転写者と翻訳者は、ESO による Crescendo Transcription をキャプチャします。
翻訳者 — 転写者 — 転写者 — 転写者 — 転写者 — 何十年もの間、私たちは排出量を削減すべきだと言い続けてきましたが、排出量は増え続けています。
主な理由の 1 つは、私たちの行動が気候に与える影響を正確に測定していないことです。
お金を節約しようとしているのに、買い物に行くとき、どの商品にも値札がついていないことを想像してみてください。
または、体重を減らそうとしているが、分量やカロリーを測定することができません。
必ず失敗するでしょう。
この失明レベルは、気候への影響に関して私たちが経験しているレベルに近いものです。
温室効果ガスの排出量を測定するのは困難です。
色も匂いもなく、目に見えません。
どこにでもセンサーを設置することはできません。
すべての建物、すべてのトラック、すべての畑、すべての牛。
そのため、ほとんどの場合、あきらめて測定しません。
そして、実際に測定するときは、推定値と換算係数に依存することになります。
その結果、私たちは、多くの場合 30 ～ 60% の誤差が生じる、非常に不完全で不正確な排出量の推定値を扱うことになります。
これは、目標と行動計画が不正確なデータに基づいて設定されていることを意味します。
環境への影響に関する世界的な情報開示システムを運営する非営利団体である CDP に気候変動に関する進捗状況を報告している企業を見ると、驚くべきことがわかります。
企業の 3 分の 2 以上が排出量を正確に測定していません。
そして、最終的に何らかの形で影響を軽減している企業はそのうちの 7% だけです。
測定できないものを減らすことはできません。
企業にとって重要なのは、炭素の測定に財務会計の場合と同じ厳密さを適用して、炭素の増加または減少を引き起こすすべての活動、すべての発生源を測定できることです。
最新の自動化された財務会計を導入するには 100 年以上かかりました。
気候変動に関しては 100 年もありませんが、企業が有意義な目標と成功する行動計画を設定するためには、これは非常に重要です。
この旅を加速するために必要な最も強力なツールの 1 つは人工知能です。
人工知能は、請求書や消費者行動データなど、さまざまな非構造化ソースからのデータを自動的に処理できます。
モデリングによって、不足している情報をより適切に推定することができます。
排出量をシミュレートし、最終的に最適化することができます。
これがどのように機能するかの一例を紹介しましょう。
ワインと蒸留酒の国際企業。
数十億の売上、数百のブランド、世界中の消費者。
影響を測定したい場合は、排出量全体にわたって測定する必要があります。
これは、施設、購入電力、原材料、リース資産、IT 排出、出張、輸送、廃棄物、製品の耐用年数終了などからの直接排出を意味します。
収集すべき情報量は膨大です。
そしてそのほとんどは、直接の活動範囲外からのものであるため、実際には会社自体はアクセスできません。
たとえば、排出量をまだ計算できないサプライヤーからのものです。
そのため、サステナビリティチームがその影響を計算するときは、大まかに見積もるしかありません。
ボトル用のガラスを拡大してみましょう。
ガラス排出量の計算方法は次のとおりです。
彼らは、昨年購入したガラスの総量 (たとえば 1,000 トン) に、ガラス 1 トンに相当する CO2 の平均キログラムを表す換算係数 (たとえば 950) を掛けます。
950 掛ける 1,000 は 950,000 になります。
もちろん、これは実際の排出量に影響を与える数多くの要因をすべて考慮していないため、非常に不正確です。
そのため、目標や行動計画を設定するのは難しいです。
ここでサステナビリティ チームはデータ サイエンティストを呼び、ガラスの種類、ガラスの色、リサイクル率、サプライヤーの原産国、輸送手段、ブランド別、製品別に関する詳細なデータを処理します。
設計とサプライチェーンをシミュレーションし、ガラスの色の重要性を計算に組み込むことができます。
透明なボトルと緑色のボトルでは排出量が 5 倍、原産国の重要性、エネルギー構成、デザイン自体の重要性によって、同じ合計でもある国の排出量と別の国では 2 倍の排出量重量、1.
ある設計では別の設計と比較して排出量が 5 倍増加します。
1 つの大きな平均値を持つ代わりに、排出量を詳細なレベルで相関させて計算するモデルができました。
このタイプの方法論では、排出量の数値は通常 30 ～ 50% 補正されます。
そしてさらに重要なことは、企業は、1 つ意味のある目標を設定し、2 つ非常に具体的な取り組みを特定し、3 つ目で排出量を長期にわたって再計算し、その進捗状況を測定できるため、行動に移せるようになったということです。
別の例を紹介しましょう。
セメント。
セメントは大量の CO2 排出者です。
セメントを国に例えると、欧州連合とインドに次ぐ、中国と米国に次ぐ第3位の排出国となるだろう。
排出量のほとんどは、セメントの主要成分であるクリンカーの製造プロセスから発生します。
クリンカーを製造するには、摂氏1,400度以上の温度を維持する必要があります。
大量の燃料を必要とし、原料に含まれる炭素も放出します。
したがって、秘密のソースは、よりクリーンで高品質のクリンカーを生産することです。
クリンカーの品質が高ければ高いほど、最終的にセメントを製造するために必要なクリンカーの量が減り、したがって発生する排出量も少なくなるからです。
しかし、高品質のクリンカーを製造することは複雑な科学です。
それは、相互に影響を与える複数の要因によって決まります。
たとえば、機械の回転速度、供給速度、使用する燃料の種類、原材料とその正確な化学組成などのプロセスパラメータです。
ここでも人工知能が再び大きな影響を与える可能性があります。
オンサイトの運用チームは、可能な限り最適なパラメータのセットを手動で維持しようとしています。
AI は、直接測定、物質質量バランスなどのさまざまなソースを通じてより適切に測定し、潜在的なすべての決定をシミュレートし、最適な決定をオペレーターに推奨することで役立ちます。
これらの技術をセメント製造プロセスに導入すると、数か月で大幅な排出削減が可能になります。
無限の応用が可能です。
人工知能の使用によって気候に大きな影響を与えられない企業や業界はありません。
人工知能だけで私たちが救われると言っているわけではありませんが、人工知能は正確な測定、シミュレーション、最適化を支援することで、非常に迅速、安価、簡単な方法で大幅な排出量削減を可能にします。
この機会を逃すわけにはいきません。
ありがとう。
www。
マイクロソフト。
コメント