നേട്ടങ്ങൾ:
- ചിതറിക്കിടക്കുന്ന ESG ഡാറ്റ രൂപപ്പെടുത്തുന്നതിലൂടെയും മാനുവലായി ഉപയോഗിക്കുന്നതിനുപകരം എക്സിക്യൂട്ടബിൾ കോഡ്/ഫോർമുല ഉപയോഗിച്ച് യൂണിറ്റ് പരിവർത്തനം നടത്തുന്നതിലൂടെയും നിർണ്ണായക കൃത്യത നൽകാനുള്ള കഴിവ്
- ഡാറ്റ വിടവുകൾ ഫിറ്റ് ചെയ്യാതെ തന്നെ പ്രോക്സി (പ്രവചനം) ആയി അടയാളപ്പെടുത്താനും ഉറവിടത്തിലേക്ക് തിരികെ പോയി ബൈനറി കൗണ്ടിംഗും ഔട്ട്ലയറുകളും പരിഹരിക്കാനുമുള്ള കഴിവ്
- ഓരോ ഡിജിറ്റൽ ഇനത്തെയും അതിൻ്റെ ഉറവിടവുമായി ബന്ധിപ്പിക്കുന്ന ഒരു ഓഡിറ്റ് ട്രയൽ സ്ഥാപിച്ച് ഡാറ്റ കണ്ടെത്താനുള്ള കഴിവ്
എല്ലാ സുസ്ഥിരതാ റിപ്പോർട്ടിനും താഴെ ശാന്തവും എന്നാൽ മഹത്തായതുമായ ഒരു ചുമതലയുണ്ട്: ഡാറ്റ ശേഖരണം. ഒരു ഇടത്തരം കമ്പനി പോലും വൈദ്യുതി, പ്രകൃതി വാതക ബില്ലുകൾ, ഇന്ധന രസീതുകൾ, മാലിന്യ കൈമാറ്റ രേഖകൾ, എച്ച്ആർ സിസ്റ്റങ്ങളിൽ നിന്നുള്ള ജീവനക്കാരുടെ ഡാറ്റ, വിതരണക്കാരിൽ നിന്നുള്ള സർവേ പ്രതികരണങ്ങൾ, ഡസൻ കണക്കിന് സൗകര്യങ്ങളിൽ നിന്നുള്ള യാത്രാ രേഖകൾ എന്നിവ ശേഖരിക്കുന്നു. ഈ ഡാറ്റയിൽ ഭൂരിഭാഗവും ചിതറിക്കിടക്കുന്നു, വ്യത്യസ്ത ഫോർമാറ്റുകളിൽ, വ്യത്യസ്ത യൂണിറ്റുകളിൽ, പലപ്പോഴും സ്വമേധയാ നൽകിയിട്ടുണ്ട്. ഒരു റിപ്പോർട്ടിൻ്റെ ഗുണനിലവാരം ഈ അസംസ്കൃത ഡാറ്റയുടെ കൃത്യതയിൽ നിന്നാണ് വരുന്നത്, അതിൻ്റെ മിന്നുന്ന ഗ്രാഫല്ല. ഈ ക്രമരഹിതമായ ഡാറ്റ ശേഖരിക്കുന്നതിനും വൃത്തിയാക്കുന്നതിനും നിയന്ത്രിക്കുന്നതിനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) സുരക്ഷിതമായി എങ്ങനെ ഉപയോഗിക്കാമെന്ന് ഈ യൂണിറ്റിൽ നിങ്ങൾ പഠിക്കും.
ഒന്നാമതായി, ഒരു ആശയം: ഡാറ്റ ഗുണനിലവാരം എന്നാൽ ഡാറ്റ കൃത്യമാണ് (സത്യത്തെ പ്രതിഫലിപ്പിക്കുന്നത്), പൂർണ്ണമായത് (പൂർണ്ണമായത്), സ്ഥിരതയുള്ളതാണ് (വൈരുദ്ധ്യാത്മകമല്ല), സമയബന്ധിതവും കണ്ടെത്താവുന്നതുമാണ് (അതിൻ്റെ ഉറവിടം അറിയാം). ESG-യിലെ ഏറ്റവും സാധാരണമായ ഗുണമേന്മ പ്രശ്നം കൃത്യമല്ലാത്തതിനേക്കാൾ ഡാറ്റ കണ്ടെത്താനാകാത്തതാണ്: ഒരു സംഖ്യയുണ്ട്, എന്നാൽ "അത് എവിടെ നിന്ന് വന്നു?" എന്ന ചോദ്യത്തിന് ഉത്തരമില്ല. സ്വതന്ത്ര അഷ്വറൻസ് ഓഡിറ്റർ (റിപ്പോർട്ട് പരിശോധിക്കുന്ന ബാഹ്യ വിദഗ്ധൻ) ചോദിക്കുന്നത് ഇതാണ്. അതിനാൽ ഈ യൂണിറ്റിൻ്റെ നട്ടെല്ല് ഒരൊറ്റ ആശയമാണ്: ഓഡിറ്റ് ട്രയൽ - ഓരോ ലക്കവും ഏത് ഡോക്യുമെൻ്റിൽ നിന്നാണ് വന്നത്, ഏത് തീയതിയിൽ, ഏത് അനുമാനത്തിന് കീഴിലാണ് എന്ന് കാണിക്കുന്ന റെക്കോർഡുകളുടെ ശൃംഖല.
ESG ഡാറ്റയുമായി ബന്ധപ്പെട്ട മൂന്ന് സാധാരണ പ്രശ്നങ്ങൾ
1. യൂണിറ്റ് കുഴപ്പം. ഒരു സൗകര്യം kWh-ലും മറ്റൊന്ന് MWh-ലും മൂന്നാമത്തേത് GJ-ലും (gigajoules) വൈദ്യുതി റിപ്പോർട്ട് ചെയ്യുന്നു. കൂട്ടിച്ചേർക്കുന്നതിന് മുമ്പ് അവയെല്ലാം ഒരൊറ്റ യൂണിറ്റായി പരിവർത്തനം ചെയ്തില്ലെങ്കിൽ, ഫലം അർത്ഥശൂന്യമാണ്. 1 MWh = 1,000 kWh ആയതിനാൽ, യൂണിറ്റ് ഒഴിവാക്കിയാൽ, 1000 മടങ്ങ് പിശക് സംഭവിക്കും.
2. ഡാറ്റ വിടവ്. ഒരു പ്രോപ്പർട്ടി ത്രൈമാസ ഇൻവോയ്സ് കാണുന്നില്ല. വിടവ് നികത്തുന്നത് യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ചോ അല്ലെങ്കിൽ വ്യക്തമായി പ്രസ്താവിച്ച എസ്റ്റിമേറ്റ് ഉപയോഗിച്ചോ (പ്രോക്സി): ഉദാഹരണത്തിന്, സമാന മാസങ്ങളിൽ നിന്നുള്ള ശരാശരി. നിർണ്ണായകമായ കാര്യം പ്രവചനം മറയ്ക്കുകയല്ല; റിപ്പോർട്ടിൽ "കണക്കാക്കിയ ഡാറ്റ" എന്ന് അടയാളപ്പെടുത്തുക എന്നതാണ്.
3. ഇരട്ട എണ്ണലും പൊരുത്തക്കേടും. വെഹിക്കിൾ ഫ്ലീറ്റിലും ജനറേറ്ററിലും കണക്കാക്കിയാൽ ഒരേ ഇന്ധനം രണ്ടുതവണ ശേഖരിക്കപ്പെടും. അത്തരം വൈരുദ്ധ്യങ്ങൾ പിടിക്കാൻ AI സഹായിക്കുന്നു, പക്ഷേ അന്തിമ തീരുമാനം എടുക്കാൻ കഴിയില്ല.
പ്രശ്നം
ലക്ഷണം
ശരിയായ സമീപനം
യൂണിറ്റ് കുഴപ്പം
kWh/MWh/GJ മിക്സഡ്
സിംഗിൾ യൂണിറ്റിലേക്ക് പരിവർത്തനം ചെയ്യുക, കോഡ് ഉപയോഗിച്ച് പരിവർത്തനം ചെയ്യുക
ഡാറ്റ വിടവ്
മാസം/സൗകര്യം നഷ്ടമായി
പ്രോക്സി ഉപയോഗിക്കുക, "കണക്കാക്കിയത്" എന്ന് അടയാളപ്പെടുത്തുക
ബൈനറി എണ്ണം
രണ്ടിടത്തും ഒരേ പേന
ഒരൊറ്റ പോയിൻ്റിലേക്ക് ഉറവിടം പിൻ ചെയ്യുക
കണ്ടെത്താനാകാത്തത്
അജ്ഞാത ഉത്ഭവത്തിൻ്റെ എണ്ണം
ഓഡിറ്റ് ട്രയൽ ടേബിളിലേക്കുള്ള ലിങ്ക്
നുറുങ്ങ്: ഡാറ്റ ക്ലീനിംഗിലെ സുവർണ്ണ നിയമം: "റോ ഡാറ്റയിൽ ഒരിക്കലും തൊടരുത്; ഒരു പകർപ്പിൽ പ്രവർത്തിക്കുക." യഥാർത്ഥ ഇൻവോയ്സുകളും രേഖകളും മാറ്റമില്ലാതെ സൂക്ഷിക്കുന്നു; എല്ലാ തിരുത്തലുകളും പരിവർത്തനങ്ങളും ഒരു പ്രത്യേക പ്രവർത്തന ഫയലിൽ ന്യായീകരണത്തോടെയാണ് നിർമ്മിച്ചിരിക്കുന്നത്. ഇതുവഴി, ഓഡിറ്റർക്ക് എല്ലായ്പ്പോഴും യഥാർത്ഥ സത്യത്തിലേക്ക് മടങ്ങാൻ കഴിയും.
ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ച് ഡാറ്റ വർക്ക്ഫ്ലോ സുരക്ഷിതമാക്കുക
1. ഡാറ്റ ശേഖരിച്ച് അതേപടി സൂക്ഷിക്കുക. ഇൻവോയ്സുകളും റെക്കോർഡുകളും അവയുടെ യഥാർത്ഥ രൂപത്തിൽ ഒരിടത്ത് ശേഖരിക്കുക; അത് "സത്യത്തിൻ്റെ ഏക ഉറവിടം" ആണ്.
2. കോൺഫിഗർ ചെയ്യുക. ക്രമരഹിതമായ ഡാറ്റ ഒരു ഓർഗനൈസ്ഡ് ടേബിളിലേക്ക് അടുക്കുക (പ്ലാൻ്റ്, കാലഘട്ടം, ഇനം, മൂല്യം, യൂണിറ്റ്, ഉറവിടം). ഈ ടേബിൾ ടെംപ്ലേറ്റിലേക്ക് സൗജന്യ വാചകമോ PDF ഉള്ളടക്കമോ ഘടിപ്പിക്കുന്നതിൽ AI മികച്ചതാണ്.
3. എക്സിക്യൂട്ടബിൾ കോഡ് ഉപയോഗിച്ച് യൂണിറ്റുകൾ വിവർത്തനം ചെയ്യുക. AI ഇല്ലെങ്കിൽ യൂണിറ്റ് പരിവർത്തനം സ്വമേധയാ ചെയ്യുക; ഒരു സ്പ്രെഡ്ഷീറ്റ് ഫോർമുല അല്ലെങ്കിൽ ഒരു ചെറിയ കോഡ് പ്രിൻ്റ് ചെയ്ത് നിങ്ങൾ കോഡ് പ്രവർത്തിപ്പിക്കുക. അതിനാൽ, ഫലം നിർണ്ണായകമാണ് (എല്ലാ തവണയും ഒരേപോലെയുള്ളതും പരിശോധിക്കാവുന്നതുമാണ്).
4. ഗുണനിലവാര നിയന്ത്രണം നടത്തുക. അവരെ ഫ്ലാഗ് ഔട്ട്ലറുകൾ (ഒരു സൗകര്യത്തിൻ്റെ ഉപഭോഗം പെട്ടെന്ന് 10 മടങ്ങ് വർദ്ധിക്കുന്നത് പോലെ), ഒഴിവാക്കലുകൾ, വൈരുദ്ധ്യങ്ങൾ എന്നിവ കാണിക്കുക. എന്നാൽ ഓരോ അടയാളവും മനുഷ്യൻ്റെ കണ്ണുകൾ കൊണ്ട് സ്ഥിരീകരിക്കുക.
5. ഓഡിറ്റ് ട്രയൽ സ്ഥാപിക്കുക. ഓരോ സംഖ്യാ ഇനത്തെയും അതിൻ്റെ ഉറവിടവുമായി ബന്ധിപ്പിക്കുന്ന പട്ടിക പൂർത്തിയാക്കുക. ഈ പട്ടികയാണ് റിപ്പോർട്ടിൻ്റെ നട്ടെല്ല്.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഈ സൗകര്യത്തിൻ്റെ ഡാറ്റ ശേഖരിച്ച് മൊത്തം ഊർജ്ജ ഉപഭോഗം നിങ്ങളോട് പറയുക.
യൂണിറ്റ്, ഉറവിടം, ബഹിരാകാശ നിയമങ്ങൾ ഒന്നുമില്ല; AI-ന് വ്യത്യസ്ത യൂണിറ്റുകൾ ഒഴിവാക്കാനും ശേഖരിക്കാനും കാണാതായവയ്ക്ക് നിശബ്ദമായി നികത്താനും കഴിയും.
ശക്തമായ നിർദ്ദേശം:
നിങ്ങളുടെ റോൾ: ESG ഡാറ്റ അനലിസ്റ്റ്. ഇൻപുട്ട്: സൗകര്യ-കാല-മൂല്യ-യൂണിറ്റ് പട്ടിക ചുവടെ. ടാസ്ക്: 1) എല്ലാ ഊർജ്ജ മൂല്യങ്ങളും kWh-ലേക്ക് പരിവർത്തനം ചെയ്യുക; പ്രത്യേക കോളത്തിൽ പരിവർത്തന ഘടകങ്ങൾ കാണിക്കുക.2) ആകെ സ്വമേധയാ ഉണ്ടാക്കുക; എനിക്ക് ഉപയോഗിക്കാനാകുന്ന ഒരു സ്പ്രെഡ്ഷീറ്റ് ഫോർമുല എഴുതുക.3) നഷ്ടമായതോ പൂജ്യമോ ആയി കാണപ്പെടുന്ന ഇനങ്ങൾ "മിസ്സിംഗ് - ചെക്ക്" എന്ന് അടയാളപ്പെടുത്തുക, അവ സ്വയം പൂരിപ്പിക്കരുത്.4) ഒരേ ഇനം രണ്ട് തവണ ദൃശ്യമാകുന്ന ബൈനറി എണ്ണം ലിസ്റ്റ് ചെയ്യുക. ഔട്ട്പുട്ട്: വൃത്തിയാക്കിയ പട്ടിക + കൺവേർഷൻ കോളം + മുന്നറിയിപ്പ് ലിസ്റ്റ്.
കോഡിലേക്ക് ഡാറ്റ ഉൾപ്പെടുത്തുന്നത് നിർണായകമായിരിക്കുന്നത് എന്തുകൊണ്ട്?
AI ഒരു ടെക്സ്റ്റ് ജനറേറ്ററാണ്; സംഖ്യകളുടെ നീണ്ട ലിസ്റ്റുകൾ മാനസികമായി ശേഖരിക്കുമ്പോൾ തെറ്റുകൾ സംഭവിക്കാം. നേരെമറിച്ച്, ഒരു ഫോർമുലയോ കോഡോ സൃഷ്ടിക്കാൻ നിങ്ങളോട് ആവശ്യപ്പെടുകയാണെങ്കിൽ, അത് നിങ്ങളുടെ പരിതസ്ഥിതിയിൽ കൃത്യമായി കണക്കുകൂട്ടൽ നടത്തുകയും എല്ലാ സമയത്തും ഒരേ ഫലം നേടുകയും ചെയ്യും. ഇതാണ് "AI പറയുന്ന സംഖ്യ", "നിയന്ത്രിത കണക്കുകൂട്ടൽ" എന്നിവ തമ്മിലുള്ള വ്യത്യാസം.
ഇനിപ്പറയുന്ന എമിഷൻ ഡാറ്റാ ടേബിളിനായി ഒരു കൂട്ടം Excel/Google ഷീറ്റ് ഫോർമുലകൾ എഴുതുക.ആവശ്യമുള്ളത്:- ഓരോ വരിയിലും: മൂല്യം × പരിവർത്തന ഘടകം = kWh- എല്ലാ kWhs-ൻ്റെയും ആകെത്തുക- നഷ്ടമായ സെല്ലുകൾ (ശൂന്യമായത്) NUMBER ആയി ചേർക്കുക; ഒരു പ്രത്യേക "നഷ്ടമായ എണ്ണം" എണ്ണുക, സെൽ റഫറൻസുകൾ ഉപയോഗിച്ച് ഫോർമുലകൾ വിശദീകരിക്കുക, അങ്ങനെ എനിക്ക് അവ സ്വമേധയാ പ്രയോഗിക്കാൻ കഴിയും. പട്ടിക ഘടന: A=സൗകര്യം, B=കാലയളവ്, C=മൂല്യം, D=യൂണിറ്റ്
മുന്നറിയിപ്പ്: PDF-ൽ നിന്നോ ഇമേജിൽ നിന്നോ AI "വായിക്കുന്ന" നമ്പറുകളിൽ കൂടുതൽ ശ്രദ്ധ ചെലുത്തുക. ഒപ്റ്റിക്കൽ റീഡിംഗ് സമയത്ത് 1.100 vs 11.00 അല്ലെങ്കിൽ കോമ ഡോട്ട് ആശയക്കുഴപ്പം (1.100 vs 1.100) പോലുള്ള പിശകുകൾ സാധാരണമാണ്. സോഴ്സ് ഡോക്യുമെൻ്റുമായി കുറച്ച് ഉദാഹരണങ്ങളെങ്കിലും ദൃശ്യപരമായി താരതമ്യം ചെയ്യുക.
മൂന്ന് മിനി കേസുകൾ
കേസ് 1 - യൂണിറ്റ് ട്രാപ്പ്. ഒരു ഹോൾഡിംഗ് കമ്പനി 8 സൗകര്യങ്ങളുടെ ഊർജ്ജ ഡാറ്റ ശേഖരിച്ചു. 7 സൗകര്യങ്ങൾ kWh, 1 സൗകര്യം MWh റിപ്പോർട്ട് ചെയ്തു. AI ആദ്യ ശ്രമത്തിൽ തന്നെ യൂണിറ്റുകൾ നഷ്ടപ്പെടുത്തി, ആ സൗകര്യത്തെ 1000 മടങ്ങ് കണക്കാക്കി; യഥാർത്ഥത്തിൽ 4,200 മെഗാവാട്ട് ആയിരുന്നപ്പോൾ ആകെ 3,201 മെഗാവാട്ട് ആയി മാറി. കോഡ് അധിഷ്ഠിത പരിവർത്തനം വഴി പിശക് കണ്ടെത്തി പരിഹരിച്ചു.
കേസ് 2 - രഹസ്യ പ്രവചനം. ഒരു സൗകര്യത്തിൻ്റെ മാർച്ച് ഇൻവോയ്സ് കാണുന്നില്ല. "ശൂന്യമായത് പൂരിപ്പിക്കാൻ" AI-യോട് അനലിസ്റ്റ് പറഞ്ഞു; AI അയൽ മാസങ്ങളുടെ ശരാശരി ഇട്ടെങ്കിലും അത് വ്യക്തമാക്കിയിട്ടില്ല. ഓഡിറ്റർ ചോദിക്കുന്നു "ഈ നമ്പർ ഏത് ഇൻവോയ്സിൽ നിന്നാണ്?" അന്വേഷിച്ചപ്പോൾ ഉറവിടം കണ്ടെത്താനായില്ല. പ്രക്രിയ ശരിയാക്കി: റിപ്പോർട്ടിൽ പ്രവചനം "പ്രോക്സി - ഫെബ്രുവരി/ഏപ്രിൽ ശരാശരി" എന്ന് വ്യക്തമായി അടയാളപ്പെടുത്തിയിരിക്കുന്നു.
കേസ് 3 - ഇരട്ട എണ്ണൽ. ഒരു ഫാക്ടറിയിൽ, ജനറേറ്റർ ഇന്ധനം "സ്റ്റേഷണറി ബേണിംഗ്", "ബാക്കപ്പ് എനർജി" എന്നീ രണ്ട് ഇനങ്ങൾക്ക് കീഴിലാണ് നൽകിയത്. AI അതിൻ്റെ വൈരുദ്ധ്യ സ്കാനിൽ ഈ ആവർത്തനത്തെ ഫ്ലാഗ് ചെയ്തു; അനലിസ്റ്റ് സ്ഥിരീകരിക്കുകയും 6 ടൺ CO₂e ൻ്റെ ഇരട്ട കൗണ്ടിംഗ് നീക്കം ചെയ്യുകയും ചെയ്തു. AI-യുടെ സംഭാവനകൾ അടയാളപ്പെടുത്തുകയും തീരുമാനമെടുക്കുകയും ചെയ്യേണ്ടത് അനലിസ്റ്റായിരുന്നു.
ഗുണനിലവാര നിയന്ത്രണം ആവശ്യപ്പെടുന്നു
ചുവടെയുള്ള ESG ഡാറ്റാ പട്ടികയിൽ ഒരു ഗുണനിലവാര പരിശോധന നടത്തുക. കണ്ടെത്തുക (എന്നാൽ അത് സ്വയം ശരിയാക്കരുത്, അടയാളപ്പെടുത്തുക):1) ഔട്ട്ലറുകൾ (മുമ്പത്തെ കാലഘട്ടത്തിൽ നിന്ന് 50%-ൽ കൂടുതൽ വ്യതിചലിക്കുന്ന ഇനങ്ങൾ)2) യൂണിറ്റ് പൊരുത്തക്കേടുകൾ3) ശൂന്യമായ/നഷ്ടമായ സെല്ലുകൾ4) സാധ്യമായ തനിപ്പകർപ്പുകൾ ഒരേ ഇനം ദൃശ്യമാകുമ്പോൾ അത് ഒന്നിലധികം തവണ ലിസ്റ്റുചെയ്യുക: "ഉദാഹരണത്തിന് ഓരോ അലേർട്ട്" [പട്ടിക]
ഇനിപ്പറയുന്ന പ്രോംപ്റ്റ് ഒരു ഓഡിറ്റ്-റെഡി മോണിറ്ററിംഗ് ടേബിൾ അസ്ഥികൂടം സജ്ജമാക്കുന്നു.
നിങ്ങളുടെ റോൾ: ESG ഡാറ്റ മാനേജർ. ടാസ്ക്: ഇനിപ്പറയുന്ന ഇനങ്ങൾക്കായി ഒരു ഓഡിറ്റ് ട്രയൽ ടേബിൾ നിർമ്മിക്കുക. നിരകൾ: ഇനം | മൂല്യം | യൂണിറ്റ് | ഉറവിട പ്രമാണ തരം | പ്രമാണ നമ്പർ/തീയതി | ഉത്തരവാദിത്തം | ഊഹിക്കുക (Y/N) | ഇത് പരിശോധിച്ചിട്ടുണ്ടോ? ഉറവിടം അജ്ഞാതമായ ഓരോ വരിയിലും "ഉറവിടം ആവശ്യമാണ്" എന്ന് എഴുതുക. പെൻസിലുകൾ: [PENSES]
സാധാരണ തെറ്റുകൾ
- റോ ഡാറ്റ പരിഷ്കരിക്കുന്നു. യഥാർത്ഥ രേഖകൾ സംരക്ഷിക്കാതെ തിരുത്തലുകൾ വരുത്തുന്നത് ഓഡിറ്റ് പാതയെ തകർക്കുന്നു.
- AI ഉള്ളതിനാൽ യൂണിറ്റ് പരിവർത്തനം സ്വമേധയാ ചെയ്യുന്നു. നീണ്ട ലിസ്റ്റുകളിൽ മാനസിക കൂട്ടിച്ചേർക്കൽ പിശകിന് സാധ്യതയുണ്ട്; കോഡ്/ ഫോർമുല ഉപയോഗിക്കുക.
- പ്രവചനം മറയ്ക്കുക. പ്രോക്സി ഡാറ്റ ഉപയോഗിക്കുന്നത് ഒരു പ്രശ്നമല്ല; അത് വ്യക്തമാക്കാത്തത് ഓഡിറ്റിംഗിലെ വലിയ പ്രശ്നമാണ്.
- നിശ്ശബ്ദമായി ഔട്ട്ലൈയർ ഇല്ലാതാക്കുന്നു. ഒരു സൗകര്യത്തിൻ്റെ ഉപഭോഗം ഇരട്ടിയാക്കുന്നത് ഒരു തെറ്റായിരിക്കാം അല്ലെങ്കിൽ അല്ലായിരിക്കാം; ഇത് അന്വേഷിക്കാതെ ഇല്ലാതാക്കാൻ കഴിയില്ല.
- PDF/ചിത്രത്തിൽ നിന്ന് വായിച്ച നമ്പർ അന്ധമായി സ്വീകരിക്കുന്നു. ഒപ്റ്റിക്കൽ റീഡിംഗ് പിശകുകൾക്കെതിരായ സാമ്പിൾ നിയന്ത്രണം അത്യാവശ്യമാണ്.
ചുരുക്കത്തിൽ
ഒരു ESG റിപ്പോർട്ടിൻ്റെ യഥാർത്ഥ മൂല്യം അതിൻ്റെ ഡാറ്റയുടെ കൃത്യതയിലും കണ്ടെത്തലിലും ആണ്. AI; ചിതറിക്കിടക്കുന്ന ഡാറ്റ രൂപപ്പെടുത്തുന്നതിലും യൂണിറ്റ് പരിവർത്തനത്തിനായുള്ള സൂത്രവാക്യങ്ങൾ സൃഷ്ടിക്കുന്നതിലും ഔട്ട്ലറുകളും വൈരുദ്ധ്യങ്ങളും അടയാളപ്പെടുത്തുന്നതിലും ഇത് ശക്തമായ ഒരു സഹായമാണ്. എന്നാൽ ഏറ്റവും വലിയ അപകടസാധ്യത ഡാറ്റ തെറ്റാണെന്നല്ല, അത് കണ്ടെത്താൻ കഴിയാത്തതാണ്. അസംസ്കൃത ഡാറ്റ സംരക്ഷിക്കുക, കോഡിൽ പരിവർത്തനം ചെയ്യുക, പ്രവചനം വ്യക്തമായി അടയാളപ്പെടുത്തുക, കൂടാതെ ഓരോ നമ്പറും ഒരു ഓഡിറ്റ് ട്രയലുമായി ബന്ധിപ്പിക്കുക. "നമ്പർ ശരിയായി തോന്നുന്നു" പോരാ; "എനിക്ക് ഈ നമ്പർ അതിൻ്റെ ഉറവിടത്തിലേക്ക് കണ്ടെത്താനാകും" എന്നത് ആവശ്യമാണ്.
ആപ്ലിക്കേഷൻ ടാസ്ക്
കുറഞ്ഞത് മൂന്ന് വ്യത്യസ്ത യൂണിറ്റുകളിൽ (ഉദാ. kWh, MWh, ലിറ്റർ) ഡാറ്റ ഉപയോഗിച്ച് ഒരു ചെറിയ സാമ്പിൾ പട്ടിക തയ്യാറാക്കുക; ഒന്നോ രണ്ടോ സെല്ലുകൾ ഉദ്ദേശ്യത്തോടെ ശൂന്യമായി വിടുക. ഈ ടേബിളിനെ ഒരൊറ്റ യൂണിറ്റാക്കി മാറ്റുന്ന ഒരു കൂട്ടം ഫോർമുലകൾക്കും ഗുണമേന്മയുള്ള അലേർട്ടുകളുടെ ഒരു ലിസ്റ്റിനും മുകളിലുള്ള ശക്തമായ പ്രോംപ്റ്റ് ഉപയോഗിച്ച് AI-യോട് ചോദിക്കുക. തുടർന്ന്: (1) പരിവർത്തന ഘടകങ്ങൾ പരിശോധിക്കുക, (2) വിടവുകൾ നികത്തിയിട്ടില്ലെന്ന് പരിശോധിക്കുക, (3) ഓരോ ഇനത്തിനും ഒരു ചെറിയ ഓഡിറ്റ് ട്രയൽ ലൈൻ എഴുതുക.
ചെക്ക്ലിസ്റ്റ്
- [ ] ഞാൻ അസംസ്കൃത ഡാറ്റ അതിൻ്റെ യഥാർത്ഥ രൂപത്തിൽ സൂക്ഷിച്ചു, പകർപ്പിൽ പ്രവർത്തിച്ചു.
- [ ] ഞാൻ എല്ലാ യൂണിറ്റുകളും കോഡ്/ ഫോർമുല ഉപയോഗിച്ച് ഒരൊറ്റ യൂണിറ്റാക്കി മാറ്റി.
- [ ] കാണാതായ ഡാറ്റ ഞാൻ ഉണ്ടാക്കിയില്ല; ഞാൻ പ്രവചനങ്ങൾ "പ്രോക്സി" എന്ന് അടയാളപ്പെടുത്തി.
- [ ] പുറമ്പോക്ക് ഇല്ലാതാക്കുന്നതിന് മുമ്പ് ഞാൻ അവരെ അന്വേഷിച്ചു.
- [ ] ഉറവിടത്തിലേക്ക് പോയി സാധ്യമായ ബൈനറി കൗണ്ടുകൾ ഞാൻ പരിഹരിച്ചു.
- [ ] ഒരു സാമ്പിൾ ഉപയോഗിച്ച് PDF/ചിത്രത്തിൽ നിന്ന് വായിച്ച നമ്പറുകൾ ഞാൻ ദൃശ്യപരമായി പരിശോധിച്ചു.
- [ ] ഞാൻ ഓരോ സംഖ്യാ ഇനവും ഒരു ഓഡിറ്റ് ട്രയൽ റെക്കോർഡിലേക്ക് ലിങ്ക് ചെയ്തു.