Le banche centrali, le autorità di vigilanza e le istituzioni finanziarie hanno bisogno di dati di alta qualità e accessibili per modellare i rischi finanziari posti dai cambiamenti climatici. La mancanza di standard globali di rendicontazione rende difficile questo compito. Il progetto Gaia ha cercato di superare le differenze nelle definizioni e nei quadri informativi delle varie giurisdizioni per offrire la necessaria trasparenza e rendere più facile il confronto delle informazioni sui rischi finanziari legati al clima.
L’esperimento è stato coordinato dal BIS Innovation Hub Eurosystem Centre e aveva l’obiettivo di aiutare gli analisti e le autorità di vigilanza a ricercare le informazioni societarie relative al clima e a estrarre i dati in modo rapido ed efficiente su indicatori quali le emissioni totali, l’emissione di obbligazioni verdi e gli impegni volontari a zero emissioni. Utilizzando l’intelligenza artificiale e, in particolare, gli LLM, Gaia ha fornito una prova di concetto che dimostra come sia possibile automatizzare il compito di identificare tali indicatori in un’ampia serie di relazioni, riducendo significativamente lo sforzo manuale nelle valutazioni climatiche.
Il progetto Gaia mira ad aiutare gli analisti a ricercare le informazioni aziendali sul clima e a estrarre i dati in modo rapido ed efficiente utilizzando l’intelligenza artificiale (AI), in particolare i modelli linguistici di grandi dimensioni (LLM).
La Fase I di Gaia ha intervistato gli esperti di rischio climatico delle banche centrali e delle autorità di vigilanza, ha progettato una soluzione che risponde alle esigenze espresse da questi esperti e ha fornito un proof of concept (PoC) che dimostra la fattibilità tecnica del concetto.
Automatizzando l’estrazione delle informazioni, il PoC Gaia ha permesso un’analisi completa degli indicatori legati al clima. Inoltre, ha offerto metriche armonizzate nonostante l’eterogeneità delle convenzioni di denominazione e delle definizioni nelle diverse giurisdizioni. La combinazione della ricerca semantica con la richiesta iterativa e sistematica di LLM ha permesso a Gaia di superare le differenze nei quadri di divulgazione. Ciò offre la necessaria trasparenza e comparabilità delle informazioni sul clima.
Il progetto Gaia ha integrato gli LLM in un’applicazione e l’ha sfruttata per l’estrazione dei dati. Ciò ha posto diverse sfide tecniche, tra cui i lunghi tempi di risposta dei LLM, la casualità (non ripetibilità) delle loro risposte e le allucinazioni. Il rapporto del progetto illustra una serie di scelte progettuali concrete che hanno permesso al PoC Gaia di superare queste sfide.