Разрабатываем AI-системы расчёта углеродного следа под ключ. Scope 3 emissions — 70–90% углеродного следа типичной компании. Рассчитать их точно без автоматизации невозможно: категория 1 (закупленные товары и услуги) требует данных от сотен поставщиков, категория 11 (использование проданных продуктов) — понимания паттернов потребления клиентов. Ручной расчёт раз в год даёт погрешность 35–50%. Наш ML-пайплайн считает непрерывно с погрешностью 12–20% — в 2-3 раза точнее. Автоматизируем сбор данных из ERP, PDF-счетов, SCADA и API энергосбытов. Результат — ежемесячный отчёт по GHG Protocol с готовностью к аудиту.
В основе системы — иерархия методов расчёта с автоматическим выбором оптимального подхода для каждой строки закупок. Классификатор на LightGBM учитывает доступность данных: PCF от поставщика, вес товара или стоимость. Так мы достигаем максимальной точности при минимальных затратах на ручной ввод. Наша команда — 8 лет опыта в ML для индустриальных задач, 40+ проектов по ESG-аналитике и углеродному учёту.
Как мы рассчитываем углеродный след?
GHG Protocol допускает три метода для Scope 3 Category 1: spend-based, average-data, supplier-specific. ML-классификатор (LightGBM) автоматически выбирает метод по доступным данным. Если от поставщика есть PCF — supplier-specific. Если есть вес — average-data. Иначе — spend-based с EXIOBASE 3.8 EEIO таблицами.
| Метод | Точность | Требования к данным |
|---|---|---|
| Spend-based | ±40% | Расходы + EEIO факторы |
| Average-data | ±25% | Вес/объём закупок + emission intensity |
| Supplier-specific | ±10% | PCF данные от поставщика |
Для сравнения: ручной расчёт с использованием только spend-based даёт погрешность до 50%, а наш автоматизированный выбор метода снижает её до 12-20%.
Парсинг счетов-фактур и документов
80% activity data приходит в виде PDF-счетов. Document AI пайплайн использует LayoutLMv3 (Microsoft) — multimodal модель для structured extraction. Извлекаемые поля: supplier_name, line_item_description, quantity, unit, unit_price, total. NER + классификация по HS-коду → emission factor lookup. Точность extraction: 93% на тестовом датасете счетов-фактур из 8 отраслей.
Деплой: Azure Form Recognizer или self-hosted TorchServe. Обработка 10 000 документов в день на 2×A10G GPU, latency 1.8 с на документ.
Расчёт Scope 1 и Scope 2
Scope 1: прямые выбросы
Источники: сжигание топлива, технологические процессы, утечки хладагентов. SCADA/EMS интеграция: потребление топлива → умножение на IPCC AR5/AR6 emission factors. ML-аномалия: если потребление газа котельной в выходной день >150% от среднего выходного дня прошлого года — alert. LSTM Autoencoder на часовых данных, обученный на 2 годах нормальных показаний.
Scope 2: закупленная энергия
Location-based метод: потребление кВт·ч × региональный emission factor (IEA, Ember, AIB). Market-based: Guarantees of Origin, RECs, Power Purchase Agreements — вычитаются из расчёта. Автоматизация: интеграция с личным кабинетом энергосбытовых компаний (API или web scraping) для ежемесячного обновления consumption data.
Почему автоматизация расчёта углеродного следа необходима?
Ручной расчёт раз в год даёт срез, непригодный для принятия оперативных решений. Автоматический пайплайн обновляет выбросы ежемесячно, позволяет отслеживать тренды, выявлять аномалии и строить сценарии декарбонизации. Без автоматизации невозможно соответствовать требованиям SBTi и готовить отчёты по стандартам TCFD.
Прогнозирование и сценарный анализ
Net-zero pathway моделирование
Компания ставит цель SBTi — снизить Scope 1+2 на 46% к 2030. ML-компонент: time-series forecasting (Temporal Fusion Transformer) baseline emissions + scenario analysis:
- Business as usual
- Renewables transition (solar/wind PPA)
- Fleet electrification (EV conversion schedule)
- Supplier engagement (top 20 по выбросам → требование PCF данных)
Для каждого сценария: NPV декарбонизационных инвестиций vs. cost of carbon (EU ETS цена + regulatory risk).
Внутренний carbon pricing
Shadow carbon price ($50–150/tCO2e) применяется к инвестиционным решениям. ML-модуль автоматически рассчитывает carbon cost для capex проектов из ERP данных (оборудование → lifecycle emissions по Ecoinvent базе).
Интеграция с рынками углерода
Верификация carbon credits: проверка качества offsets по базе Gold Standard, VCS (Verra). ML-классификатор оценивает риск double-counting и permanence риск лесных проектов (satellite imagery + NDVI time series). Автоматический реестровый учёт: API интеграция с Xpansiv CBL, Gold Standard Registry.
Что входит в работу
- Документация: Model Card, Data Sheet, архитектурная схема
- Исходный код пайплайнов на Python (pandas, PyTorch, LightGBM)
- Интеграция с ERP, PDF-документами, SCADA, API энергосбытов
- Обучение модели на ваших данных (2-3 итерации)
- Деплой на выбранной инфраструктуре (облако или on-premise)
- Поддержка 6 месяцев после внедрения
Стек
Хранение: Snowflake с dbt-трансформациями для ESG-модели. Вычисления: Python (pandas, pyCO2SYS). ML: scikit-learn, LightGBM, PyTorch. Document AI: LayoutLMv3, Hugging Face Transformers. Оркестрация: Apache Airflow.
Срок разработки: 3–6 месяцев для базового расчётного движка. Полный Scope 1-2-3 с document AI и сценарным анализом: 6–10 месяцев.
Свяжитесь с нами для оценки вашего проекта — подберём оптимальную архитектуру и сроки.