Nyereség:
- Kockázatalapú besorolás, ahol a mesterséges intelligencia hol gyorsul, és hol kockázatos a környezetmérnökségben
- Képes felismerni az LLM-ek hallucinációjának kockázatát a környezeti határértékekkel, szabványokkal és erőforrásokkal kapcsolatban
- Képes a mesterséges intelligencia eredményeinek laboratóriumi, helyszíni és szabályozási ellenőrzésére, valamint az etikai/adatvédelmi elvek alkalmazására
Képzelje el, hogy környezetvédelmi mérnökként dolgozik egy szervezett ipari övezet közös szennyvíztisztítójában. A kifolyó vízben hirtelen megnövekszik a KOI, az üzletvezető azt mondja a telefonban: "Minél hamarabb szeretném az okot és a megoldást." Az asztalán vannak a múlt hét laboratóriumi eredményei, SCADA rekordok és egy csevegőablak, amelyet most nyitott meg. Kérdezi az AI "miért nőtt a kimeneti KOI, írja le a kisülési határt is?" A modell másodperceken belül helyes törökül, tételesen felírja a lehetséges okokat, valamint a „Vízszennyezés-ellenőrzési rendelet szerint a KOI-kibocsátási határérték 120 mg/L” mondatot. A probléma az, hogy ez a töréspont modellillesztett lehetett; Az iparágtól, a fogadó környezettől és a létesítmény típusától függően a tényleges korlát teljesen eltérő lehet. Ez az egység megtanítja kezelni ezt a pillanatot – azt a pillanatot, amikor mérnöki felelőssége metszi a mesterséges intelligencia gyors, de ellenőrizetlen kimenetét.
Mit csinál és mit nem csinál a mesterséges intelligencia a környezetmérnökségben
A nagy nyelvi modellek (LLM) olyan rendszerek, amelyeket a „következő szó megjóslása” elve alapján képeznek hatalmas szövegadatokon. Emiatt nagyon erősek a nyelvi munkában, de alapvetően gyengék a tények ellenőrzésében. A modell nem "emlékszik" egy töréspontra, hanem statisztikailag ésszerűnek tűnő számot állít elő.
Jobs AI jó a környezetmérnöki területen:
- Hosszú jogszabályok, KHV jelentések vagy szakirodalmi szövegek összefoglalása, megfogalmazása
- Számítás szerkezetének, képletének és logikájának felállítása (tömegmérleg, emissziós terhelés, hatásfok)
- A lehetséges okok és forgatókönyvek listája a hibaelhárításhoz
- Jelentéstervezetek, táblázatok, prezentációk és levelezés készítése
- Egy összetett téma (pl. nitrifikációs kémia) lépésről lépésre történő kifejtése
Feladatok, amelyeket a mesterséges intelligencia nem tud elvégezni/megbízhatatlan:
- Naprakész és környezetfüggő határérték, szabványszám vagy rendeleti cikk megadása
- Hozzáférés a létesítmény tényleges mérési adataihoz (hacsak nem adja meg)
- Csere laboratóriumi elemzéshez vagy terepi méréshez
- Vállalja a jogi/adminisztratív felelősséget – az aláírás az Öné
Tipp: Gondoljon az AI-ra úgy, mint egy „vezető gyakornokra”. Gyors, jól olvasott, jó piszkozatíró; De nem küld el minden nyomatot sehova anélkül, hogy saját maga ellenőrizné. Minden szám és minden hivatkozás a jogszabályokra, amit előállít, csak egy hipotézis, amíg meg nem erősíti a forrásból.
Hallucináció: gyártott határérték és szabályozási cikk
A hallucináció az, amikor a modell teljes magabiztossággal állít elő valótlan információkat. A hallucinációk három legveszélyesebb típusa a környezettechnikában:
- Kitalált határérték: Helyesnek tűnő számok, amelyek tévesek lehetnek, például „A PM10 24 órás határértéke 50 µg/m³”.
- Kitalált jogszabályi hivatkozás: "Rendelet 12/3. pontja szerint..." — a rendelet cikkszáma és megnevezése valósnak tűnik, de a tartalom kitalált.
- Fiktív forrás: Nem létező cikk, szabványszám (pl. "TS EN 12457") vagy intézményi útmutató.
Az alábbi táblázat biztonságos és kockázatos válaszmintákat mutat be, amelyeket a modell ugyanarra a kérdésre adhat:
Modell kimenet
Kockázat
mit kell tenni
"A kibocsátási határ pontosan 120 mg/l."
Magas – pontos szám, forrás nélkül
Ellenőrizze a hivatalos jogszabályok alapján
"A kibocsátási határértékek az ágazattól és a fogadó környezettől függően változnak; a vonatkozó szabályozási táblázatot meg kell nézni."
Alacsony — router
Még mindig ellenőrizze, de megbízható
"Nem tudom ellenőrizni ezt az értéket, lásd a hivatalos forrást."
alacsony
ideális viselkedés
Figyelem: Minél pontosabb és magabiztosabb egy szám, annál veszélyesebb, ha forrás nélküli. Az olyan egyértelmű érték, mint a „120 mg/L”, megnyugtatja, de hamis önbizalmat ad. Ne alapozza meg döntését olyan határértékre, amelyre nem hivatkoznak.
Kockázatalapú munkamegosztás
A döntés eredményének súlya határozza meg, hogy hol szabad az MI-t használni, hol pedig csak szövegezési célokra. A következő besorolás praktikus iránytű:
Quest
Kockázati szint
Az AI szerepe
Kötelező ellenőrzés
Szakirodalmi/jogszabályi összefoglaló, fogalommagyarázat
alacsony
producer, gyorsító
Ellenőrizze a kulcskérdéseket
Jelentés/levelezés vázlat, táblázat elrendezés
alacsony
tervezet írója
Szerkesztői áttekintés
Adatelemzés beállítása, számítási képlet
közepes
építő
Beviteli adatok + számítás kézi vezérlése
Folyamat hibaelhárítási forgatókönyve
közepes
ötletgenerátor
Laboratórium + terepi adatok
Kibocsátási/kibocsátási határérték meghatározása
magas
Csak vázlat
Hivatalos jogszabályok + akkreditált laboratórium
KHV eredménye, "hatás elhanyagolható" ítélet
magas
Csak vázlat
Szakértő + terepi mérés
Ember/környezet-egészségügyi döntések
kritikus
Támogasd, soha ne dönts
Teljes jogszabály + szakértői jóváhagyás
A szabály egyszerű: minél visszafordíthatatlanabb az eredmény, és minél több életet/pénzt/törvényt érint, annál szigorúbban ellenőrzik a mesterséges intelligencia kimenetét. Alacsony kockázat mellett gyorsul; magas kockázat esetén az AI csak az első tervezetet készíti el, az adatok és a jogszabályok hozzák meg a döntést.
Gyenge felszólítás / Erős felszólítás
Két különböző kérés ugyanarra a szükségletre teljesen eltérő kockázati profilokat eredményez:
GYENGE PROMPT: "Mi a szennyvíz kibocsátási KOI határértéke? Írjon röviden." Probléma: Kényszeríti a modellt, hogy egyetlen kemény számra illeszkedjen. Szektor, fogadó környezet, létesítménytípus nincs megadva. A kimenet forrás nélkül érkezik. ERŐS UTASÍTÁS: "magyarázza meg, hogy mely tényezőktől (szektor, fogadó környezet, áramlási sebesség) függ Türkiye textilipar szennyvizének KOI-kibocsátási határértéke. NE állítson össze pontos számot; ehelyett magyarázza el lépésről lépésre, hogy melyik hivatalos szabályozási táblázatból és milyen paraméterek szerint kell kiolvasni. Ha nem biztos abban, hogy "ellenőrizni kell" - írja be." Különbség: Az erős felszólítás miatt a modell nem illeszkedik egy számhoz; Útmutatóként használja, és a végső szót a jogszabályokra bízza.
Etika és adatvédelem
Környezetmérnökként az Ön által birtokolt adatok gyakran kényesek: a cég folyamatos felügyeleti (CPMS) nyilvántartása, szabálysértési előzményei, gyártási kapacitása üzleti titok. A nyilvános mesterségesintelligencia-eszközbe beillesztett adatok kívül eshetnek az Ön ellenőrzésén.
Alapelvek:
- Anonimizálás: Távolítsa el a cég nevét, a létesítmény koordinátáit, a személyes adatokat és a szerződés részleteit a promptból. Az "X cég" helyett írd azt, hogy "textilgyár".
- Védje meg az üzleti titkot: Ellenőrizze vállalati adatkezelési szabályzatát, mielőtt megosztana olyan információkat, mint például az incidens adatok, kapacitás, költségek.
- Átláthatóság: Ha MI-vel készített jelentést, ezt megfelelően jelezze a munkafolyamatban; Ne feledje, hogy a felelősség a tiéd.
# Egy egyszerű anonimizálási ellenőrzés, mielőtt az adatokat a promptba helyezné el sensitiv_fields = ["cégnév", "koordináta", "tc_no", "kapacitás", "költség"]def prompt_safe_is(text, sensitiv): found = [a for a in sensitif if a in text.lower()] return (len(found) == 0, szöveg0, példa:D mg/L, kapacitás: 5000 m3/nap"safe, risky = prompt_safe_mi(példa, érzékeny_területek)print("Küldhető-e:", biztonságos) # Falseprint("Először meg kell tisztítani:", kockázatos) # ['cégnév', 'kapacitás']
mini tok
Egy környezetvédelmi tanácsadó cég fiatal mérnöke sürgős árajánlatot kér az AI-tól, hogy „mi a hulladékolaj hulladékkódja és ártalmatlanítási módja”. A modell magabiztosan ad vissza egy 6 számjegyű hulladékkódot és a választ: „égetéssel történő ártalmatlanítás”. A mérnök ezt közvetlenül beleírja az idézetbe. A kiszállítást követően a vezető mérnök ellenőrzi: a megadott kód nem egyezik a hulladék tényleges forrásával és tartalmával; A helyes besorolás csak az elemzési jelentés és a hivatalos hulladékjegyzék alapján történhet. A rossz kód rossz ártalmatlanítási utat és adminisztratív szankciók kockázatát jelenti. Tanulság: Az AI által adott kód hipotézis volt; Mivel azt elemzés és jogszabály nem igazolta, nem lehetett a döntés alapja.
Gyakori hibák
- Az AI által megadott határérték beírása a jelentésbe a forrás megkérdezése nélkül.
- Tekintettel arra, hogy a „X. rendelet X. cikkére” való hivatkozás megbízható a tényleges szöveggel való összehasonlítás nélkül.
- Bizalmas információk, például cégnév, nyomkövetési adatok stb. beillesztése a nyilvános eszközbe.
- A magas kockázatú döntés (kisülési határ, EIA eredménye) AI kimenetre alapozása.
- A modell magabiztos hangvételének összetévesztése a pontosság bizonyítékaként.
- Megpróbálja a felelősséget a gépre hárítani azzal, hogy "AI mondta"; Az aláírás és a felelősség a mérnököt terheli.
Összefoglalva
- Az AI egy gyorsító a környezettervezésben: hatékony röviden, vázlaton, fiókszerkesztésen és forgatókönyv-generáláson; Pontos határértékekre és jogszabályokra hivatkozva megbízhatatlan.
- Az LLM-ek hallucinációkat produkálnak a határértékekről, szabványokról és forrásokról; a pontos és forrás nélküli számok jelentik a legnagyobb kockázatot.
- A munkamegosztás kockázatalapú: minél visszafordíthatatlanabb az eredmény, annál szigorúbb az ellenőrzés.
- Minden mesterséges intelligencia kimenet csak javaslat/vázlat, amíg azt laboratóriumi, helyszíni mérési és kormányzati jogszabályok nem hitelesítik.
- Ne adjon ki bizalmas és személyes adatokat nyilvánosan anélkül, hogy azokat anonimizálná.
- A mesterséges intelligencia „vezető gyakornok”: fut, de az aláírást és a felelősséget a mérnök viseli.
Pályázati feladat
Válasszon öt feladatot a tanulmányi területéről (szennyvíz, levegő, hulladék vagy KHV), és helyezze el mindegyiket a fenti kockázatalapú táblázatba: írja le a feladatot, határozza meg a kockázati szintet (alacsony/közepes/magas/kritikus), határozza meg az AI szerepét és a kötelező ellenőrzési lépést. Ezután válasszon egyet ezek közül a feladatok közül, és először szándékosan írjon be egy "gyenge promptot", bejelölve, hogy van-e legalább egy forrás nélküli hivatkozás határértékekre vagy jogszabályra a modelltől kapott válaszban; Ezután ugyanerre az igényre írjon egy "erős promptot", amely megtiltja a számok létrehozását, és a forráshoz irányít, és hasonlítsa össze a két kimenetet egymás mellett. Végül egy bekezdésben írja le, hogy mely kormányzati jogszabályokat és milyen laboratóriumi/terepi adatokat fog használni ennek a feladatnak az ellenőrzésére.