nodig en dragen bij aan de toename van elektronisch afval.

Omdat AI zo’n enorme impact heeft, werken we er momenteel aan om de CO₂-uitstoot van AI op te nemen in de carbon report van Tapio, en we nodigen iedereen uit om hetzelfde te doen.

Hoe wij AI gebruiken bij Tapio

We begrijpen dat AI de efficiëntie van een taak kan verbeteren. Op dit punt in onze reis willen we echter niet enkele minuten tijdwinst inruilen voor een piek in de broeikasgasuitstoot van Tapio. Als we AI gebruiken, willen we er zeker van zijn dat het een groot voordeel oplevert voor het werk van carbon experts.

We werken momenteel aan enkele functies met AI waarmee carbon experts aanzienlijk tijd kunnen besparen tijdens de dataverzameling en de controle van carbon reports. Het is bovendien mogelijk om AI-modellen op een verantwoordere manier in te zetten. Zo doe je dat:

• Kies AI-modellen die lokaal getraind zijn in plaats van modellen die getraind zijn op meer energieverslindende externe GPU’s;

• Kies AI-modellen die al getraind zijn, maar niet fijnafgesteld. In de meeste gevallen heeft dit geen invloed op de nauwkeurigheid van je modellen.

Suggesties voor emissiefactoren

Tot nu toe hebben we AI gebruikt voor suggesties voor emissiefactoren, een functie waarmee we automatisch een suggestie voor een emissiefactor krijgen op basis van de naam van de activiteitsgegevens. We gebruiken ook de toolkit voor anomaliedetectie om automatisch anomalieën in carbon reports op te sporen en zo tijd te besparen tijdens het controleproces. Deze functie is voorlopig enkel voor intern gebruik, maar wordt binnenkort beschikbaar voor alle gebruikers.

In het geval van de suggesties voor emissiefactoren hebben we, om onze impact onder controle te houden, bijvoorbeeld gekozen voor een model met een beperkte omvang maar voldoende efficiëntie om de suggesties tot een goed presterende functie te brengen. Bovendien is dit model niet fijnafgesteld, omdat dit slechts minimale prestatiewinst zou opleveren tegen een grote impact op het energieverbruik en de CO₂-uitstoot.