سود:
- توانایی تشخیص انواع گرین واشینگ (نامشخص، اثبات نشده، مبادله پنهان، آینده اغراق آمیز) و ایجاد ادعای قابل اندازه گیری، منبع و محدوده.
- امکان طبقه بندی داده هایی که قرار است به خودرو داده شود از نظر محرمانه بودن و حفاظت از اسرار تجاری و داده های شخصی
- امکان پیادهسازی یک گیت با کیفیت از تعریف تا تأیید و برعهده گرفتن مسئولیت نهایی بدون تکیه بر دفاع «به گفته هوش مصنوعی»
در هر واحد از این ماژول یک اصل تکرار می شد: تعداد باید بر اساس منبع باشد، ادعا باید بر اساس شواهد باشد. این واحد نهایی آن اصل را ادغام می کند. بزرگترین خطر هوش مصنوعی در محیط و آب و هوا یک محاسبه اشتباه نیست، بلکه این است که داستانی باورپذیر اما بیاساس ایجاد میکند. در این بخش، نحوه تشخیص و جلوگیری از شستشوی سبز، اطمینان از صحت داده ها، اخلاقیات و حریم خصوصی، و گردش کار سرتاسری که کل ماژول را متحد می کند، یاد خواهید گرفت.
آناتومی شستشوی سبز
Greenwashing زمانی است که یک سازمان عملکرد زیست محیطی خود را بهتر از آنچه هست نشان می دهد. از آنجایی که هوش مصنوعی در تولید متن روان و متقاعدکننده بسیار خوب است، همچنین بسیار مستعد تولید ناآگاهانه شستشوی سبز است. انواع اصلی:
نوع شستشوی سبز
منظورت چیه؟
مثال
ادعای مبهم
کلمه غیر قابل اندازه گیری و تعریف نشده
"دوستانه محیط زیست"، "طبیعی"، "سبز"
ادعای بدون مدرک
شماره/هدف بدون داده
"ما کربن خنثی هستیم" (بدون سند)
تبادل مخفی
برجسته کردن خوبی ها و پنهان کردن بدی های بزرگ
"بسته بندی قابل بازیافت است" اما محصول بسیار آلوده کننده است
ادعای بی ربط
ارائه آنچه از قبل ضروری/غیر مهم است به عنوان یک فضیلت
"حاوی ماده ممنوعه نیست"
برچسب جعلی
ظاهر گواهی ساختگی/تأیید نشده
لوگوی "سبز" خود اختراع شده
آینده اسراف آمیز
پناه بردن به یک هدف دور بدون مدرک
"ما در سال 2050 بی طرف خواهیم بود" (بدون برنامه موقت)
نکته: یک ادعای زیستمحیطی خوب دارای سه ویژگی است: قابل اندازهگیری (عدد)، اثباتشده (یک مدرک) و واضح در دامنه (مشخص است که چه چیزی با چه زمانی مقایسه میشود). اگر ادعایی یکی از این سه مورد را ندارد، قبل از انتشار آن را متوقف کنید.
دقت داده ها: قانون طلایی ماژول
رشته راستی آزمایی که در هر واحد می بینیم را می توان در یک جمله خلاصه کرد: هیچ عدد یا واقعیتی که توسط هوش مصنوعی تولید می شود بدون تایید منبع مستقل به تصمیم، گزارش یا ادعا تبدیل نمی شود. ضریب انتشار از جدول رسمی تأیید می شود ، ماده قانون از متن فعلی تأیید می شود ، اندازه گیری از دستگاه کالیبره شده تأیید می شود و محاسبه از روی کد اجرا شده تأیید می شود. هوش مصنوعی شتاب می گیرد؛ او مردی است که راستگو است.
اخلاق و حریم خصوصی
اخلاق: داده های زیست محیطی مربوط به عموم و نسل های آینده است. ماساژ داده ها، گزارش انتخابی، یا پنهان کردن عدم اطمینان یک نقض اخلاقی است. از هوش مصنوعی نخواهید که "گزارش را بهتر نشان دهد"، بلکه "گزارش را دقیق تر و قابل درک تر نشان دهد".
محرمانه بودن: ارقام تولید در سطح کارخانه، توافق نامه های تامین کننده، داده های انتشار ناشناس ممکن است اسرار تجاری باشد. اطلاعات سفر یا موقعیت مکانی کارکنان ممکن است داده های شخصی باشد. قبل از چسباندن آنها در ابزارهای هوش مصنوعی عمومی، خط مشی شرکت و قوانین حفاظت از داده (مانند KVKK/GDPR) را بررسی کنید. در صورت امکان ناشناس کنید یا از یک ابزار سازمانی و ضد داده استفاده کنید.
احتیاط: "هوش مصنوعی چنین گفته است" یک دفاع نیست. مؤسسه و امضاکننده مسئول گزارش انتشار نادرست، تبلیغات گمراهکننده یا دادههای محرمانه لو رفته هستند. هوش مصنوعی یک ابزار است. او فردی است که پاسخگو است.
گردش کار انتها به انتها: ماژول را مونتاژ کنید
در اینجا شش مرحله برای ارائه یک ادعا یا گزارش زیست محیطی با اطمینان از ابتدا تا انتها آورده شده است:
1. تعریف کنید. چه چیزی گزارش/ادعا خواهد شد؟ آیا محدوده، واحد، استاندارد، دوره مشخص است؟
2. داده ها را جمع آوری و تأیید کنید. آیا هر موضوع منبع قابل ردیابی دارد؟ آیا عوامل رسمی هستند؟
3. محاسبه و بررسی کنید. حساب را به صورت کد انجام دهید و نتیجه را با واحدها و دستورات ارائه دهید.
4. طرح. ساخت اسکلت متن با هوش مصنوعی. هر جمله را به شواهد وصل کنید.
5. آن را از فیلتر Greenwashing عبور دهید. اظهارات مبهم، غیرمستند و اغراق آمیز را حذف کنید.
6. بررسی و مسئولیت پذیری. تضمین مستقل/کنترل متخصص؛ تایید نهایی با انسان است.
سه کیف کوچک
مورد 1 - روان اما بی اساس. یک تیم از هوش مصنوعی خواست تا خلاصه ای از پایداری بنویسد. متن تأثیرگذار بود، اما مملو از عبارات غیرقابل اندازهگیری مانند «پایداری پیشرو در صنعت»، «تأثیر نزدیک به صفر» بود. اعمال فیلتر شستشوی سبز (الگوی 1 در زیر) هفت ادعای غیرمستند را نشان داد. هر کدام یا با یک عدد ثابت جایگزین شدند یا حذف شدند. گزارش کوتاه تر اما قابل دفاع بود.
مورد 2 - داده های لو رفته. یک تحلیلگر دادههای انتشار گازهای گلخانهای تاسیسات را که هنوز فاش نشده است را در ابزار هوش مصنوعی در دسترس عموم قرار داد و درخواست تجزیه و تحلیل کرد. تیم انطباق متوجه شد که این یک راز تجاری و نقض احتمالی افشای مقررات است. فرآیند متوقف شد، داده ها به یک ابزار شرکتی (ضد نشتی) منتقل شدند. درس: کلاس (محرمانه؟) داده ها را قبل از دادن به ابزار تعیین کنید.
مورد 3 - زنجیره اعتبار سنجی. یک سازمان برای کل گزارش سالانه خود یک جدول "ادعا-شواهد" داشت: در مقابل هر عدد در هر جمله منبع آن است. وقتی حسابرس وارد شد، آنها توانستند هر ادعا را در عرض چند دقیقه پیگیری کنند. روند تضمین به آرامی پیش رفت. این رشته هسته اصلی تمام واحدهای ماژول بود و باعث صرفه جویی در زمان و شناخت در دنیای واقعی شد.
اعلان ضعیف / اعلان قوی
اعلان ضعیف:
پیام پایداری ما را چشمگیرتر کنیم.
چرا ضعیف است: میل به "چشمگیر" هوش مصنوعی را به سمت تمجیدهای مبهم و مبهم سوق می دهد. شستشوی سبز ایجاد می کند.
اعلان قدرتمند:
نقش شما: ویراستار ارتباطات محیطی و حسابرس گرین واشینگ. متن زیر را صحیح تر و قابل فهم تر کنید، نه "براق". هر ادعایی می پرسد: آیا قابل اندازه گیری است، آیا منبع آن است، آیا دامنه آن روشن است؟ عبارات مبهم ("دوستانه با محیط زیست")، غیرقابل اثبات ("خنثی") و اغراق آمیز را علامت گذاری کنید و جایگزین های مبتنی بر شواهد را پیشنهاد دهید. ادعایی را که هیچ مدرکی ندارد حذف کنید. متن: [اینجا]
چهار قالب قابل کپی
1) فیلتر کنترل گرین واشر:
نقش شما: حسابرس گرین واشینگ. هر ادعای زیست محیطی را در متن زیر جدول بندی کنید: (ادعا | آیا می توان آن را اندازه گیری کرد | آیا شواهدی وجود دارد | آیا نامشخص است | حکم). مواردی را که نامشخص / اثبات نشده / اغراق آمیز هستند علامت بزنید و برای هر کدام یک جایگزین سنجیده و مبتنی بر شواهد پیشنهاد دهید. متن: [اینجا]
2) جدول تطبیق ادعا و شواهد:
هر ادعای عددی و واقعی را از متن گزارش زیر حذف کنید. برای هر کدام یک ستون «منبع» بگذارید. هر ادعایی را با منبع نامشخصی به عنوان "اثبات مورد نیاز" علامت گذاری کنید. تغییر متن؛ چک کنید. متن: [اینجا]
3) پیشبررسی حریم خصوصی:
دادههای زیر را قبل از پردازش در ابزار هوش مصنوعی طبقهبندی کنید: آیا این دادهها حاوی اسرار تجاری (تولید کارخانه، قیمت تامینکننده)، دادههای شخصی (نام، مکان) یا اطلاعات مالی افشا نشده است؟ مناطق پرخطر را علامت گذاری کنید و ناشناس کردن/حذف را توصیه کنید. مثال داده: [اینجا]
4) دروازه کیفیت انتها به انتها:
یک بررسی نهایی برای گزارش/ادعای زیست محیطی زیر انجام دهید. به ترتیب: (1) محدوده-واحد-استاندارد واضح است، (2) هر شماره منبع است، (3) آیا محاسبات تأیید شده است، (4) آیا شستشوی سبز وجود دارد، (5) داده های محرمانه/شخصی به بیرون درز کرده است. برای هر مورد قبولی/شکست و توجیهی ارائه دهید. محتوا: [اینجا]
اشتباهات رایج
- خواستن "تأثیرگذار". این امر هوش مصنوعی را به سمت ابربولی و سبز شدن سوق می دهد. "دقیق و قابل فهم" را بخواهید.
- متوجه ادعای مبهم نیست. عباراتی مانند "دوستانه محیط زیست" غیرقابل اندازه گیری و مخاطره آمیز هستند.
- صادرات داده های محرمانه به یک ابزار باز. ابتدا داده ها را طبقه بندی کرده و در صورت لزوم ناشناس کنید.
- دفاع با "هوش مصنوعی اینطور گفت." مسئولیت همیشه با شخص است.
- عدم حفظ زنجیره تأیید منبع هر ادعایی باید قابل حسابرسی باشد.
به طور خلاصه
ماهیت استفاده ایمن از هوش مصنوعی در محیط و آب و هوا یک رشته واحد است: هر تعداد منبع، هر ادعای اثبات شده، هر داده ای که به هر ابزار طبقه بندی شده داده می شود، هر تصمیم نهایی انسان. Greenwashing دام زبان روان است. راه اجتناب از آن، طرح ادعاهایی است که قابل اندازه گیری، منبع و دارای دامنه خاصی هستند. هوش مصنوعی محاسبه می کند، اسکن می کند، پیش نویس می کند و سازماندهی می کند - اما این کارشناس ذیصلاح است که تأیید می کند، تصمیم می گیرد و پاسخگو است. در کارهای زیست محیطی با پیامدهای بالا، خروجی هوش مصنوعی جایگزینی برای تأیید و اعتبار سنجی تخصصی نیست. فقط سرعتش رو زیاد میکنه
وظیفه کاربردی
یکی از محصولات تحویلی را که در طول ماژول تولید کرده اید (خلاصه انتشار، تجزیه و تحلیل آب، یا بخش ESG) انتخاب کنید. ابتدا حسابرسی Greenwashing با الگوی 1 و هر گونه ادعای غیرمستندی را که پیدا کردید تصحیح کنید. سپس با الگوی دوم یک جدول مدعی شواهد ایجاد کنید و اعداد باقیمانده را بدون منبع تکمیل کنید. در نهایت، گیت کیفیت end-to-end را با قالب 4 اعمال کنید. تصحیح کنید تا زمانی که در هر پنج مورد "مجوز" بگیرید.
چک لیست
- [ ] من هر ادعایی را قابل اندازه گیری، منبع و دامنه مشخص کردم.
- [ ] زبان مبهم/ اغراق آمیز را با یک فیلتر شستشوی سبز پاک کردم.
- [ ] من به طور مستقل هر عدد تولید شده توسط هوش مصنوعی را تأیید کرده ام.
- [ ] من داده هایی را که به ابزار داده ام برای محرمانه بودن طبقه بندی/ناشناس کرده ام.
- [ ] من حساب را رمزگذاری کرده بودم و آن را با واحدها و رتبه ها ارائه کردم.
- [ ] من مسئولیت نهایی را بر عهده گرفتم. من به دفاع "AI گفت" تکیه نکردم.
امتحان ماژول
1. کدام یک از موارد زیر دقیق ترین موقعیت یابی هوش مصنوعی در محیط و اقلیم است؟
- الف) هوش مصنوعی دستیار کد، داده و نقشه است. مسئولیت عوامل، دامنه، شواهد و تصمیمات اخلاقی بر عهده انسان است ✔
- ب) هوش مصنوعی یک وسیله اندازه گیری است و مقادیر انتشاری که می دهد همیشه دقیق است.
- ج) هوش مصنوعی فقط در گزارش نویسی کاربرد دارد، ربطی به حسابداری و نظارت ندارد
- د) از آنجایی که هوش مصنوعی نسبت به انسان بی طرف تر است، تمام تصمیمات محیطی باید به آن واگذار شود.
توضیحات: هوش مصنوعی; این یک دستیار است که کد می نویسد، داده ها را سازماندهی می کند، پیش نویس ها را تولید می کند و خلاصه می کند. اما تایید ضریب انتشار، محدوده و دقت واحد، اثبات ادعاها و مسئولیت نهایی بر عهده کارشناس ذیصلاح است. مدل زبان بزرگ یک دستگاه اندازه گیری، ماشین حساب، یا منبع قانون گذاری نیست. یک تولید کننده متن است که "محتمل ترین کلمه بعدی" را تولید می کند و خروجی تایید نشده آن ممکن است منجر به گزارش یا ادعای نادرست شود.
2. کدام رویکرد برای محاسبه "داده های فعالیت × ضریب انتشار" در موجودی گازهای گلخانه ای صحیح است؟
- الف) با استفاده از فاکتوری که هوش مصنوعی به خاطر می آورد و انجام کل را به صورت دستی انجام می دهد
- ب) ضریب گرفتن از جدول رسمی به تفکیک کشور و سال و جمع آوری با کد اجرایی ✔
- ج) شمارش تمام گازها به عنوان CO2 و صرف نظر از تبدیل GWP
- د) استفاده از ضریب شبکه پیشفرض (به عنوان مثال ایالات متحده) برای هر کشور
توضیحات: فاکتورهای انتشار بر اساس کشور، سال و سوخت متفاوت است. هوش مصنوعی "یادآوری" خطر ساخت را معرفی می کند. فاکتور همیشه باید از یک جدول رسمی تایید شود (IPCC، DEFRA/EPA، موجودی ملی). جمع چند خطی باید با کد اجرایی انجام شود نه به صورت دستی. متان و N2O لزوماً با مجموعه GWP صحیح به CO2e تبدیل می شوند.
3. طبق پروتکل GHG، انتشار گازهای گلخانه ای ناشی از تولید برق خریداری شده شامل چه محدوده ای است؟
- الف) محدوده 1
- ب) محدوده 3
- ج) محدوده 2 ✔
- د) در هیچ محدوده ای قرار نمی گیرد و گزارش نمی شود
توضیحات: محدوده 1 انتشار مستقیم از منابع خود سازمان (دیگ بخار، وسیله نقلیه شرکت) است. محدوده 2 انتشار غیر مستقیم از تولید انرژی خریداری شده (برق، بخار، گرمایش، سرمایش) است. محدوده 3 سایر انتشارات غیرمستقیم در زنجیره ارزش (تامین، سفر، استفاده از محصول) را پوشش می دهد.
4. هنگام اولویت بندی اقدامات کاهشی توسط MACC (هزینه کاهش حاشیه ای) کدام صحیح است؟
- الف) گرانترین و فناورانه ترین اقدامات همیشه ابتدا انجام می شود
- ب) ابتدا افست خریداری می شود و "صفر خالص" نامیده می شود، کاهش برای بعد باقی می ماند.
- ج) ترتیب عمل مستقل از هزینه است. همه به طور همزمان اعمال می شوند
- د) اقدامات هزینه منفی (صرفه جویی) ابتدا انجام می شود، حذف در آخر باقی می ماند ✔
توضیحات: MACC معیارها را بر اساس هزینه هر تن اجتنابشده (€/تن) رتبهبندی میکند. اقدامات هزینه منفی (مانند بهره وری انرژی) هم انتشار گازهای گلخانه ای را کاهش می دهد و هم در هزینه صرفه جویی می کند. اینها به منصه ظهور می رسد. گزینه های پرهزینه و افست تا آخر باقی مانده است. حذف جایگزینی برای کاهش نیست، بلکه مکملی برای باقیمانده اجتناب ناپذیر است.
5. در تصویر ماهواره ای دیدید که NDVI در یک منطقه به طور ناگهانی در یک ماه کاهش یافت. ابتدا باید چه کاری انجام دهید؟
- الف) فوراً زنگ خطر قطع درختان ناگهانی را به صدا درآورید و به مردم اعلام کنید
- ب) تست صحت سیگنال با استفاده از ماسک ابری و مقایسه آن با تاریخ های همسایه ✔
- ج) نگاه کردن به یک تصویر و گزارش درصد دقیق ضرر
- د) داده های ماهواره ای همیشه دقیق هستند. بدون نیاز به بررسی اضافی
توضیح: رایج ترین سیگنال جعلی داده های ماهواره ای ابر است. یک افت NDVI می تواند یک از دست دادن واقعی جنگل باشد، یا می تواند ابری روی تصویر آن روز باشد. لازم است ابتدا یک ماسک ابری اعمال شود و با تاریخ های بدون ابر همسایه مقایسه شود. ادعای تغییر باید بر اساس روند باشد نه یک تاریخ و در صورت امکان باید با صحت و سقم آن تأیید شود.
6. هنگام مقایسه تاثیر آب دو کارخانه کدام رویکرد صحیح است؟
- الف) صرفاً به لیترهای مطلق نگاه کنید و بیشترین مصرف را بدترین لیتر اعلام کنید
- ب) اثر آب در همه جا یکسان است. منطقه بی اهمیت است
- ج) وزن دهی مصرف بر اساس تنش آبی منطقه ای و مقایسه با تاثیر واقعی ✔
- د) اضافه کردن آب سبز، آبی و خاکستری به یک عدد و نادیده گرفتن استرس
توضیح: آب برخلاف کربن محلی است. همین مقدار آب به معنای تأثیرات زیست محیطی بسیار شدیدتر در منطقه ای با تنش آبی بالا است. بنابراین، تأثیر آب نه تنها باید در لیتر مطلق ارزیابی شود، بلکه باید با تنش آبی منطقه ای وزن شود. تأسیساتی در منطقه ای که مصرف کمی دارد اما بسیار خشک است ممکن است حیاتی تر از تأسیساتی باشد که مصرف زیادی دارد اما آب فراوانی دارد.
7. در مدیریت زباله، هوش مصنوعی پسماندهای شیمیایی را به کد "غیر خطرناک" طبقه بندی کرد. رفتار صحیح چیست؟
- الف) حذف مستقیم آن از آن کد زیرا هوش مصنوعی چنین می گوید
- ب) کدهای زباله بی اهمیت هستند. همه آنها به یک شکل دفع می شوند
- ج) بی توجهی به طبقه بندی آلودگی و خطر و گزارش میزان جمع آوری شده
- د) تایید کلاس با برگه داده های ایمنی (SDS) و قوانین، عدم پذیرش پیشنهاد هوش مصنوعی به عنوان نهایی ✔
توضیحات: طبقه بندی اشتباه و دفع ثبت نشده پسماندهای خطرناک از جمله جرایم زیست محیطی است که به شدت مورد تحریم قرار گرفته است. پیشنهاد کد زباله هوش مصنوعی فقط یک پیش نویس اولیه است. کلاس خطر همیشه باید توسط برگه اطلاعات ایمنی (SDS) ماده و مقررات مربوط به زباله تأیید شود. خروجی هوش مصنوعی هرگز به عنوان کد ضایعات نهایی استفاده نمی شود.
8. یک مرکز انتشارات پشته خود را 20٪ کاهش داد. چرا این اشتباه است که می گویند "هوای محله 20٪ پاک شده است"؟
- الف) انتشار و غلظت متفاوت است. تغییرات آب و هوا نیاز به اندازه گیری و مدل سازی جداگانه دارد ✔
- ب) انتشار و غلظت یکی هستند; این کاهش مستقیماً در هوا منعکس می شود
- ج) اندازه گیری دودکش همیشه آب و هوای محله را دقیق می دهد
- د) هواشناسی بر کیفیت هوا تأثیر نمی گذارد، بنابراین ادعا معتبر است
توضیح: انتشار (میزان خروجی از منبع) و غلظت (چگالی اندازه گیری شده در هوا) چیزهای مختلفی هستند. باد، دما و توپوگرافی باعث انتشار یکسان در غلظت های بسیار متفاوت می شود. حتی اگر کاهش انتشارات پشته واقعی باشد، ادعای غلظت در هوا فقط با اندازه گیری کالیبره شده و مدل پراکندگی مناسب قابل اثبات است. در غیر این صورت بی دلیل و گمراه کننده است.
9. در گزارش ESG، در متنی که توسط هوش مصنوعی تولید شده است، جمله ای وجود دارد که «ما مصرف آب خود را 15 درصد کاهش دادیم». مهمترین کنترل چیست؟
- الف) نگاه کردن به اینکه جمله چقدر تاثیرگذار و روان است
- ب) بررسی کنید که شماره به یک منبع قابل ردیابی (فاکتور، متر، اندازه گیری) مرتبط است ✔
- ج) با فرض صحیح بودن عدد زیرا هوش مصنوعی آن را تولید می کند
- د) درصد را گرد کنید تا قاطعانه تر به نظر برسد
توضیح: ارزش گزارش ESG قابلیت ردیابی ضعیفترین دادههای آن است و حسابرسان تضمین مستقل زنجیره شواهد پشت این تعداد را بررسی میکنند. ممکن است هوش مصنوعی عددی را تولید کرده باشد که از متون قبلی «معقول» به نظر می رسید اما غیرقابل ردیابی بود. هر ادعای دیجیتالی نباید بدون پیوند به منبع قابل ردیابی بر اساس فاکتور/متر/گواهینامه وارد گزارش شود.
10. چرا از سناریوهای متعدد در ارزیابی ریسک آب و هوا به جای یک آینده واحد استفاده می شود؟
- الف) سناریوها دکوراسیون هستند. یک پیش بینی دقیق آینده کافی است
- ب) از آنجایی که هوش مصنوعی می تواند احتمال وقوع سیل در آینده را با درصد دقیق نشان دهد، یک سناریو کافی است.
- ج) خطر فیزیکی و انتقالی ممکن است بسته به سناریوها نامطلوب باشد. هدف آزمایش استقامت است ✔
- د) ریسک فیزیکی و انتقالی یکی هستند، نیازی به سناریوهای جداگانه نیست
توضیح: خطر فیزیکی (تأثیرات آب و هوایی مانند سیل، خشکسالی) و خطر انتقال (قیمت کربن، قانون، تغییر فناوری) اغلب در جهت مخالف حرکت میکنند: اگر جهان به سرعت کاهش یابد، خطر انتقال افزایش مییابد، خطر فیزیکی کاهش مییابد. اگر آهسته عمل کند برعکس این اتفاق می افتد. بنابراین، حداقل یک سناریوی گرمایش کم (1.5-2 درجه سانتیگراد) و یک سناریوی بالا (3 درجه سانتیگراد +) آزمایش می شود. هدف پیشبینی آینده نیست، بلکه آزمایش استقامت است.
11. از هوش مصنوعی پرسیده اید که آیا مقرراتی (مثلاً CBAM) در مورد شما و مهلت های آن اعمال می شود یا خیر. چگونه باید رفتار کرد؟
- الف) برنامه ریزی مستقیم با توجه به تاریخ ها و موارد داده شده توسط هوش مصنوعی
- ب) تصمیم گیری دامنه بر اساس تفسیر کلی هوش مصنوعی، بدون نگاه کردن به لیست کدهای رسمی
- ج) رعایت یکباره است. هنگامی که سؤال می کنید، نیازی به نظارت مداوم بر قانون نیست
- د) خروجی را به عنوان پیش نویس در نظر بگیرید و مقاله، تاریخ، آستانه و محدوده را از متن رسمی فعلی تأیید کنید ✔
توضیحات: دانش مقرراتی به سرعت منسوخ می شود. مقالات تغییر می کند، تاریخ ها به تعویق می افتد، دامنه گسترش می یابد. داده های آموزشی هوش مصنوعی در یک تاریخ معین مسدود شده و ممکن است به روز نباشد. علاوه بر این، ماده می تواند حقایق مهمی مانند تاریخ و آستانه را بسازد. تصمیم دامنه باید توسط لیست رسمی محصول/کد، تمام تاریخ ها و آستانه ها توسط متن رسمی معتبر تأیید شود. نظر مجاز/کارشناس باید در تصمیمات انطباق حیاتی به دست آید.
12. کدام یک از ادعاهای زیست محیطی زیر کمترین خطر را برای شستشوی سبز دارد؟
- الف) "ما تا سال 2023 انتشارات تولید خود را 18٪ کاهش داده ایم (با تایید مستقل)" ✔
- ب) "محصولات ما کاملاً سازگار با محیط زیست و طبیعی هستند"
- ج) "شرکت ما کربن خنثی است" (بدون ارائه هیچ گونه سند یا داده ای)
- د) "ما پایدارترین و تقریباً صفرترین شرکت در صنعت هستیم"
توضیح: یک ادعای زیست محیطی خوب قابل اندازه گیری (شامل یک عدد)، اثبات شده (بر اساس شواهد) و از نظر دامنه خاص (مشخص است که چه چیزی با چه زمانی مقایسه می شود). «ما تا سال 2023 انتشارات تولید را 18 درصد کاهش دادهایم (با تأیید مستقل)» این سه ویژگی را دارد. عباراتی مانند «دوستانه با محیط زیست»، «طبیعی»، «کربن خنثی» (تایید نشده) غیرقابل اندازهگیری یا غیرقابل اثبات هستند و خطر شستشوی سبز را به همراه دارند.
13. چرا چسباندن دادههای انتشارات فاش نشده تأسیسات در ابزار هوش مصنوعی در دسترس عموم برای تجزیه و تحلیل خطرناک است؟
- الف) هیچ خطری وجود ندارد. داده های محیطی همیشه در دسترس عموم است
- ب) اسرار تجاری، داده های فاش نشده و داده های شخصی ممکن است درز کند. ابتدا طبقه بندی و ناشناس سازی لازم است ✔
- ج) خطر فقط یک خطای محاسباتی است، ربطی به حریم خصوصی داده ها ندارد
- د) هنگامی که داده ها به وسیله نقلیه داده می شود، مسئولیت به ارائه دهنده هوش مصنوعی منتقل می شود
افشا: دادههای تولید و انتشار در سطح سایت ممکن است اسرار تجاری باشد و دادههای مالی/زیستمحیطی فاش نشده ممکن است قوانین افشای نظارتی را نقض کند. اطلاعات مکان/سفر کارمند داده های شخصی است. قبل از دادن این نوع داده ها به یک ابزار باز، باید آن ها را طبقه بندی کرد، در صورت لزوم آن را ناشناس کرد یا از یک ابزار سازمانی (بدون داده) استفاده کرد. "AI گفت" یک دفاع نیست. مسئولیت بر عهده نهاد و فرد است.
14. هنگام تبدیل گاز گلخانه ای مانند متان (CH4) به CO2 از چه مفهومی استفاده می شود و چرا اهمیت دارد؟
- الف) AQI (شاخص کیفیت هوا)؛ رنگ گاز موجود در هوا را تعیین می کند
- ب) NDVI (شاخص گیاهی)؛ تاثیر گاز خاک را اندازه گیری می کند
- ج) GWP (پتانسیل گرمایش جهانی)؛ اگر حذف شود، اثر متان/N2O بسیار دست کم گرفته می شود
- د) بدون نیاز به ضرایب؛ متان به طور مستقیم مانند CO2 از 1 تا 1 شمارش می کند
توضیحات: GWP (پتانسیل گرمایش جهانی) ضریبی است که اثر گرمایش گازهای گلخانه ای مختلف را به یک واحد مشترک نسبت به CO2 تبدیل می کند. GWP 100 ساله متان تقریباً 28 است. بنابراین 1 تن متان به معنای تقریباً 28 تن CO2 است. اگر GWP حذف شود، تأثیر گازهای قوی مانند متان و N2O بسیار دست کم گرفته می شود و موجودی کاملاً نادرست خواهد بود. همچنین باید بیان شود که کدام مجموعه GWP (به عنوان مثال IPCC AR6، 100 سال) استفاده می شود.