પર્યાવરણ અને આબોહવામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, ડેટા ચોકસાઈ, ગ્રીનવોશિંગ અને નીતિશાસ્ત્ર

નફો:

• કૃત્રિમ બુદ્ધિ પર્યાવરણીય કાર્યપ્રવાહ (એકાઉન્ટ, મોનિટરિંગ, રિપોર્ટિંગ, અનુપાલન) માં ક્યાં સમય બચાવે છે અને જ્યાં જોખમના સ્તરના આધારે ઉત્સર્જન પરિબળ, અવકાશ અને દાવા નિર્ણયો મનુષ્યો પર છોડી દેવામાં આવે છે તે પારખવામાં સક્ષમ હોવું.
• એક શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક ડિજિટલ આઉટપુટને એકમ, સ્ત્રોત અને સ્વતંત્ર ચકાસણી પગલાં સાથે તપાસે છે
• શા માટે નકલી ઉત્સર્જન પરિબળો, અવકાશ-યુનિટ મૂંઝવણ અને ગ્રીનવોશિંગ ભાષા એ જોખમો છે તે સમજવું કે આ વ્યવસાય માટે શરૂઆતથી જ ધ્યાનમાં લેવું જોઈએ.

પર્યાવરણ વ્યવસ્થાપન એ હવા, પાણી અને જમીન પર સંસ્થા છોડે છે તેનું માપન, ઘટાડવા અને વિશ્વસનીય રીતે દસ્તાવેજીકરણ કરવાનું કાર્ય છે. સૌથી ક્રૂર નિયમ એ છે કે જો કોઈ સંખ્યા ખોટી હોય, ઉત્સર્જન પરિબળ અચોક્કસ હોય, અથવા દાવો બિનસત્તાવાર હોય, તો સમગ્ર અહેવાલ તૂટી જાય છે — અને હવે તે પતન માટે એક નામ છે: ગ્રીનવોશિંગ, જ્યારે કોઈ સંસ્થા તેના પર્યાવરણીય પ્રદર્શનને વાસ્તવ કરતાં વધુ સારી બનાવે છે. નિયમનકારી દંડ, પ્રતિષ્ઠાનું નુકસાન અથવા રોકાણકારનો મુકદ્દમો એક અપ્રમાણિત સંખ્યાથી ઉદ્ભવી શકે છે. તેથી જ પર્યાવરણ અને આબોહવાની બાબતોમાં આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI) નો ઉપયોગ કરવા માટે શિસ્તની જરૂર છે.

આ એકમમાં, તમે શીખી શકશો કે આપણે જે ટૂલ્સને મોટા લેંગ્વેજ મોડલ્સ કહીએ છીએ (LLM - એક પ્રકારનો AI જે ટેક્સ્ટને આંકડાકીય રીતે બનાવે છે, "આગામી સંભવિત શબ્દ" ના તર્ક સાથે) ખરેખર પર્યાવરણીય કાર્યમાં સમય બચાવે છે, તે ક્યાં જોખમી છે અને દરેક આઉટપુટને કેવી રીતે ચકાસવું.

પ્રથમ, એક નિર્ણાયક ખ્યાલ: આભાસ એ છે જ્યારે AI એવી માહિતી ઉત્પન્ન કરે છે જે ખરેખર સાચી નથી, સંપૂર્ણ વિશ્વાસ સાથે, જાણે તે સાચી હોય. પર્યાવરણીય ક્ષેત્રમાં, આ; તમે બનાવેલ ઉત્સર્જન પરિબળ, અવિદ્યમાન કાયદાના ભાગ, ખોટા એકમ (ટનને બદલે કિલોગ્રામ) અથવા અસ્તિત્વમાં નથી તેવા વૈજ્ઞાનિક અભ્યાસના સંદર્ભના સ્વરૂપમાં આનો સામનો કરી શકો છો. મહત્ત્વનો મુદ્દો આ છે: LLM એ કેલ્ક્યુલેટર, માપન ઉપકરણ કે નિયમનકારી ડેટાબેઝ નથી. તે એક ટેક્સ્ટ જનરેટર છે જે આંકડાકીય રીતે તે પાઠોનું અનુકરણ કરે છે જે તે તાલીમ ડેટામાં જુએ છે. તે મોટાભાગના સમયે વાજબી આઉટપુટ આપે છે; પરંતુ "વાજબી" અને "ચકાસાયેલ" વચ્ચેનો તફાવત પર્યાવરણીય અહેવાલમાં બધું જ છે.

કૃત્રિમ બુદ્ધિ ક્યાં કામ કરે છે અને પર્યાવરણીય બાબતોમાં ક્યાં કામ કરતું નથી?

AI ને ઝડપી ડ્રાફ્ટ, ડેટા ક્યુરેશન અને વિશ્લેષણ ભાગીદાર તરીકે વિચારો: મૂલ્યવાન પરંતુ માન્યતા માટે આવશ્યક છે. નીચેનો તફાવત આ મોડ્યુલની કરોડરજ્જુ છે.

ક્વેસ્ટ

AIનું યોગદાન

નિષ્ણાતની જવાબદારી

કાર્બન ફૂટપ્રિન્ટની ગણતરી

સૂત્રો સુયોજિત કરે છે, પાયથોન કોડ લખે છે

સ્ત્રોતમાંથી ઉત્સર્જન પરિબળની પુષ્ટિ

સેટેલાઇટ/સેન્સર ડેટા વિશ્લેષણ

ડ્રાફ્ટ કોડ અને ટિપ્પણીઓ જનરેટ કરે છે

માપન અને માપાંકનની અધિકૃતતાની પુષ્ટિ

ESG રિપોર્ટ ડ્રાફ્ટ

ટેક્સ્ટ અને ટેબલ હાડપિંજર બનાવે છે

ડેટા સાથે દરેક દાવાને સાબિત કરવું

કાયદાકીય સારાંશ

જટિલ ટેક્સ્ટને સરળ બનાવો

વર્તમાન સત્તાવાર ટેક્સ્ટમાંથી લેખની પુષ્ટિ

આબોહવા જોખમ દૃશ્ય

દૃશ્ય ફ્રેમવર્કની ભલામણ કરે છે

ધારણાઓ અને ડેટાની મર્યાદાઓ તપાસી રહ્યું છે

કચરો/પાણી ઑપ્ટિમાઇઝેશન

મોડેલ અને દરખાસ્ત ડ્રાફ્ટ પ્રદાન કરે છે

ફીલ્ડ લાગુ પડતી ચકાસણી

અંગૂઠાનો નિયમ: નંબરનો માર્ગ શોધવા, કોડ લખવા, ડેટા ગોઠવવા અને ડ્રાફ્ટ જનરેટ કરવા માટે AI નો ઉપયોગ કરો, નંબર જ નહીં; સ્વતંત્ર, વિશ્વસનીય સ્ત્રોત (ઉત્સર્જન પરિબળ ડેટાબેઝ, સરકારી કાયદો, માપાંકિત માપન) માંથી દરેક આંકડાકીય પરિણામ અને દરેક વાસ્તવિક દાવાને ચકાસો.

પર્યાવરણીય બાબતોમાં AI ના ત્રણ ઘાતક ફાંસો

1. ફિટિંગ ઉત્સર્જન પરિબળ અને ગુણાંક. AI એક ઉત્સર્જન પરિબળને "ભરી" શકે છે જે તેને યાદ નથી (ઇંધણ અથવા પ્રવૃત્તિના એકમ દીઠ પ્રકાશિત ગ્રીનહાઉસ વાયુઓની માત્રા) વાજબી લાગે તેવી સંખ્યા સાથે. એક kWh વીજળી માટે ખોટી કાર્બન તીવ્રતા સમગ્ર ઇન્વેન્ટરીને વિક્ષેપિત કરશે.

2. એકમ અને અવકાશ મૂંઝવણ. AI; kg થી ટન, CO₂ થી CO₂e (કાર્બન ડાયોક્સાઇડ સમકક્ષ — વિવિધ ગ્રીનહાઉસ વાયુઓની ગરમીની અસર એક સામાન્ય એકમમાં રૂપાંતરિત થાય છે) સ્કોપ 1 અને સ્કોપ 3 વચ્ચે શાંતિપૂર્વક આગળ વધી શકે છે. પરિણામ સંખ્યાત્મક રીતે વાજબી લાગે છે, પરંતુ તે ખોટું છે.

3. ભાષા કે જે ગ્રીનવોશિંગ ઉત્પન્ન કરે છે. AI સરળતાથી અપ્રમાણિત, હાઇપરબોલિક સ્ટેટમેન્ટ જેમ કે "ઇકો-ફ્રેન્ડલી," "કાર્બન ન્યુટ્રલ," "100% ટકાઉ" જનરેટ કરે છે. આ નિવેદનો હવે ઘણા દેશોમાં કાનૂની જોખમ ધરાવે છે. અમે આને એકમ 11 માં ઊંડાણમાં આવરી લઈશું.

ટીપ: ત્રણ પ્રશ્નો સાથે દરેક સંખ્યાત્મક AI આઉટપુટનો સંપર્ક કરો: (1) તેનું એકમ શું છે (કિલો, ટન, CO₂ અથવા CO₂e)? (2) સ્ત્રોત જાણીતો અને અદ્યતન છે? (3) હું આને સ્વતંત્ર રીતે કેવી રીતે તપાસું? આ ત્રણ પ્રશ્નો કળીમાં મોટાભાગની પર્યાવરણીય ભૂલોને પકડે છે.

સ્ટેપ બાય સ્ટેપ: પર્યાવરણીય રીતે સુરક્ષિત AI વર્કફ્લો

1. કાર્યને તેના અવકાશ અને એકમ સાથે વ્યાખ્યાયિત કરો. "મારા કાર્બનની ગણતરી કરો" ને બદલે "મારા વપરાશ અને સત્તાવાર ઉત્સર્જન પરિબળ સાથે ટન CO₂e માં 2024 માટે સ્કોપ 1 કુદરતી ગેસ કમ્બશનમાંથી ઉત્સર્જનની ગણતરી કરો."

2. પદ્ધતિ અને ધોરણ જણાવો. કયા પ્રોટોકોલ મુજબ? GHG પ્રોટોકોલ અથવા ISO 14064? પ્રમાણભૂત કહેવાથી ખાતરી થાય છે કે આઉટપુટ ઓડિટેબલ છે.

3. સ્ત્રોત માટે પૂછો, બનાવટની મનાઈ કરો. AI ને તેના સ્ત્રોત સાથે ઉત્સર્જન પરિબળ પ્રદાન કરવા સ્પષ્ટપણે કહો, અને જો તે જાણતું ન હોય, તો "આધિકારીક સ્ત્રોતમાંથી આની ચકાસણી કરો".

4. કોડ ચલાવીને ચકાસો. Python એક્ઝેક્યુટેબલ સાથે એકાઉન્ટની પુષ્ટિ કરો. એક નિર્ણાયક (હંમેશા સમાન ઇનપુટ માટે સમાન ચોક્કસ પરિણામ આપે છે) કોડ એલએલએમના હેડ કાઉન્ટ કરતાં વધુ વિશ્વસનીય છે.

5. હકીકતો અને દાવાઓ ચકાસો. ઉત્સર્જન પરિબળો, નિયમનકારી કલમો, લક્ષ્ય મૂલ્યો - તે બધાને વિશ્વસનીય સંદર્ભ (IPCC, DEFRA/EPA ફેક્ટર કોષ્ટકો, સત્તાવાર ગેઝેટ) પરથી ચકાસો.

ત્રણ નાના કેસો

કેસ 1 - કાલ્પનિક ઉત્સર્જન પરિબળ. સ્થિરતા નિષ્ણાતે AI ને કુદરતી ગેસના ઉત્સર્જન પરિબળ માટે પૂછ્યું અને જવાબ મળ્યો: "2.75 kg CO₂e/m³". નિષ્ણાતે સત્તાવાર કોષ્ટક સાથે મૂલ્યની સરખામણી કરી: વાસ્તવિક મૂલ્ય આશરે 2.02 kg CO₂e/m³ હતું. AI મૂલ્યમાં 36%નો વધારો થયો હતો. 500,000 m³ ના વપરાશ માટે, આનો અર્થ અંદાજે 365 ટન CO₂eની ઇન્વેન્ટરીમાં કાલ્પનિક સરપ્લસ હતો. ચકાસણી વિના, સમગ્ર અહેવાલ ખોટો હશે. સમય ગુમાવ્યો: 4 મિનિટ.

કેસ 2 - અવકાશ મૂંઝવણ. એક વિશ્લેષકે AIને કંપનીના કુલ ફૂટપ્રિન્ટ માટે પૂછ્યું. AI એ ખરીદેલી વીજળી (સ્કોપ 2) અને સપ્લાય ચેઇન ઉત્સર્જન (સ્કોપ 3) ને એક જ "કુલ" માં મિશ્રિત કરી, છતાં સ્કોપ 3 ની માત્ર એક આઇટમની ગણતરી કરી. જ્યારે વિશ્લેષકે GHG પ્રોટોકોલના અવકાશ વિભાજનને લાગુ કર્યું, ત્યારે તેને સમજાયું કે અહેવાલમાં દરેક અવકાશ અલગથી દર્શાવવો જોઈએ અને તે સ્કોપ 3 ખૂટે છે. ઓડિટ પાસ કરવા માટે કરેક્શન એ પૂર્વશરત હતી.

કેસ 3 - ચકાસણી સાચવેલ પ્રતિષ્ઠા. એક કોમ્યુનિકેશન ટીમે એઆઈને પ્રોડક્ટની માર્કેટિંગ નકલ માટે પૂછ્યું; AI એ "સંપૂર્ણપણે કાર્બન ન્યુટ્રલ અને પર્યાવરણ પર શૂન્ય અસર" સૂચવ્યું. ટીમને સમજાયું કે તેમની પાસે કોઈ જીવનચક્ર ડેટા નથી અને આ સાબિત કરવા માટે કોઈ ચકાસાયેલ ઑફસેટ દસ્તાવેજો નથી; નિવેદનને પુરાવા સાથે વાક્ય સાથે બદલ્યું જેમ કે "અમે 2023 સુધીમાં ઉત્પાદન ઉત્સર્જનમાં 18% ઘટાડો કર્યો છે (સ્વતંત્ર ચકાસણી: X)". આ ફેરફારથી સંભવિત ગેરમાર્ગે દોરતી જાહેરાત તપાસને શરૂઆતથી જ અટકાવવામાં આવી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

મારી કંપનીના કાર્બન ફૂટપ્રિન્ટની ગણતરી કરો.

તે કેમ નબળું છે: કોઈ અવકાશ, એકમો, પદ્ધતિઓ અને ડેટા નથી. AI ફેબ્રિકેશન સાથે ખાલી જગ્યાઓ ભરે છે; આઉટપુટ નિયંત્રિત કરી શકાતું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ગ્રીનહાઉસ ગેસ ઇન્વેન્ટરી નિષ્ણાત. GHG પ્રોટોકોલ અનુસાર સ્કોપ 1 ની ગણતરી કરો. ડેટા: કુદરતી ગેસનો વપરાશ 480,000 m³, ડીઝલ 12,000 L. હું ઉત્સર્જન પરિબળ આપીશ; પરિબળ બનાવશો નહીં, તેના બદલે [ફેક્ટર] લેબલ છોડો અને તે ક્યાંથી લેવું જોઈએ તે લખો. એક્ઝિક્યુટેબલ પાયથોન કોડ વડે ટન CO₂eમાં ગણતરી કરો. બળતણ દ્વારા અને કુલ મળીને ટેબ્યુલર સ્વરૂપમાં પરિણામો આપો.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) અવકાશ અને એકમ સ્પષ્ટતા સાથે ગણતરી:

તમારી ભૂમિકા: કાર્બન ઇન્વેન્ટરી નિષ્ણાત. નીચેની પ્રવૃત્તિની ગણતરી કરો: [પ્રવૃત્તિ].માનક: GHG પ્રોટોકોલ. સ્પષ્ટપણે અવકાશ જણાવો (1/2/3). એકમ: ટન CO₂e. હું ઉત્સર્જન પરિબળ આપીશ અથવા તમે સ્રોત કહી શકો છો અને [FACTOR] ટેગ છોડી શકો છો; FITTING. એક્ઝિક્યુટેબલ પાયથોન કોડ વડે ગણતરીને ચકાસો.

2) પરિબળ/ડેટા પુષ્ટિ:

[ઈંધણ/પ્રવૃત્તિ] માટે ઉત્સર્જન પરિબળ અને એકમ લખો. સ્ત્રોત જણાવો (દા.ત. IPCC, DEFRA, સ્થાનિક સત્તાવાર ટેબલ) અને વર્ષ. જો તમને ચોક્કસ મૂલ્ય ખબર ન હોય, તો "અધિકૃત ટેબલ પરથી ચકાસો" કહો અને ફિટ ન કરો. જો મૂલ્ય વિવિધ સ્ત્રોતોથી બદલાય છે, તો આ જણાવો.

3) ગ્રીનવોશિંગ ફિલ્ટર:

નીચે પર્યાવરણીય દાવા તપાસો. દરેક વાક્ય માટે, પૂછો:(1) શું તે માપી શકાય છે? (2) શું પુરાવા/ડેટા છે? (3) શું તે અસ્પષ્ટ છે (જેમ કે "ઇકો-ફ્રેન્ડલી")? ફ્લેગ સ્ટેટમેન્ટ કે જેમાં પુરાવાનો અભાવ હોય અથવા અતિશયોક્તિ હોય અને પુરાવા આધારિત, માપેલ વિકલ્પ સૂચવે છે. દાવો કરો: [અહીં]

4) મારું પોતાનું એકાઉન્ટ તપાસું છું:

નીચે મારી ઉત્સર્જનની ગણતરી છે. દરેક પગલું, એકમ અને અવકાશ વર્ગ તપાસો. એકમની સુસંગતતા (kg↔ton, CO₂↔CO₂e) અને પરિબળની વ્યાજબીતા તપાસો. જો કોઈ ભૂલ હોય, તો કઈ લીટી અને શા માટે બતાવો. નવું ખાતું બનાવવું; ખાણ તપાસો: [અહીં]

સામાન્ય ભૂલો

• ઉત્સર્જન પરિબળની AI ને "યાદ અપાવવી". દેશ, વર્ષ અને બળતણ પ્રમાણે પરિબળો બદલાય છે; હંમેશા ટેબલ પરથી ચિત્ર લો.
• મિક્સિંગ સ્કોપ્સ. સ્કોપ 1 (ડાયરેક્ટ), સ્કોપ 2 (ખરીદેલી ઊર્જા) અને સ્કોપ 3 (મૂલ્ય સાંકળ) અલગથી જાણ કરવી જોઈએ.
• CO₂ ને CO₂e સાથે સમીકરણ. મિથેન અને નાઈટ્રસ ઓક્સાઇડ જેવા વાયુઓ CO₂ કરતાં વધુ બળવાન છે; બધાને CO₂e માં રૂપાંતરિત કરવું આવશ્યક છે.
• ટેક્સ્ટમાં પુરાવા વિના દાવો મૂકવો. "કાર્બન ન્યુટ્રલ" જેવા શબ્દસમૂહો ચકાસાયેલ ડેટા અને દસ્તાવેજો વિના કાનૂની જોખમો છે.
• નંબર ચલાવ્યા વગર સ્વીકારી લેવો. હંમેશા કોડ દ્વારા અથવા મેન્યુઅલી પરત કરેલ કુલ LLM પ્રદાન કરો.

સાવધાન: પર્યાવરણીય ડેટામાં ઘણીવાર વ્યક્તિગત અથવા વેપાર રહસ્યો હોતા નથી; પરંતુ સપ્લાયર કરારો, પ્લાન્ટ-સ્તરના ઉત્પાદનના આંકડા અને ગ્રાહક ડેટા ગોપનીય હોઈ શકે છે. આને સાર્વજનિક AI ટૂલ્સમાં પેસ્ટ કરતા પહેલા તમારી એન્ટરપ્રાઇઝ પોલિસી તપાસો. અમે એકમ 11 માં ગોપનીયતાના મુદ્દાને આવરી લઈશું.

સારાંશમાં

પર્યાવરણ અને આબોહવામાં AI; એક શક્તિશાળી સહાયક છે જે કોડ લખે છે, ડેટા ગોઠવે છે, ડ્રાફ્ટ જનરેટ કરે છે અને સારાંશ આપે છે-પરંતુ તે માપન ઉપકરણ, કેલ્ક્યુલેટર અથવા નિયમનકારી સંસાધન નથી. ઉત્સર્જન પરિબળોની પુષ્ટિ, અવકાશ અને એકમની ચોકસાઈ, દાવાઓની પુષ્ટિ અને ગ્રીનવોશિંગને ટાળવાની જવાબદારી સક્ષમ નિષ્ણાતની છે. દરેક સંખ્યા સ્ત્રોત પર આધારિત હોવી જોઈએ, દરેક દાવો પુરાવા પર આધારિત હોવો જોઈએ.

એપ્લિકેશન કાર્ય

તમારી પોતાની સંસ્થામાંથી પર્યાવરણીય પ્રવૃત્તિ પસંદ કરો (અથવા અનુમાનિત ઉદાહરણ)—ઉદાહરણ તરીકે, સુવિધાનો માસિક કુદરતી ગેસનો વપરાશ. ઉપરના નમૂના 1 નો ઉપયોગ કરીને AI ની ગણતરી કરો, પરંતુ ઉત્સર્જન પરિબળ ખાલી છોડો. પછી સત્તાવાર કોષ્ટકમાંથી પરિબળ શોધો અને તેને બદલો. છેલ્લે, 3જી ટેમ્પલેટ સાથે, ગ્રીનવોશિંગ માટે ચકાસાયેલ આ પ્રવૃત્તિ માટે તમે લખશો તે એક-વાક્ય સંચાર ટેક્સ્ટ રાખો. એક પૃષ્ઠ પરના ત્રણેય પ્રિન્ટઆઉટની સરખામણી કરો.

ચેકલિસ્ટ

• [ ] મેં કાર્યને અવકાશ (1/2/3) અને એકમ (ટન CO₂e) દ્વારા વ્યાખ્યાયિત કર્યું.
• [ ] મેં AI ને ઉત્સર્જન પરિબળ માટે યોગ્ય બનાવ્યું નથી; મેં સ્રોતમાંથી તેની પુષ્ટિ કરી.
• [ ] મેં એક્ઝિક્યુટેબલ કોડ દ્વારા અથવા મેન્યુઅલી એકાઉન્ટની જોગવાઈ કરી છે.
• [ ] મેં CO₂ અને CO₂e અને kg અને ટન વચ્ચે સાચો તફાવત કર્યો.
• [ ] મેં ટેક્સ્ટમાંના દરેક દાવાને પુરાવા સાથે મેળ ખાય છે, અતિશયોક્તિભરી ભાષા સાફ કરી છે.
• [ ] મેં ગુપ્ત ડેટાને ઓપન AI ટૂલમાં પેસ્ટ કરતા પહેલા પોલિસી તપાસી.