Κέρδη:
- Δυνατότητα δημιουργίας μιας ροής εργασιών ESG οκτώ βημάτων από την υλικότητα στη δημοσίευση με ποιοτικές πύλες με τον ρυθμό της «τεχνητής νοημοσύνης παράγει → ο άνθρωπος επαληθεύει → περνά μέσα από την πύλη»
- Δυνατότητα προστασίας προσωπικών και μη αποκαλυπτόμενων οικονομικών δεδομένων ταξινομώντας τα δεδομένα ESG ως ελεύθερα/εσωτερικά/εμπιστευτικά
- Δυνατότητα ανάληψης της τελικής ευθύνης και επισύναψης υπεύθυνων ονομάτων και εγγραφών έγκρισης σε κάθε δημοσίευση χωρίς να βασίζεστε στην υπεράσπιση του «Αναφερόμενου AI»
Στις δέκα προηγούμενες ενότητες έχουμε καλύψει κάθε μέρος του ESG και των επιχειρήσεων βιωσιμότητας ξεχωριστά: είσοδος και όρια, ουσιαστικότητα, συλλογή δεδομένων, λογιστική άνθρακα, πλαίσια αναφοράς, αλυσίδα εφοδιασμού, επικοινωνίες με ενδιαφερόμενα μέρη, σύνταξη αναφορών, διασφάλιση και greenwashing. Σε αυτήν την τελική ενότητα, θα ενώσουμε τα κομμάτια και θα δημιουργήσουμε μια ροή εργασιών από άκρο σε άκρο: πού, πώς και με ποια πύλη ασφαλείας να χρησιμοποιήσουμε την τεχνητή νοημοσύνη (AI) σε κάθε βήμα από τον ορισμό μιας αποστολής βιωσιμότητας έως τη δημοσίευσή της. Θα φέρουμε επίσης τη διακυβέρνηση δεδομένων, το απόρρητο και την ηθική ευθύνη σε ένα ενιαίο πλαίσιο.
Ας επαναλάβουμε για άλλη μια φορά τη σταθερή ραχοκοκαλιά της ενότητας: AI; Είναι ένας βοηθός που γράφει κώδικα, οργανώνει δεδομένα, παράγει προσχέδια και συνοψίζει. Η ακρίβεια του αριθμού, η επιβεβαίωση του συντελεστή, ο έλεγχος του προτύπου, η απόδειξη της αξίωσης και η τελική ευθύνη ανήκουν πάντα στον αρμόδιο πραγματογνώμονα. Αυτή η ενότητα μετατρέπει αυτήν την αρχή σε καθημερινή ροή εργασίας και λίστα ελέγχου.
Ροή εργασιών ESG από άκρο σε άκρο
Εξετάστε έναν κύκλο αναφοράς βιωσιμότητας σε οκτώ βήματα:
- Πεδίο εφαρμογής και ουσιαστικότητα — Ποια θέματα είναι υλικά; (Ενότητα 2)
- Συλλογή δεδομένων — Πηγές, μονάδες, διαδρομή ελέγχου. (Ενότητα 3)
- Υπολογισμός — Άνθρακας και άλλες μετρήσεις με επαληθευμένους παράγοντες. (Μονάδα 4)
- Αντιστοίχιση πλαισίου — Ουσίες GRI/ESRS/ISSB, επιβεβαίωση με επίσημο κείμενο. (Μονάδα 5)
- Εφοδιαστική αλυσίδα — Πεδίο εφαρμογής 3 και δέουσα επιμέλεια. (Μονάδα 6)
- Συγγραφή και επικοινωνία — Ισορροπημένη, τεκμηριωμένη αναφορά και μήνυμα ενδιαφερομένων. (Μονάδα 7-8)
- Προετοιμασία διασφάλισης — Αλυσίδα αποδεικτικών στοιχείων και προετοιμασία ελέγχου. (Μονάδα 9)
- Έλεγχος αξίωσης — Έλεγχος Greenwashing και έγκριση έκδοσης. (Μονάδα 10)
Σε κάθε βήμα, η τεχνητή νοημοσύνη είναι ένας επιταχυντής. Αλλά στην έξοδο κάθε βήματος, υπάρχει μια πύλη ποιότητας - ένα σημείο ελέγχου που πρέπει να περάσει πριν προχωρήσετε στο επόμενο βήμα. Η έξοδος που δεν περνάει από την πόρτα δεν προχωρά.
βήμα
Τι κάνει το AI;
Ποιοτική πύλη
υλικότητα
Υποψήφιο θέμα, ανάλυση θέματος
Ανθρώπινη έγκριση της πτυχής Impact+Finance
Δεδομένα
Διαμόρφωση, μετατροπή μονάδων
Επαλήθευση πηγής και όγκου
λογαριασμός
Φόρμουλα, σκαλωσιά κωδικού
Ο παράγοντας επιβεβαιώνεται από επίσημη πηγή
Ταίριασμα
Πρόταση άρθρου
Ελέγξτε την εικόνα με το τυπικό της κείμενο
ορθογραφία
προσχέδιο, περίληψη
Διαλογή ισχυρισμών χωρίς στοιχεία
διεκδίκηση
Σάρωση Greenwashing
Δημοσίευση πιστοποιημένη από τον άνθρωπο
Συμβουλή: Ρυθμίστε τη ροή εργασίας με τον ρυθμό του "AI παράγει → ο άνθρωπος επαληθεύει → περπατά μέσα από την πόρτα". Πριν μετακινήσετε κάθε έξοδο AI στο επόμενο βήμα, ρωτήστε: "Ποιο μέρος αυτής της εξόδου δεν μπορεί να προχωρήσει χωρίς επικύρωση;" Αυτό το μέρος είναι η πύλη ποιότητας αυτού του βήματος.
Διακυβέρνηση δεδομένων και απόρρητο
Τα δεδομένα ESG είναι συχνά ευαίσθητα: δεδομένα φύλου και μισθού εργαζομένων, όροι σύμβασης προμηθευτή, οικονομικές επιπτώσεις που δεν έχουν ακόμη αποκαλυφθεί, δεδομένα παραγωγής σε επίπεδο εγκατάστασης. Είναι απαραίτητο να τα ταξινομήσετε πριν τα δώσετε σε ένα δημόσιο εργαλείο AI. Η διακυβέρνηση δεδομένων είναι «ποιος μπορεί να χρησιμοποιήσει ποια δεδομένα, πώς και με ποιο εργαλείο;» Το ερώτημα είναι συνδεδεμένο με τον κανόνα.
Μια απλή ταξινόμηση:
- Δωρεάν: Δεδομένα που είναι ήδη διαθέσιμα στο κοινό (δημοσιευμένη αναφορά). Μπορεί να δοθεί σε AI.
- Εσωτερική χρήση: Εσωτερικά δεδομένα χωρίς εμπορική αξία. Προσεκτικά στο εταιρικό όχημα.
- Εμπιστευτικό: Εμπορικό απόρρητο, άγνωστες οικονομικές επιπτώσεις, προσωπικά δεδομένα (KVKK/GDPR). Δεν δίνεται στο AI χωρίς ανωνυμοποίηση ή θεσμικά (μη διαρροή) μέσα.
Ο ρόλος σας: σύμβουλος διαχείρισης δεδομένων. Εργασία: ταξινομήστε τα ακόλουθα στοιχεία δεδομένων ως "δωρεάν / εσωτερική χρήση / εμπιστευτικά" και γράψτε την προτεινόμενη ενέργεια για κάθε εμπιστευτικό στοιχείο (ανωνυμοποίηση / συγκεντρωτική / εταιρικό εργαλείο / μη δίνετε καθόλου). Κανόνας: εάν δεν είστε σίγουροι, βάλτε σε πιο προστατευτική κατηγορία. Στοιχεία: [ΠΡΟΣΩΠΙΚΑ ΚΑΙ ΟΙΚΟΝΟΜΙΚΑ ΣΤΟΙΧΕΙΑ]
Αδύναμη προτροπή / Ισχυρή προτροπή
Ο τρόπος με τον οποίο αναθέτετε μια εργασία σε ένα εργαλείο αλλάζει ριζικά τον κίνδυνο απορρήτου.
Αδύναμη προτροπή:
Αναλύστε αυτόν τον πίνακα μισθών εργαζομένων και παραγωγής εγκαταστάσεων, καταλήξτε σε μια περίληψη ESG.
Εξάγει ακατέργαστα προσωπικά και εμπορικά απόρρητα δεδομένα απευθείας σε ανοιχτό εργαλείο. Δεν υπάρχει βήμα ταξινόμησης, ανωνυμοποίησης και επιβεβαίωσης.
Ισχυρή προτροπή:
Ο ρόλος σας: Αναλυτής ESG ευαίσθητος στη διακυβέρνηση δεδομένων. Σας έδωσα ΜΟΝΟ συγκεντρωτικά, προσωπικά/εμπορικά μυστικά δεδομένα. Εργασία: αναλύστε τους παρακάτω συνοπτικούς δείκτες. Κανόνες: - ΟΧΙ ονόματα ατόμων, μισθοί, ταυτότητες ή άγνωστη οικονομική επίπτωση στα δεδομένα. Αν δείτε ένα τέτοιο πεδίο, πείτε "ΕΜΠΙΣΤΕΥΤΙΚΑ ΔΕΔΟΜΕΝΑ - μην επεξεργαστείτε, προειδοποιήστε". - Μην προσθέτετε νέο αριθμό στο αποτέλεσμα. απλά πήγαινε με την περίληψη που έδωσα. - Προσθέστε μια σημείωση "απαιτείται ανθρώπινη έγκριση" στο τέλος της εξόδου. Δεδομένα (συγκεντρωτικά): [ΣΥΝΟΠΤΙΚΟΙ ΔΕΙΚΤΕΣ]
Προσοχή: Το "AI είπε" δεν είναι άμυνα. Η ευθύνη για έναν λανθασμένο αριθμό, αβάσιμο ισχυρισμό ή διαρροή εμπιστευτικών δεδομένων σε μια αναφορά ESG βαρύνει τον οργανισμό και το άτομο που την ενέκρινε. Όταν χρησιμοποιείτε AI, δεν μεταφέρετε ευθύνη. Θα επιταχύνετε μόνο τη δουλειά.
Προτροπή πύλης ποιότητας από άκρο σε άκρο
Η ακόλουθη προτροπή εκτελεί όλα τα βήματα μέσω ενός μόνο ελέγχου πριν από τη δημοσίευση.
Ο ρόλος σας: Υπεύθυνος διασφάλισης ποιότητας ESG. Εργασία: περάστε την ακόλουθη ενότητα αναφοράς από την πύλη ποιότητας από άκρο σε άκρο. Δώστε "πάσο / ΑΠΟΤΥΧΙΑ" για κάθε στοιχείο και γράψτε τον λόγο αν αποτύχει: 1) Αναφέρεται η πηγή και η μονάδα κάθε αριθμού; 2) Οι συντελεστές εκπομπής προέρχονται από την επίσημη πηγή; 3) Είναι επαληθευμένοι οι τυπικοί αριθμοί ειδών; 4) Επισημαίνονται πληρεξούσιοι/εκτιμήσεις; 5) Υπάρχουν δηλώσεις που περιέχουν greenwashing; 6) Υπάρχει διαρροή εμπιστευτικών/προσωπικών δεδομένων; 7) Ανατέθηκε το υπεύθυνο όνομα για την τελική έγκριση; Ενότητα: [ΚΕΦΑΛΑΙΟ]
Η ακόλουθη προτροπή μετατρέπει ολόκληρη την ενότητα σε μια εταιρική πολιτική.
Ο ρόλος σας: επικεφαλής της ομάδας βιωσιμότητας. Εργασία: γράψτε μια εσωτερική πολιτική 1 σελίδας που διέπει τη χρήση της τεχνητής νοημοσύνης από την ομάδα στην εργασία ESG. Περιλαμβάνουν:- Εργασίες όπου η τεχνητή νοημοσύνη μπορεί να χρησιμοποιηθεί ελεύθερα (πρόχειρο, περίληψη, κώδικας, ανάλυση θέματος) - Εργασίες που απαιτούν ανθρώπινη επαλήθευση (παράγοντας, πρότυπο, αξίωση, εύρος) - Τύπους δεδομένων που δεν θα δοθούν ποτέ στην τεχνητή νοημοσύνη (προσωπικά, άγνωστα οικονομικά) - Βήματα πύλης ποιότητας που πρέπει να περνούν πριν από κάθε κυκλοφορία Τόνος: σαφής, κουκκίδα, ισχύει.
τρεις μίνι θήκες
Περίπτωση 1 — Έκθεση επιστράφηκε από την πόρτα. Μια ομάδα θεώρησε ότι είχε ολοκληρώσει όλα τα βήματα και η έκθεση ήταν έτοιμη για δημοσίευση. Το μήνυμα τελικής πύλης ποιότητας περιλάμβανε έναν ισχυρισμό «78% ανάκτησης» χωρίς πηγή και μια δήλωση «ουδέτερου άνθρακα» σε μία ενότητα. Η δημοσίευση σταμάτησε πριν διορθωθεί. Η πόρτα κράτησε το ζωύφιο πριν δημοσιοποιηθεί.
Περίπτωση 2 — Αποτράπηκε η διαρροή εμπιστευτικών δεδομένων. Ένας αναλυτής θα επικολλήσει τα τριμηνιαία στοιχεία οικονομικών επιπτώσεων που δεν έχουν ακόμη δημοσιοποιηθεί σε ένα δημοσίως διαθέσιμο εργαλείο για ανάλυση. Η προτροπή ταξινόμησης δεδομένων το επισήμανε ως "εμπιστευτικό — μη αποκαλυπτόμενο οικονομικό". Τα δεδομένα αρχικά συγκεντρώθηκαν και στη συνέχεια υποβλήθηκαν σε επεξεργασία στο εργαλείο επιχείρησης. Αποφεύχθηκε ενδεχόμενη παραβίαση της νομοθεσίας.
Περίπτωση 3 — Ανάληψη ευθύνης. Μετά τη δημοσίευση μιας έκθεσης, ένας ενδιαφερόμενος αμφισβήτησε έναν αριθμό. Η ομάδα δεν είπε "υπόλογη τεχνητής νοημοσύνης". άνοιξε τη διαδρομή ελέγχου, ανέφερε την πηγή, έκανε μια μικρή διόρθωση και εξήγησε με διαφάνεια. Αυτή η στάση, η οποία δεν βασιζόταν στην άμυνα "είπε η AI", διατήρησε την εμπιστοσύνη.
Συνήθη λάθη
- Προχωράμε μπροστά χωρίς την πόρτα της ποιότητας. Εάν δεν πραγματοποιηθεί επαλήθευση στην έξοδο κάθε βήματος, θα συσσωρεύονται σφάλματα μέχρι το τέλος.
- Δίνοντας δεδομένα στο όχημα χωρίς να το ταξινομήσετε. Τα εμπιστευτικά και προσωπικά δεδομένα δεν μπορούν να εισαχθούν σε δημόσια τεχνητή νοημοσύνη χωρίς ανωνυμοποίηση.
- Μεταβίβαση της ευθύνης στο AI. Το "AI είπε" δεν είναι νομική ή επαγγελματική υπεράσπιση.
- Βήματα σκέψης απομονωμένα. Η ουσιαστικότητα, τα δεδομένα, ο υπολογισμός και η αξίωση είναι αλληλένδετα. Αν κάποιος είναι κατεστραμμένος, επηρεάζονται όλοι.
- Μη ανάθεση ατόμου υπεύθυνου για την έγκριση δημοσίευσης. Πίσω από κάθε δημόσια αξίωση πρέπει να υπάρχει ένας άνθρωπος.
Συνοπτικά
Η επιχείρηση ESG είναι μια αλυσίδα οκτώ διασυνδεδεμένων βημάτων και η τεχνητή νοημοσύνη είναι ένας επιταχυντής σε κάθε βήμα. Υπάρχει όμως μια πόρτα ποιότητας στην έξοδο κάθε βήματος. Ο ρυθμός «Η τεχνητή νοημοσύνη παράγει → ο άνθρωπος επαληθεύει → περνά μέσα από την πόρτα» συνδυάζει όλα τα μαθήματα αυτής της ενότητας σε έναν ενιαίο κλάδο μελέτης. Ταξινομήστε δεδομένα και προστατέψτε την εμπιστευτικότητα, επιβεβαιώστε τον παράγοντα και το πρότυπο από επίσημη πηγή, συνδέστε την αξίωση με αποδεικτικά στοιχεία, εξαλείψτε το greenwashing πριν από τη δημοσίευση και αναθέστε την τελική ευθύνη σε έναν άνθρωπο. Η τεχνητή νοημοσύνη επιταχύνει την εργασία. Αναλαμβάνετε ακρίβεια, ειλικρίνεια και υπευθυνότητα. Το κριτήριο αυτού του επαγγέλματος δεν είναι «να φαίνεσαι άπταιστα», αλλά «να περάσει ο έλεγχος και να αποδειχθεί».
Εργασία εφαρμογής
Συνδυάστε τα παραδοτέα που δημιουργήσατε σε προηγούμενες μονάδες (μια λίστα σημαντικότητας, ένας λογαριασμός άνθρακα, μια ενότητα αναφοράς) σε μια ενιαία μίνι αναφορά. Ανατρέξτε σε αυτήν τη μίνι αναφορά σε 7 στοιχεία με την παραπάνω προτροπή πύλης ποιότητας από άκρο σε άκρο από AI. Στη συνέχεια: (1) διορθώστε κάθε στοιχείο με την ένδειξη "ΕΚΔΟΣΗ", (2) ταξινομήστε και λάβετε μέτρα για όλα τα εμπιστευτικά/προσωπικά δεδομένα, (3) προσθέστε ένα υπεύθυνο όνομα και ένα σημείωμα έγκρισης για δημοσίευση.
λίστα ελέγχου
- [ ] Ρύθμισα τη ροή εργασίας με τον ρυθμό "Το AI παράγει → ο άνθρωπος επαληθεύει → περνάει από την πόρτα".
- [ ] Εφάρμοσα μια πύλη ποιότητας στην έξοδο κάθε βήματος.
- [ ] Ταξινόμησα όλα τα δεδομένα ως ελεύθερα/εσωτερικά/εμπιστευτικά και προστάτευσα την εμπιστευτικότητα.
- [ ] Έχω επιβεβαιώσει τους παράγοντες και τα τυπικά στοιχεία από την επίσημη πηγή.
- [ ] Υποστήριξα κάθε ισχυρισμό με στοιχεία, εξαλείφοντας το greenwashing πριν από τη δημοσίευση.
- [ ] Ανέλαβα την ευθύνη χωρίς να βασιστώ στην υπεράσπιση του "AI είπε".
- [ ] Έχω ορίσει υπεύθυνο όνομα και αρχείο έγκρισης για τη δημοσίευση.
Εξέταση Ενοτήτων
1. Ποιο από τα παρακάτω είναι η καλύτερη θέση για την τεχνητή νοημοσύνη στην επιχείρηση ESG και βιωσιμότητας;
- Α) Η τεχνητή νοημοσύνη είναι βοηθός κώδικα, δεδομένων και σχεδιαγραμμάτων. Η ευθύνη για τους παράγοντες, τα πρότυπα, τα στοιχεία και τις ηθικές αποφάσεις ανήκει στους ανθρώπους ✔
- Β) Η τεχνητή νοημοσύνη είναι ελεγκτής και οι τιμές ESG που παρέχει αντικαθιστούν την ανεξάρτητη διασφάλιση
- Γ) Η τεχνητή νοημοσύνη λειτουργεί μόνο στη σύνταξη αναφορών, δεν έχει να κάνει με δεδομένα και υπολογισμούς
- Δ) Δεδομένου ότι η τεχνητή νοημοσύνη είναι πιο αμερόληπτη από τους ανθρώπους, όλες οι αποφάσεις ESG θα πρέπει να αφεθούν σε αυτήν
Περιγραφή: Τεχνητή νοημοσύνη. Είναι ένας βοηθός που γράφει κώδικα, οργανώνει δεδομένα, παράγει προσχέδια και συνοψίζει. Ωστόσο, η τελική ευθύνη για την επιβεβαίωση του συντελεστή εκπομπής, τον έλεγχο του τυπικού αριθμού ουσίας, την απόδειξη κάθε ισχυρισμού ανήκει στον αρμόδιο εμπειρογνώμονα. Το μοντέλο της μεγάλης γλώσσας δεν είναι αριθμομηχανή, βάση δεδομένων κανονιστικών/προτύπων ή ελεγκτή. 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. Τι σημαίνει η πτυχή της «σημαντικότητας του αντίκτυπου» ενός ζητήματος στην ανάλυση διπλής ουσιαστικότητας;
- Α) Η επίπτωση της έκδοσης στα κέρδη και την αξία της μετοχής της εταιρείας
- Β) Ο χρηματοοικονομικός κίνδυνος της έκδοσης μόνο για τους επενδυτές
- Γ) Απόδοση αντίπαλων εταιρειών στο ίδιο θέμα
- Δ) Επίπτωση των δραστηριοτήτων της εταιρείας στο περιβάλλον και την κοινωνία ✔
Περιγραφή: Διπλή υλικότητα φαίνεται μέσα από δύο φακούς. Η χρηματοοικονομική σημασία είναι η επίδραση ενός ζητήματος στις ταμειακές ροές και την αξία μιας εταιρείας («outside-in»). Η ουσιαστικότητα του αντίκτυπου είναι ο αντίκτυπος των δραστηριοτήτων της εταιρείας στο περιβάλλον και την κοινωνία («μέσα έξω»). Το CSRD/ESRS επιβάλλει και τις δύο πτυχές. Δεδομένου ότι η τεχνητή νοημοσύνη συχνά μετατοπίζεται μόνο προς την οικονομική κατεύθυνση, η κατεύθυνση του αντίκτυπου πρέπει να ελέγχεται επιπλέον από τον άνθρωπο.
3. Ποια είναι η σωστή προσέγγιση κατά τη συλλογή ενεργειακών δεδομένων σε kWh, MWh και GJ από διαφορετικές εγκαταστάσεις;
- Α) Αγνοήστε τις μονάδες και προσθέστε απευθείας όλους τους αριθμούς
- Β) Βασιζόμενοι στην τεχνητή νοημοσύνη για να συλλέξετε τη μεγάλη λίστα στο κεφάλι σας
- Γ) Μετατροπή όλων των τιμών σε μια ενιαία μονάδα και πραγματοποίηση της μετατροπής και του αθροίσματος με κωδικό/τύπο ✔
- Δ) Επιλογή της μεγαλύτερης μονάδας και μη αναφορά άλλων εγκαταστάσεων
Εξήγηση: Η ανατροπή μονάδας είναι το πιο συχνό και επικίνδυνο λάθος του ESG. Εφόσον 1 MWh = 1.000 kWh, εάν παραληφθεί η μονάδα, το αποτέλεσμα μπορεί να αποκλίνει κατά 1.000. Η σωστή προσέγγιση είναι να μετατρέψετε όλες τις τιμές σε μια ενιαία μονάδα και να αφήσετε την τεχνητή νοημοσύνη να κάνει αυτήν τη μετατροπή και το άθροισμα με έναν εκτελέσιμο κώδικα/τύπο, όχι χειροκίνητα. άρα το αποτέλεσμα είναι ντετερμινιστικό και επαληθεύσιμο.
4. Ποιο είναι το πεδίο εφαρμογής των εκπομπών που προκύπτουν από την παραγωγή ηλεκτρικής ενέργειας που αγοράζεται σύμφωνα με το Πρωτόκολλο GHG;
- Α) Πεδίο εφαρμογής 1
- Β) Πεδίο εφαρμογής 2 ✔
- Γ) Πεδίο εφαρμογής 3
- Δ) Δεν περιλαμβάνεται σε κανένα πεδίο εφαρμογής και δεν αναφέρεται
Περιγραφή: Το Πεδίο εφαρμογής 1 είναι οι άμεσες εκπομπές από τις ίδιες πηγές του οργανισμού (λέβητας, εταιρικό όχημα, γεννήτρια). 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 προϊόντων, απόβλητα). Η ηλεκτρική ενέργεια δεν βγαίνει από την καμινάδα της εταιρείας, αλλά η μονάδα παραγωγής ηλεκτρικής ενέργειας που την παράγει εκπέμπει ρύπους. άρα είναι Πεδίο 2.
5. Ποια έννοια χρησιμοποιείται κατά τη μετατροπή ενός αερίου θερμοκηπίου όπως το μεθάνιο (CH4) σε CO₂e και γιατί είναι σημαντικό;
- Α) GWP (δυναμικό υπερθέρμανσης του πλανήτη). Εάν παραλειφθεί, η επίδραση μεθανίου/N2O θα υποεκτιμηθεί πολύ ✔
- Β) AQI (δείκτης ποιότητας αέρα). καθορίζει το χρώμα του αερίου στον αέρα
- Γ) GRI (πρωτοβουλία υποβολής εκθέσεων). καθορίζει την ουσία στην οποία θα αναφέρεται το αέριο
- 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.
6. 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) Καταμέτρηση όλων των αερίων ως CO₂ και παράκαμψη συντελεστή και μετατροπή GWP
- Γ) Χρησιμοποιώντας έναν προεπιλεγμένο παράγοντα ακριβώς για κάθε χώρα, έτος και καύσιμο
- Δ) Επιβεβαίωση του συντελεστή από την επίσημη πηγή ανάλογα με τη χώρα και το έτος και την πραγματοποίηση του υπολογισμού σκαλωσιά και σύνολο με κωδικό ✔
Περιγραφή: Οι συντελεστές εκπομπών διαφέρουν ανά χώρα, έτος και καύσιμο. Η «υπενθύμιση» της τεχνητής νοημοσύνης δημιουργεί τον κίνδυνο να επινοήσεις πράγματα (ψευδαισθήσεις). Ο παράγοντας πρέπει πάντα να επιβεβαιώνεται από έναν επίσημο πίνακα (IPCC, DEFRA/EPA, IEA, εθνικό απόθεμα). Μόνο ο διαχωρισμός εμβέλειας, η λογιστική σκαλωσιά και ο συνολικός κώδικας θα πρέπει να γίνονται από την τεχνητή νοημοσύνη. Τα σύνολα πολλών σειρών γίνονται με εκτελέσιμο κώδικα, όχι με μη αυτόματο τρόπο.
7. Ποια είναι η σωστή συμπεριφορά για έναν αριθμό τυπικής ουσίας GRI/ESRS (π.χ. «GRI 305 για κατανάλωση νερού») που προτείνεται από την AI;
- Α) Γράψτε τον αριθμό απευθείας στην αναφορά γιατί το προτείνει η τεχνητή νοημοσύνη
- Β) Οι αριθμοί ειδών δεν είναι σημαντικοί. μπορεί να γραφτεί οποιοδήποτε
- Γ) Επαλήθευση του αριθμού και του περιεχομένου του με το επίσημο τυπικό κείμενο, επιβεβαίωση του σε περίπτωση που είναι ψεύτικο/παλαιωμένο ✔
- Δ) Επειδή οι εκπομπές νερού και αέρα είναι παρόμοιες, αναφέροντάς τις στο ίδιο άρθρο
Περιγραφή: Η τεχνητή νοημοσύνη μπορεί να δημιουργήσει τυπικούς αριθμούς που φαίνονται πραγματικοί αλλά των οποίων το περιεχόμενο είναι ψευδές ή εντελώς κατασκευασμένο. Επίσης, τα πρότυπα ενημερώνονται και η έκδοση που γνωρίζει το μοντέλο μπορεί να είναι ξεπερασμένη. Για παράδειγμα, το νερό αναφέρεται στο GRI 303, ενώ το GRI 305 είναι οι εκπομπές αέρα. Επομένως, κάθε αριθμός ουσίας και περιεχόμενο δεν μπορεί να χρησιμοποιηθεί χωρίς να επαληθευτεί με το επίσημο πρότυπο κείμενο (GRI/EFRAG/ISSB).
8. Εάν οι περισσότεροι προμηθευτές στην αλυσίδα εφοδιασμού δεν διαθέτουν πραγματικά δεδομένα άνθρακα, ποια είναι η σωστή και ειλικρινής προσέγγιση για το Πεδίο 3;
- Α) Απευθείας χρήση των αριθμών που σχηματίζονται από την τεχνητή νοημοσύνη για τους προμηθευτές
- Β) Παράλειψη του εύρους 3 εντελώς επειδή είναι "δύσκολο να μετρηθεί"
- Γ) Χρησιμοποιώντας εκείνα με πραγματικά δεδομένα, επισημαίνοντας με σαφήνεια τον πληρεξούσιο για όσους δεν έχουν ✔
- Δ) Εφαρμογή πληρεξουσίου σε όλους τους προμηθευτές και απόκρυψή του στην αναφορά
Περιγραφή: Το Πεδίο 3 είναι το μεγαλύτερο αλλά πιο δύσκολο να μετρηθεί το στοιχείο των περισσότερων εταιρειών. Για προμηθευτές που παρέχουν πραγματικά δεδομένα, αυτά τα δεδομένα χρησιμοποιούνται. Για όσους δεν το παρέχουν, μπορεί να χρησιμοποιηθεί πληρεξούσιος με βάση τις δαπάνες (εκτίμηση). Το κρίσιμο είναι να μην αποκρύψετε τον πληρεξούσιο: η αναφορά πρέπει να αναφέρει ξεκάθαρα το μέρος και το ποσοστό της εκτίμησης που χρησιμοποιήθηκε. Ο συγκεχυμένος πληρεξούσιος μπορεί να οδηγήσει σε άρνηση ανεξάρτητης διασφάλισης. Είναι επίσης λάθος να παραλείπουμε εντελώς το Πεδίο 3 με το σκεπτικό ότι είναι «δύσκολο να μετρηθεί».
9. Η τεχνητή νοημοσύνη επισήμανε έναν προμηθευτή ως «πιθανή καταναγκαστική εργασία» με βάση αποκλειστικά τον μέσο όρο της χώρας. Ποια είναι η σωστή συμπεριφορά;
- Α) Αποδεχτείτε το σήμα ως αποδεικτικό στοιχείο και διακόψτε αμέσως δημόσια τη σχέση με τον προμηθευτή
- Β) Εγγραφή του ισχυρισμού απευθείας στην έκθεση επειδή το είπε η τεχνητή νοημοσύνη
- Γ) Αγνοώντας εντελώς τα σήματα κινδύνου και καθόλου εξέταση τους
- Δ) Θεώρηση του σήματος ως «προειδοποίηση προς διερεύνηση» και επιβεβαίωσή του με επιτόπια επιθεώρηση και αξιόπιστη πηγή ✔
Εξήγηση: Σοβαροί ισχυρισμοί όπως παραβιάσεις των ανθρωπίνων δικαιωμάτων δεν μπορούν να αποδειχθούν με σήμα που παράγεται από την τεχνητή νοημοσύνη. Ένα τέτοιο σήμα είναι απλώς μια «προειδοποίηση προς εξέταση». Η χρήση της ως οριστικής κατηγορίας είναι τόσο άδικη όσο και νομικά επικίνδυνη. Τέτοιοι ισχυρισμοί επιβεβαιώνονται μόνο από αξιόπιστη πηγή, επιτόπια επιθεώρηση και νομική διαδικασία. Η τεχνητή νοημοσύνη παράγει σήματα. Ο άνθρωπος αναλαμβάνει την κρίση και την ευθύνη.
10. Ποια είναι η πιο κρίσιμη προφύλαξη κατά την ανάλυση εκατοντάδων απαντήσεων ελεύθερου κειμένου από μια έρευνα ενδιαφερομένων με τεχνητή νοημοσύνη;
- Α) Απαιτούνται ξεχωριστά σπάνια αλλά υψηλής σημασίας σήματα (ασφάλεια/ηθική/περιβαλλοντική) και δεν τα επισκιάζουν ✔
- Β) Επιλέγοντας μόνο τα θέματα υψηλότερης συχνότητας, εξαλείφοντας τις προβολές μειοψηφίας
- Γ) Μειώστε όλες τις απαντήσεις σε μία μόνο θετική περίληψη και αφήστε τις λεπτομέρειες
- Δ) Αποδοχή της περίληψης της τεχνητής νοημοσύνης αντί των ωμών απαντήσεων
Περιγραφή: Η τεχνητή νοημοσύνη ενισχύει τη φωνή της πλειοψηφίας και καταστέλλει τη φωνή της μειοψηφίας στη θεματική ανάλυση. Ωστόσο, το πιο πολύτιμο μήνυμα για τη βιωσιμότητα είναι μερικές φορές ένα σοβαρό πρόβλημα ασφάλειας, ηθικής ή περιβαλλοντικής προστασίας που εκφράζεται από ένα μόνο άτομο. Έτσι η ανάλυση ρωτά «τι ειπώθηκε πιο συχνά;» Δεν τελειώνει με? Τα σήματα «σπάνιας αλλά υψηλής σημασίας» θα πρέπει να ζητούνται χωριστά και θα πρέπει να χρησιμοποιούνται ακατέργαστες απαντήσεις επιπρόσθετα, αντί στη θέση, της περίληψης.
11. Ποιος είναι ο πιο αποτελεσματικός τρόπος για να αποτρέψετε τη διαρροή ψεύτικων αριθμών και στόχων στο κείμενο κατά τη σύνταξη μιας ενότητας αναφοράς στην τεχνητή νοημοσύνη;
- Α) Έχοντας παραχθεί ολόκληρη η αναφορά αμέσως λέγοντας «γράψτε ένα κατάλληλο κείμενο»
- Β) Παροχή μόνο επαληθευμένων δεδομένων και ρητή απαγόρευση δημιουργίας νέων αριθμών/αξιώσεων ✔
- Γ) Ελέγξτε πόσο ρέον και εντυπωσιακό είναι το κείμενο και δημοσιεύστε το
- Δ) Επιτρέποντας στο AI να συμπληρώσει δεδομένα που λείπουν με εύλογες εικασίες
Περιγραφή: Η τεχνητή νοημοσύνη δημιουργεί αριθμούς και στόχους που στην πραγματικότητα δεν έχετε, χρησιμοποιώντας τη λογική "αυτό λένε παρόμοιες αναφορές" σε ένα κενό μήνυμα. Η πιο αποτελεσματική προφύλαξη είναι να του δίνετε μόνο επαληθευμένα δεδομένα και να μην προσθέτετε αριθμούς, ποσοστά, ημερομηνίες ή αξιώσεις εκτός από τα δεδομένα που σας έχω δώσει. Πρέπει να δηλώνεται με σαφήνεια ο κανόνας «εγγραφή [ΑΠΑΙΤΟΥΜΕΝΑ ΔΕΔΟΜΕΝΑ] στη θέση που λείπει». Επιπλέον, η αναφορά θα πρέπει να εκτυπώνεται τμήμα προς ενότητα, να τροφοδοτείται με δεδομένα.
12. Τι αναζητά πρώτα ένας ανεξάρτητος ελεγκτής διασφάλισης όταν εξετάζει μια έκθεση βιωσιμότητας;
- Α) Πόσο άπταιστα και επαγγελματικά είναι γραμμένη η έκθεση
- Β) Κάθε τεύχος έχει μια αλυσίδα αποδεικτικών στοιχείων που μπορούν να εντοπιστούν στο έγγραφο πηγής ✔
- Γ) Η τεχνητή νοημοσύνη λέει «η έκθεση είναι έτοιμη για έλεγχο»
- Δ) Κάντε την αναφορά να φαίνεται πιο δυναμική από τους ανταγωνιστές
Εξήγηση: Ο εξεταστής δεν ενδιαφέρεται για την ευχέρεια του κειμένου, αλλά για την αλυσίδα των αποδεικτικών στοιχείων πίσω από κάθε ισχυρισμό. Η πρώτη του ερώτηση είναι «αποδείξτε αυτόν τον αριθμό». Εξετάζεται από ποιο έγγραφο προέλευσης προέρχεται ένας αριθμός, ποιος τύπος και παράγοντας μετατρέπεται σε αναφορά και αν μπορεί να επαναληφθεί ανεξάρτητα. Επομένως, κάθε μέτρηση υλικού πρέπει να είναι ανιχνεύσιμη στην πηγή του, οι παράγοντες πρέπει να επαληθεύονται από την επίσημη πηγή και πρέπει να προσδιορίζονται πληρεξούσιοι. Η τεχνητή νοημοσύνη κάνει αυτή την προετοιμασία, αλλά δεν μπορεί να παρέχει βεβαιότητα.
13. Ποιος από τους παρακάτω περιβαλλοντικούς ισχυρισμούς έχει τον μικρότερο κίνδυνο πράσινης έκπλυσης;
- Α) «Μειώσαμε τις εκπομπές παραγωγής μας κατά 18% έως το 2023 (με επαλήθευση από τρίτους)» ✔
- 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 έναν αριθμό), αποδεδειγμένος (βάσει αποδεικτικών στοιχείων) και ξεκάθαρος ως προς το εύρος του (είναι σαφές τι συγκρίνεται με τι και πότε). «Μειώσαμε τις εκπομπές παραγωγής κατά 18% έως το 2023 (με επαλήθευση από τρίτους)» έχει αυτά τα τρία χαρακτηριστικά. Φράσεις όπως «φιλικό προς το περιβάλλον», «φυσικό», μη πιστοποιημένο «ουδέτερο άνθρακα» δεν μπορούν να προσδιοριστούν ποσοτικά ή δεν τεκμηριώνονται και ενέχουν τον κίνδυνο πράσινης έκπλυσης.
14. Τι πρέπει να γίνει πριν επικολληθούν άγνωστα δεδομένα παραγωγής και εκπομπών εγκαταστάσεων σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης για ανάλυση;
- Α) Επικόλληση των δεδομένων ως έχουν. τα περιβαλλοντικά δεδομένα είναι πάντα διαθέσιμα στο κοινό
- Β) Δίνοντας χωρίς να λαμβάνονται προφυλάξεις καθώς η ευθύνη περνά στον πάροχο τεχνητής νοημοσύνης
- Γ) Ο κίνδυνος είναι απλώς λάθος υπολογισμός. Ένα μέτρο εμπιστευτικότητας δεν είναι απαραίτητο
- Δ) Ταξινόμηση δεδομένων ως δωρεάν/εσωτερικά/εμπιστευτικά και ανωνυμοποίηση εμπιστευτικών δεδομένων ή χρήση εταιρικών εργαλείων ✔
Αποκάλυψη: Τα δεδομένα παραγωγής και εκπομπών σε επίπεδο εργοστασίου ενδέχεται να αποτελούν εμπορικά μυστικά. οικονομικά/περιβαλλοντικά δεδομένα που δεν έχουν ακόμη αποκαλυφθεί ενδέχεται να παραβιάζουν τους ρυθμιστικούς κανόνες γνωστοποίησης· Τα δεδομένα τοποθεσίας/μισθού εργαζομένων είναι προσωπικά δεδομένα εντός του πεδίου εφαρμογής του KVKK/GDPR. Πριν δώσετε αυτόν τον τύπο δεδομένων σε ένα ανοιχτό εργαλείο, είναι απαραίτητο να τα ταξινομήσετε ως δωρεάν/εσωτερικά/εμπιστευτικά, να τα ανωνυμοποιήσετε εάν είναι απαραίτητο ή να χρησιμοποιήσετε ένα εταιρικό (χωρίς δεδομένα) εργαλείο. Το "AI είπε" δεν είναι άμυνα. Την ευθύνη έχει το ίδρυμα και το άτομο που το εγκρίνει.