നേട്ടങ്ങൾ:
- ചെലവിൻ്റെയും അപകടസാധ്യതയുടെയും അടിസ്ഥാനത്തിൽ വിതരണക്കാർക്ക് മുൻഗണന നൽകുന്നതിലൂടെയും യഥാർത്ഥ ഡാറ്റയും പ്രോക്സി എസ്റ്റിമേറ്റുകളും തമ്മിൽ വേർതിരിച്ചറിയുന്നതിലൂടെയും സ്കോപ്പ് 3 സ്ഥാപിക്കാനുള്ള കഴിവ്
- ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ച് വിതരണക്കാരൻ്റെ റിസ്ക് സിഗ്നലുകൾ ഫ്ലാഗ് ചെയ്യുമ്പോൾ, അവയെ തെളിവായി കണക്കാക്കാതെ 'പരിശോധിക്കേണ്ട സിഗ്നലുകൾ' ആയി പരിഗണിക്കുക.
- ഫീൽഡ് പരിശോധനയും നിയമപരമായ സ്ഥിരീകരണവും ആവശ്യമായ ജാഗ്രതാ പ്രക്രിയയിലൂടെ ഗുരുതരമായ മനുഷ്യാവകാശങ്ങൾ/പരിസ്ഥിതി ക്ലെയിമുകൾ കൈകാര്യം ചെയ്യാനുള്ള കഴിവ്
മിക്ക കമ്പനികൾക്കും, അവരുടെ സുസ്ഥിരതയുടെ ആഘാതത്തിൻ്റെ ഏറ്റവും വലിയ ഭാഗം അവരുടെ സ്വന്തം ഫാക്ടറിയിലല്ല, മറിച്ച് അവരുടെ വിതരണ ശൃംഖലയിലാണ്. തുണി നിർമ്മാതാക്കൾ മുതൽ ഷിപ്പിംഗ് വരെയുള്ള ഒരു വസ്ത്ര ബ്രാൻഡിൻ്റെ കാർബൺ കാൽപ്പാടിൻ്റെ 80 ശതമാനവും അതിൻ്റെ വിതരണക്കാരിൽ നിന്ന് വരാം. അതുപോലെ, ബാലവേല, നിർബന്ധിത തൊഴിൽ, പാരിസ്ഥിതിക ലംഘനങ്ങൾ തുടങ്ങിയ ഏറ്റവും ഗുരുതരമായ സാമൂഹിക അപകടസാധ്യതകൾ വിതരണ ശൃംഖലയിൽ പലപ്പോഴും സംഭവിക്കാറുണ്ട്. ഈ യൂണിറ്റിൽ, വിതരണ ശൃംഖല ഡാറ്റ ശേഖരിക്കുന്നതിനും വിലയിരുത്തുന്നതിനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് (AI) എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും.
നമുക്ക് രണ്ട് ആശയങ്ങൾ വ്യക്തമാക്കാം. സ്കോപ്പ് 3, ഞങ്ങൾ മുമ്പത്തെ യൂണിറ്റിൽ കണ്ടതുപോലെ, കമ്പനിയുടെ മൂല്യ ശൃംഖലയിലെ പരോക്ഷ ഉദ്വമനമാണ്, ഇത് പൊതുവെ ഏറ്റവും വലുതും എന്നാൽ അളക്കാൻ ഏറ്റവും ബുദ്ധിമുട്ടുള്ളതുമായ ഇനമാണ്. ഒരു കമ്പനിയുടെ വിതരണ ശൃംഖലയിലെ മനുഷ്യാവകാശങ്ങളും പാരിസ്ഥിതിക അപകടങ്ങളും തിരിച്ചറിയുകയും തടയുകയും പരിഹരിക്കുകയും ചെയ്യുന്ന പ്രക്രിയയാണ് ഡ്യൂ ഡിലിജൻസ്. EU-യുടെ CSDDD (കോർപ്പറേറ്റ് സസ്റ്റൈനബിലിറ്റി ഡ്യൂ ഡിലിജൻസ് ഡയറക്റ്റീവ്) പോലുള്ള നിയന്ത്രണങ്ങൾ വലിയ കമ്പനികൾക്ക് ഇത് നിർബന്ധമാക്കുന്നു.
സപ്ലൈ ചെയിൻ ഡാറ്റയുടെ പ്രധാന വെല്ലുവിളി
നിങ്ങളുടെ സ്വന്തം സൗകര്യത്തിൻ്റെ ഡാറ്റ നിങ്ങൾക്ക് അളക്കാൻ കഴിയും; എന്നാൽ നിങ്ങൾക്ക് നൂറുകണക്കിന് വിതരണക്കാരുടെ ഡാറ്റ നേരിട്ട് അളക്കാൻ കഴിയില്ല, നിങ്ങൾ അവരോട് ചോദിക്കണം. ഇത് മൂന്ന് പ്രശ്നങ്ങൾ സൃഷ്ടിക്കുന്നു:
- ഡാറ്റ എത്തുന്നില്ല അല്ലെങ്കിൽ അപൂർണ്ണമാണ്. മിക്ക ചെറുകിട വിതരണക്കാരും കാർബൺ ഡാറ്റ സൂക്ഷിക്കുന്നില്ല.
- ഡാറ്റ വിശ്വസനീയമല്ല. ഒരു വിതരണക്കാരൻ സ്വയം റിപ്പോർട്ട് ചെയ്യുമ്പോൾ, അമിതമായി പ്രസ്താവിക്കുകയോ റിപ്പോർട്ടുചെയ്യുകയോ ചെയ്തേക്കാം.
- ഒരു ഊഹം (പ്രോക്സി) ആവശ്യമാണ്. യഥാർത്ഥ ഡാറ്റ ലഭ്യമല്ലെങ്കിൽ, വ്യവസായ ശരാശരി അല്ലെങ്കിൽ ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള എസ്റ്റിമേറ്റ് ഉപയോഗിക്കുന്നു.
ഇവിടെയാണ് AI രണ്ട് തരത്തിൽ സഹായിക്കുന്നത്: (1) നൂറുകണക്കിന് വിതരണക്കാർക്ക് അയയ്ക്കുന്നതിനുള്ള സർവേകളും ഫോളോ-അപ്പ് കത്തുകളും വേഗത്തിൽ തയ്യാറാക്കൽ, (2) ചിതറിക്കിടക്കുന്ന പ്രതികരണങ്ങൾ രൂപപ്പെടുത്തുകയും അപകട സിഗ്നലുകൾ ഫ്ലാഗുചെയ്യുകയും ചെയ്യുക. എന്നാൽ വിതരണക്കാരൻ നൽകിയ ഒരു നമ്പറും പരിശോധിച്ചുറപ്പിച്ചിട്ടില്ല, മനുഷ്യ അവലോകനം കൂടാതെ ഒരു റിസ്ക് സിഗ്നലും അവസാനിപ്പിക്കില്ല.
സ്കോപ്പ് 3 വിഭാഗം (ഉദാഹരണം)
ഡാറ്റ ഉറവിടം
സാധാരണ രീതി
വാങ്ങിയ സാധനങ്ങൾ/സേവനങ്ങൾ
വിതരണക്കാരുടെ സർവേ / ചെലവഴിക്കുക
യഥാർത്ഥ ഡാറ്റ > പ്രോക്സി
ഷിപ്പിംഗും വിതരണവും
കാരിയർ റെക്കോർഡുകൾ
ദൂരം × ലോഡ് × ഘടകം
ബിസിനസ്സ് യാത്ര
യാത്രാ സംവിധാനം
കിമീ/ഫ്ലൈറ്റ് × ഘടകം
വിൽക്കുന്ന ഉൽപ്പന്നത്തിൻ്റെ ഉപയോഗം
ഉൽപ്പന്ന ഊർജ്ജ ഡാറ്റ
ഉപയോഗ മാതൃക
മാലിന്യം
മാലിന്യ കൈമാറ്റ രേഖകൾ
അളവ് × ഘടകം
നുറുങ്ങ്: സ്കോപ്പ് 3-ൽ, "ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള" എസ്റ്റിമേറ്റ് (ചെലവഴിച്ച $1,000-ന് ഇത്രയും CO₂e) ഒരു പെട്ടെന്നുള്ള തുടക്കമാണ്, എന്നാൽ പരുക്കൻ ഒന്നാണ്. ഒരു വിതരണക്കാരൻ യഥാർത്ഥ ഡാറ്റ നൽകുമ്പോൾ, അത് ഉപയോഗിക്കുക; യഥാർത്ഥ ഡാറ്റ ഇല്ലെങ്കിൽ മാത്രം ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള എസ്റ്റിമേറ്റ് താൽക്കാലികമാണ് കൂടാതെ റിപ്പോർട്ടിൽ "എസ്റ്റിമേറ്റ്/പ്രോക്സി" എന്ന് അടയാളപ്പെടുത്തിയിരിക്കണം.
ഘട്ടം ഘട്ടമായി: AI ഉപയോഗിച്ച് സപ്ലൈ ചെയിൻ വർക്ക്ഫ്ലോ
1. വിതരണക്കാർക്ക് മുൻഗണന നൽകുക. നിങ്ങൾക്ക് എല്ലാ നൂറുകണക്കിന് വിതരണക്കാരെയും ഒരേ ആഴത്തിൽ പരിശോധിക്കാൻ കഴിയില്ല. ഉയർന്ന ചെലവ് വലുപ്പവും അപകടസാധ്യതയും ഉള്ളവരിൽ ശ്രദ്ധ കേന്ദ്രീകരിക്കുക (മേഖല, രാജ്യം). ഈ മുൻഗണനയോടെ AI-ക്ക് ഒരു കരട് ലിസ്റ്റ് നിർമ്മിക്കാൻ കഴിയും.
2. കരട് സർവേയും അഭ്യർത്ഥനയും. വിതരണക്കാരുടെ ഡാറ്റാ സർവേ ഔട്ട്ലൈൻ വ്യക്തവും എളുപ്പത്തിൽ പൂരിപ്പിക്കാൻ AI-യോട് ആവശ്യപ്പെടുക.
3. ഇൻകമിംഗ് ഡാറ്റ കോൺഫിഗർ ചെയ്യുക. വ്യത്യസ്ത ഫോർമാറ്റിലുള്ള ഉത്തരങ്ങൾ ഒരൊറ്റ പട്ടികയിൽ ഇടുക; നഷ്ടപ്പെട്ട ഭാഗങ്ങൾ അടയാളപ്പെടുത്തുക.
4. റിസ്ക് സിഗ്നലുകൾക്കായി സ്കാൻ ചെയ്യുക. പൊതു വാർത്തകൾ, ലംഘന രേഖകൾ, സർവേ പൊരുത്തക്കേടുകൾ എന്നിവയിൽ "ചുവന്ന പതാക" സ്ഥാനാർത്ഥികളെ കണ്ടെത്താൻ AI-യെ അനുവദിക്കുക; എന്നാൽ മനുഷ്യർ എല്ലാ സിഗ്നലുകളും പരിശോധിക്കുന്നു.
5. പ്രവർത്തനവും പിന്തുടരലും. ഉയർന്ന അപകടസാധ്യതയുള്ള വിതരണക്കാർക്കായി ഒരു തിരുത്തൽ പ്രവർത്തനവും ഫോളോ-അപ്പ് പ്ലാനും സ്ഥാപിക്കുക; പ്രക്രിയ രേഖപ്പെടുത്തുക.
ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്
ദുർബലമായ പ്രോംപ്റ്റ്:
ഞങ്ങളുടെ വിതരണക്കാരുടെ കാർബൺ കാൽപ്പാട് കണക്കാക്കുക.
ഡാറ്റ ഉറവിടമില്ല, യഥാർത്ഥ/പ്രോക്സി വ്യത്യാസമില്ല, സ്ഥിരീകരണവുമില്ല; AI വിതരണക്കാരുടെ നമ്പറുകൾ ഉണ്ടാക്കുന്നു.
ശക്തമായ നിർദ്ദേശം:
നിങ്ങളുടെ റോൾ: സപ്ലൈ ചെയിൻ സുസ്ഥിരത വിശകലനം. ഇൻപുട്ട്: 15 വിതരണക്കാരുടെ പേരുകൾ, വ്യവസായം, വാർഷിക ചെലവ് തുക, അവർ നൽകുന്ന യഥാർത്ഥ എമിഷൻ ഡാറ്റ (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ). ടാസ്ക്: 1) യഥാർത്ഥ ഡാറ്റ നൽകുന്നവർക്ക്, ആ ഡാറ്റ ഉപയോഗിക്കുക. 2) യഥാർത്ഥ ഡാറ്റ ഇല്ലാത്തവർക്കായി, "ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള പ്രോക്സി ആവശ്യമാണ്" എന്ന് എഴുതുക, നമ്പർ ഫിറ്റ് ചെയ്യരുത്; ഔദ്യോഗിക ഉറവിടത്തിൽ നിന്ന് ഏത് ഘടകമാണ് ലഭിക്കേണ്ടതെന്ന് വ്യക്തമാക്കുക.3) ഉയർന്ന ചെലവ് + ഉയർന്ന അപകടസാധ്യതയുള്ള വ്യവസായത്തിൽ വിതരണക്കാർക്ക് മുൻഗണന നൽകുക. റിപ്പോർട്ടിൽ പ്രോക്സി നമ്പറുകൾ അടയാളപ്പെടുത്തും.
വിതരണക്കാരൻ്റെ റിസ്ക് സ്ക്രീനിംഗിനായി ആവശ്യപ്പെടുക
ഇനിപ്പറയുന്ന വിതരണക്കാരുടെ പട്ടികയ്ക്കായി ഒരു റിസ്ക് സ്ക്രീനിംഗ് സ്കാർഫോൾഡ് സജ്ജീകരിക്കുക. ഓരോ വിതരണക്കാരനും വിലയിരുത്തുക (ഞാൻ നൽകിയ വിവരങ്ങളുടെ അടിസ്ഥാനത്തിൽ മാത്രം, പൊതു ക്ലെയിം വ്യാജം):- രാജ്യം/മേഖലയിൽ നിന്നുള്ള സാധ്യമായ മനുഷ്യാവകാശ അപകടസാധ്യത (ഉയർന്ന/ഇടത്തരം/താഴ്ന്ന)- സാധ്യമായ പാരിസ്ഥിതിക അപകടസാധ്യത- സർവേ പ്രതികരണത്തിലെ പൊരുത്തക്കേട്/ചുവപ്പ് പതാക നിയമം: ഓരോ അപകടസാധ്യതയ്ക്കും "പരിശോധിപ്പിക്കേണ്ടതില്ല - ഉറവിടമൊന്നുമില്ല" എന്ന കുറിപ്പ് ചേർക്കുക; കൃത്യമായ ആരോപണങ്ങൾ ഉന്നയിക്കരുത്, അന്വേഷണത്തിനുള്ള സിഗ്നലുകൾ നിർദ്ദേശിക്കുക. ലിസ്റ്റ്: [വിതരണക്കാർ]
ഇനിപ്പറയുന്ന പ്രോംപ്റ്റ് വിതരണക്കാർക്ക് അയയ്ക്കുന്നതിന് ഒരു ഡാറ്റാ അഭ്യർത്ഥന സർവേ ഡ്രാഫ്റ്റ് ചെയ്യുന്നു.
നിങ്ങളുടെ റോൾ: സുസ്ഥിരത സോഴ്സിംഗ് സ്പെഷ്യലിസ്റ്റ്. ടാസ്ക്: ചെറുകിട/ഇടത്തരം വിതരണക്കാർക്ക് എളുപ്പത്തിൽ പൂർത്തിയാക്കാൻ കഴിയുന്ന 10 ചോദ്യങ്ങളിൽ കൂടുതൽ ഇല്ലാത്ത ഒരു ESG ഡാറ്റാ സർവേയുടെ കരട് തയ്യാറാക്കുക. ഉൾപ്പെടുത്തുക: ഊർജ്ജ ഉപഭോഗം, ഇന്ധന തരം, മാലിന്യങ്ങൾ, തൊഴിൽ സുരക്ഷാ അപകടങ്ങളുടെ എണ്ണം, നിർബന്ധിത/ബാലവേലയോടുള്ള പ്രതിബദ്ധത. ടോൺ: ലളിതവും വ്യക്തവും പൂർത്തിയാക്കാൻ എളുപ്പവുമാണ്; ഓരോ ചോദ്യത്തിനും യൂണിറ്റുകളും ഉദാഹരണങ്ങളും ചേർക്കുക.
മുന്നറിയിപ്പ്: വിതരണക്കാരനെക്കുറിച്ചുള്ള അപകട സിഗ്നൽ പരിശോധിച്ചുറപ്പിക്കാൻ AI-ൻ്റെ പക്കൽ ഉണ്ടാകരുത് (ഉദാ. "ബാലവേല") കൂടാതെ AI സൃഷ്ടിച്ച ഒരു ക്ലെയിം തെളിവായി ഒരിക്കലും ഉപയോഗിക്കരുത്. അത്തരം ഗുരുതരമായ ക്ലെയിമുകൾ വിശ്വസനീയമായ ഉറവിടം, ഫീൽഡ് പരിശോധന, നിയമ നടപടികൾ എന്നിവയിലൂടെ മാത്രമേ സ്ഥിരീകരിക്കപ്പെടുകയുള്ളൂ. AI ഒരു "പരിശോധിക്കേണ്ട സിഗ്നൽ" മാത്രമേ ഉൽപ്പാദിപ്പിക്കുന്നുള്ളൂ; വിധിക്കുന്നില്ല.
മൂന്ന് മിനി കേസുകൾ
കേസ് 1 - പ്രോക്സിയുടെ സത്യസന്ധമായ ഉപയോഗം. ഒരു ഫർണിച്ചർ നിർമ്മാതാവിൻ്റെ 200 വിതരണക്കാരിൽ 30 പേർ മാത്രമാണ് യഥാർത്ഥ കാർബൺ ഡാറ്റ നൽകിയത്. ശേഷിക്കുന്ന 170 പേർക്കായി ടീം ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള പ്രോക്സി ഉപയോഗിച്ചു, എന്നാൽ റിപ്പോർട്ട് വ്യക്തമായി പറയുന്നു, "സ്കോപ്പ് 3 ൻ്റെ 65% ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള എസ്റ്റിമേറ്റ് ആണ്." ഓഡിറ്റർ ഈ സത്യസന്ധത അംഗീകരിച്ചു; മറച്ചുവെച്ചിരുന്നെങ്കിൽ ഉറപ്പ് നിഷേധിക്കപ്പെടുമായിരുന്നു.
കേസ് 2 - മുൻഗണന. ഒരു ഭക്ഷണ കമ്പനിക്ക് 480 വിതരണക്കാരുണ്ടായിരുന്നു. ചെലവിൻ്റെ 80% 40 വിതരണക്കാരിൽ കേന്ദ്രീകരിച്ചതായി AI കാണിച്ചു. ഈ 40 പേരിൽ ടീം ഡീപ് ഡൈവ് കേന്ദ്രീകരിച്ചു. വിഭവങ്ങൾ പാഴായില്ല, ഏറ്റവും ഉയർന്ന സ്വാധീനം ചെലുത്തുന്ന വിതരണക്കാരെ യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ച് റിപ്പോർട്ട് ചെയ്തു.
കേസ് 3 - തെറ്റായ ആരോപണത്തിനുള്ള സാധ്യത. AI ഒരു വിതരണക്കാരനെ "സാധ്യമായ നിർബന്ധിത തൊഴിൽ" എന്ന് ഫ്ലാഗ് ചെയ്തു; ദേശീയ ശരാശരി മാത്രമായിരുന്നു കാരണം. സംഘം ഇത് "പരിശോധിക്കേണ്ട സിഗ്നൽ" ആയി അംഗീകരിച്ചു, തെളിവല്ല, ഫീൽഡ് പരിശോധനയ്ക്ക് അഭ്യർത്ഥിച്ചു. പരിശോധനയിൽ പ്രശ്നങ്ങളൊന്നും കണ്ടെത്തിയില്ല; AI യുടെ സിഗ്നൽ തെളിവായി എടുത്താൽ, അന്യായമായ ആരോപണവും നിയമപരമായ അപകടവും ഉയർന്നുവരും.
സാധാരണ തെറ്റുകൾ
- വിതരണക്കാരൻ്റെ ഡാറ്റ സ്ഥിരീകരിക്കാതെ സ്വീകരിക്കുന്നു. സ്വയം റിപ്പോർട്ടുചെയ്യുന്ന വിതരണക്കാരുടെ ഡാറ്റയ്ക്ക് ക്രോസ്-ചെക്കിംഗ് ആവശ്യമാണ്.
- പ്രോക്സി മറയ്ക്കുന്നു. ചെലവ് അടിസ്ഥാനമാക്കിയുള്ള പ്രവചനം ഉപയോഗിക്കുന്നത് നല്ലതാണ്; വ്യക്തമാക്കാത്തത് ഓഡിറ്റിംഗിലെ പ്രശ്നമാണ്.
- എല്ലാ വിതരണക്കാരെയും തുല്യമായി പരിശോധിക്കുന്നു. ഉയർന്ന ചെലവിലും ഉയർന്ന അപകടസാധ്യതയുള്ള വിതരണക്കാരിലും ഉറവിടം ശ്രദ്ധ കേന്ദ്രീകരിക്കണം.
- തെളിവിനായി AI സിഗ്നലിനെ തെറ്റിദ്ധരിപ്പിക്കുന്നു. മനുഷ്യാവകാശ/പരിസ്ഥിതി ലംഘനങ്ങളുടെ ക്ലെയിമുകൾ പരിശോധിച്ചുറപ്പിക്കുന്നത് ഫീൽഡും നിയമവുമാണ്, AI അല്ല.
- സ്കോപ്പ് 3 പൂർണ്ണമായും ഒഴിവാക്കുന്നു. ഏറ്റവും വലിയ ആഘാതം സാധാരണയായി ഇവിടെയാണ്; "അളക്കാൻ ബുദ്ധിമുട്ടാണ്" എന്നതിൻ്റെ പേരിൽ ഇത് അവഗണിക്കാനാവില്ല.
ചുരുക്കത്തിൽ
മിക്ക കമ്പനികളുടെയും ഏറ്റവും വലിയ പാരിസ്ഥിതികവും സാമൂഹികവുമായ ആഘാതം മറയ്ക്കുന്നത് വിതരണ ശൃംഖലയാണ്; സ്കോപ്പ് 3 ഉദ്വമനങ്ങളും ജാഗ്രതാ സാധ്യതകളും ഇവിടെ കേന്ദ്രീകരിച്ചിരിക്കുന്നു. AI; വിതരണക്കാരുടെ മുൻഗണന, സർവേ ഡ്രാഫ്റ്റിംഗ്, ചിതറിക്കിടക്കുന്ന പ്രതികരണങ്ങളുടെ ഘടന, റിസ്ക് സിഗ്നൽ ഫ്ലാഗിംഗ് എന്നിവയിൽ ഇത് ശക്തമായ ഒരു സഹായമാണ്. എന്നാൽ വിതരണക്കാരുടെ ഡാറ്റ പരിശോധിച്ചുറപ്പിക്കുന്നതുവരെയും പ്രോക്സികൾ വ്യക്തമായി പ്രസ്താവിക്കുകയും ഗുരുതരമായ ആരോപണങ്ങൾ ഫീൽഡ് പരിശോധനയിലൂടെ സ്ഥിരീകരിക്കുകയും ചെയ്യുന്നതുവരെ റിപ്പോർട്ടിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല. AI സിഗ്നലുകൾ സൃഷ്ടിക്കുന്നു; വിധിയും ഉത്തരവാദിത്തവും മനുഷ്യൻ ഏറ്റെടുക്കുന്നു.
ആപ്ലിക്കേഷൻ ടാസ്ക്
പേര്, വ്യവസായം, വാർഷിക ചെലവ് എന്നിവ ഉപയോഗിച്ച് 10 സാങ്കൽപ്പിക വിതരണക്കാരുടെ ഒരു ലിസ്റ്റ് തയ്യാറാക്കുക; യഥാർത്ഥ എമിഷൻ ഡാറ്റ കുറച്ച് കുറച്ച് ചേർക്കുക, മിക്കതും ശൂന്യമായി വിടുക. മുകളിലുള്ള ശക്തമായ പ്രോംപ്റ്റ് വഴി മുൻഗണനാ പട്ടികയ്ക്കും ഡാറ്റാ തരത്തിനും വേണ്ടി AI-യോട് ആവശ്യപ്പെടുക. തുടർന്ന്: (1) ഒരു പ്രോക്സി ആവശ്യമുള്ള വിതരണക്കാരുടെ എണ്ണം നിർമ്മിതമല്ലെന്ന് സ്ഥിരീകരിക്കുക, (2) ന്യായീകരണത്തോടെ ഉയർന്ന മുൻഗണനയുള്ള 3 വിതരണക്കാരെ തിരഞ്ഞെടുക്കുക, (3) അവർക്ക് അയയ്ക്കാൻ ഒരു ഹ്രസ്വ ഡാറ്റാ സർവേ തയ്യാറാക്കുക.
ചെക്ക്ലിസ്റ്റ്
- [ ] ചെലവും അപകടസാധ്യതയും അടിസ്ഥാനമാക്കി ഞാൻ വിതരണക്കാർക്ക് മുൻഗണന നൽകി.
- [] ഞാൻ യഥാർത്ഥ ഡാറ്റ ഉപയോഗിച്ചു; ഇല്ലാത്തവർക്കായി ഞാൻ പ്രോക്സി അടയാളപ്പെടുത്തി.
- [ ] ഞാൻ വിതരണക്കാരൻ്റെ ഡാറ്റ മൂല്യനിർണ്ണയം നടത്തിയത് പോലെയല്ല, ക്രോസ്-ചെക്കിംഗ് വഴിയാണ്.
- [ ] റിസ്ക് സിഗ്നലുകൾ "പരിശോധിക്കേണ്ടത്" എന്ന് ഞാൻ കരുതി, അവ തെളിവായി ഉപയോഗിച്ചില്ല.
- [ ] ഗുരുതരമായ ക്ലെയിമുകൾക്കായി ഞാൻ ഒരു ഫീൽഡ് ഓഡിറ്റ്/നിയമ പരിശോധനാ ഘട്ടം ആസൂത്രണം ചെയ്തു.
- [ ] ഞാൻ സ്കോപ്പ് 3 ഒഴിവാക്കിയില്ല; വ്യാപ്തിയും എസ്റ്റിമേറ്റ് നിരക്കും ഞാൻ റിപ്പോർട്ടിൽ പറഞ്ഞിട്ടുണ്ട്.
- [ ] ഞാൻ ഡ്യൂ ഡിലിജൻസ് ഡോക്യുമെൻ്റ് ഉപയോഗിച്ച് മുഴുവൻ പ്രക്രിയയും രേഖപ്പെടുത്തി.