Zielone technologie i sztuczna inteligencja: informatyka dla zrównoważonego rozwoju

Cel: zrozumienie zasad zrównoważonego rozwoju, polityk klimatycznych UE i roli technologii w dekarbonizacji.

Moduły:

• Cele zrównoważonego rozwoju (SDG), Fit for 55, CSRD, taksonomia UE.
• ESG jako strategia biznesowa – znaczenie danych i technologii w transformacji.
• Trendy: GreenTech, ClimateTech, Digital Sustainability.
• Greenwashing vs. realne działania – przykłady dobrych praktyk.

Cel: poznanie źródeł danych środowiskowych i podstaw analizy danych ESG.

Moduły:

• Źródła danych: ESG, środowiskowe, IoT, publiczne API.
• Wprowadzenie do narzędzi analitycznych: Excel, Power BI, Google Looker Studio.
• Wizualizacja danych środowiskowych i emisji CO₂.
• Case study: dashboard ESG organizacji / miasta.

Cel: opanowanie podstaw Pythona i narzędzi do przetwarzania danych środowiskowych.

Moduły:

• Instalacja środowiska (Python, Jupyter, venv/conda).
• Biblioteki: pandas, matplotlib, seaborn, numpy.
• Wczytywanie, czyszczenie i wizualizacja danych ESG.
• Prosty ETL w Pythonie – dane o emisjach, energii, recyklingu.

Cel: zrozumienie podstaw AI i praktyczne zastosowania w zielonej transformacji.

Moduły:

• Typy uczenia: klasyfikacja, regresja, klasteryzacja – zastosowania środowiskowe.
• Narzędzia no-code i low-code (Google AutoML, Orange Data Mining, Azure ML Studio).
• Przykłady: prognoza zużycia energii, klasyfikacja ESG, analiza trendów emisji.
• Interpretacja wyników i metryk – jak AI wspiera decyzje ESG.

Cel: poznanie narzędzi do pomiaru, raportowania i redukcji śladu węglowego w IT i procesach cyfrowych.

Moduły:

• Ślad węglowy IT: CPU, GPU, data center, PUE, green cloud.
• CodeCarbon, Cloud Carbon Footprint, Climatiq API – pomiar I wizualizacja emisji.
• Standardy raportowania GHG, CSRD, ESG.
• Optymalizacja: mniejsze modele, energooszczędne obliczenia, wybór regionu chmurowego.

Cel: zrozumienie, jak dane z czujników wspierają zielone decyzje.

Moduły:

• Architektura IoT, czujniki, komunikacja, dane czasowe.
• Analiza danych z sensorów – wykrywanie anomalii i trendów.
• Projekt: dashboard energetyczny z otwartych danych.

Cel: projektowanie i zarządzanie systemami IT w sposób zrównoważony energetycznie i środowiskowo.

Moduły:

• Green IT: eco-design, zarządzanie cyklem życia sprzętu, circular IT.
• Green Cloud: regiony o niskiej emisyjności, serverless, autoscaling.
• Kalkulatory chmurowe (AWS/GCP/Azure Sustainability Dashboard).

Cel: zrozumienie ram prawnych i etycznych AI w kontekście środowiskowym i społecznym.

Moduły:

• AI Act, RODO, wytyczne etyczne KE.
• Ryzyka środowiskowe i społeczne technologii cyfrowych.
• Etyka danych i odpowiedzialna innowacja.
• Dobre praktyki wdrażania AI w zgodzie z zasadą „do no harm”.

Cel: zastosowanie AI i analizy danych do przewidywania, wykrywania anomalii i optymalizacji środowiskowej.

Moduły:

• Szeregi czasowe, prognozowanie energii, wody, emisji.
• Detekcja anomalii (IsolationForest, modele AutoML).
• Wizualizacja i interpretacja wyników (SHAP, feature importance).
• Case study: prognoza zapotrzebowania energetycznego / detekcja awarii.

Cel: poznanie zasad gospodarki o obiegu zamkniętym i narzędzi cyfrowych w analizie środowiskowej.

Moduły:

• Circular economy – koncepcja, strategie, przykłady.
• LCA (Life Cycle Assessment): openLCA, Ecochain, Python tools.
• Computer Vision w recyklingu – demo klasyfikacji typów odpadów.
• Warsztat: uproszczona analiza LCA produktu / komponentu IT.

Cel: zastosowanie zdobytej wiedzy w praktycznym projekcie AI/IT wspierającym transformację środowiskową.

Moduły:

• Opracowanie projektu zespołowego (analiza ESG, green cloud, model AI, LCA).
• Przygotowanie prezentacji z wynikami i rekomendacjami.
• Peer review i dyskusja końcowa.

• Forma zaliczenia: projekt dypkomowy.