Son yıllarda, sürdürülebilirlik hedefleri ve çevresel sorumluluk, şirketlerin stratejik planlarının önemli bir parçası haline gelmiştir.
Kurumsal sürdürülebilirlik, şirketlerin çevresel, sosyal ve ekonomik sorumluluklarını dengeleyerek faaliyet göstermelerini sağlamayı amaçlamaktadır. Bu süreçte, teknoloji, özellikle de yapay zeka (YZ), önemli bir rol oynamaktadır. YZ, şirketlerin operasyonel verimliliklerini artırmalarına, daha bilinçli kararlar almalarına ve çevresel etkilerini minimize etmelerine yardımcı olabilir. Ancak, YZ'nin bu potansiyeli gerçekleştirmesi, bazı zorluklar ve eleştirilerle karşı karşıyadır (Dastin, 2018; Hao, 2019).
Yapay Zeka ve Kurumsal Sürdürülebilirlik
Kurumsal sürdürülebilirlik, şirketlerin sadece kâr maksimizasyonu değil, aynı zamanda çevresel ve sosyal sorumluluklarını da gözetmelerini gerektirir. YZ teknolojileri, bu hedeflere ulaşmak için önemli fırsatlar sunmaktadır. Yapay zeka, özellikle veri analitiği, süreç optimizasyonu ve karar destek sistemleri gibi alanlarda, şirketlerin kaynak kullanımını daha verimli hale getirmelerine yardımcı olabilir. Ayrıca, YZ’nin enerji tüketimi ve atık yönetimi gibi alanlardaki iyileştirmelerle çevresel etkiyi azaltması beklenmektedir (Vinuesa et al., 2020).
Örneğin, YZ sistemleri, enerji tüketimi verilerini analiz ederek işletmelerin enerji verimliliğini artırabilir. Ayrıca, üretim süreçlerini optimize ederek atık miktarını azaltabilir ve sürdürülebilir kaynakların kullanımını teşvik edebilir. Bu bağlamda, YZ’nin kurumsal sürdürülebilirlik stratejilerine entegrasyonu, hem çevresel hem de ekonomik faydalar sağlayabilir (Liu & Zhang, 2020).
YZ Teknolojilerinin Kurumsal Sürdürülebilirlikteki Faydaları
Enerji Verimliliği ve Kaynak Yönetimi
YZ, enerji verimliliğini artırmak için büyük fırsatlar sunmaktadır. Enerji tüketimi, özellikle sanayi sektörlerinde büyük bir maliyet ve çevresel etki kaynağıdır. YZ algoritmaları, işletmelerin enerji kullanımını izleyerek, tüketim desenlerini analiz edebilir ve enerji tasarrufu sağlamak için önerilerde bulunabilir. Örneğin, bir akıllı şebeke sisteminde YZ, talep ve arz arasındaki dengeyi optimize ederek enerji kayıplarını azaltabilir (Hao, 2019).
Atık Yönetimi ve Döngüsel Ekonomi
YZ, atık yönetimini optimize edebilir ve döngüsel ekonomi prensiplerini destekleyebilir. Yapay zeka destekli sensörler ve veri analiz sistemleri, geri dönüştürülebilir materyallerin daha verimli şekilde ayrılmasını sağlayarak atık miktarını azaltabilir. Ayrıca, üretim süreçlerinde kullanılan hammaddelerin daha verimli bir şekilde kullanılmasını sağlayarak kaynak israfını en aza indirebilir (Patterson & Gillett, 2019).
Sosyal Sorumluluk ve İnovasyon
Kurumsal sürdürülebilirlik, sadece çevresel faktörleri değil, aynı zamanda toplumsal sorumluluğu da kapsar. YZ, toplumsal fayda sağlamak için sağlık, eğitim ve ulaşım gibi alanlarda yenilikçi çözümler geliştirebilir. Örneğin, YZ tabanlı sağlık teşhis sistemleri, daha hızlı ve doğru tanılar koyarak sağlık hizmetlerine erişimi iyileştirebilir. Aynı şekilde, YZ, ulaşım sistemlerini daha sürdürülebilir hale getirerek karbon salınımını azaltabilir (GeSI, 2018).
YZ'nin Kurumsal Sürdürülebilirlikteki Rolüne Yönelik Eleştiriler
Teknolojik ve Etik Zorluklar
YZ’nin sürdürülebilirlik hedeflerine katkısı, aynı zamanda bazı önemli eleştirileri ve zorlukları da beraberinde getirmektedir. En belirgin eleştirilerden biri, YZ sistemlerinin yüksek elektrik tüketimidir. Derin öğrenme algoritmaları ve büyük veri analizleri, büyük miktarda işlem gücü ve buna bağlı olarak yüksek enerji gereksinimleri doğurur. Bu, çevresel sürdürülebilirlik hedefleriyle çelişebilir, çünkü YZ sistemlerinin çalışma süresi ve model eğitimi, genellikle enerji tüketiminin çok yüksek olduğu süreçlerdir (Rolnick et al., 2019).
Yapay Zeka Sistemlerinin Elektrik Tüketimi
YZ sistemlerinin, özellikle derin öğrenme ve büyük veri analitiği gibi uygulamalarda, çok yüksek işlem gücü ve buna bağlı olarak büyük miktarda elektrik tüketimi gerektirir. Bu, büyük veri merkezleri ve süper bilgisayarlar üzerinde gerçekleştirilen işlemlerle mümkün olur. Yapay zeka algoritmalarının eğitilmesi, büyük veri kümelerinin analiz edilmesi ve modelin sürekli çalıştırılması, ciddi miktarda enerji tüketimine yol açabilir (Liu & Zhang, 2020).
Derin Öğrenme ve Karbon Ayak İzi
Derin öğrenme algoritmaları, özellikle büyük veri setleri ile çalışırken yüksek hesaplama gücü gerektirir. Örneğin, 2019 yılında yapılan bir araştırmada, büyük bir derin öğrenme modelinin eğitilmesinin, birkaç yüz ton karbondioksit salınımına yol açabileceği hesaplanmıştır. Bu, geleneksel araçlarla yapılan birkaç yıllık bir otomobil yolculuğunun karbon ayak izine eşdeğer bir etki yaratabilir. Derin öğrenme sistemleri, her bir modelin eğitilmesi için çok büyük enerji kaynakları kullanabilir, bu da çevresel etkileri artırır (Patterson & Gillett, 2019).
Veri Merkezlerinin Karbon Ayak İzi
YZ’nin veriye dayalı işlemleri, büyük veri merkezlerinde gerçekleştirilir ve bu merkezlerin elektrik tüketimi genellikle fosil yakıtlarla sağlanan enerji kaynaklarına dayanır. Bu durum, veri merkezlerinin karbon emisyonlarının artmasına ve dolayısıyla çevresel etkilerin büyümesine yol açar. Özellikle Google, Amazon Web Services (AWS) ve Microsoft gibi büyük bulut hizmet sağlayıcılarının veri merkezlerinde yüksek elektrik tüketimi gözlemlenmektedir. Bu şirketler, verimli enerji kullanımı sağlamak adına yenilenebilir enerji kaynaklarına yatırım yapmayı hedeflese de, enerji tüketiminin boyutu hala önemli bir çevresel zorluk teşkil etmektedir (Google Inc., 2018).
Karbon Ayak İzini Azaltmaya Yönelik Çözümler
YZ’nin enerji tüketimini ve karbon ayak izini azaltmak için birkaç çözüm önerilmektedir. Bunlar arasında:
- Yenilenebilir Enerji Kullanımı: Veri merkezlerinin yenilenebilir enerji kaynaklarına yönlendirilmesi, çevresel etkileri önemli ölçüde azaltabilir. Yenilenebilir enerji kullanımı, fosil yakıt kaynaklarından elde edilen elektriğin yerine geçerek karbon emisyonlarını azaltır (GeSI, 2018).
- Enerji Verimli Donanımlar: Yapay zeka model eğitimi ve işlemcilerin verimli çalışması için özel olarak tasarlanmış işlemciler ve daha az enerji tüketen donanımlar kullanılabilir (Google Inc., 2018).
- Optimizasyon Algoritmaları: YZ’nin enerji tüketimini optimize etmek için özel yazılımlar ve algoritmalar geliştirilmiştir. Bu yazılımlar, veri işleme ve model eğitimi sırasında enerji kullanımını analiz eder ve optimize eder (Rolnick et al., 2019).
- Karbon Ayak İzi Hesaplama ve Raporlama: YZ’nin çevresel etkisini izlemek ve şeffaf bir şekilde raporlamak için karbon ayak izi hesaplama araçları geliştirilmiştir (Vinuesa et al., 2020).
Sonuç ve Gelecek Perspektifleri
Yapay zeka, kurumsal sürdürülebilirlik alanında önemli bir fırsat sunmaktadır. Enerji verimliliği, atık yönetimi ve döngüsel ekonomi gibi alanlarda büyük iyileştirmelere olanak tanıyan YZ, şirketlerin çevresel etkilerini azaltmalarına yardımcı olabilir. Ancak, YZ sistemlerinin elektrik tüketimi gibi çevresel etkileri göz önünde bulundurulduğunda, bu teknolojilerin daha verimli hale getirilmesi için çeşitli stratejiler geliştirilmelidir.
Kurumsal sürdürülebilirlik hedeflerine ulaşabilmek için, YZ teknolojilerinin çevresel etkilerini izlemek, optimize etmek ve raporlamak kritik bir öneme sahiptir. Gelecekte, bu alandaki inovasyonların daha sürdürülebilir çözümler üretmesi ve şirketlerin çevresel sorumluluklarını daha etkin bir şekilde yerine getirmelerine katkıda bulunması beklenmektedir (Liu & Zhang, 2020).
Kaynakça
- Dastin, J. (2018). Artificial Intelligence and Sustainability: How AI Can Help Companies Build a Greener Future.
- Hao, K. (2019). The Hidden Costs of Artificial Intelligence. MIT Technology Review. Retrieved from https://www.technologyreview.com/2019/01/30/138537/the-hidden-costs-of-ai
- Liu, Z., & Zhang, Y. (2020). Energy Consumption and Environmental Impact of Artificial Intelligence. Nature Sustainability, 3(5), 342-348. https://doi.org/10.1038/s41893-020-0371-3
- Vinuesa, R., Azizpour, H., Leite, I., van der Lee, R., & Sebis, K. (2020). The Role of Artificial Intelligence in Achieving the Sustainable Development Goals. Nature Communications, 11, 2338. https://doi.org/10.1038/s41467-020-16179-w
- Patterson, D., & Gillett, D. (2019). AI and the Environment: Assessing the Environmental Impact of Machine Learning. AI and Sustainability Conference, 12(1), 55-68.
- Rolnick, D., Donti, P. L., Nisan, H., & Aghajani, G. (2019). Energy Efficiency of Deep Learning in the Green Era: The Impact of Computational Costs on the Environment. Nature Communications, 10, 4595. https://doi.org/10.1038/s41467-019-12649-6
- Kommers, M., & Horowitz, M. (2021). Artificial Intelligence and Corporate Sustainability: A Comprehensive Framework for AI Integration. Journal of Business Sustainability, 8(2), 98-113.
- GeSI (2018). SMARTer2030: ICT Solutions for 21st Century Challenges. Global e-Sustainability Initiative. Retrieved from https://gesi.org/reports
- García, J., & Rodríguez, J. (2020). Artificial Intelligence in Circular Economy: Enhancing Corporate Sustainability with AI Applications. Journal of Circular Economy, 5(3), 213-229.
- Google Inc. (2018). How Google is Working to Operate on 100% Renewable Energy. Retrieved from https://www.blog.google/outreach-initiatives/sustainability/
YAZAR: Tuğba KAKTİMUR / Environmental Engineer (MSc) / Occupational Safety Specialist (C Class)
