Αποφυγή Greenwashing, Ακεραιότητα Δεδομένων, Δεοντολογία, Απόρρητο και ροή εργασιών από άκρο σε άκρο

Κέρδη:

• Δυνατότητα αναγνώρισης τύπων greenwashing (αβέβαιο, μη αποδεδειγμένο, κρυφή ανταλλαγή, υπερβολικό μέλλον) και να κάνει μια αξίωση μετρήσιμη, προέλευσης και εμβέλειας.
• Δυνατότητα ταξινόμησης των δεδομένων που θα δοθούν στο όχημα ως προς την εμπιστευτικότητα και την προστασία εμπορικών μυστικών και προσωπικών δεδομένων
• Δυνατότητα υλοποίησης μιας πύλης ποιότητας από άκρο σε άκρο από τον ορισμό έως την επαλήθευση και την ανάληψη της τελικής ευθύνης χωρίς να βασίζεστε στην άμυνα του "AI είπε"

Υπήρχε μια αρχή που επαναλαμβανόταν σε κάθε ενότητα αυτής της ενότητας: ο αριθμός πρέπει να βασίζεται σε μια πηγή, ο ισχυρισμός να βασίζεται σε αποδεικτικά στοιχεία. Αυτή η τελική ενότητα ενσωματώνει αυτήν την αρχή. Ο μεγαλύτερος κίνδυνος της τεχνητής νοημοσύνης στο περιβάλλον και το κλίμα δεν είναι ένας λάθος υπολογισμός, αλλά μάλλον ότι παράγει μια πιστευτή αλλά αβάσιμη ιστορία. Σε αυτή την ενότητα θα μάθετε πώς να αναγνωρίζετε και να αποτρέπετε το greenwashing, να διασφαλίζετε την ακρίβεια των δεδομένων, την ηθική και το απόρρητο, καθώς και μια ροή εργασιών από άκρο σε άκρο που ενοποιεί ολόκληρη τη μονάδα.

Ανατομία του greenwashing

Greenwashing είναι όταν ένας οργανισμός κάνει τις περιβαλλοντικές του επιδόσεις να φαίνονται καλύτερες από ό,τι είναι στην πραγματικότητα. Επειδή η τεχνητή νοημοσύνη είναι τόσο καλή στην παραγωγή ρευστού και πειστικού κειμένου, είναι επίσης πολύ επιρρεπής στο να παράγει εν αγνοία της greenwashing. Κύριοι τύποι:

Τύπος πράσινης πλύσης

Τι εννοείς;

παράδειγμα

αόριστος ισχυρισμός

αμέτρητη, απροσδιόριστη λέξη

"Φιλικό προς το περιβάλλον", "φυσικό", "πράσινο"

ισχυρισμός χωρίς αποδεικτικά στοιχεία

Αριθμός/στόχος χωρίς δεδομένα

"Είμαστε ουδέτεροι από άνθρακα" (χωρίς τεκμηρίωση)

μυστική ανταλλαγή

Αναδεικνύοντας το καλό και κρύβοντας το μεγάλο κακό

«Η συσκευασία είναι ανακυκλώσιμη» αλλά το προϊόν είναι πολύ ρυπογόνο

άσχετος ισχυρισμός

Παρουσιάζοντας αυτό που είναι ήδη απαραίτητο/ασήμαντο ως αρετή

"Δεν περιέχει απαγορευμένη ουσία"

ψεύτικη ετικέτα

Κατασκευασμένη/μη επαληθευμένη εμφάνιση πιστοποιητικού

Αυτό-εφευρεμένο "πράσινο" λογότυπο

εξωφρενικό μέλλον

Καταφύγιο σε έναν μακρινό στόχο χωρίς στοιχεία

«Θα είμαστε ουδέτεροι το 2050» (χωρίς ενδιάμεσο σχέδιο)

Συμβουλή: Ένας καλός περιβαλλοντικός ισχυρισμός έχει τρία χαρακτηριστικά: μετρήσιμο (αριθμός), αποδεδειγμένο (ένα αποδεικτικό στοιχείο) και σαφές σε εύρος (σαφές τι συγκρίνεται με πότε). Εάν μια αξίωση λείπει ένα από αυτά τα τρία, σταματήστε πριν τη δημοσιεύσετε.

Ακρίβεια δεδομένων: ο χρυσός κανόνας της ενότητας

Η πειθαρχία επαλήθευσης που βλέπουμε σε κάθε ενότητα μπορεί να συνοψιστεί σε μία μόνο πρόταση: Κανένας αριθμός ή γεγονός που παράγεται από την τεχνητή νοημοσύνη δεν μετατρέπεται σε απόφαση, αναφορά ή αξίωση χωρίς να επιβεβαιωθεί από ανεξάρτητη πηγή. Ο συντελεστής εκπομπής επιβεβαιώνεται από τον επίσημο πίνακα, το άρθρο της νομοθεσίας επιβεβαιώνεται από το τρέχον κείμενο, η μέτρηση επιβεβαιώνεται από τη βαθμονομημένη συσκευή και ο υπολογισμός επιβεβαιώνεται από τον εκτελεσμένο κωδικό. Το AI επιταχύνει. Είναι ο άνθρωπος που είναι αληθινός.

Ηθική και ιδιωτικότητα

Ηθική: Τα περιβαλλοντικά δεδομένα αφορούν το κοινό και τις μελλοντικές γενιές. Το μασάζ δεδομένων, η επιλεκτική αναφορά ή η απόκρυψη αβεβαιότητας είναι ηθική παραβίαση. Μην ζητάτε από την τεχνητή νοημοσύνη να "δείξει την αναφορά καλύτερα", αλλά μάλλον "να δείξει την αναφορά με μεγαλύτερη ακρίβεια και κατανόηση".

Εμπιστευτικότητα: Τα στοιχεία παραγωγής σε επίπεδο εργοστασίου, οι συμφωνίες προμηθευτών, τα δεδομένα εκπομπών που δεν έχουν αποκαλυφθεί μπορεί να είναι εμπορικά μυστικά. Τα δεδομένα ταξιδιού ή τοποθεσίας των εργαζομένων μπορεί να είναι προσωπικά δεδομένα. Ελέγξτε την εταιρική πολιτική και τους κανόνες προστασίας δεδομένων (π.χ. KVKK/GDPR) πριν τις επικολλήσετε σε δημόσια εργαλεία τεχνητής νοημοσύνης. Ανωνυμοποιήστε εάν είναι δυνατόν ή χρησιμοποιήστε ένα εταιρικό εργαλείο προστασίας δεδομένων.

Προσοχή: "Η AI το είπε" δεν είναι άμυνα. Το ίδρυμα και ο υπογράφοντα ευθύνονται για ψευδή αναφορά εκπομπών, παραπλανητική διαφήμιση ή διαρροή εμπιστευτικών δεδομένων. Το AI είναι ένα εργαλείο. Είναι ένα άτομο που είναι υπόλογο.

Ροή εργασιών από άκρο σε άκρο: συναρμολογήστε τη μονάδα

Ακολουθούν έξι βήματα για τη σύνταξη περιβαλλοντικού ισχυρισμού ή αναφοράς με σιγουριά από την αρχή μέχρι το τέλος:

1. Ορίστε. Τι θα αναφερθεί/διεκδικηθεί; Είναι σαφές το πεδίο εφαρμογής, η μονάδα, το πρότυπο, η περίοδος;

2. Συλλέξτε και επιβεβαιώστε δεδομένα. Έχει κάθε ζήτημα ανιχνεύσιμη πηγή; Είναι επίσημοι οι παράγοντες;

3. Υπολογίστε και επαληθεύστε. Κάντε την αριθμητική σε κώδικα και δώστε το αποτέλεσμα με μονάδες και παραγγελίες.

4. Σκίτσο. Δημιουργία σκελετού κειμένου με AI. Συνδέστε κάθε πρόταση με στοιχεία.

5. Περάστε το από το φίλτρο Greenwashing. Καταργήστε τις ασαφείς, ατεκμηρίωτες, υπερβολικές δηλώσεις.

6. Επαληθεύστε και αναλάβετε την ευθύνη. Ανεξάρτητη διασφάλιση/έλεγχος εμπειρογνωμόνων. Η τελική έγκριση ανήκει στον άνθρωπο.

τρεις μίνι θήκες

Περίπτωση 1 — Ευφράδεια αλλά αβάσιμη. Μια ομάδα ζήτησε από το AI να γράψει μια σύντομη αναφορά για τη βιωσιμότητα. Το κείμενο ήταν εντυπωσιακό, αλλά γεμάτο με μη μετρήσιμες φράσεις όπως «αειφορία με κορυφαία θέση στον κλάδο», «σχεδόν μηδενικός αντίκτυπος». Η εφαρμογή του φίλτρου greenwashing (πρότυπο 1 παρακάτω) επισήμανε επτά αβάσιμους ισχυρισμούς. το καθένα είτε αντικαταστάθηκε από έναν αποδεδειγμένο αριθμό είτε αφαιρέθηκε. Η έκθεση ήταν πιο σύντομη αλλά υπερασπίσιμη.

Περίπτωση 2 — Δεδομένα που διέρρευσαν. Ένας αναλυτής επικόλλησε δεδομένα εκπομπών εγκαταστάσεων που δεν έχουν ακόμη αποκαλυφθεί σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης και ζήτησε ανάλυση. Η ομάδα συμμόρφωσης συνειδητοποίησε ότι επρόκειτο για εμπορικό μυστικό και πιθανή παραβίαση γνωστοποίησης κανονιστικών ρυθμίσεων. η διαδικασία διακόπηκε, τα δεδομένα μετακινήθηκαν σε ένα εταιρικό (αδιάβροχο) εργαλείο. Μάθημα: προσδιορίστε την κατηγορία (εμπιστευτικό;) των δεδομένων πριν τα δώσετε στο εργαλείο.

Περίπτωση 3 — Αλυσίδα επικύρωσης. Ένας οργανισμός διατήρησε έναν πίνακα "αξίωση-αποδεικτικά" για ολόκληρη την ετήσια έκθεσή του: απέναντι από κάθε αριθμό σε κάθε πρόταση βρίσκεται η πηγή του. Όταν έφτασε ο ελεγκτής, μπόρεσαν να παρακολουθήσουν κάθε αξίωση μέσα σε λίγα λεπτά. Η διαδικασία διασφάλισης κύλησε ομαλά. Αυτή η πειθαρχία ήταν ο πυρήνας όλων των ενοτήτων της ενότητας και εξοικονομούσε χρόνο και αναγνώριση στον πραγματικό κόσμο.

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προτροπή:

Κάντε το μήνυμά μας για τη βιωσιμότητα πιο εντυπωσιακό.

Γιατί είναι αδύναμο: Η επιθυμία για "εντυπωσιακό" σπρώχνει την τεχνητή νοημοσύνη σε υπερβολή και αόριστους επαίνους. παράγει πρασινάδα.

Ισχυρή προτροπή:

Ο ρόλος σας: συντάκτης περιβαλλοντικών επικοινωνιών και ελεγκτής greenwashing. Κάντε το παρακάτω κείμενο πιο ΣΩΣΤΟ και κατανοητό, όχι «γυαλιστερό». Κάθε ισχυρισμός αναρωτιέται: είναι μετρήσιμο, είναι προερχόμενο, είναι σαφές το πεδίο εφαρμογής του; Επισημάνετε ασαφείς («φιλικές προς το περιβάλλον»), μη τεκμηριωμένες («ουδέτερες») και υπερβολικές δηλώσεις και προτείνετε εναλλακτικές λύσεις που βασίζονται σε στοιχεία, μετρημένες. Καταργήστε τον ισχυρισμό που δεν έχει στοιχεία. Κείμενο: [εδώ]

Τέσσερα πρότυπα με δυνατότητα αντιγραφής

1) Φίλτρο ελέγχου Greenwashing:

Ο ρόλος σας: greenwashing ελεγκτής. Καταγράψτε κάθε περιβαλλοντικό ισχυρισμό στο παρακάτω κείμενο: (αξίωση | μπορεί να μετρηθεί | υπάρχουν στοιχεία | είναι αβέβαιο | ετυμηγορία). Σημειώστε αυτά που είναι ασαφή/μη αποδεδειγμένα/υπερβολικά και προτείνετε μια μετρημένη, βασισμένη σε στοιχεία εναλλακτική για το καθένα. Κείμενο: [εδώ]

2) Πίνακας αντιστοίχισης αξίωσης-αποδεικτικών στοιχείων:

Διαγράψτε ΚΑΘΕ αριθμητικό και πραγματικό ισχυρισμό από το παρακάτω κείμενο αναφοράς. Αφήστε μια στήλη "πηγή" για καθένα. Επισημάνετε οποιαδήποτε αξίωση με απροσδιόριστη πηγή ως "ΑΠΑΙΤΕΙΤΑΙ ΑΠΟΔΕΙΞΗ". Αλλαγή κειμένου. check.Text: [εδώ]

3) Προέλεγχος απορρήτου:

Ταξινομήστε τα ακόλουθα δεδομένα πριν τα επεξεργαστείτε σε ένα εργαλείο τεχνητής νοημοσύνης: περιέχει εμπορικά μυστικά (παραγωγή εργοστασίων, τιμή προμηθευτή), προσωπικά δεδομένα (όνομα, τοποθεσία) ή άγνωστες οικονομικές πληροφορίες; Επισημάνετε επικίνδυνες περιοχές και προτείνετε την ανωνυμοποίηση/αφαίρεση. Παράδειγμα δεδομένων: [εδώ]

4) Πύλη ποιότητας από άκρο σε άκρο:

Κάντε έναν τελικό έλεγχο για την περιβαλλοντική έκθεση/αξίωση παρακάτω. Κατά σειρά: (1) είναι σαφές το εύρος-μονάδα-πρότυπο, (2) είναι κάθε αριθμός που προέρχεται, (3) έχει επαληθευτεί η αριθμητική, (4) υπάρχει greenwashing, (5) έχει διαρρεύσει εμπιστευτικά/προσωπικά δεδομένα. Δώστε πάσα/αποτυχία και αιτιολόγηση για κάθε στοιχείο. Περιεχόμενο: [εδώ]

Συνήθη λάθη

• Θέλοντας «εντυπωσιακό». Αυτό ωθεί την τεχνητή νοημοσύνη σε υπερβολή και πράσινο πλύσιμο. Ζητήστε "ακριβές και κατανοητό".
• Μη παρατηρώντας τον αόριστο ισχυρισμό. Φράσεις όπως «φιλικές προς το περιβάλλον» είναι αμέτρητες και επικίνδυνες.
• Εξαγωγή εμπιστευτικών δεδομένων σε ανοιχτό εργαλείο. Αρχικά ταξινομήστε τα δεδομένα και ανωνυμοποιήστε τα εάν χρειάζεται.
• Αμυνόμενος με "Το είπε το AI." Η ευθύνη βαραίνει πάντα το άτομο.
• Μη διατήρηση της αλυσίδας επαλήθευσης. Η πηγή κάθε αξίωσης πρέπει να είναι ελεγχόμενη.

Συνοπτικά

Η ουσία της ασφαλούς χρήσης της τεχνητής νοημοσύνης στο περιβάλλον και το κλίμα είναι ένας ενιαίος κλάδος: κάθε αριθμός που προέρχεται, κάθε ισχυρισμός που αποδεικνύεται, κάθε δεδομένα που τροφοδοτείται σε κάθε ταξινομημένο εργαλείο, κάθε ανθρώπινη τελική απόφαση. Το Greenwashing είναι η παγίδα της ρευστή γλώσσας. Ο τρόπος για να το αποφύγετε είναι να κάνετε ισχυρισμούς που είναι μετρήσιμοι, προερχόμενοι και έχουν συγκεκριμένο εύρος. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; υπολογίζει, σαρώνει, συντάσσει και οργανώνει - αλλά ο αρμόδιος πραγματογνώμονας είναι αυτός που επαληθεύει, αποφασίζει και λογοδοτεί. Σε περιβαλλοντικές εργασίες υψηλών συνεπειών, η παραγωγή τεχνητής νοημοσύνης δεν υποκαθιστά την επαλήθευση και την επικύρωση από εμπειρογνώμονες. μόνο το επιταχύνει.

Εργασία εφαρμογής

Επιλέξτε ένα παραδοτέο που έχετε παράγει σε όλη την ενότητα (μια περίληψη εκπομπών, μια ανάλυση νερού ή μια ενότητα ESG). Έλεγχος Greenwashing με το πρότυπο 1 πρώτα και διορθώστε τυχόν αβάσιμους ισχυρισμούς που βρείτε. Στη συνέχεια, δημιουργήστε έναν πίνακα αξίωσης-αποδεικτικών στοιχείων με το 2ο πρότυπο και συμπληρώστε τους υπόλοιπους αριθμούς χωρίς πηγές. Τέλος, εφαρμόστε την πύλη ποιότητας από άκρο σε άκρο με το 4ο πρότυπο. Διορθώστε μέχρι να πάρετε «πάσο» και στα πέντε στοιχεία.

λίστα ελέγχου

• [ ] Έκανα κάθε αξίωση μετρήσιμη, προέλευση και συγκεκριμένο πεδίο εφαρμογής.
• [ ] Καθάρισα τη ασαφή/υπερβολική γλώσσα με ένα φίλτρο πράσινου πλυσίματος.
• [ ] Έχω επαληθεύσει ανεξάρτητα κάθε αριθμό που παράγεται από την AI.
• [ ] Έχω ταξινομήσει/ανωνυμοποιήσει τα δεδομένα που έδωσα στο εργαλείο για εμπιστευτικότητα.
• [ ] Είχα κωδικοποιήσει την αριθμητική και της έδωσα μονάδες και τάξεις.
• [ ] Ανέλαβα την τελική ευθύνη. Δεν βασίστηκα στην υπεράσπιση του "AI είπε".

Εξέταση Ενοτήτων

1. Ποιο από τα παρακάτω είναι η πιο ακριβής τοποθέτηση της τεχνητής νοημοσύνης σε περιβάλλον και κλίμα;

• Α) Η τεχνητή νοημοσύνη είναι βοηθός κώδικα, δεδομένων και σχεδιαγραμμάτων. Η ευθύνη για τους παράγοντες, το πεδίο εφαρμογής, τα στοιχεία και τις ηθικές αποφάσεις ανήκει στους ανθρώπους ✔
• Β) Η τεχνητή νοημοσύνη είναι μια συσκευή μέτρησης και οι τιμές εκπομπής που δίνει είναι πάντα ακριβείς.
• Γ) Η τεχνητή νοημοσύνη είναι χρήσιμη μόνο στη σύνταξη αναφορών, δεν έχει καμία σχέση με τη λογιστική και την παρακολούθηση
• Δ) Δεδομένου ότι η τεχνητή νοημοσύνη είναι πιο αμερόληπτη από τους ανθρώπους, όλες οι περιβαλλοντικές αποφάσεις θα πρέπει να αφεθούν σε αυτήν.

Περιγραφή: Τεχνητή νοημοσύνη. Είναι ένας βοηθός που γράφει κώδικα, οργανώνει δεδομένα, παράγει προσχέδια και συνοψίζει. Ωστόσο, η επιβεβαίωση του συντελεστή εκπομπής, της εμβέλειας και της ακρίβειας της μονάδας, η τεκμηρίωση των ισχυρισμών και η τελική ευθύνη ανήκουν στον αρμόδιο εμπειρογνώμονα. Το μοντέλο της μεγάλης γλώσσας δεν είναι συσκευή μέτρησης, αριθμομηχανή ή πηγή νομοθεσίας. είναι μια συσκευή δημιουργίας κειμένου που παράγει την «επόμενη πιο πιθανή λέξη» και το μη επαληθευμένο αποτέλεσμα μπορεί να οδηγήσει σε ψευδή αναφορά ή αξίωση.

2. Ποια προσέγγιση είναι σωστή για τον υπολογισμό των «δεδομένων δραστηριότητας × συντελεστή εκπομπών» σε μια απογραφή αερίων θερμοκηπίου;

• Α) Χρησιμοποιώντας τον παράγοντα που θυμάται η τεχνητή νοημοσύνη και βάζοντάς την να κάνει το σύνολο χειροκίνητα
• Β) Λαμβάνοντας τον παράγοντα από τον επίσημο πίνακα ανά χώρα και έτος και σχηματίζοντας το άθροισμα με εκτελέσιμο κωδικό ✔
• Γ) Καταμέτρηση όλων των αερίων ως CO₂ και παράλειψη της μετατροπής GWP
• Δ) Χρήση του προεπιλεγμένου παράγοντα δικτύου (π.χ. ΗΠΑ) για κάθε χώρα

Περιγραφή: Οι συντελεστές εκπομπών διαφέρουν ανά χώρα, έτος και καύσιμο. Η «υπενθύμιση» AI εισάγει τον κίνδυνο κατασκευής. Ο παράγοντας πρέπει πάντα να επιβεβαιώνεται από έναν επίσημο πίνακα (IPCC, DEFRA/EPA, εθνικό απόθεμα). Τα σύνολα πολλών γραμμών πρέπει να γίνονται με εκτελέσιμο κώδικα, όχι με μη αυτόματο τρόπο. Το μεθάνιο και το N2O μετατρέπονται απαραίτητα σε CO2e με το σωστό σύνολο GWP.

3. Σύμφωνα με το Πρωτόκολλο GHG, ποιο πεδίο περιλαμβάνει τις εκπομπές που προκύπτουν από την παραγωγή αγοραζόμενης ηλεκτρικής ενέργειας;

• Α) Πεδίο εφαρμογής 1
• Β) Πεδίο εφαρμογής 3
• Γ) Πεδίο εφαρμογής 2 ✔
• Δ) Δεν περιλαμβάνεται σε κανένα πεδίο εφαρμογής και δεν αναφέρεται

Περιγραφή: Το πεδίο 1 είναι οι άμεσες εκπομπές από τις ίδιες πηγές του οργανισμού (λέβητας, εταιρικό όχημα). Το πεδίο 2 είναι οι έμμεσες εκπομπές από την παραγωγή αγοραζόμενης ενέργειας (ηλεκτρισμός, ατμός, θέρμανση, ψύξη). Το πεδίο 3 καλύπτει όλες τις άλλες έμμεσες εκπομπές στην αλυσίδα αξίας (προμήθεια, ταξίδια, χρήση προϊόντος).

4. Ποιο είναι το σωστό όταν δίνουμε προτεραιότητα στα μέτρα μετριασμού από το MACC (οριακό κόστος μείωσης);

• Α) Πάντα πρώτα λαμβάνονται τα πιο ακριβά και τεχνολογικά μέτρα
• Β) Αρχικά, αγοράζεται η μετατόπιση και ονομάζεται «καθαρό μηδέν», η μείωση αφήνεται για αργότερα.
• Γ) Η σειρά δράσης είναι ανεξάρτητη από το κόστος. όλα εφαρμόζονται ταυτόχρονα
• Δ) Τα μέτρα αρνητικού κόστους (εξοικονόμησης) λαμβάνονται πρώτα, η εξάλειψη μένει τελευταία ✔

Περιγραφή: Το MACC κατατάσσει τα μέτρα κατά κόστος ανά τόνο αποφυγής (€/τόνο). Τα μέτρα αρνητικού κόστους (π.χ. ενεργειακή απόδοση) μειώνουν τις εκπομπές και εξοικονομούν χρήματα. Αυτά φέρονται στο προσκήνιο. Οι επιλογές υψηλού κόστους και η αντιστάθμιση μένουν μέχρι το τέλος. Η αφαίρεση δεν είναι υποκατάστατο του μετριασμού, αλλά συμπλήρωμα στο αναπόφευκτο υπόλοιπο.

5. Είδατε στη δορυφορική εικόνα ότι το NDVI σε μια περιοχή μειώθηκε ξαφνικά σε ένα μήνα. Τι πρέπει να κάνετε πρώτα;

• Α) Κηρύξτε αμέσως συναγερμό «αιφνίδιας αποψίλωσης» και κοινοποιήστε το στο κοινό
• Β) Έλεγχος της αυθεντικότητας του σήματος εφαρμόζοντας μια μάσκα σύννεφο και συγκρίνοντάς το με γειτονικές ημερομηνίες ✔
• Γ) Εξέταση μιας μεμονωμένης εικόνας και αναφορά ακριβούς ποσοστιαίας απώλειας
• Δ) Τα δορυφορικά δεδομένα είναι πάντα ακριβή. δεν απαιτούνται πρόσθετοι έλεγχοι

Εξήγηση: Το πιο κοινό ψευδές σήμα δορυφορικών δεδομένων είναι το σύννεφο. Μια πτώση NDVI θα μπορούσε να είναι μια πραγματική απώλεια δάσους ή θα μπορούσε να είναι ένα σύννεφο πάνω από την εικόνα εκείνη την ημέρα. Είναι απαραίτητο να εφαρμόσετε πρώτα μια μάσκα cloud και να συγκρίνετε με γειτονικές ημερομηνίες χωρίς σύννεφο. Ο ισχυρισμός αλλαγής θα πρέπει να βασίζεται στην τάση, όχι σε μια ενιαία ημερομηνία, και εάν είναι δυνατόν, θα πρέπει να επαληθεύεται με βάση την αλήθεια.

6. Ποια προσέγγιση είναι σωστή όταν συγκρίνουμε την επίδραση του νερού δύο εργοστασίων;

• Α) Απλώς κοιτάζοντας τα απόλυτα λίτρα και δηλώνοντας αυτό που καταναλώνει περισσότερο ως το χειρότερο
• Β) Η επίδραση του νερού είναι η ίδια παντού. η περιοχή είναι ασήμαντη
• Γ) Στάθμιση της κατανάλωσης με βάση την περιφερειακή υδατική πίεση και σύγκριση με τον πραγματικό αντίκτυπο ✔
• Δ) Προσθέτοντας πράσινο, μπλε και γκρι νερό σε έναν μόνο αριθμό και αγνοώντας το άγχος

Εξήγηση: Το νερό, σε αντίθεση με τον άνθρακα, είναι τοπικό. Η ίδια ποσότητα νερού σημαίνει πολύ πιο σοβαρές περιβαλλοντικές επιπτώσεις σε μια περιοχή με υψηλή υδατική καταπόνηση. Ως εκ τούτου, η επίπτωση του νερού θα πρέπει να αξιολογείται όχι μόνο σε απόλυτα λίτρα, αλλά να σταθμίζεται με βάση την περιφερειακή υδατική πίεση. Μια εγκατάσταση σε μια περιοχή που καταναλώνει λίγο αλλά είναι πολύ ξηρή μπορεί να είναι πιο κρίσιμη από μια εγκατάσταση που καταναλώνει πολύ αλλά έχει άφθονο νερό.

7. Στη διαχείριση αποβλήτων, η τεχνητή νοημοσύνη ταξινόμησε ένα χημικό απόβλητο σε κώδικα «μη επικίνδυνο». Ποια είναι η σωστή συμπεριφορά;

• Α) Καταργώντας το απευθείας από αυτόν τον κώδικα επειδή το λέει η τεχνητή νοημοσύνη
• Β) Οι κωδικοί αποβλήτων δεν είναι σημαντικοί. απορρίπτονται όλα με τον ίδιο τρόπο
• Γ) Αγνοώντας την κατηγορία μόλυνσης και κινδύνου και αναφορά του ποσού που συγκεντρώθηκε
• Δ) Επιβεβαίωση της τάξης με το δελτίο δεδομένων ασφαλείας (SDS) και τη νομοθεσία, μη αποδοχή της πρότασης τεχνητής νοημοσύνης ως οριστικής ✔

Περιγραφή: Η εσφαλμένη ταξινόμηση και η μη καταγεγραμμένη διάθεση επικίνδυνων αποβλήτων συγκαταλέγονται μεταξύ των πιο αυστηρών κυρώσεων για το περιβάλλον. Η πρόταση κώδικα αποβλήτων AI είναι απλώς ένα αρχικό προσχέδιο. Η τάξη κινδύνου πρέπει πάντα να επιβεβαιώνεται από το δελτίο δεδομένων ασφαλείας (SDS) της ουσίας και τους ισχύοντες κανονισμούς για τα απόβλητα. Η έξοδος AI δεν χρησιμοποιείται ποτέ ως τελικός κωδικός αποβλήτων.

8. Μια εγκατάσταση μείωσε τις εκπομπές της στοίβας κατά 20%. Γιατί είναι λάθος να λέμε ότι ο αέρας της γειτονιάς έχει καθαριστεί κατά 20%;

• Α) Η εκπομπή και η συγκέντρωση είναι διαφορετικές. Οι αλλαγές στον καιρό απαιτούν ξεχωριστές μετρήσεις και μοντελοποίηση ✔
• Β) Η εκπομπή και η συγκέντρωση είναι το ίδιο πράγμα. Η μείωση αντανακλάται άμεσα στον αέρα
• Γ) Η μέτρηση της καμινάδας δίνει πάντα ακριβή καιρό στη γειτονιά
• Δ) Η μετεωρολογία δεν επηρεάζει την ποιότητα του αέρα, επομένως ο ισχυρισμός είναι έγκυρος

Εξήγηση: Η εκπομπή (ποσότητα που βγαίνει από την πηγή) και η συγκέντρωση (η πυκνότητα που μετράται στον αέρα) είναι διαφορετικά πράγματα. Ο άνεμος, η θερμοκρασία και η τοπογραφία προκαλούν την ίδια εκπομπή με αποτέλεσμα πολύ διαφορετικές συγκεντρώσεις. Ακόμη και αν η μείωση των εκπομπών στοίβας είναι πραγματική, ο ισχυρισμός της συγκέντρωσης στον αέρα μπορεί να αποδειχθεί μόνο με βαθμονομημένη μέτρηση και κατάλληλο μοντέλο διασποράς. αλλιώς είναι ατεκμηρίωτο και παραπλανητικό.

9. Στο ρεπορτάζ ESG, υπάρχει μια πρόταση «μειώσαμε την κατανάλωση νερού κατά 15%» σε ένα κείμενο που παράγεται από την τεχνητή νοημοσύνη. Ποιος είναι ο πιο σημαντικός έλεγχος;

• Α) Κοιτάζοντας πόσο εντυπωσιακή και ευχάριστη είναι η πρόταση
• Β) Βεβαιωθείτε ότι ο αριθμός είναι συνδεδεμένος με μια ανιχνεύσιμη πηγή (τιμολόγιο, μετρητής, μέτρηση) ✔
• Γ) Υποθέτοντας ότι ο αριθμός είναι σωστός επειδή τον παράγει η τεχνητή νοημοσύνη
• Δ) Στρογγυλοποίηση του ποσοστού προς τα πάνω ώστε ο αριθμός να φαίνεται πιο ισχυρός

Εξήγηση: Η αξία μιας έκθεσης ESG είναι η ιχνηλασιμότητα των πιο αδύναμων δεδομένων της και οι ανεξάρτητοι ελεγκτές διασφάλισης εξετάζουν την αλυσίδα των αποδεικτικών στοιχείων πίσω από τον αριθμό. Το AI μπορεί να παρήγαγε έναν αριθμό που φαινόταν «λογικός» από προηγούμενα κείμενα, αλλά δεν ήταν ανιχνεύσιμος. Δεν πρέπει κάθε ψηφιακή αξίωση να εισέρχεται στην αναφορά χωρίς να συνδέεται με μια ανιχνεύσιμη πηγή με βάση το τιμολόγιο/μετρητή/πιστοποιητικό.

10. Γιατί χρησιμοποιούνται πολλαπλά σενάρια στην αξιολόγηση του κλιματικού κινδύνου αντί για ένα μόνο μέλλον;

• Α) Τα σενάρια είναι διακόσμηση. Μια ακριβής μελλοντική πρόβλεψη είναι αρκετή
• Β) Επειδή η τεχνητή νοημοσύνη μπορεί να δώσει την πιθανότητα μελλοντικών πλημμυρών με ένα ακριβές ποσοστό, ένα σενάριο αρκεί
• Γ) Ο φυσικός κίνδυνος και ο κίνδυνος μετάβασης μπορεί να είναι δυσμενής ανάλογα με τα σενάρια. Ο στόχος είναι να δοκιμάσετε την αντοχή ✔
• Δ) Φυσικός και μεταβατικός κίνδυνος είναι το ίδιο πράγμα, δεν χρειάζονται ξεχωριστά σενάρια

Εξήγηση: Ο φυσικός κίνδυνος (κλιματικές επιπτώσεις όπως πλημμύρες, ξηρασίες) και ο κίνδυνος μετάβασης (τιμή άνθρακα, νομοθεσία, αλλαγή τεχνολογίας) συχνά κινούνται προς αντίθετες κατευθύνσεις: εάν ο κόσμος κάνει γρήγορο μετριασμό, ο κίνδυνος μετάβασης αυξάνεται, ο φυσικός κίνδυνος μειώνεται. Αν ενεργεί αργά, συμβαίνει το αντίθετο. Επομένως, δοκιμάζεται τουλάχιστον ένα σενάριο χαμηλής θερμοκρασίας (1,5-2°C) και ένα υψηλό (3°C+) σενάριο θέρμανσης. Ο στόχος δεν είναι να προβλέψουμε το μέλλον, αλλά να δοκιμάσουμε την αντοχή.

11. Ρωτήσατε την AI εάν ένας κανονισμός (π.χ. CBAM) ισχύει για εσάς και τις προθεσμίες του. Πώς πρέπει να συμπεριφέρεσαι;

• Α) Σχεδιασμός απευθείας σύμφωνα με τις ημερομηνίες και τα στοιχεία που δίνει η τεχνητή νοημοσύνη
• Β) Βασίζοντας την απόφαση πεδίου εφαρμογής στη γενική ερμηνεία της τεχνητής νοημοσύνης, χωρίς να εξετάζουμε τον επίσημο κατάλογο κωδικών
• Γ) Η συμμόρφωση είναι εφάπαξ. Μόλις ρωτήσετε, δεν χρειάζεται να παρακολουθείτε συνεχώς τη νομοθεσία
• Δ) Θεωρήστε το αποτέλεσμα ως προσχέδιο και επιβεβαιώστε το άρθρο, την ημερομηνία, το όριο και το πεδίο εφαρμογής από το τρέχον επίσημο κείμενο ✔

Περιγραφή: Οι ρυθμιστικές γνώσεις γίνονται γρήγορα ξεπερασμένες. Τα άρθρα αλλάζουν, οι ημερομηνίες αναβάλλονται, τα πεδία διευρύνονται. Τα δεδομένα εκπαίδευσης του AI παγώνουν σε μια συγκεκριμένη ημερομηνία και ενδέχεται να μην είναι ενημερωμένα. Επιπλέον, η ύλη μπορεί να κατασκευάσει κρίσιμα γεγονότα όπως η ιστορία και το κατώφλι. Η απόφαση για το πεδίο εφαρμογής θα πρέπει να επιβεβαιώνεται από τον επίσημο κατάλογο προϊόντων/κωδικών, όλες τις ημερομηνίες και τα κατώτατα όρια από το επίσημο κείμενο που ισχύει. Σε κρίσιμες αποφάσεις συμμόρφωσης θα πρέπει να λαμβάνεται γνώμη εξουσιοδοτημένης/εμπειρογνωμόνων.

12. Ποιος από τους παρακάτω περιβαλλοντικούς ισχυρισμούς έχει τον μικρότερο κίνδυνο πράσινης έκπλυσης;

• Α) «Μειώσαμε τις εκπομπές παραγωγής μας κατά 18% έως το 2023 (με ανεξάρτητη επαλήθευση)» ✔
• Β) «Τα προϊόντα μας είναι απολύτως φιλικά προς το περιβάλλον και φυσικά»
• Γ) «Η εταιρεία μας είναι ουδέτερη από άνθρακα» (χωρίς να παρέχει έγγραφα ή δεδομένα)
• Δ) «Είμαστε η πιο βιώσιμη και σχεδόν μηδενική εταιρεία στον κλάδο»

Εξήγηση: Ένας καλός περιβαλλοντικός ισχυρισμός είναι μετρήσιμος (περιέχει αριθμό), αποδεδειγμένος (βάσει αποδεικτικών στοιχείων) και συγκεκριμένος ως προς το εύρος του (είναι σαφές τι συγκρίνεται με το πότε). «Έχουμε μειώσει τις εκπομπές παραγωγής κατά 18% έως το 2023 (με ανεξάρτητη επαλήθευση)» έχει αυτά τα τρία χαρακτηριστικά. Φράσεις όπως «φιλικό προς το περιβάλλον», «φυσικό», «ουδέτερο άνθρακα» (μη πιστοποιημένο) δεν μπορούν να προσδιοριστούν ποσοτικά ή δεν τεκμηριώνονται και ενέχουν τον κίνδυνο πράσινης έκπλυσης.

13. Γιατί είναι επικίνδυνο να επικολλούνται άγνωστα δεδομένα εκπομπών εγκαταστάσεων σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης για ανάλυση;

• Α) Δεν υπάρχει κίνδυνος. τα περιβαλλοντικά δεδομένα είναι πάντα διαθέσιμα στο κοινό
• Β) Εμπορικά μυστικά, μη αποκαλυπτόμενα δεδομένα και προσωπικά δεδομένα ενδέχεται να διαρρεύσουν. απαιτείται πρώτα ταξινόμηση και ανωνυμοποίηση ✔
• Γ) Ο κίνδυνος είναι απλώς ένα σφάλμα υπολογισμού, δεν έχει καμία σχέση με το απόρρητο των δεδομένων
• Δ) Μόλις δοθούν τα δεδομένα στο όχημα, η ευθύνη περνά στον πάροχο τεχνητής νοημοσύνης

Αποκάλυψη: Τα δεδομένα παραγωγής και εκπομπών σε επίπεδο τοποθεσίας ενδέχεται να είναι εμπορικά μυστικά και τα μη αποκαλυπτόμενα οικονομικά/περιβαλλοντικά δεδομένα ενδέχεται να παραβιάζουν τους ρυθμιστικούς κανόνες γνωστοποίησης. Τα δεδομένα τοποθεσίας/ταξιδιού υπαλλήλου είναι προσωπικά δεδομένα. Πριν δώσετε αυτού του είδους τα δεδομένα σε ένα ανοιχτό εργαλείο, είναι απαραίτητο να τα ταξινομήσετε, να τα ανωνυμοποιήσετε εάν είναι απαραίτητο ή να χρησιμοποιήσετε ένα θεσμικό εργαλείο (χωρίς δεδομένα). Το "AI είπε" δεν είναι άμυνα. Την ευθύνη έχει το ίδρυμα και το άτομο.

14. Ποια έννοια χρησιμοποιείται κατά τη μετατροπή ενός αερίου θερμοκηπίου όπως το μεθάνιο (CH4) σε CO₂e και γιατί είναι σημαντικό;

• Α) AQI (δείκτης ποιότητας αέρα). καθορίζει το χρώμα του αερίου στον αέρα
• Β) NDVI (δείκτης βλάστησης). μετρά την επίδραση του αερίου στο έδαφος
• Γ) GWP (δυναμικό υπερθέρμανσης του πλανήτη). Εάν παραλειφθεί, η επίδραση μεθανίου/N2O θα υποεκτιμηθεί πολύ ✔
• Δ) Δεν απαιτούνται συντελεστές. Το μεθάνιο μετράει 1 προς 1 απευθείας όπως το CO2

Περιγραφή: GWP (Global Warming Potential) είναι ο συντελεστής που μετατρέπει την επίδραση θέρμανσης διαφορετικών αερίων του θερμοκηπίου σε μια κοινή μονάδα σε σχέση με το CO₂. Το GWP 100 ετών του μεθανίου είναι περίπου 28. Άρα 1 τόνος μεθανίου σημαίνει περίπου 28 τόνους CO₂e. Εάν παραλειφθεί το GWP, η επίδραση ισχυρών αερίων όπως το μεθάνιο και το N2O θα υποεκτιμηθεί σε μεγάλο βαθμό και το απόθεμα θα είναι εντελώς ανακριβές. Θα πρέπει επίσης να δηλωθεί ποιο σύνολο GWP (π.χ. IPCC AR6, 100 έτη) χρησιμοποιείται.