กำไร:
- การจำแนกตามความเสี่ยงว่าจุดที่ AI กำลังเร่งและจุดที่มีความเสี่ยงในด้านวิศวกรรมสิ่งแวดล้อม
- ความสามารถในการรับรู้ความเสี่ยงของ LLM ที่จะเกิดอาการประสาทหลอนเกี่ยวกับค่าขีดจำกัดด้านสิ่งแวดล้อม มาตรฐาน และทรัพยากร
- ความสามารถในการตรวจสอบผลลัพธ์ของ AI ในห้องปฏิบัติการ ภาคสนาม และหน่วยงานกำกับดูแล และใช้หลักจริยธรรม/ความเป็นส่วนตัว
ลองนึกภาพการทำงานเป็นวิศวกรสิ่งแวดล้อมในโรงบำบัดน้ำเสียทั่วไปในเขตอุตสาหกรรมที่จัดตั้งขึ้น ผู้จัดการธุรกิจกล่าวทางโทรศัพท์ว่า COD เพิ่มขึ้นอย่างกะทันหันในน้ำที่ระบายออก "ฉันต้องการสาเหตุและวิธีแก้ไขโดยเร็วที่สุด" บนโต๊ะของคุณมีผลการตรวจทางห้องปฏิบัติการจากสัปดาห์ที่แล้ว บันทึก SCADA และหน้าต่างแชทที่คุณเพิ่งเปิด คุณถาม AI "ทำไมเอาต์พุต COD ถึงเพิ่มขึ้น เขียนขีดจำกัดการคายประจุด้วย" ภายในไม่กี่วินาที แบบจำลองจะเขียนเป็นภาษาตุรกีที่เหมาะสม ทีละรายการ เหตุผลที่เป็นไปได้ และยังมีประโยค "ตามกฎระเบียบควบคุมมลพิษทางน้ำ ขีดจำกัดการปล่อย COD อยู่ที่ 120 มก./ลิตร" ปัญหาคือว่าเบรกพอยต์นี้อาจได้รับการติดตั้งแบบจำลองแล้ว ขีดจำกัดที่แท้จริงอาจแตกต่างกันโดยสิ้นเชิง ขึ้นอยู่กับอุตสาหกรรมของคุณ สภาพแวดล้อมในการรับและประเภทสิ่งอำนวยความสะดวก หน่วยนี้จะสอนให้คุณจัดการช่วงเวลานั้น ซึ่งเป็นช่วงเวลาที่ความรับผิดชอบด้านวิศวกรรมของคุณมาบรรจบกับเอาต์พุต AI ที่รวดเร็วแต่ยังไม่ได้รับการยืนยัน
สิ่งที่ AI ทำและไม่ทำในวิศวกรรมสิ่งแวดล้อม
โมเดลภาษาขนาดใหญ่ (LLM) เป็นระบบที่ได้รับการฝึกอบรมเกี่ยวกับหลักการ "ทำนายคำถัดไป" จากข้อมูลข้อความขนาดใหญ่ สิ่งนี้ทำให้พวกเขาแข็งแกร่งมากในการทำงานด้านภาษา แต่โดยพื้นฐานแล้วอ่อนแอในการตรวจสอบข้อเท็จจริง โมเดลไม่ "จำ" เบรกพอยต์ แต่สร้างตัวเลขที่ดูสมเหตุสมผลทางสถิติ
งาน AI เก่งในด้านวิศวกรรมสิ่งแวดล้อม:
- สรุปและร่างกฎหมายฉบับยาว รายงาน EIA หรือวรรณกรรม
- การสร้างโครงสร้าง สูตร และตรรกะของการคำนวณ (ความสมดุลของมวล ปริมาณการปล่อยก๊าซเรือนกระจก ประสิทธิภาพ)
- การสร้างรายการสาเหตุและสถานการณ์ที่เป็นไปได้สำหรับการแก้ไขปัญหา
- จัดทำร่างรายงาน ตาราง การนำเสนอ และจดหมายโต้ตอบ
- อธิบายหัวข้อที่ซับซ้อน (เช่น เคมีไนตริฟิเคชัน) ทีละขั้นตอน
งานที่ AI ไม่สามารถทำได้/ไม่น่าเชื่อถือ:
- ให้ค่าจำกัดเฉพาะบริบท หมายเลขมาตรฐาน หรือบทความข้อบังคับที่เป็นปัจจุบันและเฉพาะเจาะจง
- เข้าถึงข้อมูลการวัดจริงของสถานที่ของคุณ (เว้นแต่คุณจะระบุไว้)
- ทดแทนสำหรับการวิเคราะห์ในห้องปฏิบัติการหรือการวัดภาคสนาม
- รับความรับผิดชอบทางกฎหมาย/การบริหาร — ลายเซ็นเป็นของคุณ
เคล็ดลับ: คิดว่า AI เหมือนเป็น “นักศึกษาฝึกงานอาวุโส” นักเขียนร่างที่ดีอ่านเร็วอ่านดี แต่คุณจะไม่ส่งงานพิมพ์ทุกรายการไปโดยไม่ตรวจสอบด้วยตัวเอง ทุกตัวเลขและทุกการอ้างอิงถึงกฎหมายที่เขาจัดทำนั้นเป็นเพียงสมมติฐาน จนกว่าคุณจะยืนยันจากแหล่งที่มา
อาการประสาทหลอน: ค่าขีดจำกัดที่ประดิษฐ์ขึ้นและบทความเกี่ยวกับกฎระเบียบ
ภาพหลอนคือเมื่อแบบจำลองสร้างข้อมูลที่ไม่จริงด้วยความมั่นใจเต็มที่ ภาพหลอนที่อันตรายที่สุดสามประเภทในวิศวกรรมสิ่งแวดล้อมคือ:
- ค่าขีดจำกัดที่สร้างขึ้น: ตัวเลขที่ดูเหมือนถูกต้องแต่อาจผิด เช่น "ขีดจำกัด 24 ชั่วโมงสำหรับ PM10 คือ 50 µg/m³"
- ข้อมูลอ้างอิงทางกฎหมายที่จัดทำขึ้น: "ตามมาตรา 12/3 ของข้อบังคับ..." — หมายเลขบทความและชื่อของข้อบังคับดูเหมือนเป็นจริง แต่เนื้อหาถูกสร้างขึ้น
- แหล่งที่มาสมมติ: บทความที่ไม่มีอยู่จริง หมายเลขมาตรฐาน (เช่น "TS EN 12457") หรือคำแนะนำของสถาบัน
ตารางด้านล่างแสดงรูปแบบคำตอบที่ปลอดภัยและมีความเสี่ยงที่แบบจำลองสามารถให้กับคำถามเดียวกันได้:
เอาท์พุตโมเดล
ความเสี่ยง
จะทำอย่างไร
“ขีดจำกัดการปลดปล่อยคือ 120 มก./ลิตรพอดี”
สูง — จำนวนที่แน่นอน ไม่มีแหล่งที่มา
ตรวจสอบจากกฎหมายอย่างเป็นทางการ
"ขีดจำกัดการคายประจุจะแตกต่างกันไปขึ้นอยู่กับภาคส่วนและสภาพแวดล้อมการรับ ควรศึกษาตารางกฎระเบียบที่เกี่ยวข้อง"
ต่ำ — เราเตอร์
ยังคงตรวจสอบแต่เชื่อถือได้
"ฉันไม่สามารถยืนยันค่านี้ได้ ดูแหล่งที่มาอย่างเป็นทางการ"
ต่ำ
พฤติกรรมในอุดมคติ
ข้อควรระวัง: ยิ่งเขียนตัวเลขเฉพาะเจาะจงและมั่นใจมากเท่าไร ตัวเลขนั้นก็จะยิ่งอันตรายมากขึ้นเท่านั้นหากไม่มีแหล่งที่มา ค่าที่ชัดเจน เช่น "120 มก./ลิตร" จะทำให้คุณสบายใจแต่กลับให้ความมั่นใจที่ผิดพลาด อย่ายึดการตัดสินใจของคุณจากค่าขีดจำกัดใดๆ ที่ไม่ได้อ้างอิง
การแบ่งงานตามความเสี่ยง
น้ำหนักของผลลัพธ์ของการตัดสินใจคือสิ่งที่กำหนดว่าจะใช้ AI ที่ไหนได้อย่างอิสระ และจะใช้ที่ไหนเพื่อการร่างเท่านั้น การจำแนกประเภทต่อไปนี้เป็นเข็มทิศที่ใช้งานได้จริง:
ภารกิจ
ระดับความเสี่ยง
บทบาทของเอไอ
การตรวจสอบภาคบังคับ
สรุปวรรณกรรม/กฎหมาย คำอธิบายแนวคิด
ต่ำ
ผู้ผลิตเครื่องเร่งความเร็ว
ตรวจสอบการอ้างสิทธิ์ที่สำคัญ
ร่างรายงาน/จดหมายโต้ตอบ เค้าโครงตาราง
ต่ำ
นักเขียนร่าง
บทบรรณาธิการ
การตั้งค่าการวิเคราะห์ข้อมูล สูตรการคำนวณ
ปานกลาง
ผู้สร้าง
ป้อนข้อมูล + ควบคุมการคำนวณด้วยตนเอง
สถานการณ์การแก้ไขปัญหากระบวนการ
ปานกลาง
เครื่องกำเนิดความคิด
ข้อมูลห้องปฏิบัติการ + ภาคสนาม
การกำหนดขีดจำกัดการปล่อย/การปล่อยก๊าซ
สูง
ร่างเท่านั้น
กฎหมายอย่างเป็นทางการ + ห้องปฏิบัติการที่ได้รับการรับรอง
ผลการประเมินผลกระทบสิ่งแวดล้อม ตัดสิน "ผลกระทบเล็กน้อย"
สูง
ร่างเท่านั้น
ผู้เชี่ยวชาญ + การวัดภาคสนาม
การตัดสินใจด้านสุขภาพของมนุษย์/สิ่งแวดล้อม
สำคัญ
สนับสนุนไม่เคยตัดสินใจ
กฎหมายฉบับสมบูรณ์ + การอนุมัติจากผู้เชี่ยวชาญ
กฎนั้นง่ายมาก: ยิ่งผลลัพธ์ที่ไม่สามารถย้อนกลับได้และยิ่งมีผลกระทบต่อชีวิต/เงิน/กฎหมายมากเท่าใด เอาต์พุต AI จะได้รับการตรวจสอบอย่างเข้มงวดมากขึ้นเท่านั้น คุณได้รับความเร็วโดยมีความเสี่ยงต่ำ ที่มีความเสี่ยงสูง AI จะจัดทำเฉพาะร่างฉบับแรกเท่านั้น ข้อมูลและกฎหมายเป็นผู้ตัดสินใจ
พรอมต์อ่อน / พรอมต์แข็งแกร่ง
คำขอที่แตกต่างกันสองรายการสำหรับความต้องการเดียวกันทำให้เกิดโปรไฟล์ความเสี่ยงที่แตกต่างกันโดยสิ้นเชิง:
ข้อความแจ้งที่อ่อนแอ: "ขีดจำกัด COD ของการปล่อยน้ำเสียคืออะไร เขียนสั้นๆ" ปัญหา: บังคับให้แบบจำลองต้องพอดีกับตัวเลขหลักตัวเดียว ภาคส่วน สภาพแวดล้อมการรับ ประเภทสิ่งอำนวยความสะดวกไม่ได้ระบุ ผลลัพธ์มาโดยไม่มีแหล่งที่มา พร้อมท์ที่รัดกุม: "อธิบายว่าปัจจัยใดบ้าง (ภาคส่วน สภาพแวดล้อมที่ได้รับ อัตราการไหล) ขีดจำกัดการปล่อย COD สำหรับน้ำเสียจากอุตสาหกรรมสิ่งทอในตุรกีนั้นขึ้นอยู่กับปัจจัยต่างๆ (ภาคส่วน สภาพแวดล้อมที่ได้รับ อัตราการไหล) ขึ้นอยู่กับปัจจัยต่างๆ (ภาคส่วน สภาพแวดล้อมที่ได้รับ อัตราการไหล) ขึ้นอยู่กับว่าควรอ่านตารางกฎเกณฑ์อย่างเป็นทางการใดบ้าง และตามพารามิเตอร์ใดที่ควรอ่าน หากคุณไม่แน่ใจ รัฐ 'ต้องได้รับการตรวจสอบ'" ความแตกต่าง: พรอมต์ที่ชัดเจนไม่ได้ทำให้โมเดลพอดีกับตัวเลข โดยจะใช้เป็นแนวทางและทิ้งคำพูดสุดท้ายไว้ให้กับกฎหมาย
จริยธรรมและความเป็นส่วนตัวของข้อมูล
ในฐานะวิศวกรสิ่งแวดล้อม ข้อมูลที่คุณมีมักจะมีความละเอียดอ่อน เช่น บันทึกการตรวจสอบอย่างต่อเนื่อง (CPMS) ของบริษัท ประวัติการละเมิด กำลังการผลิตเป็นความลับทางการค้า ข้อมูลใด ๆ ที่คุณวางลงในเครื่องมือ AI สาธารณะอาจไม่สามารถควบคุมได้
หลักการพื้นฐาน:
- ไม่ระบุชื่อ: ลบชื่อบริษัท พิกัดสิ่งอำนวยความสะดวก ข้อมูลส่วนบุคคล รายละเอียดสัญญาออกจากข้อความแจ้ง แทนที่จะเป็น "บริษัท X" ให้เขียนว่า "โรงงานสิ่งทอ"
- ปกป้องความลับทางการค้า: ตรวจสอบนโยบายข้อมูลองค์กรของคุณก่อนแบ่งปันข้อมูล เช่น ข้อมูลการละเมิด ความจุ ต้นทุน
- ความโปร่งใส: หากคุณร่างรายงานด้วย AI ให้ระบุสิ่งนี้อย่างเหมาะสมในขั้นตอนการทำงานของคุณ จำไว้ว่าความรับผิดชอบเป็นของคุณ
# การตรวจสอบการลบข้อมูลระบุชื่ออย่างง่ายก่อนที่จะใส่ข้อมูลในพรอมต์ 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()] return (len(found) == 0, found) example = "company_name: ABC Textile, COD: 850 mg/L, ความจุ: 5000 ลบ.ม./วัน"safe, Risky = prompt_safe_mi(example, Sensitive_areas)print("Can it be send:", safe) # Falseprint("To be cleaned first:", Risky) # ['company_name', 'capacity']
มินิเคส
วิศวกรหนุ่มของบริษัทที่ปรึกษาด้านสิ่งแวดล้อมถาม AI ว่า "รหัสของเสียและวิธีการกำจัดน้ำมันเสียคืออะไร" เพื่อขอใบเสนอราคาด่วน แบบจำลองส่งคืนรหัสขยะ 6 หลักและคำตอบ "การกำจัดโดยการเผา" อย่างมั่นใจ วิศวกรใส่สิ่งนี้ลงในใบเสนอราคาโดยตรง หลังการส่งมอบ วิศวกรอาวุโสจะตรวจสอบ: รหัสที่ให้มาไม่สอดคล้องกับแหล่งที่มาและเนื้อหาของของเสียที่แท้จริง การจำแนกประเภทที่ถูกต้องสามารถทำได้ด้วยรายงานการวิเคราะห์และรายการของเสียอย่างเป็นทางการเท่านั้น รหัสที่ไม่ถูกต้องหมายถึงเส้นทางการกำจัดที่ไม่ถูกต้องและความเสี่ยงที่จะถูกลงโทษทางปกครอง บทเรียน: โค้ดที่ AI ให้มาเป็นเพียงสมมติฐาน เนื่องจากไม่ได้รับการตรวจสอบโดยการวิเคราะห์และกฎหมาย จึงไม่สามารถเป็นพื้นฐานสำหรับการตัดสินใจได้
ข้อผิดพลาดทั่วไป
- ใส่ค่าขีดจำกัดที่ AI กำหนดลงในรายงานโดยไม่ต้องถามแหล่งที่มา
- พิจารณาการอ้างอิงถึง "กฎข้อบังคับ X" ที่เชื่อถือได้โดยไม่ต้องเปรียบเทียบกับข้อความจริง
- การวางข้อมูลที่เป็นความลับ เช่น ชื่อบริษัท ข้อมูลการติดตาม ฯลฯ ลงในเครื่องมือสาธารณะ
- พิจารณาการตัดสินใจที่มีความเสี่ยงสูง (ขีดจำกัดการคายประจุ ผลลัพธ์ EIA) บนเอาต์พุต AI
- การใช้น้ำเสียงที่มั่นใจของแบบจำลองผิดไปเพื่อเป็นหลักฐานยืนยันความถูกต้อง
- พยายามเปลี่ยนความรับผิดชอบไปที่เครื่องด้วยการพูดว่า "AI กล่าว"; ลายเซ็นและความรับผิดชอบตกเป็นของวิศวกร
โดยสรุป
- AI เป็นตัวเร่งในด้านวิศวกรรมสิ่งแวดล้อม: มีประสิทธิภาพในการสรุป ร่าง การแก้ไขบัญชี และการสร้างสถานการณ์ ไม่น่าเชื่อถือเมื่อพูดถึงค่าขีดจำกัดและกฎหมายที่แน่นอน
- LLM ก่อให้เกิดภาพหลอนเกี่ยวกับจุดตัด มาตรฐาน และแหล่งที่มา ตัวเลขที่แม่นยำและไม่มีแหล่งที่มาถือเป็นความเสี่ยงสูงสุด
- การแบ่งงานขึ้นอยู่กับความเสี่ยง ยิ่งผลลัพธ์ที่แก้ไขไม่ได้มากเท่าใด การตรวจสอบก็จะยิ่งเข้มงวดมากขึ้นเท่านั้น
- เอาต์พุต AI ทุกรายการเป็นเพียงข้อเสนอ/ภาพร่างจนกว่าจะได้รับการตรวจสอบโดยห้องปฏิบัติการ การวัดภาคสนาม และกฎหมายของรัฐบาล
- อย่าให้ข้อมูลที่เป็นความลับและข้อมูลส่วนบุคคลแก่สื่อสาธารณะใด ๆ โดยไม่เปิดเผยชื่อ
- AI คือ "ผู้ฝึกหัดอาวุโส": ทำงาน แต่วิศวกรเป็นผู้ลงนามและความรับผิดชอบ
งานสมัคร
เลือกห้างานจากสาขาวิชาที่คุณศึกษา (น้ำเสีย อากาศ ของเสีย หรือ EIA) และวางแต่ละงานไว้ในตารางตามความเสี่ยงด้านบน: เขียนงาน กำหนดระดับความเสี่ยง (ต่ำ/กลาง/สูง/วิกฤต) กำหนดบทบาทของ AI และขั้นตอนการตรวจสอบภาคบังคับ จากนั้นเลือกงานใดงานหนึ่งเหล่านี้และจงใจเขียน "พรอมต์ที่อ่อนแอ" ก่อนโดยทำเครื่องหมายว่ามีการอ้างอิงที่ไม่มีแหล่งที่มาอย่างน้อยหนึ่งรายการเพื่อจำกัดค่าหรือกฎหมายในคำตอบที่คุณได้รับจากแบบจำลองหรือไม่ จากนั้น สำหรับความต้องการเดียวกัน ให้เขียน "พรอมต์ที่รัดกุม" ที่ห้ามไม่ให้สร้างตัวเลขและนำคุณไปยังแหล่งที่มา และเปรียบเทียบเอาต์พุตทั้งสองแบบเคียงข้างกัน สุดท้ายนี้ ให้อธิบายในย่อหน้าหนึ่งว่ากฎหมายของรัฐบาลและข้อมูลห้องปฏิบัติการ/ภาคสนามใดที่คุณจะใช้ในการตรวจสอบงานนี้