Zyski:
- Umiejętność rozpoznawania rodzajów greenwashingu (niepewna, niepotwierdzona, ukryta wymiana, wyolbrzymiona przyszłość) i sprawiania, że twierdzenie będzie mierzalne, pozyskiwane i ujęte w określonym zakresie.
- Możliwość sklasyfikowania danych przekazywanych do pojazdu pod względem poufności oraz ochrony tajemnic handlowych i danych osobowych
- Możliwość wdrożenia kompleksowej bramki jakości od definicji do weryfikacji i przyjęcia ostatecznej odpowiedzialności bez polegania na obronie „AI powiedziała”
W każdej jednostce tego modułu powtarzała się zasada: liczba powinna opierać się na źródle, twierdzenie powinno opierać się na dowodach. Ta ostatnia jednostka integruje tę zasadę. Największym ryzykiem związanym ze sztuczną inteligencją w środowisku i klimacie nie jest błędne obliczenie, ale raczej to, że tworzy ona wiarygodną, ale bezpodstawną historię. W tej części dowiesz się, jak rozpoznawać i zapobiegać greenwashingowi, zapewniać dokładność danych, etykę i prywatność oraz kompleksowy przepływ pracy, który ujednolica cały moduł.
Anatomia greenwashingu
Greenwashing ma miejsce wtedy, gdy organizacja sprawia, że jej działania środowiskowe wyglądają lepiej, niż są w rzeczywistości. Ponieważ sztuczna inteligencja jest tak dobra w tworzeniu płynnego i przekonującego tekstu, jest również bardzo podatna na nieświadome wywoływanie „greenwashingu”. Główne typy:
Typ greenwashingu
Co masz na myśli?
przykład
niejasne twierdzenie
niewymierne, nieokreślone słowo
„Ekologiczny”, „naturalny”, „zielony”
twierdzić bez dowodów
Liczba/cel bez danych
„Jesteśmy neutralni pod względem emisji dwutlenku węgla” (brak dokumentacji)
tajna wymiana zdań
Podkreślanie dobra i ukrywanie dużego zła
„Opakowanie nadaje się do recyklingu”, ale produkt jest bardzo zanieczyszczający
nieistotne roszczenie
Przedstawianie tego, co już konieczne/nieważne, jako cnoty
„Nie zawiera substancji zabronionych”
fałszywa etykieta
Wygląd sfabrykowanego/niezweryfikowanego certyfikatu
Własnoręcznie wymyślone „zielone” logo
ekstrawagancka przyszłość
Schronienie się w odległym celu bez dowodów
„Będziemy neutralni w 2050 r.” (brak planu przejściowego)
Wskazówka: Dobre twierdzenie ekologiczne ma trzy cechy: mierzalne (liczba), udowodnione (dowód) i jasne pod względem zakresu (jasne, co jest porównywane z kiedy). Jeśli w twierdzeniu brakuje jednego z tych trzech elementów, zatrzymaj się przed jego publikacją.
Dokładność danych: złota zasada modułu
Dyscyplinę weryfikacji, którą widzimy w każdej jednostce, można streścić w jednym zdaniu: żadna liczba ani fakt stworzony przez sztuczną inteligencję nie zamienia się w decyzję, raport lub roszczenie bez potwierdzenia przez niezależne źródło. Współczynnik emisji jest potwierdzany na podstawie oficjalnej tabeli, artykuł legislacyjny jest potwierdzany na podstawie aktualnego tekstu, pomiar jest potwierdzany na skalibrowanym urządzeniu, a obliczenia są potwierdzane na podstawie wykonanego kodu. AI przyspiesza; To człowiek prawdomówny.
Etyka i prywatność
Etyka: Dane środowiskowe dotyczą społeczeństwa i przyszłych pokoleń; masowanie danych, wybiórcze raportowanie lub ukrywanie niepewności stanowi naruszenie etyki. Nie proś sztucznej inteligencji, aby „lepiej pokazała raport”, ale raczej „pokazała raport dokładniej i zrozumialej”.
Poufność: Dane dotyczące produkcji na poziomie zakładu, umowy z dostawcami, nieujawnione dane dotyczące emisji mogą stanowić tajemnicę handlową; Dane dotyczące podróży lub lokalizacji pracowników mogą być danymi osobowymi. Sprawdź politykę korporacyjną i zasady ochrony danych (np. KVKK/RODO) przed wklejeniem ich do publicznych narzędzi AI; Jeśli to możliwe, zastosuj anonimizację lub skorzystaj z korporacyjnego narzędzia zabezpieczającego dane.
Uwaga: „AI tak powiedziała” nie jest obroną. Instytucja i osoba podpisująca ponoszą odpowiedzialność za fałszywe sprawozdanie dotyczące emisji, wprowadzającą w błąd reklamę lub wyciek poufnych danych. Sztuczna inteligencja jest narzędziem; Jest osobą odpowiedzialną.
Kompleksowy przepływ pracy: zmontuj moduł
Oto sześć kroków do niezawodnego opracowania oświadczenia lub raportu dotyczącego ekologiczności od początku do końca:
1. Zdefiniuj. Co zostanie zgłoszone/zgłoszone? Czy zakres, jednostka, standard, okres są jasne?
2. Zbierz i potwierdź dane. Czy każdy problem ma możliwe do prześledzenia źródło? Czy czynniki są oficjalne?
3. Oblicz i sprawdź. Wykonaj arytmetykę w kodzie i podaj wynik wraz z jednostkami i kolejnościami.
4. Szkic. Zbuduj szkielet tekstowy za pomocą sztucznej inteligencji; Połącz każde zdanie z dowodem.
5. Przepuść go przez filtr Greenwashing. Wyeliminuj niejasne, bezpodstawne i przesadne stwierdzenia.
6. Sprawdź i weź odpowiedzialność. Niezależne zapewnienie/kontrola ekspercka; ostateczna akceptacja należy do człowieka.
trzy mini etui
Przypadek 1 – Płynny, ale bezpodstawny. Jeden zespół zlecił sztucznej inteligencji napisanie wytycznych dotyczących zrównoważonego rozwoju; Tekst robił wrażenie, ale był pełen niewymiernych zwrotów, takich jak „wiodący w branży zrównoważony rozwój”, „niemal zerowy wpływ”. Zastosowanie filtra greenwashing (szablon 1 poniżej) wskazało siedem bezpodstawnych twierdzeń; każdy został albo zastąpiony sprawdzonym numerem, albo usunięty. Raport był krótszy, ale dało się obronić.
Przypadek 2 – Wyciek danych. Analityk wkleił nieujawnione jeszcze dane dotyczące emisji z obiektu do publicznie dostępnego narzędzia AI i poprosił o analizę. Zespół ds. zgodności zdał sobie sprawę, że jest to tajemnica handlowa i możliwe naruszenie przepisów prawnych; proces został zatrzymany, dane przeniesiono do korporacyjnego (szczelnego) narzędzia. Lekcja: określ klasę (poufne?) danych przed przekazaniem ich narzędziu.
Przypadek 3 – Łańcuch walidacji. Jedna organizacja prowadziła tabelę „dowodów roszczeń” dla całego swojego raportu rocznego: naprzeciwko każdej liczby w każdym zdaniu podano jej źródło. Kiedy audytor przybył na miejsce, był w stanie prześledzić każde roszczenie w ciągu kilku minut; Proces zapewnienia przebiegł sprawnie. Dyscyplina ta była podstawą wszystkich jednostek modułu i oszczędzała czas oraz uznanie w realnym świecie.
Słaba zachęta/silna zachęta
Słaba zachęta:
Spraw, aby nasze przesłanie dotyczące zrównoważonego rozwoju było bardziej imponujące.
Dlaczego jest słaby: Chęć „imponowania” popycha sztuczną inteligencję do hiperboli i niejasnych pochwał; powoduje greenwashing.
Potężny monit:
Twoja rola: redaktor ds. komunikacji środowiskowej i audytor ds. greenwashingu. Spraw, aby poniższy tekst był bardziej POPRAWNY i zrozumiały, a nie „błyszczący”. Każde twierdzenie zadaje pytanie: czy jest mierzalne, czy ma źródło, czy jego zakres jest jasny? Oznacz niejasne („przyjazne dla środowiska”), niepotwierdzone („neutralne”) i przesadne stwierdzenia oraz zasugeruj oparte na dowodach i wymierne alternatywy. Usuń twierdzenie, które nie ma dowodów. Tekst: [tutaj]
Cztery szablony do kopiowania
1) Filtr kontrolny Greenwashingu:
Twoja rola: audytor greenwashingu. Zapisz każde twierdzenie dotyczące ochrony środowiska w poniższym tekście: (twierdzenie | czy można to zmierzyć | czy istnieją dowody | czy jest to niepewne | werdykt). Zaznacz te, które są niejasne/niepotwierdzone/przesadzone i zaproponuj wyważoną, opartą na dowodach alternatywę dla każdego z nich. Tekst: [tutaj]
2) Tabela dopasowania roszczeń i dowodów:
Usuń KAŻDE twierdzenie liczbowe i faktyczne z poniższego tekstu raportu. Dla każdego z nich zostaw kolumnę „źródło”. Oznacz każde roszczenie z nieokreślonego źródła jako „WYMAGANY DOWÓD”. Zmień tekst; sprawdź.Tekst: [tutaj]
3) Wstępna kontrola prywatności:
Sklasyfikuj następujące dane przed przetworzeniem ich w narzędziu AI: czy zawierają tajemnice handlowe (produkcja roślinna, cena dostawcy), dane osobowe (imię i nazwisko, lokalizacja) lub nieujawnione informacje finansowe? Oznacz ryzykowne obszary i zaleć anonimizację/usunięcie. Przykład danych: [tutaj]
4) Kompleksowa brama jakości:
Dokonaj ostatecznego sprawdzenia poniższego raportu/oświadczenia dotyczącego środowiska. W kolejności: (1) czy standard jednostki zakresu jest jasny, (2) czy każdy numer pochodzi z źródła, (3) czy zweryfikowano arytmetykę, (4) czy doszło do oszustwa ekologicznego, (5) czy wyciekły dane poufne/osobiste. Podaj wynik pozytywny/negatywny i uzasadnienie każdego elementu. Treść: [tutaj]
Typowe błędy
- Chęć „imponowania”. To popycha sztuczną inteligencję do hiperboli i greenwashingu; Poproś o „dokładne i zrozumiałe”.
- Nie zauważając niejasnego twierdzenia. Wyrażenia takie jak „ekologiczny” są niemierzalne i ryzykowne.
- Eksport poufnych danych do otwartego narzędzia. Najpierw klasyfikuj dane i, jeśli to konieczne, zanonimizuj je.
- Obrona za pomocą „AI tak powiedziała”. Odpowiedzialność zawsze spoczywa na osobie.
- Nieutrzymanie łańcucha weryfikacji. Źródło każdego roszczenia musi podlegać kontroli.
Podsumowując
Istotą bezpiecznego stosowania sztucznej inteligencji w środowisku i klimacie jest jedna dyscyplina: każda pozyskana liczba, każde udowodnione twierdzenie, każde dane wprowadzone do każdego sklasyfikowanego narzędzia, każda ostateczna decyzja podejmowana przez człowieka. Greenwashing to pułapka płynnego języka; Aby tego uniknąć, należy formułować twierdzenia, które są mierzalne, oparte na źródłach i mają określony zakres. sztuczna inteligencja; kalkuluje, skanuje, szkicuje i organizuje – ale to kompetentny ekspert weryfikuje, decyduje i jest odpowiedzialny. W przypadku prac środowiskowych o dużych konsekwencjach wyniki sztucznej inteligencji nie zastępują weryfikacji i walidacji przez ekspertów; to tylko przyspiesza.
Zadanie aplikacji
Wybierz jeden produkt, który wygenerowałeś w ramach modułu (podsumowanie emisji, analiza wody lub sekcja ESG). Najpierw przeprowadź audyt Greenwashing z szablonem 1 i skoryguj wszelkie znalezione bezpodstawne twierdzenia. Następnie utwórz tabelę dowodową z drugiego szablonu i uzupełnij pozostałe liczby bez źródeł. Na koniec zastosuj kompleksową bramkę jakości za pomocą czwartego szablonu; Poprawiaj, dopóki nie uzyskasz „zaliczenia” wszystkich pięciu przedmiotów.
lista kontrolna
- [ ] Sprawiłem, że każde twierdzenie było mierzalne, oparte na źródłach i dostosowane do zakresu.
- [ ] Poprawiłem niejasny/przesadny język za pomocą filtra greenwashing.
- [ ] Niezależnie zweryfikowałem każdy numer wyprodukowany przez sztuczną inteligencję.
- [ ] Sklasyfikowałem/zanonimizowałem dane, które przekazałem narzędziu w celu zachowania poufności.
- [ ] Zakodowałem arytmetykę i podałem jednostki i stopnie.
- [ ] Wziąłem na siebie ostateczną odpowiedzialność; Nie polegałem na obronie „AI powiedziała”.
Egzamin modułowy
1. Które z poniższych jest najdokładniejszym pozycjonowaniem sztucznej inteligencji w środowisku i klimacie?
- A) Sztuczna inteligencja jest asystentem kodu, danych i planów; Odpowiedzialność za czynniki, zakres, dowody i decyzje etyczne spoczywa na człowieku ✔
- B) Sztuczna inteligencja jest urządzeniem pomiarowym i podawane przez nią wartości emisji są zawsze dokładne.
- C) Sztuczna inteligencja przydaje się jedynie przy pisaniu raportów, nie ma ona nic wspólnego z księgowością i monitoringiem
- D) Ponieważ sztuczna inteligencja jest bardziej bezstronna niż człowiek, wszelkie decyzje środowiskowe należy jej pozostawić.
Opis: Sztuczna inteligencja; To asystent, który pisze kod, porządkuje dane, tworzy wersje robocze i podsumowuje. Jednakże potwierdzenie współczynnika emisji, zakresu i dokładności jednostki, uzasadnienie roszczeń i ostateczna odpowiedzialność spoczywają na kompetentnym rzeczoznawcy. Model wielkiego języka nie jest przyrządem pomiarowym, kalkulatorem ani źródłem prawodawstwa; to generator tekstu, który generuje „następne najbardziej prawdopodobne słowo”, a jego niezweryfikowane wyniki mogą prowadzić do fałszywego zgłoszenia lub roszczenia.
2. Które podejście jest prawidłowe przy obliczaniu „danych dotyczących działalności × współczynnika emisji” w inwentaryzacji gazów cieplarnianych?
- A) Korzystanie ze współczynnika zapamiętywanego przez sztuczną inteligencję i zlecanie jej ręcznego obliczania sumy
- B) Biorąc współczynnik z oficjalnej tabeli według kraju i roku i sumując kod wykonywalny ✔
- C) Liczenie wszystkich gazów jako CO₂ i pomijanie konwersji GWP
- D) Użycie domyślnego (np. amerykańskiego) współczynnika siatki dla każdego kraju
Opis: Współczynniki emisji różnią się w zależności od kraju, roku i paliwa; „Przypominanie” AI wprowadza ryzyko fabrykacji. Czynnik należy zawsze potwierdzić na podstawie oficjalnej tabeli (IPCC, DEFRA/EPA, wykaz krajowy); Sumy wielowierszowe należy wykonywać za pomocą kodu wykonywalnego, a nie ręcznie. Metan i N₂O są koniecznie przekształcane w CO₂e przy właściwym ustawieniu GWP.
3. Jaki zakres zgodnie z Protokołem GHG obejmuje emisję wynikającą z produkcji zakupionej energii elektrycznej?
- A) Zakres 1
- B) Zakres 3
- C) Zakres 2 ✔
- D) Nie jest objęte żadnym zakresem i nie jest raportowane
Opis: Zakres 1 to emisja bezpośrednia z własnych źródeł organizacji (kocioł, pojazd służbowy). Zakres 2 to emisje pośrednie powstałe w wyniku produkcji zakupionej energii (elektrycznej, pary, ogrzewania, chłodzenia). Zakres 3 obejmuje wszystkie pozostałe emisje pośrednie w łańcuchu wartości (dostawy, podróże, wykorzystanie produktów).
4. Które z rozwiązań jest prawidłowe w przypadku ustalania priorytetów środków łagodzących według MACC (krańcowy koszt redukcji emisji)?
- A) W pierwszej kolejności zawsze podejmowane są najdroższe i technologiczne środki
- B) Najpierw kupuje się offset i nazywa go „zero netto”, redukcję zostawia się na później.
- C) Kolejność działań jest niezależna od kosztów; wszystko zastosowane w tym samym czasie
- D) W pierwszej kolejności podejmowane są działania mające na celu zmniejszenie kosztów ujemnych (oszczędność), a eliminację pozostawia się na końcu ✔
Opis: MACC klasyfikuje środki według kosztu za unikniętą tonę (€/tonę). Negatywne środki kosztowe (np. efektywność energetyczna) zarówno redukują emisje, jak i oszczędzają pieniądze; To oni wysuwają się na pierwszy plan. Opcje o wysokich kosztach i offset pozostawiono na koniec. Usunięcie nie zastępuje łagodzenia, ale uzupełnia nieuniknioną pozostałą część.
5. Na zdjęciu satelitarnym widziałeś, że NDVI w jednym regionie nagle spadło w ciągu jednego miesiąca. Co powinieneś zrobić najpierw?
- A) Natychmiast podnieść alarm dotyczący „nagłego wylesiania” i ogłosić go opinii publicznej
- B) Sprawdzenie autentyczności sygnału poprzez nałożenie maski chmury i porównanie go z sąsiadującymi datami ✔
- C) Patrząc na pojedynczy obraz i zgłaszając dokładną stratę procentową
- D) Dane satelitarne są zawsze dokładne; nie są wymagane żadne dodatkowe kontrole
Wyjaśnienie: Najczęstszym fałszywym sygnałem danych satelitarnych jest chmura. Spadek NDVI może oznaczać rzeczywistą utratę lasu lub może to być chmura nad obrazem tego dnia. Należy najpierw zastosować maskę chmury i porównać z sąsiednimi datami bezchmurnymi; Twierdzenie o zmianie powinno opierać się na trendzie, a nie na jednej dacie i jeśli to możliwe, powinno być zweryfikowane na podstawie prawdy.
6. Które podejście jest prawidłowe przy porównywaniu wpływu wody dwóch fabryk?
- A) Wystarczy spojrzeć na litry bezwzględne i uznać, że ten, który zużywa najwięcej, jest najgorszy
- B) Efekt wody jest wszędzie taki sam; region nie jest ważny
- C) Porównanie zużycia wody z regionalnym niedoborem wody i rzeczywistym wpływem ✔
- D) Dodawanie zielonej, niebieskiej i szarej wody do jednej liczby i ignorowanie stresu
Opis: Woda, w przeciwieństwie do węgla, ma charakter lokalny; Taka sama ilość wody oznacza znacznie poważniejszy wpływ na środowisko w regionie o większym niedoborze wody. Dlatego też wpływ wody należy oceniać nie tylko w litrach bezwzględnych, ale ważony regionalnym niedoborem wody. Obiekt w regionie, który zużywa niewiele, ale jest bardzo suchy, może być bardziej krytyczny niż obiekt, który zużywa dużo wody, ale ma dużo wody.
7. W gospodarce odpadami sztuczna inteligencja zaklasyfikowała odpady chemiczne do kodu „innego niż niebezpieczne”. Jakie jest prawidłowe zachowanie?
- A) Wyeliminowanie go bezpośrednio z tego kodu, bo tak mówi sztuczna inteligencja
- B) Kody odpadów są nieistotne; wszystkie są utylizowane w ten sam sposób
- C) Ignorowanie skażenia i klasy zagrożenia oraz zgłaszanie zebranej ilości
- D) Potwierdzenie klasy z kartą charakterystyki (SDS) i przepisami prawnymi, nieprzyjmowanie propozycji sztucznej inteligencji jako ostatecznej ✔
Opis: Błędna klasyfikacja i niezarejestrowana utylizacja odpadów niebezpiecznych należą do najsurowiej sankcjonowanych przestępstw przeciwko środowisku. Propozycja kodeksu odpadów AI to dopiero wstępna wersja robocza; Klasa zagrożenia musi być zawsze potwierdzona kartą charakterystyki (SDS) substancji i obowiązującymi przepisami dotyczącymi odpadów. Dane wyjściowe AI nigdy nie są używane jako ostateczny kod odpadu.
8. Obiekt zredukował emisję komina o 20%. Dlaczego błędne jest stwierdzenie, że „powietrze w okolicy zostało oczyszczone o 20%”?
- A) Emisja i stężenie są różne; Zmiany pogody wymagają odrębnych pomiarów i modelowania ✔
- B) Emisja i stężenie to to samo; Spadek jest bezpośrednio odzwierciedlony w powietrzu
- C) Pomiar komina zawsze daje dokładną pogodę w okolicy
- D) Meteorologia nie ma wpływu na jakość powietrza, więc roszczenie jest uzasadnione
Wyjaśnienie: Emisja (ilość wydobywająca się ze źródła) i stężenie (gęstość mierzona w powietrzu) to różne rzeczy. Wiatr, temperatura i topografia powodują, że ta sama emisja skutkuje bardzo różnymi stężeniami. Nawet jeśli redukcja emisji z kominów jest rzeczywista, twierdzenie o stężeniu w powietrzu można udowodnić jedynie za pomocą skalibrowanego pomiaru i odpowiedniego modelu dyspersji; w przeciwnym razie jest to bezpodstawne i wprowadzające w błąd.
9. W raportach ESG w tekście stworzonym przez sztuczną inteligencję znajduje się zdanie „zmniejszyliśmy zużycie wody o 15%”. Jaka jest najważniejsza kontrola?
- A) Przyjrzyj się, jak imponujące i płynne jest to zdanie
- B) Sprawdź, czy numer jest powiązany z możliwym do prześledzenia źródłem (faktura, licznik, pomiar) ✔
- C) Zakładając, że liczba jest poprawna, ponieważ generuje ją sztuczna inteligencja
- D) Zaokrąglanie wartości procentowej w górę, aby liczba wydawała się bardziej asertywna
Wyjaśnienie: Wartość raportu ESG polega na możliwości prześledzenia jego najsłabszych danych, a niezależni audytorzy sprawdzają łańcuch dowodów kryjący się za tą liczbą. Sztuczna inteligencja mogła wygenerować liczbę, która na podstawie poprzednich tekstów wyglądała na „rozsądną”, ale była niemożliwa do wyśledzenia. Nie każde roszczenie cyfrowe powinno zostać zgłoszone w raporcie bez powiązania z możliwym do prześledzenia źródłem na podstawie faktury/licznika/certyfikatu.
10. Dlaczego w ocenie ryzyka klimatycznego wykorzystuje się wiele scenariuszy, a nie jedną przyszłość?
- A) Scenariusze są ozdobą; Wystarczy jedna trafna prognoza przyszłości
- B) Ponieważ sztuczna inteligencja może podać prawdopodobieństwo przyszłych powodzi z dokładnym procentem, wystarczy jeden scenariusz
- C) Ryzyko fizyczne i przejściowe może być niekorzystne w zależności od scenariuszy; Celem jest sprawdzenie wytrzymałości ✔
- D) Ryzyko fizyczne i ryzyko przejściowe to to samo, nie ma potrzeby tworzenia odrębnych scenariuszy
Wyjaśnienie: Ryzyko fizyczne (wpływy klimatyczne, takie jak powodzie, susze) i ryzyko przejściowe (cena emisji dwutlenku węgla, ustawodawstwo, zmiana technologii) często zmierzają w przeciwnych kierunkach: jeśli świat szybko podejmie działania łagodzące, ryzyko przejściowe wzrasta, a ryzyko fizyczne maleje; Jeśli działa powoli, dzieje się odwrotnie. Dlatego testowany jest co najmniej jeden scenariusz niskiego (1,5–2°C) i jeden wysokiego (3°C+) scenariusza ocieplenia. Celem nie jest przewidywanie przyszłości, ale sprawdzenie wytrzymałości.
11. Zapytałeś AI, czy obowiązuje Cię rozporządzenie (np. CBAM) i jego terminy. Jak powinieneś się zachować?
- A) Planowanie bezpośrednio według terminów i pozycji podanych przez sztuczną inteligencję
- B) Oparcie decyzji dotyczącej zakresu na ogólnej interpretacji AI, bez patrzenia na oficjalną listę kodów
- C) Zgodność ma charakter jednorazowy; Kiedy już o to poprosisz, nie ma potrzeby ciągłego monitorowania prawodawstwa
- D) Rozważ wynik jako wersję roboczą i potwierdź artykuł, datę, próg i zakres na podstawie aktualnego oficjalnego tekstu ✔
Opis: wiedza regulacyjna szybko staje się nieaktualna; Artykuły się zmieniają, terminy są przesuwane, zakresy się poszerzają. Dane szkoleniowe sztucznej inteligencji są zamrożone w określonym terminie i mogą być nieaktualne; Co więcej, materia może sfabrykować krytyczne fakty, takie jak historia i próg. Decyzję zakresową należy potwierdzić oficjalną listą produktów/kodów, wszystkie daty i progi obowiązującym tekstem urzędowym; W przypadku kluczowych decyzji dotyczących zgodności należy uzyskać autoryzowaną opinię/eksperta.
12. Które z poniższych twierdzeń ekologicznych wiąże się z najniższym ryzykiem „greenwashingu”?
- A) „Do 2023 r. zmniejszyliśmy emisję z naszej produkcji o 18% (w oparciu o niezależną weryfikację)” ✔
- B) „Nasze produkty są całkowicie przyjazne dla środowiska i naturalne”
- C) „Nasza firma jest neutralna pod względem emisji dwutlenku węgla” (bez podawania jakichkolwiek dokumentów i danych)
- D) „Jesteśmy najbardziej zrównoważoną firmą w branży o niemal zerowym wpływie na środowisko”
Wyjaśnienie: Dobre twierdzenie dotyczące ekologiczności jest mierzalne (zawiera liczbę), udowodnione (w oparciu o dowody) i ma konkretny zakres (jest jasne, co jest porównywane do kiedy). „Zredukowaliśmy emisję z produkcji o 18% do 2023 r. (z niezależną weryfikacją)” ma te trzy cechy. Wyrażenia takie jak „przyjazny dla środowiska”, „naturalny”, „neutralny pod względem emisji dwutlenku węgla” (niecertyfikowany) są niewymierne lub niepotwierdzone i niosą ze sobą ryzyko „greenwashingu”.
13. Dlaczego wklejanie nieujawnionych danych dotyczących emisji z obiektu do publicznie dostępnego narzędzia AI w celu analizy jest ryzykowne?
- A) Nie ma ryzyka; dane dotyczące środowiska są zawsze publicznie dostępne
- B) Tajemnice handlowe, dane nieujawnione i dane osobowe mogą wyciekać; najpierw wymagana jest klasyfikacja i anonimizacja ✔
- C) Ryzyko jest jedynie błędem obliczeniowym i nie ma nic wspólnego z prywatnością danych
- D) Po przekazaniu danych do pojazdu odpowiedzialność przechodzi na dostawcę sztucznej inteligencji
Ujawnianie: dane dotyczące produkcji i emisji na poziomie zakładu mogą stanowić tajemnicę handlową, a nieujawnione dane finansowe/środowiskowe mogą naruszać regulacyjne zasady ujawniania informacji; Dane dotyczące lokalizacji/podróży pracownika są danymi osobowymi. Przed przekazaniem tego typu danych do otwartego narzędzia należy je sklasyfikować, w razie potrzeby zanonimizować lub skorzystać z narzędzia instytucjonalnego (pozbawionego danych). „AI powiedziała” nie jest obroną; Odpowiedzialność spoczywa na instytucji i na osobie.
14. Jaką koncepcję stosuje się przy konwersji gazu cieplarnianego, takiego jak metan (CH₄) na CO₂e i dlaczego jest to ważne?
- A) AQI (wskaźnik jakości powietrza); określa kolor gazu w powietrzu
- B) NDVI (wskaźnik roślinności); mierzy wpływ gazu na glebę
- C) GWP (potencjał globalnego ocieplenia); jeśli zostanie pominięty, wpływ metanu/N₂O będzie znacznie niedoszacowany ✔
- D) Nie są wymagane żadne współczynniki; metan liczy się 1 do 1 bezpośrednio jak CO₂
Opis: GWP (potencjał globalnego ocieplenia) to współczynnik przeliczający efekt grzewczy różnych gazów cieplarnianych na wspólną jednostkę w stosunku do CO₂. 100-letni współczynnik GWP metanu wynosi około 28; Zatem 1 tona metanu oznacza około 28 ton CO₂e. Jeżeli GWP zostanie pominięty, wpływ silnych gazów, takich jak metan i N₂O, będzie znacznie niedoszacowany, a inwentaryzacja będzie całkowicie niedokładna; Należy również określić, który zestaw GWP (np. IPCC AR6, 100 lat) jest stosowany.