이득:
- AI 기반 Python 코드로 환경 데이터 정리 및 분석 작업을 자동화하는 기능
- 단위 확인, 테스트 및 엣지 케이스를 통해 AI 생성 코드를 검증하는 기능
- 기밀/개인 환경 데이터 보호 및 책임 있는 AI 사용 원칙을 적용하는 능력
모듈 시험
1. AI에게 폐수처리장의 배출한계에 대해 질문했더니 모델은 '수질오염방지법 표 19에 따른 COD 120mg/L'이라고 답했습니다. 가장 올바른 행동은 무엇입니까?
- A) 현행 규정의 공식 텍스트에서 값과 참조 표 확인 ✔
- 나) AI는 현행모델이므로 배출허가서에 직접 값을 적는다.
- 다) 단위를 mg/L에서 g/L로 변환해서 사용하면 됩니다.
- D) AI에게 '확실합니까?'라고 물어보세요. '예'라는 대답에 만족하세요.
설명: LLM은 통계적으로 그럴듯하지만 실제가 아닌 중단점과 테이블/항목 번호를 생성할 수 있습니다(환각). 배출 한도는 부문, 수용 환경 및 현행 규정에 따라 다릅니다. 공식 규정 텍스트(공보)에서 확인하지 않고 값과 참조 표를 사용하면 규정 위반 및 처벌을 받게 됩니다.
2. 활성 슬러지 시스템에서 F/M(영양분/미생물) 비율이 너무 낮은 경우 일반적으로 어떻게 예상됩니까?
- A) 유기물 부하가 매우 높고 슬러지가 어린 상태로 남아 있는 상황
- B) 극도로 노화된 슬러지 및 내부 호흡이 지배적인 운전 조건 ✔
- 다) 환기가 전혀 필요하지 않게 된 상황
- 라) 배출기준이 자동으로 유지된다는 증명
설명: F/M 비율은 미생물 질량당 유기물 부하량을 나타냅니다. 매우 낮은 F/M은 미생물이 고갈되어 내부 호흡으로 전환되고, 슬러지가 과도하게 오래되어 바늘 형성/슬러지 분산 및 침전 문제가 일반적으로 관찰되는 운전 조건입니다. AI가 F/M 값을 해석하려면 슬러지 연령, SVI, 실험실 데이터를 통해 이를 검증해야 합니다.
3. AI를 사용하여 연도가스 배출량 계산의 배출계수를 사용하여 연간 NOx 부하를 추정했습니다. 결과를 안전하게 보고하기 전에 무엇을 해야 합니까?
- A) 결과를 반올림하여 배출량 목록에 직접 입력합니다.
- B) 차트의 색상을 수정하고 보고서를 게시하면 됩니다.
- 다) NOx 대신 CO2를 실수로 계산한 경우에도 그 결과를 이용
- D) 사용된 배출계수, 배출원, 단위, 활동량 데이터를 인쇄하고 계산 검증 ✔
설명: 방출 = 요소 × 활동 크기의 논리로 작동합니다. AI는 잘못된 배출 계수(잘못된 연료, 잘못된 단위, 오래된 소스)를 사용할 수 있습니다. 사용된 계수, 그 출처, 단위 및 활동 데이터를 명확하게 인쇄하고 공식 배출계수 출처(예: EMEP/EEA 또는 국가 지침)와 비교하여 계산을 재현해야 합니다.
4. 폐기물 관리에 있어서 '폐기물 위계' 원칙에 따른 우선순위는 다음 중 무엇입니까?
- 가) 폐기 > 회수 > 재활용 > 재사용 > 예방
- 나) 재활용 > 폐기 > 예방 > 재사용 > 회수
- 다) 예방 > 재사용 > 재활용 > 회수 > 폐기 ✔
- 라) 재사용 > 폐기 > 예방 > 재활용 > 회수
설명: 폐기물 계층 구조는 가장 낮은 것부터 예방(감소) > 재사용 > 재활용 > (에너지) 회수 > 폐기(매립)입니다. AI가 폐기물 관리 계획 초안을 작성하더라도 이 순서와 제안된 처리 방법이 법률 및 폐기물 특성화를 준수하는지 확인해야 합니다.
5. AI는 EIA 보고서 초안에 '프로젝트가 환경에 미치는 영향은 무시할 수 있다'고 썼습니다. 이 결과에 대한 최선의 엔지니어링 태도는 무엇입니까?
- A) 현장 데이터, 모델링, 전문가 평가 등을 통한 검증 없이 보고서에 영향판정을 기재하지 않음 ✔
- 나) AI는 중립적이므로 결론을 그대로 기술한다.
- C) 좀 더 공식적인 언어로 문장을 다시 작성하세요.
- 라) 영향평가를 아예 생략하고 직접 허가신청을 하는 것
설명: EIA의 영향 평가; 현장 데이터, 수신 환경 민감도, 누적 효과 및 규제 임계값을 기반으로 합니다. AI는 데이터에 근거하지 않고도 '무시할 수 있다'는 판단을 내릴 수 있다. 이는 가설/개략으로 받아들여야 합니다. 효과크기는 측정, 모델링, 전문가 평가를 통한 검증 없이 보고서에 최종 판단으로 기재되어서는 안 됩니다.
6. 연속 모니터링 스테이션의 PM10 시계열에서 AI는 갑작스러운 '오버슈트'(임계값 초과)를 표시했습니다. 가장 중요한 확인 단계는 무엇입니까?
- A) 공식적인 초과 통지로서 공무원에게 직접 서명을 보냅니다.
- B) 원시 데이터, 센서 QA/QC 플래그, 교정 및 인접 스테이션 데이터 확인 ✔
- C) 그래프 평활화 및 오버슈트 숨기기
- D) 임계값을 높이고 초과가 보이지 않도록 보장
설명: 센서 데이터의 급격한 증가는 실제 오염 사건일 수도 있지만 센서 오작동, 보정 드리프트, 유지 관리 기간 또는 데이터 전송 오류일 수도 있습니다. 오버슈트를 실제로 받아들이기 전에 원시 데이터, 센서 QA/QC 플래그, 교정 로그 및 인근 관측소/기상 데이터를 살펴보고 이를 검증해야 합니다. 그렇지 않으면 허위 경보 또는 누락된 이벤트가 발생합니다.
7. 기업 탄소 배출량 계산에서 'Scope 2' 배출량은 무엇을 의미합니까?
- A) 공급망 및 제품 사용으로 인해 발생하는 모든 간접 배출
- B) 시설 내 연료 연소로 인한 직접 배출
- C) 구입한 전기, 증기, 냉난방의 간접 배출 ✔
- D) 폐기물 처리로 인한 배출만
설명: 범위 1은 직접 배출(자체 시설, 차량에서 연료 연소)을 다루고, 범위 2는 구매한 에너지(전기, 증기, 난방/냉방)의 간접 배출을 다루고, 범위 3은 가치 사슬(공급, 운송, 제품 사용)에서 기타 간접 배출을 다룹니다. AI가 초안 목록을 생성하더라도 AI가 사용하는 배출 계수와 범위 분류를 검증해야 합니다.
8. 원격탐사가 높은 NDVI(Normalized Difference Vegetation Index) 값을 제공하는 경우 이는 일반적으로 무엇을 나타냅니까?
- 가) 깊고 깨끗한 수역
- 나) 맨바위와 흙
- 다) 높은 대기오염 농도
- D) 빽빽하고 건강한 녹색 식생 ✔
설명: NDVI는 근적외선과 적색 대역의 차이와 그 합에 대한 비율로 계산되며 일반적으로 -1과 +1 사이입니다. 높은 양수 값은 조밀하고 건강한 녹색 식물을 나타냅니다. 물과 맨땅은 낮거나 음의 값을 나타냅니다. AI가 NDVI 해석을 하더라도 구름, 그림자, 계절, 센서 보정 효과는 Ground Truth로 검증되어야 합니다.
9. AI에게 환경법규에 관한 질문을 했고 모델은 특정 규정 조항을 참조하여 명확한 한계값을 제시했습니다. 공식 애플리케이션에서 이 정보를 사용하기 전에 필수 사항은 무엇입니까?
- A) 현재 공식 출처에서 물질번호, 한계값, 유효성 상태 확인 ✔
- 나) 신청서에 AI가 부여한 품번을 그대로 기재합니다.
- C) 그냥 격식 있는 스타일로 문장을 다시 써보세요
- D) AI가 둘 이상의 답변을 제공하므로 평균을 취함
설명: LLM은 존재하지 않는 기사 번호, 폐지된 규정 또는 잘못된 중단점을 생성하여 현재 날짜 정보 없이 제출할 수 있습니다. 입법 기준 및 한도 값은 현재 공식 출처(관보, 입법 포털)에서 발효일을 확인하지 않으면 공식 거래에 사용할 수 없습니다.
10. AI 생성 Python 스크립트를 사용하여 모니터링 스테이션 데이터를 정리하고 추세를 파악하기 전에 무엇이 사실입니까?
- A) 코드가 오류 없이 작동하므로 트렌드 결과를 리포트에 직접 입력합니다.
- B) 변수 이름을 줄이고 주석 줄을 삭제합니다.
- C) 모든 원시 추적 데이터가 포함된 스크립트를 공공 서비스에 업로드
- D) 알려진 결과, 단위 확인 및 엣지 케이스를 사용한 테스트를 통해 검증하고 데이터 기밀성을 보호합니다. ✔
설명: AI 코드에는 잘못된 단위 변환, 잘못된 누락 데이터 채우기, 잘못된 날짜 구문 분석 또는 극단적인 경우 자동 버그가 포함될 수 있습니다. 암호; 알려진 결과, 볼륨/크기 확인 및 극단적인 경우(누락된 값, 음수 판독, 이중 기록)를 갖춘 소규모 테스트 데이터로 검증되었습니다. 또한, 개인/기밀 데이터를 허가 없이 외부 서비스로 전송해서는 안 됩니다. 결과는 공학적 판단으로 확인됩니다.