Valutare gli impegni climatici delle aziende

Abbiamo un bel problema tra le mani: la crisi climatica. Le aziende sono sotto pressione per dimostrare di tenere all'ambiente. Dicono che vogliono ridurre le emissioni di gas serra, ma alcuni parlano tanto senza fare poi molto. Qui entra in gioco il nostro supporto. Vogliamo aiutare a capire se le aziende sono veramente impegnate nei loro obiettivi di emissione o stanno solo prendendo tempo.

#La Sfida

Riconoscere obiettivi di emissione reali nei rapporti aziendali non è affatto facile. Non si tratta solo di leggere cosa dice un’azienda; a volte fanno promesse vaghe che suonano bene ma non significano granché. Per esempio, potrebbero dire: "Puntiamo a essere più verdi!" ma dimenticano di dire quando o come.

Gli analisti devono scavare tra una montagna di documenti come report annuali e dichiarazioni di sostenibilità per trovare impegni genuini. Questo processo può essere noioso, come cercare un ago in un pagliaio. Identificare obiettivi di emissione specifici e chiari può sembrare come cercare di afferrare fumo con le mani nude.

#L'Importanza degli Obiettivi di Emissione

Allora, perché preoccuparsi di questi obiettivi? Beh, il pianeta ha bisogno che prendiamo sul serio la cosa. L'obiettivo è bilanciare la quantità di gas serra che emettiamo con quella che possiamo rimuovere dall’atmosfera. Questo viene spesso definito come raggiungere il "Net Zero". Politiche come quelle dell'Unione Europea stanno orientando gli investimenti finanziari verso aziende che sono serie nei loro obiettivi di emissione. Se le aziende non possono dimostrare di fare progressi, possono perdere investitori. E diciamocelo, nessuno vuole restare indietro mentre il resto del mondo cerca di salvare il pianeta.

#Il Ruolo dei Modelli Linguistici

Per affrontare questo compito impegnativo, ci rivolgiamo alla tecnologia. I Modelli Linguistici Grandi (LLM) sono in prima linea in questa battaglia. Questi sistemi intelligenti possono leggere e interpretare testi, aiutando gli analisti a capire se i rapporti contengono impegni di emissione reali.

Quando alimentiamo questi modelli con prompt specifici e alcuni esempi, lavorano per determinare se un passaggio contiene quella preziosa informazione: un obiettivo di emissione solido. Se ci riescono, ottimo! Se no, gli analisti affineranno il modello e, con ogni correzione, il modello diventa un po' migliore.

#Conoscenza Esperta e Apprendimento

Abbiamo un paio di trucchi in serbo per aiutare questi modelli ad apprendere ancora più velocemente. Un approccio è quello di dare loro alcuni esempi che illustrano come appare un obiettivo di emissione solido. Questo si chiama Few-shot Learning. È come dare a uno studente alcune domande di esempio prima di un grande test.

L’altro metodo è la progettazione automatica dei prompt. Questo implica che il modello riveda le proprie previsioni e capisca dove ha sbagliato. È come un bambino che impara dai propri errori, ma senza fare lo stesso pasticcio per terra.

#Confronto tra Strategie

Nella nostra ricerca di conoscenza, abbiamo confrontato due strategie principali. La prima, selezione di esempi few-shot, implica scegliere alcuni buoni esempi per guidare il modello. La seconda, progettazione automatica dei prompt, consente al modello di affinare le proprie istruzioni in base a ciò che impara durante il processo.

Abbiamo analizzato un dataset di 769 passaggi legati al clima da veri rapporti aziendali. E indovinate un po'? Abbiamo scoperto che lasciare che il modello progetti i propri prompt spesso portava a risultati migliori. È come lasciare che gli studenti scrivano le proprie domande per il test—a volte sanno cosa è migliore.

#I Risultati

Nella nostra ricerca, abbiamo scoperto alcuni risultati interessanti. Quando si tratta di rilevare obiettivi di emissione, la progettazione automatica dei prompt tende a superare l'affidamento solo su pochi esempi. Anche se l'approccio degli esempi few-shot è ancora utile, non regge il passo quando il modello può apprendere e adattare le proprie istruzioni.

I risultati hanno mostrato che la capacità di affinare i prompt in base al feedback porta a una comprensione più accurata del compito. Questo significa reporting più onesto da parte delle aziende, un monitoraggio migliore dei loro impegni e, in definitiva, una posizione più forte contro il cambiamento climatico.

#I Prossimi Passi

Con i nostri risultati in mano, guardiamo avanti. Pianifichiamo di sperimentare con più modelli, magari anche con accesso open-source così che altri possano unirsi all'impegno. Vogliamo anche applicare i nostri metodi ad altri compiti legati alla sostenibilità, come analizzare i dati sulle emissioni presentati in tabelle.

E per chi pensa di portare tutto a un livello superiore, potremmo esplorare come esperti e LLM potrebbero collaborare per creare istruzioni che migliorino ulteriormente la rilevazione.

#Conclusione

Rilevare obiettivi di emissione nei rapporti aziendali è essenziale per monitorare i progressi nella lotta contro il cambiamento climatico. Con l'aiuto della tecnologia avanzata, stiamo facendo progressi per garantire che quando le aziende dicono di tenere all'ambiente, lo pensano davvero. Chi l'avrebbe mai detto che un po' di tecnologia potesse aiutare a salvare il pianeta? Ora, se solo potessimo insegnargli anche a portare fuori la spazzatura!