ਐਨਵਾਇਰਮੈਂਟਲ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ ਏਆਈ: ਜਾਣ-ਪਛਾਣ, ਸੀਮਾਵਾਂ, ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਨੈਤਿਕਤਾ

ਲਾਭ:

• ਜੋਖਿਮ-ਅਧਾਰਤ ਵਰਗੀਕਰਨ ਕਿੱਥੇ ਏਆਈ ਤੇਜ਼ ਹੋ ਰਿਹਾ ਹੈ ਅਤੇ ਕਿੱਥੇ ਇਹ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਜੋਖਮ ਭਰਪੂਰ ਹੈ
• ਵਾਤਾਵਰਣ ਸੀਮਾ ਮੁੱਲਾਂ, ਮਿਆਰਾਂ ਅਤੇ ਸਰੋਤਾਂ ਦੇ ਸੰਬੰਧ ਵਿੱਚ LLMs ਦੇ ਭਰਮ ਦੇ ਜੋਖਮ ਨੂੰ ਪਛਾਣਨ ਦੀ ਸਮਰੱਥਾ
• ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਖੇਤਰ ਅਤੇ ਰੈਗੂਲੇਟਰੀ ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਅਤੇ ਨੈਤਿਕ/ਗੋਪਨੀਯਤਾ ਸਿਧਾਂਤਾਂ ਨੂੰ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ

ਇੱਕ ਸੰਗਠਿਤ ਉਦਯੋਗਿਕ ਜ਼ੋਨ ਦੇ ਇੱਕ ਸਾਂਝੇ ਗੰਦੇ ਪਾਣੀ ਦੇ ਇਲਾਜ ਪਲਾਂਟ ਵਿੱਚ ਇੱਕ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰ ਵਜੋਂ ਕੰਮ ਕਰਨ ਦੀ ਕਲਪਨਾ ਕਰੋ। ਆਊਟਲੈਟ ਦੇ ਪਾਣੀ ਵਿੱਚ ਸੀਓਡੀ ਵਿੱਚ ਅਚਾਨਕ ਵਾਧਾ ਹੁੰਦਾ ਹੈ, ਕਾਰੋਬਾਰੀ ਮੈਨੇਜਰ ਫ਼ੋਨ 'ਤੇ ਕਹਿੰਦਾ ਹੈ, "ਮੈਂ ਜਲਦੀ ਤੋਂ ਜਲਦੀ ਕਾਰਨ ਅਤੇ ਹੱਲ ਚਾਹੁੰਦਾ ਹਾਂ।" ਤੁਹਾਡੇ ਡੈਸਕ 'ਤੇ ਪਿਛਲੇ ਹਫ਼ਤੇ ਦੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਨਤੀਜੇ, SCADA ਰਿਕਾਰਡ, ਅਤੇ ਇੱਕ ਚੈਟ ਵਿੰਡੋ ਹੈ ਜੋ ਤੁਸੀਂ ਹੁਣੇ ਖੋਲ੍ਹੀ ਹੈ। ਤੁਸੀਂ AI ਨੂੰ ਪੁੱਛਦੇ ਹੋ "ਆਉਟਪੁੱਟ COD ਕਿਉਂ ਵਧਿਆ, ਡਿਸਚਾਰਜ ਸੀਮਾ ਨੂੰ ਵੀ ਲਿਖੋ?" ਸਕਿੰਟਾਂ ਦੇ ਅੰਦਰ, ਮਾਡਲ ਸਹੀ ਤੁਰਕੀ ਵਿੱਚ, ਆਈਟਮ ਦੁਆਰਾ ਆਈਟਮ, ਸੰਭਾਵੀ ਕਾਰਨ ਅਤੇ ਵਾਕ ਵੀ ਲਿਖਦਾ ਹੈ "ਜਲ ਪ੍ਰਦੂਸ਼ਣ ਕੰਟਰੋਲ ਨਿਯਮ ਦੇ ਅਨੁਸਾਰ, COD ਡਿਸਚਾਰਜ ਸੀਮਾ 120 mg/L ਹੈ।" ਸਮੱਸਿਆ ਇਹ ਹੈ ਕਿ ਇਹ ਬ੍ਰੇਕਪੁਆਇੰਟ ਮਾਡਲ ਫਿੱਟ ਕੀਤਾ ਗਿਆ ਹੋ ਸਕਦਾ ਹੈ; ਤੁਹਾਡੇ ਉਦਯੋਗ, ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਵਾਤਾਵਰਣ ਅਤੇ ਸਹੂਲਤ ਦੀ ਕਿਸਮ 'ਤੇ ਨਿਰਭਰ ਕਰਦਿਆਂ, ਅਸਲ ਸੀਮਾ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੀ ਹੋ ਸਕਦੀ ਹੈ। ਇਹ ਇਕਾਈ ਤੁਹਾਨੂੰ ਉਸੇ ਪਲ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਸਿਖਾਉਂਦੀ ਹੈ—ਉਹ ਪਲ ਜਦੋਂ ਤੁਹਾਡੀ ਇੰਜੀਨੀਅਰਿੰਗ ਜ਼ਿੰਮੇਵਾਰੀ AI ਦੇ ਤੇਜ਼ ਪਰ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਨਾਲ ਕੱਟਦੀ ਹੈ।

ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ AI ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਕੀ ਨਹੀਂ ਕਰਦਾ

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ (LLM) ਵੱਡੇ ਟੈਕਸਟ ਡੇਟਾ 'ਤੇ "ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ" ਦੇ ਸਿਧਾਂਤ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਸਿਸਟਮ ਹਨ। ਇਹ ਉਹਨਾਂ ਨੂੰ ਭਾਸ਼ਾ ਦੇ ਕੰਮ ਵਿੱਚ ਬਹੁਤ ਮਜ਼ਬੂਤ ​​ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਤੱਥ-ਜਾਂਚ ਵਿੱਚ ਬੁਨਿਆਦੀ ਤੌਰ 'ਤੇ ਕਮਜ਼ੋਰ ਹੈ। ਮਾਡਲ ਇੱਕ ਬ੍ਰੇਕਪੁਆਇੰਟ ਨੂੰ "ਯਾਦ" ਨਹੀਂ ਕਰਦਾ ਹੈ, ਇਹ ਇੱਕ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਵਾਜਬ ਲੱਗਦਾ ਹੈ।

ਨੌਕਰੀਆਂ AI ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਚੰਗੀ ਹੈ:

• ਲੰਬੇ ਕਾਨੂੰਨ, EIA ਰਿਪੋਰਟਾਂ ਜਾਂ ਸਾਹਿਤ ਦੇ ਪਾਠਾਂ ਦਾ ਸੰਖੇਪ ਅਤੇ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ
• ਗਣਨਾ ਦੀ ਬਣਤਰ, ਫਾਰਮੂਲਾ ਅਤੇ ਤਰਕ ਸਥਾਪਤ ਕਰਨਾ (ਪੁੰਜ ਸੰਤੁਲਨ, ਨਿਕਾਸੀ ਲੋਡ, ਕੁਸ਼ਲਤਾ)
• ਸਮੱਸਿਆ ਦੇ ਨਿਪਟਾਰੇ ਲਈ ਸੰਭਾਵੀ ਕਾਰਨਾਂ ਅਤੇ ਦ੍ਰਿਸ਼ਾਂ ਦੀ ਸੂਚੀ ਬਣਾਉਣਾ
• ਡਰਾਫਟ ਰਿਪੋਰਟਾਂ, ਟੇਬਲ, ਪੇਸ਼ਕਾਰੀਆਂ ਅਤੇ ਪੱਤਰ ਵਿਹਾਰ ਤਿਆਰ ਕਰਨਾ
• ਇੱਕ ਗੁੰਝਲਦਾਰ ਵਿਸ਼ੇ (ਜਿਵੇਂ ਕਿ ਨਾਈਟ੍ਰੀਫਿਕੇਸ਼ਨ ਕੈਮਿਸਟਰੀ) ਨੂੰ ਕਦਮ ਦਰ ਕਦਮ ਸਮਝਾਉਣਾ

ਉਹ ਕੰਮ ਜੋ AI ਨਹੀਂ ਕਰ ਸਕਦਾ/ਅਵਿਸ਼ਵਾਸਯੋਗ ਹੈ:

• ਇੱਕ ਅੱਪ-ਟੂ-ਡੇਟ ਅਤੇ ਸੰਦਰਭ-ਵਿਸ਼ੇਸ਼ ਸੀਮਾ ਮੁੱਲ, ਮਿਆਰੀ ਨੰਬਰ ਜਾਂ ਰੈਗੂਲੇਸ਼ਨ ਲੇਖ ਪ੍ਰਦਾਨ ਕਰਨਾ
• ਤੁਹਾਡੀ ਸਹੂਲਤ ਦੇ ਅਸਲ ਮਾਪ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ (ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਇਸਨੂੰ ਪ੍ਰਦਾਨ ਨਹੀਂ ਕਰਦੇ)
• ਪ੍ਰਯੋਗਸ਼ਾਲਾ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਜਾਂ ਖੇਤਰ ਦੇ ਮਾਪ ਲਈ ਬਦਲਣਾ
• ਕਨੂੰਨੀ/ਪ੍ਰਸ਼ਾਸਕੀ ਜਿੰਮੇਵਾਰੀ ਮੰਨੋ — ਦਸਤਖਤ ਤੁਹਾਡੇ ਹਨ

ਸੁਝਾਅ: AI ਬਾਰੇ "ਸੀਨੀਅਰ ਇੰਟਰਨ" ਵਾਂਗ ਸੋਚੋ। ਤੇਜ਼, ਚੰਗੀ ਤਰ੍ਹਾਂ ਪੜ੍ਹਿਆ, ਚੰਗਾ ਡਰਾਫਟ ਲੇਖਕ; ਪਰ ਤੁਸੀਂ ਹਰ ਪ੍ਰਿੰਟਆਊਟ ਨੂੰ ਆਪਣੇ ਆਪ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਕਿਤੇ ਵੀ ਨਹੀਂ ਭੇਜਦੇ ਹੋ। ਹਰ ਸੰਖਿਆ ਅਤੇ ਕਾਨੂੰਨ ਦਾ ਹਰ ਸੰਦਰਭ ਜੋ ਉਹ ਪੈਦਾ ਕਰਦਾ ਹੈ ਸਿਰਫ਼ ਇੱਕ ਪਰਿਕਲਪਨਾ ਹੈ ਜਦੋਂ ਤੱਕ ਤੁਸੀਂ ਇਸਦੀ ਸਰੋਤ ਤੋਂ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰਦੇ।

ਭਰਮ: ਮਨਘੜਤ ਸੀਮਾ ਮੁੱਲ ਅਤੇ ਨਿਯਮ ਲੇਖ

ਇੱਕ ਭੁਲੇਖਾ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਮਾਡਲ ਪੂਰੇ ਭਰੋਸੇ ਨਾਲ ਅਸਲ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ। ਵਾਤਾਵਰਣ ਇੰਜਨੀਅਰਿੰਗ ਵਿੱਚ ਤਿੰਨ ਸਭ ਤੋਂ ਖਤਰਨਾਕ ਕਿਸਮਾਂ ਦੇ ਭੁਲੇਖੇ ਹਨ:

1. ਮੇਡ-ਅੱਪ ਸੀਮਾ ਮੁੱਲ: ਉਹ ਨੰਬਰ ਜੋ ਸਹੀ ਲੱਗਦੇ ਹਨ ਪਰ ਗਲਤ ਹੋ ਸਕਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ "PM10 ਲਈ 24-ਘੰਟੇ ਦੀ ਸੀਮਾ 50 µg/m³" ਹੈ।
2. ਨਿਰਮਿਤ ਵਿਧਾਨਕ ਹਵਾਲਾ: "ਰੈਗੂਲੇਸ਼ਨ ਦੇ ਆਰਟੀਕਲ 12/3 ਦੇ ਅਨੁਸਾਰ..." — ਲੇਖ ਨੰਬਰ ਅਤੇ ਰੈਗੂਲੇਸ਼ਨ ਦਾ ਨਾਮ ਅਸਲੀ ਜਾਪਦਾ ਹੈ, ਪਰ ਸਮੱਗਰੀ ਬਣੀ ਹੋਈ ਹੈ।
3. ਫਰਜ਼ੀ ਸਰੋਤ: ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਲੇਖ, ਮਿਆਰੀ ਨੰਬਰ (ਉਦਾਹਰਨ ਲਈ "TS EN 12457") ਜਾਂ ਸੰਸਥਾਗਤ ਗਾਈਡ।

ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਸੁਰੱਖਿਅਤ ਅਤੇ ਜੋਖਮ ਭਰੇ ਜਵਾਬ ਦੇ ਪੈਟਰਨਾਂ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਜੋ ਮਾਡਲ ਉਸੇ ਸਵਾਲ ਨੂੰ ਦੇ ਸਕਦਾ ਹੈ:

ਮਾਡਲ ਆਉਟਪੁੱਟ

ਜੋਖਮ

ਕੀ ਕਰਨਾ ਹੈ

"ਡਿਸਚਾਰਜ ਸੀਮਾ ਬਿਲਕੁਲ 120 ਮਿਲੀਗ੍ਰਾਮ / ਐਲ ਹੈ।"

ਉੱਚ — ਸਹੀ ਸੰਖਿਆ, ਬਿਨਾਂ ਸਰੋਤ

ਅਧਿਕਾਰਤ ਕਾਨੂੰਨ ਤੋਂ ਪੁਸ਼ਟੀ ਕਰੋ

"ਸੈਕਟਰ ਅਤੇ ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲੇ ਵਾਤਾਵਰਣ ਦੇ ਅਧਾਰ ਤੇ ਡਿਸਚਾਰਜ ਸੀਮਾਵਾਂ ਵੱਖਰੀਆਂ ਹੁੰਦੀਆਂ ਹਨ; ਸੰਬੰਧਿਤ ਰੈਗੂਲੇਸ਼ਨ ਟੇਬਲ ਨਾਲ ਸਲਾਹ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ."

ਘੱਟ — ਰਾਊਟਰ

ਅਜੇ ਵੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਪਰ ਭਰੋਸੇਯੋਗ

"ਮੈਂ ਇਸ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕਰ ਸਕਦਾ, ਅਧਿਕਾਰਤ ਸਰੋਤ ਵੇਖੋ।"

ਘੱਟ

ਆਦਰਸ਼ ਵਿਵਹਾਰ

ਸਾਵਧਾਨ: ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਖਾਸ ਅਤੇ ਭਰੋਸੇਮੰਦ ਨੰਬਰ ਲਿਖਿਆ ਜਾਂਦਾ ਹੈ, ਜੇਕਰ ਇਹ ਅਣਸੋਰਸਡ ਹੋਵੇ ਤਾਂ ਇਹ ਓਨਾ ਹੀ ਖਤਰਨਾਕ ਹੁੰਦਾ ਹੈ। "120 mg/L" ਵਰਗਾ ਸਪਸ਼ਟ ਮੁੱਲ ਤੁਹਾਨੂੰ ਆਰਾਮਦਾਇਕ ਬਣਾ ਦੇਵੇਗਾ ਪਰ ਝੂਠਾ ਭਰੋਸਾ ਦੇਵੇਗਾ। ਆਪਣੇ ਫੈਸਲੇ ਨੂੰ ਕਿਸੇ ਵੀ ਸੀਮਾ ਮੁੱਲ 'ਤੇ ਅਧਾਰਤ ਨਾ ਕਰੋ ਜਿਸਦਾ ਹਵਾਲਾ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ ਹੈ।

ਕਿਰਤ ਦੀ ਜੋਖਮ-ਅਧਾਰਿਤ ਵੰਡ

ਫੈਸਲੇ ਦੇ ਨਤੀਜੇ ਦਾ ਭਾਰ ਉਹ ਹੁੰਦਾ ਹੈ ਜੋ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਕਿੱਥੇ AI ਦੀ ਸੁਤੰਤਰ ਵਰਤੋਂ ਕਰਨੀ ਹੈ ਅਤੇ ਕਿੱਥੇ ਇਸਦੀ ਵਰਤੋਂ ਸਿਰਫ ਡਰਾਫਟ ਦੇ ਉਦੇਸ਼ਾਂ ਲਈ ਕਰਨੀ ਹੈ। ਹੇਠ ਲਿਖਿਆਂ ਵਰਗੀਕਰਨ ਇੱਕ ਵਿਹਾਰਕ ਕੰਪਾਸ ਹੈ:

ਖੋਜ

ਜੋਖਮ ਦਾ ਪੱਧਰ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ

ਸਾਹਿਤ/ਵਿਧਾਨ ਸੰਖੇਪ, ਸੰਕਲਪ ਵਿਆਖਿਆ

ਘੱਟ

ਨਿਰਮਾਤਾ, ਐਕਸਲੇਟਰ

ਮੁੱਖ ਦਾਅਵਿਆਂ ਦੀ ਕਰਾਸ-ਚੈੱਕ ਕਰੋ

ਰਿਪੋਰਟ/ਪੱਤਰ ਪੱਤਰ ਡਰਾਫਟ, ਟੇਬਲ ਲੇਆਉਟ

ਘੱਟ

ਡਰਾਫਟ ਲੇਖਕ

ਸੰਪਾਦਕੀ ਸਮੀਖਿਆ

ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸੈੱਟਅੱਪ, ਗਣਨਾ ਫਾਰਮੂਲਾ

ਮੱਧਮ

ਬਿਲਡਰ

ਇਨਪੁਟ ਡੇਟਾ + ਗਣਨਾ ਦਾ ਦਸਤੀ ਨਿਯੰਤਰਣ

ਪ੍ਰਕਿਰਿਆ ਸਮੱਸਿਆ ਨਿਪਟਾਰਾ ਦ੍ਰਿਸ਼

ਮੱਧਮ

ਵਿਚਾਰ ਜਨਰੇਟਰ

ਪ੍ਰਯੋਗਸ਼ਾਲਾ + ਫੀਲਡ ਡੇਟਾ

ਡਿਸਚਾਰਜ/ਨਿਕਾਸ ਸੀਮਾ ਨਿਰਧਾਰਨ

ਉੱਚ

ਸਿਰਫ਼ ਡਰਾਫਟ

ਅਧਿਕਾਰਤ ਕਾਨੂੰਨ + ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਪ੍ਰਯੋਗਸ਼ਾਲਾ

EIA ਨਤੀਜਾ, "ਅਸਰ ਨਾਕਾਰਾਤਮਕ" ਨਿਰਣਾ

ਉੱਚ

ਸਿਰਫ਼ ਡਰਾਫਟ

ਮਾਹਰ + ਖੇਤਰ ਮਾਪ

ਮਨੁੱਖੀ/ਵਾਤਾਵਰਣ ਸਿਹਤ ਸੰਬੰਧੀ ਫੈਸਲੇ

ਨਾਜ਼ੁਕ

ਸਮਰਥਨ, ਕਦੇ ਵੀ ਫੈਸਲਾ ਨਾ ਕਰੋ

ਪੂਰਾ ਕਾਨੂੰਨ + ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ

ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਨਤੀਜਾ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਨਾ ਬਦਲਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਜੀਵਨ/ਪੈਸਾ/ਕਾਨੂੰਨ ਇਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ, ਓਨੀ ਹੀ ਸਖਤੀ ਨਾਲ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਤੁਸੀਂ ਘੱਟ ਜੋਖਮ 'ਤੇ ਗਤੀ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ; ਉੱਚ ਜੋਖਮ 'ਤੇ AI ਸਿਰਫ ਪਹਿਲਾ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਡੇਟਾ ਅਤੇ ਕਾਨੂੰਨ ਫੈਸਲਾ ਲੈਂਦੇ ਹਨ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਇੱਕੋ ਲੋੜ ਲਈ ਦੋ ਵੱਖ-ਵੱਖ ਬੇਨਤੀਆਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰੇ ਜੋਖਮ ਪ੍ਰੋਫਾਈਲਾਂ ਨੂੰ ਜਨਮ ਦਿੰਦੀਆਂ ਹਨ:

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਵੇਸਟ ਵਾਟਰ ਡਿਸਚਾਰਜ ਸੀਓਡੀ ਸੀਮਾ ਕੀ ਹੈ? ਸੰਖੇਪ ਵਿੱਚ ਲਿਖੋ।" ਸਮੱਸਿਆ: ਮਾਡਲ ਨੂੰ ਇੱਕ ਹਾਰਡ ਨੰਬਰ ਫਿੱਟ ਕਰਨ ਲਈ ਮਜਬੂਰ ਕਰਦਾ ਹੈ। ਸੈਕਟਰ, ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਵਾਤਾਵਰਣ, ਸਹੂਲਤ ਦੀ ਕਿਸਮ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕੀਤੀ ਗਈ ਹੈ। ਆਉਟਪੁੱਟ ਸਰੋਤ ਤੋਂ ਬਿਨਾਂ ਆਉਂਦੀ ਹੈ। ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ: "ਦੱਸੋ ਕਿ ਤੁਰਕੀਏ ਵਿੱਚ ਟੈਕਸਟਾਈਲ ਉਦਯੋਗ ਦੇ ਗੰਦੇ ਪਾਣੀ ਲਈ COD ਡਿਸਚਾਰਜ ਸੀਮਾ ਕਿਹੜੇ ਕਾਰਕਾਂ (ਸੈਕਟਰ, ਪ੍ਰਾਪਤ ਕਰਨ ਵਾਲਾ ਵਾਤਾਵਰਣ, ਵਹਾਅ ਦਰ) 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। ਕੋਈ ਸਹੀ ਸੰਖਿਆ ਨਾ ਬਣਾਓ; ਇਸ ਦੀ ਬਜਾਏ, ਕਦਮ ਦਰ ਕਦਮ ਸਮਝਾਓ ਕਿ ਕਿਸ ਅਧਿਕਾਰਤ ਰੈਗੂਲੇਸ਼ਨ ਟੇਬਲ ਅਤੇ ਕਿਹੜੇ ਮਾਪਦੰਡਾਂ ਦੇ ਅਨੁਸਾਰ ਇਸ ਨੂੰ ਪੜ੍ਹਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਜੇਕਰ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ, ਤਾਂ ਰਾਜ ਕਰੋ। ਅੰਤਰ: ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ ਮਾਡਲ ਨੂੰ ਇੱਕ ਨੰਬਰ ਦੇ ਅਨੁਕੂਲ ਨਹੀਂ ਬਣਾਉਂਦਾ; ਇਹ ਇਸਨੂੰ ਇੱਕ ਗਾਈਡ ਵਜੋਂ ਵਰਤਦਾ ਹੈ ਅਤੇ ਅੰਤਮ ਸ਼ਬਦ ਨੂੰ ਵਿਧਾਨ ਲਈ ਛੱਡਦਾ ਹੈ।

ਨੈਤਿਕਤਾ ਅਤੇ ਡੇਟਾ ਗੋਪਨੀਯਤਾ

ਇੱਕ ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰ ਹੋਣ ਦੇ ਨਾਤੇ, ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ ਅਕਸਰ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦਾ ਹੈ: ਇੱਕ ਕੰਪਨੀ ਦੇ ਨਿਰੰਤਰ ਨਿਗਰਾਨੀ (CPMS) ਰਿਕਾਰਡ, ਉਲੰਘਣਾ ਦਾ ਇਤਿਹਾਸ, ਉਤਪਾਦਨ ਸਮਰੱਥਾ ਵਪਾਰਕ ਰਾਜ਼ ਹਨ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਜਨਤਕ AI ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕੀਤਾ ਗਿਆ ਕੋਈ ਵੀ ਡੇਟਾ ਤੁਹਾਡੇ ਨਿਯੰਤਰਣ ਤੋਂ ਬਾਹਰ ਹੋ ਸਕਦਾ ਹੈ।

ਮੂਲ ਸਿਧਾਂਤ:

• ਅਗਿਆਤ ਬਣਾਓ: ਪ੍ਰੋਂਪਟ ਤੋਂ ਕੰਪਨੀ ਦਾ ਨਾਮ, ਸਹੂਲਤ ਕੋਆਰਡੀਨੇਟਸ, ਨਿੱਜੀ ਡੇਟਾ, ਇਕਰਾਰਨਾਮੇ ਦੇ ਵੇਰਵੇ ਹਟਾਓ। "ਕੰਪਨੀ ਐਕਸ" ਦੀ ਬਜਾਏ "ਇੱਕ ਟੈਕਸਟਾਈਲ ਪਲਾਂਟ" ਲਿਖੋ।
• ਵਪਾਰ ਦੇ ਰਾਜ਼ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰੋ: ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਆਪਣੀ ਕਾਰਪੋਰੇਟ ਡੇਟਾ ਨੀਤੀ ਦੀ ਜਾਂਚ ਕਰੋ ਜਿਵੇਂ ਕਿ ਉਲੰਘਣਾ ਡੇਟਾ, ਸਮਰੱਥਾ, ਲਾਗਤ।
• ਪਾਰਦਰਸ਼ਤਾ: ਜੇਕਰ ਤੁਸੀਂ AI ਨਾਲ ਇੱਕ ਰਿਪੋਰਟ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕੀਤਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਆਪਣੇ ਵਰਕਫਲੋ ਵਿੱਚ ਉਚਿਤ ਰੂਪ ਵਿੱਚ ਦਰਸਾਓ; ਯਾਦ ਰੱਖੋ ਕਿ ਜ਼ਿੰਮੇਵਾਰੀ ਤੁਹਾਡੀ ਹੈ।

# ਪ੍ਰੋਂਪਟ sensitive_fields = ["company_name", "coordinate", "tc_no", "capacity", "cost"]def prompt_safe_is(text, sensitive): found = [a for a in sensitive if a in text.lower())] = "lenname=found(found example) = "lenme_found" = "found name=" ABC ਟੈਕਸਟਾਈਲ, COD: 850 mg/L, ਸਮਰੱਥਾ: 5000 m3/day"ਸੁਰੱਖਿਅਤ, ਖਤਰੇ ਵਾਲਾ = prompt_safe_mi(ਉਦਾਹਰਨ, sensitive_areas)print("ਕੀ ਇਸਨੂੰ ਭੇਜਿਆ ਜਾ ਸਕਦਾ ਹੈ:", ਸੁਰੱਖਿਅਤ) # Falseprint("ਪਹਿਲਾਂ ਸਾਫ਼ ਕਰਨ ਲਈ:", ਜੋਖਮ ਭਰਿਆ) # ['company_caname]

ਮਿੰਨੀ ਕੇਸ

ਇੱਕ ਵਾਤਾਵਰਣ ਸਲਾਹਕਾਰ ਫਰਮ ਵਿੱਚ ਇੱਕ ਨੌਜਵਾਨ ਇੰਜੀਨੀਅਰ ਇੱਕ ਜ਼ਰੂਰੀ ਹਵਾਲਾ ਲਈ ਏਆਈ ਨੂੰ "ਕੂੜੇ ਦੇ ਤੇਲ ਦਾ ਕੂੜਾ ਕੋਡ ਅਤੇ ਨਿਪਟਾਰੇ ਦਾ ਤਰੀਕਾ ਕੀ ਹੈ" ਪੁੱਛਦਾ ਹੈ। ਮਾਡਲ ਭਰੋਸੇ ਨਾਲ 6-ਅੰਕ ਦਾ ਰਹਿੰਦ-ਖੂੰਹਦ ਕੋਡ ਅਤੇ ਜਵਾਬ "ਇਨਸਾਈਨਰੇਸ਼ਨ ਦੁਆਰਾ ਨਿਪਟਾਰੇ" ਵਾਪਸ ਕਰਦਾ ਹੈ। ਇੰਜੀਨੀਅਰ ਇਸ ਨੂੰ ਸਿੱਧਾ ਹਵਾਲਾ ਵਿੱਚ ਰੱਖਦਾ ਹੈ। ਡਿਲੀਵਰੀ ਤੋਂ ਬਾਅਦ, ਸੀਨੀਅਰ ਇੰਜੀਨੀਅਰ ਜਾਂਚ ਕਰਦਾ ਹੈ: ਪ੍ਰਦਾਨ ਕੀਤਾ ਕੋਡ ਕੂੜੇ ਦੇ ਅਸਲ ਸਰੋਤ ਅਤੇ ਸਮੱਗਰੀ ਨਾਲ ਮੇਲ ਨਹੀਂ ਖਾਂਦਾ; ਸਹੀ ਵਰਗੀਕਰਨ ਕੇਵਲ ਵਿਸ਼ਲੇਸ਼ਣ ਰਿਪੋਰਟ ਅਤੇ ਅਧਿਕਾਰਤ ਰਹਿੰਦ-ਖੂੰਹਦ ਦੀ ਸੂਚੀ ਨਾਲ ਹੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਗਲਤ ਕੋਡ ਦਾ ਮਤਲਬ ਹੈ ਗਲਤ ਨਿਪਟਾਰੇ ਦਾ ਰਸਤਾ ਅਤੇ ਪ੍ਰਬੰਧਕੀ ਪਾਬੰਦੀਆਂ ਦਾ ਖਤਰਾ। ਸਬਕ: ਏਆਈ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ ਕੋਡ ਇੱਕ ਅਨੁਮਾਨ ਸੀ; ਕਿਉਂਕਿ ਇਹ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ ਵਿਧਾਨ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਨਹੀਂ ਸੀ, ਇਸ ਲਈ ਇਹ ਫੈਸਲੇ ਦਾ ਆਧਾਰ ਨਹੀਂ ਹੋ ਸਕਦਾ ਸੀ।

ਆਮ ਗਲਤੀਆਂ

• AI ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਸੀਮਾ ਮੁੱਲ ਨੂੰ ਇਸਦੇ ਸਰੋਤ ਤੋਂ ਪੁੱਛੇ ਬਿਨਾਂ ਰਿਪੋਰਟ ਵਿੱਚ ਪਾਉਣਾ।
• ਅਸਲ ਪਾਠ ਨਾਲ ਤੁਲਨਾ ਕੀਤੇ ਬਿਨਾਂ "ਰੈਗੂਲੇਸ਼ਨ ਆਰਟੀਕਲ X" ਦੇ ਹਵਾਲੇ ਨੂੰ ਭਰੋਸੇਯੋਗ ਮੰਨਦੇ ਹੋਏ।
• ਜਨਤਕ ਟੂਲ ਵਿੱਚ ਗੁਪਤ ਜਾਣਕਾਰੀ ਜਿਵੇਂ ਕਿ ਕੰਪਨੀ ਦਾ ਨਾਮ, ਟਰੈਕਿੰਗ ਡੇਟਾ ਆਦਿ ਨੂੰ ਪੇਸਟ ਕਰਨਾ।
• AI ਆਉਟਪੁੱਟ 'ਤੇ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਫੈਸਲੇ (ਡਿਸਚਾਰਜ ਸੀਮਾ, EIA ਨਤੀਜਾ) ਨੂੰ ਆਧਾਰਿਤ ਕਰਨਾ।
• ਸਟੀਕਤਾ ਦੇ ਸਬੂਤ ਲਈ ਮਾਡਲ ਦੇ ਭਰੋਸੇਮੰਦ ਟੋਨ ਨੂੰ ਗਲਤ ਕਰਨਾ।
• "AI ਨੇ ਕਿਹਾ" ਕਹਿ ਕੇ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਮਸ਼ੀਨ 'ਤੇ ਤਬਦੀਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼; ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਇੰਜੀਨੀਅਰ ਦੀ ਹੈ।

ਸੰਖੇਪ ਵਿੱਚ

• AI ਵਾਤਾਵਰਣ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਇੱਕ ਐਕਸਲੇਟਰ ਹੈ: ਸੰਖੇਪ, ਡਰਾਫਟ, ਖਾਤਾ ਸੰਪਾਦਨ ਅਤੇ ਦ੍ਰਿਸ਼ ਬਣਾਉਣ ਵਿੱਚ ਸ਼ਕਤੀਸ਼ਾਲੀ; ਸਹੀ ਸੀਮਾ ਮੁੱਲਾਂ ਅਤੇ ਵਿਧਾਨ ਦਾ ਹਵਾਲਾ ਦਿੰਦੇ ਸਮੇਂ ਇਹ ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
• ਐਲਐਲਐਮ ਕੱਟਆਫ, ਮਿਆਰਾਂ ਅਤੇ ਸਰੋਤਾਂ ਬਾਰੇ ਭਰਮ ਪੈਦਾ ਕਰਦੇ ਹਨ; ਸਟੀਕ ਅਤੇ ਅਨਸੋਰਸਡ ਨੰਬਰ ਸਭ ਤੋਂ ਵੱਧ ਜੋਖਮ ਹਨ।
• ਕਿਰਤ ਦੀ ਵੰਡ ਜੋਖਮ-ਅਧਾਰਤ ਹੈ: ਨਤੀਜਾ ਜਿੰਨਾ ਜ਼ਿਆਦਾ ਅਟੱਲ ਹੋਵੇਗਾ, ਤਸਦੀਕ ਓਨੀ ਹੀ ਸਖ਼ਤ ਹੋਵੇਗੀ।
• ਪ੍ਰਯੋਗਸ਼ਾਲਾ, ਫੀਲਡ ਮਾਪ ਅਤੇ ਸਰਕਾਰੀ ਕਾਨੂੰਨ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਹੋਣ ਤੱਕ ਹਰ AI ਆਉਟਪੁੱਟ ਸਿਰਫ ਇੱਕ ਪ੍ਰਸਤਾਵ/ਸਕੈਚ ਹੈ।
• ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਕਿਸੇ ਵੀ ਜਨਤਕ ਸਾਧਨਾਂ ਨੂੰ ਬਿਨਾਂ ਗੁਪਤ ਰੱਖੇ ਬਿਨਾਂ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ।
• AI ਇੱਕ "ਸੀਨੀਅਰ ਸਿਖਿਆਰਥੀ" ਹੈ: ਇਹ ਚਲਦਾ ਹੈ, ਪਰ ਇੰਜੀਨੀਅਰ ਦਸਤਖਤ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਸੰਭਾਲਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਅਧਿਐਨ ਦੇ ਖੇਤਰ ਵਿੱਚੋਂ ਪੰਜ ਕਾਰਜ ਚੁਣੋ (ਗੰਦਾ ਪਾਣੀ, ਹਵਾ, ਰਹਿੰਦ-ਖੂੰਹਦ ਜਾਂ EIA) ਅਤੇ ਹਰੇਕ ਨੂੰ ਉੱਪਰ ਦਿੱਤੀ ਜੋਖਮ-ਅਧਾਰਤ ਸਾਰਣੀ ਵਿੱਚ ਰੱਖੋ: ਕਾਰਜ ਲਿਖੋ, ਜੋਖਮ ਦਾ ਪੱਧਰ ਨਿਰਧਾਰਤ ਕਰੋ (ਘੱਟ/ਮੱਧਮ/ਉੱਚ/ਨਾਜ਼ੁਕ), AI ਦੀ ਭੂਮਿਕਾ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ ਅਤੇ ਲਾਜ਼ਮੀ ਪੁਸ਼ਟੀਕਰਨ ਪੜਾਅ। ਫਿਰ ਇਹਨਾਂ ਕੰਮਾਂ ਵਿੱਚੋਂ ਇੱਕ ਚੁਣੋ ਅਤੇ ਪਹਿਲਾਂ ਜਾਣਬੁੱਝ ਕੇ "ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ" ਲਿਖੋ, ਇਹ ਨਿਸ਼ਾਨ ਲਗਾਓ ਕਿ ਕੀ ਤੁਹਾਨੂੰ ਮਾਡਲ ਤੋਂ ਪ੍ਰਾਪਤ ਜਵਾਬ ਵਿੱਚ ਮੁੱਲਾਂ ਜਾਂ ਵਿਧਾਨ ਨੂੰ ਸੀਮਤ ਕਰਨ ਲਈ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਗੈਰ-ਸਰੋਤ ਸੰਦਰਭ ਹੈ; ਫਿਰ, ਉਸੇ ਲੋੜ ਲਈ, ਇੱਕ "ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ" ਲਿਖੋ ਜੋ ਨੰਬਰ ਬਣਾਉਣ ਦੀ ਮਨਾਹੀ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਸਰੋਤ ਵੱਲ ਨਿਰਦੇਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਅਤੇ ਦੋ ਆਉਟਪੁੱਟਾਂ ਦੀ ਨਾਲ-ਨਾਲ ਤੁਲਨਾ ਕਰੋ। ਅੰਤ ਵਿੱਚ, ਇੱਕ ਪੈਰੇ ਵਿੱਚ ਵਰਣਨ ਕਰੋ ਕਿ ਕਿਹੜਾ ਸਰਕਾਰੀ ਕਾਨੂੰਨ ਹੈ ਅਤੇ ਤੁਸੀਂ ਇਸ ਕੰਮ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਕਿਹੜੇ ਪ੍ਰਯੋਗਸ਼ਾਲਾ/ਫੀਲਡ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋਗੇ।