एंड-टू-एंड ईएसजी वर्कफ्लो, डेटा गव्हर्नन्स, एथिक्स आणि क्वालिटी गेटवे

नफा:

• 'कृत्रिम बुद्धिमत्ता निर्माण करते → मानव सत्यापित करते → गेटमधून जाते' या लयसह दर्जेदार गेट्ससह भौतिकतेपासून प्रकाशनापर्यंत आठ-चरण ईएसजी कार्यप्रवाह स्थापित करण्याची क्षमता
• ईएसजी डेटा विनामूल्य/अंतर्गत/गोपनीय म्हणून वर्गीकृत करून वैयक्तिक आणि अघोषित आर्थिक डेटाचे संरक्षण करण्याची क्षमता
• 'AI ने सांगितले' संरक्षणावर विसंबून न राहता अंतिम जबाबदारी स्वीकारण्याची आणि प्रत्येक प्रकाशनाला जबाबदार नावे आणि मान्यता नोंदवण्याची क्षमता

मागील दहा युनिट्समध्ये आम्ही ESG आणि टिकाऊपणा व्यवसायाचा प्रत्येक भाग स्वतंत्रपणे कव्हर केला आहे: प्रवेश आणि सीमा, भौतिकता, डेटा संकलन, कार्बन अकाउंटिंग, रिपोर्टिंग फ्रेमवर्क, सप्लाय चेन, स्टेकहोल्डर कम्युनिकेशन्स, रिपोर्ट लेखन, आश्वासन आणि ग्रीनवॉशिंग. या अंतिम युनिटमध्ये, आम्ही तुकडे एकत्र ठेवू आणि एंड-टू-एंड वर्कफ्लो स्थापित करू: स्थिरता मिशनच्या व्याख्येपासून त्याच्या प्रकाशनापर्यंत प्रत्येक टप्प्यावर कृत्रिम बुद्धिमत्ता (AI) कुठे, कशी आणि कोणत्या सुरक्षा गेटसह वापरायची. आम्ही डेटा प्रशासन, गोपनीयता आणि नैतिक जबाबदारी देखील एकाच फ्रेमवर्कमध्ये आणू.

मॉड्यूलचा स्थिर कणा पुन्हा एकदा पुनरावृत्ती करूया: AI; हा एक सहाय्यक आहे जो कोड लिहितो, डेटा आयोजित करतो, मसुदे तयार करतो आणि सारांश देतो. संख्येची अचूकता, घटकाची पुष्टी, मानकांचे नियंत्रण, दाव्याचा पुरावा आणि अंतिम जबाबदारी नेहमीच सक्षम तज्ञांवर अवलंबून असते. हे युनिट या तत्त्वाला दैनंदिन वर्कफ्लो आणि चेकलिस्टमध्ये बदलते.

एंड-टू-एंड ESG वर्कफ्लो

आठ चरणांमध्ये स्थिरता अहवाल चक्र विचारात घ्या:

1. व्याप्ती आणि भौतिकता - कोणते विषय भौतिक आहेत? (युनिट 2)
2. डेटा संकलन - स्रोत, युनिट्स, ऑडिट ट्रेल. (युनिट 3)
3. गणना — सत्यापित घटकांसह कार्बन आणि इतर मेट्रिक्स. (युनिट 4)
4. फ्रेमवर्क जुळणी — GRI/ESRS/ISSB पदार्थ, अधिकृत मजकूराद्वारे पुष्टीकरण. (एकक 5)
5. पुरवठा साखळी - व्याप्ती 3 आणि योग्य परिश्रम. (युनिट 6)
6. लेखन आणि संप्रेषण - संतुलित, पुरावा अहवाल आणि भागधारक संदेश. (युनिट 7-8)
7. आश्वासनाची तयारी - पुराव्याची साखळी आणि ऑडिट तयारी. (युनिट 9)
8. क्लेम ऑडिटिंग — ग्रीनवॉशिंग स्क्रीनिंग आणि रिलीझ मंजूरी. (युनिट 10)

प्रत्येक पायरीवर, एआय एक प्रवेगक आहे; परंतु प्रत्येक पायरीतून बाहेर पडताना, एक दर्जेदार गेट आहे - एक चेकपॉईंट जो पुढच्या पायरीवर जाण्यापूर्वी पार करणे आवश्यक आहे. दारातून जाणारे आउटपुट प्रगती करत नाही.

पाऊल

AI काय करते?

दर्जेदार गेट

भौतिकता

विषय उमेदवार, थीम विश्लेषण

प्रभाव + वित्त पैलू मानवी मान्यता

डेटा

कॉन्फिगरेशन, युनिट रूपांतरण

स्त्रोत आणि व्हॉल्यूम सत्यापन

खाते

सूत्र, कोड मचान

अधिकृत स्त्रोताकडून या घटकाची पुष्टी झाली आहे

जुळणारे

लेख सूचना

प्रतिमा त्याच्या मानक मजकुरासह तपासा

शब्दलेखन

मसुदा, सारांश

पुराव्याशिवाय दाव्यांची वर्गवारी करणे

दावा

ग्रीनवॉशिंग स्कॅन

मानवी-प्रमाणित प्रकाशन

टीप: “AI चे उत्पादन → मानवी पडताळणी → दारातून चालते” या लयीत कार्यप्रवाह सेट करा. प्रत्येक AI आउटपुट पुढील चरणावर हलवण्यापूर्वी, विचारा: "या आउटपुटचा कोणता भाग प्रमाणीकरणाशिवाय पुढे जाऊ शकत नाही?" तो भाग म्हणजे त्या पायरीचे गुणवत्तेचे द्वार.

डेटा प्रशासन आणि गोपनीयता

ESG डेटा सहसा संवेदनशील असतो: कर्मचारी लिंग आणि पगार डेटा, पुरवठादार कराराच्या अटी, आर्थिक परिणाम अद्याप उघड झाले नाहीत, सुविधा-स्तरीय उत्पादन डेटा. सार्वजनिक एआय टूलला देण्यापूर्वी त्यांचे वर्गीकरण करणे आवश्यक आहे. डेटा गव्हर्नन्स म्हणजे "कोण कोणता डेटा, कसा आणि कोणत्या साधनाने वापरू शकतो?" प्रश्न नियमाशी जोडलेला आहे.

एक साधे वर्गीकरण:

• विनामूल्य: डेटा आधीच सार्वजनिकरित्या उपलब्ध आहे (प्रकाशित अहवाल). ते AI ला दिले जाऊ शकते.
• अंतर्गत वापर: कोणतेही व्यावसायिक मूल्य नसलेला अंतर्गत डेटा. कॉर्पोरेट वाहनात काळजीपूर्वक.
• गोपनीय: व्यापार रहस्य, अघोषित आर्थिक प्रभाव, वैयक्तिक डेटा (KVKK/GDPR). हे AI ला अनामिकरण किंवा संस्थात्मक (नॉन-लीकिंग) माध्यमांशिवाय दिले जात नाही.

तुमची भूमिका: डेटा गव्हर्नन्स सल्लागार. कार्य: खालील डेटा आयटम "मुक्त / अंतर्गत वापर / गोपनीय" म्हणून वर्गीकृत करा आणि प्रत्येक गोपनीय आयटमसाठी शिफारस केलेली क्रिया लिहा (निनावी / एकत्रित / एंटरप्राइझ टूल / अजिबात देऊ नका). नियम: खात्री नसल्यास, अधिक संरक्षणात्मक वर्गात घाला. आयटम: [वैयक्तिक आणि आर्थिक डेटा आयटम]

कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट

तुम्ही साधनाला एखादे कार्य सोपवण्याचा मार्ग गोपनीयतेचा धोका आमूलाग्र बदलतो.

कमकुवत प्रॉम्प्ट:

कर्मचाऱ्यांचे पगार आणि सुविधा उत्पादन तक्त्याचे विश्लेषण करा, ESG सारांश घेऊन या.

कच्चा वैयक्तिक आणि व्यापार गुप्त डेटा थेट खुल्या साधनावर निर्यात करते; वर्गीकरण, निनावीकरण आणि पुष्टीकरण चरण नाही.

शक्तिशाली सूचना:

तुमची भूमिका: डेटा प्रशासनासाठी संवेदनशील ESG विश्लेषक. मी तुम्हाला फक्त एकत्रित, वैयक्तिक/व्यापार गुप्त-मुक्त डेटा दिला आहे. कार्य: खालील सारांश निर्देशकांचे विश्लेषण करा. नियम:- डेटामध्ये कोणतीही वैयक्तिक नावे, पगार, आयडी किंवा अघोषित आर्थिक प्रभाव नाही; तुम्हाला असे फील्ड दिसल्यास, "गोपनीय डेटा - प्रक्रिया करू नका, चेतावणी" म्हणा. - निकालात नवीन क्रमांक जोडू नका; फक्त मी दिलेल्या सारांशासह जा. - आउटपुटच्या शेवटी "मानवी मान्यता आवश्यक" टीप जोडा. डेटा (एकत्रित): [सारांश संकेतक]

खबरदारी: "एआय म्हणाला" हा बचाव नाही. ESG अहवालातील चुकीची संख्या, अप्रमाणित दावा किंवा लीक झालेल्या गोपनीय डेटाची जबाबदारी ही संस्था आणि ज्या व्यक्तीने मंजूर केली आहे त्यांची आहे. जेव्हा तुम्ही AI वापरता, तेव्हा तुम्ही जबाबदारी हस्तांतरित करत नाही; तुम्ही फक्त कामाला गती द्याल.

एंड-टू-एंड गुणवत्ता गेट प्रॉम्प्ट

खालील प्रॉम्प्ट प्रकाशित करण्यापूर्वी एकाच तपासणीद्वारे सर्व पायऱ्या चालवते.

तुमची भूमिका: ESG गुणवत्ता आश्वासन अधिकारी. कार्य: पुढील अहवाल विभाग एंड-टू-एंड क्वालिटी गेटमधून पास करा. प्रत्येक आयटमसाठी "पास/फेल" द्या आणि अयशस्वी झाल्यास कारण लिहा: 1) प्रत्येक संख्येचा स्त्रोत आणि एकक सांगितले आहे का? 2) उत्सर्जन घटक अधिकृत स्त्रोतापासून आहेत का? 3) मानक आयटम क्रमांक सत्यापित आहेत का? 4) प्रॉक्सी/अंदाज चिन्हांकित आहेत का? 5) ग्रीनवॉशिंग असलेली काही विधाने आहेत का? ६) गोपनीय/वैयक्तिक डेटा लीक झाला आहे का? 7) अंतिम मंजुरीसाठी जबाबदार नाव नियुक्त केले आहे? विभाग: [चॅप्टर]

खालील प्रॉम्प्ट संपूर्ण मॉड्यूलला एंटरप्राइझ पॉलिसीमध्ये रूपांतरित करते.

तुमची भूमिका: टिकाव टीम लीडर. कार्य: ESG कार्यामध्ये टीमच्या AI चा वापर नियंत्रित करणारे 1-पानांचे अंतर्गत धोरण लिहा. समाविष्ट करा:- ज्या टास्कमध्ये AI मुक्तपणे वापरले जाऊ शकते (मसुदा, सारांश, कोड, थीम विश्लेषण)- मानवी पडताळणीची आवश्यकता असलेली कार्ये (घटक, मानक, दावा, व्याप्ती)- AI ला कधीही दिले जाणार नाही असे डेटा प्रकार (वैयक्तिक, अज्ञात आर्थिक)- प्रत्येक रिलीझ करण्यापूर्वी गुणवत्ता गेट पायऱ्या पार कराव्या लागतील टोन: स्पष्ट, बुलेट पॉइंट.

तीन लहान प्रकरणे

केस 1 - अहवाल दारातून परत आला. एका संघाला वाटले की त्यांनी सर्व पायऱ्या पूर्ण केल्या आहेत आणि अहवाल प्रकाशनासाठी तयार आहे. अंतिम गुणवत्ता गेट प्रॉम्प्टने एका विभागात एक अनसोर्स्ड “78% रिकव्हरी” दावा आणि “कार्बन न्यूट्रल” स्टेटमेंट कॅप्चर केले. एकतर दुरुस्त होण्यापूर्वीच प्रकाशन थांबवण्यात आले; दाराने बग सार्वजनिक होण्याआधीच धरला.

केस 2 - गोपनीय डेटा लीक प्रतिबंधित. विश्लेषक विश्लेषणासाठी सार्वजनिकरित्या उपलब्ध साधनामध्ये अद्याप-रिलीझ न झालेला तिमाही आर्थिक प्रभाव डेटा पेस्ट करेल. डेटा वर्गीकरण प्रॉम्प्टने ते "गोपनीय-अघोषित आर्थिक" म्हणून ध्वजांकित केले. डेटा प्रथम एकत्रित केला गेला आणि नंतर एंटरप्राइझ टूलमध्ये प्रक्रिया केली गेली; कायद्याचे संभाव्य उल्लंघन रोखले गेले.

केस 3 - जबाबदारी घेणे. अहवाल प्रकाशित झाल्यानंतर, एका भागधारकाने एका क्रमांकावर प्रश्नचिन्ह उपस्थित केले. संघाने "एआय कॅल्क्युलेटेड" म्हटले नाही; ऑडिट ट्रेल उघडले, स्त्रोत उद्धृत केले, किरकोळ सुधारणा केली आणि पारदर्शकपणे स्पष्ट केले. "AI ने सांगितले" बचावावर विसंबून नसलेल्या या वृत्तीने विश्वास जपला.

सामान्य चुका

• गुणवत्तेचे दार न लावता पुढे जात आहे. प्रत्येक पायरीच्या बाहेर पडताना पडताळणी न केल्यास, शेवटपर्यंत त्रुटी जमा राहतील.
• वाहनाचे वर्गीकरण न करता डेटा देणे. गोपनीय आणि वैयक्तिक डेटा सार्वजनिक AI मध्ये निनावीपणाशिवाय प्रविष्ट केला जाऊ शकत नाही.
• AI कडे जबाबदारी हस्तांतरित करत आहे. "एआय म्हणाले" हे कायदेशीर किंवा व्यावसायिक संरक्षण नाही.
• विचार पावले अलिप्त. भौतिकता, डेटा, गणना आणि दावा एकमेकांशी जोडलेले आहेत; जर एखाद्याचे नुकसान झाले तर सर्व प्रभावित होतात.
• प्रकाशन मंजुरीसाठी जबाबदार व्यक्ती नियुक्त न करणे. प्रत्येक सार्वजनिक दाव्यामागे एक माणूस असावा.

सारांशात

ESG व्यवसाय आठ परस्पर जोडलेल्या चरणांची साखळी आहे आणि AI प्रत्येक पायरीवर एक प्रवेगक आहे; पण प्रत्येक पाऊल बाहेर पडताना गुणवत्तेचा दरवाजा असतो. “AI ची निर्मिती → मानवी पडताळणी → दारातून जाते” ही लय या मॉड्यूलचे सर्व धडे एकाच अभ्यासाच्या शिस्तीत एकत्रित करते. डेटाचे वर्गीकरण करा आणि गोपनीयतेचे रक्षण करा, अधिकृत स्त्रोताकडून घटक आणि मानकांची पुष्टी करा, पुराव्याशी दावा जोडणे, प्रकाशन करण्यापूर्वी हरित धुणे काढून टाकणे आणि मानवाला अंतिम जबाबदारी द्या. एआय कामाला गती देते; तुम्ही अचूकता, प्रामाणिकपणा आणि जबाबदारी स्वीकारता. या व्यवसायाचा निकष "अस्खलित दिसणे" नसून "ऑडिट पास होणे आणि सिद्ध होणे" हा आहे.

अर्ज कार्य

तुम्ही मागील युनिट्समध्ये उत्पादित केलेल्या डिलिव्हरेबल्स (एक भौतिकता सूची, कार्बन खाते, अहवाल विभाग) एकाच मिनी-रिपोर्टमध्ये एकत्र करा. AI कडून वरील एन्ड-टू-एंड क्वालिटी गेट प्रॉम्प्टसह 7 आयटममध्ये हा छोटा अहवाल पहा. नंतर: (1) "रिलीझ" चिन्हांकित प्रत्येक आयटम दुरुस्त करा, (2) सर्व गोपनीय/वैयक्तिक डेटाचे वर्गीकरण करा आणि त्यावर कारवाई करा, (3) प्रकाशनासाठी जबाबदार नाव आणि मंजूरी नोट जोडा.

चेकलिस्ट

• [ ] मी वर्कफ्लो "AI ची निर्मिती करते → मानवी पडताळणी करते → दारातून जाते."
• [ ] मी प्रत्येक पायरीच्या बाहेर पडताना एक दर्जेदार गेट लागू केले.
• [ ] मी सर्व डेटा विनामूल्य/अंतर्गत/गोपनीय म्हणून वर्गीकृत केला आणि गोपनीयतेचे संरक्षण केले.
• [ ] मी अधिकृत स्त्रोताकडून घटक आणि मानक आयटमची पुष्टी केली आहे.
• [ ] मी पुराव्यासह प्रत्येक दाव्याचे समर्थन केले, प्रकाशन करण्यापूर्वी ग्रीनवॉशिंग काढून टाकले.
• "AI ने सांगितले" बचावावर विसंबून न राहता मी जबाबदारी घेतली.
• [ ] मी प्रकाशनासाठी एक जबाबदार नाव आणि मंजुरी रेकॉर्ड सेट केला आहे.

मॉड्यूल परीक्षा

1. ईएसजी आणि शाश्वत व्यवसायात AI साठी खालीलपैकी कोणते स्थान सर्वोत्तम आहे?

• अ) कृत्रिम बुद्धिमत्ता हा कोड, डेटा आणि ब्लूप्रिंटचा सहाय्यक आहे; घटक, मानके, पुरावे आणि नैतिक निर्णयांची जबाबदारी लोकांवर आहे ✔
• ब) आर्टिफिशियल इंटेलिजन्स हे ऑडिटर आहे आणि ते प्रदान करते ईएसजी मूल्ये हे स्वतंत्र आश्वासनाचा पर्याय आहेत
• क) कृत्रिम बुद्धिमत्ता केवळ अहवाल लिहिण्यामध्ये कार्य करते, त्याचा डेटा आणि गणनाशी काहीही संबंध नाही
• ड) AI मानवांपेक्षा अधिक निष्पक्ष असल्याने, सर्व ESG निर्णय त्यावर सोडले पाहिजेत

वर्णन: कृत्रिम बुद्धिमत्ता; हा एक सहाय्यक आहे जो कोड लिहितो, डेटा आयोजित करतो, मसुदे तयार करतो आणि सारांश देतो. तथापि, उत्सर्जन घटकाची पुष्टी करणे, प्रमाणित पदार्थ क्रमांक तपासणे, प्रत्येक दावा सिद्ध करणे ही अंतिम जबाबदारी सक्षम तज्ञाची आहे. मोठे भाषा मॉडेल कॅल्क्युलेटर, नियामक/मानक डेटाबेस किंवा तपासक नाही; एक मजकूर जनरेटर आहे जो 'पुढील संभाव्य शब्द' तयार करतो आणि त्याचे असत्यापित आउटपुट चुकीचा अहवाल किंवा दावा होऊ शकतो.

2. दुहेरी भौतिकता विश्लेषणामध्ये एखाद्या समस्येच्या 'प्रभाव भौतिकते' पैलूचा अर्थ काय आहे?

• अ) कंपनीच्या नफा आणि शेअर मूल्यावर इश्यूचा प्रभाव
• ब) केवळ गुंतवणूकदारांसाठीच इश्यूची आर्थिक जोखीम
• क) त्याच विषयावर प्रतिस्पर्धी कंपन्यांची कामगिरी
• ड) कंपनीच्या उपक्रमांचा पर्यावरण आणि समाजावर होणारा परिणाम ✔

वर्णन: दुहेरी भौतिकता दोन दृष्टीकोनातून दिसते. आर्थिक भौतिकता म्हणजे एखाद्या समस्येचा कंपनीच्या रोख प्रवाहावर आणि मूल्यावर होणारा परिणाम ('बाहेरील-इन'). प्रभाव भौतिकता म्हणजे कंपनीच्या क्रियाकलापांचा पर्यावरण आणि समाजावर ('आतून बाहेर') प्रभाव. CSRD/ESRS दोन्ही पैलू लागू करते; आर्टिफिशियल इंटेलिजन्स अनेकदा फक्त आर्थिक दिशेकडे वळत असल्याने, प्रभावाची दिशा देखील मानवाने नियंत्रित केली पाहिजे.

3. विविध सुविधांमधून kWh, MWh आणि GJ मध्ये ऊर्जा डेटा गोळा करताना योग्य दृष्टीकोन कोणता आहे?

• अ) एककांकडे दुर्लक्ष करा आणि सर्व संख्या थेट जोडा
• ब) तुमच्या डोक्यात मोठी यादी गोळा करण्यासाठी कृत्रिम बुद्धिमत्तेवर अवलंबून राहणे
• क) सर्व मूल्यांचे एका युनिटमध्ये रूपांतर करणे आणि कोड/फॉर्म्युलासह रूपांतरण आणि बेरीज करणे ✔
• ड) सर्वात मोठे युनिट निवडणे आणि इतर सुविधांचा अहवाल न देणे

स्पष्टीकरण: युनिट मंथन ही ईएसजीची सर्वात वारंवार आणि धोकादायक चूक आहे; 1 MWh = 1,000 kWh असल्याने, युनिट वगळल्यास, परिणाम 1,000 च्या घटकाने विचलित होऊ शकतो. योग्य दृष्टीकोन म्हणजे सर्व मूल्ये एका युनिटमध्ये रूपांतरित करणे आणि कृत्रिम बुद्धिमत्तेने हे रूपांतरण करणे आणि एक्झिक्युटेबल कोड/फॉर्म्युलासह बेरीज करणे, मॅन्युअली नाही; अशा प्रकारे परिणाम निर्धारवादी आणि पडताळण्यायोग्य आहे.

4. जीएचजी प्रोटोकॉलनुसार खरेदी केलेल्या विजेच्या उत्पादनामुळे उत्सर्जन कोणत्या व्याप्तीमध्ये समाविष्ट आहे?

• अ) व्याप्ती १
• ब) व्याप्ती 2 ✔
• क) व्याप्ती 3
• ड) हे कोणत्याही कार्यक्षेत्रात समाविष्ट केलेले नाही आणि नोंदवलेले नाही

वर्णन: स्कोप 1 हे संस्थेच्या स्वतःच्या स्त्रोतांकडून थेट उत्सर्जन आहे (बॉयलर, कंपनीचे वाहन, जनरेटर). स्कोप 2 हे खरेदी केलेल्या ऊर्जेच्या उत्पादनातून अप्रत्यक्ष उत्सर्जन आहे (वीज, स्टीम, हीटिंग, कूलिंग). स्कोप 3 मूल्य साखळीतील इतर सर्व अप्रत्यक्ष उत्सर्जन (पुरवठा, प्रवास, उत्पादन वापर, कचरा) कव्हर करते. कंपनीच्या चिमणीतून वीज बाहेर पडत नाही, तर ती निर्माण करणारा वीज प्रकल्प उत्सर्जन करतो; त्यामुळे स्कोप 2 आहे.

5. मिथेन (CH₄) सारख्या हरितगृह वायूचे CO₂e मध्ये रूपांतर करताना कोणती संकल्पना वापरली जाते आणि ती का महत्त्वाची आहे?

• अ) GWP (ग्लोबल वार्मिंग क्षमता); वगळल्यास, मिथेन/N₂O प्रभाव मोठ्या प्रमाणात कमी लेखला जाईल ✔
• ब) AQI (हवा गुणवत्ता निर्देशांक); हवेतील वायूचा रंग ठरवतो
• सी) जीआरआय (अहवाल उपक्रम); ज्या पदार्थात वायू नोंदवला जाईल ते ठरवते
• ड) कोणतेही गुणांक आवश्यक नाहीत; मिथेन 1 ते 1 थेट CO₂ प्रमाणे मोजते

वर्णन: GWP (ग्लोबल वॉर्मिंग पोटेंशियल) हे गुणांक आहे जे भिन्न ग्रीनहाऊस वायूंच्या गरम प्रभावाला CO₂ च्या सापेक्ष सामान्य युनिटमध्ये रूपांतरित करते. मिथेनचे 100 वर्षांचे GWP अंदाजे 28 आहे; तर 1 टन मिथेन म्हणजे अंदाजे 28 टन CO₂e. GWP वगळल्यास, मिथेन आणि N₂O सारख्या मजबूत वायूंचा प्रभाव खूपच कमी लेखला जाईल आणि यादी पूर्णपणे चुकीची असेल; कोणता GWP संच (उदा. IPCC AR6, 100 वर्षे) वापरला जातो हे देखील नमूद केले पाहिजे.

6. ग्रीनहाऊस गॅस इन्व्हेंटरीमध्ये 'क्रियाकलाप डेटा × उत्सर्जन घटक' मोजण्यासाठी कोणता दृष्टिकोन योग्य आहे?

• अ) आर्टिफिशियल इंटेलिजेंस लक्षात ठेवणारा घटक वापरणे आणि एकूण कामे मॅन्युअली करणे
• ब) सर्व वायू CO₂ म्हणून मोजणे आणि घटक व GWP रूपांतरण वगळणे
• क) प्रत्येक देश, वर्ष आणि इंधनासाठी डिफॉल्ट घटक वापरणे
• ड) अधिकृत स्त्रोताकडून देश आणि वर्षानुसार घटकाची पुष्टी करणे आणि कोडसह गणना स्कॅफोल्डिंग आणि एकूण बनवणे ✔

वर्णन: उत्सर्जन घटक देश, वर्ष आणि इंधनानुसार बदलतात; AI ची आठवण करून दिल्याने गोष्टी तयार होण्याचा धोका निर्माण होतो (विभ्रम). घटक नेहमी अधिकृत टेबल (IPCC, DEFRA/EPA, IEA, राष्ट्रीय यादी) वरून पुष्टी केली पाहिजे; केवळ स्कोप सेपरेशन, अकाउंटिंग मचान आणि एकूण कोड हे आर्टिफिशियल इंटेलिजन्सने केले पाहिजे. एकाधिक-पंक्ती बेरीज एक्झिक्युटेबल कोडद्वारे केले जातात, व्यक्तिचलितपणे नाही.

7. AI ने सुचविलेल्या GRI/ESRS मानक पदार्थ क्रमांकासाठी (उदा. 'पाणी वापरासाठी GRI 305') योग्य वर्तन काय आहे?

• अ) संख्या थेट अहवालात लिहिणे कारण कृत्रिम बुद्धिमत्ता ते सूचित करते
• ब) आयटम क्रमांक बिनमहत्त्वाचे आहेत; काहीही लिहिले जाऊ शकते
• क) अधिकृत मानक मजकुरासह क्रमांक आणि त्यातील सामग्री सत्यापित करणे, तो बनावट/कालबाह्य असल्यास त्याची पुष्टी करणे ✔
• ड) पाणी आणि हवेचे उत्सर्जन समान असल्याने, त्याच लेखात त्यांचा अहवाल देत आहे

वर्णन: कृत्रिम बुद्धिमत्ता प्रमाणित संख्या तयार करू शकते जी वास्तविक दिसते परंतु ज्याची सामग्री खोटी किंवा पूर्णपणे बनावट आहे; तसेच, मानके अद्यतनित केली जातात आणि मॉडेलला माहीत असलेली आवृत्ती जुनी असू शकते. उदाहरणार्थ, पाणी GRI 303 अंतर्गत नोंदवले जाते, तर GRI 305 हवेचे उत्सर्जन आहे. म्हणून, अधिकृत मानक मजकूर (GRI/EFRAG/ISSB) सह सत्यापित केल्याशिवाय प्रत्येक पदार्थ क्रमांक आणि सामग्री वापरली जाऊ शकत नाही.

8. पुरवठा साखळीतील बहुतेक पुरवठादारांकडे वास्तविक कार्बन डेटा नसल्यास, कार्यक्षेत्र 3 साठी योग्य आणि प्रामाणिक दृष्टीकोन कोणता आहे?

• अ) पुरवठादारांसाठी कृत्रिम बुद्धिमत्तेद्वारे तयार केलेल्या संख्यांचा थेट वापर करणे
• ब) स्कोप 3 पूर्णपणे वगळणे कारण ते 'मापन करणे कठीण' आहे
• क) वास्तविक डेटा असलेल्यांचा वापर करणे, ✔ नसलेल्यांसाठी प्रॉक्सी स्पष्टपणे चिन्हांकित करणे
• ड) सर्व पुरवठादारांना प्रॉक्सी लागू करणे आणि अहवालात लपवणे

वर्णन: स्कोप 3 ही बहुतेक कंपन्यांची सर्वात मोठी परंतु मोजण्यासाठी सर्वात कठीण गोष्ट आहे. वास्तविक डेटा प्रदान करणाऱ्या पुरवठादारांसाठी, तो डेटा वापरला जातो; जे ते देत नाहीत त्यांच्यासाठी खर्चावर आधारित प्रॉक्सी (अंदाज) वापरला जाऊ शकतो. महत्त्वाची गोष्ट म्हणजे प्रॉक्सी लपवणे नाही: अहवालात वापरलेल्या अंदाजाचा भाग आणि प्रमाण स्पष्टपणे नमूद केले पाहिजे. अस्पष्ट प्रॉक्सीमुळे स्वतंत्र आश्वासन नाकारले जाऊ शकते; 'मापन करणे कठीण आहे' या कारणास्तव स्कोप 3 पूर्णपणे वगळणे देखील चुकीचे आहे.

9. AI ने पुरवठादाराला 'संभाव्य सक्तीचे श्रम' म्हणून ध्वजांकित केले आहे जे केवळ देशाच्या सरासरीवर आधारित आहे. योग्य वर्तन म्हणजे काय?

• अ) पुरावा म्हणून सिग्नल स्वीकारा आणि ताबडतोब सार्वजनिकरित्या पुरवठादाराशी संबंध तोडून टाका
• ब) अहवालात थेट दावा लिहिणे कारण कृत्रिम बुद्धिमत्तेने ते सांगितले
• क) जोखीम सिग्नलकडे पूर्णपणे दुर्लक्ष करणे आणि त्यांची अजिबात तपासणी न करणे
• ड) सिग्नलला 'चौकशीचा इशारा' म्हणून विचारात घेणे आणि फील्ड तपासणी आणि विश्वासार्ह स्त्रोतासह त्याची पुष्टी करणे ✔

स्पष्टीकरण: मानवाधिकार उल्लंघनासारखे गंभीर आरोप कृत्रिम बुद्धिमत्तेद्वारे तयार केलेल्या संकेताने सिद्ध करता येत नाहीत. असा संकेत हा केवळ 'तपासण्याचा इशारा' असतो; निश्चित आरोप म्हणून त्याचा वापर करणे अयोग्य आणि कायदेशीरदृष्ट्या धोकादायक आहे. अशा दाव्यांची पुष्टी केवळ विश्वसनीय स्त्रोत, क्षेत्र तपासणी आणि कायदेशीर प्रक्रियेद्वारे केली जाते. कृत्रिम बुद्धिमत्ता सिग्नल तयार करते; माणूस निर्णय आणि जबाबदारी स्वीकारतो.

10. AI सह स्टेकहोल्डर सर्वेक्षणातील शेकडो फ्री-टेक्स्ट प्रतिसादांचे विश्लेषण करताना सर्वात गंभीर खबरदारी कोणती आहे?

• अ) दुर्मिळ परंतु उच्च महत्त्वाचे (सुरक्षा/नैतिक/पर्यावरणीय) सिग्नल स्वतंत्रपणे आवश्यक आहेत आणि त्यांची छाया न ठेवता ✔
• ब) अल्पसंख्याक दृश्ये काढून टाकून केवळ सर्वोच्च वारंवारता थीम निवडणे
• क) सर्व उत्तरे एका सकारात्मक सारांशासाठी कमी करा आणि तपशील सोडून द्या
• ड) कच्च्या उत्तरांऐवजी कृत्रिम बुद्धिमत्तेचा सारांश स्वीकारणे

वर्णन: आर्टिफिशियल इंटेलिजन्स बहुसंख्यांचा आवाज वाढवते आणि थीमॅटिक विश्लेषणामध्ये अल्पसंख्याकांचा आवाज दाबते. तथापि, शाश्वततेतील सर्वात मौल्यवान सिग्नल काहीवेळा एक गंभीर सुरक्षा, नैतिक किंवा पर्यावरणीय समस्या आहे जी एका व्यक्तीने व्यक्त केली आहे. त्यामुळे विश्लेषण विचारते की 'काय बहुतेकदा सांगितले होते?' ते संपत नाही; 'दुर्मिळ परंतु उच्च महत्त्व' सिग्नल स्वतंत्रपणे विनंती केली जावी आणि सारांशाच्या जागी ऐवजी रॉ प्रतिसाद वापरावेत.

11. कृत्रिम बुद्धिमत्तेसाठी अहवाल विभाग लिहिताना बनावट क्रमांक आणि लक्ष्य मजकूरात लीक होण्यापासून रोखण्याचा सर्वात प्रभावी मार्ग कोणता आहे?

• अ) 'योग्य मजकूर लिहा' असे सांगून संपूर्ण अहवाल एकाच वेळी तयार करणे
• ब) केवळ सत्यापित डेटा प्रदान करणे आणि नवीन क्रमांक/दावे तयार करण्यास स्पष्टपणे प्रतिबंधित करणे ✔
• क) मजकूर किती प्रवाही आणि प्रभावी आहे ते तपासा आणि प्रकाशित करा
• ड) AI ला वाजवी अंदाजांसह गहाळ डेटा भरण्याची परवानगी देणे

वर्णन: आर्टिफिशियल इंटेलिजन्स रिकाम्या प्रॉम्प्टमध्ये 'हे ​​असेच रिपोर्ट्स सांगतात' या तर्काचा वापर करून, तुमच्याकडे प्रत्यक्षात नसलेली संख्या आणि लक्ष्ये तयार करते. सर्वात प्रभावी सावधगिरी म्हणजे केवळ सत्यापित डेटा देणे आणि 'मी तुम्हाला दिलेल्या डेटाव्यतिरिक्त कोणतेही संख्या, टक्केवारी, तारखा किंवा दावे जोडू नका; 'गहाळ ठिकाणी [डेटा आवश्यक] लिहा' हा नियम स्पष्टपणे नमूद करणे आहे. याव्यतिरिक्त, अहवाल विभागानुसार मुद्रित केला पाहिजे, डेटासह दिलेला आहे.

12. स्थिरता अहवालाचे पुनरावलोकन करताना एक स्वतंत्र हमी लेखा परीक्षक प्रथम काय पाहतो?

• अ) अहवाल किती अस्खलितपणे आणि व्यावसायिकपणे लिहिला आहे
• ब) प्रत्येक मुद्द्यामध्ये स्त्रोत दस्तऐवज ✔ शोधण्यायोग्य पुराव्याची साखळी असते
• C) आर्टिफिशियल इंटेलिजन्स म्हणते 'अहवाल ऑडिटसाठी तयार आहे'
• ड) प्रतिस्पर्ध्यांपेक्षा अहवाल अधिक ठाम दिसावा

स्पष्टीकरण: परीक्षकाला मजकुराच्या प्रवाहात रस नाही, परंतु प्रत्येक दाव्यामागील पुराव्याच्या साखळीत; त्याचा पहिला प्रश्न 'हा नंबर सिद्ध करा'. संख्या कोणत्या स्त्रोत दस्तऐवजातून येते, कोणते सूत्र आणि घटक ते अहवालात बदलते आणि ते स्वतंत्रपणे पुनरावृत्ती करता येते का हे तपासले जाते. म्हणून, प्रत्येक सामग्री मेट्रिक त्याच्या स्त्रोतास शोधण्यायोग्य असणे आवश्यक आहे, घटक अधिकृत स्त्रोताकडून सत्यापित करणे आवश्यक आहे आणि प्रॉक्सी निर्दिष्ट करणे आवश्यक आहे; कृत्रिम बुद्धिमत्ता ही तयारी करते, परंतु खात्री देऊ शकत नाही.

13. खालीलपैकी कोणत्या पर्यावरणीय दाव्यांमध्ये ग्रीनवॉशिंगचा सर्वात कमी धोका आहे?

• अ) 'आम्ही 2023 पर्यंत (तृतीय-पक्षीय पडताळणीसह) आमचे उत्पादन उत्सर्जन 18% ने कमी केले' ✔
• ब) 'आमची उत्पादने पूर्णपणे पर्यावरणपूरक आणि नैसर्गिक आहेत'
• क) 'आमची कंपनी कार्बन न्यूट्रल आहे' (कोणतीही कागदपत्रे किंवा डेटा न देता)
• ड) 'आम्ही उद्योगातील सर्वात टिकाऊ आणि जवळपास शून्य प्रभाव असलेली कंपनी आहोत'

स्पष्टीकरण: चांगला पर्यावरणीय दावा मोजता येण्याजोगा (संख्या समाविष्टीत आहे), सिद्ध (पुराव्यावर आधारित) आणि व्याप्तीमध्ये स्पष्ट आहे (कशाची आणि केव्हा तुलना केली जात आहे हे स्पष्ट आहे). 'आम्ही 2023 पर्यंत (तृतीय-पक्षीय पडताळणीसह) उत्पादन उत्सर्जन 18% ने कमी केले' ही तीन वैशिष्ट्ये आहेत. 'इको-फ्रेंडली', 'नैसर्गिक', अप्रमाणित 'कार्बन न्यूट्रल' सारखी वाक्ये अप्रमाणित किंवा अप्रमाणित आहेत आणि ग्रीनवॉशिंगचा धोका आहे.

14. विश्लेषणासाठी सार्वजनिकरित्या उपलब्ध AI साधनामध्ये अज्ञात सुविधा उत्पादन आणि उत्सर्जन डेटा पेस्ट करण्यापूर्वी काय केले पाहिजे?

• अ) डेटा जसा आहे तसा पेस्ट करणे; पर्यावरणीय डेटा नेहमी सार्वजनिकरित्या उपलब्ध असतो
• ब) जबाबदारी कृत्रिम बुद्धिमत्ता प्रदात्याकडे जाते म्हणून खबरदारी न घेता देणे
• क) जोखीम फक्त चुकीची गणना आहे; गोपनीयतेचा उपाय अनावश्यक आहे
• ड) डेटाचे मोफत/अंतर्गत/गोपनीय म्हणून वर्गीकरण करणे आणि गोपनीय डेटा अनामित करणे किंवा कॉर्पोरेट टूल्स वापरणे ✔

प्रकटीकरण: वनस्पती-स्तरीय उत्पादन आणि उत्सर्जन डेटा व्यापार रहस्य असू शकतात; अद्याप उघड न केलेला आर्थिक/पर्यावरणीय डेटा नियामक प्रकटीकरण नियमांचे उल्लंघन करू शकतो; कर्मचारी स्थान/पगार डेटा हा KVKK/GDPR च्या कार्यक्षेत्रातील वैयक्तिक डेटा आहे. या प्रकारचा डेटा ओपन टूलला देण्यापूर्वी, त्याचे मोफत/अंतर्गत/गोपनीय म्हणून वर्गीकरण करणे, आवश्यक असल्यास निनावी करणे किंवा कॉर्पोरेट (डेटा-मुक्त) साधन वापरणे आवश्यक आहे. 'एआय म्हणाला' हा बचाव नाही; जबाबदारी संस्था आणि त्यास मान्यता देणाऱ्या व्यक्तीची आहे.