ગ્રીનવોશિંગ, ડેટા ઇન્ટિગ્રિટી, એથિક્સ, પ્રાઇવસી અને એન્ડ-ટુ-એન્ડ વર્કફ્લો ટાળો

નફો:

• ગ્રીનવોશિંગના પ્રકારોને ઓળખવાની ક્ષમતા (અનિશ્ચિત, અપ્રમાણિત, છુપાયેલ વિનિમય, અતિશયોક્તિપૂર્ણ ભાવિ) અને દાવો માપી શકાય તેવું, સ્ત્રોત અને સ્કોપ્ડ બનાવવાની ક્ષમતા.
• વાહનને આપવામાં આવનાર ડેટાને ગોપનીયતાના સંદર્ભમાં વર્ગીકૃત કરવાની અને વેપારના રહસ્યો અને વ્યક્તિગત ડેટાને સુરક્ષિત કરવાની ક્ષમતા
• ડેફિનેશનથી વેરિફિકેશન સુધીના એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટનો અમલ કરવાની ક્ષમતા અને 'એઆઈએ કહ્યું' સંરક્ષણ પર આધાર રાખ્યા વિના અંતિમ જવાબદારી સ્વીકારવાની ક્ષમતા

આ મોડ્યુલના દરેક એકમમાં એક સિદ્ધાંત પુનરાવર્તિત હતો: સંખ્યા સ્ત્રોત પર આધારિત હોવી જોઈએ, દાવો પુરાવા પર આધારિત હોવો જોઈએ. આ અંતિમ એકમ તે સિદ્ધાંતને એકીકૃત કરે છે. પર્યાવરણ અને આબોહવામાં AI નું સૌથી મોટું જોખમ ખોટી ગણતરી નથી, પરંતુ તે એક વિશ્વાસપાત્ર પરંતુ પાયાવિહોણી વાર્તા પેદા કરે છે. આ એકમમાં તમે ગ્રીનવોશિંગને કેવી રીતે ઓળખવું અને અટકાવવું, ડેટાની સચોટતા, નીતિશાસ્ત્ર અને ગોપનીયતાની ખાતરી કેવી રીતે કરવી અને સમગ્ર મોડ્યુલને એકીકૃત કરતા એન્ડ-ટુ-એન્ડ વર્કફ્લો શીખીશું.

ગ્રીનવોશિંગની શરીરરચના

ગ્રીનવોશિંગ ત્યારે થાય છે જ્યારે કોઈ સંસ્થા તેના પર્યાવરણીય પ્રદર્શનને તે વાસ્તવમાં છે તેના કરતા વધુ સારી બનાવે છે. કારણ કે AI અસ્ખલિત અને પ્રેરક લખાણ ઉત્પન્ન કરવામાં ખૂબ જ સારી છે, તે અજાણતાં ગ્રીનવોશિંગ ઉત્પન્ન કરવા માટે પણ ખૂબ જોખમી છે. મુખ્ય પ્રકારો:

ગ્રીનવોશિંગ પ્રકાર

તમારો મતલબ શું છે?

ઉદાહરણ

અસ્પષ્ટ દાવો

માપી ન શકાય એવો, અવ્યાખ્યાયિત શબ્દ

"ઇકો-ફ્રેન્ડલી", "કુદરતી", "લીલો"

પુરાવા વિના દાવો

ડેટા વિના નંબર/લક્ષ્ય

"અમે કાર્બન ન્યુટ્રલ છીએ" (કોઈ દસ્તાવેજ નથી)

ગુપ્ત વિનિમય

સારાને હાઇલાઇટ કરે છે અને મોટા ખરાબને છુપાવે છે

"પેકેજિંગ રિસાયકલ કરી શકાય તેવું છે" પરંતુ ઉત્પાદન ખૂબ જ પ્રદૂષિત છે

અપ્રસ્તુત દાવો

સદ્ગુણ તરીકે જે પહેલાથી જ જરૂરી/બિનમહત્વનું છે તેને રજૂ કરવું

"પ્રતિબંધિત પદાર્થ સમાવતો નથી"

નકલી લેબલ

બનાવટી/અચકાસાયેલ પ્રમાણપત્ર દેખાવ

સ્વયં શોધાયેલ "લીલો" લોગો

ઉડાઉ ભવિષ્ય

પુરાવા વિના દૂરના લક્ષ્યમાં આશ્રય લેવો

"અમે 2050 માં તટસ્થ રહીશું" (કોઈ વચગાળાની યોજના નથી)

ટીપ: સારા પર્યાવરણીય દાવાની ત્રણ લાક્ષણિકતાઓ છે: માપી શકાય તેવી (એક સંખ્યા), સાબિત (પુરાવાનો ટુકડો), અને અવકાશમાં સ્પષ્ટ (ક્યારે સરખામણી કરવામાં આવે છે તે સ્પષ્ટ કરો). જો દાવો આ ત્રણમાંથી એક ખૂટે છે, તો તેને પ્રકાશિત કરતા પહેલા રોકો.

ડેટા ચોકસાઈ: મોડ્યુલનો સુવર્ણ નિયમ

અમે દરેક એકમમાં જે ચકાસણી શિસ્ત જોઈએ છીએ તે એક જ વાક્યમાં સારાંશ આપી શકાય છે: AI દ્વારા ઉત્પાદિત કોઈપણ સંખ્યા અથવા હકીકત સ્વતંત્ર સ્ત્રોત દ્વારા પુષ્ટિ કર્યા વિના નિર્ણય, અહેવાલ અથવા દાવામાં ફેરવાતી નથી. અધિકૃત કોષ્ટકમાંથી ઉત્સર્જન પરિબળની પુષ્ટિ કરવામાં આવે છે, વર્તમાન ટેક્સ્ટમાંથી કાયદાના લેખની પુષ્ટિ થાય છે, માપાંકિત ઉપકરણમાંથી માપની પુષ્ટિ થાય છે, અને એક્ઝેક્યુટેડ કોડમાંથી ગણતરીની પુષ્ટિ થાય છે. AI વેગ આપે છે; તે સત્યવાદી માણસ છે.

નીતિશાસ્ત્ર અને ગોપનીયતા

નીતિશાસ્ત્ર: પર્યાવરણીય ડેટા જાહેર જનતા અને ભાવિ પેઢીઓની ચિંતા કરે છે; ડેટા મસાજ, પસંદગીયુક્ત રિપોર્ટિંગ અથવા અનિશ્ચિતતા છુપાવવી એ નૈતિક ઉલ્લંઘન છે. AI ને "રિપોર્ટ વધુ સારી રીતે બતાવવા" માટે કહો નહીં, પરંતુ "રિપોર્ટને વધુ ચોક્કસ અને સમજી શકાય તે રીતે બતાવો".

ગોપનીયતા: પ્લાન્ટ-સ્તરના ઉત્પાદનના આંકડા, સપ્લાયર કરારો, અપ્રગટ ઉત્સર્જન ડેટા વેપાર રહસ્યો હોઈ શકે છે; કર્મચારીની મુસાફરી અથવા સ્થાન ડેટા વ્યક્તિગત ડેટા હોઈ શકે છે. કોર્પોરેટ પોલિસી અને ડેટા પ્રોટેક્શન નિયમો (દા.ત. KVKK/GDPR) ને સાર્વજનિક AI સાધનોમાં પેસ્ટ કરતા પહેલા તપાસો; જો શક્ય હોય તો અનામી બનાવો અથવા એન્ટરપ્રાઇઝ, ડેટા-પ્રૂફ ટૂલનો ઉપયોગ કરો.

સાવધાન: "એઆઈએ આમ કહ્યું" એ કોઈ સંરક્ષણ નથી. સંસ્થા અને હસ્તાક્ષર કરનાર ખોટા ઉત્સર્જન અહેવાલ, ગેરમાર્ગે દોરતી જાહેરાત અથવા લીક થયેલ ગોપનીય ડેટા માટે જવાબદાર છે. AI એક સાધન છે; તે એક એવી વ્યક્તિ છે જે જવાબદાર છે.

એન્ડ-ટુ-એન્ડ વર્કફ્લો: મોડ્યુલ એસેમ્બલ કરો

શરૂઆતથી અંત સુધી આત્મવિશ્વાસ સાથે પર્યાવરણીય દાવા અથવા રિપોર્ટ તૈયાર કરવા માટે અહીં છ પગલાં છે:

1. વ્યાખ્યાયિત કરો. શું જાણ/દાવો કરવામાં આવશે? શું અવકાશ, એકમ, ધોરણ, સમયગાળો સ્પષ્ટ છે?

2. ડેટા એકત્રિત કરો અને પુષ્ટિ કરો. શું દરેક મુદ્દામાં શોધી શકાય એવો સ્ત્રોત છે? શું પરિબળો સત્તાવાર છે?

3. ગણતરી કરો અને ચકાસો. કોડમાં અંકગણિત કરો અને પરિણામ એકમો અને ઓર્ડર સાથે આપો.

4. સ્કેચ. AI સાથે ટેક્સ્ટ હાડપિંજર બનાવો; દરેક વાક્યને પુરાવા સાથે જોડો.

5. તેને ગ્રીનવોશિંગ ફિલ્ટરમાંથી પસાર કરો. અસ્પષ્ટ, અપ્રમાણિત, અતિશયોક્તિપૂર્ણ નિવેદનો દૂર કરો.

6. ચકાસો અને જવાબદારી લો. સ્વતંત્ર ખાતરી/નિષ્ણાત નિયંત્રણ; અંતિમ મંજૂરી માણસ પાસે છે.

ત્રણ નાના કેસો

કેસ 1 - અસ્ખલિત પરંતુ નિરાધાર. એક ટીમ પાસે AI એ ટકાઉપણું સંક્ષિપ્ત લખે છે; ટેક્સ્ટ પ્રભાવશાળી હતો, પરંતુ "ઉદ્યોગ-અગ્રણી ટકાઉપણું," "નજીક-શૂન્ય અસર" જેવા બિન-પ્રમાણપાત્ર શબ્દસમૂહોથી ભરેલું હતું. ગ્રીનવોશિંગ ફિલ્ટર લાગુ કરવું (નીચેનો નમૂનો 1) ચિહ્નિત કરાયેલા સાત અપ્રમાણિત દાવાઓ; દરેકને કાં તો સાબિત નંબર દ્વારા બદલવામાં આવ્યો હતો અથવા દૂર કરવામાં આવ્યો હતો. અહેવાલ ટૂંકો હતો પરંતુ બચાવપાત્ર હતો.

કેસ 2 - લીક થયેલ ડેટા. એક વિશ્લેષકે જાહેરમાં ઉપલબ્ધ AI ટૂલમાં હજુ સુધી જાહેર કરવામાં આવેલ સુવિધા ઉત્સર્જન ડેટા પેસ્ટ કર્યો અને વિશ્લેષણની વિનંતી કરી. અનુપાલન ટીમને સમજાયું કે આ એક વેપાર રહસ્ય છે અને સંભવિત નિયમનકારી જાહેરાતનું ઉલ્લંઘન છે; પ્રક્રિયા બંધ કરવામાં આવી હતી, ડેટા કોર્પોરેટ (લીક-પ્રૂફ) ટૂલમાં ખસેડવામાં આવ્યો હતો. પાઠ: ટૂલને આપતા પહેલા ડેટાનો વર્ગ (ગોપનીય?) નક્કી કરો.

કેસ 3 — માન્યતા સાંકળ. એક સંસ્થાએ તેના સમગ્ર વાર્ષિક અહેવાલ માટે "દાવો-પુરાવા" ટેબલ રાખ્યું: દરેક વાક્યમાં દરેક સંખ્યાની સામે તેનો સ્ત્રોત છે. જ્યારે ઓડિટર આવ્યા, ત્યારે તેઓ દરેક દાવાને મિનિટોમાં ટ્રૅક કરવામાં સક્ષમ હતા; ખાતરી પ્રક્રિયા સરળતાથી ચાલી હતી. આ શિસ્ત મોડ્યુલના તમામ એકમોનો મુખ્ય હતો અને વાસ્તવિક દુનિયામાં સમય અને ઓળખ બચાવી હતી.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

અમારા ટકાઉપણું સંદેશને વધુ પ્રભાવશાળી બનાવો.

શા માટે તે નબળું છે: "પ્રભાવશાળી" ની ઇચ્છા એઆઈને અતિશય અને અસ્પષ્ટ વખાણમાં ધકેલે છે; ગ્રીનવોશિંગ ઉત્પન્ન કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: પર્યાવરણીય સંચાર સંપાદક અને ગ્રીનવોશિંગ ઓડિટર. નીચેના લખાણને વધુ યોગ્ય અને સમજી શકાય તેવું બનાવો, "ચમકદાર" નહીં. દરેક દાવો પૂછે છે: શું તે માપી શકાય છે, શું તે સ્ત્રોત છે, શું તેનો અવકાશ સ્પષ્ટ છે? ધ્વજ અસ્પષ્ટ ("ઇકો-ફ્રેન્ડલી"), અવિશ્વસનીય ("તટસ્થ"), અને અતિશયોક્તિપૂર્ણ નિવેદનો અને પુરાવા આધારિત, માપેલા વિકલ્પો સૂચવે છે. કોઈ પુરાવા ન હોય તેવા દાવાને દૂર કરો. ટેક્સ્ટ: [અહીં]

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) ગ્રીનવોશિંગ કંટ્રોલ ફિલ્ટર:

તમારી ભૂમિકા: ગ્રીનવોશિંગ ઓડિટર. દરેક પર્યાવરણીય દાવાને નીચેના લખાણમાં ટેબલ કરો: (દાવો | શું તે માપી શકાય છે | શું પુરાવા છે | શું તે અનિશ્ચિત છે | ચુકાદો). જે અસ્પષ્ટ/અપ્રમાણિત/અતિશયોક્તિપૂર્ણ છે તેને ચિહ્નિત કરો અને દરેક માટે માપેલ, પુરાવા-આધારિત વિકલ્પ સૂચવો. ટેક્સ્ટ: [અહીં]

2) દાવો-પુરાવા મેચિંગ ટેબલ:

નીચે આપેલા રિપોર્ટ ટેક્સ્ટમાંથી દરેક આંકડાકીય અને હકીકતલક્ષી દાવાને છીનવી લો. દરેક માટે "સ્રોત" કૉલમ છોડો. અસ્પષ્ટ સ્ત્રોત સાથેના કોઈપણ દાવાને "પ્રૂફ જરૂરી" તરીકે ચિહ્નિત કરો. ટેક્સ્ટ બદલો; તપાસો. ટેક્સ્ટ: [અહીં]

3) ગોપનીયતા પૂર્વ-તપાસ:

AI ટૂલમાં પ્રક્રિયા કરતા પહેલા નીચેના ડેટાને વર્ગીકૃત કરો: શું તેમાં વેપારના રહસ્યો (પ્લાન્ટનું ઉત્પાદન, સપ્લાયરની કિંમત), વ્યક્તિગત ડેટા (નામ, સ્થાન) અથવા અપ્રગટ નાણાકીય માહિતી શામેલ છે? જોખમી વિસ્તારોને ફ્લેગ કરો અને અનામીકરણ/દૂર કરવાની ભલામણ કરો. ડેટા ઉદાહરણ: [અહીં]

4) એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટ:

નીચે પર્યાવરણ રિપોર્ટ/દાવા માટે અંતિમ તપાસ કરો. ક્રમમાં: (1) સ્કોપ-યુનિટ-સ્ટાન્ડર્ડ ક્લિયર છે, (2) દરેક નંબર સોર્સ કરેલ છે, (3) અંકગણિત ચકાસાયેલ છે, (4) ગ્રીન વોશિંગ છે, (5) ગોપનીય/વ્યક્તિગત ડેટા લીક થયો છે. દરેક આઇટમ માટે પાસ/ફેલ અને વાજબીપણું આપો. સામગ્રી: [અહીં]

સામાન્ય ભૂલો

• ઇચ્છતા "પ્રભાવશાળી" આ AI ને હાઇપરબોલ અને ગ્રીન વોશિંગમાં ધકેલે છે; "સચોટ અને સમજી શકાય તેવું" માટે પૂછો.
• અસ્પષ્ટ દાવા પર ધ્યાન આપતા નથી. "ઇકો-ફ્રેન્ડલી" જેવા શબ્દસમૂહો અમાપ અને જોખમી છે.
• એક ઓપન ટૂલ પર ગોપનીય ડેટાની નિકાસ કરવી. પહેલા ડેટાનું વર્ગીકરણ કરો અને જો જરૂરી હોય તો તેને અનામી કરો.
• "એઆઈએ આવું કહ્યું" સાથે બચાવ કર્યો. જવાબદારી હંમેશા વ્યક્તિની હોય છે.
• વેરિફિકેશન ચેન જાળવતા નથી. દરેક દાવાના સ્ત્રોત ઓડિટેબલ હોવા જોઈએ.

સારાંશમાં

પર્યાવરણ અને આબોહવામાં સુરક્ષિત રીતે AI નો ઉપયોગ કરવાનો સાર એ એક જ શિસ્ત છે: પ્રાપ્ત થયેલ દરેક સંખ્યા, દરેક દાવા સાબિત, દરેક વર્ગીકૃત દરેક ટૂલને આપવામાં આવેલ દરેક ડેટા, દરેક અંતિમ નિર્ણય માનવ. ગ્રીનવોશિંગ એ પ્રવાહી ભાષાની જાળ છે; તેનાથી બચવાનો માર્ગ માપી શકાય તેવા, સ્ત્રોત અને ચોક્કસ અવકાશ ધરાવતા દાવા કરવાનો છે. AI; ગણતરી કરે છે, સ્કેન કરે છે, ડ્રાફ્ટ બનાવે છે અને ગોઠવે છે - પરંતુ તે સક્ષમ નિષ્ણાત છે જે ચકાસે છે, નિર્ણય લે છે અને જવાબદાર છે. ઉચ્ચ-પરિણામવાળા પર્યાવરણીય કાર્યમાં, AI આઉટપુટ નિષ્ણાતની ચકાસણી અને માન્યતાનો વિકલ્પ નથી; તે માત્ર તેને ઝડપી બનાવે છે.

એપ્લિકેશન કાર્ય

તમે સમગ્ર મોડ્યુલ દરમિયાન ઉત્પન્ન કરેલ એક ડિલિવરેબલ પસંદ કરો (એક ઉત્સર્જન સારાંશ, પાણીનું વિશ્લેષણ અથવા ESG વિભાગ). પ્રથમ નમૂના 1 સાથે ગ્રીનવોશિંગ ઓડિટ કરો અને તમને મળેલા કોઈપણ બિનસલાહભર્યા દાવાઓને ઠીક કરો. પછી 2જી ટેમ્પલેટ સાથે દાવો-પુરાવા કોષ્ટક બનાવો અને સ્ત્રોત વિના બાકીની સંખ્યાઓ પૂર્ણ કરો. છેલ્લે, 4 થી ટેમ્પ્લેટ સાથે એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટ લાગુ કરો; જ્યાં સુધી તમને પાંચેય વસ્તુઓ પર "પાસ" ન મળે ત્યાં સુધી યોગ્ય કરો.

ચેકલિસ્ટ

• [ ] મેં દરેક દાવાને માપવા યોગ્ય, સ્ત્રોત અને અવકાશ વિશિષ્ટ બનાવ્યો છે.
• [ ] મેં ગ્રીનવોશિંગ ફિલ્ટર વડે અસ્પષ્ટ/અતિશયોક્તિયુક્ત ભાષાને સાફ કરી.
• [ ] મેં AI દ્વારા ઉત્પાદિત દરેક નંબરની સ્વતંત્ર રીતે ચકાસણી કરી છે.
• [ ] મેં ગોપનીયતા માટે ટૂલને આપેલો ડેટા વર્ગીકૃત/અનામી રાખ્યો છે.
• [ ] મારી પાસે અંકગણિત કોડેડ હતું અને તેને એકમો અને રેન્ક આપ્યા હતા.
• [ ] મેં અંતિમ જવાબદારી લીધી; હું "AI જણાવ્યું" સંરક્ષણ પર આધાર રાખતો ન હતો.

મોડ્યુલ પરીક્ષા

1. પર્યાવરણ અને આબોહવામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે નીચેનામાંથી કયું સ્થાન સૌથી સચોટ છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ કોડ, ડેટા અને બ્લુપ્રિન્ટ્સનું સહાયક છે; પરિબળો, અવકાશ, પુરાવા અને નૈતિક નિર્ણયોની જવાબદારી મનુષ્યો પર રહે છે ✔
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ માપવાનું ઉપકરણ છે અને તે જે ઉત્સર્જન મૂલ્યો આપે છે તે હંમેશા સચોટ હોય છે.
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માત્ર રિપોર્ટ લખવામાં જ ઉપયોગી છે, તેને એકાઉન્ટિંગ અને મોનિટરિંગ સાથે કોઈ લેવાદેવા નથી
• ડી) કૃત્રિમ બુદ્ધિ માણસો કરતાં વધુ નિષ્પક્ષ હોવાથી, તમામ પર્યાવરણીય નિર્ણયો તેના પર છોડી દેવા જોઈએ.

વર્ણન: કૃત્રિમ બુદ્ધિ; તે એક સહાયક છે જે કોડ લખે છે, ડેટા ગોઠવે છે, ડ્રાફ્ટ બનાવે છે અને સારાંશ આપે છે. જો કે, ઉત્સર્જન પરિબળ, અવકાશ અને એકમની ચોકસાઈની પુષ્ટિ, દાવાઓની પુષ્ટિ અને અંતિમ જવાબદારી સક્ષમ નિષ્ણાત પર રહે છે. મોટા ભાષાનું મોડેલ એ કોઈ માપન ઉપકરણ, કેલ્ક્યુલેટર અથવા કાયદાનો સ્ત્રોત નથી; ટેક્સ્ટ જનરેટર છે જે 'આગામી સંભવિત શબ્દ' ઉત્પન્ન કરે છે અને તેનું ચકાસાયેલ આઉટપુટ ખોટા અહેવાલ અથવા દાવા તરફ દોરી શકે છે.

2. ગ્રીનહાઉસ ગેસ ઇન્વેન્ટરીમાં 'પ્રવૃત્તિ ડેટા × ઉત્સર્જન પરિબળ'ની ગણતરી કરવા માટે કયો અભિગમ સાચો છે?

• A) કૃત્રિમ બુદ્ધિમત્તા યાદ રાખે છે તે પરિબળનો ઉપયોગ કરીને અને તેને જાતે જ કુલ કરવું
• B) દેશ અને વર્ષ દ્વારા સત્તાવાર કોષ્ટકમાંથી પરિબળ લઈને એક્ઝિક્યુટેબલ કોડ વડે સરવાળો બનાવવો ✔
• C) તમામ વાયુઓને CO₂ તરીકે ગણવા અને GWP રૂપાંતરણને છોડવું
• ડી) દરેક દેશ માટે ડિફોલ્ટ (દા.ત. યુએસ) ગ્રીડ પરિબળનો ઉપયોગ કરવો

વર્ણન: ઉત્સર્જન પરિબળો દેશ, વર્ષ અને બળતણ પ્રમાણે બદલાય છે; 'રિમાઇન્ડિંગ' AI બનાવટનું જોખમ રજૂ કરે છે. પરિબળ હંમેશા અધિકૃત કોષ્ટક (IPCC, DEFRA/EPA, રાષ્ટ્રીય ઇન્વેન્ટરી) પરથી પુષ્ટિ થવી જોઈએ; મલ્ટિ-લાઇન ટોટલ્સ એક્ઝિક્યુટેબલ કોડ સાથે થવું જોઈએ, મેન્યુઅલી નહીં. યોગ્ય GWP સેટ સાથે મિથેન અને N₂O આવશ્યકપણે CO₂e માં રૂપાંતરિત થાય છે.

3. GHG પ્રોટોકોલ મુજબ, ખરીદેલી વીજળીના ઉત્પાદનના પરિણામે ઉત્સર્જનનો સમાવેશ કયા અવકાશમાં થાય છે?

• A) અવકાશ 1
• બી) અવકાશ 3
• સી) સ્કોપ 2 ✔
• ડી) તે કોઈપણ અવકાશમાં સમાવિષ્ટ નથી અને તેની જાણ કરવામાં આવી નથી

વર્ણન: સ્કોપ 1 એ સંસ્થાના પોતાના સ્ત્રોતો (બોઈલર, કંપનીનું વાહન) માંથી સીધું ઉત્સર્જન છે. સ્કોપ 2 એ ખરીદેલી ઊર્જા (વીજળી, વરાળ, ગરમી, ઠંડક) ના ઉત્પાદનમાંથી પરોક્ષ ઉત્સર્જન છે. સ્કોપ 3 મૂલ્ય શૃંખલામાં અન્ય તમામ પરોક્ષ ઉત્સર્જનને આવરી લે છે (પુરવઠો, મુસાફરી, ઉત્પાદનનો ઉપયોગ).

4. MACC (સીમાંત ઘટાડો ખર્ચ) દ્વારા શમનના પગલાંને પ્રાથમિકતા આપતી વખતે કયું સાચું છે?

• એ) સૌથી ખર્ચાળ અને તકનીકી પગલાં હંમેશા પ્રથમ લેવામાં આવે છે
• બી) પ્રથમ, ઓફસેટ ખરીદવામાં આવે છે અને તેને 'નેટ ઝીરો' કહેવામાં આવે છે, ઘટાડો પછીથી બાકી રહે છે.
• સી) કાર્યવાહીનો ક્રમ ખર્ચથી સ્વતંત્ર છે; બધા એક જ સમયે લાગુ પડે છે
• ડી) નકારાત્મક ખર્ચ (બચત) પગલાં પ્રથમ લેવામાં આવે છે, નાબૂદી છેલ્લે બાકી છે ✔

વર્ણન: MACC પ્રતિ ટન અવગણેલા ખર્ચ દ્વારા માપને રેન્ક આપે છે (€/ટન). નકારાત્મક ખર્ચના પગલાં (દા.ત. ઉર્જા કાર્યક્ષમતા) બંને ઉત્સર્જન ઘટાડે છે અને નાણાં બચાવે છે; આ મોખરે લાવવામાં આવે છે. ઊંચા ખર્ચના વિકલ્પો અને ઑફસેટ છેલ્લા સુધી બાકી છે. દૂર કરવું એ શમનનો વિકલ્પ નથી, પરંતુ અનિવાર્ય શેષ માટે પૂરક છે.

5. તમે સેટેલાઇટ ઇમેજ પર જોયું કે એક પ્રદેશમાં NDVI એક મહિનામાં એકાએક ઘટી ગયું. તમારે પહેલા શું કરવું જોઈએ?

• A) તરત જ 'અચાનક વનનાબૂદી' એલાર્મ વગાડો અને જાહેર જનતાને તેની જાહેરાત કરો
• બી) ક્લાઉડ માસ્ક લાગુ કરીને અને તેની પડોશી તારીખો સાથે સરખામણી કરીને સિગ્નલની અધિકૃતતાનું પરીક્ષણ કરવું ✔
• સી) એક જ છબી જોવી અને ચોક્કસ ટકાવારી નુકશાનની જાણ કરવી
• ડી) સેટેલાઇટ ડેટા હંમેશા સચોટ હોય છે; કોઈ વધારાના ચેકની જરૂર નથી

સમજૂતી: સેટેલાઇટ ડેટાનો સૌથી સામાન્ય બનાવટી સિગ્નલ ક્લાઉડ છે. NDVI ડ્રોપ એ જંગલનું વાસ્તવિક નુકસાન હોઈ શકે છે, અથવા તે દિવસે છબી પર વાદળ હોઈ શકે છે. પ્રથમ ક્લાઉડ માસ્ક લાગુ કરવું અને પડોશી ક્લાઉડ-ફ્રી તારીખો સાથે સરખામણી કરવી જરૂરી છે; ફેરફારનો દાવો વલણ પર આધારિત હોવો જોઈએ, એક તારીખ પર નહીં, અને જો શક્ય હોય તો, તેની સત્યતા સાથે ચકાસણી કરવી જોઈએ.

6. બે ફેક્ટરીઓની પાણીની અસરની સરખામણી કરતી વખતે કયો અભિગમ સાચો છે?

• A) માત્ર નિરપેક્ષ લિટરને જોવું અને સૌથી વધુ વપરાશ કરનારને સૌથી ખરાબ તરીકે જાહેર કરવું
• બી) પાણીની અસર દરેક જગ્યાએ સમાન છે; પ્રદેશ બિનમહત્વપૂર્ણ છે
• સી) પ્રાદેશિક પાણીના તાણ દ્વારા વપરાશનું વજન અને વાસ્તવિક અસરની તુલના ✔
• ડી) લીલા, વાદળી અને રાખોડી પાણીને એક જ સંખ્યામાં ઉમેરવું અને તાણને અવગણવું

સમજૂતી: પાણી, કાર્બનથી વિપરીત, સ્થાનિક છે; પાણીના સમાન જથ્થાનો અર્થ એ છે કે ઉચ્ચ જળ તણાવવાળા પ્રદેશમાં વધુ ગંભીર પર્યાવરણીય અસર. તેથી, પાણીની અસરનું મૂલ્યાંકન માત્ર સંપૂર્ણ લિટરમાં જ નહીં પરંતુ પ્રાદેશિક પાણીના તાણ દ્વારા વજનમાં કરવું જોઈએ. એવા પ્રદેશમાં સુવિધા કે જે ખૂબ ઓછો વપરાશ કરે છે પરંતુ ખૂબ શુષ્ક છે તે સુવિધા કરતાં વધુ જટિલ હોઈ શકે છે જે પુષ્કળ વપરાશ કરે છે પરંતુ પુષ્કળ પાણી ધરાવે છે.

7. વેસ્ટ મેનેજમેન્ટમાં, આર્ટિફિશિયલ ઈન્ટેલિજન્સે રાસાયણિક કચરાને 'બિન-જોખમી' કોડમાં વર્ગીકૃત કર્યો છે. યોગ્ય વર્તન શું છે?

• A) તેને તે કોડમાંથી સીધું જ દૂર કરવું કારણ કે કૃત્રિમ બુદ્ધિ એવું કહે છે
• બી) વેસ્ટ કોડ બિનમહત્વપૂર્ણ છે; તે બધાનો એક જ રીતે નિકાલ કરવામાં આવે છે
• સી) દૂષણ અને જોખમ વર્ગને અવગણવું અને એકત્રિત કરેલી રકમની જાણ કરવી
• ડી) સેફ્ટી ડેટા શીટ (SDS) અને કાયદા સાથે વર્ગની પુષ્ટિ કરવી, આર્ટિફિશિયલ ઇન્ટેલિજન્સ દરખાસ્તને અંતિમ તરીકે સ્વીકારવી નહીં ✔

વર્ણન: જોખમી કચરાના ખોટા વર્ગીકરણ અને નોંધણી વગરનો નિકાલ એ સૌથી ભારે મંજૂર પર્યાવરણીય ગુનાઓમાંનો એક છે. AI વેસ્ટ કોડ દરખાસ્ત માત્ર એક પ્રારંભિક ડ્રાફ્ટ છે; સંકટ વર્ગ હંમેશા પદાર્થની સલામતી ડેટા શીટ (SDS) અને લાગુ પડતા કચરાના નિયમો દ્વારા પુષ્ટિ થયેલ હોવો જોઈએ. AI આઉટપુટનો ઉપયોગ ક્યારેય અંતિમ વેસ્ટ કોડ તરીકે થતો નથી.

8. એક સુવિધાએ તેના સ્ટેક ઉત્સર્જનમાં 20% ઘટાડો કર્યો. 'પડોશની હવા 20% સાફ થઈ ગઈ છે' એમ કહેવું કેમ ખોટું છે?

• એ) ઉત્સર્જન અને સાંદ્રતા અલગ છે; હવામાનમાં ફેરફાર માટે અલગ માપ અને મોડેલિંગની જરૂર પડે છે ✔
• બી) ઉત્સર્જન અને એકાગ્રતા એ જ વસ્તુ છે; ઘટાડો સીધો હવામાં પ્રતિબિંબિત થાય છે
• સી) ચીમની માપ હંમેશા ચોક્કસ પડોશી હવામાન આપે છે
• ડી) હવામાનશાસ્ત્ર હવાની ગુણવત્તાને અસર કરતું નથી, તેથી દાવો માન્ય છે

સમજૂતી: ઉત્સર્જન (સ્ત્રોતમાંથી નીકળતી રકમ) અને સાંદ્રતા (હવામાં માપવામાં આવતી ઘનતા) એ જુદી જુદી વસ્તુઓ છે. પવન, તાપમાન અને ટોપોગ્રાફી સમાન ઉત્સર્જનનું કારણ બને છે જે ખૂબ જ અલગ સાંદ્રતામાં પરિણમે છે. જો સ્ટેક ઉત્સર્જનમાં ઘટાડો વાસ્તવિક હોય તો પણ, હવામાં એકાગ્રતાનો દાવો માત્ર માપાંકિત માપન અને યોગ્ય વિક્ષેપ મોડેલ દ્વારા જ સાબિત થઈ શકે છે; અન્યથા તે અપ્રમાણિત અને ભ્રામક છે.

9. ESG રિપોર્ટિંગમાં, આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ઉત્પાદિત ટેક્સ્ટમાં 'અમે અમારા પાણીના વપરાશમાં 15% ઘટાડો કર્યો' વાક્ય છે. સૌથી મહત્વપૂર્ણ નિયંત્રણ શું છે?

• A) વાક્ય કેટલું પ્રભાવશાળી અને અસ્ખલિત છે તે જોવું
• બી) ચકાસો કે નંબર શોધી શકાય તેવા સ્ત્રોત (ઈનવોઈસ, મીટર, માપ) સાથે જોડાયેલ છે ✔
• C) સંખ્યાને સાચો માનીએ છીએ કારણ કે કૃત્રિમ બુદ્ધિ તે ઉત્પન્ન કરે છે
• ડી) સંખ્યાને વધુ અડગ લાગે તે માટે ટકાવારીને ગોળાકાર કરો

સમજૂતી: ESG રિપોર્ટનું મૂલ્ય તેના સૌથી નબળા ડેટાની ટ્રેસિબિલિટી છે, અને સ્વતંત્ર ખાતરી ઓડિટર્સ સંખ્યા પાછળના પુરાવાઓની સાંકળની તપાસ કરે છે. એઆઈએ કદાચ એવો નંબર બનાવ્યો હશે જે અગાઉના લખાણોમાંથી 'વાજબી' લાગતો હતો પરંતુ તે શોધી શકાયો ન હતો. ઇન્વોઇસ/મીટર/પ્રમાણપત્રના આધારે શોધી શકાય તેવા સ્ત્રોત સાથે લિંક કર્યા વિના દરેક ડિજિટલ દાવા રિપોર્ટમાં દાખલ થવો જોઈએ નહીં.

10. આબોહવા જોખમ આકારણીમાં એક જ ભવિષ્યને બદલે બહુવિધ દૃશ્યોનો ઉપયોગ શા માટે કરવામાં આવે છે?

• એ) દૃશ્યો શણગાર છે; એક સચોટ ભવિષ્યની આગાહી પૂરતી છે
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ભવિષ્યમાં પૂરની સંભાવના ચોક્કસ ટકાવારી સાથે આપી શકે છે, તેથી એક દૃશ્ય પૂરતું છે.
• સી) પરિસ્થિતિઓના આધારે ભૌતિક અને સંક્રમણ જોખમ પ્રતિકૂળ હોઈ શકે છે; ઉદ્દેશ્ય સહનશક્તિની કસોટી કરવાનો છે ✔
• ડી) ભૌતિક અને સંક્રમણ જોખમ સમાન વસ્તુ છે, અલગ દૃશ્યોની જરૂર નથી

સમજૂતી: ભૌતિક જોખમ (આબોહવાની અસરો જેમ કે પૂર, દુષ્કાળ) અને સંક્રમણ જોખમ (કાર્બનની કિંમત, કાયદો, ટેક્નોલોજી શિફ્ટ) ઘણીવાર વિરુદ્ધ દિશામાં આગળ વધે છે: જો વિશ્વ ઝડપથી શમન કરે છે, સંક્રમણ જોખમ વધે છે, ભૌતિક જોખમ ઘટે છે; જો તે ધીમેથી કાર્ય કરે છે, તો વિપરીત થાય છે. તેથી, ઓછામાં ઓછા એક નીચા (1.5-2°C) અને એક ઉચ્ચ (3°C+) વોર્મિંગ દૃશ્યનું પરીક્ષણ કરવામાં આવે છે. ઉદ્દેશ્ય ભવિષ્યની આગાહી કરવાનો નથી, પરંતુ સહનશક્તિની કસોટી કરવાનો છે.

11. તમે AI ને પૂછ્યું કે શું કોઈ નિયમન (દા.ત. CBAM) તમને અને તેની સમયમર્યાદા પર લાગુ થાય છે. તમારે કેવું વર્તન કરવું જોઈએ?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલી તારીખો અને વસ્તુઓ અનુસાર સીધું આયોજન કરવું
• B) AI ના સામાન્ય અર્થઘટન પર અવકાશના નિર્ણયને આધારે, સત્તાવાર કોડ સૂચિને જોતા નથી
• સી) પાલન એક વખત છે; એકવાર તમે પૂછી લો, કાયદાનું સતત નિરીક્ષણ કરવાની જરૂર નથી
• ડી) આઉટપુટને ડ્રાફ્ટ તરીકે ધ્યાનમાં લો અને વર્તમાન સત્તાવાર ટેક્સ્ટમાંથી લેખ, તારીખ, થ્રેશોલ્ડ અને અવકાશની પુષ્ટિ કરો ✔

વર્ણન: નિયમનકારી જ્ઞાન ઝડપથી જૂનું થઈ જાય છે; લેખો બદલાય છે, તારીખો મુલતવી રાખવામાં આવે છે, અવકાશ વિસ્તરે છે. એઆઈનો તાલીમ ડેટા ચોક્કસ તારીખે સ્થિર થઈ જાય છે અને તે અદ્યતન ન હોઈ શકે; તદુપરાંત, દ્રવ્ય ઇતિહાસ અને થ્રેશોલ્ડ જેવા નિર્ણાયક તથ્યો બનાવી શકે છે. કાર્યક્ષેત્રના નિર્ણયની પુષ્ટિ અધિકૃત ઉત્પાદન/કોડ સૂચિ, તમામ તારીખો અને થ્રેશોલ્ડ અધિકૃત ટેક્સ્ટ દ્વારા પુષ્ટિ કરવી જોઈએ; નિર્ણાયક અનુપાલન નિર્ણયોમાં અધિકૃત/નિષ્ણાત અભિપ્રાય મેળવવો જોઈએ.

12. નીચેનામાંથી કયા પર્યાવરણીય દાવાઓમાં ગ્રીન વોશિંગનું જોખમ સૌથી ઓછું છે?

• A) 'અમે 2023 સુધીમાં અમારા ઉત્પાદન ઉત્સર્જનમાં 18% ઘટાડો કર્યો છે (સ્વતંત્ર ચકાસણી સાથે)' ✔
• બી) 'અમારા ઉત્પાદનો સંપૂર્ણપણે પર્યાવરણને અનુકૂળ અને કુદરતી છે'
• C) 'અમારી કંપની કાર્બન ન્યુટ્રલ છે' (કોઈપણ દસ્તાવેજો અથવા ડેટા આપ્યા વિના)
• ડી) 'અમે ઉદ્યોગમાં સૌથી ટકાઉ અને લગભગ શૂન્ય અસર ધરાવતી કંપની છીએ'

સમજૂતી: સારો પર્યાવરણીય દાવો માપી શકાય એવો છે (સંખ્યા ધરાવે છે), સાબિત (પુરાવા પર આધારિત), અને અવકાશમાં ચોક્કસ છે (તે સ્પષ્ટ છે કે ક્યારે સાથે સરખામણી કરવામાં આવે છે). 'અમે 2023 સુધીમાં ઉત્પાદન ઉત્સર્જનમાં 18% ઘટાડો કર્યો છે (સ્વતંત્ર ચકાસણી સાથે)' આ ત્રણ લક્ષણો ધરાવે છે. 'ઇકો-ફ્રેન્ડલી', 'નેચરલ', 'કાર્બન ન્યુટ્રલ' (અપ્રમાણિત) જેવા શબ્દસમૂહો અપ્રમાણિત અથવા અપ્રમાણિત છે અને ગ્રીન વોશિંગનું જોખમ વહન કરે છે.

13. પૃથ્થકરણ માટે જાહેરમાં ઉપલબ્ધ AI ટૂલમાં અપ્રગટ સુવિધા ઉત્સર્જન ડેટા પેસ્ટ કરવાનું કેમ જોખમી છે?

• એ) કોઈ જોખમ નથી; પર્યાવરણીય ડેટા હંમેશા સાર્વજનિક રીતે ઉપલબ્ધ હોય છે
• બી) વેપારના રહસ્યો, અપ્રગટ ડેટા અને વ્યક્તિગત ડેટા લીક થઈ શકે છે; પ્રથમ વર્ગીકરણ અને અનામીકરણ જરૂરી ✔
• સી) જોખમ માત્ર ગણતરીની ભૂલ છે, તેનો ડેટા ગોપનીયતા સાથે કોઈ સંબંધ નથી
• ડી) એકવાર વાહનને ડેટા આપવામાં આવે છે, જવાબદારી આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રદાતાને જાય છે

જાહેરાત: સાઇટ-સ્તરનું ઉત્પાદન અને ઉત્સર્જન ડેટા વેપાર રહસ્યો હોઈ શકે છે અને અપ્રગટ નાણાકીય/પર્યાવરણ ડેટા નિયમનકારી જાહેરાત નિયમોનું ઉલ્લંઘન કરી શકે છે; કર્મચારીનું સ્થાન/મુસાફરી ડેટા વ્યક્તિગત ડેટા છે. ઓપન ટૂલને આ પ્રકારનો ડેટા આપતા પહેલા, તેનું વર્ગીકરણ કરવું, જો જરૂરી હોય તો તેને અનામી રાખવું અથવા સંસ્થાકીય (ડેટા-ફ્રી) સાધનનો ઉપયોગ કરવો જરૂરી છે. 'એઆઈએ કહ્યું' એ સંરક્ષણ નથી; જવાબદારી સંસ્થા અને વ્યક્તિની છે.

14. ગ્રીનહાઉસ ગેસ જેમ કે મિથેન (CH₄) ને CO₂e માં રૂપાંતરિત કરતી વખતે કયા ખ્યાલનો ઉપયોગ થાય છે અને તે શા માટે મહત્વપૂર્ણ છે?

• એ) AQI (હવા ગુણવત્તા સૂચકાંક); હવામાં ગેસનો રંગ નક્કી કરે છે
• બી) એનડીવીઆઈ (વનસ્પતિ સૂચકાંક); ગેસની જમીનની અસરને માપે છે
• સી) GWP (ગ્લોબલ વોર્મિંગ સંભવિત); જો અવગણવામાં આવે તો, મિથેન/N₂O અસરને ઘણી ઓછી આંકવામાં આવશે ✔
• ડી) કોઈ ગુણાંકની જરૂર નથી; મિથેન 1 થી 1 સીધો CO₂ ની જેમ ગણે છે

વર્ણન: GWP (ગ્લોબલ વોર્મિંગ પોટેન્શિયલ) એ ગુણાંક છે જે વિવિધ ગ્રીનહાઉસ વાયુઓની ગરમીની અસરને CO₂ સાપેક્ષ એક સામાન્ય એકમમાં રૂપાંતરિત કરે છે. મિથેનનું 100-વર્ષનું GWP આશરે 28 છે; તેથી 1 ટન મિથેન એટલે લગભગ 28 ટન CO₂e. જો GWP ને અવગણવામાં આવે છે, તો મિથેન અને N₂O જેવા મજબૂત વાયુઓની અસરને ઘણી ઓછી આંકવામાં આવશે અને ઇન્વેન્ટરી સંપૂર્ણપણે અચોક્કસ હશે; તે પણ જણાવવું જોઈએ કે કયા GWP સેટ (દા.ત. IPCC AR6, 100 વર્ષ)નો ઉપયોગ થાય છે.