ਲਾਭ:
- ਖਿੰਡੇ ਹੋਏ ESG ਡੇਟਾ ਨੂੰ ਢਾਂਚਾ ਬਣਾ ਕੇ ਅਤੇ ਦਸਤੀ ਦੀ ਬਜਾਏ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ/ਫਾਰਮੂਲੇ ਨਾਲ ਯੂਨਿਟ ਪਰਿਵਰਤਨ ਕਰਨ ਦੁਆਰਾ ਨਿਰਣਾਇਕ ਸ਼ੁੱਧਤਾ ਪ੍ਰਦਾਨ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਡੇਟਾ ਗੈਪ ਨੂੰ ਉਹਨਾਂ ਨੂੰ ਫਿੱਟ ਕੀਤੇ ਬਿਨਾਂ ਪ੍ਰੌਕਸੀ (ਭਵਿੱਖਬਾਣੀ) ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰਨ ਅਤੇ ਸਰੋਤ ਤੇ ਵਾਪਸ ਜਾ ਕੇ ਬਾਈਨਰੀ ਕਾਉਂਟਿੰਗ ਅਤੇ ਆਊਟਲੀਅਰਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਇੱਕ ਆਡਿਟ ਟ੍ਰੇਲ ਸਥਾਪਤ ਕਰਕੇ ਡੇਟਾ ਨੂੰ ਖੋਜਣ ਯੋਗ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ ਡਿਜੀਟਲ ਆਈਟਮ ਨੂੰ ਇਸਦੇ ਸਰੋਤ ਨਾਲ ਜੋੜਦੀ ਹੈ
ਹਰ ਸਥਿਰਤਾ ਰਿਪੋਰਟ ਦੇ ਹੇਠਾਂ ਇੱਕ ਸ਼ਾਂਤ ਪਰ ਯਾਦਗਾਰੀ ਕੰਮ ਹੁੰਦਾ ਹੈ: ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ। ਇੱਥੋਂ ਤੱਕ ਕਿ ਇੱਕ ਮੱਧਮ ਆਕਾਰ ਦੀ ਕੰਪਨੀ ਬਿਜਲੀ ਅਤੇ ਕੁਦਰਤੀ ਗੈਸ ਦੇ ਬਿੱਲ, ਬਾਲਣ ਦੀਆਂ ਰਸੀਦਾਂ, ਰਹਿੰਦ-ਖੂੰਹਦ ਦੇ ਤਬਾਦਲੇ ਦੇ ਦਸਤਾਵੇਜ਼, ਐਚਆਰ ਪ੍ਰਣਾਲੀਆਂ ਤੋਂ ਕਰਮਚਾਰੀ ਡੇਟਾ, ਸਪਲਾਇਰਾਂ ਤੋਂ ਸਰਵੇਖਣ ਜਵਾਬ, ਅਤੇ ਦਰਜਨਾਂ ਸਹੂਲਤਾਂ ਤੋਂ ਯਾਤਰਾ ਰਿਕਾਰਡ ਇਕੱਠਾ ਕਰਦੀ ਹੈ। ਇਸ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਵਿੱਚ, ਵੱਖ-ਵੱਖ ਯੂਨਿਟਾਂ ਵਿੱਚ ਖਿੰਡੇ ਹੋਏ ਹਨ, ਅਤੇ ਅਕਸਰ ਹੱਥੀਂ ਦਾਖਲ ਕੀਤੇ ਜਾਂਦੇ ਹਨ। ਇੱਕ ਰਿਪੋਰਟ ਦੀ ਗੁਣਵੱਤਾ ਇਸ ਕੱਚੇ ਡੇਟਾ ਦੀ ਸ਼ੁੱਧਤਾ ਤੋਂ ਆਉਂਦੀ ਹੈ, ਨਾ ਕਿ ਇਸਦੇ ਸਭ ਤੋਂ ਚਮਕਦਾਰ ਗ੍ਰਾਫ ਤੋਂ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਇਸ ਗੜਬੜ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਇਕੱਠਾ ਕਰਨ, ਸਾਫ਼ ਕਰਨ ਅਤੇ ਪ੍ਰਬੰਧਨ ਲਈ ਆਰਟੀਫਿਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (AI) ਦੀ ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ ਕਿਵੇਂ ਕਰਨੀ ਹੈ।
ਪਹਿਲਾਂ, ਇੱਕ ਸੰਕਲਪ: ਡੇਟਾ ਗੁਣਵੱਤਾ ਦਾ ਮਤਲਬ ਹੈ ਕਿ ਡੇਟਾ ਸਹੀ ਹੈ (ਸੱਚ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ), ਸੰਪੂਰਨ (ਪੂਰਾ), ਇਕਸਾਰ (ਵਿਰੋਧੀ ਨਹੀਂ), ਸਮੇਂ ਸਿਰ ਅਤੇ ਖੋਜਣ ਯੋਗ (ਇਸਦਾ ਸਰੋਤ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ)। ESG ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਗੁਣਵੱਤਾ ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਡੇਟਾ ਗਲਤ ਹੋਣ ਦੀ ਬਜਾਏ ਅਣਜਾਣ ਹੈ: ਇੱਥੇ ਇੱਕ ਨੰਬਰ ਹੈ, ਪਰ "ਇਹ ਕਿੱਥੋਂ ਆਇਆ?" ਸਵਾਲ ਦਾ ਕੋਈ ਜਵਾਬ ਨਹੀਂ ਹੈ। ਇਹ ਬਿਲਕੁਲ ਉਹੀ ਹੈ ਜੋ ਸੁਤੰਤਰ ਭਰੋਸਾ ਆਡੀਟਰ (ਬਾਹਰੀ ਮਾਹਰ ਜੋ ਰਿਪੋਰਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ) ਪੁੱਛਦਾ ਹੈ। ਇਸ ਲਈ ਇਸ ਯੂਨਿਟ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਇੱਕ ਸਿੰਗਲ ਸੰਕਲਪ ਹੈ: ਆਡਿਟ ਟ੍ਰੇਲ — ਰਿਕਾਰਡਾਂ ਦੀ ਲੜੀ ਜੋ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਹਰੇਕ ਮੁੱਦਾ ਕਿਸ ਦਸਤਾਵੇਜ਼ ਤੋਂ ਆਇਆ ਹੈ, ਕਿਸ ਮਿਤੀ ਨੂੰ, ਕਿਸ ਧਾਰਨਾ ਅਧੀਨ ਆਇਆ ਹੈ।
ESG ਡੇਟਾ ਨਾਲ ਤਿੰਨ ਆਮ ਸਮੱਸਿਆਵਾਂ
1. ਯੂਨਿਟ ਹਫੜਾ-ਦਫੜੀ। ਇੱਕ ਸਹੂਲਤ kWh ਵਿੱਚ ਬਿਜਲੀ ਦੀ ਰਿਪੋਰਟ ਕਰਦੀ ਹੈ, ਦੂਜੀ MWh ਵਿੱਚ, ਅਤੇ ਤੀਜੀ GJ (gigajoules) ਵਿੱਚ। ਜੇਕਰ ਉਹ ਸਾਰੇ ਜੋੜਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਸਿੰਗਲ ਯੂਨਿਟ ਵਿੱਚ ਤਬਦੀਲ ਨਹੀਂ ਹੁੰਦੇ ਹਨ, ਤਾਂ ਨਤੀਜਾ ਅਰਥਹੀਣ ਹੈ। ਕਿਉਂਕਿ 1 MWh = 1,000 kWh, ਜੇਕਰ ਯੂਨਿਟ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ 1000 ਵਾਰ ਗਲਤੀ ਆਵੇਗੀ।
2. ਡਾਟਾ ਅੰਤਰ। ਕਿਸੇ ਜਾਇਦਾਦ ਦਾ ਤਿਮਾਹੀ ਇਨਵੌਇਸ ਗੁੰਮ ਹੈ। ਪਾੜੇ ਨੂੰ ਜਾਂ ਤਾਂ ਅਸਲ ਡੇਟਾ ਜਾਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸੇ ਗਏ ਅਨੁਮਾਨ (ਪ੍ਰੌਕਸੀ) ਨਾਲ ਭਰਿਆ ਜਾਂਦਾ ਹੈ: ਉਦਾਹਰਨ ਲਈ, ਸਮਾਨ ਮਹੀਨਿਆਂ ਦੀ ਔਸਤ। ਮਹੱਤਵਪੂਰਨ ਗੱਲ ਇਹ ਹੈ ਕਿ ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਲੁਕਾਉਣਾ ਨਹੀਂ ਹੈ; ਇਸ ਨੂੰ ਰਿਪੋਰਟ ਵਿੱਚ "ਅਨੁਮਾਨਿਤ ਡੇਟਾ" ਵਜੋਂ ਮਾਰਕ ਕਰਨਾ ਹੈ।
3. ਦੋਹਰੀ ਗਿਣਤੀ ਅਤੇ ਅਸੰਗਤਤਾ। ਇੱਕੋ ਈਂਧਨ ਨੂੰ ਦੋ ਵਾਰ ਇਕੱਠਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜੇਕਰ ਇਸਨੂੰ ਵਾਹਨ ਫਲੀਟ ਅਤੇ ਜਨਰੇਟਰ ਦੋਵਾਂ ਵਿੱਚ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ। AI ਅਜਿਹੇ ਵਿਰੋਧਾਭਾਸ ਨੂੰ ਫੜਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ ਪਰ ਅੰਤਿਮ ਫੈਸਲਾ ਨਹੀਂ ਲੈ ਸਕਦਾ।
ਸਮੱਸਿਆ
ਲੱਛਣ
ਸਹੀ ਪਹੁੰਚ
ਯੂਨਿਟ ਹਫੜਾ-ਦਫੜੀ
kWh/MWh/GJ ਮਿਸ਼ਰਤ
ਸਿੰਗਲ ਯੂਨਿਟ ਵਿੱਚ ਬਦਲੋ, ਕੋਡ ਨਾਲ ਪਰਿਵਰਤਨ ਕਰੋ
ਡਾਟਾ ਅੰਤਰ
ਗੁੰਮ ਮਹੀਨਾ/ਸੁਵਿਧਾ
ਪ੍ਰੌਕਸੀ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਇਸਨੂੰ "ਅਨੁਮਾਨਿਤ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ
ਬਾਈਨਰੀ ਗਿਣਤੀ
ਦੋ ਥਾਵਾਂ 'ਤੇ ਇੱਕੋ ਕਲਮ
ਸਰੋਤ ਨੂੰ ਸਿੰਗਲ ਪੁਆਇੰਟ 'ਤੇ ਪਿੰਨ ਕਰੋ
ਅਣਜਾਣਤਾ
ਅਣਜਾਣ ਮੂਲ ਦੀ ਸੰਖਿਆ
ਆਡਿਟ ਟ੍ਰੇਲ ਟੇਬਲ ਨਾਲ ਲਿੰਕ ਕਰੋ
ਸੰਕੇਤ: ਡੇਟਾ ਸਫਾਈ ਵਿੱਚ ਸੁਨਹਿਰੀ ਨਿਯਮ: "ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਕਦੇ ਨਾ ਛੂਹੋ; ਇੱਕ ਕਾਪੀ 'ਤੇ ਕੰਮ ਕਰੋ।" ਅਸਲ ਇਨਵੌਇਸ ਅਤੇ ਰਿਕਾਰਡਾਂ ਨੂੰ ਬਦਲਿਆ ਨਹੀਂ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ; ਸਾਰੇ ਸੁਧਾਰ ਅਤੇ ਪਰਿਵਰਤਨ ਇੱਕ ਵੱਖਰੀ ਕਾਰਜਸ਼ੀਲ ਫਾਈਲ ਵਿੱਚ, ਜਾਇਜ਼ਤਾ ਦੇ ਨਾਲ ਕੀਤੇ ਗਏ ਹਨ। ਇਸ ਤਰ੍ਹਾਂ, ਆਡੀਟਰ ਹਮੇਸ਼ਾ ਅਸਲ ਸੱਚ ਵੱਲ ਵਾਪਸ ਜਾ ਸਕਦਾ ਹੈ।
ਕਦਮ ਦਰ ਕਦਮ: AI ਨਾਲ ਸੁਰੱਖਿਅਤ ਡਾਟਾ ਵਰਕਫਲੋ
1. ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਜਿਵੇਂ ਹੈ ਉਸੇ ਤਰ੍ਹਾਂ ਰੱਖੋ। ਇਨਵੌਇਸ ਅਤੇ ਰਿਕਾਰਡਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਅਸਲ ਰੂਪ ਵਿੱਚ ਇੱਕ ਥਾਂ ਤੇ ਇਕੱਠਾ ਕਰੋ; ਇਹ “ਸੱਚਾਈ ਦਾ ਇੱਕੋ ਇੱਕ ਸਰੋਤ” ਹੈ।
2. ਕੌਂਫਿਗਰ ਕਰੋ। ਗੜਬੜ ਵਾਲੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਸੰਗਠਿਤ ਸਾਰਣੀ ਵਿੱਚ ਕ੍ਰਮਬੱਧ ਕਰੋ (ਪੌਦਾ, ਮਿਆਦ, ਆਈਟਮ, ਮੁੱਲ, ਇਕਾਈ, ਸਰੋਤ)। AI ਇਸ ਟੇਬਲ ਟੈਂਪਲੇਟ ਵਿੱਚ ਮੁਫਤ ਟੈਕਸਟ ਜਾਂ PDF ਸਮੱਗਰੀ ਨੂੰ ਫਿੱਟ ਕਰਨ ਵਿੱਚ ਵਧੀਆ ਹੈ।
3. ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ ਨਾਲ ਯੂਨਿਟਾਂ ਦਾ ਅਨੁਵਾਦ ਕਰੋ। ਏਆਈ ਨੂੰ ਯੂਨਿਟ ਪਰਿਵਰਤਨ ਅਤੇ ਜੋੜ ਹੱਥੀਂ ਨਾ ਕਰੋ; ਇਸਨੂੰ ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਰਮੂਲਾ ਜਾਂ ਇੱਕ ਛੋਟਾ ਕੋਡ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਤੁਸੀਂ ਕੋਡ ਚਲਾਓਗੇ। ਇਸ ਤਰ੍ਹਾਂ, ਨਤੀਜਾ ਨਿਰਣਾਇਕ ਹੁੰਦਾ ਹੈ (ਹਰ ਵਾਰ ਇੱਕੋ ਜਿਹਾ ਅਤੇ ਪ੍ਰਮਾਣਿਤ)।
4. ਗੁਣਵੱਤਾ ਨਿਯੰਤਰਣ ਕਰੋ। ਉਹਨਾਂ ਨੂੰ ਫਲੈਗ ਆਊਟਲੀਅਰ (ਜਿਵੇਂ ਕਿ ਕਿਸੇ ਸਹੂਲਤ ਦੀ ਖਪਤ ਅਚਾਨਕ 10 ਗੁਣਾ ਵੱਧ ਰਹੀ ਹੈ), ਭੁੱਲਾਂ ਅਤੇ ਵਿਰੋਧਾਭਾਸਵਾਂ ਬਾਰੇ ਦੱਸੋ। ਪਰ ਮਨੁੱਖੀ ਅੱਖਾਂ ਨਾਲ ਹਰੇਕ ਚਿੰਨ੍ਹ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ.
5. ਆਡਿਟ ਟ੍ਰੇਲ ਦੀ ਸਥਾਪਨਾ ਕਰੋ। ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਆਈਟਮ ਨੂੰ ਇਸਦੇ ਸਰੋਤ ਨਾਲ ਜੋੜਨ ਵਾਲੀ ਸਾਰਣੀ ਨੂੰ ਪੂਰਾ ਕਰੋ। ਇਹ ਸਾਰਣੀ ਰਿਪੋਰਟ ਦੀ ਰੀੜ੍ਹ ਦੀ ਹੱਡੀ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਸੁਵਿਧਾ ਦਾ ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ ਅਤੇ ਤੁਹਾਨੂੰ ਕੁੱਲ ਊਰਜਾ ਦੀ ਖਪਤ ਦੱਸੋ।
ਕੋਈ ਇਕਾਈ, ਸਰੋਤ ਅਤੇ ਸਪੇਸ ਨਿਯਮ ਨਹੀਂ ਹਨ; AI ਵੱਖ-ਵੱਖ ਯੂਨਿਟਾਂ ਨੂੰ ਸਕਿਮ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਇਕੱਠਾ ਕਰ ਸਕਦਾ ਹੈ ਅਤੇ ਚੁੱਪਚਾਪ ਗੁੰਮ ਹੋਏ ਲੋਕਾਂ ਦੀ ਪੂਰਤੀ ਕਰ ਸਕਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ESG ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਕ।ਇਨਪੁਟ: facility-period-value-unit ਸਾਰਣੀ ਹੇਠਾਂ। Task:1) ਸਾਰੇ ਊਰਜਾ ਮੁੱਲਾਂ ਨੂੰ kWh ਵਿੱਚ ਬਦਲੋ; ਵੱਖਰੇ ਕਾਲਮ ਵਿੱਚ ਪਰਿਵਰਤਨ ਕਾਰਕ ਦਿਖਾਓ। 2) ਕੁੱਲ ਮੈਨੂਅਲ ਬਣਾਉਣਾ; ਇੱਕ ਸਪ੍ਰੈਡਸ਼ੀਟ ਫਾਰਮੂਲਾ ਲਿਖੋ ਜੋ ਮੈਂ ਵਰਤ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ। 3) ਜਿਹੜੀਆਂ ਆਈਟਮਾਂ ਗੁੰਮ ਜਾਂ ਜ਼ੀਰੋ ਦਿਖਾਈ ਦਿੰਦੀਆਂ ਹਨ ਉਹਨਾਂ ਨੂੰ "ਗੁੰਮ-ਚੈੱਕ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ, ਉਹਨਾਂ ਨੂੰ ਕਦੇ ਵੀ ਆਪਣੇ ਆਪ ਵਿੱਚ ਨਾ ਭਰੋ। 4) ਸੰਭਵ ਬਾਈਨਰੀ ਗਿਣਤੀ ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿੱਥੇ ਇੱਕੋ ਆਈਟਮ ਦੋ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ। ਆਉਟਪੁੱਟ: ਸਾਫ਼ ਕੀਤੀ ਸਾਰਣੀ + ਰੂਪਾਂਤਰਨ ਕਾਲਮ + ਚੇਤਾਵਨੀ ਸੂਚੀ।
ਡੇਟਾ ਨੂੰ ਕੋਡ ਵਿੱਚ ਪਾਉਣਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
AI ਇੱਕ ਟੈਕਸਟ ਜਨਰੇਟਰ ਹੈ; ਮਾਨਸਿਕ ਤੌਰ 'ਤੇ ਨੰਬਰਾਂ ਦੀਆਂ ਲੰਬੀਆਂ ਸੂਚੀਆਂ ਇਕੱਠੀਆਂ ਕਰਨ ਵੇਲੇ ਗਲਤੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ। ਇਸਦੇ ਉਲਟ, ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਇੱਕ ਫਾਰਮੂਲਾ ਜਾਂ ਕੋਡ ਬਣਾਉਣ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਇਹ ਤੁਹਾਡੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਗਣਨਾ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਚਲਾਏਗਾ ਅਤੇ ਹਰ ਵਾਰ ਉਹੀ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰੇਗਾ। ਇਹ "ਏਆਈ ਕਹਿੰਦਾ ਹੈ" ਅਤੇ "ਨਿਯੰਤਰਿਤ ਗਣਨਾ" ਵਿਚਕਾਰ ਅੰਤਰ ਹੈ।
ਨਿਮਨਲਿਖਤ ਨਿਕਾਸ ਡੇਟਾ ਟੇਬਲ ਲਈ ਐਕਸਲ/ਗੂਗਲ ਸ਼ੀਟਾਂ ਦੇ ਫਾਰਮੂਲੇ ਦਾ ਇੱਕ ਸੈੱਟ ਲਿਖੋ। ਲੋੜ ਹੈ:- ਹਰੇਕ ਕਤਾਰ ਵਿੱਚ: ਮੁੱਲ × ਪਰਿਵਰਤਨ ਕਾਰਕ = kWh- ਸਾਰੇ kWhs ਦਾ ਜੋੜ- NUMBER ਦੇ ਰੂਪ ਵਿੱਚ ਗੁੰਮ ਸੈੱਲ (ਖਾਲੀ) ਸ਼ਾਮਲ ਕਰੋ; ਇੱਕ ਵੱਖਰੀ "ਗੁੰਮ ਹੋਈ ਗਿਣਤੀ" ਦੀ ਗਿਣਤੀ ਕਰੋ
ਸਾਵਧਾਨ: ਪੀਡੀਐਫ ਜਾਂ ਚਿੱਤਰ ਤੋਂ AI ਦੁਆਰਾ "ਪੜ੍ਹਦੇ" ਨੰਬਰਾਂ 'ਤੇ ਵਾਧੂ ਧਿਆਨ ਦਿਓ। ਆਪਟੀਕਲ ਰੀਡਿੰਗ ਦੌਰਾਨ ਗਲਤੀਆਂ ਜਿਵੇਂ ਕਿ 1.100 ਬਨਾਮ 11.00, ਜਾਂ ਕੌਮਾ-ਡੌਟ ਉਲਝਣ (1.100 ਬਨਾਮ 1.100) ਆਮ ਹਨ। ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਨਾਲ ਘੱਟੋ-ਘੱਟ ਕੁਝ ਉਦਾਹਰਣਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਯੂਨਿਟ ਟ੍ਰੈਪ। ਇੱਕ ਹੋਲਡਿੰਗ ਕੰਪਨੀ ਨੇ 8 ਸਹੂਲਤਾਂ ਦਾ ਊਰਜਾ ਡੇਟਾ ਇਕੱਠਾ ਕੀਤਾ। 7 ਸੁਵਿਧਾਵਾਂ kWh, 1 ਸੁਵਿਧਾ MWh ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ। AI ਨੇ ਪਹਿਲੀ ਕੋਸ਼ਿਸ਼ 'ਤੇ ਯੂਨਿਟਾਂ ਨੂੰ ਗੁਆ ਕੇ ਕੁੱਲ ਕੀਤਾ ਅਤੇ 1000 ਦੇ ਇੱਕ ਕਾਰਕ ਦੁਆਰਾ ਉਸ ਸਹੂਲਤ ਨੂੰ ਘਟਾ ਦਿੱਤਾ; ਕੁੱਲ 3,201 MWh ਨਿਕਲਿਆ, ਜਦੋਂ ਇਹ ਅਸਲ ਵਿੱਚ 4,200 MWh ਸੀ। ਕੋਡ-ਅਧਾਰਿਤ ਪਰਿਵਰਤਨ ਦੁਆਰਾ ਗਲਤੀ ਨੂੰ ਫੜਿਆ ਅਤੇ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 2 - ਗੁਪਤ ਭਵਿੱਖਬਾਣੀ। ਇੱਕ ਸਹੂਲਤ ਦਾ ਮਾਰਚ ਇਨਵੌਇਸ ਗਾਇਬ ਸੀ। ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ AI ਨੂੰ "ਖਾਲੀ ਥਾਂ ਭਰਨ" ਲਈ ਕਿਹਾ; AI ਨੇ ਗੁਆਂਢੀ ਮਹੀਨਿਆਂ ਦੀ ਔਸਤ ਰੱਖੀ ਪਰ ਇਸ ਨੂੰ ਸਪਸ਼ਟ ਨਹੀਂ ਕੀਤਾ। ਆਡੀਟਰ ਪੁੱਛਦਾ ਹੈ "ਇਹ ਨੰਬਰ ਕਿਸ ਚਲਾਨ ਦਾ ਹੈ?" ਪੁੱਛਣ 'ਤੇ ਸਰੋਤ ਦਾ ਪਤਾ ਨਹੀਂ ਲੱਗ ਸਕਿਆ। ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕੀਤਾ ਗਿਆ ਹੈ: ਰਿਪੋਰਟ ਵਿੱਚ ਪੂਰਵ ਅਨੁਮਾਨ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ "ਪ੍ਰੌਕਸੀ — ਫਰਵਰੀ/ਅਪ੍ਰੈਲ ਔਸਤ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
ਕੇਸ 3 - ਦੋਹਰੀ ਗਿਣਤੀ। ਇੱਕ ਫੈਕਟਰੀ ਵਿੱਚ, ਜਨਰੇਟਰ ਬਾਲਣ ਨੂੰ "ਸਟੇਸ਼ਨਰੀ ਬਰਨਿੰਗ" ਅਤੇ "ਬੈਕਅਪ ਐਨਰਜੀ" ਆਈਟਮਾਂ ਦੇ ਤਹਿਤ ਦਾਖਲ ਕੀਤਾ ਗਿਆ ਸੀ। ਏਆਈ ਨੇ ਇਸ ਦੁਹਰਾਓ ਨੂੰ ਇਸਦੇ ਵਿਰੋਧਾਭਾਸ ਸਕੈਨ ਵਿੱਚ ਫਲੈਗ ਕੀਤਾ; ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਅਤੇ 6 ਟਨ CO₂e ਦੀ ਦੋਹਰੀ ਗਿਣਤੀ ਨੂੰ ਹਟਾ ਦਿੱਤਾ ਗਿਆ। AI ਦੇ ਯੋਗਦਾਨ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਨਾ ਅਤੇ ਫੈਸਲਾ ਕਰਨਾ ਵਿਸ਼ਲੇਸ਼ਕ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।
ਕੁਆਲਿਟੀ ਕੰਟਰੋਲ ਪ੍ਰੋਂਪਟ
ਹੇਠਾਂ ਦਿੱਤੇ ESG ਡੇਟਾ ਟੇਬਲ 'ਤੇ ਗੁਣਵੱਤਾ ਦੀ ਜਾਂਚ ਕਰੋ। ਖੋਜੋ (ਪਰ ਇਸ ਨੂੰ ਆਪਣੇ ਆਪ ਠੀਕ ਨਾ ਕਰੋ, ਸਿਰਫ ਨਿਸ਼ਾਨ ਲਗਾਓ): 1) ਆਊਟਲੀਅਰ (ਆਈਟਮਾਂ ਜੋ ਪਿਛਲੀ ਮਿਆਦ ਤੋਂ 50% ਤੋਂ ਵੱਧ ਘਟਦੀਆਂ ਹਨ) 2) ਇਕਾਈ ਵਿਸੰਗਤੀਆਂ3) ਖਾਲੀ/ਗੁੰਮ ਸੈੱਲ4) ਸੰਭਾਵੀ ਡੁਪਲੀਕੇਟ ਜਿੱਥੇ ਇੱਕੋ ਆਈਟਮ ਕਈ ਵਾਰ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ, "ਹਰੇਕ ਸੁਚੇਤ ਕਾਰਨ ਦੇ ਨਾਲ ਇਸਦੀ ਸੂਚੀਬੱਧ ਕਰੋ:" ਇੱਕ ਸੁਚੇਤ ਕਾਰਨ ਹੈ। [ਸਾਰਣੀ]
ਨਿਮਨਲਿਖਤ ਪ੍ਰੋਂਪਟ ਇੱਕ ਆਡਿਟ-ਤਿਆਰ ਨਿਗਰਾਨੀ ਸਾਰਣੀ ਦੇ ਪਿੰਜਰ ਨੂੰ ਸੈਟ ਅਪ ਕਰਦਾ ਹੈ।
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ESG ਡੇਟਾ ਮੈਨੇਜਰ। ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਆਈਟਮਾਂ ਲਈ ਇੱਕ ਆਡਿਟ ਟ੍ਰੇਲ ਟੇਬਲ ਤਿਆਰ ਕਰੋ। ਕਾਲਮ: ਆਈਟਮ | ਮੁੱਲ | ਯੂਨਿਟ | ਸਰੋਤ ਦਸਤਾਵੇਜ਼ ਦੀ ਕਿਸਮ | ਦਸਤਾਵੇਜ਼ ਨੰਬਰ/ਤਾਰੀਖ | ਜਿੰਮੇਵਾਰ | ਅੰਦਾਜ਼ਾ ਲਗਾਓ (Y/N) | ਕੀ ਇਹ ਪ੍ਰਮਾਣਿਤ ਹੈ? ਹਰੇਕ ਲਾਈਨ 'ਤੇ "ਸਰੋਤ ਲੋੜੀਂਦਾ" ਲਿਖੋ ਜਿਸਦਾ ਸਰੋਤ ਅਣਜਾਣ ਹੈ। ਪੈਨਸਿਲ: [ਪੇਨਸ]
ਆਮ ਗਲਤੀਆਂ
- ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸੋਧਣਾ। ਅਸਲੀ ਰਿਕਾਰਡਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖੇ ਬਿਨਾਂ ਸੁਧਾਰ ਕਰਨਾ ਆਡਿਟ ਟ੍ਰੇਲ ਨੂੰ ਤੋੜਦਾ ਹੈ।
- AI ਹੋਣ ਨਾਲ ਯੂਨਿਟ ਪਰਿਵਰਤਨ ਹੱਥੀਂ ਕਰੋ। ਲੰਬੀਆਂ ਸੂਚੀਆਂ ਵਿੱਚ ਮਾਨਸਿਕ ਜੋੜ ਗਲਤੀ ਦੀ ਸੰਭਾਵਨਾ ਹੈ; ਕੋਡ/ਫ਼ਾਰਮੂਲਾ ਵਰਤੋ।
- ਪੂਰਵ ਅਨੁਮਾਨ ਲੁਕਾਓ. ਪ੍ਰੌਕਸੀ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ; ਇਸ ਨੂੰ ਨਿਰਧਾਰਿਤ ਨਾ ਕਰਨਾ ਆਡਿਟਿੰਗ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਸਮੱਸਿਆ ਹੈ।
- ਚੁੱਪਚਾਪ ਆਊਟਲਾਇਰ ਨੂੰ ਮਿਟਾਇਆ ਜਾ ਰਿਹਾ ਹੈ। ਕਿਸੇ ਸਹੂਲਤ ਦੀ ਖਪਤ ਨੂੰ ਦੁੱਗਣਾ ਕਰਨਾ ਇੱਕ ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ ਜਾਂ ਨਹੀਂ ਵੀ ਹੋ ਸਕਦੀ ਹੈ; ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਇਸਨੂੰ ਮਿਟਾਇਆ ਨਹੀਂ ਜਾ ਸਕਦਾ।
- PDF/ਚਿੱਤਰ ਤੋਂ ਪੜ੍ਹੇ ਗਏ ਨੰਬਰ ਨੂੰ ਅੰਨ੍ਹੇਵਾਹ ਸਵੀਕਾਰ ਕਰਨਾ। ਆਪਟੀਕਲ ਰੀਡਿੰਗ ਗਲਤੀਆਂ ਦੇ ਵਿਰੁੱਧ ਨਮੂਨਾ ਨਿਯੰਤਰਣ ਜ਼ਰੂਰੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਇੱਕ ESG ਰਿਪੋਰਟ ਦਾ ਅਸਲ ਮੁੱਲ ਇਸਦੇ ਡੇਟਾ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਖੋਜਯੋਗਤਾ ਵਿੱਚ ਹੈ। AI; ਇਹ ਖਿੰਡੇ ਹੋਏ ਡੇਟਾ ਨੂੰ ਸੰਰਚਨਾ ਕਰਨ, ਯੂਨਿਟ ਪਰਿਵਰਤਨ ਲਈ ਫਾਰਮੂਲੇ ਤਿਆਰ ਕਰਨ, ਅਤੇ ਬਾਹਰੀ ਅਤੇ ਵਿਰੋਧਾਭਾਸ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਤਾ ਹੈ। ਪਰ ਸਭ ਤੋਂ ਵੱਡਾ ਖਤਰਾ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਡੇਟਾ ਗਲਤ ਹੈ, ਇਹ ਹੈ ਕਿ ਇਹ ਅਣਜਾਣ ਹੈ. ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖੋ, ਕੋਡ ਵਿੱਚ ਪਰਿਵਰਤਨ ਕਰੋ, ਭਵਿੱਖਬਾਣੀ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਚਿੰਨ੍ਹਿਤ ਕਰੋ, ਅਤੇ ਹਰੇਕ ਨੰਬਰ ਨੂੰ ਇੱਕ ਆਡਿਟ ਟ੍ਰੇਲ ਨਾਲ ਜੋੜੋ। "ਨੰਬਰ ਸਹੀ ਲੱਗ ਰਿਹਾ ਹੈ" ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; "ਮੈਂ ਇਸ ਨੰਬਰ ਨੂੰ ਇਸਦੇ ਸਰੋਤ ਤੱਕ ਟਰੇਸ ਕਰ ਸਕਦਾ ਹਾਂ" ਦੀ ਲੋੜ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਯੂਨਿਟਾਂ (ਜਿਵੇਂ ਕਿ kWh, MWh, ਲਿਟਰ) ਵਿੱਚ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਛੋਟੀ ਨਮੂਨਾ ਸਾਰਣੀ ਤਿਆਰ ਕਰੋ; ਜਾਣਬੁੱਝ ਕੇ ਇੱਕ ਜਾਂ ਦੋ ਸੈੱਲਾਂ ਨੂੰ ਖਾਲੀ ਛੱਡੋ। ਉਪਰੋਕਤ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਦੇ ਨਾਲ AI ਨੂੰ ਫਾਰਮੂਲੇ ਦੇ ਇੱਕ ਸਮੂਹ ਲਈ ਪੁੱਛੋ ਜੋ ਇਸ ਸਾਰਣੀ ਨੂੰ ਇੱਕ ਇਕਾਈ ਵਿੱਚ ਬਦਲਦੇ ਹਨ ਅਤੇ ਗੁਣਵੱਤਾ ਚੇਤਾਵਨੀਆਂ ਦੀ ਇੱਕ ਸੂਚੀ. ਫਿਰ: (1) ਪਰਿਵਰਤਨ ਕਾਰਕਾਂ ਦੀ ਜਾਂਚ ਕਰੋ, (2) ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਅੰਤਰ ਨਹੀਂ ਬਣੇ ਹਨ, (3) ਹਰੇਕ ਆਈਟਮ ਲਈ ਇੱਕ ਛੋਟੀ ਆਡਿਟ ਟ੍ਰੇਲ ਲਾਈਨ ਲਿਖੋ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਇਸਦੇ ਅਸਲ ਰੂਪ ਵਿੱਚ ਰੱਖਿਆ, ਕਾਪੀ 'ਤੇ ਕੰਮ ਕੀਤਾ।
- [ ] ਮੈਂ ਕੋਡ/ਫਾਰਮੂਲੇ ਨਾਲ ਸਾਰੀਆਂ ਇਕਾਈਆਂ ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਯੂਨਿਟ ਵਿੱਚ ਬਦਲ ਦਿੱਤਾ।
- [ ] ਮੈਂ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਨਹੀਂ ਬਣਾਇਆ; ਮੈਂ ਪੂਰਵ-ਅਨੁਮਾਨਾਂ ਨੂੰ "ਪ੍ਰੌਕਸੀ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਉਨ੍ਹਾਂ ਨੂੰ ਮਿਟਾਉਣ ਤੋਂ ਪਹਿਲਾਂ ਬਾਹਰਲਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ।
- [ ] ਮੈਂ ਸਰੋਤ 'ਤੇ ਜਾ ਕੇ ਸੰਭਵ ਬਾਈਨਰੀ ਗਿਣਤੀਆਂ ਨੂੰ ਹੱਲ ਕੀਤਾ।
- [ ] ਮੈਂ ਨਮੂਨੇ ਦੇ ਨਾਲ PDF/ਚਿੱਤਰ ਤੋਂ ਪੜ੍ਹੇ ਗਏ ਨੰਬਰਾਂ ਦੀ ਦ੍ਰਿਸ਼ਟੀ ਨਾਲ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
- ਮੈਂ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਆਈਟਮ ਨੂੰ ਆਡਿਟ ਟ੍ਰੇਲ ਰਿਕਾਰਡ ਨਾਲ ਜੋੜਿਆ ਹੈ।