획기적인 AI 기술, GREEN: 탄소 배출량 추정의 새로운 지평을 열다!

Yanming Guo, Xiao Qian, Kevin Credit, Jin Ma 등이 개발한 GREEN(Group Reasoning Emission Estimation Networks)은 AI 기반 탄소 회계 프레임워크로, 중소기업의 온실가스 배출량 보고의 어려움을 해결하고 최첨단 정확도를 달성했습니다. Sentence-BERT와 LLM을 결합한 혁신적인 접근 방식과 대규모 데이터셋 구축을 통해 탄소 배출량 추정의 새로운 지평을 열었습니다.

AI가 탄소 배출량 산정의 혁명을 이끈다: GREEN의 놀라운 성과

온실가스 배출량 정확한 측정, 기업의 지속가능한 미래를 위한 필수 요소

정부, 기업, 투자자 모두에게 정확한 온실가스(GHG) 배출량 보고는 매우 중요합니다. 하지만 높은 구축 비용, 단편적인 배출 계수 데이터베이스, 그리고 부족한 부문 분류 방법으로 인해, 특히 중소기업에서의 채택률은 매우 낮은 실정입니다.

Yanming Guo, Xiao Qian, Kevin Credit, Jin Ma 등 연구진이 개발한 획기적인 AI 기반 탄소 회계 프레임워크 GREEN(Group Reasoning Emission Estimation Networks)

이러한 문제를 해결하기 위해, Yanming Guo, Xiao Qian, Kevin Credit, Jin Ma 등 연구진은 GREEN(Group Reasoning Emission Estimation Networks) 이라는 AI 기반 탄소 회계 프레임워크를 개발했습니다. GREEN은 기업 수준의 배출량 추정을 표준화하고, 대규모 벤치마크 데이터셋을 구축하며, 대규모 언어 모델(LLM)을 활용한 새로운 추론 방식을 활용하는 혁신적인 시스템입니다.

20,850개 기업의 데이터를 활용한 방대한 벤치마크 데이터셋

연구진은 검증된 북미 산업 분류 시스템(NAICS) 레이블이 있는 20,850개 기업의 텍스트 설명을 수집하여 탄소 강도 계수의 경제 모델과 연계했습니다. 부문 분류를 정보 검색 작업으로 재구성하여 Sentence-BERT 모델을 대조 학습 손실을 사용하여 미세 조정했습니다. 수천 개의 계층적 범주를 처리하는 데 있어 단일 단계 모델의 한계를 극복하기 위해, 자연적인 NAICS 온톨로지를 기반으로 LLM 분류기를 앙상블하는 그룹 추론 방법을 제안하여 작업을 여러 하위 분류 단계로 분해했습니다. 이러한 접근 방식은 분류 불확실성과 계산 복잡성을 줄이는 이론적 근거를 제시합니다.

압도적인 성능: 최첨단 정확도 달성 및 오차 감소

1,114개의 NAICS 범주에 대한 실험 결과, GREEN은 최첨단 성능(Top-1 정확도 83.68%, Top-10 정확도 91.47%)을 달성했습니다. 20개 기업에 대한 사례 연구에서는 평균 절대 백분율 오차(MAPE)가 45.88%로 보고되었습니다. 이 프로젝트는 https://huggingface.co/datasets/Yvnminc/ExioNAICS에서 확인할 수 있습니다.

결론: 지속 가능한 미래를 위한 혁신적인 도약

GREEN은 AI를 활용하여 탄소 배출량 추정의 정확성을 높이고, 중소기업의 참여를 증진시키는 획기적인 기술입니다. 이는 기업의 지속 가능한 경영을 위한 중요한 발걸음이며, 앞으로 더욱 발전된 AI 기술을 통해 탄소 중립 사회 구현에 기여할 것으로 기대됩니다. 🎉