אנו בונים מערכות AI סוהרות לחישוב טביעת רגל פחמנית של גזי חממה, המאפשרות אוטומציה של ESG. מערכת AI זו לטביעת רגל פחמנית הופכת את איסוף הנתונים לאוטומטי עבור פליטות Scope 1, 2 ו-3 באמצעות ML ו-Document AI. פליטות Scope 3 מהוות 70–90% מטביעת הרגל הפחמנית של חברה טיפוסית. חשבונאות פחמן מדויקת בלתי אפשרית ללא אוטומציה: קטגוריה 1 (מוצרים ושירותים שנרכשו) דורשת נתונים ממאות ספקים, קטגוריה 11 (שימוש במוצרים שנמכרו) דורשת הבנה של דפוסי צריכה של לקוחות. חישוב ידני פעם בשנה גורם לשגיאה של 35–50%. צינור ה-ML שלנו מדויק פי 3 מגיליונות אלקטרוניים ידניים, ומחשב ברציפות עם שגיאה של 12-20%. זה מחולל מהפכה בחשבונאות הפחמן. המערכת מספקת חיסכון שנתי של $100,000–$200,000 בעלויות עבודה ידנית. אנו הופכים את איסוף הנתונים לאוטומטי מ-ERP, חשבוניות PDF, SCADA ו-API של ספקי אנרגיה. התוצאה היא דוח חודשי לפי GHG Protocol המוכן לביקורת.
| Scope | תיאור | חלק אופייני |
|---|---|---|
| Scope 1 | פליטות ישירות (דלק, צי רכב) | 5-10% |
| Scope 2 | אנרגיה שנרכשה | 10-20% |
| Scope 3 | שרשרת ערך (ספקים, לקוחות) | 70-80% |
איך זה עובד
- קליטת נתונים: משיכה אוטומטית של נתונים מ-ERP, חשבוניות PDF, SCADA ו-API של ספקי אנרגיה.
- ניתוח מסמכים: שימוש ב-LayoutLMv3 לחילוץ שדות מובנים מחשבוניות PDF.
- סיווג ML: מסווג LightGBM בוחר את שיטת גורם הפליטה האופטימלית (ספציפית לספק, נתונים ממוצעים או מבוססת הוצאות) עבור כל שורת רכש.
- יישום גורם: מיפוי ל-EXIOBASE 3.8 או נתוני PCF של ספק וחישוב פליטות.
- דיווח: הפקת דוח חודשי תואם GHG Protocol עם ניתוח מגמות וזיהוי חריגים.
איך אנו מחשבים את טביעת הרגל הפחמנית
GHG Protocol מאפשר שלוש שיטות עבור Scope 3 קטגוריה 1: מבוססת הוצאות, נתונים ממוצעים, ספציפית לספק. מסווג ML (LightGBM) בוחר אוטומטית את השיטה בהתבסס על הנתונים הזמינים. אם הספק מספק PCF — ספציפית לספק. אם משקל זמין — נתונים ממוצעים. אחרת — מבוססת הוצאות עם טבלאות EEIO של EXIOBASE 3.8.
| שיטה | דיוק | דרישות נתונים |
|---|---|---|
| מבוססת הוצאות | ±40% | הוצאות + גורמי EEIO |
| נתונים ממוצעים | ±25% | משקל/נפח + עוצמת פליטה |
| ספציפית לספק | ±10% | נתוני PCF של ספק |
לשם השוואה: חישוב ידני המשתמש רק בשיטה מבוססת הוצאות גורם לשגיאה של עד 50%, בעוד שבחירת השיטה האוטומטית שלנו מפחיתה אותה ל-12-20%.
ניתוח חשבוניות ומסמכים
80% מנתוני הפעילות מגיעים כחשבוניות PDF. צינור ה-Document AI משתמש ב-LayoutLMv3 (מיקרוסופט), מודל מולטי-מודאלי לחילוץ מובנה. שדות שחולצו: supplier_name, line_item_description, quantity, unit, unit_price, total. סיווג NER + קוד HS → חיפוש גורם פליטה. דיוק חילוץ: 93% על מערך נתונים של חשבוניות מ-8 תעשיות.
פריסה: Azure Form Recognizer או TorchServe באירוח עצמי. עיבוד 10,000 מסמכים ביום על 2×A10G GPU, זמן אחזור של 1.8 שניות למסמך.
חישוב Scope 1 ו-Scope 2
Scope 1: פליטות ישירות
מקורות: שריפת דלק, תהליכים תעשייתיים, דליפות קירור. אינטגרציה עם SCADA/EMS: צריכת דלק → הכפלה בגורמי פליטה של IPCC AR5/AR6. זיהוי חריגים עם ML: אם צריכת גז של דוד בסוף שבוע עולה על 150% מהצריכה הממוצעת בסופי שבוע בשנה הקודמת — התראה. LSTM Autoencoder על נתונים שעתיים שאומן על שנתיים של קריאות תקינות.
Scope 2: אנרגיה שנרכשה
שיטה מבוססת מיקום: צריכת קוט"ש × גורם פליטה אזורי (IEA, Ember, AIB). מבוססת שוק: ערבויות מקור, RECs, הסכמי רכישת חשמל — מופחתים מהחישוב. אוטומציה: אינטגרציה עם פורטלי ספקי אנרגיה (API או גרידת אתרים) לעדכונים חודשיים של נתוני צריכה.
מדוע אוטומציה של חישוב טביעת רגל פחמנית הכרחית
חישוב ידני שנתי מספק תמונת מצב שאינה מתאימה להחלטות תפעוליות. הצינור האוטומטי מעדכן פליטות מדי חודש, ומאפשר מעקב מגמות, זיהוי חריגים ובניית תרחישי הפחתת פחמן. ללא אוטומציה, עמידה בתקני דיווח SBTi ו-TCFD אינה אפשרית.
חיזוי וניתוח תרחישים
מודל מסלול לאפס פליטות נטו
חברה מציבה יעד SBTi להפחתת Scope 1+2 ב-46% עד 2030. רכיב ML: חיזוי סדרות זמן (Temporal Fusion Transformer) של פליטות בסיס + ניתוח תרחישים:
- עסקים כרגיל
- מעבר לאנרגיה מתחדשת (PPAs סולאריים/רוח)
- חשמול צי רכב (לוח זמנים להמרה לרכבים חשמליים)
- מעורבות ספקים (20 המובילים בפליטות → דרישת נתוני PCF)
לכל תרחיש: NPV של השקעות בהפחתת פחמן לעומת עלות הפחמן (מחיר EU ETS + סיכון רגולטורי).
תמחור פחמן פנימי
מחיר פחמן צל ($50–150/tCO2e) מוחל על החלטות השקעה. מודול ML מחשב אוטומטית את עלות הפחמן עבור פרויקטי CapEx מנתוני ERP (ציוד → פליטות מחזור חיים לפי מסד הנתונים Ecoinvent).
אינטגרציה עם שווקי פחמן
אימות אשראי פחמן: בדיקות איכות קיזוז מול Gold Standard, VCS (Verra). מסווג ML מעריך סיכון לספירה כפולה וסיכון קביעות של פרויקטי יערות (תמונות לוויין + סדרות זמן NDVI). ניהול רישום אוטומטי: אינטגרציית API עם Xpansiv CBL, Gold Standard Registry.
מה כלול
- תיעוד: Model Card, Data Sheet, דיאגרמת ארכיטקטורה
- קוד מקור של הצינור ב-Python (pandas, PyTorch, LightGBM)
- אינטגרציה עם ERP, מסמכי PDF, SCADA, API של ספקי אנרגיה
- אימון מודל על הנתונים שלך (2-3 איטרציות)
- פריסה על תשתית נבחרת (ענן או מקומית)
- 6 חודשי תמיכה לאחר הפריסה
מחסן טכנולוגי
אחסון: Snowflake עם טרנספורמציות dbt למודל ESG. חישוב: Python (pandas, pyCO2SYS). ML: scikit-learn, LightGBM, PyTorch. Document AI: LayoutLMv3, Hugging Face Transformers. תזמור: Apache Airflow.
מדדי חברה
עם ניסיון של למעלה מ-10 שנים ב-ML ו-ESG, הצוות שלנו סיפק 20+ מערכות חשבונאות פחמן לחברות Fortune 500. חיסכון אופייני מאוטומציה: $100,000–$200,000 בשנה בעלויות עבודה ידנית. Document AI מחלץ נתונים פי 5 מהר יותר מעובדים אנושיים, וסיווג אוטומטי מהיר פי 2 מהזנה ידנית.
לוח זמנים לפיתוח: 3–6 חודשים למנוע חישוב בסיסי. Scope 1-2-3 מלא עם Document AI וניתוח תרחישים: 6–10 חודשים.
עלות הפרויקט מתחילה ב-$80,000 למנוע בסיסי, מערכת מלאה $150,000–$250,000.
מפרט טכני
- תפוקת נתונים: עד 10,000 חשבוניות ביום - דיוק: 93% חילוץ, 12-20% שגיאת פליטה כוללת - אינטגרציה: REST API, SOAP, מבוססת קבצים (CSV, PDF) - עמידה בתקנים: GHG Protocol, SBTi, TCFDצרו קשר כדי להעריך את הפרויקט שלכם — אנו נבחר את הארכיטקטורה ולוח הזמנים האופטימליים.