Gains :
- Classification basée sur les risques des domaines où l'IA s'accélère et des domaines où elle présente des risques en ingénierie environnementale
- Capacité à reconnaître le risque d'hallucination des LLM concernant les valeurs limites, les normes et les ressources environnementales
- Capacité à valider les résultats de l'IA en laboratoire, sur le terrain et dans le cadre réglementaire et à appliquer les principes d'éthique et de confidentialité.
Imaginez travailler comme ingénieur en environnement dans une station d’épuration commune d’une zone industrielle organisée. Il y a une augmentation soudaine de la DCO dans l'eau de sortie, dit le chef d'entreprise au téléphone : "Je veux la cause et la solution le plus rapidement possible". Sur votre bureau se trouvent les résultats de laboratoire de la semaine dernière, les enregistrements SCADA et une fenêtre de discussion que vous venez d'ouvrir. Vous demandez à l'IA "pourquoi la DCO de sortie a-t-elle augmenté, notez également la limite de décharge ?" En quelques secondes, le modèle écrit en turc, élément par élément, les raisons possibles ainsi que la phrase « Selon le règlement sur le contrôle de la pollution de l'eau, la limite de rejet de DCO est de 120 mg/L. » Le problème est que ce point d'arrêt a peut-être été ajusté par un modèle ; Selon votre secteur d'activité, l'environnement récepteur et le type d'installation, la limite réelle peut être complètement différente. Cette unité vous apprend à gérer ce moment précis : le moment où votre responsabilité d'ingénierie croise la production rapide mais non vérifiée de l'IA.
Ce que l'IA fait et ne fait pas en ingénierie environnementale
Les grands modèles de langage (LLM) sont des systèmes formés sur le principe de « prédire le mot suivant » sur d'énormes données textuelles. Cela les rend très forts dans le travail linguistique, mais fondamentalement faibles dans la vérification des faits. Le modèle ne « se souvient » pas d’un point d’arrêt, il produit un nombre qui semble statistiquement raisonnable.
Emplois pour lesquels l'IA est bonne en ingénierie environnementale :
- Résumer et rédiger de longues lois, des rapports d'EIE ou des textes de littérature
- Établir la structure, la formule et la logique d'un calcul (bilan de masse, charge d'émission, efficacité)
- Création d'une liste de causes possibles et de scénarios de dépannage
- Préparer des projets de rapports, de tableaux, de présentations et de correspondance
- Expliquer un sujet complexe (par exemple la chimie de la nitrification) étape par étape
Tâches que l’IA ne peut pas effectuer/n’est pas fiable :
- Fournir une valeur limite, un numéro de norme ou un article réglementaire à jour et spécifique au contexte
- Accès aux données de mesure réelles de votre installation (sauf si vous les fournissez)
- Remplacement pour analyse en laboratoire ou mesure sur le terrain
- Assumer la responsabilité juridique/administrative – la signature vous appartient
Astuce : considérez l’IA comme un « stagiaire senior ». Rédacteur rapide, bien lu et bon brouillon ; Mais vous n’envoyez pas chaque impression n’importe où sans la vérifier vous-même. Chaque chiffre et chaque référence à la législation qu’il produit n’est qu’une hypothèse jusqu’à ce que vous la vérifiiez à la source.
Hallucination : valeur limite fabriquée et article réglementaire
On parle d’hallucination lorsque le modèle produit des informations irréelles en toute confiance. Les trois types d’hallucinations les plus dangereux en ingénierie environnementale sont :
- Valeur limite inventée : chiffres qui semblent corrects mais qui peuvent être erronés, tels que « La limite sur 24 heures pour les PM10 est de 50 µg/m³ ».
- Référence législative inventée : « Conformément à l'article 12/3 du règlement... » — le numéro de l'article et le nom du règlement semblent réels, mais le contenu est inventé.
- Source fictive : Un article, un numéro de norme (par exemple "TS EN 12457") ou un guide institutionnel inexistant.
Le tableau ci-dessous montre les modèles de réponses sûrs et risqués que le modèle peut donner à la même question :
Sortie du modèle
Risque
que faire
« La limite de rejet est exactement de 120 mg/L. »
Élevé – nombre exact, sans source
Vérifier à partir de la législation officielle
"Les limites de rejet varient selon les secteurs et les milieux récepteurs ; il convient de consulter le tableau de réglementation pertinent."
Faible – routeur
Toujours à vérifier, mais digne de confiance
"Je ne peux pas vérifier cette valeur, voir source officielle."
faible
comportement idéal
Attention : plus un numéro est écrit de manière précise et sûre, plus il est dangereux s'il ne contient pas de source. Une valeur claire comme « 120 mg/L » vous mettra à l’aise mais donnera une fausse confiance. Ne basez pas votre décision sur une valeur limite qui n’est pas citée.
Division du travail basée sur les risques
Le poids du résultat de la décision est ce qui détermine où utiliser librement l’IA et où l’utiliser uniquement à des fins de rédaction. La classification suivante est une boussole pratique :
Quête
Niveau de risque
Le rôle de l'IA
Vérification obligatoire
Résumé de la littérature/législation, explication du concept
faible
producteur, accélérateur
Recouper les affirmations clés
Brouillon de rapport/correspondance, mise en page de tableau
faible
rédacteur de brouillon
Revue éditoriale
Configuration de l'analyse des données, formule de calcul
moyen
constructeur
Données d'entrée + contrôle manuel du calcul
Scénario de dépannage de processus
moyen
générateur d'idées
Données laboratoire + terrain
Détermination des limites de rejet/émission
haut
Brouillon uniquement
Législation officielle + laboratoire accrédité
Résultat de l'EIE, jugement « impact négligeable »
haut
Brouillon uniquement
Expert + mesure terrain
Décisions en matière de santé humaine et environnementale
critique
Soutenez, ne décidez jamais
Législation complète + approbation d'un expert
La règle est simple : plus le résultat est irréversible et plus il affecte de vies, d’argent et de lois, plus les résultats de l’IA sont vérifiés de manière rigoureuse. Vous gagnez de la vitesse à faible risque ; en cas de risque élevé, l’IA ne produit que le premier projet, les données et la législation prennent la décision.
Invite faible/Invite forte
Deux demandes différentes pour un même besoin donnent lieu à des profils de risque complètement différents :
INVITE FAIBLE : "Quelle est la limite de DCO des rejets d'eaux usées ? Écrivez brièvement." Problème : Force le modèle à s'adapter à un seul nombre précis. Secteur, milieu récepteur, type d'installation non précisés. La sortie est livrée sans source. INVITE FORTE : « Expliquez de quels facteurs (secteur, milieu récepteur, débit) dépend la limite de rejet de DCO pour les eaux usées de l'industrie textile en Turquie. NE PAS indiquer un chiffre exact ; expliquez plutôt étape par étape à partir de quel tableau de réglementation officiel et selon quels paramètres il doit être lu. Si vous n'êtes pas sûr, indiquez « doit être vérifié ». Différence : une invite forte ne permet pas au modèle de correspondre à un numéro ; Il l'utilise comme GUIDE et laisse le dernier mot à la législation.
Éthique et confidentialité des données
En tant qu'ingénieur en environnement, les données dont vous disposez sont souvent sensibles : les enregistrements de surveillance continue (CPMS) d'une entreprise, l'historique des violations, la capacité de production sont des secrets commerciaux. Toutes les données que vous collez dans un outil d’IA public peuvent échapper à votre contrôle.
Principes de base :
- Anonymiser : supprimez le nom de l'entreprise, les coordonnées de l'établissement, les données personnelles et les détails du contrat de l'invite. Au lieu de « entreprise X », écrivez « une usine textile ».
- Protégez les secrets commerciaux : vérifiez la politique de données de votre entreprise avant de partager des informations telles que les données de violation, la capacité et le coût.
- Transparence : si vous avez rédigé un rapport avec l'IA, indiquez-le de manière appropriée dans votre flux de travail ; N'oubliez pas que la responsabilité vous incombe.
# Une simple vérification d'anonymisation avant de mettre les données dans l'invite sensible_fields = ["company_name", "coordination", "tc_no", "capacity", "cost"]def prompt_safe_is(text,sensitive): found = [a for a in sensible if a in text.lower()] return (len(found) == 0, found) example = "company_name: ABC Textile, DCO: 850 mg/L, capacité: 5000 m3/jour"sûr, risqué = prompt_safe_mi(exemple, zones_sensibles)print("Peut-il être envoyé :", sûr) # Falseprint("À nettoyer en premier :", risqué) # ['nom_entreprise', 'capacité']
mini-étui
Un jeune ingénieur d’une société de conseil en environnement demande à l’IA « quel est le code des déchets et la méthode d’élimination des huiles usées » pour un devis urgent. Le modèle renvoie en toute confiance un code de déchet à 6 chiffres et la réponse « élimination par incinération ». L'ingénieur met cela directement dans le devis. Après livraison, l'ingénieur principal vérifie : le code fourni ne correspond pas à l'origine et au contenu réels des déchets ; Une classification correcte ne peut être effectuée qu'avec le rapport d'analyse et la liste officielle des déchets. Un code erroné signifie une mauvaise voie d'élimination et un risque de sanctions administratives. Leçon : Le code donné par l’IA était une hypothèse ; Comme cela n’a pas été vérifié par l’analyse et la législation, il ne peut pas servir de base à la décision.
Erreurs courantes
- Mettre la valeur limite donnée par l'IA dans le rapport sans demander à sa source.
- Considérer la référence à « l'Article X du Règlement » comme fiable sans la comparer avec le texte lui-même.
- Coller des informations confidentielles telles que le nom de l'entreprise, les données de suivi, etc. dans l'outil public.
- Fonder la décision à haut risque (limite de rejet, résultat de l’EIA) sur les résultats de l’IA.
- Prendre le ton confiant du modèle pour une preuve d’exactitude.
- Essayer de transférer la responsabilité sur la machine en disant « AI a dit » ; La signature et la responsabilité incombent à l'ingénieur.
En résumé
- L'IA est un accélérateur en ingénierie environnementale : puissante en matière de brief, de brouillon, d'édition de comptes et de génération de scénarios ; Il n'est pas fiable lorsqu'il s'agit de valeurs limites exactes et de législation.
- Les LLM produisent des hallucinations sur les seuils, les normes et les sources ; les chiffres précis et non sourcés représentent le risque le plus élevé.
- La division du travail est basée sur le risque : plus le résultat est irréversible, plus la vérification est stricte.
- Chaque résultat de l'IA n'est qu'une proposition/un croquis jusqu'à ce qu'il soit validé par le laboratoire, les mesures sur le terrain et la législation gouvernementale.
- Ne fournissez pas de données confidentielles et personnelles à des moyens publics sans les anonymiser.
- AI est un « stagiaire senior » : elle fonctionne, mais l’ingénieur en porte la signature et la responsabilité.
Tâche de candidature
Choisissez cinq tâches dans votre domaine d'études (eaux usées, air, déchets ou EIA) et placez chacune dans le tableau basé sur les risques ci-dessus : rédigez la tâche, déterminez le niveau de risque (faible/moyen/élevé/critique), définissez le rôle de l'IA et l'étape de vérification obligatoire. Choisissez ensuite l'une de ces tâches et écrivez d'abord délibérément une « invite faible », en cochant s'il y a au moins une référence non sourcée aux valeurs limites ou à la législation dans la réponse que vous recevez du modèle ; Ensuite, pour le même besoin, écrivez une « invite forte » qui interdit d'inventer des chiffres et vous dirige vers la source, et comparez les deux sorties côte à côte. Enfin, décrivez en un paragraphe quelle législation gouvernementale et quelles données de laboratoire/de terrain vous utiliserez pour vérifier cette tâche.