એન્ડ-ટુ-એન્ડ ESG વર્કફ્લો, ડેટા ગવર્નન્સ, એથિક્સ અને ક્વોલિટી ગેટવે

નફો:

• 'કૃત્રિમ બુદ્ધિ પેદા કરે છે → માનવ ચકાસણી કરે છે → ગેટમાંથી પસાર થાય છે' ની લય સાથે ગુણવત્તાવાળા દરવાજા સાથે ભૌતિકતાથી પ્રકાશન સુધી આઠ-પગલાંનો ESG વર્કફ્લો સ્થાપિત કરવાની ક્ષમતા
• ESG ડેટાને મફત/આંતરિક/ગોપનીય તરીકે વર્ગીકૃત કરીને વ્યક્તિગત અને અપ્રગટ નાણાકીય ડેટાને સુરક્ષિત કરવાની ક્ષમતા
• 'એઆઈએ કહ્યું' સંરક્ષણ પર આધાર રાખ્યા વિના અંતિમ જવાબદારી સ્વીકારવાની અને દરેક પ્રકાશન સાથે જવાબદાર નામો અને મંજૂરી રેકોર્ડ જોડવાની ક્ષમતા

અગાઉના દસ એકમોમાં અમે ESG અને ટકાઉપણું વ્યવસાયના દરેક ભાગને અલગથી આવરી લીધા છે: પ્રવેશ અને સીમાઓ, ભૌતિકતા, ડેટા સંગ્રહ, કાર્બન એકાઉન્ટિંગ, રિપોર્ટિંગ ફ્રેમવર્ક, સપ્લાય ચેઇન, સ્ટેકહોલ્ડર કોમ્યુનિકેશન્સ, રિપોર્ટ લેખન, ખાતરી અને ગ્રીનવોશિંગ. આ અંતિમ એકમમાં, અમે ટુકડાઓ એકસાથે મૂકીશું અને અંત-થી-એન્ડ વર્કફ્લો સ્થાપિત કરીશું: સ્થિરતા મિશનની વ્યાખ્યાથી લઈને તેના પ્રકાશન સુધીના દરેક પગલા પર આર્ટિફિશિયલ ઈન્ટેલિજન્સ (AI) નો ક્યાં, કેવી રીતે અને કયા સુરક્ષા દ્વારનો ઉપયોગ કરવો. અમે ડેટા ગવર્નન્સ, ગોપનીયતા અને નૈતિક જવાબદારીને પણ એક ફ્રેમવર્કમાં લાવીશું.

ચાલો ફરી એકવાર મોડ્યુલની સતત બેકબોનનું પુનરાવર્તન કરીએ: AI; તે એક સહાયક છે જે કોડ લખે છે, ડેટા ગોઠવે છે, ડ્રાફ્ટ બનાવે છે અને સારાંશ આપે છે. સંખ્યાની ચોકસાઈ, પરિબળની પુષ્ટિ, ધોરણનું નિયંત્રણ, દાવાની સાબિતી અને અંતિમ જવાબદારી હંમેશા સક્ષમ નિષ્ણાત પાસે રહે છે. આ એકમ આ સિદ્ધાંતને દૈનિક વર્કફ્લો અને ચેકલિસ્ટમાં ફેરવે છે.

એન્ડ-ટુ-એન્ડ ESG વર્કફ્લો

આઠ પગલાઓમાં સ્થિરતા અહેવાલ ચક્રને ધ્યાનમાં લો:

1. અવકાશ અને ભૌતિકતા — કયા વિષયો ભૌતિક છે? (એકમ 2)
2. ડેટા સંગ્રહ — સ્ત્રોતો, એકમો, ઓડિટ ટ્રેલ. (એકમ 3)
3. ગણતરી — ચકાસાયેલ પરિબળો સાથે કાર્બન અને અન્ય મેટ્રિક્સ. (એકમ 4)
4. ફ્રેમવર્ક મેચિંગ — GRI/ESRS/ISSB પદાર્થો, સત્તાવાર ટેક્સ્ટ દ્વારા પુષ્ટિ. (એકમ 5)
5. સપ્લાય ચેઇન — અવકાશ 3 અને યોગ્ય ખંત. (એકમ 6)
6. લેખન અને સંદેશાવ્યવહાર — સંતુલિત, પુરાવાયુક્ત અહેવાલ અને હિતધારક સંદેશ. (એકમ 7-8)
7. ખાતરીની તૈયારી - પુરાવાઓની સાંકળ અને ઓડિટ તૈયારી. (એકમ 9)
8. ક્લેમ ઓડિટીંગ — ગ્રીનવોશીંગ સ્ક્રીનીંગ અને રીલીઝની મંજૂરી. (એકમ 10)

દરેક પગલા પર, AI એક પ્રવેગક છે; પરંતુ દરેક પગલાની બહાર નીકળતી વખતે, એક ગુણવત્તાવાળો દરવાજો હોય છે - એક ચેકપોઇન્ટ કે જે આગળના પગલા પર જતા પહેલા પસાર થવો જોઈએ. જે આઉટપુટ દરવાજામાંથી પસાર થતું નથી તે પ્રગતિ કરતું નથી.

પગલું

AI શું કરે છે?

ગુણવત્તા દ્વાર

ભૌતિકતા

વિષય ઉમેદવાર, થીમ વિશ્લેષણ

ઇમ્પેક્ટ+ફાઇનાન્સ પાસા માનવ મંજૂરી

ડેટા

રૂપરેખાંકન, એકમ રૂપાંતર

સ્ત્રોત અને વોલ્યુમ ચકાસણી

એકાઉન્ટ

ફોર્મ્યુલા, કોડ પાલખ

આ પરિબળને સત્તાવાર સ્ત્રોતમાંથી પુષ્ટિ મળી છે

મેચિંગ

લેખ સૂચન

તેના પ્રમાણભૂત ટેક્સ્ટ સાથે છબી તપાસો

જોડણી

ડ્રાફ્ટ, સારાંશ

પુરાવા વગરના દાવાઓને છટણી કરવી

દાવો

ગ્રીનવોશિંગ સ્કેન

માનવ-પ્રમાણિત પ્રકાશન

ટિપ: "AI ઉત્પન્ન કરે છે → માનવ ચકાસણી કરે છે → દરવાજામાંથી ચાલે છે" ની લયમાં વર્કફ્લો સેટ કરો. દરેક AI આઉટપુટને આગલા પગલા પર ખસેડતા પહેલા, પૂછો: "આ આઉટપુટનો કયો ભાગ માન્યતા વિના આગળ વધી શકતો નથી?" તે ભાગ તે પગલાનો ગુણવત્તા દ્વાર છે.

ડેટા ગવર્નન્સ અને ગોપનીયતા

ESG ડેટા ઘણીવાર સંવેદનશીલ હોય છે: કર્મચારી લિંગ અને પગાર ડેટા, સપ્લાયર કરારની શરતો, નાણાકીય અસરો હજુ સુધી જાહેર કરવામાં આવી નથી, સુવિધા-સ્તર ઉત્પાદન ડેટા. સાર્વજનિક AI ટૂલને આપતા પહેલા તેનું વર્ગીકરણ કરવું જરૂરી છે. ડેટા ગવર્નન્સ એટલે "કોણ કયા ડેટાનો ઉપયોગ કરી શકે છે, કેવી રીતે અને કયા સાધન સાથે?" પ્રશ્ન નિયમ સાથે જોડાયેલો છે.

એક સરળ વર્ગીકરણ:

• મફત: ડેટા પહેલેથી જ સાર્વજનિક રીતે ઉપલબ્ધ છે (પ્રકાશિત અહેવાલ). તે AI ને આપી શકાય છે.
• આંતરિક ઉપયોગ: કોઈ વ્યાવસાયિક મૂલ્યનો આંતરિક ડેટા. કોર્પોરેટ વાહનમાં સાવધાનીપૂર્વક.
• ગોપનીય: વેપાર રહસ્ય, અઘોષિત નાણાકીય અસર, વ્યક્તિગત ડેટા (KVKK/GDPR). તે AI ને અનામી અથવા સંસ્થાકીય (નોન-લીક) માધ્યમો વિના આપવામાં આવતું નથી.

તમારી ભૂમિકા: ડેટા ગવર્નન્સ સલાહકાર. કાર્ય: નીચેની ડેટા વસ્તુઓને "મફત / આંતરિક ઉપયોગ / ગોપનીય" તરીકે વર્ગીકૃત કરો અને દરેક ગોપનીય આઇટમ માટે ભલામણ કરેલ ક્રિયા લખો (અનામી / એકંદર / એન્ટરપ્રાઇઝ ટૂલ / બિલકુલ આપશો નહીં). નિયમ: જો અચોક્કસ હોય, તો વધુ રક્ષણાત્મક વર્ગમાં મૂકો. આઇટમ્સ: [વ્યક્તિગત અને નાણાકીય ડેટા આઇટમ્સ]

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

તમે જે રીતે કોઈ સાધનને કાર્ય સોંપો છો તે ગોપનીયતાના જોખમને ધરમૂળથી બદલી નાખે છે.

નબળા પ્રોમ્પ્ટ:

કર્મચારીના પગાર અને સુવિધા ઉત્પાદન કોષ્ટકનું વિશ્લેષણ કરો, ESG સારાંશ સાથે આવો.

કાચા વ્યક્તિગત અને વેપાર ગુપ્ત ડેટાને સીધા ખુલ્લા સાધનમાં નિકાસ કરે છે; ત્યાં કોઈ વર્ગીકરણ, અનામીકરણ અને પુષ્ટિકરણ પગલું નથી.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: ડેટા ગવર્નન્સ પ્રત્યે સંવેદનશીલ ESG વિશ્લેષક. મેં તમને માત્ર એકીકૃત, વ્યક્તિગત/વેપાર ગુપ્ત-મુક્ત ડેટા આપ્યો છે. કાર્ય: નીચેના સારાંશ સૂચકોનું વિશ્લેષણ કરો. નિયમો:- ડેટામાં કોઈ વ્યક્તિગત નામ, પગાર, ID અથવા અઘોષિત નાણાકીય અસર નહીં; જો તમને આવું ફીલ્ડ દેખાય છે, તો "ગોપનીય ડેટા - પ્રક્રિયા કરશો નહીં, ચેતવણી" કહો. - પરિણામમાં નવો નંબર ઉમેરશો નહીં; ફક્ત મેં આપેલા સારાંશ સાથે જાઓ. - આઉટપુટના અંતે "માનવ મંજૂરી જરૂરી" નોંધ ઉમેરો. ડેટા (એકત્રિત): [સારાંશ સૂચકાંકો]

સાવધાન: "એઆઈએ કહ્યું" એ સંરક્ષણ નથી. ESG રિપોર્ટમાં ખોટી સંખ્યા, અપ્રમાણિત દાવા અથવા લીક થયેલા ગોપનીય ડેટા માટેની જવાબદારી સંસ્થા અને તેને મંજૂર કરનાર વ્યક્તિની છે. જ્યારે તમે AI નો ઉપયોગ કરો છો, ત્યારે તમે જવાબદારી ટ્રાન્સફર કરતા નથી; તમે માત્ર કામમાં ઝડપ લાવશો.

એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટ પ્રોમ્પ્ટ

નીચેનો પ્રોમ્પ્ટ પ્રકાશિત કરતા પહેલા એક જ ચેક દ્વારા તમામ પગલાઓ ચલાવે છે.

તમારી ભૂમિકા: ESG ગુણવત્તા ખાતરી અધિકારી. કાર્ય: નીચેના રિપોર્ટ વિભાગને એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટ દ્વારા પસાર કરો. દરેક આઇટમ માટે "પાસ / FAIL" આપો અને જો તે નિષ્ફળ જાય તો કારણ લખો: 1) શું દરેક સંખ્યાના સ્ત્રોત અને એકમ જણાવવામાં આવ્યા છે? 2) શું ઉત્સર્જન પરિબળો સત્તાવાર સ્ત્રોતમાંથી છે? 3) શું પ્રમાણભૂત આઇટમ નંબરો ચકાસાયેલ છે? 4) શું પ્રોક્સી/અંદાજ ચિહ્નિત છે? 5) શું ગ્રીનવોશિંગ ધરાવતાં કોઈ નિવેદનો છે? 6) શું ગોપનીય/વ્યક્તિગત ડેટાનું કોઈ લીકેજ છે? 7) અંતિમ મંજૂરી માટે જવાબદાર નામ સોંપવામાં આવ્યું છે? વિભાગ: [પ્રકરણ]

નીચેનો પ્રોમ્પ્ટ સમગ્ર મોડ્યુલને એન્ટરપ્રાઇઝ પોલિસીમાં રૂપાંતરિત કરે છે.

તમારી ભૂમિકા: ટકાઉપણું ટીમ લીડર. કાર્ય: ESG કાર્યમાં ટીમના AI ના ઉપયોગને સંચાલિત કરતી 1-પૃષ્ઠની આંતરિક નીતિ લખો. સમાવિષ્ટ કરો:- એવા કાર્યો જ્યાં AI નો ઉપયોગ મુક્તપણે થઈ શકે છે (ડ્રાફ્ટ, સારાંશ, કોડ, થીમ વિશ્લેષણ)- એવા કાર્યો કે જેમાં માનવીય ચકાસણીની જરૂર હોય (પરિબળ, પ્રમાણભૂત, દાવો, અવકાશ) - ડેટા પ્રકારો કે જે ક્યારેય AI (વ્યક્તિગત, અપ્રગટ નાણાકીય) ને આપવામાં આવશે નહીં - દરેક પ્રકાશન પહેલાં પસાર કરવાના ગુણવત્તા ગેટ સ્ટેપ્સ ટોન: સ્પષ્ટ, બુલેટ પોઈન્ટ.

ત્રણ નાના કેસો

કેસ 1 - રિપોર્ટ દરવાજામાંથી પાછો ફર્યો. એક ટીમે વિચાર્યું કે તેઓએ તમામ પગલાં પૂર્ણ કર્યા છે અને અહેવાલ પ્રકાશન માટે તૈયાર છે. અંતિમ ગુણવત્તા ગેટ પ્રોમ્પ્ટે એક વિભાગમાં અનસોર્સ્ડ “78% રિકવરી” દાવો અને “કાર્બન ન્યુટ્રલ” સ્ટેટમેન્ટ મેળવ્યું. બેમાંથી કોઈ એકને સુધારવામાં આવે તે પહેલાં પ્રકાશન બંધ કરવામાં આવ્યું હતું; દરવાજે બગ જાહેર થાય તે પહેલા તેને પકડી રાખ્યો હતો.

કેસ 2 - ગોપનીય ડેટા લીકેજ અટકાવવામાં આવ્યું. વિશ્લેષક વિશ્લેષણ માટે સાર્વજનિક રૂપે ઉપલબ્ધ ટૂલમાં હજુ સુધી રિલીઝ થનાર ત્રિમાસિક નાણાકીય અસર ડેટા પેસ્ટ કરશે. ડેટા વર્ગીકરણ પ્રોમ્પ્ટે તેને "ગોપનીય-અજાગૃત નાણાકીય" તરીકે ફ્લેગ કર્યું. ડેટાને પ્રથમ એકત્ર કરવામાં આવ્યો હતો અને પછી એન્ટરપ્રાઇઝ ટૂલમાં પ્રક્રિયા કરવામાં આવી હતી; કાયદાનું સંભવિત ઉલ્લંઘન અટકાવવામાં આવ્યું હતું.

કેસ 3 - જવાબદારી લેવી. અહેવાલ પ્રકાશિત થયા પછી, એક હિતધારકે સંખ્યાબંધ પ્રશ્ન કર્યો. ટીમે "AI ની ગણતરી કરેલ" નથી કહ્યું; ઓડિટ ટ્રેલ ખોલ્યું, સ્ત્રોત ટાંક્યો, એક નાનો સુધારો કર્યો અને પારદર્શક રીતે સમજાવ્યું. આ વલણ, જે "એઆઈએ કહ્યું" સંરક્ષણ પર આધાર રાખ્યું ન હતું, વિશ્વાસ જાળવી રાખ્યો.

સામાન્ય ભૂલો

• ગુણવત્તાના દરવાજા વિના આગળ વધવું. જો દરેક પગલાની બહાર નીકળતી વખતે ચકાસણી કરવામાં આવતી નથી, તો અંત સુધી ભૂલો એકઠા થશે.
• વાહનને વર્ગીકૃત કર્યા વિના ડેટા આપવો. ગુપ્ત અને વ્યક્તિગત ડેટા જાહેર AI માં અનામી વિના દાખલ કરી શકાતા નથી.
• AI ને જવાબદારી ટ્રાન્સફર કરવી. "એઆઈએ કહ્યું" એ કાનૂની અથવા વ્યાવસાયિક સંરક્ષણ નથી.
• વિચારતા પગલાં અલગ પડી ગયા. સામગ્રી, ડેટા, ગણતરી અને દાવો એકબીજા સાથે જોડાયેલા છે; જો કોઈને નુકસાન થાય છે, તો બધાને અસર થાય છે.
• પ્રકાશનની મંજૂરી માટે જવાબદાર વ્યક્તિને સોંપવું નહીં. દરેક જાહેર દાવા પાછળ એક માણસ હોવો જોઈએ.

સારાંશમાં

ESG બિઝનેસ આઠ એકબીજા સાથે જોડાયેલા પગલાઓની સાંકળ છે, અને AI એ દરેક પગલા પર પ્રવેગક છે; પરંતુ દરેક પગલાની બહાર નીકળતા સમયે ગુણવત્તાનો દરવાજો હોય છે. "એઆઈ ઉત્પન્ન કરે છે → માનવ ચકાસે છે → દરવાજામાંથી પસાર થાય છે" ની લય આ મોડ્યુલના તમામ પાઠોને એક અભ્યાસ શિસ્તમાં જોડે છે. ડેટાનું વર્ગીકરણ કરો અને ગોપનીયતાનું રક્ષણ કરો, સત્તાવાર સ્ત્રોતમાંથી પરિબળ અને ધોરણની પુષ્ટિ કરો, પુરાવા સાથેના દાવાને લિંક કરો, પ્રકાશન પહેલાં ગ્રીન વોશિંગને નીંદણ કરો અને માનવને અંતિમ જવાબદારી આપો. AI કામને વેગ આપે છે; તમે ચોકસાઈ, પ્રમાણિકતા અને જવાબદારી ધારો છો. આ વ્યવસાયનો માપદંડ "અસ્ખલિત દેખાવા" નથી, પરંતુ "ઓડિટમાં પાસ થવું અને સાબિત થવું" છે.

એપ્લિકેશન કાર્ય

તમે અગાઉના એકમો (એક ભૌતિકતાની સૂચિ, કાર્બન એકાઉન્ટ, અહેવાલ વિભાગ) માં બનાવેલ ડિલિવરેબલ્સને એક જ મિની-રિપોર્ટમાં જોડો. AI તરફથી ઉપરોક્ત એન્ડ-ટુ-એન્ડ ક્વોલિટી ગેટ પ્રોમ્પ્ટ સાથે 7 આઇટમમાં આ મિની રિપોર્ટ જુઓ. પછી: (1) "રીલીઝ" તરીકે ચિહ્નિત થયેલ દરેક આઇટમને ઠીક કરો, (2) તમામ ગોપનીય/વ્યક્તિગત ડેટાને વર્ગીકૃત કરો અને તેના પર પગલાં લો, (3) પ્રકાશન માટે જવાબદાર નામ અને મંજૂરીની નોંધ ઉમેરો.

ચેકલિસ્ટ

• [ ] મેં વર્કફ્લોને "AI ઉત્પન્ન કરે છે → માનવ ચકાસણી કરે છે → દરવાજામાંથી પસાર થાય છે" ની લય સાથે સેટઅપ કર્યું છે.
• [ ] મેં દરેક પગલાની બહાર નીકળતી વખતે ગુણવત્તાયુક્ત દરવાજો લાગુ કર્યો.
• [ ] મેં તમામ ડેટાને ફ્રી/આંતરિક/ગોપનીય તરીકે વર્ગીકૃત કર્યા છે અને ગોપનીયતાનું રક્ષણ કર્યું છે.
• [ ] મેં અધિકૃત સ્ત્રોતમાંથી પરિબળો અને પ્રમાણભૂત વસ્તુઓની પુષ્ટિ કરી છે.
• [ ] મેં દરેક દાવાને પુરાવા સાથે સમર્થન આપ્યું, પ્રકાશન પહેલાં ગ્રીનવોશિંગને દૂર કર્યું.
• [ ] મેં "AIએ કહ્યું" સંરક્ષણ પર આધાર રાખ્યા વિના જવાબદારી લીધી.
• [ ] મેં પ્રકાશન માટે જવાબદાર નામ અને મંજૂરીનો રેકોર્ડ સેટ કર્યો છે.

મોડ્યુલ પરીક્ષા

1. ESG અને ટકાઉપણું વ્યવસાયમાં AI માટે નીચેનામાંથી કયું સ્થાન શ્રેષ્ઠ છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ એ કોડ, ડેટા અને બ્લુપ્રિન્ટ્સનું સહાયક છે; પરિબળો, ધોરણો, પુરાવાઓ અને નૈતિક નિર્ણયો માટેની જવાબદારી લોકોની છે ✔
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ એક ઓડિટર છે અને તે જે ESG મૂલ્યો પ્રદાન કરે છે તે સ્વતંત્ર ખાતરીનો વિકલ્પ છે
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માત્ર રિપોર્ટ્સ લખવામાં જ કામ કરે છે, તેને ડેટા અને ગણતરીઓ સાથે કોઈ લેવાદેવા નથી
• ડી) એઆઈ મનુષ્યો કરતાં વધુ નિષ્પક્ષ હોવાથી, બધા ESG 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 પરિબળની પુષ્ટિ કરવા, પ્રમાણભૂત પદાર્થ નંબર તપાસવા, દરેક દાવાને સાબિત કરવાની અંતિમ જવાબદારી સક્ષમ નિષ્ણાતની છે. મોટા ભાષાનું મોડેલ કેલ્ક્યુલેટર, રેગ્યુલેટરી/સ્ટાન્ડર્ડ્સ ડેટાબેઝ અથવા તપાસનાર નથી; ટેક્સ્ટ જનરેટર છે જે 'આગામી સંભવિત શબ્દ' ઉત્પન્ન કરે છે અને તેનું ચકાસાયેલ આઉટપુટ ખોટા અહેવાલ અથવા દાવા તરફ દોરી શકે છે.

2. ડબલ ભૌતિકતા વિશ્લેષણમાં મુદ્દાના 'અસર ભૌતિકતા' પાસાનો અર્થ શું થાય છે?

• A) કંપનીના નફા અને શેર મૂલ્ય પર ઇશ્યૂની અસર
• બી) ઇશ્યૂનું નાણાકીય જોખમ માત્ર રોકાણકારો માટે
• સી) સમાન વિષય પર હરીફ કંપનીઓનું પ્રદર્શન
• ડી) પર્યાવરણ અને સમાજ પર કંપનીની પ્રવૃત્તિઓની અસર ✔

વર્ણન: ડબલ ભૌતિકતા બે લેન્સ દ્વારા જુએ છે. નાણાકીય ભૌતિકતા એ કંપનીના રોકડ પ્રવાહ અને મૂલ્ય ('બહાર-ઇન') પરના મુદ્દાની અસર છે. અસર ભૌતિકતા એ કંપનીની પ્રવૃત્તિઓની પર્યાવરણ અને સમાજ ('અંદરની બહાર') પરની અસર છે. CSRD/ESRS બંને પાસાઓનો અમલ કરે છે; આર્ટિફિશિયલ ઇન્ટેલિજન્સ ઘણીવાર ફક્ત નાણાકીય દિશામાં જ બદલાતું હોવાથી, અસરની દિશા માનવ દ્વારા પણ નિયંત્રિત હોવી જોઈએ.

3. વિવિધ સુવિધાઓમાંથી kWh, MWh અને GJ માં ઊર્જા ડેટા એકત્રિત કરતી વખતે યોગ્ય અભિગમ શું છે?

• A) એકમોને અવગણો અને બધી સંખ્યાઓ સીધી ઉમેરો
• બી) તમારા માથામાં લાંબી સૂચિ એકત્રિત કરવા માટે કૃત્રિમ બુદ્ધિ પર આધાર રાખવો
• C) તમામ મૂલ્યોને એક એકમમાં રૂપાંતરિત કરીને કોડ/સૂત્ર વડે રૂપાંતરણ અને સરવાળો કરો ✔
• ડી) સૌથી મોટું એકમ પસંદ કરવું અને અન્ય સુવિધાઓની જાણ ન કરવી

સમજૂતી: યુનિટ મંથન એ ESG ની સૌથી વારંવાર અને ખતરનાક ભૂલ છે; 1 MWh = 1,000 kWh થી, જો એકમને છોડી દેવામાં આવે, તો પરિણામ 1,000 ના પરિબળથી વિચલિત થઈ શકે છે. યોગ્ય અભિગમ એ છે કે તમામ મૂલ્યોને એક એકમમાં રૂપાંતરિત કરવું અને કૃત્રિમ બુદ્ધિમત્તા પાસે આ રૂપાંતરણ અને એક્ઝિક્યુટેબલ કોડ/ફોર્મ્યુલા સાથે સરવાળો કરવાનો છે, મેન્યુઅલી નહીં; આમ પરિણામ નિર્ણાયક અને ચકાસી શકાય તેવું છે.

4. GHG પ્રોટોકોલ અનુસાર ખરીદેલી વીજળીના ઉત્પાદનથી થતા ઉત્સર્જનનો સમાવેશ કયા અવકાશમાં થાય છે?

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

વર્ણન: સ્કોપ 1 એ સંસ્થાના પોતાના સ્ત્રોતો (બોઈલર, કંપની વાહન, જનરેટર) માંથી સીધું ઉત્સર્જન છે. સ્કોપ 2 એ ખરીદેલી ઊર્જા (વીજળી, વરાળ, ગરમી, ઠંડક) ના ઉત્પાદનમાંથી પરોક્ષ ઉત્સર્જન છે. સ્કોપ 3 મૂલ્ય શૃંખલા (પુરવઠો, મુસાફરી, ઉત્પાદનનો ઉપયોગ, કચરો) માં અન્ય તમામ પરોક્ષ ઉત્સર્જનને આવરી લે છે. કંપનીની ચીમનીમાંથી વીજળી બહાર આવતી નથી, પરંતુ જે પાવર પ્લાન્ટ તેને ઉત્પન્ન કરે છે તે ઉત્સર્જન કરે છે; તેથી તે સ્કોપ 2 છે.

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

• એ) GWP (ગ્લોબલ વોર્મિંગ સંભવિત); જો અવગણવામાં આવે તો, મિથેન/N₂O અસરને ઘણી ઓછી આંકવામાં આવશે ✔
• બી) AQI (હવા ગુણવત્તા સૂચકાંક); હવામાં ગેસનો રંગ નક્કી કરે છે
• સી) જીઆરઆઈ (રિપોર્ટિંગ પહેલ); તે પદાર્થ નક્કી કરે છે જેમાં ગેસની જાણ કરવામાં 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.

6. 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
• બી) તમામ વાયુઓને CO₂ તરીકે ગણવા અને પરિબળ અને GWP રૂપાંતરણને છોડવું
• C) દરેક દેશ, વર્ષ અને બળતણ માટે બરાબર ડિફોલ્ટ પરિબળનો ઉપયોગ કરવો
• ડી) દેશ અને વર્ષ અનુસાર અધિકૃત સ્ત્રોતમાંથી પરિબળની પુષ્ટિ કરવી અને કોડ સાથે ગણતરી સ્કેફોલ્ડિંગ અને કુલ બનાવવી ✔

વર્ણન: ઉત્સર્જન પરિબળો દેશ, વર્ષ અને બળતણ પ્રમાણે બદલાય છે; AI ને 'યાદ અપાવવું' વસ્તુઓ બનાવવાનું જોખમ ઊભું કરે છે (આભાસ). પરિબળ હંમેશા અધિકૃત કોષ્ટક (IPCC, DEFRA/EPA, IEA, રાષ્ટ્રીય ઇન્વેન્ટરી) પરથી પુષ્ટિ થવી જોઈએ; આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા માત્ર અવકાશ અલગ, એકાઉન્ટિંગ સ્કેફોલ્ડિંગ અને કુલ કોડ જ કરવા જોઈએ. મલ્ટિ-રો ટોટલ એક્ઝિક્યુટેબલ કોડ દ્વારા કરવામાં આવે છે, મેન્યુઅલી નહીં.

7. AI દ્વારા સૂચવવામાં આવેલ GRI/ESRS પ્રમાણભૂત પદાર્થ નંબર (દા.ત. 'પાણીના વપરાશ માટે GRI 305') માટે યોગ્ય વર્તન શું છે?

• A) રિપોર્ટમાં સીધો નંબર લખવો કારણ કે આર્ટિફિશિયલ ઇન્ટેલિજન્સ તેને સૂચવે છે
• બી) આઇટમ નંબરો બિનમહત્વપૂર્ણ છે; કોઈપણ લખી શકાય છે
• C) નંબર અને તેની સામગ્રીની સત્તાવાર પ્રમાણભૂત ટેક્સ્ટ સાથે ચકાસણી કરવી, જો તે નકલી/જૂની હોય તો તેની પુષ્ટિ કરવી ✔
• ડી) પાણી અને હવાના ઉત્સર્જન સમાન હોવાથી, સમાન લેખમાં તેમની જાણ કરવી

વર્ણન: કૃત્રિમ બુદ્ધિ પ્રમાણભૂત સંખ્યાઓ બનાવી શકે છે જે વાસ્તવિક દેખાય છે પરંતુ જેની સામગ્રી ખોટી અથવા સંપૂર્ણપણે બનાવટી છે; ઉપરાંત, ધોરણો અપડેટ કરવામાં આવે છે અને મોડેલ જે વર્ઝન જાણે છે તે જૂનું હોઈ શકે છે. ઉદાહરણ તરીકે, પાણી GRI 303 હેઠળ નોંધવામાં આવે છે, જ્યારે GRI 305 હવા ઉત્સર્જન છે. તેથી, દરેક પદાર્થ નંબર અને સામગ્રીનો સત્તાવાર પ્રમાણભૂત ટેક્સ્ટ (GRI/EFRAG/ISSB) સાથે ચકાસણી કર્યા વિના ઉપયોગ કરી શકાતો નથી.

8. જો પુરવઠા શૃંખલામાં મોટાભાગના સપ્લાયર્સ પાસે વાસ્તવિક કાર્બન ડેટા નથી, તો સ્કોપ 3 માટે યોગ્ય અને પ્રમાણિક અભિગમ શું છે?

• A) સપ્લાયરો માટે કૃત્રિમ બુદ્ધિમત્તા દ્વારા બનાવેલા નંબરોનો સીધો ઉપયોગ કરવો
• બી) સ્કોપ 3ને સંપૂર્ણપણે છોડવું કારણ કે તે 'માપવું મુશ્કેલ' છે
• C) વાસ્તવિક ડેટા ધરાવતા લોકોનો ઉપયોગ કરીને, ✔ વગરના લોકો માટે પ્રોક્સીને સ્પષ્ટ રીતે ચિહ્નિત કરવું
• ડી) તમામ સપ્લાયરોને પ્રોક્સી લાગુ કરવી અને તેને રિપોર્ટમાં છુપાવવી

વર્ણન: સ્કોપ 3 મોટાભાગની કંપનીઓની સૌથી મોટી પરંતુ માપવામાં સૌથી મુશ્કેલ વસ્તુ છે. વાસ્તવિક ડેટા પ્રદાન કરતા સપ્લાયર્સ માટે, તે ડેટાનો ઉપયોગ થાય છે; જેઓ તે પ્રદાન કરતા નથી, તેમના માટે ખર્ચ આધારિત પ્રોક્સી (અંદાજ) નો ઉપયોગ કરી શકાય છે. નિર્ણાયક વસ્તુ પ્રોક્સીને છુપાવવાની નથી: અહેવાલમાં વપરાયેલ અંદાજનો ભાગ અને પ્રમાણ સ્પષ્ટપણે જણાવવું જોઈએ. અસ્પષ્ટ પ્રોક્સી સ્વતંત્ર ખાતરીને નકારવા તરફ દોરી શકે છે; તે 'માપવું મુશ્કેલ' હોવાના આધારે સ્કોપ 3 ને સંપૂર્ણપણે છોડવું પણ ખોટું છે.

9. AI એ માત્ર દેશની સરેરાશના આધારે સપ્લાયરને 'શક્ય બળજબરીથી મજૂરી' તરીકે ધ્વજાંકિત કર્યો. યોગ્ય વર્તન શું છે?

• A) સંકેતને પુરાવા તરીકે સ્વીકારો અને તરત જ જાહેરમાં સપ્લાયર સાથેનો સંબંધ તોડી નાખો
• બી) અહેવાલમાં સીધો દાવો લખવો કારણ કે આર્ટિફિશિયલ ઇન્ટેલિજન્સે તે કહ્યું હતું
• સી) જોખમના સંકેતોને સંપૂર્ણપણે અવગણવા અને તેની તપાસ ન કરવી
• ડી) સિગ્નલને 'તપાસ કરવાની ચેતવણી' તરીકે ધ્યાનમાં લેવું અને ક્ષેત્ર નિરીક્ષણ અને વિશ્વસનીય સ્ત્રોત સાથે તેની પુષ્ટિ કરવી ✔

સમજૂતી: માનવાધિકાર ઉલ્લંઘન જેવા ગંભીર આરોપો આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ઉત્પાદિત સંકેત વડે સાબિત કરી શકાતા નથી. આવા સંકેત માત્ર 'તપાસ કરવાની ચેતવણી' છે; નિશ્ચિત આરોપ તરીકે તેનો ઉપયોગ કરવો એ અયોગ્ય અને કાયદેસર રીતે જોખમી છે. આવા દાવાઓની પુષ્ટિ માત્ર વિશ્વસનીય સ્ત્રોત, ક્ષેત્ર નિરીક્ષણ અને કાનૂની પ્રક્રિયા દ્વારા કરવામાં આવે છે. કૃત્રિમ બુદ્ધિ સિગ્નલો પેદા કરે છે; મનુષ્ય ચુકાદો અને જવાબદારી ધારે છે.

10. AI સાથેના હિતધારકના સર્વેમાંથી સેંકડો ફ્રી-ટેક્સ્ટ પ્રતિસાદોનું વિશ્લેષણ કરતી વખતે સૌથી મહત્ત્વની સાવચેતી શું છે?

• A) દુર્લભ પરંતુ ઉચ્ચ મહત્વ (સલામતી/નૈતિક/પર્યાવરણીય) સિગ્નલોને અલગથી જરૂરી છે અને તેમને ઢાંકી દેતા નથી ✔
• બી) લઘુમતી મંતવ્યો દૂર કરીને માત્ર ઉચ્ચતમ આવર્તન થીમ્સ પસંદ કરવી
• C) એક જ હકારાત્મક સારાંશના બધા જવાબો ઓછા કરો અને વિગતો છોડી દો
• ડી) કાચા જવાબોને બદલે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો સારાંશ સ્વીકારવો

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ બહુમતીના અવાજને વિસ્તૃત કરે છે અને વિષયોના વિશ્લેષણમાં લઘુમતીના અવાજને દબાવી દે છે. જો કે, ટકાઉપણુંમાં સૌથી મૂલ્યવાન સંકેત કેટલીકવાર ગંભીર સલામતી, નૈતિક અથવા પર્યાવરણીય સમસ્યા હોય છે જે એક વ્યક્તિ દ્વારા વ્યક્ત કરવામાં આવે છે. તેથી વિશ્લેષણ પૂછે છે કે 'મોટા ભાગે શું કહેવામાં આવતું હતું?' તે સાથે અંત નથી; 'દુર્લભ પરંતુ ઉચ્ચ મહત્વ' સિગ્નલોની અલગથી વિનંતી કરવી જોઈએ અને સારાંશના સ્થાને બદલે, કાચા પ્રતિસાદોનો ઉપયોગ કરવો જોઈએ.

11. કૃત્રિમ બુદ્ધિમત્તા પર રિપોર્ટ વિભાગ લખતી વખતે નકલી નંબરો અને લક્ષ્યોને ટેક્સ્ટમાં લીક થવાથી રોકવા માટે સૌથી અસરકારક રીત કઈ છે?

• A) 'યોગ્ય ટેક્સ્ટ લખો' કહીને એક જ સમયે સમગ્ર અહેવાલ તૈયાર કરાવવો
• બી) ફક્ત ચકાસાયેલ ડેટા પ્રદાન કરવો અને નવા નંબરો/દાવાઓ બનાવવા પર સ્પષ્ટપણે પ્રતિબંધ મૂકવો ✔
• C) લખાણ કેટલું અસ્ખલિત અને પ્રભાવશાળી છે તે તપાસો અને તેને પ્રકાશિત કરો
• ડી) AI ને વાજબી અનુમાન સાથે ખૂટતો ડેટા ભરવાની મંજૂરી આપવી

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ ખાલી પ્રોમ્પ્ટમાં 'આ સમાન રિપોર્ટ્સ કહે છે' એવા તર્કનો ઉપયોગ કરીને સંખ્યાઓ અને લક્ષ્યો બનાવે છે જે તમારી પાસે નથી. સૌથી અસરકારક સાવચેતી એ છે કે તેને માત્ર ચકાસાયેલ ડેટા આપવો અને 'મેં તમને આપેલા ડેટા સિવાય કોઈ સંખ્યા, ટકાવારી, તારીખો અથવા દાવાઓ ઉમેરશો નહીં; તે 'ગુમ થયેલ જગ્યાએ [ડેટા જરૂરી] લખવાનો નિયમ સ્પષ્ટપણે જણાવવાનો છે. વધુમાં, અહેવાલને વિભાગ દ્વારા વિભાગમાં છાપવામાં આવવો જોઈએ, ડેટા સાથે ખવડાવવો જોઈએ.

12. સ્થિરતા અહેવાલની સમીક્ષા કરતી વખતે સ્વતંત્ર ખાતરી ઓડિટર પ્રથમ શું જુએ છે?

• A) રિપોર્ટ કેટલી અસ્ખલિત અને વ્યવસાયિક રીતે લખવામાં આવે છે
• બી) દરેક મુદ્દામાં સ્ત્રોત દસ્તાવેજને શોધી શકાય તેવા પુરાવાઓની સાંકળ હોય છે ✔
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ કહે છે કે 'રિપોર્ટ ઓડિટ માટે તૈયાર છે'
• ડી) રિપોર્ટને સ્પર્ધકો કરતાં વધુ અડગ દેખાય

સમજૂતી: પરીક્ષકને ટેક્સ્ટના પ્રવાહમાં રસ નથી, પરંતુ દરેક દાવા પાછળના પુરાવાઓની સાંકળમાં; તેમનો પહેલો પ્રશ્ન છે 'આ નંબર સાબિત કરો'. તે તપાસવામાં આવે છે કે નંબર કયા સ્ત્રોત દસ્તાવેજમાંથી આવે છે, કયા સૂત્ર અને પરિબળ તે અહેવાલમાં ફેરવાય છે અને તે સ્વતંત્ર રીતે પુનરાવર્તિત થઈ શકે છે કે કેમ. તેથી, દરેક સામગ્રી મેટ્રિક તેના સ્ત્રોતને શોધી શકાય તેવું હોવું જોઈએ, પરિબળો સત્તાવાર સ્ત્રોતમાંથી ચકાસવા જોઈએ, અને પ્રોક્સીનો ઉલ્લેખ કરવો આવશ્યક છે; કૃત્રિમ બુદ્ધિ આ તૈયારી કરે છે, પરંતુ ખાતરી આપી શકતી નથી.

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

• A) 'અમે 2023 સુધીમાં અમારા ઉત્પાદન ઉત્સર્જનમાં 18% ઘટાડો કર્યો (તૃતીય-પક્ષ 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 સ્પષ્ટ છે (તે સ્પષ્ટ છે કે શેની અને ક્યારે સરખામણી કરવામાં આવે છે). 'અમે 2023 સુધીમાં ઉત્પાદન ઉત્સર્જનમાં 18% ઘટાડો કર્યો છે (તૃતીય-પક્ષ ચકાસણી સાથે)' આ ત્રણ લક્ષણો ધરાવે છે. 'ઇકો-ફ્રેન્ડલી', 'નેચરલ', અપ્રમાણિત 'કાર્બન ન્યુટ્રલ' જેવા શબ્દસમૂહો અપ્રમાણિત અથવા અપ્રમાણિત છે અને ગ્રીન વોશિંગનું જોખમ વહન કરે છે.

14. પૃથ્થકરણ માટે જાહેરમાં ઉપલબ્ધ AI સાધનમાં અપ્રગટ સુવિધા ઉત્પાદન અને ઉત્સર્જન ડેટા પેસ્ટ કરતા પહેલા શું કરવું જોઈએ?

• એ) ડેટાને જેમ છે તેમ પેસ્ટ કરવું; પર્યાવરણીય ડેટા હંમેશા સાર્વજનિક રીતે ઉપલબ્ધ હોય છે
• બી) સાવચેતી લીધા વિના આપવું કારણ કે જવાબદારી આર્ટિફિશિયલ ઇન્ટેલિજન્સ પ્રોવાઇડરને જાય છે
• સી) જોખમ ખાલી ખોટી ગણતરી છે; એક ગોપનીયતા માપ બિનજરૂરી છે
• ડી) ડેટાને ફ્રી/આંતરિક/ગોપનીય તરીકે વર્ગીકૃત કરવો અને ગોપનીય ડેટાને અનામી બનાવવો અથવા કોર્પોરેટ સાધનોનો ઉપયોગ કરવો ✔

જાહેરાત: પ્લાન્ટ-સ્તરનું ઉત્પાદન અને ઉત્સર્જન ડેટા વેપાર રહસ્યો હોઈ શકે છે; નાણાકીય/પર્યાવરણીય ડેટા કે જે હજુ સુધી જાહેર કરવામાં આવ્યો નથી તે નિયમનકારી જાહેરાત નિયમોનું ઉલ્લંઘન કરી શકે છે; કર્મચારી સ્થાન/પગારનો ડેટા KVKK/GDPRના કાર્યક્ષેત્રમાંનો વ્યક્તિગત ડેટા છે. ઓપન ટૂલને આ પ્રકારનો ડેટા આપતા પહેલા, તેને ફ્રી/આંતરિક/ગોપનીય તરીકે વર્ગીકૃત કરવું જરૂરી છે, જો જરૂરી હોય તો તેને અનામી કરો અથવા કોર્પોરેટ (ડેટા-ફ્રી) ટૂલનો ઉપયોગ કરો. 'એઆઈએ કહ્યું' એ સંરક્ષણ નથી; જવાબદારી સંસ્થા અને તેને મંજૂર કરનાર વ્યક્તિની છે.