ਐਂਡ-ਟੂ-ਐਂਡ ESG ਵਰਕਫਲੋ, ਡਾਟਾ ਗਵਰਨੈਂਸ, ਐਥਿਕਸ ਅਤੇ ਕੁਆਲਿਟੀ ਗੇਟਵੇ — ਸਥਿਰਤਾ ਅਤੇ ESG ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ

ਲਾਭ:

'ਨਕਲੀ ਬੁੱਧੀ ਪੈਦਾ ਕਰਦੀ ਹੈ → ਮਨੁੱਖੀ ਤਸਦੀਕ → ਗੇਟ ਤੋਂ ਲੰਘਦੀ ਹੈ' ਦੀ ਤਾਲ ਦੇ ਨਾਲ ਗੁਣਵੱਤਾ ਵਾਲੇ ਗੇਟਾਂ ਦੇ ਨਾਲ ਪਦਾਰਥਕਤਾ ਤੋਂ ਪ੍ਰਕਾਸ਼ਨ ਤੱਕ ਅੱਠ-ਪੜਾਅ ਵਾਲੇ ESG ਵਰਕਫਲੋ ਨੂੰ ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
ESG ਡੇਟਾ ਨੂੰ ਮੁਫਤ/ਅੰਦਰੂਨੀ/ਗੁਪਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਕੇ ਨਿੱਜੀ ਅਤੇ ਅਣਦੱਸੇ ਵਿੱਤੀ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
'ਏਆਈ ਨੇ ਕਿਹਾ' ਬਚਾਅ 'ਤੇ ਭਰੋਸਾ ਕੀਤੇ ਬਿਨਾਂ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਣ ਅਤੇ ਹਰੇਕ ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਾਮ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਰਿਕਾਰਡ ਜੋੜਨ ਦੀ ਸਮਰੱਥਾ

ਪਿਛਲੀਆਂ ਦਸ ਇਕਾਈਆਂ ਵਿੱਚ ਅਸੀਂ ESG ਅਤੇ ਸਥਿਰਤਾ ਕਾਰੋਬਾਰ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਕਵਰ ਕੀਤਾ ਹੈ: ਪ੍ਰਵੇਸ਼ ਅਤੇ ਸੀਮਾਵਾਂ, ਪਦਾਰਥਕਤਾ, ਡੇਟਾ ਸੰਗ੍ਰਹਿ, ਕਾਰਬਨ ਲੇਖਾਕਾਰੀ, ਰਿਪੋਰਟਿੰਗ ਫਰੇਮਵਰਕ, ਸਪਲਾਈ ਚੇਨ, ਸਟੇਕਹੋਲਡਰ ਸੰਚਾਰ, ਰਿਪੋਰਟ ਲਿਖਣਾ, ਭਰੋਸਾ ਅਤੇ ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ। ਇਸ ਅੰਤਮ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਟੁਕੜਿਆਂ ਨੂੰ ਇਕੱਠੇ ਰੱਖਾਂਗੇ ਅਤੇ ਇੱਕ ਅੰਤ ਤੋਂ ਅੰਤ ਤੱਕ ਵਰਕਫਲੋ ਸਥਾਪਤ ਕਰਾਂਗੇ: ਇੱਕ ਸਥਿਰਤਾ ਮਿਸ਼ਨ ਦੀ ਪਰਿਭਾਸ਼ਾ ਤੋਂ ਲੈ ਕੇ ਇਸਦੇ ਪ੍ਰਕਾਸ਼ਨ ਤੱਕ ਹਰ ਪੜਾਅ 'ਤੇ ਨਕਲੀ ਬੁੱਧੀ (AI) ਦੀ ਵਰਤੋਂ ਕਿੱਥੇ, ਕਿਵੇਂ ਅਤੇ ਕਿਸ ਸੁਰੱਖਿਆ ਗੇਟ ਨਾਲ ਕਰਨੀ ਹੈ। ਅਸੀਂ ਡੇਟਾ ਗਵਰਨੈਂਸ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਵੀ ਇੱਕ ਫਰੇਮਵਰਕ ਵਿੱਚ ਲਿਆਵਾਂਗੇ।

ਆਉ ਇੱਕ ਵਾਰ ਫਿਰ ਮੋਡੀਊਲ ਦੀ ਸਥਿਰ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਨੂੰ ਦੁਹਰਾਈਏ: AI; ਇਹ ਇੱਕ ਸਹਾਇਕ ਹੈ ਜੋ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ। ਸੰਖਿਆ ਦੀ ਸ਼ੁੱਧਤਾ, ਕਾਰਕ ਦੀ ਪੁਸ਼ਟੀ, ਮਿਆਰ ਦਾ ਨਿਯੰਤਰਣ, ਦਾਅਵੇ ਦਾ ਸਬੂਤ ਅਤੇ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹਮੇਸ਼ਾ ਸਮਰੱਥ ਮਾਹਰ ਦੇ ਕੋਲ ਰਹਿੰਦੀ ਹੈ। ਇਹ ਯੂਨਿਟ ਇਸ ਸਿਧਾਂਤ ਨੂੰ ਰੋਜ਼ਾਨਾ ਵਰਕਫਲੋ ਅਤੇ ਚੈਕਲਿਸਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਅੰਤ-ਤੋਂ-ਅੰਤ ESG ਵਰਕਫਲੋ

ਅੱਠ ਪੜਾਵਾਂ ਵਿੱਚ ਸਥਿਰਤਾ ਰਿਪੋਰਟਿੰਗ ਚੱਕਰ 'ਤੇ ਵਿਚਾਰ ਕਰੋ:

ਸਕੋਪ ਅਤੇ ਪਦਾਰਥਕਤਾ - ਕਿਹੜੇ ਵਿਸ਼ੇ ਪਦਾਰਥ ਹਨ? (ਯੂਨਿਟ 2)
ਡਾਟਾ ਇਕੱਠਾ ਕਰਨਾ — ਸਰੋਤ, ਇਕਾਈਆਂ, ਆਡਿਟ ਟ੍ਰੇਲ। (ਯੂਨਿਟ 3)
ਗਣਨਾ — ਪ੍ਰਮਾਣਿਤ ਕਾਰਕਾਂ ਦੇ ਨਾਲ ਕਾਰਬਨ ਅਤੇ ਹੋਰ ਮੈਟ੍ਰਿਕਸ। (ਯੂਨਿਟ 4)
ਫਰੇਮਵਰਕ ਮੈਚਿੰਗ — GRI/ESRS/ISSB ਪਦਾਰਥ, ਅਧਿਕਾਰਤ ਟੈਕਸਟ ਦੁਆਰਾ ਪੁਸ਼ਟੀ। (ਯੂਨਿਟ 5)
ਸਪਲਾਈ ਚੇਨ — ਸਕੋਪ 3 ਅਤੇ ਉਚਿਤ ਮਿਹਨਤ। (ਯੂਨਿਟ 6)
ਲਿਖਤ ਅਤੇ ਸੰਚਾਰ — ਸੰਤੁਲਿਤ, ਪ੍ਰਮਾਣਿਤ ਰਿਪੋਰਟ ਅਤੇ ਸਟੇਕਹੋਲਡਰ ਸੰਦੇਸ਼। (ਇਕਾਈ 7-8)
ਭਰੋਸਾ ਦੀ ਤਿਆਰੀ - ਸਬੂਤ ਦੀ ਲੜੀ ਅਤੇ ਆਡਿਟ ਦੀ ਤਿਆਰੀ। (ਯੂਨਿਟ 9)
ਕਲੇਮ ਆਡਿਟਿੰਗ — ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਸਕ੍ਰੀਨਿੰਗ ਅਤੇ ਰੀਲੀਜ਼ ਦੀ ਮਨਜ਼ੂਰੀ। (ਯੂਨਿਟ 10)

ਹਰ ਕਦਮ 'ਤੇ, AI ਇੱਕ ਐਕਸਲੇਟਰ ਹੈ; ਪਰ ਹਰ ਕਦਮ ਦੇ ਬਾਹਰ ਨਿਕਲਣ 'ਤੇ, ਇੱਕ ਕੁਆਲਿਟੀ ਗੇਟ ਹੁੰਦਾ ਹੈ - ਇੱਕ ਚੈਕਪੁਆਇੰਟ ਜੋ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਪਾਸ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਜੋ ਦਰਵਾਜ਼ੇ ਵਿੱਚੋਂ ਨਹੀਂ ਲੰਘਦਾ ਉਹ ਤਰੱਕੀ ਨਹੀਂ ਕਰਦਾ.

ਕਦਮ

AI ਕੀ ਕਰਦਾ ਹੈ?

ਕੁਆਲਿਟੀ ਗੇਟ

ਪਦਾਰਥਕਤਾ

ਵਿਸ਼ਾ ਉਮੀਦਵਾਰ, ਥੀਮ ਵਿਸ਼ਲੇਸ਼ਣ

ਪ੍ਰਭਾਵ+ਵਿੱਤ ਪਹਿਲੂ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ

ਡਾਟਾ

ਸੰਰਚਨਾ, ਯੂਨਿਟ ਪਰਿਵਰਤਨ

ਸਰੋਤ ਅਤੇ ਵਾਲੀਅਮ ਤਸਦੀਕ

ਖਾਤਾ

ਫਾਰਮੂਲਾ, ਕੋਡ ਸਕੈਫੋਲਡਿੰਗ

ਕਾਰਕ ਦੀ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਗਈ ਹੈ

ਮੇਲ ਖਾਂਦਾ ਹੈ

ਲੇਖ ਸੁਝਾਅ

ਚਿੱਤਰ ਨੂੰ ਇਸਦੇ ਮਿਆਰੀ ਟੈਕਸਟ ਨਾਲ ਚੈੱਕ ਕਰੋ

ਸਪੈਲਿੰਗ

ਡਰਾਫਟ, ਸੰਖੇਪ

ਬਿਨਾਂ ਸਬੂਤ ਦੇ ਦਾਅਵਿਆਂ ਨੂੰ ਛਾਂਟਣਾ

ਦਾਅਵਾ

ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਸਕੈਨ

ਮਨੁੱਖੀ-ਪ੍ਰਮਾਣਿਤ ਪ੍ਰਕਾਸ਼ਨ

ਨੁਕਤਾ: "AI ਪੈਦਾ ਕਰਦਾ ਹੈ → ਮਨੁੱਖੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ → ਦਰਵਾਜ਼ੇ ਰਾਹੀਂ ਚੱਲਦਾ ਹੈ" ਦੀ ਤਾਲ ਵਿੱਚ ਵਰਕਫਲੋ ਸੈਟ ਅਪ ਕਰੋ। ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਲਿਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ: "ਇਸ ਆਉਟਪੁੱਟ ਦਾ ਕਿਹੜਾ ਹਿੱਸਾ ਪ੍ਰਮਾਣਿਕਤਾ ਤੋਂ ਬਿਨਾਂ ਅੱਗੇ ਨਹੀਂ ਵਧ ਸਕਦਾ?" ਉਹ ਹਿੱਸਾ ਉਸ ਕਦਮ ਦਾ ਗੁਣਵੱਤਾ ਗੇਟ ਹੈ.

ਡਾਟਾ ਗਵਰਨੈਂਸ ਅਤੇ ਗੋਪਨੀਯਤਾ

ESG ਡੇਟਾ ਅਕਸਰ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ: ਕਰਮਚਾਰੀ ਲਿੰਗ ਅਤੇ ਤਨਖਾਹ ਡੇਟਾ, ਸਪਲਾਇਰ ਇਕਰਾਰਨਾਮੇ ਦੀਆਂ ਸ਼ਰਤਾਂ, ਵਿੱਤੀ ਪ੍ਰਭਾਵਾਂ ਦਾ ਅਜੇ ਤੱਕ ਖੁਲਾਸਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ, ਸਹੂਲਤ-ਪੱਧਰ ਦਾ ਉਤਪਾਦਨ ਡੇਟਾ। ਕਿਸੇ ਜਨਤਕ AI ਟੂਲ ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਇਹਨਾਂ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। ਡੇਟਾ ਗਵਰਨੈਂਸ ਹੈ "ਕੌਣ ਕਿਹੜਾ ਡੇਟਾ, ਕਿਵੇਂ ਅਤੇ ਕਿਸ ਸਾਧਨ ਨਾਲ ਵਰਤ ਸਕਦਾ ਹੈ?" ਸਵਾਲ ਨਿਯਮ ਨਾਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ।

ਇੱਕ ਸਧਾਰਨ ਵਰਗੀਕਰਨ:

ਮੁਫਤ: ਡੇਟਾ ਪਹਿਲਾਂ ਹੀ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਹੈ (ਪ੍ਰਕਾਸ਼ਿਤ ਰਿਪੋਰਟ)। AI ਨੂੰ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ।
ਅੰਦਰੂਨੀ ਵਰਤੋਂ: ਕੋਈ ਵਪਾਰਕ ਮੁੱਲ ਦਾ ਅੰਦਰੂਨੀ ਡੇਟਾ। ਕਾਰਪੋਰੇਟ ਵਾਹਨ ਵਿੱਚ ਸਾਵਧਾਨੀ ਨਾਲ.
ਗੁਪਤ: ਵਪਾਰਕ ਰਾਜ਼, ਅਣਦੱਸਿਆ ਵਿੱਤੀ ਪ੍ਰਭਾਵ, ਨਿੱਜੀ ਡੇਟਾ (KVKK/GDPR)। ਇਹ ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ ਜਾਂ ਸੰਸਥਾਗਤ (ਨਾਨ-ਲੀਕ) ਸਾਧਨਾਂ ਤੋਂ ਬਿਨਾਂ ਏਆਈ ਨੂੰ ਨਹੀਂ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਗਵਰਨੈਂਸ ਸਲਾਹਕਾਰ। ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਡੇਟਾ ਆਈਟਮਾਂ ਨੂੰ "ਮੁਫ਼ਤ / ਅੰਦਰੂਨੀ ਵਰਤੋਂ / ਗੁਪਤ" ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਅਤੇ ਹਰੇਕ ਗੁਪਤ ਆਈਟਮ ਲਈ ਸਿਫ਼ਾਰਿਸ਼ ਕੀਤੀ ਕਾਰਵਾਈ ਲਿਖੋ (ਗੁਮਨਾਮ / ਕੁੱਲ / ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲ / ਬਿਲਕੁਲ ਨਾ ਦਿਓ)। ਨਿਯਮ: ਜੇਕਰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਤਾਂ ਵਧੇਰੇ ਸੁਰੱਖਿਆ ਵਾਲੀ ਸ਼੍ਰੇਣੀ ਵਿੱਚ ਪਾਓ। ਆਈਟਮਾਂ: [ਨਿੱਜੀ ਅਤੇ ਵਿੱਤੀ ਡੇਟਾ ਆਈਟਮਾਂ]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਤੁਸੀਂ ਕਿਸੇ ਟੂਲ ਨੂੰ ਕੰਮ ਸੌਂਪਦੇ ਹੋ, ਉਹ ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮ ਨੂੰ ਮੂਲ ਰੂਪ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਉਸ ਕਰਮਚਾਰੀ ਦੀ ਤਨਖਾਹ ਅਤੇ ਸੁਵਿਧਾ ਉਤਪਾਦਨ ਸਾਰਣੀ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ, ਇੱਕ ESG ਸੰਖੇਪ ਦੇ ਨਾਲ ਆਓ।

ਕੱਚੇ ਨਿੱਜੀ ਅਤੇ ਵਪਾਰਕ ਗੁਪਤ ਡੇਟਾ ਨੂੰ ਸਿੱਧੇ ਇੱਕ ਓਪਨ ਟੂਲ ਵਿੱਚ ਨਿਰਯਾਤ ਕਰਦਾ ਹੈ; ਇੱਥੇ ਕੋਈ ਵਰਗੀਕਰਨ, ਅਗਿਆਤਕਰਨ ਅਤੇ ਪੁਸ਼ਟੀਕਰਨ ਕਦਮ ਨਹੀਂ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਈਐਸਜੀ ਵਿਸ਼ਲੇਸ਼ਕ ਡੇਟਾ ਗਵਰਨੈਂਸ ਪ੍ਰਤੀ ਸੰਵੇਦਨਸ਼ੀਲ। ਮੈਂ ਤੁਹਾਨੂੰ ਸਿਰਫ਼ ਏਕੀਕ੍ਰਿਤ, ਨਿੱਜੀ/ਵਪਾਰ ਗੁਪਤ-ਮੁਕਤ ਡੇਟਾ ਦਿੱਤਾ ਹੈ। ਕਾਰਜ: ਹੇਠਾਂ ਦਿੱਤੇ ਸੰਖੇਪ ਸੂਚਕਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਨਿਯਮ: - ਡੇਟਾ ਵਿੱਚ ਕੋਈ ਵਿਅਕਤੀਗਤ ਨਾਮ, ਤਨਖਾਹ, ਆਈਡੀ ਜਾਂ ਅਣਦੱਸਿਆ ਵਿੱਤੀ ਪ੍ਰਭਾਵ ਨਹੀਂ; ਜੇਕਰ ਤੁਸੀਂ ਅਜਿਹਾ ਕੋਈ ਖੇਤਰ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਕਹੋ "ਗੁਪਤ ਡੇਟਾ - ਪ੍ਰਕਿਰਿਆ ਨਾ ਕਰੋ, ਚੇਤਾਵਨੀ"। - ਨਤੀਜੇ ਵਿੱਚ ਇੱਕ ਨਵਾਂ ਨੰਬਰ ਨਾ ਜੋੜੋ; ਬੱਸ ਮੇਰੇ ਦਿੱਤੇ ਸੰਖੇਪ ਨਾਲ ਜਾਓ। - ਆਉਟਪੁੱਟ ਦੇ ਅੰਤ ਵਿੱਚ ਇੱਕ "ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਲੋੜ ਹੈ" ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ। ਡੇਟਾ (ਇਕੱਠਾ): [ਸਾਰ ਸੰਕੇਤਕ]

ਸਾਵਧਾਨ: "ਏਆਈ ਨੇ ਕਿਹਾ" ਕੋਈ ਬਚਾਅ ਨਹੀਂ ਹੈ। ਇੱਕ ESG ਰਿਪੋਰਟ ਵਿੱਚ ਇੱਕ ਗਲਤ ਨੰਬਰ, ਬੇਬੁਨਿਆਦ ਦਾਅਵੇ, ਜਾਂ ਲੀਕ ਕੀਤੇ ਗੁਪਤ ਡੇਟਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਸੰਸਥਾ ਅਤੇ ਉਸ ਵਿਅਕਤੀ ਦੀ ਹੈ ਜਿਸਨੇ ਇਸਨੂੰ ਮਨਜ਼ੂਰ ਕੀਤਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ AI ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਜ਼ਿੰਮੇਵਾਰੀ ਦਾ ਤਬਾਦਲਾ ਨਹੀਂ ਕਰਦੇ; ਤੁਸੀਂ ਸਿਰਫ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰੋਗੇ।

ਐਂਡ-ਟੂ-ਐਂਡ ਕੁਆਲਿਟੀ ਗੇਟ ਪ੍ਰੋਂਪਟ

ਨਿਮਨਲਿਖਤ ਪ੍ਰੋਂਪਟ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਿੰਗਲ ਜਾਂਚ ਦੁਆਰਾ ਸਾਰੇ ਕਦਮਾਂ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ESG ਗੁਣਵੱਤਾ ਭਰੋਸਾ ਅਧਿਕਾਰੀ। ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੇ ਰਿਪੋਰਟ ਸੈਕਸ਼ਨ ਨੂੰ ਐਂਡ-ਟੂ-ਐਂਡ ਕੁਆਲਿਟੀ ਗੇਟ ਰਾਹੀਂ ਪਾਸ ਕਰੋ। ਹਰੇਕ ਆਈਟਮ ਲਈ "ਪਾਸ / ਫੇਲ" ਦਿਓ ਅਤੇ ਜੇਕਰ ਇਹ ਅਸਫਲ ਹੋ ਜਾਂਦੀ ਹੈ ਤਾਂ ਕਾਰਨ ਲਿਖੋ: 1) ਕੀ ਹਰੇਕ ਸੰਖਿਆ ਦਾ ਸਰੋਤ ਅਤੇ ਇਕਾਈ ਦੱਸੀ ਗਈ ਹੈ? 2) ਕੀ ਨਿਕਾਸ ਕਾਰਕ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਹਨ? 3) ਕੀ ਮਿਆਰੀ ਆਈਟਮ ਨੰਬਰ ਪ੍ਰਮਾਣਿਤ ਹਨ? 4) ਕੀ ਪ੍ਰੌਕਸੀ/ਅਨੁਮਾਨ ਚਿੰਨ੍ਹਿਤ ਹਨ? 5) ਕੀ ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਵਾਲੇ ਕੋਈ ਬਿਆਨ ਹਨ? 6) ਕੀ ਗੁਪਤ/ਨਿੱਜੀ ਡੇਟਾ ਦਾ ਕੋਈ ਲੀਕ ਹੋਣਾ ਹੈ? 7) ਅੰਤਮ ਪ੍ਰਵਾਨਗੀ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਨਾਮ ਦਿੱਤਾ ਗਿਆ ਹੈ? ਸੈਕਸ਼ਨ: [ਅਧਿਆਇ]

ਨਿਮਨਲਿਖਤ ਪ੍ਰੋਂਪਟ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਇੱਕ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਨੀਤੀ ਵਿੱਚ ਬਦਲਦਾ ਹੈ।

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਸਥਿਰਤਾ ਟੀਮ ਲੀਡਰ। ਕਾਰਜ: ESG ਕੰਮ ਵਿੱਚ ਟੀਮ ਦੁਆਰਾ AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਨ ਵਾਲੀ ਇੱਕ 1-ਪੰਨਿਆਂ ਦੀ ਅੰਦਰੂਨੀ ਨੀਤੀ ਲਿਖੋ। ਸ਼ਾਮਲ ਕਰੋ:- ਉਹ ਕਾਰਜ ਜਿੱਥੇ AI ਦੀ ਖੁੱਲ੍ਹ ਕੇ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ (ਡਰਾਫਟ, ਸਾਰਾਂਸ਼, ਕੋਡ, ਥੀਮ ਵਿਸ਼ਲੇਸ਼ਣ)- ਉਹ ਕਾਰਜ ਜਿਨ੍ਹਾਂ ਲਈ ਮਨੁੱਖੀ ਤਸਦੀਕ (ਫੈਕਟਰ, ਸਟੈਂਡਰਡ, ਦਾਅਵਾ, ਦਾਇਰੇ) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ - ਡਾਟਾ ਕਿਸਮਾਂ ਜੋ ਕਦੇ ਵੀ AI ਨੂੰ ਨਹੀਂ ਦਿੱਤੀਆਂ ਜਾਣਗੀਆਂ (ਨਿੱਜੀ, ਅਣਦੱਸਿਆ ਵਿੱਤੀ)- ਹਰੇਕ ਰੀਲੀਜ਼ ਤੋਂ ਪਹਿਲਾਂ ਪਾਸ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਕੁਆਲਿਟੀ ਗੇਟ ਸਟੈਪ ਟੋਨ: ਸਪਸ਼ਟ, ਬੁਲੇਟ ਪੁਆਇੰਟ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਦਰਵਾਜ਼ੇ ਤੋਂ ਰਿਪੋਰਟ ਵਾਪਸ ਆਈ। ਇੱਕ ਟੀਮ ਨੇ ਸੋਚਿਆ ਕਿ ਉਹਨਾਂ ਨੇ ਸਾਰੇ ਪੜਾਅ ਪੂਰੇ ਕਰ ਲਏ ਹਨ ਅਤੇ ਰਿਪੋਰਟ ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਤਿਆਰ ਸੀ। ਅੰਤਮ ਕੁਆਲਿਟੀ ਗੇਟ ਪ੍ਰੋਂਪਟ ਨੇ ਇੱਕ ਭਾਗ ਵਿੱਚ ਇੱਕ ਅਣਸੋਰਸਡ "78% ਰਿਕਵਰੀ" ਦਾਅਵਿਆਂ ਅਤੇ ਇੱਕ "ਕਾਰਬਨ ਨਿਰਪੱਖ" ਸਟੇਟਮੈਂਟ ਨੂੰ ਕੈਪਚਰ ਕੀਤਾ। ਕਿਸੇ ਨੂੰ ਠੀਕ ਕੀਤੇ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਕਾਸ਼ਨ ਰੋਕ ਦਿੱਤਾ ਗਿਆ ਸੀ; ਦਰਵਾਜ਼ੇ ਨੇ ਇਸ ਦੇ ਜਨਤਕ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਬੱਗ ਨੂੰ ਰੱਖਿਆ।

ਕੇਸ 2 - ਗੁਪਤ ਡੇਟਾ ਲੀਕ ਹੋਣ ਤੋਂ ਰੋਕਿਆ ਗਿਆ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਅਜੇ ਤੱਕ ਜਾਰੀ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਤਿਮਾਹੀ ਵਿੱਤੀ ਪ੍ਰਭਾਵ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਸਾਧਨ ਵਿੱਚ ਪੇਸਟ ਕਰੇਗਾ। ਡੇਟਾ ਵਰਗੀਕਰਨ ਪ੍ਰੋਂਪਟ ਨੇ ਇਸਨੂੰ "ਗੁਪਤ-ਅਣਦੱਸਿਆ ਵਿੱਤੀ" ਵਜੋਂ ਫਲੈਗ ਕੀਤਾ। ਡੇਟਾ ਨੂੰ ਪਹਿਲਾਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਫਿਰ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲ ਵਿੱਚ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਗਈ ਸੀ; ਕਾਨੂੰਨ ਦੀ ਸੰਭਾਵਿਤ ਉਲੰਘਣਾ ਨੂੰ ਰੋਕਿਆ ਗਿਆ ਸੀ।

ਕੇਸ 3 - ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਣਾ। ਇੱਕ ਰਿਪੋਰਟ ਪ੍ਰਕਾਸ਼ਿਤ ਹੋਣ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਹਿੱਸੇਦਾਰ ਨੇ ਇੱਕ ਨੰਬਰ 'ਤੇ ਸਵਾਲ ਕੀਤਾ. ਟੀਮ ਨੇ "AI ਗਣਿਤ" ਨਹੀਂ ਕਿਹਾ; ਆਡਿਟ ਟ੍ਰੇਲ ਖੋਲ੍ਹਿਆ, ਸਰੋਤ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ, ਇੱਕ ਮਾਮੂਲੀ ਸੁਧਾਰ ਕੀਤਾ, ਅਤੇ ਪਾਰਦਰਸ਼ੀ ਢੰਗ ਨਾਲ ਵਿਆਖਿਆ ਕੀਤੀ। ਇਹ ਰਵੱਈਆ, ਜਿਸ ਨੇ "ਏਆਈ ਨੇ ਕਿਹਾ" ਬਚਾਅ 'ਤੇ ਭਰੋਸਾ ਨਹੀਂ ਕੀਤਾ, ਭਰੋਸੇ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ।

ਆਮ ਗਲਤੀਆਂ

ਗੁਣਵੱਤਾ ਦੇ ਦਰਵਾਜ਼ੇ ਤੋਂ ਬਿਨਾਂ ਅੱਗੇ ਵਧਣਾ. ਜੇਕਰ ਤਸਦੀਕ ਹਰ ਪੜਾਅ ਦੇ ਬਾਹਰ ਜਾਣ 'ਤੇ ਨਹੀਂ ਕੀਤੀ ਜਾਂਦੀ, ਤਾਂ ਅੰਤ ਤੱਕ ਤਰੁਟੀਆਂ ਇਕੱਠੀਆਂ ਹੋਣਗੀਆਂ।
ਵਾਹਨ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤੇ ਬਿਨਾਂ ਡਾਟਾ ਦੇਣਾ। ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਜਨਤਕ ਏਆਈ ਵਿੱਚ ਬਿਨਾਂ ਗੁਪਤਤਾ ਦੇ ਦਾਖਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
AI ਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪੀ ਜਾ ਰਹੀ ਹੈ। "AI ਨੇ ਕਿਹਾ" ਕੋਈ ਕਾਨੂੰਨੀ ਜਾਂ ਪੇਸ਼ੇਵਰ ਬਚਾਅ ਨਹੀਂ ਹੈ।
ਸੋਚਦੇ ਕਦਮ ਅਲੱਗ-ਥਲੱਗ ਹੋ ਗਏ। ਪਦਾਰਥਕਤਾ, ਡੇਟਾ, ਗਣਨਾ ਅਤੇ ਦਾਅਵੇ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਹੋਏ ਹਨ; ਜੇਕਰ ਕੋਈ ਨੁਕਸਾਨ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਸਾਰੇ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੇ ਹਨ।
ਪ੍ਰਕਾਸ਼ਨ ਦੀ ਪ੍ਰਵਾਨਗੀ ਲਈ ਕਿਸੇ ਵਿਅਕਤੀ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰ ਨਾ ਸੌਂਪਣਾ। ਹਰ ਜਨਤਕ ਦਾਅਵੇ ਦੇ ਪਿੱਛੇ ਇੱਕ ਮਨੁੱਖ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ESG ਕਾਰੋਬਾਰ ਅੱਠ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਕਦਮਾਂ ਦੀ ਇੱਕ ਲੜੀ ਹੈ, ਅਤੇ AI ਹਰੇਕ ਕਦਮ 'ਤੇ ਇੱਕ ਐਕਸਲੇਟਰ ਹੈ; ਪਰ ਹਰ ਕਦਮ ਦੇ ਬਾਹਰ ਨਿਕਲਣ 'ਤੇ ਗੁਣਵੱਤਾ ਦਾ ਇੱਕ ਦਰਵਾਜ਼ਾ ਹੈ. "AI ਪੈਦਾ ਕਰਦਾ ਹੈ → ਮਨੁੱਖੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ → ਦਰਵਾਜ਼ੇ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ" ਦੀ ਲੈਅ ਇਸ ਮੋਡੀਊਲ ਦੇ ਸਾਰੇ ਪਾਠਾਂ ਨੂੰ ਇੱਕ ਅਧਿਐਨ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਜੋੜਦੀ ਹੈ। ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਕਰੋ ਅਤੇ ਗੁਪਤਤਾ ਦੀ ਰੱਖਿਆ ਕਰੋ, ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਕਾਰਕ ਅਤੇ ਮਿਆਰ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਦਾਅਵੇ ਨੂੰ ਸਬੂਤ ਨਾਲ ਜੋੜੋ, ਪ੍ਰਕਾਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਨੂੰ ਖਤਮ ਕਰੋ, ਅਤੇ ਮਨੁੱਖ ਨੂੰ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਸੌਂਪੋ। AI ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ; ਤੁਸੀਂ ਸ਼ੁੱਧਤਾ, ਇਮਾਨਦਾਰੀ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਮੰਨਦੇ ਹੋ। ਇਸ ਪੇਸ਼ੇ ਦਾ ਮਾਪਦੰਡ "ਪ੍ਰਵਾਹਿਤ ਦਿਖਾਈ ਦੇਣਾ" ਨਹੀਂ ਹੈ, ਪਰ "ਆਡਿਟ ਪਾਸ ਕਰਨਾ ਅਤੇ ਸਾਬਤ ਹੋਣਾ" ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਪਿਛਲੀਆਂ ਇਕਾਈਆਂ (ਇੱਕ ਪਦਾਰਥਕਤਾ ਸੂਚੀ, ਇੱਕ ਕਾਰਬਨ ਖਾਤਾ, ਇੱਕ ਰਿਪੋਰਟ ਸੈਕਸ਼ਨ) ਵਿੱਚ ਤੁਹਾਡੇ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਡਿਲੀਵਰੇਬਲ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਮਿੰਨੀ-ਰਿਪੋਰਟ ਵਿੱਚ ਜੋੜੋ। AI ਤੋਂ ਉਪਰੋਕਤ ਐਂਡ-ਟੂ-ਐਂਡ ਕੁਆਲਿਟੀ ਗੇਟ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ 7 ਆਈਟਮਾਂ ਵਿੱਚ ਇਸ ਮਿੰਨੀ ਰਿਪੋਰਟ ਨੂੰ ਦੇਖੋ। ਫਿਰ: (1) "ਰਿਲੀਜ਼" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਹਰੇਕ ਆਈਟਮ ਨੂੰ ਠੀਕ ਕਰੋ, (2) ਸਾਰੇ ਗੁਪਤ/ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰੋ ਅਤੇ ਕਾਰਵਾਈ ਕਰੋ, (3) ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਨਾਮ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

[ ] ਮੈਂ "AI ਪੈਦਾ ਕਰਦਾ ਹੈ → ਮਨੁੱਖੀ ਤਸਦੀਕ ਕਰਦਾ ਹੈ → ਦਰਵਾਜ਼ੇ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ" ਦੀ ਤਾਲ ਨਾਲ ਵਰਕਫਲੋ ਸੈੱਟਅੱਪ ਕਰਦਾ ਹਾਂ।
[ ] ਮੈਂ ਹਰੇਕ ਕਦਮ ਦੇ ਬਾਹਰ ਨਿਕਲਣ 'ਤੇ ਇੱਕ ਗੁਣਵੱਤਾ ਗੇਟ ਲਾਗੂ ਕੀਤਾ ਹੈ।
[ ] ਮੈਂ ਸਾਰੇ ਡੇਟਾ ਨੂੰ ਮੁਫਤ/ਅੰਦਰੂਨੀ/ਗੁਪਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕੀਤਾ ਅਤੇ ਗੁਪਤਤਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕੀਤਾ।
[ ] ਮੈਂ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਕਾਰਕਾਂ ਅਤੇ ਮਿਆਰੀ ਆਈਟਮਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
[ ] ਮੈਂ ਪ੍ਰਕਾਸ਼ਨ ਤੋਂ ਪਹਿਲਾਂ ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਨੂੰ ਖਤਮ ਕਰਦੇ ਹੋਏ ਸਬੂਤ ਦੇ ਨਾਲ ਹਰ ਦਾਅਵੇ ਦਾ ਸਮਰਥਨ ਕੀਤਾ।
[ ] ਮੈਂ "AI ਨੇ ਕਿਹਾ" ਬਚਾਅ 'ਤੇ ਭਰੋਸਾ ਕੀਤੇ ਬਿਨਾਂ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ।
[ ] ਮੈਂ ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਨਾਮ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਰਿਕਾਰਡ ਸੈਟ ਕੀਤਾ ਹੈ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਈਐਸਜੀ ਅਤੇ ਸਸਟੇਨੇਬਿਲਟੀ ਬਿਜ਼ਨਸ ਵਿੱਚ AI ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸਭ ਤੋਂ ਵਧੀਆ ਸਥਿਤੀ ਹੈ?

ਏ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕੋਡ, ਡੇਟਾ ਅਤੇ ਬਲੂਪ੍ਰਿੰਟਸ ਦਾ ਸਹਾਇਕ ਹੈ; ਕਾਰਕਾਂ, ਮਿਆਰਾਂ, ਸਬੂਤਾਂ ਅਤੇ ਨੈਤਿਕ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਲੋਕਾਂ ਦੀ ਹੈ ✔
ਅ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਆਡੀਟਰ ਹੈ ਅਤੇ ਇਸ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ESG ਮੁੱਲ ਸੁਤੰਤਰ ਭਰੋਸਾ ਦਾ ਬਦਲ ਹਨ
C) ਨਕਲੀ ਬੁੱਧੀ ਸਿਰਫ ਰਿਪੋਰਟਾਂ ਲਿਖਣ ਵਿੱਚ ਕੰਮ ਕਰਦੀ ਹੈ, ਇਸਦਾ ਡੇਟਾ ਅਤੇ ਗਣਨਾਵਾਂ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ
ਡੀ) ਕਿਉਂਕਿ AI ਮਨੁੱਖਾਂ ਨਾਲੋਂ ਵਧੇਰੇ ਨਿਰਪੱਖ ਹੈ, ਇਸ ਲਈ ਸਾਰੇ ESG ਫੈਸਲੇ ਇਸ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ

ਵਰਣਨ: ਨਕਲੀ ਬੁੱਧੀ; ਇਹ ਇੱਕ ਸਹਾਇਕ ਹੈ ਜੋ ਕੋਡ ਲਿਖਦਾ ਹੈ, ਡੇਟਾ ਨੂੰ ਸੰਗਠਿਤ ਕਰਦਾ ਹੈ, ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ ਅਤੇ ਸੰਖੇਪ ਕਰਦਾ ਹੈ। ਹਾਲਾਂਕਿ, ਨਿਕਾਸੀ ਕਾਰਕ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ, ਮਿਆਰੀ ਪਦਾਰਥ ਨੰਬਰ ਦੀ ਜਾਂਚ ਕਰਨ, ਹਰੇਕ ਦਾਅਵੇ ਨੂੰ ਸਾਬਤ ਕਰਨ ਦੀ ਅੰਤਿਮ ਜ਼ਿੰਮੇਵਾਰੀ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਹੁੰਦੀ ਹੈ। ਵੱਡੀ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਕੈਲਕੁਲੇਟਰ, ਰੈਗੂਲੇਟਰੀ/ਸਟੈਂਡਰਡਜ਼ ਡੇਟਾਬੇਸ, ਜਾਂ ਚੈਕਰ ਨਹੀਂ ਹੈ; ਇੱਕ ਟੈਕਸਟ ਜਨਰੇਟਰ ਹੈ ਜੋ 'ਅਗਲਾ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਸ਼ਬਦ' ਪੈਦਾ ਕਰਦਾ ਹੈ ਅਤੇ ਇਸਦਾ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਇੱਕ ਗਲਤ ਰਿਪੋਰਟ ਜਾਂ ਦਾਅਵੇ ਵੱਲ ਲੈ ਜਾ ਸਕਦਾ ਹੈ।

2. ਦੋਹਰੀ ਭੌਤਿਕਤਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਕਿਸੇ ਮੁੱਦੇ ਦੇ 'ਪ੍ਰਭਾਵੀ ਪਦਾਰਥਕਤਾ' ਪਹਿਲੂ ਦਾ ਕੀ ਅਰਥ ਹੈ?

ਏ) ਕੰਪਨੀ ਦੇ ਲਾਭ ਅਤੇ ਸ਼ੇਅਰ ਮੁੱਲ 'ਤੇ ਇਸ਼ੂ ਦਾ ਪ੍ਰਭਾਵ
ਅ) ਸਿਰਫ ਨਿਵੇਸ਼ਕਾਂ ਲਈ ਮੁੱਦੇ ਦਾ ਵਿੱਤੀ ਜੋਖਮ
ਸੀ) ਉਸੇ ਵਿਸ਼ੇ 'ਤੇ ਵਿਰੋਧੀ ਕੰਪਨੀਆਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ
D) ਵਾਤਾਵਰਣ ਅਤੇ ਸਮਾਜ 'ਤੇ ਕੰਪਨੀ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦਾ ਪ੍ਰਭਾਵ ✔

ਵਰਣਨ: ਦੋਹਰੀ ਭੌਤਿਕਤਾ ਦੋ ਲੈਂਸਾਂ ਦੁਆਰਾ ਵੇਖਦੀ ਹੈ। ਵਿੱਤੀ ਪਦਾਰਥਕਤਾ ਕਿਸੇ ਕੰਪਨੀ ਦੇ ਨਕਦ ਪ੍ਰਵਾਹ ਅਤੇ ਮੁੱਲ ('ਬਾਹਰ-ਵਿੱਚ') 'ਤੇ ਕਿਸੇ ਮੁੱਦੇ ਦਾ ਪ੍ਰਭਾਵ ਹੈ। ਪ੍ਰਭਾਵ ਪਦਾਰਥਕਤਾ ਵਾਤਾਵਰਣ ਅਤੇ ਸਮਾਜ ('ਅੰਦਰੋਂ ਬਾਹਰ') 'ਤੇ ਕੰਪਨੀ ਦੀਆਂ ਗਤੀਵਿਧੀਆਂ ਦਾ ਪ੍ਰਭਾਵ ਹੈ। CSRD/ESRS ਦੋਵਾਂ ਪਹਿਲੂਆਂ ਨੂੰ ਲਾਗੂ ਕਰਦਾ ਹੈ; ਕਿਉਂਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਕਸਰ ਸਿਰਫ ਵਿੱਤੀ ਦਿਸ਼ਾ ਵੱਲ ਬਦਲਦੀ ਹੈ, ਪ੍ਰਭਾਵ ਦੀ ਦਿਸ਼ਾ ਨੂੰ ਮਨੁੱਖ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

3. ਵੱਖ-ਵੱਖ ਸਹੂਲਤਾਂ ਤੋਂ kWh, MWh ਅਤੇ GJ ਵਿੱਚ ਊਰਜਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨ ਵੇਲੇ ਸਹੀ ਪਹੁੰਚ ਕੀ ਹੈ?

ਏ) ਇਕਾਈਆਂ ਨੂੰ ਅਣਡਿੱਠ ਕਰੋ ਅਤੇ ਸਾਰੇ ਨੰਬਰ ਸਿੱਧੇ ਜੋੜੋ
ਅ) ਤੁਹਾਡੇ ਸਿਰ ਵਿੱਚ ਲੰਮੀ ਸੂਚੀ ਇਕੱਠੀ ਕਰਨ ਲਈ ਨਕਲੀ ਬੁੱਧੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
C) ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਇੱਕ ਇਕਾਈ ਵਿੱਚ ਬਦਲਣਾ ਅਤੇ ਕੋਡ/ਫ਼ਾਰਮੂਲੇ ਨਾਲ ਰੂਪਾਂਤਰਨ ਅਤੇ ਜੋੜ ਬਣਾਉਣਾ ✔
ਡੀ) ਸਭ ਤੋਂ ਵੱਡੀ ਇਕਾਈ ਦੀ ਚੋਣ ਕਰਨਾ ਅਤੇ ਹੋਰ ਸਹੂਲਤਾਂ ਦੀ ਰਿਪੋਰਟ ਨਾ ਕਰਨਾ

ਵਿਆਖਿਆ: ਯੂਨਿਟ ਮੰਥਨ ESG ਦੀ ਸਭ ਤੋਂ ਵੱਧ ਅਕਸਰ ਅਤੇ ਖਤਰਨਾਕ ਗਲਤੀ ਹੈ; 1 MWh = 1,000 kWh ਤੋਂ, ਜੇਕਰ ਇਕਾਈ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਨਤੀਜਾ 1,000 ਦੇ ਗੁਣਕ ਦੁਆਰਾ ਭਟਕ ਸਕਦਾ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਇਹ ਹੈ ਕਿ ਸਾਰੇ ਮੁੱਲਾਂ ਨੂੰ ਇੱਕ ਇਕਾਈ ਵਿੱਚ ਬਦਲਿਆ ਜਾਵੇ ਅਤੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਇਹ ਪਰਿਵਰਤਨ ਕਰਨ ਅਤੇ ਇੱਕ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ/ਫਾਰਮੂਲੇ ਨਾਲ ਜੋੜਿਆ ਜਾਵੇ, ਹੱਥੀਂ ਨਹੀਂ; ਇਸ ਤਰ੍ਹਾਂ ਨਤੀਜਾ ਨਿਰਣਾਇਕ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਹੁੰਦਾ ਹੈ।

4. GHG ਪ੍ਰੋਟੋਕੋਲ ਦੇ ਅਨੁਸਾਰ ਖਰੀਦੀ ਗਈ ਬਿਜਲੀ ਦੇ ਉਤਪਾਦਨ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਕਿਹੜੇ ਦਾਇਰੇ ਵਿੱਚ ਨਿਕਾਸ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ?

ਏ) ਸਕੋਪ 1
ਅ) ਸਕੋਪ 2 ✔
ਸੀ) ਸਕੋਪ 3
ਡੀ) ਇਹ ਕਿਸੇ ਦਾਇਰੇ ਵਿੱਚ ਸ਼ਾਮਲ ਨਹੀਂ ਹੈ ਅਤੇ ਇਸਦੀ ਰਿਪੋਰਟ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ

ਵਰਣਨ: ਸਕੋਪ 1 ਸੰਸਥਾ ਦੇ ਆਪਣੇ ਸਰੋਤਾਂ (ਬਾਇਲਰ, ਕੰਪਨੀ ਵਾਹਨ, ਜਨਰੇਟਰ) ਤੋਂ ਸਿੱਧਾ ਨਿਕਾਸ ਹੈ। ਸਕੋਪ 2 ਖਰੀਦੀ ਗਈ ਊਰਜਾ (ਬਿਜਲੀ, ਭਾਫ਼, ਹੀਟਿੰਗ, ਕੂਲਿੰਗ) ਦੇ ਉਤਪਾਦਨ ਤੋਂ ਅਸਿੱਧੇ ਨਿਕਾਸ ਹੈ। ਸਕੋਪ 3 ਮੁੱਲ ਲੜੀ (ਸਪਲਾਈ, ਯਾਤਰਾ, ਉਤਪਾਦ ਦੀ ਵਰਤੋਂ, ਰਹਿੰਦ-ਖੂੰਹਦ) ਵਿੱਚ ਹੋਰ ਸਾਰੇ ਅਸਿੱਧੇ ਨਿਕਾਸ ਨੂੰ ਕਵਰ ਕਰਦਾ ਹੈ। ਬਿਜਲੀ ਕੰਪਨੀ ਦੀ ਚਿਮਨੀ ਵਿੱਚੋਂ ਨਹੀਂ ਨਿਕਲਦੀ, ਪਰ ਉਸ ਨੂੰ ਪੈਦਾ ਕਰਨ ਵਾਲਾ ਪਾਵਰ ਪਲਾਂਟ ਨਿਕਾਸ ਕਰਦਾ ਹੈ; ਇਸ ਲਈ ਇਹ ਸਕੋਪ 2 ਹੈ।

5. ਗ੍ਰੀਨਹਾਊਸ ਗੈਸ ਜਿਵੇਂ ਕਿ ਮੀਥੇਨ (CH₄) ਨੂੰ CO₂e ਵਿੱਚ ਬਦਲਦੇ ਸਮੇਂ ਕਿਹੜੀ ਧਾਰਨਾ ਵਰਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?

ਏ) GWP (ਗਲੋਬਲ ਵਾਰਮਿੰਗ ਸੰਭਾਵੀ); ਜੇਕਰ ਛੱਡਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮੀਥੇਨ/N₂O ਪ੍ਰਭਾਵ ਨੂੰ ਬਹੁਤ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾਵੇਗਾ ✔
ਅ) AQI (ਹਵਾ ਗੁਣਵੱਤਾ ਸੂਚਕਾਂਕ); ਹਵਾ ਵਿੱਚ ਗੈਸ ਦਾ ਰੰਗ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ
C) GRI (ਰਿਪੋਰਟਿੰਗ ਪਹਿਲਕਦਮੀ); ਉਹ ਪਦਾਰਥ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਗੈਸ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਜਾਵੇਗੀ
ਡੀ) ਕੋਈ ਗੁਣਾਂਕ ਦੀ ਲੋੜ ਨਹੀਂ; ਮੀਥੇਨ 1 ਤੋਂ 1 ਸਿੱਧੇ CO₂ ਵਾਂਗ ਗਿਣਦਾ ਹੈ

ਵਰਣਨ: GWP (ਗਲੋਬਲ ਵਾਰਮਿੰਗ ਪੋਟੈਂਸ਼ੀਅਲ) ਉਹ ਗੁਣਾਂਕ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਗ੍ਰੀਨਹਾਊਸ ਗੈਸਾਂ ਦੇ ਹੀਟਿੰਗ ਪ੍ਰਭਾਵ ਨੂੰ CO₂ ਦੇ ਸਾਪੇਖਕ ਇੱਕ ਸਾਂਝੀ ਇਕਾਈ ਵਿੱਚ ਬਦਲਦਾ ਹੈ। ਮੀਥੇਨ ਦਾ 100 ਸਾਲ ਦਾ GWP ਲਗਭਗ 28 ਹੈ; ਇਸ ਲਈ 1 ਟਨ ਮੀਥੇਨ ਦਾ ਅਰਥ ਹੈ ਲਗਭਗ 28 ਟਨ CO₂e। ਜੇਕਰ GWP ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਮੀਥੇਨ ਅਤੇ N₂O ਵਰਗੀਆਂ ਮਜ਼ਬੂਤ ਗੈਸਾਂ ਦੇ ਪ੍ਰਭਾਵ ਨੂੰ ਬਹੁਤ ਘੱਟ ਅੰਦਾਜ਼ਾ ਲਗਾਇਆ ਜਾਵੇਗਾ ਅਤੇ ਵਸਤੂ ਸੂਚੀ ਪੂਰੀ ਤਰ੍ਹਾਂ ਗਲਤ ਹੋਵੇਗੀ; ਇਹ ਵੀ ਦੱਸਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਕਿਹੜਾ GWP ਸੈੱਟ (ਉਦਾਹਰਨ ਲਈ IPCC AR6, 100 ਸਾਲ) ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

6. ਗ੍ਰੀਨਹਾਉਸ ਗੈਸ ਇਨਵੈਂਟਰੀ ਵਿੱਚ 'ਸਰਗਰਮੀ ਡੇਟਾ × ਐਮੀਸ਼ਨ ਫੈਕਟਰ' ਦੀ ਗਣਨਾ ਕਰਨ ਲਈ ਕਿਹੜੀ ਪਹੁੰਚ ਸਹੀ ਹੈ?

ਏ) ਉਸ ਕਾਰਕ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜਿਸ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਯਾਦ ਰੱਖਦੀ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਹੱਥੀਂ ਕਰਨਾ
B) ਸਾਰੀਆਂ ਗੈਸਾਂ ਨੂੰ CO₂ ਅਤੇ ਛੱਡਣ ਵਾਲੇ ਕਾਰਕ ਅਤੇ GWP ਪਰਿਵਰਤਨ ਵਜੋਂ ਗਿਣਨਾ
C) ਹਰੇਕ ਦੇਸ਼, ਸਾਲ ਅਤੇ ਬਾਲਣ ਲਈ ਬਿਲਕੁਲ ਡਿਫੌਲਟ ਫੈਕਟਰ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
ਡੀ) ਦੇਸ਼ ਅਤੇ ਸਾਲ ਦੇ ਅਨੁਸਾਰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਕਾਰਕ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਅਤੇ ਕੋਡ ਦੇ ਨਾਲ ਕੈਲਕੂਲੇਸ਼ਨ ਸਕੈਫੋਲਡਿੰਗ ਅਤੇ ਕੁੱਲ ਬਣਾਉਣਾ ✔

ਵਰਣਨ: ਦੇਸ਼, ਸਾਲ ਅਤੇ ਬਾਲਣ ਦੁਆਰਾ ਨਿਕਾਸ ਦੇ ਕਾਰਕ ਵੱਖੋ-ਵੱਖ ਹੁੰਦੇ ਹਨ; AI ਨੂੰ 'ਯਾਦ ਕਰਾਉਣਾ' ਚੀਜ਼ਾਂ ਨੂੰ ਬਣਾਉਣ (ਭਰਮ) ਦਾ ਜੋਖਮ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਕਾਰਕ ਦੀ ਹਮੇਸ਼ਾ ਅਧਿਕਾਰਤ ਸਾਰਣੀ (IPCC, DEFRA/EPA, IEA, ਰਾਸ਼ਟਰੀ ਵਸਤੂ ਸੂਚੀ) ਤੋਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ; ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਸਿਰਫ ਸਕੋਪ ਵਿਭਾਜਨ, ਅਕਾਊਂਟਿੰਗ ਸਕੈਫੋਲਡਿੰਗ ਅਤੇ ਕੁੱਲ ਕੋਡ ਹੀ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ। ਮਲਟੀ-ਕਤਾਰ ਕੁੱਲ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ ਦੁਆਰਾ ਕੀਤੇ ਜਾਂਦੇ ਹਨ, ਹੱਥੀਂ ਨਹੀਂ।

7. AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ GRI/ESRS ਸਟੈਂਡਰਡ ਪਦਾਰਥ ਨੰਬਰ (ਜਿਵੇਂ 'ਪਾਣੀ ਦੀ ਖਪਤ ਲਈ GRI 305') ਲਈ ਸਹੀ ਵਿਵਹਾਰ ਕੀ ਹੈ?

A) ਰਿਪੋਰਟ ਵਿੱਚ ਸਿੱਧੇ ਨੰਬਰ ਨੂੰ ਲਿਖਣਾ ਕਿਉਂਕਿ ਨਕਲੀ ਬੁੱਧੀ ਇਸਦਾ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ
ਅ) ਆਈਟਮ ਨੰਬਰ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹਨ; ਕੋਈ ਵੀ ਲਿਖਿਆ ਜਾ ਸਕਦਾ ਹੈ
C) ਅਧਿਕਾਰਤ ਸਟੈਂਡਰਡ ਟੈਕਸਟ ਨਾਲ ਨੰਬਰ ਅਤੇ ਇਸਦੀ ਸਮੱਗਰੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਜੇਕਰ ਇਹ ਜਾਅਲੀ/ਪੁਰਾਣਾ ਹੈ ✔
ਡੀ) ਕਿਉਂਕਿ ਪਾਣੀ ਅਤੇ ਹਵਾ ਦੇ ਨਿਕਾਸ ਸਮਾਨ ਹਨ, ਉਸੇ ਲੇਖ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਰਿਪੋਰਟ ਕਰਨਾ

ਵਰਣਨ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਟੈਂਡਰਡ ਨੰਬਰ ਤਿਆਰ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਅਸਲੀ ਦਿਖਾਈ ਦਿੰਦੇ ਹਨ ਪਰ ਜਿਨ੍ਹਾਂ ਦੀ ਸਮੱਗਰੀ ਝੂਠੀ ਜਾਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਘੜਤ ਹੈ; ਨਾਲ ਹੀ, ਮਿਆਰਾਂ ਨੂੰ ਅੱਪਡੇਟ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਮਾਡਲ ਨੂੰ ਪਤਾ ਹੋਣ ਵਾਲਾ ਸੰਸਕਰਣ ਪੁਰਾਣਾ ਹੋ ਸਕਦਾ ਹੈ। ਉਦਾਹਰਨ ਲਈ, GRI 303 ਦੇ ਤਹਿਤ ਪਾਣੀ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਹੈ, ਜਦੋਂ ਕਿ GRI 305 ਹਵਾ ਦਾ ਨਿਕਾਸ ਹੈ। ਇਸ ਲਈ, ਹਰੇਕ ਪਦਾਰਥ ਨੰਬਰ ਅਤੇ ਸਮੱਗਰੀ ਨੂੰ ਅਧਿਕਾਰਤ ਸਟੈਂਡਰਡ ਟੈਕਸਟ (GRI/EFRAG/ISSB) ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਨਹੀਂ ਵਰਤਿਆ ਜਾ ਸਕਦਾ।

8. ਜੇਕਰ ਸਪਲਾਈ ਲੜੀ ਵਿੱਚ ਜ਼ਿਆਦਾਤਰ ਸਪਲਾਇਰਾਂ ਕੋਲ ਅਸਲ ਕਾਰਬਨ ਡੇਟਾ ਨਹੀਂ ਹੈ, ਤਾਂ ਸਕੋਪ 3 ਲਈ ਸਹੀ ਅਤੇ ਇਮਾਨਦਾਰ ਪਹੁੰਚ ਕੀ ਹੈ?

A) ਸਪਲਾਇਰਾਂ ਲਈ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਸੰਖਿਆਵਾਂ ਦੀ ਸਿੱਧੀ ਵਰਤੋਂ ਕਰਨਾ
ਅ) ਸਕੋਪ 3 ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਛੱਡਣਾ ਕਿਉਂਕਿ ਇਹ 'ਮਾਪਣਾ ਔਖਾ' ਹੈ
C) ਅਸਲ ਡੇਟਾ ਵਾਲੇ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ, ਉਹਨਾਂ ਲਈ ਪ੍ਰੌਕਸੀ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰਨਾ ✔ ਤੋਂ ਬਿਨਾਂ
ਡੀ) ਸਾਰੇ ਸਪਲਾਇਰਾਂ ਲਈ ਪ੍ਰੌਕਸੀ ਲਾਗੂ ਕਰਨਾ ਅਤੇ ਰਿਪੋਰਟ ਵਿੱਚ ਇਸ ਨੂੰ ਲੁਕਾਉਣਾ

ਵਰਣਨ: ਸਕੋਪ 3 ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਦੀ ਸਭ ਤੋਂ ਵੱਡੀ ਪਰ ਵਸਤੂ ਨੂੰ ਮਾਪਣ ਲਈ ਸਭ ਤੋਂ ਮੁਸ਼ਕਲ ਹੈ। ਅਸਲ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨ ਵਾਲੇ ਸਪਲਾਇਰਾਂ ਲਈ, ਉਹ ਡੇਟਾ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ; ਉਹਨਾਂ ਲਈ ਜੋ ਇਹ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ, ਇੱਕ ਖਰਚ-ਅਧਾਰਤ ਪ੍ਰੌਕਸੀ (ਅਨੁਮਾਨ) ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਪ੍ਰੌਕਸੀ ਨੂੰ ਲੁਕਾਉਣਾ ਨਹੀਂ ਹੈ: ਰਿਪੋਰਟ ਵਿੱਚ ਵਰਤੇ ਗਏ ਅੰਦਾਜ਼ੇ ਦੇ ਹਿੱਸੇ ਅਤੇ ਅਨੁਪਾਤ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਬਿਆਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਗੁੰਝਲਦਾਰ ਪ੍ਰੌਕਸੀ ਸੁਤੰਤਰ ਭਰੋਸੇ ਤੋਂ ਇਨਕਾਰ ਕਰ ਸਕਦੀ ਹੈ; ਇਸ ਆਧਾਰ 'ਤੇ ਸਕੋਪ 3 ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਛੱਡਣਾ ਵੀ ਗਲਤ ਹੈ ਕਿ ਇਹ 'ਮਾਪਣਾ ਮੁਸ਼ਕਲ' ਹੈ।

9. AI ਨੇ ਸਿਰਫ਼ ਦੇਸ਼ ਦੀ ਔਸਤ 'ਤੇ ਆਧਾਰਿਤ 'ਸੰਭਾਵੀ ਜਬਰੀ ਮਜ਼ਦੂਰੀ' ਵਜੋਂ ਸਪਲਾਇਰ ਨੂੰ ਫਲੈਗ ਕੀਤਾ। ਸਹੀ ਵਿਵਹਾਰ ਕੀ ਹੈ?

A) ਸਿਗਨਲ ਨੂੰ ਸਬੂਤ ਵਜੋਂ ਸਵੀਕਾਰ ਕਰੋ ਅਤੇ ਤੁਰੰਤ ਜਨਤਕ ਤੌਰ 'ਤੇ ਸਪਲਾਇਰ ਨਾਲ ਰਿਸ਼ਤਾ ਕੱਟ ਦਿਓ
ਅ) ਰਿਪੋਰਟ ਵਿੱਚ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਦਾਅਵਾ ਲਿਖਣਾ ਕਿਉਂਕਿ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੇ ਇਹ ਕਿਹਾ ਹੈ
C) ਜੋਖਮ ਸੰਕੇਤਾਂ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਦੀ ਬਿਲਕੁਲ ਵੀ ਜਾਂਚ ਨਾ ਕਰਨਾ
ਡੀ) ਸਿਗਨਲ ਨੂੰ 'ਜਾਂਚ ਕੀਤੇ ਜਾਣ ਦੀ ਚੇਤਾਵਨੀ' ਦੇ ਰੂਪ ਵਿੱਚ ਸਮਝਣਾ ਅਤੇ ਫੀਲਡ ਨਿਰੀਖਣ ਅਤੇ ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਰੋਤ ਨਾਲ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ✔

ਸਪੱਸ਼ਟੀਕਰਨ: ਮਨੁੱਖੀ ਅਧਿਕਾਰਾਂ ਦੀ ਉਲੰਘਣਾ ਵਰਗੇ ਗੰਭੀਰ ਦੋਸ਼ਾਂ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਪੈਦਾ ਕੀਤੇ ਸੰਕੇਤ ਨਾਲ ਸਾਬਤ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। ਅਜਿਹਾ ਸੰਕੇਤ ਸਿਰਫ਼ 'ਜਾਂਚ ਕੀਤੇ ਜਾਣ ਦੀ ਚੇਤਾਵਨੀ' ਹੈ; ਇੱਕ ਨਿਸ਼ਚਤ ਇਲਜ਼ਾਮ ਵਜੋਂ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨਾ ਬੇਇਨਸਾਫ਼ੀ ਅਤੇ ਕਾਨੂੰਨੀ ਤੌਰ 'ਤੇ ਜੋਖਮ ਭਰਪੂਰ ਹੈ। ਅਜਿਹੇ ਦਾਅਵਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਸਿਰਫ਼ ਭਰੋਸੇਯੋਗ ਸਰੋਤ, ਫੀਲਡ ਨਿਰੀਖਣ ਅਤੇ ਕਾਨੂੰਨੀ ਪ੍ਰਕਿਰਿਆ ਦੁਆਰਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਸਿਗਨਲ ਪੈਦਾ ਕਰਦੀ ਹੈ; ਮਨੁੱਖ ਨਿਰਣਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਲੈਂਦਾ ਹੈ।

10. ਏਆਈ ਦੇ ਨਾਲ ਸਟੇਕਹੋਲਡਰ ਸਰਵੇਖਣ ਤੋਂ ਸੈਂਕੜੇ ਮੁਫਤ-ਟੈਕਸਟ ਜਵਾਬਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੇ ਸਮੇਂ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਾਵਧਾਨੀ ਕੀ ਹੈ?

A) ਦੁਰਲੱਭ ਪਰ ਉੱਚ ਮਹੱਤਵ (ਸੁਰੱਖਿਆ/ਨੈਤਿਕ/ਵਾਤਾਵਰਣਕ) ਸਿਗਨਲਾਂ ਦੀ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਲੋੜ ਹੁੰਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ 'ਤੇ ਪਰਛਾਵੇਂ ਨਹੀਂ ਹੁੰਦੇ ✔
ਅ) ਘੱਟ ਗਿਣਤੀ ਦੇ ਵਿਚਾਰਾਂ ਨੂੰ ਖਤਮ ਕਰਦੇ ਹੋਏ, ਸਿਰਫ ਸਭ ਤੋਂ ਵੱਧ ਬਾਰੰਬਾਰਤਾ ਵਾਲੇ ਥੀਮਾਂ ਨੂੰ ਚੁਣਨਾ
C) ਇੱਕ ਇੱਕਲੇ ਸਕਾਰਾਤਮਕ ਸਾਰਾਂਸ਼ ਦੇ ਸਾਰੇ ਜਵਾਬਾਂ ਨੂੰ ਘਟਾਓ ਅਤੇ ਵੇਰਵਿਆਂ ਨੂੰ ਛੱਡ ਦਿਓ
ਡੀ) ਕੱਚੇ ਜਵਾਬਾਂ ਦੀ ਬਜਾਏ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਸੰਖੇਪ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ

ਵਰਣਨ: ਨਕਲੀ ਬੁੱਧੀ ਬਹੁਗਿਣਤੀ ਦੀ ਆਵਾਜ਼ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ ਅਤੇ ਥੀਮੈਟਿਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਘੱਟ ਗਿਣਤੀ ਦੀ ਆਵਾਜ਼ ਨੂੰ ਦਬਾਉਂਦੀ ਹੈ। ਹਾਲਾਂਕਿ, ਸਥਿਰਤਾ ਵਿੱਚ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸੰਕੇਤ ਕਈ ਵਾਰ ਇੱਕ ਗੰਭੀਰ ਸੁਰੱਖਿਆ, ਨੈਤਿਕ ਜਾਂ ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਸਮੱਸਿਆ ਹੈ ਜੋ ਇੱਕ ਵਿਅਕਤੀ ਦੁਆਰਾ ਆਵਾਜ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਸ ਲਈ ਵਿਸ਼ਲੇਸ਼ਣ ਪੁੱਛਦਾ ਹੈ ਕਿ 'ਸਭ ਤੋਂ ਵੱਧ ਅਕਸਰ ਕੀ ਕਿਹਾ ਜਾਂਦਾ ਸੀ?' ਇਸ ਨਾਲ ਖਤਮ ਨਹੀਂ ਹੁੰਦਾ; 'ਬਹੁਤ ਹੀ ਦੁਰਲੱਭ ਪਰ ਉੱਚ ਮਹੱਤਤਾ ਵਾਲੇ' ਸਿਗਨਲ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਬੇਨਤੀ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ ਅਤੇ ਸੰਖੇਪ ਜਵਾਬਾਂ ਦੀ ਥਾਂ 'ਤੇ, ਬਜਾਏ ਇਸ ਤੋਂ ਇਲਾਵਾ ਕੱਚੇ ਜਵਾਬਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

11. ਨਕਲੀ ਖੁਫੀਆ ਜਾਣਕਾਰੀ ਲਈ ਰਿਪੋਰਟ ਸੈਕਸ਼ਨ ਲਿਖਣ ਵੇਲੇ ਜਾਅਲੀ ਨੰਬਰਾਂ ਅਤੇ ਟੀਚਿਆਂ ਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਲੀਕ ਹੋਣ ਤੋਂ ਰੋਕਣ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਕੀ ਹੈ?

A) 'ਇੱਕ ਢੁਕਵਾਂ ਟੈਕਸਟ ਲਿਖੋ' ਕਹਿ ਕੇ ਇੱਕ ਵਾਰ ਵਿੱਚ ਪੂਰੀ ਰਿਪੋਰਟ ਤਿਆਰ ਕਰਨਾ
B) ਸਿਰਫ਼ ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਨਾ ਅਤੇ ਨਵੇਂ ਨੰਬਰ/ਦਾਅਵਿਆਂ ਨੂੰ ਬਣਾਉਣ 'ਤੇ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪਾਬੰਦੀ ਲਗਾਉਣਾ ✔
C) ਜਾਂਚ ਕਰੋ ਕਿ ਟੈਕਸਟ ਕਿੰਨਾ ਵਧੀਆ ਅਤੇ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਹੈ ਅਤੇ ਇਸਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰੋ
D) AI ਨੂੰ ਵਾਜਬ ਅਨੁਮਾਨਾਂ ਨਾਲ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਭਰਨ ਦੀ ਆਗਿਆ ਦੇਣਾ

ਵਰਣਨ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਖਾਲੀ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਤਰਕ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਨੰਬਰ ਅਤੇ ਟੀਚੇ ਤਿਆਰ ਕਰਦੀ ਹੈ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਅਸਲ ਵਿੱਚ ਨਹੀਂ ਹਨ। ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਵਧਾਨੀ ਇਹ ਹੈ ਕਿ ਇਸ ਨੂੰ ਸਿਰਫ਼ ਪ੍ਰਮਾਣਿਤ ਡੇਟਾ ਦੇਣਾ ਅਤੇ 'ਮੇਰੇ ਵੱਲੋਂ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਤੋਂ ਇਲਾਵਾ ਕੋਈ ਨੰਬਰ, ਪ੍ਰਤੀਸ਼ਤ, ਮਿਤੀਆਂ ਜਾਂ ਦਾਅਵੇ ਸ਼ਾਮਲ ਨਾ ਕਰੋ; ਇਹ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ 'ਗੁੰਮ ਜਗ੍ਹਾ ਵਿੱਚ [ਡਾਟਾ ਲੋੜੀਂਦਾ] ਲਿਖਣ ਦਾ ਨਿਯਮ ਦੱਸਣਾ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਰਿਪੋਰਟ ਨੂੰ ਸੈਕਸ਼ਨ ਦੁਆਰਾ ਸੈਕਸ਼ਨ ਛਾਪਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਡੇਟਾ ਦੇ ਨਾਲ ਫੀਡ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.

12. ਸਥਿਰਤਾ ਰਿਪੋਰਟ ਦੀ ਸਮੀਖਿਆ ਕਰਦੇ ਸਮੇਂ ਇੱਕ ਸੁਤੰਤਰ ਭਰੋਸਾ ਆਡੀਟਰ ਪਹਿਲਾਂ ਕੀ ਦੇਖਦਾ ਹੈ?

A) ਰਿਪੋਰਟ ਕਿੰਨੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਪੇਸ਼ੇਵਰ ਤਰੀਕੇ ਨਾਲ ਲਿਖੀ ਜਾਂਦੀ ਹੈ
ਅ) ਹਰੇਕ ਮੁੱਦੇ ਵਿੱਚ ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਨੂੰ ਖੋਜਣ ਯੋਗ ਸਬੂਤ ਦੀ ਇੱਕ ਲੜੀ ਹੁੰਦੀ ਹੈ ✔
C) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕਹਿੰਦੀ ਹੈ 'ਰਿਪੋਰਟ ਆਡਿਟ ਲਈ ਤਿਆਰ ਹੈ'
ਡੀ) ਰਿਪੋਰਟ ਨੂੰ ਪ੍ਰਤੀਯੋਗੀਆਂ ਨਾਲੋਂ ਵਧੇਰੇ ਜ਼ੋਰਦਾਰ ਦਿਖਾਉਂਦਾ ਹੈ

ਵਿਆਖਿਆ: ਪਰੀਖਕ ਪਾਠ ਦੀ ਰਵਾਨਗੀ ਵਿੱਚ ਦਿਲਚਸਪੀ ਨਹੀਂ ਰੱਖਦਾ, ਪਰ ਹਰੇਕ ਦਾਅਵੇ ਦੇ ਪਿੱਛੇ ਸਬੂਤ ਦੀ ਲੜੀ ਵਿੱਚ; ਉਸਦਾ ਪਹਿਲਾ ਸਵਾਲ ਹੈ 'ਇਸ ਨੰਬਰ ਨੂੰ ਸਾਬਤ ਕਰੋ'। ਇਹ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਕਿ ਕੋਈ ਸੰਖਿਆ ਕਿਹੜੇ ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਆਉਂਦੀ ਹੈ, ਕਿਹੜੇ ਫਾਰਮੂਲੇ ਅਤੇ ਕਾਰਕ ਨੂੰ ਇਹ ਰਿਪੋਰਟ ਵਿੱਚ ਬਦਲਦਾ ਹੈ, ਅਤੇ ਕੀ ਇਸਨੂੰ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਦੁਹਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਇਸ ਲਈ, ਹਰੇਕ ਸਮੱਗਰੀ ਮੈਟ੍ਰਿਕ ਨੂੰ ਇਸਦੇ ਸਰੋਤ ਦਾ ਪਤਾ ਲਗਾਉਣ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਾਰਕਾਂ ਨੂੰ ਅਧਿਕਾਰਤ ਸਰੋਤ ਤੋਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਪ੍ਰੌਕਸੀ ਨਿਰਧਾਰਤ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ; ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇਹ ਤਿਆਰੀ ਕਰਦੀ ਹੈ, ਪਰ ਭਰੋਸਾ ਨਹੀਂ ਦੇ ਸਕਦੀ।

13. ਹੇਠਾਂ ਦਿੱਤੇ ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਦਾਅਵਿਆਂ ਵਿੱਚੋਂ ਕਿਸ ਨੂੰ ਹਰਿਆਲੀ ਧੋਣ ਦਾ ਸਭ ਤੋਂ ਘੱਟ ਜੋਖਮ ਹੈ?

A) 'ਅਸੀਂ 2023 ਤੱਕ (ਤੀਜੀ-ਧਿਰ ਦੀ ਤਸਦੀਕ ਦੇ ਨਾਲ) ਆਪਣੇ ਉਤਪਾਦਨ ਦੇ ਨਿਕਾਸ ਨੂੰ 18% ਘਟਾ ਦਿੱਤਾ ਹੈ' ✔
ਅ) 'ਸਾਡੇ ਉਤਪਾਦ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਾਤਾਵਰਣ ਦੇ ਅਨੁਕੂਲ ਅਤੇ ਕੁਦਰਤੀ ਹਨ'
C) 'ਸਾਡੀ ਕੰਪਨੀ ਕਾਰਬਨ ਨਿਰਪੱਖ ਹੈ' (ਬਿਨਾਂ ਕੋਈ ਦਸਤਾਵੇਜ਼ ਜਾਂ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕੀਤੇ)
ਡੀ) 'ਅਸੀਂ ਉਦਯੋਗ ਵਿੱਚ ਸਭ ਤੋਂ ਟਿਕਾਊ ਅਤੇ ਲਗਭਗ ਜ਼ੀਰੋ ਪ੍ਰਭਾਵ ਵਾਲੀ ਕੰਪਨੀ ਹਾਂ'

ਸਪੱਸ਼ਟੀਕਰਨ: ਇੱਕ ਚੰਗਾ ਵਾਤਾਵਰਣਕ ਦਾਅਵਾ ਮਾਪਣਯੋਗ ਹੈ (ਇੱਕ ਸੰਖਿਆ ਰੱਖਦਾ ਹੈ), ਸਾਬਤ (ਸਬੂਤ ਦੇ ਅਧਾਰ ਤੇ), ਅਤੇ ਦਾਇਰੇ ਵਿੱਚ ਸਪੱਸ਼ਟ ਹੈ (ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਕਿਸ ਨਾਲ ਅਤੇ ਕਦੋਂ ਤੁਲਨਾ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ)। 'ਅਸੀਂ 2023 ਤੱਕ ਉਤਪਾਦਨ ਦੇ ਨਿਕਾਸ ਨੂੰ 18% ਘਟਾ ਦਿੱਤਾ ਹੈ (ਤੀਜੀ-ਪਾਰਟੀ ਤਸਦੀਕ ਦੇ ਨਾਲ)' ਵਿੱਚ ਇਹ ਤਿੰਨ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਹਨ। 'ਈਕੋ-ਫ੍ਰੈਂਡਲੀ', 'ਕੁਦਰਤੀ', ਗੈਰ-ਪ੍ਰਮਾਣਿਤ 'ਕਾਰਬਨ ਨਿਊਟਰਲ' ਵਰਗੇ ਵਾਕਾਂਸ਼ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਜਾਂ ਬੇਬੁਨਿਆਦ ਹਨ ਅਤੇ ਗ੍ਰੀਨਵਾਸ਼ਿੰਗ ਦਾ ਖ਼ਤਰਾ ਰੱਖਦੇ ਹਨ।

14. ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ AI ਟੂਲ ਵਿੱਚ ਅਣਦੱਸੀ ਸਹੂਲਤ ਉਤਪਾਦਨ ਅਤੇ ਨਿਕਾਸ ਡੇਟਾ ਨੂੰ ਪੇਸਟ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਕੀ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ?

ਏ) ਡੇਟਾ ਨੂੰ ਪੇਸਟ ਕਰਨਾ ਜਿਵੇਂ ਹੈ; ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਡੇਟਾ ਹਮੇਸ਼ਾ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਹੁੰਦਾ ਹੈ
ਅ) ਸਾਵਧਾਨੀ ਲਏ ਬਿਨਾਂ ਦੇਣਾ ਕਿਉਂਕਿ ਜ਼ਿੰਮੇਵਾਰੀ ਨਕਲੀ ਬੁੱਧੀ ਪ੍ਰਦਾਤਾ ਨੂੰ ਜਾਂਦੀ ਹੈ
C) ਜੋਖਮ ਸਿਰਫ਼ ਗਲਤ ਗਣਨਾ ਹੈ; ਇੱਕ ਗੁਪਤਤਾ ਮਾਪ ਬੇਲੋੜਾ ਹੈ
D) ਡੇਟਾ ਨੂੰ ਮੁਫਤ/ਅੰਦਰੂਨੀ/ਗੁਪਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਅਤੇ ਗੁਪਤ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਜਾਂ ਕਾਰਪੋਰੇਟ ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔

ਖੁਲਾਸਾ: ਪਲਾਂਟ-ਪੱਧਰ ਦੇ ਉਤਪਾਦਨ ਅਤੇ ਨਿਕਾਸ ਡੇਟਾ ਵਪਾਰਕ ਰਾਜ਼ ਹੋ ਸਕਦੇ ਹਨ; ਵਿੱਤੀ/ਵਾਤਾਵਰਣ ਸੰਬੰਧੀ ਡੇਟਾ ਜਿਸਦਾ ਅਜੇ ਤੱਕ ਖੁਲਾਸਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਰੈਗੂਲੇਟਰੀ ਖੁਲਾਸੇ ਨਿਯਮਾਂ ਦੀ ਉਲੰਘਣਾ ਕਰ ਸਕਦਾ ਹੈ; ਕਰਮਚਾਰੀ ਦੀ ਸਥਿਤੀ/ਤਨਖਾਹ ਡੇਟਾ KVKK/GDPR ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਨਿੱਜੀ ਡੇਟਾ ਹੈ। ਕਿਸੇ ਓਪਨ ਟੂਲ ਨੂੰ ਇਸ ਕਿਸਮ ਦਾ ਡੇਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਇਸ ਨੂੰ ਮੁਫਤ/ਅੰਦਰੂਨੀ/ਗੁਪਤ ਵਜੋਂ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ, ਲੋੜ ਪੈਣ 'ਤੇ ਇਸ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ, ਜਾਂ ਕਾਰਪੋਰੇਟ (ਡਾਟਾ-ਮੁਕਤ) ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਜ਼ਰੂਰੀ ਹੈ। 'ਏਆਈ ਨੇ ਕਿਹਾ' ਕੋਈ ਬਚਾਅ ਨਹੀਂ ਹੈ; ਜ਼ਿੰਮੇਵਾਰੀ ਸੰਸਥਾ ਅਤੇ ਉਸ ਵਿਅਕਤੀ ਦੀ ਹੈ ਜੋ ਇਸ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ।