Κέρδη:
- Να είστε σε θέση να διακρίνετε πού εξοικονομεί χρόνο η τεχνητή νοημοσύνη στην περιβαλλοντική ροή εργασιών (λογαριασμός, παρακολούθηση, αναφορές, συμμόρφωση) και πού οι αποφάσεις για τους παράγοντες εκπομπής, το εύρος και τις απαιτήσεις επαφίονται στον άνθρωπο, ανάλογα με το επίπεδο κινδύνου.
- Δυνατότητα εφαρμογής πειθαρχίας που ελέγχει κάθε ψηφιακή έξοδο με μονάδα, πηγή και ανεξάρτητα βήματα επαλήθευσης
- Η κατανόηση του γιατί οι ψεύτικοι παράγοντες εκπομπών, η σύγχυση μονάδας πεδίου και η γλώσσα πράσινης πλύσης είναι κίνδυνοι που πρέπει να ληφθούν υπόψη για αυτό το επάγγελμα από την αρχή.
Η περιβαλλοντική διαχείριση είναι το έργο της μέτρησης, της μείωσης και της αξιόπιστης τεκμηρίωσης του αποτυπώματος που αφήνει ένας οργανισμός στον αέρα, το νερό και το έδαφος. Ο πιο σκληρός κανόνας όλων είναι ότι εάν ένας αριθμός είναι λάθος, ένας παράγοντας εκπομπών είναι ανακριβής ή ένας ισχυρισμός είναι αβάσιμος, ολόκληρη η έκθεση καταρρέει - και τώρα υπάρχει ένα όνομα για αυτήν την κατάρρευση: greenwashing, όταν ένας οργανισμός κάνει την περιβαλλοντική του απόδοση να φαίνεται καλύτερη από ό,τι στην πραγματικότητα. Μια κανονιστική ποινή, ζημιά στη φήμη ή μια αγωγή επενδυτών θα μπορούσε να προκύψει από έναν μόνο μη επιβεβαιωμένο αριθμό. Αυτός είναι ο λόγος για τον οποίο η χρήση τεχνητής νοημοσύνης (AI) σε περιβαλλοντικές και κλιματικές υποθέσεις απαιτεί πειθαρχία.
Σε αυτήν την ενότητα, θα μάθετε πού τα εργαλεία που ονομάζουμε μεγάλα γλωσσικά μοντέλα (LLM - ένας τύπος AI που παράγει κείμενο στατιστικά, με τη λογική της "επόμενης πιο πιθανής λέξης") εξοικονομούν πραγματικά χρόνο σε περιβαλλοντικές εργασίες, πού είναι επικίνδυνα και πώς να επαληθεύσετε κάθε έξοδο.
Πρώτον, μια κρίσιμη ιδέα: η ψευδαίσθηση είναι όταν η τεχνητή νοημοσύνη παράγει πληροφορίες που στην πραγματικότητα δεν είναι αληθινές, με πλήρη εμπιστοσύνη, σαν να ήταν αληθινές. Στον περιβαλλοντικό τομέα, αυτό? Αυτό μπορεί να το συναντήσετε με τη μορφή κατασκευασμένου συντελεστή εκπομπής, ανύπαρκτης νομοθεσίας, λανθασμένης μονάδας (κιλό αντί για τόνους) ή αναφορά σε ανύπαρκτη επιστημονική μελέτη. Το κρίσιμο σημείο είναι το εξής: το LLM δεν είναι μια αριθμομηχανή, μια συσκευή μέτρησης ή μια ρυθμιστική βάση δεδομένων. Είναι μια γεννήτρια κειμένου που μιμείται στατιστικά τα κείμενα που βλέπει στα δεδομένα εκπαίδευσης. Δίνει λογική απόδοση τις περισσότερες φορές. αλλά η διαφορά μεταξύ «λογικού» και «επαληθευμένου» είναι τα πάντα στην περιβαλλοντική αναφορά.
Πού λειτουργεί και πού δεν λειτουργεί η τεχνητή νοημοσύνη στις περιβαλλοντικές υποθέσεις;
Σκεφτείτε την τεχνητή νοημοσύνη ως ένα γρήγορο προσχέδιο, επιμέλεια δεδομένων και συνεργάτη ανάλυσης: πολύτιμο αλλά απαραίτητο για την επικύρωση. Η ακόλουθη διάκριση είναι η ραχοκοκαλιά αυτής της ενότητας.
Αναζήτηση
Συνεισφορά του AI
Ευθύνη ειδικού
Υπολογισμός αποτυπώματος άνθρακα
Ρυθμίζει τύπους, γράφει κώδικα Python
Επιβεβαίωση του συντελεστή εκπομπής από την πηγή
Ανάλυση δεδομένων δορυφόρου/αισθητήρα
Δημιουργεί προσχέδιο κώδικα και σχόλια
Επιβεβαίωση της γνησιότητας της μέτρησης και της βαθμονόμησης
Σχέδιο έκθεσης ESG
Δημιουργεί κείμενο και σκελετό πίνακα
Απόδειξη κάθε ισχυρισμού με δεδομένα
Νομοθετική περίληψη
Απλοποίηση σύνθετου κειμένου
Επιβεβαίωση άρθρου από το τρέχον επίσημο κείμενο
Σενάριο κλιματικού κινδύνου
Συνιστά πλαίσιο σεναρίου
Έλεγχος υποθέσεων και ορίων δεδομένων
Βελτιστοποίηση αποβλήτων/νερού
Παρέχει μοντέλο και προσχέδιο πρότασης
Επαλήθευση εφαρμογής πεδίου
Εμπειρικός κανόνας: Χρησιμοποιήστε την τεχνητή νοημοσύνη για να βρείτε τη διαδρομή προς τον αριθμό, να γράψετε κώδικα, να οργανώσετε δεδομένα και να δημιουργήσετε προσχέδια, όχι τον ίδιο τον αριθμό. Επαληθεύστε κάθε αριθμητικό αποτέλεσμα και κάθε πραγματικό ισχυρισμό από μια ανεξάρτητη, αξιόπιστη πηγή (βάση δεδομένων συντελεστών εκπομπών, κρατική νομοθεσία, βαθμονομημένη μέτρηση).
Τρεις θανατηφόρες παγίδες της τεχνητής νοημοσύνης σε περιβαλλοντικές υποθέσεις
1. Συντελεστής και συντελεστής εκπομπής προσαρμογής. Το AI μπορεί να «συμπληρώσει» έναν παράγοντα εκπομπών που δεν θυμάται (την ποσότητα των αερίων του θερμοκηπίου που απελευθερώνονται ανά μονάδα καυσίμου ή δραστηριότητα) με έναν αριθμό που φαίνεται λογικός. Μια λανθασμένη ένταση άνθρακα για μία kWh ηλεκτρικής ενέργειας θα διαταράξει ολόκληρο το απόθεμα.
2. Σύγχυση μονάδας και πεδίου. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; kg σε τόνους, CO2 σε CO₂e (ισοδύναμο διοξειδίου του άνθρακα — η επίδραση θέρμανσης διαφορετικών αερίων θερμοκηπίου που μετατρέπονται σε μια κοινή μονάδα) μπορούν να κινούνται αθόρυβα μεταξύ του Πεδίου 1 και του Πεδίου 3. Το αποτέλεσμα φαίνεται αριθμητικά λογικό, αλλά είναι λάθος.
3. Γλώσσα που παράγει greenwashing. Η τεχνητή νοημοσύνη δημιουργεί εύκολα αναπόδεικτες, υπερβολικές δηλώσεις όπως «φιλικό προς το περιβάλλον», «ουδέτερο από άνθρακα», «100% βιώσιμο». Αυτές οι δηλώσεις εγκυμονούν πλέον νομικό κίνδυνο σε πολλές χώρες. Θα το καλύψουμε σε βάθος στην ενότητα 11.
Συμβουλή: Προσεγγίστε κάθε αριθμητική έξοδο τεχνητής νοημοσύνης με τρεις ερωτήσεις: (1) Ποια είναι η μονάδα της (kg, τόνοι, CO2 ή CO₂e); (2) Είναι η πηγή γνωστή και ενημερωμένη; (3) Πώς μπορώ να το ελέγξω αυτό ανεξάρτητα; Αυτά τα τρία ερωτήματα πιάνουν τη συντριπτική πλειοψηφία των περιβαλλοντικών σφαλμάτων στην αρχή.
Βήμα προς βήμα: περιβαλλοντικά ασφαλής ροή εργασίας AI
1. Καθορίστε την εργασία με το εύρος και την ενότητα της. Αντί για "Υπολογίστε τον άνθρακα μου" πείτε "Υπολογίστε τις εκπομπές από την καύση φυσικού αερίου Πεδίου 1 για το 2024 σε τόνους CO₂e με κατανάλωση m³ και επίσημο συντελεστή εκπομπής".
2. Αναφέρετε τη μέθοδο και το πρότυπο. Σύμφωνα με ποιο πρωτόκολλο; Πρωτόκολλο GHG ή ISO 14064; Λέγοντας το πρότυπο διασφαλίζει ότι η έξοδος είναι ελεγχόμενη.
3. Ζητήστε την πηγή, απαγορεύστε την κατασκευή. Πείτε ρητά στην τεχνητή νοημοσύνη να παρέχει τον παράγοντα εκπομπής με την πηγή του και, αν δεν το γνωρίζει, "επαληθεύστε το από επίσημη πηγή".
4. Επαληθεύστε εκτελώντας τον κωδικό. Επιβεβαιώστε τον λογαριασμό με ένα εκτελέσιμο αρχείο Python. Ένας ντετερμινιστικός (πάντα δίνει το ίδιο ακριβώς αποτέλεσμα στην ίδια είσοδο) κωδικός είναι πολύ πιο αξιόπιστος από τον αριθμό κεφαλών του LLM.
5. Επαληθεύστε γεγονότα και ισχυρισμούς. Συντελεστές εκπομπών, κανονιστικές ρήτρες, τιμές στόχου – επαληθεύστε τα όλα από μια αξιόπιστη αναφορά (πίνακες συντελεστών IPCC, DEFRA/EPA, Επίσημη Εφημερίδα).
τρεις μίνι θήκες
Περίπτωση 1 — Φανταστικός συντελεστής εκπομπής. Ένας εμπειρογνώμονας αειφορίας ρώτησε την τεχνητή νοημοσύνη για τον συντελεστή εκπομπής φυσικού αερίου και έλαβε την απάντηση: "2,75 kg CO₂e/m³". Ο ειδικός συνέκρινε την τιμή με έναν επίσημο πίνακα: η πραγματική τιμή ήταν περίπου 2,02 kg CO₂e/m3. Η τιμή AI είχε αυξηθεί κατά 36%. Για κατανάλωση 500.000 m³, αυτό σήμαινε ένα φανταστικό πλεόνασμα στο απόθεμα περίπου 365 τόνων CO₂e. Χωρίς επαλήθευση, ολόκληρη η αναφορά θα ήταν ψευδής. Απώλεια χρόνου: 4 λεπτά.
Περίπτωση 2 — Σύγχυση πεδίου. Ένας αναλυτής ζήτησε από την AI το συνολικό αποτύπωμα της εταιρείας. Η τεχνητή νοημοσύνη συνδύασε την αγορασμένη ηλεκτρική ενέργεια (Πεδίο 2) και τις εκπομπές της εφοδιαστικής αλυσίδας (Πεδίο 3) σε ένα ενιαίο «σύνολο», ωστόσο μέτρησε μόνο ένα στοιχείο του Πεδίου 3. Όταν ο αναλυτής εφάρμοσε τον διαχωρισμό του εύρους του Πρωτοκόλλου GHG, συνειδητοποίησε ότι η αναφορά έπρεπε να είχε δείξει κάθε πεδίο ξεχωριστά και ότι το Πεδίο 3 έλειπε. Η διόρθωση ήταν απαραίτητη προϋπόθεση για να περάσει ο έλεγχος.
Περίπτωση 3 — Η επαλήθευση έσωσε τη φήμη. Μια ομάδα επικοινωνίας ζήτησε από την τεχνητή νοημοσύνη αντίγραφο μάρκετινγκ για ένα προϊόν. Η τεχνητή νοημοσύνη πρότεινε «εντελώς ουδέτερο άνθρακα και μηδενική επίδραση στο περιβάλλον». Η ομάδα συνειδητοποίησε ότι δεν είχε δεδομένα κύκλου ζωής και καμία επαληθευμένη τεκμηρίωση αντιστάθμισης που να το αποδεικνύει αυτό. αντικατέστησε τη δήλωση με μια πρόταση με στοιχεία όπως «έχουμε μειώσει τις εκπομπές παραγωγής κατά 18% έως το 2023 (ανεξάρτητη επαλήθευση: X)». Αυτή η αλλαγή απέτρεψε από την αρχή μια πιθανή παραπλανητική έρευνα διαφήμισης.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Υπολογίστε το αποτύπωμα άνθρακα της εταιρείας μου.
Γιατί είναι αδύναμο: Χωρίς εύρος, μονάδες, μεθόδους και δεδομένα. Η τεχνητή νοημοσύνη γεμίζει τα κενά με την κατασκευή. Η έξοδος δεν μπορεί να ελεγχθεί.
Ισχυρή προτροπή:
Ο ρόλος σας: ειδικός απογραφής αερίων θερμοκηπίου. Υπολογίστε το Πεδίο 1 σύμφωνα με το Πρωτόκολλο GHG. Δεδομένα: κατανάλωση φυσικού αερίου 480.000 m³, ντίζελ 12.000 L. Θα δώσω τον συντελεστή εκπομπών. ΜΗΝ συνθέτετε τον παράγοντα, αφήστε αντί αυτού μια ετικέτα [FACTOR] και γράψτε από πού πρέπει να ληφθεί. Κάντε τον υπολογισμό σε τόνους CO₂e με εκτελέσιμο κώδικα Python. Δώστε τα αποτελέσματα σε μορφή πίνακα ανά καύσιμο και συνολικά.
Τέσσερα πρότυπα με δυνατότητα αντιγραφής
1) Υπολογισμός με εύρος και σαφήνεια μονάδας:
Ο ρόλος σας: ειδικός σε αποθέματα άνθρακα. Υπολογίστε την ακόλουθη δραστηριότητα: [δραστηριότητα]. Τυπικό: Πρωτόκολλο GHG. Δηλώστε ξεκάθαρα το πεδίο εφαρμογής (1/2/3). Μονάδα: τόνοι CO₂e. Θα δώσω τον συντελεστή εκπομπής ή μπορείτε να πείτε την πηγή και να αφήσετε την ετικέτα [FACTOR]. FITTING.Επαληθεύστε τον υπολογισμό με εκτελέσιμο κώδικα Python.
2) Επιβεβαίωση παράγοντα/δεδομένων:
Γράψτε τον συντελεστή εκπομπής και τη μονάδα για [καύσιμο/δραστηριότητα]. Δηλώστε την πηγή (π.χ. IPCC, DEFRA, τοπικός επίσημος πίνακας) και το έτος. Εάν δεν γνωρίζετε την ακριβή τιμή, πείτε "επαλήθευση από τον επίσημο πίνακα" και ΔΕΝ ΤΑΙΡΙΑΖΕΙ. Εάν η τιμή διαφέρει από διαφορετικές πηγές, δηλώστε το.
3) Φίλτρο Greenwashing:
Δείτε τον περιβαλλοντικό ισχυρισμό παρακάτω. Για κάθε πρόταση, ρωτήστε: (1) Είναι μετρήσιμη; (2) Υπάρχουν στοιχεία/στοιχεία; (3) Είναι ασαφές (όπως "φιλικό προς το περιβάλλον"); Επισημάνετε δηλώσεις που στερούνται αποδεικτικών στοιχείων ή είναι υπερβολικές και προτείνουν μια εναλλακτική λύση που βασίζεται σε στοιχεία, μετρημένη. Ισχυρισμός: [εδώ]
4) Έλεγχος του δικού μου λογαριασμού:
Παρακάτω είναι ο υπολογισμός των εκπομπών μου. Ελέγξτε κάθε βήμα, μονάδα και κλάση πεδίου. Ελέγξτε τη συνοχή της μονάδας (kg↔ton, CO₂↔CO₂e) και το εύλογο παράγοντα. Εάν υπάρχει ΣΦΑΛΜΑ, δείξτε ποια γραμμή και γιατί. Δημιουργία νέου λογαριασμού. ελέγξτε το δικό μου: [εδώ]
Συνήθη λάθη
- «Υπενθυμίζοντας» το AI του συντελεστή εκπομπής. Οι παράγοντες ποικίλλουν ανά χώρα, έτος και καύσιμο. βγάζετε πάντα τη φωτογραφία από το τραπέζι.
- Πεδία ανάμειξης. Το Πεδίο 1 (άμεσο), το Πεδίο 2 (αγορασμένη ενέργεια) και το Πεδίο 3 (αλυσίδα αξίας) θα πρέπει να αναφέρονται χωριστά.
- Εξίσωση CO2 με CO2e. Αέρια όπως το μεθάνιο και το υποξείδιο του αζώτου είναι πολύ πιο ισχυρά από το CO2. όλα πρέπει να μετατραπούν σε CO₂e.
- Τοποθέτηση ενός ισχυρισμού χωρίς στοιχεία στο κείμενο. Φράσεις όπως «ουδέτερος άνθρακας» αποτελούν νομικούς κινδύνους χωρίς επαληθευμένα δεδομένα και τεκμηρίωση.
- Αποδοχή του αριθμού χωρίς να τον εκτελείτε. Να παρέχετε πάντα το LLM που επιστράφηκε μέσω κωδικού ή μη αυτόματα.
Προσοχή: Τα περιβαλλοντικά δεδομένα συχνά δεν περιέχουν προσωπικά ή εμπορικά μυστικά. αλλά οι συμφωνίες προμηθευτών, τα στοιχεία παραγωγής σε επίπεδο εργοστασίου και τα δεδομένα πελατών ενδέχεται να είναι εμπιστευτικά. Ελέγξτε την πολιτική της επιχείρησής σας προτού τα επικολλήσετε σε δημόσια εργαλεία AI. Θα καλύψουμε το ζήτημα του απορρήτου στην ενότητα 11.
Συνοπτικά
AI στο περιβάλλον και το κλίμα. είναι ένας ισχυρός βοηθός που γράφει κώδικα, οργανώνει δεδομένα, δημιουργεί προσχέδια και συνοψίζει — αλλά δεν είναι συσκευή μέτρησης, αριθμομηχανή ή ρυθμιστικός πόρος. Η επιβεβαίωση των συντελεστών εκπομπής, η εμβέλεια και η ακρίβεια της μονάδας, η τεκμηρίωση των ισχυρισμών και η αποφυγή πράσινης έκπλυσης είναι ευθύνη του αρμόδιου εμπειρογνώμονα. Κάθε αριθμός πρέπει να βασίζεται σε μια πηγή, κάθε ισχυρισμός πρέπει να βασίζεται σε στοιχεία.
Εργασία εφαρμογής
Επιλέξτε μια περιβαλλοντική δραστηριότητα από τον οργανισμό σας (ή ένα υποθετικό παράδειγμα)—για παράδειγμα, τη μηνιαία κατανάλωση φυσικού αερίου μιας εγκατάστασης. Βάλτε το AI να υπολογίσει χρησιμοποιώντας το πρότυπο 1 παραπάνω, αλλά αφήστε τον συντελεστή εκπομπής κενό. Στη συνέχεια, βρείτε τον παράγοντα από έναν επίσημο πίνακα και αντικαταστήστε τον. Τέλος, με το 3ο πρότυπο, ελέγξτε για greenwashing το κείμενο επικοινωνίας μιας πρότασης που θα γράψετε για αυτή τη δραστηριότητα. Συγκρίνετε και τις τρεις εκτυπώσεις σε μία σελίδα.
λίστα ελέγχου
- [ ] Καθόρισα την εργασία ανά εύρος (1/2/3) και μονάδα (τόνοι CO₂e).
- [ ] Δεν έκανα το AI να ταιριάζει με τον παράγοντα εκπομπής. Το επιβεβαίωσα από την πηγή.
- [ ] Παρείχα τον λογαριασμό μέσω εκτελέσιμου κώδικα ή με μη αυτόματο τρόπο.
- [ ] Έκανα τη σωστή διάκριση μεταξύ CO₂ και CO₂e και kg και τόνους.
- [ ] Ταίριαξα κάθε ισχυρισμό στο κείμενο με στοιχεία, καθαρίζοντας την υπερβολική γλώσσα.
- [ ] Έλεγξα την πολιτική πριν επικολλήσω τα μυστικά δεδομένα στο ανοιχτό εργαλείο AI.