Mengelakkan Greenwashing, Integriti Data, Etika, Privasi dan Aliran Kerja Hujung-ke-Hujung — Kecerdasan Buatan dalam Pengurusan Alam Sekitar dan Iklim

Keuntungan:

Keupayaan untuk mengenali jenis pencucian hijau (tidak pasti, tidak terbukti, pertukaran tersembunyi, masa depan yang dibesar-besarkan) dan membuat tuntutan boleh diukur, bersumber dan berskop.
Keupayaan untuk mengklasifikasikan data yang akan diberikan kepada kenderaan dari segi kerahsiaan dan melindungi rahsia perdagangan dan data peribadi
Keupayaan untuk melaksanakan pintu kualiti hujung ke hujung dari definisi kepada pengesahan dan memikul tanggungjawab muktamad tanpa bergantung pada pertahanan 'kata AI'

Terdapat prinsip yang diulangi dalam setiap unit modul ini: nombor hendaklah berdasarkan sumber, tuntutan hendaklah berdasarkan bukti. Unit akhir ini menyepadukan prinsip itu. Risiko terbesar AI dalam persekitaran dan iklim bukanlah kesilapan pengiraan, sebaliknya ia menghasilkan cerita yang boleh dipercayai tetapi tidak berasas. Dalam unit ini anda akan belajar cara mengenali dan mencegah pencucian hijau, memastikan ketepatan data, etika dan privasi serta aliran kerja hujung ke hujung yang menyatukan keseluruhan modul.

Anatomi pencucian hijau

Greenwashing ialah apabila organisasi menjadikan prestasi alam sekitar kelihatan lebih baik daripada yang sebenarnya. Oleh kerana AI sangat baik dalam menghasilkan teks yang fasih dan persuasif, ia juga sangat cenderung untuk menghasilkan pencucian hijau tanpa disedari. Jenis utama:

Jenis Greenwashing

apa maksud awak?

contoh

tuntutan yang tidak jelas

perkataan yang tidak boleh diukur, tidak ditentukan

"Mesra alam", "semula jadi", "hijau"

tuntutan tanpa bukti

Nombor/sasaran tanpa data

"Kami neutral karbon" (tiada dokumentasi)

pertukaran rahsia

Menonjolkan kebaikan dan menyembunyikan keburukan besar

"Pembungkusan boleh dikitar semula" tetapi produknya sangat mencemarkan

tuntutan yang tidak relevan

Mengemukakan apa yang sudah perlu/tidak penting sebagai satu kebajikan

"Tidak mengandungi bahan terlarang"

label palsu

Penampilan sijil yang direka/tidak disahkan

Logo "hijau" ciptaan sendiri

masa depan yang boros

Berlindung pada sasaran yang jauh tanpa bukti

"Kami akan berkecuali pada 2050" (tiada rancangan sementara)

Petua: Tuntutan alam sekitar yang baik mempunyai tiga ciri: boleh diukur (nombor), terbukti (sekeping bukti) dan jelas dalam skop (jelas apa yang dibandingkan dengan bila). Jika tuntutan tiada salah satu daripada tiga ini, hentikan sebelum menerbitkannya.

Ketepatan data: peraturan emas modul

Disiplin pengesahan yang kita lihat dalam setiap unit boleh diringkaskan dalam satu ayat: Tiada nombor atau fakta yang dihasilkan oleh AI bertukar menjadi keputusan, laporan atau tuntutan tanpa disahkan oleh sumber bebas. Faktor pelepasan disahkan daripada jadual rasmi, artikel perundangan disahkan daripada teks semasa, pengukuran disahkan daripada peranti yang ditentukur, dan pengiraan disahkan daripada kod yang dilaksanakan. AI mempercepatkan; Dia adalah lelaki yang jujur.

Etika dan privasi

Etika: Data alam sekitar melibatkan orang ramai dan generasi akan datang; mengurut data, pelaporan terpilih atau menyembunyikan ketidakpastian adalah pelanggaran etika. Jangan minta AI untuk "menunjukkan laporan dengan lebih baik", sebaliknya "menunjukkan laporan dengan lebih tepat dan difahami".

Kerahsiaan: Angka pengeluaran peringkat loji, perjanjian pembekal, data pelepasan yang tidak didedahkan mungkin rahsia perdagangan; Data perjalanan atau lokasi pekerja mungkin data peribadi. Semak dasar korporat dan peraturan perlindungan data (cth. KVKK/GDPR) sebelum menampalnya ke dalam alatan AI awam; Anonimkan jika boleh atau gunakan alat kalis data perusahaan.

Awas: "AI berkata demikian" bukan pertahanan. Institusi dan penandatangan bertanggungjawab terhadap laporan pelepasan palsu, pengiklanan yang mengelirukan atau data sulit yang bocor. AI ialah alat; Dia seorang yang bertanggungjawab.

Aliran kerja hujung ke hujung: pasang modul

Berikut ialah enam langkah untuk menghasilkan tuntutan atau laporan alam sekitar dengan yakin dari awal hingga akhir:

1. Takrifkan. Apakah yang akan dilaporkan/dituntut? Adakah skop, unit, piawai, tempoh jelas?

2. Mengumpul dan mengesahkan data. Adakah setiap isu mempunyai sumber yang boleh dikesan? Adakah faktor rasmi?

3. Kira dan sahkan. Lakukan aritmetik dalam kod dan berikan hasilnya dengan unit dan pesanan.

4. Lakaran. Bina rangka teks dengan AI; Sambungkan setiap ayat dengan bukti.

5. Lulus melalui penapis Greenwashing. Hapuskan kenyataan yang tidak jelas, tidak berasas, dibesar-besarkan.

6. Sahkan dan bertanggungjawab. Jaminan bebas/kawalan pakar; kelulusan muktamad terletak pada manusia.

tiga kes mini

Kes 1 — Fasih tetapi tidak berasas. Satu pasukan meminta AI menulis ringkasan kelestarian; Teks itu mengagumkan, tetapi dipenuhi dengan frasa yang tidak boleh diukur seperti "kemampanan peneraju industri," "impak hampir sifar." Menggunakan penapis greenwashing (templat 1 di bawah) menandakan tujuh tuntutan yang tidak berasas; setiap satu sama ada digantikan dengan nombor terbukti atau dikeluarkan. Laporan itu lebih pendek tetapi boleh dipertahankan.

Kes 2 — Data bocor. Seorang penganalisis menampal data pelepasan kemudahan yang belum didedahkan ke dalam alat AI yang tersedia untuk umum dan meminta analisis. Pasukan pematuhan menyedari ini adalah rahsia perdagangan dan kemungkinan pelanggaran pendedahan peraturan; proses dihentikan, data telah dipindahkan ke alat korporat (kalis bocor). Pengajaran: tentukan kelas (sulit?) data sebelum memberikannya kepada alat.

Kes 3 — Rantaian pengesahan. Satu organisasi menyimpan jadual "bukti tuntutan" untuk keseluruhan laporan tahunannya: bertentangan dengan setiap nombor dalam setiap ayat adalah sumbernya. Apabila juruaudit tiba, mereka dapat menjejaki setiap tuntutan dalam beberapa minit; Proses jaminan berjalan lancar. Disiplin ini adalah teras kepada semua unit modul dan menjimatkan masa dan pengiktirafan dalam dunia sebenar.

Gesaan lemah / Gesaan kuat

Gesaan yang lemah:

Jadikan mesej kemampanan kami lebih mengagumkan.

Mengapa ia lemah: Keinginan untuk "mengagumkan" mendorong AI ke dalam pujian hiperbola dan samar-samar; menghasilkan greenwashing.

Gesaan kuat:

Peranan anda: editor komunikasi alam sekitar dan juruaudit greenwashing. Jadikan teks di bawah lebih BETUL dan boleh difahami, bukan "berkilat". Setiap tuntutan bertanya: adakah ia boleh diukur, adakah ia bersumberkan, adakah skopnya jelas? Tandakan kenyataan yang tidak jelas ("mesra alam"), tidak terbukti ("neutral"), dan pernyataan yang dibesar-besarkan serta cadangkan alternatif terukur berasaskan bukti. Alih keluar tuntutan yang tidak mempunyai bukti. Teks: [di sini]

Empat templat yang boleh disalin

1) Penapis kawalan Greenwashing:

Peranan anda: juruaudit greenwashing. Jadualkan setiap tuntutan alam sekitar dalam teks di bawah: (tuntutan | bolehkah ia diukur | adakah bukti | adakah ia tidak pasti | keputusan). Tandai yang tidak jelas/tidak terbukti/dibesar-besarkan dan cadangkan alternatif berasaskan bukti yang diukur untuk setiap satu. Teks: [di sini]

2) Jadual padanan bukti tuntutan:

Tanggalkan SETIAP tuntutan berangka dan fakta daripada teks laporan di bawah. Tinggalkan lajur "sumber" untuk setiap lajur. Tandai mana-mana tuntutan dengan sumber yang tidak ditentukan sebagai "BUKTI DIPERLUKAN". Tukar teks; semak.Teks: [di sini]

3) Pra-semakan privasi:

Kelaskan data berikut sebelum memprosesnya dalam alat AI: adakah ia mengandungi rahsia perdagangan (pengeluaran tumbuhan, harga pembekal), data peribadi (nama, lokasi) atau maklumat kewangan yang tidak didedahkan? Benderakan kawasan berisiko dan syorkan anonimisasi/penyingkiran. Contoh data: [di sini]

4) Pintu kualiti hujung ke hujung:

Lakukan semakan akhir untuk laporan/tuntutan alam sekitar di bawah. Mengikut urutan: (1) adakah piawaian skop-unit itu jelas, (2) adakah setiap nombor bersumberkan, (3) adakah aritmetik telah disahkan, (4) adakah terdapat pencucian hijau, (5) data sulit/peribadi telah dibocorkan. Beri lulus/gagal dan justifikasi untuk setiap item. Kandungan: [di sini]

Kesilapan biasa

Inginkan "mengagumkan." Ini mendorong AI ke dalam hiperbola dan pencucian hijau; Minta "tepat dan boleh difahami."
Tidak perasan tuntutan yang tidak jelas. Frasa seperti "mesra alam" tidak boleh diukur dan berisiko.
Mengeksport data sulit ke alat terbuka. Mula-mula kelaskan data dan anonimkannya jika perlu.
Mempertahankan dengan "AI berkata demikian." Tanggungjawab sentiasa terletak pada orang itu.
Tidak mengekalkan rantaian pengesahan. Sumber setiap tuntutan mestilah boleh diaudit.

Secara ringkasnya

Intipati penggunaan AI dengan selamat dalam persekitaran dan iklim ialah satu disiplin: setiap nombor bersumber, setiap tuntutan terbukti, setiap data yang disalurkan kepada setiap alat yang dikelaskan, setiap keputusan akhir manusia. Greenwashing adalah perangkap bahasa cair; Cara untuk mengelaknya ialah dengan membuat tuntutan yang boleh diukur, bersumberkan dan mempunyai skop tertentu. AI; mengira, mengimbas, merangka dan menyusun - tetapi pakar yang cekap yang mengesahkan, membuat keputusan dan bertanggungjawab. Dalam kerja alam sekitar yang berakibat tinggi, output AI bukanlah pengganti untuk pengesahan dan pengesahan pakar; ia hanya mempercepatkannya.

Tugasan permohonan

Pilih satu penghantaran yang telah anda hasilkan sepanjang modul (ringkasan pelepasan, analisis air atau bahagian ESG). Audit Greenwashing dengan templat 1 dahulu dan betulkan sebarang tuntutan tidak berasas yang anda temui. Kemudian buat jadual bukti tuntutan dengan templat ke-2 dan lengkapkan nombor yang tinggal tanpa sumber. Akhir sekali, gunakan get kualiti hujung ke hujung dengan templat ke-4; Betulkan sehingga anda mendapat "lulus" pada semua lima item.

senarai semak

[ ] Saya membuat setiap tuntutan boleh diukur, bersumberkan dan skop khusus.
[ ] Saya membersihkan bahasa yang tidak jelas/dibesar-besarkan dengan penapis greenwashing.
[ ] Saya telah mengesahkan secara bebas setiap nombor yang dihasilkan oleh AI.
[ ] Saya telah mengklasifikasikan/menamakan data yang saya berikan kepada alat untuk kerahsiaan.
[ ] Saya mempunyai kod aritmetik dan menyediakannya dengan unit dan pangkat.
[ ] Saya mengambil tanggungjawab utama; Saya tidak bergantung pada pertahanan "kata AI".

Peperiksaan Modul

1. Antara berikut, yang manakah kedudukan paling tepat untuk kecerdasan buatan dalam persekitaran dan iklim?

A) Kecerdasan buatan ialah pembantu kod, data dan pelan tindakan; Tanggungjawab terhadap faktor, skop, bukti dan keputusan beretika terletak pada manusia ✔
B) Kepintaran buatan ialah alat pengukur dan nilai pelepasan yang diberikannya sentiasa tepat.
C) Kepintaran buatan hanya berguna dalam menulis laporan, ia tidak ada kena mengena dengan perakaunan dan pemantauan
D) Memandangkan kecerdasan buatan lebih tidak berat sebelah daripada manusia, semua keputusan alam sekitar harus diserahkan kepadanya.

Penerangan: Kepintaran buatan; Ia adalah pembantu yang menulis kod, menyusun data, menghasilkan draf dan meringkaskan. Walau bagaimanapun, pengesahan faktor pelepasan, skop dan ketepatan unit, pengesahan tuntutan dan tanggungjawab akhir terletak pada pakar yang kompeten. Model bahasa besar bukanlah alat pengukur, kalkulator atau sumber perundangan; ialah penjana teks yang menghasilkan 'perkataan kemungkinan besar seterusnya' dan outputnya yang tidak disahkan boleh membawa kepada laporan atau tuntutan palsu.

2. Pendekatan manakah yang betul untuk mengira 'data aktiviti × faktor pelepasan' dalam inventori gas rumah hijau?

A) Menggunakan faktor yang diingati oleh kecerdasan buatan dan memintanya melakukan jumlah secara manual
B) Mengambil faktor dari jadual rasmi mengikut negara dan tahun dan membuat jumlah dengan kod boleh laku ✔
C) Mengira semua gas sebagai CO₂ dan melangkau penukaran GWP
D) Menggunakan faktor grid lalai (cth. AS) untuk setiap negara

Penerangan: Faktor pelepasan berbeza mengikut negara, tahun dan bahan api; 'Mengingatkan' AI memperkenalkan risiko fabrikasi. Faktor tersebut hendaklah sentiasa disahkan daripada jadual rasmi (IPCC, DEFRA/EPA, inventori nasional); Jumlah berbilang baris hendaklah dilakukan dengan kod boleh laku, bukan secara manual. Metana dan N₂O semestinya ditukar kepada CO₂e dengan set GWP yang betul.

3. Menurut Protokol GHG, apakah skop termasuk pelepasan yang terhasil daripada pengeluaran elektrik yang dibeli?

A) Skop 1
B) Skop 3
C) Skop 2 ✔
D) Ia tidak termasuk dalam mana-mana skop dan tidak dilaporkan

Penerangan: Skop 1 ialah pelepasan langsung daripada sumber organisasi sendiri (dandang, kenderaan syarikat). Skop 2 ialah pelepasan tidak langsung daripada pengeluaran tenaga yang dibeli (elektrik, stim, pemanasan, penyejukan). Skop 3 meliputi semua pelepasan tidak langsung lain dalam rantaian nilai (bekalan, perjalanan, penggunaan produk).

4. Manakah yang betul apabila mengutamakan langkah-langkah mitigasi oleh SPRM (kos pengurangan marginal)?

A) Langkah yang paling mahal dan teknologi sentiasa diambil dahulu
B) Mula-mula, offset dibeli dan dipanggil 'sifar bersih', pengurangan ditinggalkan untuk kemudian.
C) Perintah tindakan adalah bebas daripada kos; semua digunakan pada masa yang sama
D) Langkah-langkah kos (penjimatan) negatif diambil dahulu, penyingkiran dibiarkan terakhir ✔

Penerangan: SPRM menyusun langkah mengikut kos setiap tan yang dielakkan (€/tan). Langkah kos negatif (cth. kecekapan tenaga) kedua-duanya mengurangkan pelepasan dan menjimatkan wang; Ini dibawa ke hadapan. Pilihan dan offset kos tinggi dibiarkan sehingga terakhir. Penyingkiran bukan pengganti untuk mengurangkan, tetapi pelengkap kepada baki yang tidak dapat dielakkan.

5. Anda melihat pada imej satelit bahawa NDVI di satu rantau tiba-tiba berkurangan dalam satu bulan. Apa yang perlu anda lakukan dahulu?

A) Segera timbulkan penggera 'penyahhutanan mengejut' dan umumkannya kepada orang ramai
B) Menguji ketulenan isyarat dengan menggunakan topeng awan dan membandingkannya dengan tarikh jiran ✔
C) Melihat satu imej dan melaporkan peratusan kerugian yang tepat
D) Data satelit sentiasa tepat; tiada pemeriksaan tambahan diperlukan

Penjelasan: Isyarat palsu yang paling biasa bagi data satelit ialah awan. Penurunan NDVI boleh menjadi kehilangan hutan sebenar, atau ia boleh menjadi awan di atas imej pada hari itu. Anda perlu terlebih dahulu menggunakan topeng awan dan bandingkan dengan tarikh bebas awan yang berdekatan; Tuntutan perubahan harus berdasarkan arah aliran, bukan satu tarikh, dan jika boleh, ia harus disahkan dengan kebenaran asas.

6. Pendekatan manakah yang betul apabila membandingkan kesan air dua kilang?

A) Hanya melihat liter mutlak dan mengisytiharkan yang paling banyak menggunakan sebagai yang paling teruk
B) Kesan air adalah sama di mana-mana; wilayah tidak penting
C) Menimbang penggunaan oleh tekanan air serantau dan membandingkan dengan kesan sebenar ✔
D) Menambah air hijau, biru dan kelabu ke dalam satu nombor dan mengabaikan tekanan

Penjelasan: Air, tidak seperti karbon, adalah tempatan; Jumlah air yang sama bermakna kesan alam sekitar yang lebih teruk di rantau yang mempunyai tekanan air yang tinggi. Oleh itu, kesan air harus dinilai bukan sahaja dalam liter mutlak tetapi ditimbang dengan tegasan air serantau. Kemudahan di rantau yang menggunakan sedikit tetapi sangat kering mungkin lebih kritikal daripada kemudahan yang menggunakan banyak tetapi mempunyai banyak air.

7. Dalam pengurusan sisa, kecerdasan buatan mengklasifikasikan sisa kimia ke dalam kod 'tidak berbahaya'. Apakah tingkah laku yang betul?

A) Menghapuskannya terus daripada kod itu kerana kecerdasan buatan mengatakan demikian
B) Kod sisa tidak penting; semuanya dilupuskan dengan cara yang sama
C) Mengabaikan pencemaran dan kelas bahaya dan melaporkan jumlah yang dikutip
D) Mengesahkan kelas dengan helaian data keselamatan (SDS) dan perundangan, tidak menerima cadangan kecerdasan buatan sebagai muktamad ✔

Penerangan: Salah klasifikasi dan pelupusan sisa berbahaya yang tidak berdaftar adalah antara jenayah alam sekitar yang paling banyak dibenarkan. Cadangan kod sisa AI hanyalah draf awal; Kelas bahaya mesti sentiasa disahkan oleh helaian data keselamatan (SDS) bahan dan peraturan sisa yang berkenaan. Output AI tidak pernah digunakan sebagai kod sisa akhir.

8. Sebuah kemudahan mengurangkan pelepasan timbunannya sebanyak 20%. Mengapa adalah salah untuk mengatakan 'udara kejiranan telah dibersihkan sebanyak 20%'?

A) Pelepasan dan kepekatan adalah berbeza; Perubahan cuaca memerlukan ukuran dan pemodelan yang berasingan ✔
B) Pelepasan dan kepekatan adalah perkara yang sama; Penurunan secara langsung dicerminkan di udara
C) Pengukuran cerobong sentiasa memberikan cuaca kejiranan yang tepat
D) Meteorologi tidak menjejaskan kualiti udara, jadi tuntutan itu sah

Penjelasan: Pelepasan (jumlah yang keluar dari sumber) dan kepekatan (ketumpatan diukur dalam udara) adalah perkara yang berbeza. Angin, suhu dan topografi menyebabkan pelepasan yang sama menghasilkan kepekatan yang sangat berbeza. Walaupun pengurangan dalam pelepasan timbunan adalah nyata, tuntutan kepekatan dalam udara hanya boleh dibuktikan dengan pengukuran yang ditentukur dan model penyebaran yang sesuai; sebaliknya ia tidak berasas dan mengelirukan.

9. Dalam laporan ESG, terdapat ayat 'kami mengurangkan penggunaan air sebanyak 15%' dalam teks yang dihasilkan oleh kecerdasan buatan. Apakah kawalan yang paling penting?

A) Melihat betapa mengagumkan dan lancarnya ayat tersebut
B) Sahkan bahawa nombor itu dipautkan kepada sumber yang boleh dikesan (invois, meter, ukuran) ✔
C) Andaikan nombor itu betul kerana kecerdasan buatan menghasilkannya
D) Membundarkan peratusan ke atas untuk menjadikan nombor kelihatan lebih tegas

Penjelasan: Nilai laporan ESG ialah kebolehkesanan data terlemahnya, dan juruaudit jaminan bebas meneliti rantaian bukti di sebalik nombor tersebut. AI mungkin telah menghasilkan nombor yang kelihatan 'munasabah' daripada teks sebelumnya tetapi tidak dapat dikesan. Bukan setiap tuntutan digital harus memasukkan laporan tanpa dipautkan kepada sumber yang boleh dikesan berdasarkan invois/meter/sijil.

10. Mengapakah berbilang senario digunakan dalam penilaian risiko iklim dan bukannya satu masa hadapan?

A) Senario adalah hiasan; Satu ramalan masa depan yang tepat sudah memadai
B) Memandangkan kecerdasan buatan boleh memberikan kebarangkalian banjir masa depan dengan peratusan yang tepat, satu senario sudah memadai
C) Risiko fizikal dan peralihan mungkin buruk bergantung pada senario; Tujuannya adalah untuk menguji ketahanan ✔
D) Risiko fizikal dan peralihan adalah perkara yang sama, tidak perlu senario berasingan

Penjelasan: Risiko fizikal (kesan iklim seperti banjir, kemarau) dan risiko peralihan (harga karbon, perundangan, peralihan teknologi) sering bergerak ke arah yang bertentangan: jika dunia melakukan pengurangan pantas, risiko peralihan meningkat, risiko fizikal berkurangan; Jika dia bertindak perlahan, sebaliknya berlaku. Oleh itu, sekurang-kurangnya satu senario pemanasan rendah (1.5-2°C) dan satu senario pemanasan tinggi (3°C+) diuji. Matlamatnya bukan untuk meramal masa depan, tetapi untuk menguji ketahanan.

11. Anda bertanya kepada AI jika peraturan (cth. CBAM) terpakai kepada anda dan tarikh akhirnya. Bagaimanakah anda harus berkelakuan?

A) Merancang secara langsung mengikut tarikh dan item yang diberikan oleh kecerdasan buatan
B) Mengasaskan keputusan skop pada tafsiran umum AI, bukan melihat senarai kod rasmi
C) Pematuhan adalah sekali sahaja; Sebaik sahaja anda bertanya, tidak perlu sentiasa memantau perundangan
D) Pertimbangkan output sebagai draf dan sahkan artikel, tarikh, ambang dan skop daripada teks rasmi semasa ✔

Penerangan: Pengetahuan kawal selia menjadi lapuk dengan cepat; Artikel berubah, tarikh ditangguhkan, skop berkembang. Data latihan AI dibekukan pada tarikh tertentu dan mungkin tidak terkini; Selain itu, jirim boleh mencipta fakta kritikal seperti sejarah dan ambang. Keputusan skop hendaklah disahkan oleh senarai produk/kod rasmi, semua tarikh dan ambang oleh teks rasmi yang berkuat kuasa; Pendapat yang dibenarkan/pakar harus diperolehi dalam keputusan pematuhan kritikal.

12. Antara tuntutan alam sekitar berikut, yang manakah mempunyai risiko paling rendah untuk mencuci hijau?

A) 'Kami telah mengurangkan pelepasan pengeluaran kami sebanyak 18% menjelang 2023 (dengan pengesahan bebas)' ✔
B) 'Produk kami benar-benar mesra alam dan semula jadi'
C) 'Syarikat kami neutral karbon' (tanpa menyediakan sebarang dokumen atau data)
D) 'Kami adalah syarikat yang paling mampan dan kesan hampir sifar dalam industri'

Penjelasan: Tuntutan alam sekitar yang baik boleh diukur (mengandungi nombor), terbukti (berdasarkan bukti), dan khusus dalam skop (jelas apa yang dibandingkan dengan bila). 'Kami telah mengurangkan pelepasan pengeluaran sebanyak 18% menjelang 2023 (dengan pengesahan bebas)' mempunyai tiga ciri ini. Frasa seperti 'mesra alam', 'semula jadi', 'neutral karbon' (tidak disahkan) tidak boleh diukur atau tidak berasas dan membawa risiko pencucian hijau.

13. Mengapakah berisiko untuk menampal data pelepasan kemudahan yang tidak didedahkan ke dalam alat AI yang tersedia secara umum untuk analisis?

A) Tiada risiko; data alam sekitar sentiasa tersedia untuk umum
B) Rahsia perdagangan, data yang tidak didedahkan dan data peribadi mungkin dibocorkan; klasifikasi dan anonimisasi diperlukan terlebih dahulu ✔
C) Risiko hanyalah ralat pengiraan, ia tiada kaitan dengan privasi data
D) Setelah data diberikan kepada kenderaan, tanggungjawab diserahkan kepada pembekal kecerdasan buatan

Pendedahan: Data pengeluaran dan pelepasan peringkat tapak mungkin rahsia perdagangan dan data kewangan/persekitaran yang tidak didedahkan mungkin melanggar peraturan pendedahan peraturan; Data lokasi/perjalanan pekerja ialah data peribadi. Sebelum memberikan jenis data ini kepada alat terbuka, adalah perlu untuk mengklasifikasikannya, menamakannya jika perlu, atau menggunakan alat institusi (bebas data). 'AI berkata' bukan pertahanan; Tanggungjawab terletak pada institusi dan individu.

14. Apakah konsep yang digunakan semasa menukar gas rumah hijau seperti metana (CH₄) kepada CO₂e dan mengapa ia penting?

A) AQI (indeks kualiti udara); menentukan warna gas di udara
B) NDVI (indeks tumbuh-tumbuhan); mengukur kesan tanah gas
C) GWP (potensi pemanasan global); jika diabaikan, kesan metana/N₂O akan sangat dipandang remeh ✔
D) Tiada pekali diperlukan; metana mengira 1 hingga 1 secara langsung seperti CO₂

Penerangan: GWP (Potensi Pemanasan Global) ialah pekali yang menukarkan kesan pemanasan gas rumah hijau yang berbeza kepada unit biasa berbanding CO₂. GWP 100 tahun metana adalah lebih kurang 28; Jadi 1 tan metana bermakna kira-kira 28 tan CO₂e. Jika GWP diabaikan, kesan gas kuat seperti metana dan N₂O akan sangat dipandang remeh dan inventori akan menjadi tidak tepat sepenuhnya; Ia juga harus dinyatakan set GWP yang mana (cth. IPCC AR6, 100 tahun) digunakan.