Keuntungan:
- Klasifikasi berasaskan risiko di mana AI sedang mempercepatkan dan di mana ia berisiko dalam kejuruteraan alam sekitar
- Keupayaan untuk mengenali risiko halusinasi LLM mengenai nilai had persekitaran, piawaian dan sumber
- Keupayaan untuk mengesahkan output AI dalam makmal, lapangan dan kawal selia serta menggunakan prinsip etika/privasi
Bayangkan bekerja sebagai jurutera alam sekitar di loji rawatan air sisa biasa di zon perindustrian yang teratur. Terdapat peningkatan mendadak dalam COD dalam air salur keluar, pengurus perniagaan berkata di telefon, "Saya mahu sebab dan penyelesaian secepat mungkin." Di meja anda adalah hasil makmal dari minggu lepas, rekod SCADA dan tetingkap sembang yang baru anda buka. Anda bertanya kepada AI "mengapa COD output meningkat, tuliskan had pelepasan juga?" Dalam beberapa saat, model menulis dalam bahasa Turki yang betul, item demi item, sebab yang mungkin dan juga ayat "Menurut Peraturan Kawalan Pencemaran Air, had pelepasan COD ialah 120 mg/L." Masalahnya ialah titik putus ini mungkin telah dipasang model; Bergantung pada industri anda, persekitaran penerimaan dan jenis kemudahan, had sebenar mungkin berbeza sama sekali. Unit ini mengajar anda untuk mengurus saat itu—saat tanggungjawab kejuruteraan anda bersilang dengan keluaran AI yang pantas tetapi tidak disahkan.
Perkara yang AI lakukan dan tidak lakukan dalam kejuruteraan alam sekitar
Model bahasa besar (LLM) ialah sistem yang dilatih berdasarkan prinsip "meramalkan perkataan seterusnya" pada data teks yang besar. Ini menjadikan mereka sangat kuat dalam kerja bahasa, tetapi pada asasnya lemah dalam menyemak fakta. Model tidak "mengingat" titik putus, ia menghasilkan nombor yang kelihatan munasabah dari segi statistik.
Pekerjaan AI mahir dalam kejuruteraan alam sekitar:
- Merumuskan dan merangka perundangan yang panjang, laporan EIA atau teks literatur
- Mewujudkan struktur, formula dan logik pengiraan (imbangan jisim, beban pelepasan, kecekapan)
- Mencipta senarai kemungkinan sebab dan senario untuk menyelesaikan masalah
- Menyediakan draf laporan, jadual, pembentangan dan surat-menyurat
- Menjelaskan topik yang kompleks (cth. kimia nitrifikasi) langkah demi langkah
Tugas yang tidak boleh dilakukan/tidak boleh dipercayai oleh AI:
- Menyediakan nilai had, nombor standard atau artikel peraturan yang terkini dan khusus konteks
- Akses kepada data ukuran sebenar kemudahan anda (melainkan anda memberikannya)
- Penggantian untuk analisis makmal atau pengukuran lapangan
- Anggap tanggungjawab undang-undang/pentadbiran — tandatangan adalah milik anda
Petua: Anggap AI seperti "pelatih senior." Penulis draf yang cepat, baik membaca, baik; Tetapi anda tidak menghantar setiap cetakan ke mana-mana tanpa menyemaknya sendiri. Setiap nombor dan setiap rujukan kepada perundangan yang dia hasilkan hanyalah hipotesis sehingga anda mengesahkannya daripada sumbernya.
Halusinasi: nilai had rekaan dan artikel peraturan
Halusinasi ialah apabila model menghasilkan maklumat yang tidak benar dengan penuh keyakinan. Tiga jenis halusinasi yang paling berbahaya dalam kejuruteraan alam sekitar ialah:
- Nilai had yang dibuat: Nombor yang kelihatan betul tetapi mungkin salah, seperti "Had 24 jam untuk PM10 ialah 50 µg/m³".
- Rujukan perundangan yang dibuat-buat: "Menurut Perkara 12/3 Peraturan..." — nombor artikel dan nama peraturan itu kelihatan nyata, tetapi kandungannya dibuat-buat.
- Sumber rekaan: Artikel yang tidak wujud, nombor standard (cth. "TS EN 12457") atau panduan institusi.
Jadual di bawah menunjukkan corak jawapan yang selamat dan berisiko yang model boleh berikan kepada soalan yang sama:
Keluaran model
risiko
apa yang perlu dilakukan
"Had pelepasan adalah tepat 120 mg/L."
Tinggi — nombor tepat, tidak bersumber
Sahkan daripada undang-undang rasmi
"Had pelepasan berbeza-beza bergantung pada sektor dan persekitaran penerimaan; jadual peraturan yang berkaitan harus dirujuk."
Rendah — penghala
Masih sahkan, tetapi boleh dipercayai
"Saya tidak dapat mengesahkan nilai ini, lihat sumber rasmi."
rendah
tingkah laku yang ideal
Awas: Lebih spesifik dan yakin nombor ditulis, lebih berbahaya jika nombor itu tidak bersumber. Nilai yang jelas seperti "120 mg/L" akan membuatkan anda selesa tetapi memberikan keyakinan palsu. Jangan asaskan keputusan anda pada sebarang nilai had yang tidak disebut.
Pembahagian kerja berasaskan risiko
Berat hasil keputusan adalah apa yang menentukan di mana untuk menggunakan AI secara bebas dan di mana untuk menggunakannya hanya untuk tujuan penggubalan. Klasifikasi berikut ialah kompas praktikal:
Pencarian
Tahap risiko
Peranan AI
Pengesahan mandatori
Ringkasan kesusasteraan/perundangan, penjelasan konsep
rendah
pengeluar, pemecut
Semak silang tuntutan utama
Draf laporan/surat-menyurat, susun atur meja
rendah
penulis draf
Semakan editorial
Persediaan analisis data, formula pengiraan
sederhana
pembina
Data input + kawalan pengiraan manual
Proses senario penyelesaian masalah
sederhana
penjana idea
Data makmal + lapangan
Penentuan had pelepasan/pelepasan
tinggi
Draf sahaja
Perundangan rasmi + makmal bertauliah
Keputusan EIA, penghakiman "impact diabaikan".
tinggi
Draf sahaja
Pakar + pengukuran medan
Keputusan kesihatan manusia/persekitaran
kritikal
Sokong, jangan pernah buat keputusan
Perundangan penuh + kelulusan pakar
Peraturannya mudah: semakin tidak dapat dipulihkan hasilnya dan lebih banyak nyawa/wang/undang-undang yang terkesan, semakin ketat pengeluaran AI disahkan. Anda mendapat kelajuan pada risiko rendah; AI berisiko tinggi hanya menghasilkan draf pertama, data dan perundangan membuat keputusan.
Gesaan lemah / Gesaan kuat
Dua permintaan berbeza untuk keperluan yang sama menimbulkan profil risiko yang berbeza sama sekali:
GERAKAN LEMAH: "Apakah had COD pelepasan air sisa? Tulis secara ringkas."Masalah: Memaksa model untuk memuatkan satu nombor keras. Sektor, persekitaran penerimaan, jenis kemudahan tidak dinyatakan. Output datang tanpa sumber. PROMPT KUAT: "Terangkan faktor (sektor, persekitaran penerimaan, kadar aliran) yang bergantung kepada had pelepasan COD untuk air sisa industri tekstil di Türkiye. JANGAN buat nombor yang tepat; sebaliknya, terangkan langkah demi langkah dari jadual peraturan rasmi dan mengikut parameter yang mana ia harus dibaca. Jika anda tidak pasti, nyatakan 'mesti disahkan'." Perbezaan: Gesaan yang kuat tidak menjadikan model sesuai dengan nombor; Ia menggunakannya sebagai PANDUAN dan menyerahkan kata putus kepada perundangan.
Etika dan privasi data
Sebagai jurutera alam sekitar, data yang anda miliki selalunya sensitif: rekod pemantauan berterusan (CPMS) syarikat, sejarah pelanggaran, kapasiti pengeluaran adalah rahsia perdagangan. Sebarang data yang anda tampalkan ke dalam alat AI awam mungkin di luar kawalan anda.
Prinsip asas:
- Anonimkan: Alih keluar nama syarikat, koordinat kemudahan, data peribadi, butiran kontrak daripada gesaan. Daripada "syarikat X" tulis "kilang tekstil".
- Lindungi rahsia perdagangan: Semak dasar data korporat anda sebelum berkongsi maklumat seperti data pelanggaran, kapasiti, kos.
- Ketelusan: Jika anda merangka laporan dengan AI, nyatakan ini dengan sewajarnya dalam aliran kerja anda; Ingat bahawa tanggungjawab adalah milik anda.
# Semakan anonimasi ringkas sebelum meletakkan data dalam medan_sensitif gesaan = ["nama_syarikat", "koordinat", "tc_no", "kapasiti", "kos"]def prompt_safe_is(teks, sensitif): ditemui = [a untuk a dalam sensitif jika a dalam teks.lower()] pulangan (len(ditemui) == com, foundny_contoh: COD: 8 ABC, foundny_nama contoh: COD mg/L, kapasiti: 5000 m3/hari"selamat, berisiko = prompt_safe_mi(contoh, kawasan_sensitif)cetak("Bolehkah ia dihantar:", selamat) # Cetakan Palsu("Untuk dibersihkan dahulu:", berisiko) # ['nama_syarikat', 'kapasiti']
kes mini
Seorang jurutera muda di firma perunding alam sekitar bertanya kepada AI "apakah kod sisa dan kaedah pelupusan sisa minyak" untuk petikan segera. Model itu dengan yakin mengembalikan kod sisa 6 digit dan jawapan "pembuangan melalui pembakaran". Jurutera meletakkan ini terus ke dalam petikan. Selepas penghantaran, jurutera kanan menyemak: kod yang diberikan tidak sepadan dengan sumber dan kandungan sebenar sisa; Pengelasan yang betul hanya boleh dibuat dengan laporan analisis dan senarai sisa rasmi. Kod yang salah bermakna laluan pelupusan yang salah dan risiko sekatan pentadbiran. Pengajaran: Kod yang diberikan AI adalah hipotesis; Memandangkan ia tidak disahkan oleh analisis dan perundangan, ia tidak boleh menjadi asas untuk keputusan itu.
Kesilapan biasa
- Meletakkan nilai had yang diberikan oleh AI ke dalam laporan tanpa bertanya sumbernya.
- Memandangkan rujukan kepada "Peraturan Perkara X" boleh dipercayai tanpa membandingkannya dengan teks sebenar.
- Menampal maklumat sulit seperti nama syarikat, data penjejakan dsb. ke dalam alat awam.
- Mengasaskan keputusan berisiko tinggi (had pelepasan, keputusan EIA) pada output AI.
- Menyalahkan nada yakin model sebagai bukti ketepatan.
- Cuba mengalihkan tanggungjawab kepada mesin dengan mengatakan "AI berkata"; Tandatangan dan tanggungjawab terletak pada jurutera.
Secara ringkasnya
- AI ialah pemecut dalam kejuruteraan alam sekitar: berkuasa secara ringkas, draf, penyuntingan akaun dan penjanaan senario; Ia tidak boleh dipercayai apabila merujuk kepada nilai had dan perundangan yang tepat.
- LLM menghasilkan halusinasi tentang pemotongan, piawaian dan sumber; nombor yang tepat dan tidak bersumber adalah risiko tertinggi.
- Pembahagian kerja adalah berasaskan risiko: semakin tidak dapat dipulihkan hasilnya, semakin ketat pengesahan.
- Setiap output AI hanyalah cadangan/lakaran sehingga disahkan oleh makmal, pengukuran lapangan dan perundangan kerajaan.
- Jangan berikan data sulit dan peribadi kepada sebarang cara awam tanpa menamakannya.
- AI ialah "pelatih senior": ia berjalan, tetapi jurutera memikul tandatangan dan tanggungjawab.
Tugasan permohonan
Pilih lima tugasan daripada bidang pengajian anda (air sisa, udara, sisa atau EIA) dan letakkan setiap satu dalam jadual berasaskan risiko di atas: tulis tugasan, tentukan tahap risiko (rendah/sederhana/tinggi/kritikal), tentukan peranan AI dan langkah pengesahan mandatori. Kemudian pilih salah satu tugas ini dan mula-mula sengaja tulis "gesaan yang lemah", menandakan sama ada terdapat sekurang-kurangnya satu rujukan tidak bersumber untuk mengehadkan nilai atau perundangan dalam jawapan yang anda terima daripada model; Kemudian, untuk keperluan yang sama, tulis "gesaan kuat" yang melarang membuat nombor dan mengarahkan anda ke sumbernya, dan bandingkan kedua-dua output sebelah menyebelah. Akhir sekali, terangkan dalam satu perenggan undang-undang kerajaan dan data makmal/medan yang akan anda gunakan untuk mengesahkan tugas ini.