Συλλογή δεδομένων ESG, Ποιότητα δεδομένων και Διαχείριση διαδρομής ελέγχου — Τεχνητή Νοημοσύνη στη Βιωσιμότητα και Διαχείριση ESG

Κέρδη:

Δυνατότητα παροχής ντετερμινιστικής ακρίβειας με τη δόμηση διασκορπισμένων δεδομένων ESG και την εκτέλεση μετατροπής μονάδων με εκτελέσιμο κώδικα/τύπο και όχι με μη αυτόματο τρόπο
Δυνατότητα επισήμανσης κενών δεδομένων ως διακομιστή μεσολάβησης (πρόβλεψη) χωρίς προσαρμογή και επίλυσης δυαδικής καταμέτρησης και ακραίων τιμών επιστρέφοντας στην πηγή
Δυνατότητα ιχνηλασιμότητας των δεδομένων με τη δημιουργία μιας διαδρομής ελέγχου που συνδέει κάθε ψηφιακό στοιχείο με την πηγή του

Κάτω από κάθε αναφορά βιωσιμότητας κρύβεται ένα ήσυχο αλλά μνημειώδες έργο: η συλλογή δεδομένων. Ακόμη και μια μεσαίου μεγέθους εταιρεία συλλέγει λογαριασμούς ηλεκτρικής ενέργειας και φυσικού αερίου, αποδείξεις καυσίμων, έγγραφα μεταφοράς απορριμμάτων, δεδομένα εργαζομένων από συστήματα ανθρώπινου δυναμικού, απαντήσεις σε έρευνες από προμηθευτές και ταξιδιωτικά αρχεία από δεκάδες εγκαταστάσεις. Τα περισσότερα από αυτά τα δεδομένα είναι διάσπαρτα, σε διαφορετικές μορφές, σε διαφορετικές μονάδες και συχνά εισάγονται χειροκίνητα. Η ποιότητα μιας αναφοράς προέρχεται από την ακρίβεια αυτών των πρωτογενών δεδομένων και όχι από το πιο εντυπωσιακό γράφημα. Σε αυτήν την ενότητα, θα μάθετε πώς να χρησιμοποιείτε με ασφάλεια την τεχνητή νοημοσύνη (AI) για τη συλλογή, τον καθαρισμό και τη διαχείριση αυτών των ακατάστατων δεδομένων.

Πρώτον, μια έννοια: η ποιότητα των δεδομένων σημαίνει ότι τα δεδομένα είναι ακριβή (αντανακλούν την αλήθεια), πλήρη (πλήρη), συνεπή (όχι αντιφατικά), έγκαιρα και ανιχνεύσιμα (η πηγή τους είναι γνωστή). Το πιο κοινό πρόβλημα ποιότητας στο ESG είναι ότι τα δεδομένα είναι μη ανιχνεύσιμα παρά ανακριβή: υπάρχει ένας αριθμός, αλλά "από πού προήλθε;" Δεν υπάρχει απάντηση στο ερώτημα. Αυτό ακριβώς ζητά ο ανεξάρτητος ελεγκτής διασφάλισης (ο εξωτερικός εμπειρογνώμονας που επαληθεύει την έκθεση). Επομένως, η ραχοκοκαλιά αυτής της ενότητας είναι μια ενιαία έννοια: η διαδρομή ελέγχου — η αλυσίδα των αρχείων που δείχνει από ποιο έγγραφο προήλθε κάθε έκδοση, σε ποια ημερομηνία, με ποια υπόθεση.

Τρία τυπικά προβλήματα με δεδομένα ESG

1. Μοναδικό χάος. Μια εγκατάσταση αναφέρει ηλεκτρική ενέργεια σε kWh, μια άλλη σε MWh και η τρίτη σε GJ (gigajoules). Εάν δεν μετατραπούν όλα σε μία μονάδα πριν από την προσθήκη, το αποτέλεσμα δεν έχει νόημα. Εφόσον 1 MWh = 1.000 kWh, εάν η μονάδα παραλειφθεί, θα προκύψει σφάλμα 1000 φορές.

2. Κενό δεδομένων. Λείπει το τριμηνιαίο τιμολόγιο ενός ακινήτου. Το κενό καλύπτεται είτε με πραγματικά δεδομένα είτε με μια ξεκάθαρη εκτίμηση (proxy): για παράδειγμα, ένας μέσος όρος παρόμοιων μηνών. Το κρίσιμο είναι να μην κρύψουμε την πρόβλεψη. είναι να το επισημάνετε ως "εκτιμώμενα δεδομένα" στην αναφορά.

3. Διπλή καταμέτρηση και ασυνέπεια. Το ίδιο καύσιμο συλλέγεται δύο φορές εάν προσμετρηθεί τόσο στον στόλο των οχημάτων όσο και στη γεννήτρια. Η τεχνητή νοημοσύνη βοηθά στην εύρεση τέτοιων αντιφάσεων, αλλά δεν μπορεί να πάρει την τελική απόφαση.

πρόβλημα

σύμπτωμα

σωστή προσέγγιση

Μοναδικό χάος

kWh/MWh/GJ μικτά

Μετατροπή σε μεμονωμένη μονάδα, κάντε τη μετατροπή με κωδικό

κενό δεδομένων

Λείπει μήνας/διευκόλυνση

Χρησιμοποιήστε διακομιστή μεσολάβησης, σημειώστε τον ως "εκτιμώμενο"

δυαδικό πλήθος

Ίδιο στυλό σε δύο σημεία

Καρφιτσώστε την πηγή σε ένα μόνο σημείο

μη ιχνηλασιμότητα

αριθμός άγνωστης προέλευσης

Σύνδεσμος προς τον πίνακα διαδρομής ελέγχου

Συμβουλή: Χρυσός κανόνας στον καθαρισμό δεδομένων: "Μην αγγίζετε ποτέ τα ανεπεξέργαστα δεδομένα, εργαστείτε σε ένα αντίγραφο." Τα αρχικά τιμολόγια και αρχεία διατηρούνται αμετάβλητα. Όλες οι διορθώσεις και οι μετατροπές γίνονται σε ξεχωριστό αρχείο εργασίας, με αιτιολόγηση. Με αυτόν τον τρόπο, ο ελεγκτής μπορεί πάντα να επιστρέψει στην αρχική αλήθεια.

Βήμα προς βήμα: Ασφαλής ροή εργασιών δεδομένων με AI

1. Συλλέξτε δεδομένα και διατηρήστε τα ως έχουν. Συλλέξτε τιμολόγια και αρχεία στην αρχική τους μορφή σε ένα μέρος. είναι η «μοναδική πηγή αλήθειας».

2. Διαμόρφωση. Ταξινομήστε τα ακατάστατα δεδομένα σε έναν οργανωμένο πίνακα (φυτό, περίοδος, στοιχείο, τιμή, μονάδα, πηγή). Η τεχνητή νοημοσύνη είναι καλή στο να προσαρμόζει περιεχόμενο ελεύθερου κειμένου ή PDF σε αυτό το πρότυπο πίνακα.

3. Μεταφράστε μονάδες με εκτελέσιμο κώδικα. Μην αναθέτετε το AI να κάνει τη μετατροπή και το άθροισμα μονάδων με μη αυτόματο τρόπο. εκτυπώστε το έναν τύπο υπολογιστικού φύλλου ή έναν μικρό κωδικό και εκτελείτε τον κώδικα. Έτσι, το αποτέλεσμα είναι ντετερμινιστικό (το ίδιο και επαληθεύσιμο κάθε φορά).

4. Εκτελέστε ποιοτικό έλεγχο. Ζητήστε τους να επισημαίνουν ακραίες τιμές (όπως η κατανάλωση μιας εγκατάστασης που αυξάνεται ξαφνικά κατά 10 φορές), παραλείψεις και αντιφάσεις. Αλλά επιβεβαιώστε κάθε ζώδιο με ανθρώπινα μάτια.

5. Καθιερώστε τη διαδρομή ελέγχου. Συμπληρώστε τον πίνακα που συνδέει κάθε αριθμητικό στοιχείο με την πηγή του. Αυτός ο πίνακας είναι η ραχοκοκαλιά της έκθεσης.

Αδύναμη προτροπή / Ισχυρή προτροπή

Αδύναμη προτροπή:

Συλλέξτε αυτά τα δεδομένα εγκατάστασης και πείτε σας τη συνολική κατανάλωση ενέργειας.

Δεν υπάρχουν κανόνες μονάδας, πηγής και χώρου. Η τεχνητή νοημοσύνη μπορεί να ξαφρίσει και να συλλέξει διαφορετικές μονάδες και να αναπληρώσει σιωπηλά για αυτές που λείπουν.

Ισχυρή προτροπή:

Ο ρόλος σας: Αναλυτής δεδομένων ESG. Εισαγωγή: Πίνακας εγκατάστασης-περιόδου-τιμής-μονάδας παρακάτω. Εργασία:1) Μετατροπή όλων των ενεργειακών τιμών σε kWh. Εμφάνιση συντελεστών μετατροπής σε ξεχωριστή στήλη.2) Κάνοντας το σύνολο ΧΕΙΡΟΚΙΝΗΤΑ. Γράψτε έναν τύπο υπολογιστικού φύλλου που μπορώ να χρησιμοποιήσω.3) Επισημάνετε στοιχεία που λείπουν ή μηδενικά ως "ΛΕΙΠΟΝ — ελέγξτε", μην τα συμπληρώσετε ποτέ μόνοι σας. 4) Καταγράψτε πιθανές δυαδικές μετρήσεις όπου το ίδιο στοιχείο εμφανίζεται δύο φορές. Έξοδος: καθαρισμένος πίνακας + στήλη μετατροπής + λίστα προειδοποίησης.

Γιατί είναι κρίσιμο να εισάγουμε δεδομένα σε κώδικα;

Το AI είναι μια δημιουργία κειμένου. Μπορεί να κάνει λάθη όταν συλλέγει διανοητικά μεγάλες λίστες αριθμών. Αντίθετα, εάν του ζητήσετε να δημιουργήσει έναν τύπο ή έναν κώδικα, θα εκτελέσει τον υπολογισμό ακριβώς στο περιβάλλον σας και θα έχει το ίδιο αποτέλεσμα κάθε φορά. Αυτή είναι η διαφορά μεταξύ του "αριθμού που λέει η AI" και του "ελεγχόμενου υπολογισμού".

Γράψτε ένα σύνολο τύπων Excel/Φύλλα Google για τον ακόλουθο πίνακα δεδομένων εκπομπών. Ανάγκη:- Σε κάθε σειρά: τιμή × συντελεστής μετατροπής = kWh- Άθροισμα όλων των kWhs- Προσθήκη κελιών που λείπουν (κενά) ως ΑΡΙΘΜΟΣ. μετρήστε ένα ξεχωριστό "πλήθος που λείπει" Εξηγήστε τους τύπους με αναφορές κελιών, ώστε να μπορώ να τους εφαρμόσω με μη αυτόματο τρόπο. Δομή πίνακα: A=facility, B=period, C=value, D=unit

Προσοχή: Δώστε ιδιαίτερη προσοχή στους αριθμούς που «διαβάζει» το AI από το PDF ή την εικόνα. Σφάλματα όπως 1.100 έναντι 11.00 ή σύγχυση με κόμματα (1.100 έναντι 1.100) είναι κοινά κατά την οπτική ανάγνωση. Συγκρίνετε οπτικά τουλάχιστον μερικά παραδείγματα με το έγγραφο προέλευσης.

τρεις μίνι θήκες

Περίπτωση 1 — Μονάδα παγίδα. Μια εταιρεία χαρτοφυλακίου συνέλεξε τα ενεργειακά δεδομένα 8 εγκαταστάσεων. 7 εγκαταστάσεις αναφέρθηκαν kWh, 1 εγκατάσταση αναφέρθηκε MWh. Το AI έκανε το σύνολο χάνοντας τις μονάδες στην πρώτη προσπάθεια και υπολόγισε αυτή την εγκατάσταση κατά έναν παράγοντα 1000. Το σύνολο αποδείχθηκε ότι ήταν 3.201 MWh, ενώ στην πραγματικότητα ήταν 4.200 MWh. Το σφάλμα εντοπίστηκε και διορθώθηκε με μετασχηματισμό που βασίζεται σε κώδικα.

Περίπτωση 2 — Μυστική πρόβλεψη. Το τιμολόγιο Μαρτίου μιας εγκατάστασης έλειπε. Ο αναλυτής είπε στην τεχνητή νοημοσύνη να «συμπληρώσει το κενό». Το AI έβαλε τον μέσο όρο των γειτονικών μηνών αλλά δεν τον προσδιόρισε. Ο ελεγκτής ρωτά "από ποιο τιμολόγιο είναι αυτός ο αριθμός;" Όταν ρωτήθηκε, η πηγή δεν βρέθηκε. Η διαδικασία διορθώθηκε: η πρόβλεψη επισημαίνεται με σαφήνεια ως «αντιπρόσωπος — μέσος όρος Φεβρουαρίου/Απριλίου» στην έκθεση.

Περίπτωση 3 — Διπλή μέτρηση. Σε ένα εργοστάσιο, το καύσιμο της γεννήτριας εισήχθη και στα στοιχεία «στάσιμης καύσης» και «εφεδρικής ενέργειας». Το AI επισήμανε αυτήν την επανάληψη στη σάρωση αντιφάσεων. επιβεβαίωσε ο αναλυτής και αφαιρέθηκε η διπλή καταμέτρηση 6 τόνων CO₂e. Εναπόκειτο στον αναλυτή να σημειώσει τη συμβολή του AI και να λάβει την απόφαση.

Υποδείξεις ποιοτικού ελέγχου

Πραγματοποιήστε έναν ποιοτικό έλεγχο στον παρακάτω πίνακα δεδομένων ESG. Εντοπίστε (αλλά ΜΗΝ το διορθώσετε μόνοι σας, απλώς σημειώστε):1) Outliers (στοιχεία που αποκλίνουν περισσότερο από 50% από την προηγούμενη περίοδο) 2) Ασυμφωνίες μονάδων3) Κενά/λείπουν κελιά4) Πιθανά διπλότυπα όπου το ίδιο αντικείμενο εμφανίζεται πολλές φορές. [ΠΙΝΑΚΑΣ]

Η ακόλουθη προτροπή δημιουργεί έναν σκελετό πίνακα παρακολούθησης έτοιμο για έλεγχο.

Συνήθη λάθη

Τροποποίηση πρωτογενών δεδομένων. Η πραγματοποίηση διορθώσεων χωρίς τη διατήρηση των αρχικών αρχείων σπάει το ίχνος ελέγχου.
Έχοντας το AI να κάνει τη μετατροπή μονάδας χειροκίνητα. Η νοητική προσθήκη σε μεγάλες λίστες είναι επιρρεπής σε σφάλματα. Χρησιμοποιήστε κωδικό/τύπο.
Απόκρυψη της πρόβλεψης. Η χρήση δεδομένων διακομιστή μεσολάβησης δεν αποτελεί πρόβλημα. Το να μην προσδιορίζεται είναι μεγάλο πρόβλημα στον έλεγχο.
Σιωπηλή διαγραφή του ακραίου σημείου. Ο διπλασιασμός της κατανάλωσης μιας εγκατάστασης μπορεί να είναι ή όχι λάθος. Δεν μπορεί να διαγραφεί χωρίς να διερευνηθεί.
Τυφλή αποδοχή του αριθμού που διαβάζεται από το PDF/εικόνα. Ο έλεγχος δειγμάτων έναντι σφαλμάτων οπτικής ανάγνωσης είναι απαραίτητος.

Συνοπτικά

Η πραγματική αξία μιας αναφοράς ESG έγκειται στην ακρίβεια και την ιχνηλασιμότητα των δεδομένων της. ΟΛΑ ΣΥΜΠΕΡΙΛΑΜΒΑΝΟΝΤΑΙ; Είναι ένα ισχυρό βοήθημα για τη δόμηση διάσπαρτων δεδομένων, τη δημιουργία τύπων για τη μετατροπή μονάδων και τη σήμανση ακραίων τιμών και αντιφάσεων. Αλλά ο μεγαλύτερος κίνδυνος δεν είναι ότι τα δεδομένα είναι λανθασμένα, είναι ότι δεν μπορούν να εντοπιστούν. Διατηρήστε τα ακατέργαστα δεδομένα, κάντε τον μετασχηματισμό σε κώδικα, σημειώστε με σαφήνεια την πρόβλεψη και συνδέστε κάθε αριθμό σε μια διαδρομή ελέγχου. Το «ο αριθμός φαίνεται σωστός» δεν είναι αρκετό. Θα πρέπει να απαιτείται "Μπορώ να εντοπίσω αυτόν τον αριθμό στην πηγή του".

Εργασία εφαρμογής

Προετοιμάστε ένα μικρό δείγμα πίνακα με δεδομένα σε τουλάχιστον τρεις διαφορετικές μονάδες (π.χ. kWh, MWh, λίτρο). Αφήστε ένα ή δύο κελιά κενά επίτηδες. Ζητήστε από το AI με την ισχυρή προτροπή παραπάνω ένα σύνολο τύπων που μετατρέπουν αυτόν τον πίνακα σε μια ενιαία μονάδα και μια λίστα ειδοποιήσεων ποιότητας. Στη συνέχεια: (1) ελέγξτε τους συντελεστές μετατροπής, (2) επαληθεύστε ότι τα κενά δεν έχουν καλυφθεί, (3) γράψτε μια μικρή γραμμή διαδρομής ελέγχου για κάθε στοιχείο.

λίστα ελέγχου

[ ] Διατήρησα τα ακατέργαστα δεδομένα στην αρχική τους μορφή, δούλεψα στο αντίγραφο.
[ ] Μετέτρεψα όλες τις μονάδες σε μια ενιαία μονάδα με κωδικό/τύπο.
[ ] Δεν συμπλήρωσα τα στοιχεία που λείπουν. Σημείωσα τις προβλέψεις ως "proxy".
[ ] Εξέτασα τις ακραίες τιμές πριν τις διαγράψω.
[ ] Έλυσα τις πιθανές δυαδικές μετρήσεις πηγαίνοντας στην πηγή.
[ ] Επιβεβαίωσα οπτικά τους αριθμούς που διαβάστηκαν από το PDF/εικόνα με ένα δείγμα.
[ ] Συνέδεσα κάθε αριθμητικό στοιχείο με μια εγγραφή διαδρομής ελέγχου.