ලාභ:
- හරිත සේදීමේ වර්ග (අවිනිශ්චිත, ඔප්පු නොකළ, සැඟවුණු හුවමාරු, අතිශයෝක්තියෙන් යුත් අනාගතය) හඳුනා ගැනීමට සහ මැනිය හැකි, මූලාශ්රගත සහ විෂය පථයට හිමිකම් පෑමේ හැකියාව.
- වාහනයට ලබාදිය යුතු දත්ත රහස්ය භාවය අනුව වර්ගීකරණය කිරීමට සහ වෙළඳ රහස් සහ පුද්ගලික දත්ත ආරක්ෂා කිරීමේ හැකියාව
- නිර්වචනයේ සිට සත්යාපනය දක්වා අන්තයේ සිට අවසානය දක්වා ගුණාත්මක ද්වාරයක් ක්රියාත්මක කිරීමට සහ 'AI කිව්වා' ආරක්ෂාව මත රඳා නොසිට අවසාන වගකීම භාර ගැනීමේ හැකියාව
මෙම මොඩියුලයේ සෑම ඒකකයකම පුනරාවර්තනය වූ මූලධර්මයක් විය: අංකය මූලාශ්රයක් මත පදනම් විය යුතුය, හිමිකම් පෑම සාක්ෂි මත පදනම් විය යුතුය. මෙම අවසාන ඒකකය එම මූලධර්මය ඒකාබද්ධ කරයි. පරිසරය සහ දේශගුණය තුළ AI හි ඇති ලොකුම අවදානම වැරදි ගණනය කිරීමක් නොව, එය විශ්වාස කළ හැකි නමුත් පදනම් විරහිත කතාවක් නිෂ්පාදනය කරයි. මෙම ඒකකය තුළ ඔබ හරිත සේදීම හඳුනා ගැනීම සහ වළක්වා ගැනීම, දත්ත නිරවද්යතාවය, ආචාර ධර්ම සහ පෞද්ගලිකත්වය සහතික කිරීම සහ සම්පූර්ණ මොඩියුලය ඒකාබද්ධ කරන අන්තයේ සිට අවසානය දක්වා කාර්ය ප්රවාහයක් ඉගෙන ගනු ඇත.
හරිත සේදීමේ ව්යුහ විද්යාව
හරිත සේදීම යනු සංවිධානයක් එහි පාරිසරික කාර්ය සාධනය ඇත්ත වශයෙන්ම වඩා හොඳ පෙනුමක් ලබා දීමයි. චතුර සහ ඒත්තු ගැන්වීමේ පෙළ නිපදවීමට AI ඉතා දක්ෂ බැවින්, එය නොදැනුවත්වම හරිත සේදීම නිෂ්පාදනය කිරීමටද ඉතා ප්රවණතාවක් ඇත. ප්රධාන වර්ග:
හරිත සේදීමේ වර්ගය
ඔබ අදහස් කරන්නේ කුමක්ද?
උදාහරණයක්
නොපැහැදිලි හිමිකම්
මැනිය නොහැකි, නිර්වචනය නොකළ වචනය
"පරිසර හිතකාමී", "ස්වාභාවික", "කොළ"
සාක්ෂි නොමැතිව හිමිකම් පෑම
දත්ත නොමැතිව අංකය/ඉලක්කය
"අපි කාබන් උදාසීන" (ලේඛන නොමැත)
රහස් හුවමාරුව
හොඳ දේ උලුප්පා දැක්වීම සහ විශාල නරක සැඟවීම
"ඇසුරුම් කිරීම ප්රතිචක්රීකරණය කළ හැකි" නමුත් නිෂ්පාදනය ඉතා දූෂිත වේ
අදාළ නොවන හිමිකම් පෑමක්
දැනටමත් අවශ්ය/නොවැදගත් දේ ගුණයක් ලෙස ඉදිරිපත් කිරීම
"තහනම් ද්රව්ය අඩංගු නොවේ"
ව්යාජ ලේබලය
සැකසූ / තහවුරු නොකළ සහතික පෙනුම
ස්වයං-නිපදවන ලද "හරිත" ලාංඡනය
අතිරික්ත අනාගතය
සාක්ෂි නොමැතිව ඈත ඉලක්කයක සරණ යාම
"අපි 2050 දී මධ්යස්ථ වනු ඇත" (අතුරු සැලැස්මක් නැත)
ඉඟිය: හොඳ පාරිසරික හිමිකම් පෑමකට ලක්ෂණ තුනක් ඇත: මැනිය හැකි (සංඛ්යාවක්), ඔප්පු කළ හැකි (සාක්ෂි කැබැල්ලක්) සහ විෂය පථයේ පැහැදිලි (සැසඳෙන්නේ කවදාද යන්න පැහැදිලි කරන්න). හිමිකම් පෑමක් මෙම තුනෙන් එකක් අස්ථානගත වී ඇත්නම්, එය ප්රකාශ කිරීමට පෙර නවත්වන්න.
දත්ත නිරවද්යතාවය: මොඩියුලයේ රන් රීතිය
එක් එක් ඒකකය තුළ අප දකින සත්යාපන විනය තනි වාක්යයකින් සාරාංශ කළ හැක: AI විසින් නිපදවන ලද කිසිදු අංකයක් හෝ සත්යයක් ස්වාධීන මූලාශ්රයකින් තහවුරු නොකර තීරණයක්, වාර්තාවක් හෝ හිමිකම් පෑමක් බවට පත් නොවේ. විමෝචන සාධකය නිල වගුවෙන් තහවුරු කර ඇත, නීති සම්පාදන ලිපිය වත්මන් පාඨයෙන් තහවුරු කර ඇත, මිනුම් ක්රමාංකනය කරන ලද උපාංගයෙන් තහවුරු කර ඇත, සහ ගණනය කිරීම ක්රියාත්මක කරන ලද කේතයෙන් තහවුරු වේ. AI වේගවත් කරයි; ඔහු සත්යවාදී මිනිසා ය.
ආචාර ධර්ම සහ පෞද්ගලිකත්වය
ආචාර ධර්ම: පාරිසරික දත්ත මහජනතාව සහ අනාගත පරම්පරාව ගැන සැලකිලිමත් වේ; දත්ත සම්බාහනය, තෝරාගත් වාර්තාකරණය, හෝ අවිනිශ්චිතභාවය සැඟවීම සදාචාරාත්මක උල්ලංඝනයකි. "වාර්තාව වඩා හොඳින් පෙන්වන්න" ලෙස AI ගෙන් ඉල්ලා නොසිටින්න, නමුත් "වාර්තාව වඩාත් නිවැරදිව සහ තේරුම් ගත හැකි ලෙස පෙන්වන්න".
රහස්යභාවය: ශාක මට්ටමේ නිෂ්පාදන සංඛ්යා, සැපයුම්කරුවන්ගේ ගිවිසුම්, අනාවරණය නොකළ විමෝචන දත්ත වෙළඳ රහස් විය හැක; සේවක ගමන් හෝ ස්ථාන දත්ත පුද්ගලික දත්ත විය හැක. පොදු AI මෙවලම්වලට ඇලවීමට පෙර ආයතනික ප්රතිපත්ති සහ දත්ත ආරක්ෂණ නීති (උදා: KVKK/GDPR) පරීක්ෂා කරන්න; හැකි නම් නිර්නාමික කරන්න හෝ ව්යවසාය, දත්ත-සාක්ෂි මෙවලමක් භාවිතා කරන්න.
අවවාදයයි: "AI එසේ කීවා" යනු ආරක්ෂාවක් නොවේ. අසත්ය විමෝචන වාර්තාවක්, නොමඟ යවන ප්රචාරණයක් හෝ රහස්ය දත්ත කාන්දු වීම සඳහා ආයතනය සහ අත්සන් කරන්නා වගකිව යුතුය. AI යනු මෙවලමකි; ඔහු වගකිව යුතු පුද්ගලයෙකි.
අවසානය සිට අවසානය දක්වා කාර්ය ප්රවාහය: මොඩියුලය එකලස් කරන්න
ආරම්භයේ සිට අවසානය දක්වා විශ්වාසයෙන් යුතුව පාරිසරික හිමිකම් පෑමක් හෝ වාර්තාවක් ඉදිරිපත් කිරීමට පියවර හයක් මෙන්න:
1. නිර්වචනය කරන්න. වාර්තා කරන්නේ/හිමිකම් කරන්නේ කුමක් ද? විෂය පථය, ඒකකය, සම්මතය, කාල සීමාව පැහැදිලිද?
2. දත්ත එකතු කර තහවුරු කරන්න. සෑම ගැටලුවකටම සොයා ගත හැකි මූලාශ්රයක් තිබේද? සාධක නිලද?
3. ගණනය කර තහවුරු කරන්න. කේතයෙන් අංක ගණිතය කරන්න සහ ඒකක සහ ඇණවුම් සමඟ ප්රතිඵලය ලබා දෙන්න.
4. ස්කීච්. AI සමඟ පෙළ ඇටසැකිල්ලක් සාදන්න; සෑම වාක්යයක්ම සාක්ෂියට සම්බන්ධ කරන්න.
5. Greenwashing ෆිල්ටරය හරහා එය ගමන් කරන්න. නොපැහැදිලි, තහවුරු නොකළ, අතිශයෝක්තියට පත් ප්රකාශ ඉවත් කරන්න.
6. තහවුරු කර වගකීම ගන්න. ස්වාධීන සහතිකය / විශේෂඥ පාලනය; අවසාන අනුමැතිය මිනිසා සතුය.
කුඩා නඩු තුනක්
නඩුව 1 - චතුර නමුත් පදනම් විරහිත. එක් කණ්ඩායමකට AI විසින් තිරසාර සංක්ෂිප්තයක් ලිවීමට ඇත; පාඨය සිත් ඇදගන්නා සුළු වූ නමුත්, "කර්මාන්තයේ ප්රමුඛ තිරසාරත්වය," "ශුන්යයට ආසන්න බලපෑම" වැනි ප්රමාණාත්මක නොවන වාක්ය ඛණ්ඩ වලින් පිරී ඇත. හරිත සේදීමේ පෙරහන යෙදීම (පහළ 1 අච්චුව) සනාථ නොකළ හිමිකම් හතක් සලකුණු කර ඇත; සෑම එකක්ම ඔප්පු කළ අංකයකින් ප්රතිස්ථාපනය කර හෝ ඉවත් කර ඇත. වාර්තාව කෙටි නමුත් ආරක්ෂාකාරී විය.
නඩුව 2 - කාන්දු වූ දත්ත. විශ්ලේෂකයෙකු තවමත් අනාවරණය කර නොමැති පහසුකම් විමෝචන දත්ත ප්රසිද්ධියේ ලබා ගත හැකි AI මෙවලමකට අලවා විශ්ලේෂණයක් ඉල්ලා සිටියේය. අනුකූලතා කණ්ඩායම මෙය වෙළඳ රහසක් සහ නියාමන හෙළිදරව් කිරීම් උල්ලංඝනය කිරීමක් බව වටහා ගත්හ; ක්රියාවලිය නතර කරන ලදී, දත්ත ආයතනික (කාන්දු නොවන) මෙවලමකට ගෙන යන ලදී. පාඩම: මෙවලම වෙත ලබා දීමට පෙර දත්තවල පන්තිය (රහස්ය?) තීරණය කරන්න.
නඩුව 3 - වලංගු කිරීමේ දාමය. එක් සංවිධානයක් එහි සම්පූර්ණ වාර්ෂික වාර්තාව සඳහා "හිමිකම්-සාක්ෂි" වගුවක් තබා ඇත: එක් එක් වාක්යයේ එක් එක් අංකයට ප්රතිවිරුද්ධ එහි මූලාශ්රය වේ. විගණකවරයා පැමිණි විට, එක් එක් හිමිකම් පෑම මිනිත්තු කිහිපයකින් නිරීක්ෂණය කිරීමට ඔවුන්ට හැකි විය. සහතික කිරීමේ ක්රියාවලිය සුමටව සිදු විය. මෙම විනය මොඩියුලයේ සියලුම ඒකකවල හරය වූ අතර සැබෑ ලෝකයේ කාලය සහ පිළිගැනීම ඉතිරි විය.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
අපගේ තිරසාර පණිවිඩය වඩාත් ආකර්ෂණීය කරන්න.
එය දුර්වල වන්නේ ඇයි: "ආකර්ෂණීය" සඳහා ඇති ආශාව AI අතිශයෝක්තියට හා නොපැහැදිලි ප්රශංසාවට තල්ලු කරයි; හරිත සේදීම නිෂ්පාදනය කරයි.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: පාරිසරික සන්නිවේදන සංස්කාරක සහ හරිත සේදීමේ විගණක. පහත පෙළ "දිලිසෙන" නොව වඩාත් නිවැරදි සහ තේරුම් ගත හැකි ලෙස කරන්න. සෑම හිමිකම් පෑමක්ම අසයි: එය මැනිය හැකිද, එය මූලාශ්ර කර තිබේද, එහි විෂය පථය පැහැදිලිද? නොපැහැදිලි ("පරිසර හිතකාමී"), සාක්ෂි රහිත ("උදාසීන") සහ අතිශයෝක්තියෙන් යුත් ප්රකාශ සහ සාක්ෂි මත පදනම් වූ, මනින ලද විකල්ප යෝජනා කරන්න. කිසිදු සාක්ෂියක් නොමැති හිමිකම් පෑම ඉවත් කරන්න. පෙළ: [මෙහි]
පිටපත් කළ හැකි සැකිලි හතරක්
1) හරිත සේදීමේ පාලන පෙරහන:
ඔබේ කාර්යභාරය: හරිත සේදීමේ විගණක. පහත පෙළෙහි එක් එක් පාරිසරික හිමිකම් වගුගත කරන්න: (හිමිකම් | එය මැනිය හැකිද | සාක්ෂි තිබේද | එය අවිනිශ්චිතද | තීන්දුව). අපැහැදිලි / ඔප්පු නොකළ / අතිශයෝක්තියට නැංවූ ඒවා සලකුණු කර එක් එක් සඳහා මනින ලද, සාක්ෂි මත පදනම් වූ විකල්පයක් යෝජනා කරන්න. පෙළ: [මෙහි]
2) හිමිකම්-සාක්ෂි ගැලපෙන වගුව:
පහත වාර්තා පාඨයෙන් සෑම සංඛ්යාත්මක සහ සත්ය හිමිකම් පෑමක්ම ඉවත් කරන්න. එක් එක් සඳහා "මූලාශ්රය" තීරුවක් තබන්න. නිශ්චිත නොවන මූලාශ්රයක් සහිත ඕනෑම හිමිකම් පෑමක් "සාක්ෂි අවශ්ය" ලෙස සලකුණු කරන්න. පෙළ වෙනස් කරන්න; check.Text: [මෙහි]
3) රහස්යතා පූර්ව පරීක්ෂාව:
AI මෙවලමක් තුළ සැකසීමට පෙර පහත දත්ත වර්ග කරන්න: එහි වෙළඳ රහස් (ශාක නිෂ්පාදනය, සැපයුම්කරු මිල), පුද්ගලික දත්ත (නම, ස්ථානය) හෝ අනාවරණය නොකළ මුල්ය තොරතුරු අඩංගු වේද? අවදානම් සහිත ප්රදේශ සලකුණු කර නිර්නාමිකකරණය/ඉවත් කිරීම නිර්දේශ කරන්න. දත්ත උදාහරණය: [මෙහි]
4) අන්තයේ සිට අවසානය දක්වා ගුණාත්මක ද්වාරය:
පහත පාරිසරික වාර්තාව/හිමිකම් සඳහා අවසාන පරීක්ෂාවක් කරන්න. අනුපිළිවෙලින්: (1) විෂය පථය-ඒකකය-සම්මතය පැහැදිලිය, (2) එක් එක් අංකය මූලාශ්ර කර තිබේද, (3) අංක ගණිතය සත්යාපනය කර තිබේද, (4) හරිත සේදීමක් තිබේද, (5) රහස්ය/පුද්ගලික දත්ත කාන්දු වී ඇත. එක් එක් අයිතමය සඳහා සාමාර්ථ/අසාර්ථක සහ සාධාරණීකරණය දෙන්න. අන්තර්ගතය: [මෙහි]
පොදු වැරදි
- "ආකර්ෂණීය" අවශ්යයි. මෙය AI අතිශයෝක්තියට සහ හරිත සේදීමට තල්ලු කරයි; "නිවැරදි සහ තේරුම්ගත හැකි" සඳහා විමසන්න.
- නොපැහැදිලි ප්රකාශය නොදැන සිටීම. "පරිසර හිතකාමී" වැනි වාක්ය ඛණ්ඩ අපරිමිත සහ අවදානම් සහිත ය.
- රහස්ය දත්ත විවෘත මෙවලමකට අපනයනය කිරීම. පළමුව දත්ත වර්ගීකරණය කර අවශ්ය නම් එය නිර්නාමික කරන්න.
- "AI එහෙම කිව්වා" සමඟ ආරක්ෂා කිරීම. වගකීම සෑම විටම පුද්ගලයා මත පවතී.
- සත්යාපන දාමය නඩත්තු නොකිරීම. සෑම හිමිකම් පෑමකම මූලාශ්රය විගණනය කළ හැකි විය යුතුය.
සාරාංශයක් ලෙස
පරිසරය සහ දේශගුණය තුළ AI ආරක්ෂිතව භාවිතා කිරීමේ සාරය තනි විනයකි: සෑම මූලාශ්රයක්ම, සෑම හිමිකම් පෑමක්ම ඔප්පු කර ඇත, සෑම දත්තයක්ම වර්ගීකරණය කර ඇති සෑම මෙවලමකටම ලබා දී ඇත, සෑම අවසාන තීරණයක්ම මිනිසා. Greenwashing යනු ද්රව භාෂාවේ උගුලකි; එය වළක්වා ගත හැකි ක්රමය නම් මැනිය හැකි, මූලාශ්ර සහ යම් විෂය පථයක් ඇති හිමිකම් ඉදිරිපත් කිරීමයි. AI; ගණනය කරයි, පරිලෝකනය කරයි, කෙටුම්පත් කරයි සහ සංවිධානය කරයි - නමුත් එය සත්යාපනය කරන්නේ, තීරණය කරන්නේ සහ වගකිව යුතු දක්ෂ විශේෂඥයා ය. ඉහළ ප්රතිවිපාක සහිත පාරිසරික කාර්යයේදී, AI ප්රතිදානය විශේෂඥ සත්යාපනය සහ වලංගු කිරීම සඳහා ආදේශකයක් නොවේ; එය වේගවත් කරයි.
යෙදුම් කාර්යය
ඔබ මොඩියුලය පුරා නිපදවා ඇති එක් බෙදාහැරීමක් තෝරන්න (විමෝචන සාරාංශයක්, ජල විශ්ලේෂණයක් හෝ ESG අංශයක්). පළමුව අච්චු 1 සමඟ Greenwashing විගණනය කර ඔබ සොයා ගන්නා ඕනෑම තහවුරු නොකළ හිමිකම් නිවැරදි කරන්න. ඉන්පසු 2 වන අච්චුව සමඟ හිමිකම්-සාක්ෂි වගුවක් සාදා මූලාශ්ර නොමැතිව ඉතිරි සංඛ්යා සම්පූර්ණ කරන්න. අවසාන වශයෙන්, 4 වන අච්චුව සමඟ අන්තයේ සිට අවසානය දක්වා ගුණාත්මක ද්වාරය යොදන්න; ඔබට අයිතම පහටම "සාමාර්ථයක්" ලැබෙන තුරු නිවැරදි කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම එක් එක් හිමිකම් පෑම මැනිය හැකි, මූලාශ්ර සහ විෂය පථය නිශ්චිත කළෙමි.
- [ ] මම හරිත සේදීමේ පෙරහනකින් නොපැහැදිලි/අතිශයෝක්ෂිත භාෂාව පිරිසිදු කළෙමි.
- [ ] මම AI විසින් නිපදවන සෑම අංකයක්ම ස්වාධීනව තහවුරු කර ඇත.
- [ ] මම රහස්යභාවය සඳහා මෙවලමට ලබා දුන් දත්ත වර්ගීකරණය/නිර්නාමික කර ඇත.
- [ ] මම අංක ගණිතය කේතනය කර එයට ඒකක සහ ශ්රේණිගත කිරීම් ලබා දුන්නා.
- [ ] මම අවසාන වගකීම භාර ගත්තා; මම "AI කිව්වා" ආරක්ෂාව මත විශ්වාසය තැබුවේ නැහැ.
මොඩියුල විභාගය
1. පරිසරයේ සහ දේශගුණයේ කෘත්රිම බුද්ධිය සඳහා වඩාත් නිවැරදි ස්ථානගත කිරීම පහත ඒවායින් කුමක් ද?
- A) කෘත්රිම බුද්ධිය යනු කේත, දත්ත සහ සැලැස්මෙහි සහකාරයෙකි; සාධක, විෂය පථය, සාක්ෂි සහ සදාචාරාත්මක තීරණ සඳහා වගකීම මිනිසුන් සතුය ✔
- B) කෘතිම බුද්ධිය යනු මිනුම් උපකරණයක් වන අතර එය ලබා දෙන විමෝචන අගයන් සෑම විටම නිවැරදි වේ.
- C) කෘතිම බුද්ධිය ප්රයෝජනවත් වන්නේ වාර්තා ලිවීමේදී පමණි, එයට ගිණුම්කරණය සහ අධීක්ෂණය සමඟ කිසිදු සම්බන්ධයක් නැත
- D) කෘත්රිම බුද්ධිය මිනිසුන්ට වඩා අපක්ෂපාතී බැවින් සියලු පාරිසරික තීරණ එයට භාර දිය යුතුය.
විස්තරය: කෘතිම බුද්ධිය; එය කේතය ලියන, දත්ත සංවිධානය කරන, කෙටුම්පත් නිෂ්පාදනය කරන සහ සාරාංශ කරන සහායකයෙකි. කෙසේ වෙතත්, විමෝචන සාධකය, විෂය පථය සහ ඒකක නිරවද්යතාවය තහවුරු කිරීම, හිමිකම් සනාථ කිරීම සහ අවසාන වගකීම පැවරෙන්නේ දක්ෂ විශේෂඥයා වෙත ය. විශාල භාෂා ආකෘතිය යනු මිනුම් උපකරණයක්, ගණක යන්ත්රයක් හෝ නීති සම්පාදන මූලාශ්රයක් නොවේ; යනු 'ඊළඟ බොහෝ දුරට ඉඩ ඇති වචනය' නිපදවන පෙළ උත්පාදකයක් වන අතර එහි සත්යාපනය නොකළ ප්රතිදානය ව්යාජ වාර්තාවකට හෝ හිමිකම් පෑමට හේතු විය හැක.
2. හරිතාගාර වායු තොගයේ 'ක්රියාකාරකම් දත්ත × විමෝචන සාධකය' ගණනය කිරීම සඳහා නිවැරදි ප්රවේශය කුමක්ද?
- A) කෘත්රිම බුද්ධිය මතක තබා ගන්නා සාධකය භාවිතා කර එය සම්පුර්ණයෙන්ම අතින් සිදු කරයි
- B) රට සහ වර්ෂය අනුව නිල වගුවෙන් සාධකය ගෙන ක්රියාත්මක කළ හැකි කේතය සමඟ එකතුව සෑදීම ✔
- C) සියලුම වායූන් CO₂ ලෙස ගණන් කිරීම සහ GWP පරිවර්තනය මඟ හැරීම
- D) එක් එක් රට සඳහා පෙරනිමි (උදා. US) ජාල සාධකය භාවිතා කිරීම
විස්තරය: විමෝචන සාධක රට, වර්ෂය සහ ඉන්ධන අනුව වෙනස් වේ; 'Reminding' AI මඟින් ප්රබන්ධ කිරීමේ අවදානම හඳුන්වා දෙයි. සාධකය සැමවිටම නිල වගුවකින් තහවුරු කළ යුතුය (IPCC, DEFRA/EPA, ජාතික බඩු තොග); බහු-රේඛා එකතුව අතින් සිදු නොව ක්රියාත්මක කළ හැකි කේතයකින් කළ යුතුය. මීතේන් සහ N₂O අනිවාර්යයෙන්ම නිවැරදි GWP කට්ටලය සමඟ CO₂e බවට පරිවර්තනය වේ.
3. GHG ප්රොටෝකෝලයට අනුව, මිලදී ගත් විදුලිය නිපදවීමෙන් ඇතිවන විමෝචනය ඇතුළත් වන්නේ කුමන විෂය පථයටද?
- A) විෂය පථය 1
- B) විෂය පථය 3
- C) විෂය පථය 2 ✔
- D) එය කිසිදු විෂය පථයකට ඇතුළත් කර නැති අතර වාර්තා නොකෙරේ
විස්තරය: විෂය පථය 1 යනු සංවිධානයේ ම මූලාශ්රවලින් (බොයිලර්, සමාගම් වාහනය) සෘජු විමෝචනයකි. විෂය පථය 2 යනු මිලදී ගත් ශක්තිය (විදුලිය, වාෂ්ප, උණුසුම, සිසිලනය) නිෂ්පාදනයෙන් වක්ර විමෝචනයයි. විෂය පථය 3 අගය දාමයේ අනෙකුත් සියලුම වක්ර විමෝචන ආවරණය කරයි (සැපයුම, ගමන්, නිෂ්පාදන භාවිතය).
4. MACC (ආන්තික අඩුකිරීමේ පිරිවැය) මගින් අවම කිරීමේ පියවරයන්ට ප්රමුඛත්වය දෙන විට නිවැරදි වන්නේ කුමක්ද?
- A) වඩාත්ම මිල අධික හා තාක්ෂණික පියවර සෑම විටම මුලින්ම ගනු ලැබේ
- B) පළමුව, ඕෆ්සෙට් එක මිල දී ගෙන 'ශුද්ධ ශුන්ය' ලෙස හැඳින්වේ, අඩු කිරීම පසුවට ඉතිරි වේ.
- C) ක්රියාකාරී අනුපිළිවෙල පිරිවැයෙන් ස්වාධීන වේ; සියල්ල එකවර අයදුම් කළා
- D) සෘණ වියදම් (ඉතුරුම්) ක්රියාමාර්ග පළමුව ගනු ලැබේ, ඉවත් කිරීම අවසන් ✔ වේ
විස්තරය: MACC ටොන් එකකට මග හැරිය (€/ටොන්) පිරිවැය අනුව මිනුම් ශ්රේණිගත කරයි. සෘණ වියදම් පියවර (උදා: බලශක්ති කාර්යක්ෂමතාව) විමෝචනය අඩු කිරීම සහ මුදල් ඉතිරි කිරීම යන දෙකම; මේවා ඉස්සරහට ගේනවා. ඉහළ වියදම් විකල්ප සහ ඕෆ්සෙට් අවසන් වන තුරු ඉතිරි වේ. ඉවත් කිරීම අවම කිරීම සඳහා ආදේශකයක් නොව, නොවැළැක්විය හැකි ඉතිරියට අනුපූරකයකි.
5. එක් කලාපයක NDVI එක මාසයකදී හිටිහැටියේ අඩු වූ බව ඔබ චන්ද්රිකා ඡායාරූපයේ දුටුවා. ඔබ මුලින්ම කළ යුත්තේ කුමක්ද?
- A) වහාම 'හදිසි වන විනාශය' අනතුරු ඇඟවීමක් නංවා එය මහජනතාවට ප්රකාශ කරන්න.
- B) වලාකුළු ආවරණයක් යෙදීමෙන් සහ අසල්වැසි දිනයන් සමඟ සංසන්දනය කිරීමෙන් සංඥාවේ සත්යතාව පරීක්ෂා කිරීම ✔
- C) තනි රූපයක් දෙස බලා නිශ්චිත ප්රතිශත අලාභයක් වාර්තා කිරීම
- D) චන්ද්රිකා දත්ත සෑම විටම නිවැරදි වේ; අමතර චෙක්පත් අවශ්ය නොවේ
පැහැදිලි කිරීම: චන්ද්රිකා දත්තවල වඩාත් පොදු ව්යාජ සංඥාව වලාකුළු වේ. NDVI පහත වැටීමක් සැබෑ වනාන්තර අහිමි වීමක් විය හැකිය, නැතහොත් එය එදින රූපය මත වලාකුළක් විය හැකිය. මුලින්ම වලාකුළු ආවරණයක් යෙදීම සහ අසල්වැසි වලාකුළු රහිත දිනයන් සමඟ සංසන්දනය කිරීම අවශ්ය වේ; වෙනස් කිරීමේ හිමිකම් පෑම තනි දිනයක් නොව ප්රවණතාවය මත පදනම් විය යුතු අතර, හැකි නම්, එය මූලික සත්ය සමඟ සත්යාපනය කළ යුතුය.
6. කර්මාන්තශාලා දෙකක ජල බලපෑම සංසන්දනය කිරීමේදී නිවැරදි ප්රවේශය කුමක්ද?
- A) නිරපේක්ෂ ලීටර් දෙස බලා වැඩිපුරම පරිභෝජනය කරන එක නරකම ලෙස ප්රකාශ කිරීම
- B) ජල බලපෑම සෑම තැනකම සමාන වේ; කලාපය වැදගත් නොවේ
- C) කලාපීය ජල ආතතිය මගින් බර පරිභෝජනය සහ සැබෑ බලපෑම සමඟ සැසඳීම ✔
- D) කොළ, නිල් සහ අළු ජලය තනි අංකයකට එකතු කිරීම සහ ආතතිය නොසලකා හැරීම
පැහැදිලි කිරීම: ජලය, කාබන් මෙන් නොව, දේශීය වේ; එම ජල ප්රමාණයම යනු අධික ජල ආතතියක් ඇති කලාපයක වඩාත් දරුණු පාරිසරික බලපෑමකි. එබැවින්, ජල බලපෑම නිරපේක්ෂ ලීටර් වලින් පමණක් නොව කලාපීය ජල ආතතිය මගින් තක්සේරු කළ යුතුය. අඩුවෙන් පරිභෝජනය කරන නමුත් ඉතා වියළි කලාපයක පහසුකමක් විශාල වශයෙන් පරිභෝජනය කරන නමුත් ඕනෑ තරම් ජලය ඇති පහසුකමකට වඩා තීරණාත්මක විය හැකිය.
7. අපද්රව්ය කළමනාකරණයේදී කෘත්රිම බුද්ධිය රසායනික අපද්රව්ය 'අන්තරායකර නොවන' කේතයක් ලෙස වර්ගීකරණය කළේය. නිවැරදි හැසිරීම යනු කුමක්ද?
- A) කෘත්රිම බුද්ධිය කියන නිසා කෙලින්ම එම කේතයෙන් ඉවත් කිරීම
- B) අපද්රව්ය කේතයන් වැදගත් නොවේ; ඒවා සියල්ලම එකම ආකාරයකින් බැහැර කරනු ලැබේ
- C) දූෂණය සහ උපද්රව පන්තිය නොසලකා හැරීම සහ එකතු කරන ලද මුදල වාර්තා කිරීම
- D) ආරක්ෂිත දත්ත පත්රිකාව (SDS) සහ නීති සම්පාදනය සමඟ පන්තිය තහවුරු කිරීම, කෘතිම බුද්ධි යෝජනාව අවසාන වශයෙන් පිළි නොගැනීම ✔
විස්තරය: අන්තරායකර අපද්රව්ය වැරදි ලෙස වර්ගීකරණය කිරීම සහ ලියාපදිංචි නොකළ බැහැර කිරීම දැඩි ලෙස අනුමත කරන ලද පාරිසරික අපරාධ අතර වේ. AI අපද්රව්ය කේත යෝජනාව මූලික කෙටුම්පතක් පමණි; උපද්රව පන්තිය සෑම විටම ද්රව්යයේ ආරක්ෂිත දත්ත පත්රිකාව (SDS) සහ අදාළ වන අපද්රව්ය රෙගුලාසි මගින් තහවුරු කළ යුතුය. AI ප්රතිදානය කිසිවිටෙක අවසාන අපද්රව්ය කේතය ලෙස භාවිතා නොවේ.
8. පහසුකමක් එහි තොග විමෝචනය 20% කින් අඩු කර ඇත. 'අසල්වැසි වාතය 20%කින් පිරිසිදු කර ඇත' කීම වැරදි ඇයි?
- A) විමෝචනය සහ සාන්ද්රණය වෙනස් වේ; කාලගුණයේ වෙනස්වීම් සඳහා වෙනම මිනුම් සහ ආකෘති නිර්මාණය ✔ අවශ්ය වේ
- B) විමෝචනය සහ සාන්ද්රණය එකම දෙයකි; අඩුවීම වාතයේ සෘජුවම පිළිබිඹු වේ
- C) චිමිනි මැනීම සෑම විටම නිවැරදි අසල්වැසි කාලගුණයක් ලබා දෙයි
- D) කාලගුණ විද්යාව වාතයේ ගුණාත්මක භාවයට බලපාන්නේ නැත, එබැවින් හිමිකම් පෑම වලංගු වේ
පැහැදිලි කිරීම: විමෝචනය (මූලාශ්රයෙන් පිටවන ප්රමාණය) සහ සාන්ද්රණය (වාතයේ මනිනු ලබන ඝනත්වය) වෙනස් දේවල් වේ. සුළඟ, උෂ්ණත්වය සහ භූ විෂමතාවය එකම විමෝචනය ඉතා වෙනස් සාන්ද්රණයන් ඇති කරයි. සමුච්චිත විමෝචනය අඩු කිරීම සැබෑ වුවද, වාතයේ සාන්ද්රණය පිළිබඳ හිමිකම් පෑම ඔප්පු කළ හැක්කේ ක්රමාංකනය කරන ලද මිනුම් සහ සුදුසු විසරණ ආකෘතියෙන් පමණි; නොඑසේ නම් එය පදනම් විරහිත හා නොමඟ යවන සුළු ය.
9. ESG වාර්තාකරණයේදී කෘත්රිම බුද්ධිය මගින් නිපදවන ලද පාඨයක 'අපි අපගේ ජල පරිභෝජනය 15%කින් අඩු කළෙමු' යන වාක්යයක් ඇත. වඩාත්ම වැදගත් පාලනය කුමක්ද?
- A) වාක්යය කෙතරම් ආකර්ෂණීය හා චතුර ලෙස බැලීම
- B) අංකය සොයා ගත හැකි මූලාශ්රයකට සම්බන්ධ වී ඇති බව තහවුරු කරන්න (ඉන්වොයිසිය, මීටරය, මිනුම්) ✔
- C) කෘත්රිම බුද්ධිය එය නිපදවන නිසා අංකය නිවැරදි යැයි උපකල්පනය කිරීම
- D) සංඛ්යාව වඩාත් ස්ථීර ලෙස පෙනෙන පරිදි ප්රතිශතය වට කිරීම
පැහැදිලි කිරීම: ESG වාර්තාවක වටිනාකම එහි දුර්වලම දත්ත සොයා ගැනීමේ හැකියාව වන අතර ස්වාධීන සහතික විගණකවරුන් සංඛ්යාව පිටුපස ඇති සාක්ෂි දාමය පරීක්ෂා කරයි. AI විසින් පෙර පාඨ වලින් 'සාධාරණ' ලෙස පෙනෙන නමුත් සොයා ගත නොහැකි සංඛ්යාවක් නිපදවා තිබිය හැක. ඉන්වොයිසිය/මීටරය/සහතිකය මත පදනම්ව සොයා ගත හැකි මූලාශ්රයකට සම්බන්ධ නොවී සෑම ඩිජිටල් හිමිකම් පෑමක්ම වාර්තාවට ඇතුළත් නොකළ යුතුය.
10. තනි අනාගතයකට වඩා දේශගුණික අවදානම් තක්සේරුවේදී බහුවිධ අවස්ථා භාවිතා කරන්නේ ඇයි?
- A) අවස්ථා සැරසිලි වේ; එක් නිවැරදි අනාගත අනාවැකියක් ප්රමාණවත්ය
- B) කෘත්රිම බුද්ධියෙන් අනාගත ගංවතුර ඇතිවීමේ සම්භාවිතාව නිශ්චිත ප්රතිශතයකින් ලබා දිය හැකි බැවින්, එක් අවස්ථාවක් ප්රමාණවත් වේ
- C) භෞතික සහ සංක්රාන්ති අවදානම තත්වයන් අනුව අහිතකර විය හැක; විඳදරාගැනීම පරීක්ෂා කිරීම අරමුණයි ✔
- D) භෞතික සහ සංක්රාන්ති අවදානම එකම දෙයකි, වෙනම අවස්ථා අවශ්ය නොවේ
පැහැදිලි කිරීම: භෞතික අවදානම (ගංවතුර, නියඟ වැනි දේශගුණික බලපෑම්) සහ සංක්රාන්ති අවදානම (කාබන් මිල, නීති සම්පාදනය, තාක්ෂණ මාරුව) බොහෝ විට ප්රතිවිරුද්ධ දිශාවලට ගමන් කරයි: ලෝකය වේගයෙන් අවම කිරීම සිදු කරන්නේ නම්, සංක්රාන්ති අවදානම වැඩි වේ, භෞතික අවදානම අඩු වේ; ඔහු සෙමින් ක්රියා කරන්නේ නම්, ප්රතිවිරුද්ධ දෙය සිදු වේ. එබැවින්, අවම වශයෙන් එක් අඩු (1.5-2 ° C) සහ එක් ඉහළ (3 ° C+) උනුසුම් අවස්ථාවක් පරීක්ෂා කරනු ලැබේ. අරමුණ අනාගතය ගැන අනාවැකි කීම නොව, විඳදරාගැනීම පරීක්ෂා කිරීමයි.
11. රෙගුලාසියක් (උදා: CBAM) ඔබට සහ එහි කාලසීමාවන්ට අදාළ වන්නේ දැයි ඔබ AI වෙතින් විමසා ඇත. ඔබ හැසිරිය යුත්තේ කෙසේද?
- A) කෘත්රිම බුද්ධිය මඟින් ලබා දෙන දින සහ අයිතම අනුව සෘජුවම සැලසුම් කිරීම
- B) AI හි සාමාන්ය අර්ථ නිරූපණය මත විෂය පථය තීරණය පදනම් කර ගනිමින්, නිල කේත ලැයිස්තුව දෙස නොබලයි
- C) අනුකූලතාව එක් වරක්; ඔබ විමසූ පසු, නීති සම්පාදනය නිරන්තරයෙන් නිරීක්ෂණය කිරීම අවශ්ය නොවේ
- D) ප්රතිදානය කෙටුම්පතක් ලෙස සලකා වත්මන් නිල පාඨයෙන් ලිපිය, දිනය, එළිපත්ත සහ විෂය පථය තහවුරු කරන්න ✔
විස්තරය: නියාමන දැනුම ඉක්මනින් යල් පැන යයි; ලිපි වෙනස් වේ, දින කල් යයි, විෂය පථය පුළුල් වේ. AI හි පුහුණු දත්ත නිශ්චිත දිනයක ශීත කළ අතර ඒවා යාවත්කාලීන නොවිය හැක; එපමණක් නොව, පදාර්ථයට ඉතිහාසය සහ එළිපත්ත වැනි තීරණාත්මක කරුණු ගොතන ලද හැකිය. විෂය පථය තීරණය නිල නිෂ්පාදන/කේත ලැයිස්තුව, සියලු දිනයන් සහ සීමාවන් බලාත්මක වන නිල පාඨය මගින් තහවුරු කළ යුතුය; තීරණාත්මක අනුකූලතා තීරණ වලදී බලයලත්/විශේෂඥ මතය ලබා ගත යුතුය.
12. හරිත සේදීමේ අවම අවදානම ඇත්තේ පහත සඳහන් පාරිසරික හිමිකම්වලින් කවරේද?
- A) 'අපි 2023 වන විට අපගේ නිෂ්පාදන විමෝචනය 18% කින් අඩු කර ඇත (ස්වාධීන සත්යාපනය සමඟ)' ✔
- B) 'අපගේ නිෂ්පාදන සම්පූර්ණයෙන්ම පරිසර හිතකාමී සහ ස්වභාවිකයි'
- C) 'අපගේ සමාගම කාබන් උදාසීනයි' (කිසිදු ලේඛන හෝ දත්ත සැපයීමකින් තොරව)
- D) 'අපි කර්මාන්තයේ වඩාත්ම තිරසාර සහ ශුන්ය බලපෑමට ආසන්න සමාගමයි'
පැහැදිලි කිරීම: හොඳ පාරිසරික හිමිකම් පෑමක් මැනිය හැකි (සංඛ්යාවක් අඩංගු), ඔප්පු කරන ලද (සාක්ෂි මත පදනම්ව) සහ විෂය පථය තුළ විශේෂිත වේ (සැසඳෙන්නේ කවදාද යන්න පැහැදිලිය). 'අපි 2023 වන විට නිෂ්පාදන විමෝචනය 18% කින් අඩු කර ඇත (ස්වාධීන සත්යාපනය සමඟ)' මෙම විශේෂාංග තුන ඇත. 'පරිසර හිතකාමී', 'ස්වාභාවික', 'කාබන් උදාසීන' (සහතික නොකළ) වැනි වාක්ය ඛණ්ඩ ප්රමාණ කළ නොහැකි හෝ තහවුරු නොකළ ඒවා වන අතර හරිත සේදීමේ අවදානම දරයි.
13. විශ්ලේෂණය සඳහා ප්රසිද්ධියේ ලබා ගත හැකි AI මෙවලමකට අනාවරණය නොකළ පහසුකම් විමෝචන දත්ත ඇලවීම අවදානම් වන්නේ ඇයි?
- A) අවදානමක් නොමැත; පාරිසරික දත්ත සෑම විටම ප්රසිද්ධියේ පවතී
- B) වෙළඳ රහස්, අනාවරණය නොකළ දත්ත සහ පුද්ගලික දත්ත කාන්දු විය හැක; වර්ගීකරණය සහ නිර්නාමිකකරණය පළමුව අවශ්ය වේ ✔
- C) අවදානම ගණනය කිරීමේ දෝෂයක් පමණි, එය දත්ත රහස්යතාව සමඟ කිසිදු සම්බන්ධයක් නැත
- D) වාහනයට දත්ත ලබා දුන් පසු වගකීම කෘත්රිම බුද්ධි සැපයුම්කරු වෙත පැවරේ
හෙළිදරව් කිරීම: අඩවි මට්ටමේ නිෂ්පාදන සහ විමෝචන දත්ත වෙළඳ රහස් විය හැකි අතර අනාවරණය නොකළ මූල්ය/පාරිසරික දත්ත නියාමන හෙළිදරව් කිරීමේ නීති උල්ලංඝනය කළ හැකිය; සේවක ස්ථානය/සංචාර දත්ත පුද්ගලික දත්ත වේ. විවෘත මෙවලමකට මෙම වර්ගයේ දත්ත ලබා දීමට පෙර, එය වර්ගීකරණය කිරීම, අවශ්ය නම් නිර්නාමික කිරීම හෝ ආයතනික (දත්ත-නිදහස්) මෙවලමක් භාවිතා කිරීම අවශ්ය වේ. 'AI කිව්වා' යනු ආරක්ෂාවක් නොවේ; වගකීම ආයතනයට සහ පුද්ගලයාට පැවරේ.
14. මීතේන් (CH₄) වැනි හරිතාගාර වායුවක් CO₂e බවට පරිවර්තනය කිරීමේදී භාවිතා කරන සංකල්පය කුමක්ද සහ එය වැදගත් වන්නේ ඇයි?
- A) AQI (වායු තත්ත්ව දර්ශකය); වාතයේ වායුවේ වර්ණය තීරණය කරයි
- B) NDVI (වෘක්ෂලතා දර්ශකය); වායුවේ පාංශු බලපෑම මනිනු ලබයි
- C) GWP (ගෝලීය උනුසුම් විභවය); ඉවත් කර ඇත්නම්, මීතේන්/N₂O බලපෑම බෙහෙවින් අවතක්සේරු කරනු ලැබේ ✔
- D) සංගුණක අවශ්ය නොවේ; මීතේන් සෘජුවම CO₂ මෙන් 1 සිට 1 දක්වා ගණන් කරයි
විස්තරය: GWP (Global Warming Potential) යනු විවිධ හරිතාගාර වායුවල තාපන බලපෑම CO₂ ට සාපේක්ෂව පොදු ඒකකයක් බවට පරිවර්තනය කරන සංගුණකයයි. මීතේන් හි වසර 100 GWP දළ වශයෙන් 28 කි. එබැවින් මීතේන් ටොන් 1ක් යනු CO₂e ටොන් 28ක් පමණ වේ. GWP මග හැරියහොත්, මීතේන් සහ N₂O වැනි ප්රබල වායූන්ගේ බලපෑම බෙහෙවින් අවතක්සේරු කරනු ලබන අතර ඉන්වෙන්ටරි සම්පූර්ණයෙන්ම සාවද්ය වනු ඇත; කුමන GWP කට්ටලයද (උදා: IPCC AR6, අවුරුදු 100) භාවිතා කරන්නේද යන්න සඳහන් කළ යුතුය.