Розробляємо AI-системи розрахунку вуглецевого сліду під ключ. Scope 3 emissions — 70–90% вуглецевого сліду типової компанії. Розрахувати їх точно без автоматизації неможливо: категорія 1 (закуплені товари та послуги) потребує даних від сотень постачальників, категорія 11 (використання проданих продуктів) — розуміння патернів споживання клієнтів. Ручний розрахунок раз на рік дає похибку 35–50%. Наш ML-пайплайн рахує безперервно з похибкою 12–20% — в 2-3 рази точніше. Автоматизуємо збір даних з ERP, PDF-рахунків, SCADA та API енергозбутів. Результат — щомісячний звіт за GHG Protocol з готовністю до аудиту.
В основі системи — ієрархія методів розрахунку з автоматичним вибором оптимального підходу для кожного рядка закупівель. Класифікатор на LightGBM враховує доступність даних: PCF від постачальника, вага товару або вартість. Так ми досягаємо максимальної точності при мінімальних витратах на ручне введення. Наша команда — 8 років досвіду в ML для індустріальних завдань, 40+ проєктів з ESG-аналітики та вуглецевого обліку.
Як ми розраховуємо вуглецевий слід?
GHG Protocol допускає три методи для Scope 3 Category 1: spend-based, average-data, supplier-specific. ML-класифікатор (LightGBM) автоматично вибирає метод за доступними даними. Якщо від постачальника є PCF — supplier-specific. Якщо є вага — average-data. Інакше — spend-based з EXIOBASE 3.8 EEIO таблицями.
| Метод | Точність | Вимоги до даних |
|---|---|---|
| Spend-based | ±40% | Витрати + EEIO фактори |
| Average-data | ±25% | Вага/об'єм закупівель + emission intensity |
| Supplier-specific | ±10% | PCF дані від постачальника |
Для порівняння: ручний розрахунок з використанням лише spend-based дає похибку до 50%, а наш автоматизований вибір методу знижує її до 12-20%.
Парсинг рахунків-фактур і документів
80% activity data надходить у вигляді PDF-рахунків. Document AI пайплайн використовує LayoutLMv3 (Microsoft) — multimodal модель для structured extraction. Витягувані поля: supplier_name, line_item_description, quantity, unit, unit_price, total. NER + класифікація за HS-кодом → emission factor lookup. Точність extraction: 93% на тестовому датасеті рахунків-фактур з 8 галузей.
Деплой: Azure Form Recognizer або self-hosted TorchServe. Обробка 10 000 документів на день на 2×A10G GPU, latency 1.8 с на документ.
Розрахунок Scope 1 та Scope 2
Scope 1: прямі викиди
Джерела: спалювання палива, технологічні процеси, витоки холодоагентів. SCADA/EMS інтеграція: споживання палива → множення на IPCC AR5/AR6 emission factors. ML-аномалія: якщо споживання газу котельні у вихідний день >150% від середнього вихідного дня минулого року — alert. LSTM Autoencoder на часових даних, навчений на 2 роках нормальних показників.
Scope 2: закуплена енергія
Location-based метод: споживання кВт·год × регіональний emission factor (IEA, Ember, AIB). Market-based: Guarantees of Origin, RECs, Power Purchase Agreements — віднімаються з розрахунку. Автоматизація: інтеграція з особистим кабінетом енергозбутових компаній (API або web scraping) для щомісячного оновлення consumption data.
Чому автоматизація розрахунку вуглецевого сліду необхідна?
Ручний розрахунок раз на рік дає зріз, непридатний для прийняття оперативних рішень. Автоматичний пайплайн оновлює викиди щомісяця, дозволяє відстежувати тренди, виявляти аномалії та будувати сценарії декарбонізації. Без автоматизації неможливо відповідати вимогам SBTi та готувати звіти за стандартами TCFD.
Прогнозування та сценарний аналіз
Net-zero pathway моделювання
Компанія ставить ціль SBTi — знизити Scope 1+2 на 46% до 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 за викидами → вимога PCF даних)
Для кожного сценарію: NPV декарбонізаційних інвестицій vs. cost of carbon (EU ETS ціна + regulatory risk).
Внутрішнє carbon pricing
Shadow carbon price ($50–150/tCO2e) застосовується до інвестиційних рішень. ML-модуль автоматично розраховує carbon cost для capex проєктів з ERP даних (обладнання → lifecycle emissions за Ecoinvent базою).
Інтеграція з ринками вуглецю
Верифікація carbon credits: перевірка якості offsets за базою Gold Standard, VCS (Verra). ML-класифікатор оцінює ризик double-counting та permanence ризик лісових проєктів (satellite imagery + NDVI time series). Автоматичний реєстровий облік: API інтеграція з Xpansiv CBL, Gold Standard Registry.
Що входить в роботу
- Документація: Model Card, Data Sheet, архітектурна схема
- Вихідний код пайплайнів на Python (pandas, PyTorch, LightGBM)
- Інтеграція з ERP, PDF-документами, SCADA, API енергозбутів
- Навчання моделі на ваших даних (2-3 ітерації)
- Деплой на обраній інфраструктурі (хмара або on-premise)
- Підтримка 6 місяців після впровадження
Стек
Зберігання: Snowflake з dbt-трансформаціями для ESG-моделі. Обчислення: Python (pandas, pyCO2SYS). ML: scikit-learn, LightGBM, PyTorch. Document AI: LayoutLMv3, Hugging Face Transformers. Оркестрація: Apache Airflow.
Термін розробки: 3–6 місяців для базового розрахункового двигуна. Повний Scope 1-2-3 з document AI та сценарним аналізом: 6–10 місяців.
Зв'яжіться з нами для оцінки вашого проєкту — підберемо оптимальну архітектуру та терміни.
