L'apprenant sera capable de définir l'IA générative (GenAI) et de la différencier des approches traditionnelles de l'IA. Ils comprendront les types de modèles génératifs et leurs capacités, en mettant l'accent sur les grands modèles de langage (LLM). Les apprenants reconnaîtront l'ampleur et l'impact des LLM modernes et apprécieront leur potentiel de transformation de diverses industries. Ils seront en mesure d'identifier les principales applications de la GenAI dans des secteurs tels que la santé, la finance, l'éducation et le divertissement. En outre, ils compareront et évalueront les acteurs clés et les acteurs émergents dans le paysage de la GenAI.

Un apprenant sera en mesure de reconnaître les défis liés à la collecte et à l'analyse des données ESG et de comprendre le besoin de solutions axées sur l'IA. Ils comprendront les avantages de la mise en œuvre de la GenAI dans les pratiques ESG, tels que l'amélioration de la transparence, de l'efficacité et de l'évolutivité. Les apprenants seront en mesure d'identifier les principales technologies IA permettant la transformation de l'ESG et leurs applications potentielles. Ils expliqueront les limites des agences de notation ESG traditionnelles et les avantages de l'utilisation de la GenAI pour l'analyse ESG automatisée. En outre, les apprenants utiliseront la GenAI pour l'évaluation des risques ESG à travers les dimensions climatiques, sociales et de gouvernance, ainsi que pour améliorer l'engagement et la communication avec les parties prenantes. Enfin, ils identifieront les possibilités d'utiliser la GenAI pour favoriser la conception de produits durables, l'optimisation des ressources et la gestion de la chaîne d'approvisionnement.

À la fin de ce module, les apprenants maîtriseront les techniques avancées de mise en œuvre de la GenAI pour les applications ESG. Ils seront en mesure de créer des invites efficaces pour guider les modèles IA vers la production de résultats ESG précis et pertinents, d'appliquer la Génération augmentée de récupération (RAG) pour améliorer les modèles avec des informations ESG actuelles, et d'affiner les modèles pré-entraînés sur des ensembles de données ESG spécifiques. En outre, ils acquerront la capacité de comparer et de sélectionner de manière critique l'approche de mise en œuvre de l'IA la plus appropriée - qu'il s'agisse de RAG, de réglage fin ou d'ingénierie de requête - pour divers cas d'utilisation ESG, garantissant ainsi une performance optimale dans les tâches liées au développement durable.

À la fin de ce module, les apprenants seront compétents dans l'application des techniques de GenAI pour extraire et analyser les données ESG critiques des rapports de durabilité, y compris les mesures environnementales telles que les émissions Scope 1, 2 et 3, ainsi que les informations sur la diversité, l'équité et l'inclusion (DEI). Ils comprendront les principales normes de reporting ESG telles que la GRI et utiliseront ces connaissances pour guider les processus d'extraction de données pilotés par l'IA. En outre, les apprenants développeront les compétences nécessaires pour évaluer de manière critique l'exactitude des données ESG extraites par l'IA par le biais d'une vérification manuelle et d'une analyse des erreurs, ce qui leur permettra de réfléchir aux avantages et aux défis de l'automatisation de l'analyse ESG avec GenAI. Cette expertise pratique donnera aux apprenants les moyens d'exploiter efficacement l'IA dans des scénarios réels de traitement des données ESG et d'analyse comparative.

À la fin de ce module, les apprenants seront équipés pour naviguer dans le paysage éthique complexe de l'IA dans les pratiques ESG. Ils seront en mesure d'identifier et d'analyser les principales considérations éthiques telles que la confidentialité des données, la partialité algorithmique et la transparence, tout en comprenant le rôle crucial de l'IA explicable dans l'établissement de la confiance et de la responsabilité. Les apprenants auront un aperçu du paysage réglementaire actuel et en évolution entourant la gouvernance de l'IA et la normalisation ESG. En outre, ils développeront une perspective prospective sur l'exploitation de l'IA pour un impact durable, en équilibrant les opportunités avec les défis potentiels. Cette compréhension globale permettra aux apprenants de prendre des décisions éclairées et éthiques lors de la mise en œuvre de solutions IA dans des contextes ESG.