लाभ:
- 'कृत्रिम बुद्धिमत्ता उत्पादन → मानव प्रमाणीकरण → गेट मार्फत जान्छ' को लयको साथ गुणस्तरीय गेटहरूसँग सामग्रीबाट प्रकाशनसम्म आठ-चरण ESG कार्यप्रवाह स्थापना गर्ने क्षमता।
- ESG डाटालाई नि:शुल्क/आन्तरिक/गोपनीय रूपमा वर्गीकरण गरेर व्यक्तिगत र अज्ञात वित्तीय डेटाको सुरक्षा गर्ने क्षमता
- अन्तिम जिम्मेवारी ग्रहण गर्ने क्षमता र प्रत्येक प्रकाशनमा जिम्मेवार नामहरू र अनुमोदन रेकर्डहरू संलग्न गर्ने क्षमता 'एआईले भन्यो' प्रतिरक्षामा भरोसा नगरी।
अघिल्ला दस एकाइहरूमा हामीले ESG र स्थिरता व्यवसायको प्रत्येक भागलाई अलग-अलग कभर गरेका छौं: प्रविष्टि र सीमाहरू, भौतिकता, डेटा सङ्कलन, कार्बन लेखा, रिपोर्टिङ फ्रेमवर्क, आपूर्ति श्रृंखला, सरोकारवाला सञ्चार, रिपोर्ट लेखन, आश्वासन र हरित धुने। यस अन्तिम एकाईमा, हामी टुक्राहरू सँगै राख्नेछौं र अन्त-देखि-अन्त कार्यप्रवाह स्थापना गर्नेछौं: स्थिरता मिशनको परिभाषादेखि यसको प्रकाशनसम्म प्रत्येक चरणमा कृत्रिम बुद्धिमत्ता (AI) को कहाँ, कसरी र कुन सुरक्षा गेट प्रयोग गर्ने। हामी डेटा शासन, गोपनीयता र नैतिक उत्तरदायित्वलाई एउटै ढाँचामा ल्याउनेछौं।
मोड्युलको स्थिर मेरुदण्डलाई फेरि एकपटक दोहोर्याउनुहोस्: AI; यो एक सहायक हो जसले कोड लेख्छ, डेटा व्यवस्थित गर्दछ, मस्यौदाहरू उत्पादन गर्दछ र संक्षेप गर्दछ। संख्याको शुद्धता, कारकको पुष्टि, मानकको नियन्त्रण, दावीको प्रमाण र अन्तिम जिम्मेवारी सधैं सक्षम विशेषज्ञसँग रहन्छ। यो एकाईले यो सिद्धान्तलाई दैनिक कार्यप्रवाह र चेकलिस्टमा परिणत गर्दछ।
अन्त-देखि-अन्त ESG कार्यप्रवाह
आठ चरणहरूमा स्थिरता रिपोर्टिङ चक्रलाई विचार गर्नुहोस्:
- दायरा र भौतिकता - कुन विषयहरू सामग्री हुन्? (इकाइ २)
- डाटा सङ्कलन - स्रोतहरू, एकाइहरू, लेखापरीक्षण ट्रेल। (एकाइ ३)
- गणना — प्रमाणित कारकहरूसँग कार्बन र अन्य मेट्रिक्स। (एकाइ ४)
- फ्रेमवर्क मिल्दो — GRI/ESRS/ISSB पदार्थ, आधिकारिक पाठ द्वारा पुष्टि। (एकाइ ५)
- आपूर्ति श्रृंखला - दायरा 3 र उचित परिश्रम। (इकाइ ६)
- लेखन र संचार - सन्तुलित, प्रमाण रिपोर्ट र सरोकारवाला सन्देश। (एकाइ ७-८)
- आश्वासन तयारी - प्रमाण र लेखापरीक्षण तयारी को श्रृंखला। (एकाइ ९)
- दावी अडिटिङ - ग्रीनवाशिङ स्क्रिनिङ र रिलीज अनुमोदन। (एकाइ १०)
प्रत्येक चरणमा, एआई एक एक्सेलेटर हो; तर प्रत्येक चरणको बाहिर निस्कँदा, त्यहाँ गुणस्तरीय गेट छ - अर्को चरणमा जानु अघि एक चेकपोइन्ट पार गर्नुपर्छ। ढोकाबाट नपुगेको आउटपुट प्रगति गर्दैन।
कदम
AI ले के गर्छ?
गुणस्तर गेट
भौतिकता
विषय उम्मेदवार, विषय विश्लेषण
प्रभाव + वित्त पक्ष मानव अनुमोदन
डाटा
कन्फिगरेसन, एकाइ रूपान्तरण
स्रोत र भोल्युम प्रमाणिकरण
खाता
सूत्र, कोड मचान
कारक आधिकारिक स्रोतबाट पुष्टि भएको छ
मिल्दो
लेख सुझाव
यसको मानक पाठ संग छवि जाँच गर्नुहोस्
हिज्जे
मस्यौदा, सारांश
प्रमाण बिना दावीहरू क्रमबद्ध गर्दै
दावी
हरियो धुने स्क्यान
मानव-प्रमाणित प्रकाशन
सुझाव: "AI उत्पादन गर्दछ → मानव प्रमाणीकरण → ढोकाबाट हिँड्छ" को लयमा कार्यप्रवाह सेटअप गर्नुहोस्। प्रत्येक AI आउटपुटलाई अर्को चरणमा सार्न अघि, सोध्नुहोस्: "यस आउटपुटको कुन भाग प्रमाणीकरण बिना अगाडि बढ्न सक्दैन?" त्यो भाग त्यो चरणको गुणस्तर द्वार हो।
डाटा प्रशासन र गोपनीयता
ESG डेटा प्रायः संवेदनशील हुन्छ: कर्मचारी लिङ्ग र तलब डेटा, आपूर्तिकर्ता अनुबंध सर्तहरू, वित्तीय प्रभावहरू अझै खुलासा गरिएको छैन, सुविधा-स्तर उत्पादन डेटा। सार्वजनिक एआई उपकरणमा दिनु अघि यी वर्गीकरण गर्न आवश्यक छ। डाटा गभर्नेन्स भनेको "कसले कुन डाटा, कसरी र कुन उपकरणसँग प्रयोग गर्न सक्छ?" प्रश्न नियमसँग जोडिएको छ।
एक सरल वर्गीकरण:
- नि: शुल्क: डाटा पहिले नै सार्वजनिक रूपमा उपलब्ध (प्रकाशित रिपोर्ट)। यो AI लाई दिन सकिन्छ।
- आन्तरिक प्रयोग: कुनै व्यावसायिक मूल्यको आन्तरिक डेटा। कर्पोरेट वाहनमा सावधानीपूर्वक।
- गोप्य: व्यापार गोप्य, अज्ञात वित्तीय प्रभाव, व्यक्तिगत डेटा (KVKK/GDPR)। यो एनोनिमाइजेसन वा संस्थागत (नन-लिकिंग) माध्यम बिना AI लाई दिइएको छैन।
तपाईंको भूमिका: डाटा प्रशासन सल्लाहकार। कार्य: निम्न डेटा वस्तुहरूलाई "नि:शुल्क / आन्तरिक प्रयोग / गोप्य" को रूपमा वर्गीकृत गर्नुहोस् र प्रत्येक गोप्य वस्तुको लागि सिफारिस गरिएको कार्य लेख्नुहोस् (अनामकरण / समग्र / उद्यम उपकरण / कुनै पनि नदिनुहोस्)। नियम: यदि निश्चित छैन भने, थप सुरक्षात्मक कक्षामा राख्नुहोस्। वस्तुहरू: [व्यक्तिगत र वित्तीय डेटा वस्तुहरू]
कमजोर प्रम्प्ट / बलियो प्रम्प्ट
तपाईंले उपकरणमा कार्य प्रत्यायोजन गर्ने तरिकाले गोपनीयता जोखिममा आमूल परिवर्तन गर्छ।
कमजोर प्रम्प्ट:
कर्मचारीको तलब र सुविधा उत्पादन तालिकाको विश्लेषण गर्नुहोस्, ESG सारांशको साथ आउनुहोस्।
कच्चा व्यक्तिगत र व्यापार गोप्य डाटा सीधा खुला उपकरणमा निर्यात गर्दछ; त्यहाँ कुनै वर्गीकरण, गुमनामकरण र पुष्टिकरण चरण छैन।
शक्तिशाली प्रम्प्ट:
तपाईंको भूमिका: डेटा शासनको लागि संवेदनशील ESG विश्लेषक। मैले तपाईलाई जम्मा, व्यक्तिगत/व्यापार गोप्य-मुक्त डाटा मात्र दिएँ। कार्य: निम्न सारांश सूचकहरूको विश्लेषण गर्नुहोस्। नियमहरू: - डाटामा कुनै व्यक्तिगत नाम, तलब, आईडी वा अज्ञात वित्तीय प्रभाव; यदि तपाइँ यस्तो फिल्ड देख्नुहुन्छ भने, "गोपनीय डाटा - प्रक्रिया नगर्नुहोस्, चेतावनी" भन्नुहोस्। - परिणाममा नयाँ नम्बर थप नगर्नुहोस्; मैले दिएको सारांश लिएर जानुहोस्। - आउटपुटको अन्त्यमा "मानव अनुमोदन आवश्यक" नोट थप्नुहोस्। डेटा (एकत्रित): [सारांश संकेतकहरू]
सावधानी: "एआईले भन्यो" एक रक्षा होइन। ESG रिपोर्टमा गलत नम्बर, अप्रमाणित दाबी वा लीक गरिएको गोप्य डेटाको जिम्मेवारी संस्था र यसलाई स्वीकृत गर्ने व्यक्तिसँग हुन्छ। जब तपाइँ एआई प्रयोग गर्नुहुन्छ, तपाइँ जिम्मेवारी हस्तान्तरण गर्नुहुन्न; तपाईले मात्र कामको गति बढाउनुहुनेछ।
अन्त-देखि-अन्त गुणस्तर गेट प्रम्प्ट
निम्न प्रम्प्ट प्रकाशित गर्नु अघि एकल जाँच मार्फत सबै चरणहरू चलाउँछ।
तपाईंको भूमिका: ESG गुणस्तर आश्वासन अधिकारी। कार्य: निम्न रिपोर्ट खण्ड अन्त-देखि-अन्त गुणस्तर गेट मार्फत पास गर्नुहोस्। प्रत्येक वस्तुको लागि "पास/फेल" दिनुहोस् र असफल भएमा कारण लेख्नुहोस्: 1) प्रत्येक संख्याको स्रोत र एकाइ उल्लेख गरिएको छ? 2) उत्सर्जन कारक आधिकारिक स्रोतबाट हो? 3) के मानक वस्तु नम्बरहरू प्रमाणित छन्? 4) के प्रोक्सी/अनुमान चिन्ह लगाइएको छ? 5) त्यहाँ हरियो धुने समावेश कुनै कथन छ? 6) गोप्य/व्यक्तिगत डाटा को कुनै चुहावट छ? 7) अन्तिम स्वीकृतिको लागि जिम्मेवार नाम तोकिएको छ? खण्ड: [अध्याय]
निम्न प्रम्प्टले सम्पूर्ण मोड्युललाई उद्यम नीतिमा रूपान्तरण गर्छ।
तपाईंको भूमिका: स्थिरता टोली नेता। कार्य: ESG कार्यमा टोलीको AI को प्रयोगलाई नियन्त्रण गर्ने 1-पृष्ठको आन्तरिक नीति लेख्नुहोस्। समावेश गर्नुहोस्: - कार्यहरू जहाँ AI लाई स्वतन्त्र रूपमा प्रयोग गर्न सकिन्छ (ड्राफ्ट, सारांश, कोड, विषयवस्तु विश्लेषण)- मानव प्रमाणीकरण आवश्यक पर्ने कार्यहरू (कारक, मानक, दाबी, दायरा) - डेटा प्रकारहरू जुन AI लाई कहिल्यै दिइने छैन (व्यक्तिगत, अज्ञात वित्तीय) - प्रत्येक विमोचन अघि पारित गर्न गुणस्तर गेट चरणहरू टोन: स्पष्ट, बुलेट बिन्दु।
तीन मिनी केसहरू
केस 1 - रिपोर्ट ढोकाबाट फर्कियो। एउटा टोलीले सोचे कि उनीहरूले सबै चरणहरू पूरा गरिसकेका छन् र प्रतिवेदन प्रकाशनको लागि तयार छ। अन्तिम गुणस्तर गेट प्रम्प्टले एक खण्डमा एक असुरक्षित "78% रिकभरी" दावी र "कार्बन न्यूट्रल" कथन कब्जा गर्यो। कुनै पनि सुधार गर्नु अघि प्रकाशन रोकिएको थियो; यो सार्वजनिक हुनु अघि ढोकाले बग राख्यो।
केस २ - गोप्य डाटा चुहावट रोकियो। एक विश्लेषकले विश्लेषणको लागि सार्वजनिक रूपमा उपलब्ध उपकरणमा अझै जारी हुन बाँकी त्रैमासिक वित्तीय प्रभाव डेटा टाँस्नेछ। डेटा वर्गीकरण प्रम्प्टले यसलाई "गोपनीय-अघोषित वित्तीय" को रूपमा फ्ल्याग गर्यो। डाटा पहिले एकत्रित गरियो र त्यसपछि उद्यम उपकरणमा प्रशोधन गरियो; कानुनको सम्भावित उल्लङ्घनलाई रोकियो।
मामला 3 - जिम्मेवारी लिँदै। एक रिपोर्ट प्रकाशित भएपछि, एक सरोकारवालाले संख्यामा प्रश्न गरे। टोलीले "एआई गणना गरिएको" भनेन; अडिट ट्रेल खोल्यो, स्रोत उद्धृत गर्यो, सानो सुधार गर्यो, र पारदर्शी रूपमा व्याख्या गर्यो। यो मनोवृत्ति, जसले "एआईले भन्यो" रक्षामा भर परेन, विश्वास सुरक्षित गर्यो।
सामान्य गल्तीहरू
- गुणस्तरको ढोका बिना अगाडि बढ्दै। यदि प्रमाणीकरण प्रत्येक चरणको बाहिर निस्किएन भने, त्रुटिहरू अन्त्य सम्म जम्मा हुनेछन्।
- सवारीसाधनलाई वर्गीकरण नगरी डाटा दिने । गोप्य र व्यक्तिगत डाटा सार्वजनिक AI मा अज्ञात बिना प्रविष्ट गर्न सकिँदैन।
- AI लाई जिम्मेवारी हस्तान्तरण गर्दै। "AI भन्यो" कानूनी वा व्यावसायिक प्रतिरक्षा होइन।
- सोच्दै पाइलाहरू पृथक। भौतिकता, डाटा, गणना र दावी एक अर्कासँग सम्बन्धित छन्; यदि एक क्षति भयो भने, सबै प्रभावित छन्।
- प्रकाशन स्वीकृतिको लागि जिम्मेवार व्यक्तिलाई तोक्ने छैन। हरेक सार्वजनिक दावीको पछाडि एक मानव हुनुपर्छ।
संक्षेपमा
ESG व्यवसाय आठ अन्तरसम्बन्धित चरणहरूको एक श्रृंखला हो, र AI प्रत्येक चरणमा एक गतिवर्धक हो; तर हरेक पाइलामा गुणस्तरको ढोका छ। "एआई उत्पादन गर्दछ → मानव प्रमाणीकरण गर्दछ → ढोकाबाट पास हुन्छ" को लयले यस मोड्युलका सबै पाठहरूलाई एकल अध्ययन अनुशासनमा जोड्दछ। डेटा वर्गीकृत गर्नुहोस् र गोपनीयताको रक्षा गर्नुहोस्, आधिकारिक स्रोतबाट कारक र मानक पुष्टि गर्नुहोस्, प्रमाणहरूमा दावी लिङ्क गर्नुहोस्, प्रकाशन अघि हरियो धुनेलाई बाहिर निकाल्नुहोस्, र मानवलाई अन्तिम जिम्मेवारी दिनुहोस्। एआईले कामको गति बढाउँछ; तपाईं शुद्धता, इमानदारी र जिम्मेवारी मान्नुहोस्। यो पेशाको मापदण्ड "प्रवाह देखिने" होइन, तर "लेखापरीक्षणमा उत्तीर्ण हुनु र प्रमाणित हुनु" हो।
आवेदन कार्य
तपाईंले अघिल्लो एकाइहरूमा उत्पादन गर्नुभएको डेलिभरेबलहरू (एक भौतिकता सूची, एक कार्बन खाता, एक रिपोर्ट खण्ड) एकल मिनी-रिपोर्टमा मिलाउनुहोस्। AI बाट माथिको अन्त-देखि-अन्त गुणस्तर गेट प्रम्प्टको साथ 7 वस्तुहरूमा यो मिनी रिपोर्ट मार्फत जानुहोस्। त्यसपछि: (१) "रिलीज" चिन्ह लगाइएको प्रत्येक वस्तुलाई सच्याउनुहोस्, (२) सबै गोप्य/व्यक्तिगत डेटामा वर्गीकरण गर्नुहोस् र कारबाही गर्नुहोस्, (३) प्रकाशनको लागि जिम्मेवार नाम र स्वीकृति नोट थप्नुहोस्।
चेकलिस्ट
- [ ] मैले कार्यप्रवाहलाई "AI उत्पादन गर्दछ → मानव प्रमाणीकरण गर्दछ → ढोकाबाट जान्छ" को तालमा सेटअप गर्छु।
- [ ] मैले प्रत्येक चरणको निकासमा गुणस्तर गेट लागू गरें।
- [ ] मैले सबै डाटालाई नि:शुल्क/आन्तरिक/गोपनीय रूपमा वर्गीकृत गरेको छु र गोपनीयता सुरक्षित गरेको छु।
- [] मैले आधिकारिक स्रोतबाट कारक र मानक वस्तुहरू पुष्टि गरेको छु।
- [ ] मैले प्रत्येक दावीलाई प्रमाण सहित समर्थन गरें, प्रकाशन अघि हरित धुनेलाई हटाउँदै।
- [ ] मैले "AI said" प्रतिरक्षामा भर नपरिकन जिम्मेवारी लिएँ।
- [ ] मैले प्रकाशनको लागि जिम्मेवार नाम र स्वीकृति रेकर्ड सेट गरेको छु।
मोड्युल परीक्षा
1. ESG र स्थायित्व व्यवसायमा AI को लागि निम्न मध्ये कुन उत्तम स्थिति हो?
- क) आर्टिफिसियल इन्टेलिजेन्स कोड, डाटा र ब्लुप्रिन्टको सहायक हो; कारकहरू, मापदण्डहरू, प्रमाणहरू र नैतिक निर्णयहरूको जिम्मेवारी मानिसहरूमा निहित छ ✔
- B) आर्टिफिसियल इन्टेलिजेन्स एक लेखा परीक्षक हो र यसले प्रदान गर्ने ESG मानहरू स्वतन्त्र आश्वासनको विकल्प हो
- C) आर्टिफिसियल इन्टेलिजेन्सले रिपोर्ट लेखनमा मात्र काम गर्छ, यसको डेटा र गणनासँग कुनै सरोकार छैन।
- D) एआई मानव भन्दा बढी निष्पक्ष भएकोले, सबै ESG निर्णयहरू यसमा छोडिनुपर्छ
विवरण: कृत्रिम बुद्धि; यो एक सहायक हो जसले कोड लेख्छ, डेटा व्यवस्थित गर्दछ, मस्यौदाहरू उत्पादन गर्दछ र संक्षेप गर्दछ। यद्यपि, उत्सर्जन कारक पुष्टि गर्ने, मानक पदार्थ नम्बर जाँच गर्ने, प्रत्येक दाबी प्रमाणित गर्ने अन्तिम जिम्मेवारी सक्षम विशेषज्ञको हुन्छ। ठूलो भाषा मोडेल क्यालकुलेटर, नियामक/मानक डाटाबेस, वा परीक्षक होइन; पाठ जनरेटर हो जसले 'अर्को सबैभन्दा सम्भावित शब्द' उत्पादन गर्छ र यसको अप्रमाणित आउटपुटले गलत रिपोर्ट वा दावी निम्त्याउन सक्छ।
2. दोहोरो भौतिकता विश्लेषणमा मुद्दाको 'प्रभाव भौतिकता' पक्षको अर्थ के हो?
- क) निष्कासनले कम्पनीको नाफा र शेयर मूल्यमा पार्ने प्रभाव
- ख) लगानीकर्ताहरूको लागि मात्र मुद्दाको वित्तीय जोखिम
- ग) एउटै विषयमा प्रतिद्वन्द्वी कम्पनीहरूको प्रदर्शन
- घ) वातावरण र समाज मा कम्पनी को गतिविधि को प्रभाव ✔
वर्णन: दोहोरो भौतिकता दुई लेन्स मार्फत देखिन्छ। वित्तीय भौतिकता भनेको कम्पनीको नगद प्रवाह र मूल्य ('बाहिर-इन') मा मुद्दाको प्रभाव हो। प्रभाव भौतिकता भनेको कम्पनीको गतिविधिले वातावरण र समाजमा पार्ने प्रभाव हो ('भित्र बाहिर')। CSRD/ESRS ले दुवै पक्षलाई लागू गर्दछ; आर्टिफिसियल इन्टेलिजेन्स प्रायः आर्थिक दिशामा मात्र सर्ने भएकोले, प्रभावको दिशा पनि मानवद्वारा नियन्त्रित हुनुपर्छ।
3. विभिन्न सुविधाहरूबाट kWh, MWh र GJ मा ऊर्जा डेटा सङ्कलन गर्दा सही दृष्टिकोण के हो?
- A) एकाइहरूलाई बेवास्ता गर्नुहोस् र सबै संख्याहरू सिधै थप्नुहोस्
- ख) तपाईको टाउकोमा लामो सूची संकलन गर्न कृत्रिम बुद्धिमत्तामा भर पर्दै
- ग) सबै मानहरूलाई एउटै एकाइमा रूपान्तरण गर्दै कोड/सूत्रको साथ रूपान्तरण र योगफल बनाउने ✔
- घ) सबैभन्दा ठूलो एकाइ चयन गर्ने र अन्य सुविधाहरू रिपोर्ट नगर्ने
स्पष्टीकरण: एकाइ मंथन ESG को सबैभन्दा बारम्बार र खतरनाक गल्ती हो; 1 MWh = 1,000 kWh बाट, यदि एकाइ छोडियो भने, परिणाम 1,000 को कारक द्वारा विचलित हुन सक्छ। सही दृष्टिकोण भनेको सबै मानहरूलाई एकल एकाइमा रूपान्तरण गर्नु हो र कृत्रिम बुद्धिमत्ताले यो रूपान्तरण गर्न र एक्जिक्युटेबल कोड/सूत्रको साथ योग गर्नु हो, म्यानुअल रूपमा होइन; यसरी नतिजा निर्धारणात्मक र प्रमाणित हुन्छ।
4. GHG प्रोटोकल अनुसार खरिद गरिएको बिजुलीको उत्पादनबाट हुने उत्सर्जनलाई कुन दायरामा समावेश गरिएको छ?
- क) स्कोप १
- ख) स्कोप २ ✔
- C) स्कोप 3
- D) यो कुनै पनि दायरामा समावेश गरिएको छैन र रिपोर्ट गरिएको छैन
विवरण: स्कोप १ भनेको संस्थाको आफ्नै स्रोतहरू (बोयलर, कम्पनीको गाडी, जेनेरेटर) बाट हुने प्रत्यक्ष उत्सर्जन हो। स्कोप 2 खरिद गरिएको ऊर्जा (बिजुली, स्टीम, तताउने, शीतलन) को उत्पादनबाट अप्रत्यक्ष उत्सर्जन हो। स्कोप 3 ले मूल्य श्रृंखला (आपूर्ति, यात्रा, उत्पादन प्रयोग, फोहोर) मा अन्य सबै अप्रत्यक्ष उत्सर्जनहरू समावेश गर्दछ। कम्पनीको चिम्नीबाट बिजुली बाहिर आउँदैन, तर यसलाई उत्पादन गर्ने पावर प्लान्टले उत्सर्जन गर्छ; त्यसैले यो स्कोप 2 हो।
5. मिथेन (CH₄) जस्ता हरितगृह ग्यासलाई CO₂e मा रूपान्तरण गर्दा कुन अवधारणा प्रयोग गरिन्छ र यो किन महत्त्वपूर्ण छ?
- A) GWP (ग्लोबल वार्मिंग क्षमता); यदि हटाइयो भने, मिथेन/N₂O प्रभावलाई धेरै कम आँकलन गरिनेछ ✔
- ख) AQI (वायु गुणस्तर सूचकांक); हावामा ग्यासको रंग निर्धारण गर्दछ
- ग) GRI (रिपोर्टिङ इनिशिएटिव); ग्यास रिपोर्ट गरिने पदार्थ निर्धारण गर्दछ
- D) कुनै गुणांक आवश्यक छैन; मिथेन 1 देखि 1 सीधा CO₂ जस्तै गणना गर्दछ
विवरण: GWP (ग्लोबल वार्मिङ पोटेन्शियल) एक गुणांक हो जसले विभिन्न हरितगृह ग्यासहरूको ताप प्रभावलाई CO₂ सापेक्ष साझा एकाइमा रूपान्तरण गर्दछ। मिथेन को 100-वर्ष GWP लगभग 28 छ; त्यसैले 1 टन मिथेन भनेको लगभग 28 टन CO₂e हो। यदि GWP लाई हटाइयो भने, मिथेन र N₂O जस्ता बलियो ग्यासहरूको प्रभावलाई धेरै कम आँकलन गरिनेछ र सूची पूर्ण रूपमा गलत हुनेछ; कुन GWP सेट (जस्तै IPCC AR6, 100 वर्ष) प्रयोग गरिन्छ भनेर पनि बताउनुपर्छ।
6. हरितगृह ग्यास सूचीमा 'गतिविधि डेटा × उत्सर्जन कारक' गणना गर्न कुन दृष्टिकोण सही छ?
- क) आर्टिफिसियल इन्टेलिजेन्सले सम्झने कारकको प्रयोग गरेर र यसलाई म्यानुअल रूपमा कुल गर्न लगाउने
- B) CO₂ र स्किपिङ कारक र GWP रूपान्तरणको रूपमा सबै ग्यासहरू गणना गर्दै
- C) प्रत्येक देश, वर्ष र इन्धनको लागि ठ्याक्कै पूर्वनिर्धारित कारक प्रयोग गर्दै
- घ) देश र वर्ष अनुसार आधिकारिक स्रोतबाट कारक पुष्टि गर्दै र कोडको साथ गणना मचान र कुल बनाउन ✔
विवरण: उत्सर्जन कारकहरू देश, वर्ष र इन्धन अनुसार भिन्न हुन्छन्; AI लाई 'रिमाइन्डिङ' ले चीजहरू (ह्यालुसिनेशन) बनाउने जोखिम सिर्जना गर्दछ। कारक सधैं आधिकारिक तालिका (IPCC, DEFRA/EPA, IEA, राष्ट्रिय सूची) बाट पुष्टि हुनुपर्छ; केवल स्कोप पृथकीकरण, लेखा मचान र कुल कोड कृत्रिम बुद्धिमत्ता द्वारा गरिनु पर्छ। बहु-पङ्क्ति कुलहरू कार्यान्वयन योग्य कोडद्वारा गरिन्छ, म्यानुअल रूपमा होइन।
7. AI द्वारा सुझाव गरिएको GRI/ESRS मानक पदार्थ नम्बर (जस्तै 'पानी खपतको लागि GRI 305') को लागि सही व्यवहार के हो?
- क) सिधै रिपोर्टमा नम्बर लेख्ने किनभने कृत्रिम बुद्धिमत्ताले यो सुझाव दिन्छ
- ख) वस्तु नम्बरहरू महत्त्वपूर्ण छैनन्; कुनै पनि लेख्न सकिन्छ
- ग) नम्बर र यसको सामग्री आधिकारिक मानक पाठको साथ प्रमाणित गर्दै, यो नक्कली / पुरानो छ भने पुष्टि गर्दै ✔
- घ) पानी र हावा उत्सर्जन समान छन्, एउटै लेख मा रिपोर्ट
विवरण: आर्टिफिसियल इन्टेलिजेन्सले मानक संख्याहरू उत्पन्न गर्न सक्छ जुन वास्तविक देखिन्छ तर जसको सामग्री गलत वा पूर्ण रूपमा मनगढन्ते छ; साथै, मानकहरू अद्यावधिक गरिएका छन् र मोडेललाई थाहा भएको संस्करण पुरानो हुन सक्छ। उदाहरणका लागि, पानी GRI 303 अन्तर्गत रिपोर्ट गरिएको छ, जबकि GRI 305 हावा उत्सर्जन हो। तसर्थ, प्रत्येक पदार्थ नम्बर र सामग्री आधिकारिक मानक पाठ (GRI/EFRAG/ISSB) सँग प्रमाणित नगरी प्रयोग गर्न सकिँदैन।
8. यदि आपूर्ति श्रृंखलाका अधिकांश आपूर्तिकर्ताहरूसँग वास्तविक कार्बन डाटा छैन भने, स्कोप 3 को लागि सही र इमानदार दृष्टिकोण के हो?
- A) सिधै आपूर्तिकर्ताहरूको लागि कृत्रिम बुद्धिमत्ता द्वारा बनाइएको संख्याहरू प्रयोग गर्दै
- B) स्किप 3 लाई पूर्ण रूपमा स्किप गर्दै किनभने यो 'मापन गर्न गाह्रो' छ
- C) वास्तविक डाटा भएकाहरू प्रयोग गर्दै, ✔ बिनाको लागि प्रोक्सीलाई स्पष्ट रूपमा चिन्ह लगाउँदै
- घ) सबै आपूर्तिकर्ताहरूलाई प्रोक्सी लागू गर्ने र रिपोर्टमा लुकाउने
विवरण: स्कोप 3 धेरै कम्पनीहरूको सबैभन्दा ठूलो तर वस्तु मापन गर्न सबैभन्दा गाह्रो छ। वास्तविक डाटा प्रदान गर्ने आपूर्तिकर्ताहरूको लागि, त्यो डाटा प्रयोग गरिन्छ; प्रदान नगर्नेहरूका लागि, खर्चमा आधारित प्रोक्सी (अनुमान) प्रयोग गर्न सकिन्छ। महत्वपूर्ण कुरा प्रोक्सी लुकाउनु होइन: प्रतिवेदनमा प्रयोग गरिएको अनुमानको अंश र अनुपात स्पष्ट रूपमा उल्लेख गर्नुपर्छ। अस्पष्ट प्रोक्सीले स्वतन्त्र आश्वासनलाई अस्वीकार गर्न सक्छ; 'मापन गर्न गाह्रो छ' भन्ने आधारमा स्कोप ३ लाई पूर्ण रूपमा छोड्नु पनि गलत हो।
9. AI ले देशको औसतमा आधारित 'सम्भावित जबरजस्ती श्रम' को रूपमा आपूर्तिकर्तालाई झण्डा लगायो। सही व्यवहार के हो?
- A) संकेतलाई प्रमाणको रूपमा स्वीकार गर्नुहोस् र तुरुन्तै सार्वजनिक रूपमा आपूर्तिकर्तासँगको सम्बन्ध तोड्नुहोस्
- ख) सिधै प्रतिवेदनमा दावी लेख्ने किनभने आर्टिफिसियल इन्टेलिजेन्सले भनेको छ
- ग) जोखिम संकेतहरूलाई पूर्ण रूपमा बेवास्ता गर्ने र तिनीहरूलाई जाँच नगर्ने
- घ) सङ्केतलाई 'अनुसन्धान गर्नुपर्ने चेतावनी'का रूपमा लिने र फिल्ड निरीक्षण र भरपर्दो स्रोतबाट पुष्टि गर्ने ✔
स्पष्टीकरण: मानवअधिकार उल्लङ्घन जस्ता गम्भीर आरोपहरूलाई कृत्रिम बुद्धिमत्ताद्वारा उत्पादित संकेतद्वारा प्रमाणित गर्न सकिँदैन। यस्तो संकेत 'जाँच गर्नुपर्ने चेतावनी' मात्र हो; यसलाई निश्चित आरोपको रूपमा प्रयोग गर्नु अनुचित र कानुनी रूपमा जोखिमपूर्ण छ। त्यस्ता दाबीहरू भरपर्दो स्रोत, क्षेत्र निरीक्षण र कानुनी प्रक्रियाबाट मात्र पुष्टि हुन्छन्। कृत्रिम बुद्धिले संकेतहरू उत्पन्न गर्दछ; मानिसले न्याय र जिम्मेवारी लिन्छ।
10. AI सँग सरोकारवाला सर्वेक्षणबाट सयौं फ्री-टेक्स्ट प्रतिक्रियाहरूको विश्लेषण गर्दा सबैभन्दा महत्त्वपूर्ण सावधानी के हो?
- क) दुर्लभ तर उच्च महत्वका (सुरक्षा/नैतिक/वातावरणीय) संकेतहरू छुट्टाछुट्टै चाहिन्छ र तिनीहरूलाई छाया नगर्ने ✔
- B) अल्पसंख्यक दृश्यहरू हटाउँदै, उच्चतम आवृत्ति विषयवस्तुहरू मात्र छनोट गर्दै
- ग) एकल सकारात्मक सारांशमा सबै जवाफहरू घटाउनुहोस् र विवरणहरू छोड्नुहोस्
- घ) कच्चा उत्तरहरूको सट्टा कृत्रिम बुद्धिमत्ताको सारांश स्वीकार गर्दै
विवरण: आर्टिफिसियल इन्टेलिजेन्सले बहुसंख्यकको आवाजलाई बढाउँछ र विषयगत विश्लेषणमा अल्पसंख्यकको आवाजलाई दबाउन सक्छ। यद्यपि, दिगोपनमा सबैभन्दा मूल्यवान संकेत कहिलेकाहीँ एकल व्यक्तिले आवाज उठाएको गम्भीर सुरक्षा, नैतिक वा वातावरणीय समस्या हो। त्यसोभए विश्लेषणले सोध्छ 'के प्रायः भनिएको थियो?' यो संग समाप्त हुँदैन; 'दुर्लभ तर उच्च महत्त्व' संकेतहरू अलग-अलग अनुरोध गरिनु पर्छ र कच्चा प्रतिक्रियाहरू, सारांशको सट्टामा प्रयोग गरिनु पर्छ।
11. कृत्रिम बुद्धिमत्तामा रिपोर्ट खण्ड लेख्दा नक्कली नम्बरहरू र लक्ष्यहरूलाई पाठमा लीक हुनबाट रोक्नको लागि सबैभन्दा प्रभावकारी तरिका के हो?
- क) 'एक उपयुक्त पाठ लेख्नुहोस्' भनी एकैचोटि सम्पूर्ण प्रतिवेदन पेश गर्ने
- ख) प्रमाणित डाटा मात्र उपलब्ध गराउने र नयाँ नम्बर/दावीहरू उत्पन्न गर्न स्पष्ट रूपमा निषेध गर्ने ✔
- ग) पाठ कत्तिको धाराप्रवाह र प्रभावशाली छ जाँच्नुहोस् र प्रकाशित गर्नुहोस्
- D) AI लाई उचित अनुमानको साथ हराएको डाटा भर्न अनुमति दिँदै
विवरण: आर्टिफिसियल इन्टेलिजेन्सले खाली प्रम्प्टमा 'यस्तै समान रिपोर्टहरूले भनेको छ' भन्ने तर्क प्रयोग गरेर तपाईसँग वास्तवमा नभएका संख्याहरू र लक्ष्यहरू उत्पन्न गर्दछ। सबैभन्दा प्रभावकारी सावधानी भनेको यसलाई प्रमाणित डाटा मात्र दिनु हो र 'मैले तपाईंलाई दिएको डाटा बाहेक कुनै संख्या, प्रतिशत, मिति, वा दावीहरू थप्नु हुँदैन; यो स्पष्ट रूपमा 'हराएको ठाउँमा [डेटा आवश्यक] लेख्नुहोस्' को नियम भनिन्छ। थप रूपमा, प्रतिवेदनलाई खण्ड अनुसार खण्ड प्रिन्ट गरिनुपर्दछ, डाटा सहित।
12. स्थिरता प्रतिवेदन समीक्षा गर्दा एक स्वतन्त्र आश्वासन लेखा परीक्षकले पहिले के खोज्छ?
- क) प्रतिवेदन कत्तिको धाराप्रवाह र व्यावसायिक रूपमा लेखिएको छ
- B) प्रत्येक मुद्दामा स्रोत कागजातमा पत्ता लगाउन सकिने प्रमाणहरूको श्रृंखला हुन्छ ✔
- C) आर्टिफिसियल इन्टेलिजेन्सले भन्छ 'रिपोर्ट लेखापरीक्षणको लागि तयार छ'
- D) प्रतिवेदन प्रतियोगीहरू भन्दा बढी दृढ देखिन्छ
स्पष्टीकरण: परीक्षकले पाठको प्रवाहमा रुचि राख्दैन, तर प्रत्येक दाबीको पछाडि प्रमाणको श्रृंखलामा; उनको पहिलो प्रश्न 'यो नम्बर प्रमाणित गर्नुहोस्' हो। कुन स्रोत कागजात नम्बरबाट आएको हो, कुन सूत्र र कारक यो रिपोर्टमा परिणत हुन्छ, र यसलाई स्वतन्त्र रूपमा दोहोर्याउन सकिन्छ कि भनेर जाँच गरिन्छ। तसर्थ, प्रत्येक सामग्री मेट्रिक यसको स्रोतमा पत्ता लगाउन योग्य हुनुपर्दछ, कारकहरू आधिकारिक स्रोतबाट प्रमाणित गरिनु पर्छ, र प्रोक्सीहरू निर्दिष्ट गरिनु पर्छ; कृत्रिम बुद्धिले यो तयारी गर्छ, तर आश्वासन दिन सक्दैन।
13. निम्न मध्ये कुन वातावरणीय दावीमा हरित धुनेको सबैभन्दा कम जोखिम छ?
- A) 'हामीले 2023 सम्ममा हाम्रो उत्पादन उत्सर्जनलाई 18% घटायौं (तेस्रो-पक्ष प्रमाणीकरणको साथ)' ✔
- ख) 'हाम्रा उत्पादनहरू पूर्णतया वातावरणमैत्री र प्राकृतिक छन्'
- C) 'हाम्रो कम्पनी कार्बन न्यूट्रल छ' (कुनै कागजात वा डाटा प्रदान नगरी)
- D) 'हामी उद्योगमा सबैभन्दा दिगो र लगभग शून्य प्रभावकारी कम्पनी हौं'
स्पष्टीकरण: राम्रो वातावरणीय दावी मापनयोग्य हुन्छ (संख्या समावेश गर्दछ), प्रमाणित हुन्छ (प्रमाणमा आधारित), र दायरामा स्पष्ट हुन्छ (के र कहिलेसँग तुलना गरिँदैछ भन्ने स्पष्ट छ)। 'हामीले 2023 सम्म (तेस्रो-पक्ष प्रमाणिकरणको साथ) उत्पादन उत्सर्जनलाई 18% ले घटाएका छौं' यी तीन सुविधाहरू छन्। 'पर्यावरण-मैत्री', 'प्राकृतिक', अप्रमाणित 'कार्बन न्यूट्रल' जस्ता वाक्यांशहरू अप्रमाणित वा अप्रमाणित छन् र हरियो धुने जोखिम बोक्छन्।
14. विश्लेषणको लागि सार्वजनिक रूपमा उपलब्ध AI उपकरणमा अज्ञात सुविधा उत्पादन र उत्सर्जन डेटा टाँस्नु अघि के गर्नुपर्छ?
- ए) डाटा टाँस्दै जस्तै छ; पर्यावरण डेटा सधैं सार्वजनिक रूपमा उपलब्ध छ
- ख) जिम्मेवारी कृत्रिम बुद्धिमत्ता प्रदायकमा जाने हुँदा सावधानी नलिई दिने
- ग) जोखिम केवल गलत गणना हो; एक गोपनीयता उपाय अनावश्यक छ
- D) डाटालाई नि:शुल्क/आन्तरिक/गोपनीयको रूपमा वर्गीकरण गर्ने र गोप्य डाटा गुमाउने वा कर्पोरेट उपकरणहरू प्रयोग गर्ने ✔
खुलासा: बिरुवा-स्तर उत्पादन र उत्सर्जन डेटा व्यापार रहस्य हुन सक्छ; अहिलेसम्म खुलासा नगरिएको वित्तीय/वातावरणीय डेटाले नियामक खुलासा नियमहरू उल्लङ्घन गर्न सक्छ; कर्मचारी स्थान/तलब डेटा KVKK/GDPR को दायरा भित्रको व्यक्तिगत डेटा हो। खुला उपकरणमा यस प्रकारको डाटा दिनु अघि, यसलाई नि:शुल्क/आन्तरिक/गोपनीय रूपमा वर्गीकृत गर्न आवश्यक छ, आवश्यक भएमा यसलाई गुमनाम गर्नुहोस्, वा कर्पोरेट (डेटा-मुक्त) उपकरण प्रयोग गर्नुहोस्। 'एआई भन्यो' रक्षा होइन; जिम्मेवारी संस्था र यसलाई स्वीकृत गर्ने व्यक्तिको हो।