Pag-iwas sa Greenwashing, Integridad ng Data, Etika, Privacy at End-to-End Workflow

Mga nadagdag:

• Kakayahang kilalanin ang mga uri ng greenwashing (hindi tiyak, hindi napatunayan, nakatagong palitan, pinalaking hinaharap) at gumawa ng claim na masusukat, pinanggalingan at saklaw.
• Kakayahang pag-uri-uriin ang data na ibibigay sa sasakyan sa mga tuntunin ng pagiging kumpidensyal at protektahan ang mga lihim ng kalakalan at personal na data
• Kakayahang magpatupad ng end-to-end na gate ng kalidad mula sa kahulugan hanggang sa pag-verify at umako ng tunay na responsibilidad nang hindi umaasa sa 'sabi ng AI' na pagtatanggol

Mayroong isang prinsipyo na inulit sa bawat yunit ng modyul na ito: ang bilang ay dapat na nakabatay sa isang pinagmulan, ang claim ay dapat na batay sa ebidensya. Pinagsasama ng huling yunit na ito ang prinsipyong iyon. Ang pinakamalaking panganib ng AI sa kapaligiran at klima ay hindi isang maling kalkulasyon, ngunit sa halip na ito ay gumagawa ng isang kapani-paniwala ngunit walang batayan na kuwento. Sa unit na ito matututunan mo kung paano kilalanin at pigilan ang greenwashing, tiyakin ang katumpakan ng data, etika at privacy, at isang end-to-end na daloy ng trabaho na pinag-iisa ang buong module.

Anatomy ng greenwashing

Ang Greenwashing ay kapag ang isang organisasyon ay ginagawang mas maganda ang performance nito sa kapaligiran kaysa sa aktwal. Dahil napakahusay ng AI sa paggawa ng matatas at mapanghikayat na teksto, napakahilig din nitong gumawa ng hindi nalalamang greenwashing. Mga pangunahing uri:

Uri ng greenwashing

Anong ibig mong sabihin?

halimbawa

malabong pag-aangkin

hindi masusukat, hindi natukoy na salita

"Eco-friendly", "natural", "green"

claim na walang ebidensya

Numero/target na walang data

"Kami ay carbon neutral" (walang dokumentasyon)

lihim na pagpapalitan

Ang pag-highlight ng mabuti at pagtatago ng malaking masama

"Nare-recycle ang packaging" ngunit napakadumi ng produkto

walang kaugnayang paghahabol

Paglalahad ng kailangan/hindi mahalaga bilang isang kabutihan

"Hindi naglalaman ng ipinagbabawal na sangkap"

pekeng label

Ginawa/hindi na-verify na hitsura ng sertipiko

Self-imbento "berde" na logo

maluho na kinabukasan

Sumilong sa malayong target na walang ebidensya

"Magiging neutral tayo sa 2050" (walang pansamantalang plano)

Tip: Ang isang magandang claim sa kapaligiran ay may tatlong katangian: nasusukat (isang numero), napatunayan (isang piraso ng ebidensya), at malinaw sa saklaw (malinaw kung ano ang inihahambing sa kung kailan). Kung ang isang claim ay nawawala ang isa sa tatlong ito, huminto bago ito i-publish.

Katumpakan ng data: ang ginintuang tuntunin ng module

Ang disiplina sa pag-verify na nakikita natin sa bawat unit ay maaaring ibuod sa isang pangungusap: Walang numero o katotohanang ginawa ng AI ang nagiging desisyon, ulat o claim nang hindi kinumpirma ng isang independiyenteng pinagmulan. Ang kadahilanan ng paglabas ay nakumpirma mula sa opisyal na talahanayan, ang artikulo ng batas ay nakumpirma mula sa kasalukuyang teksto, ang pagsukat ay nakumpirma mula sa naka-calibrate na aparato, at ang pagkalkula ay nakumpirma mula sa naisakatuparan na code. Bumibilis ang AI; Siya ang lalaking tapat.

Etika at privacy

Etika: Ang data sa kapaligiran ay may kinalaman sa publiko at mga susunod na henerasyon; Ang pagmamasahe ng data, piling pag-uulat, o pagtatago ng kawalan ng katiyakan ay isang paglabag sa etika. Huwag hilingin sa AI na "ipakita ang ulat nang mas mahusay", ngunit sa halip ay "ipakita ang ulat nang mas tumpak at nauunawaan".

Pagiging Kumpidensyal: Ang mga bilang ng produksyon sa antas ng halaman, mga kasunduan sa supplier, ang hindi isiniwalat na data ng mga emisyon ay maaaring mga lihim ng kalakalan; Maaaring personal na data ang data ng paglalakbay o lokasyon ng empleyado. Suriin ang patakaran ng korporasyon at mga panuntunan sa proteksyon ng data (hal. KVKK/GDPR) bago i-paste ang mga ito sa mga pampublikong AI tool; Anonymize kung maaari o gumamit ng enterprise, data-proof tool.

Babala: "Sinabi ng AI" ay hindi isang pagtatanggol. Ang institusyon at ang pumirma ay may pananagutan para sa isang maling ulat ng mga paglabas, mapanlinlang na advertising o nag-leak na kumpidensyal na data. Ang AI ay isang kasangkapan; Siya ay isang taong may pananagutan.

End-to-end workflow: buuin ang module

Narito ang anim na hakbang sa paggawa ng isang claim o ulat sa kapaligiran nang may kumpiyansa mula simula hanggang katapusan:

1. Tukuyin. Ano ang iuulat/aangkin? Malinaw ba ang saklaw, yunit, pamantayan, panahon?

2. Kolektahin at kumpirmahin ang data. Ang bawat isyu ba ay may bakas na pinagmulan? Opisyal ba ang mga kadahilanan?

3. Kalkulahin at i-verify. Gawin ang aritmetika sa code at ibigay ang resulta sa mga yunit at mga order.

4. Sketch. Bumuo ng text skeleton gamit ang AI; Ikonekta ang bawat pangungusap sa ebidensya.

5. Ipasa ito sa Greenwashing filter. Tanggalin ang hindi malinaw, walang katibayan, pinalaking mga pahayag.

6. I-verify at tanggapin ang responsibilidad. Independent assurance/ekspertong kontrol; ang huling pag-apruba ay nasa tao.

tatlong mini case

Kaso 1 — Matatas ngunit walang batayan. Isang koponan ang nagpasulat ng AI ng isang sustainability brief; Ang teksto ay kahanga-hanga, ngunit puno ng mga hindi nasusukat na parirala tulad ng "pagpapatuloy na nangunguna sa industriya," "malapit sa zero na epekto." Ang paglalapat ng greenwashing filter (template 1 sa ibaba) ay nag-flag ng pitong hindi napatunayang claim; ang bawat isa ay maaaring pinalitan ng isang napatunayang numero o inalis. Ang ulat ay mas maikli ngunit mapagtatanggol.

Kaso 2 — Leak na data. Nag-paste ang isang analyst ng data ng emissions ng pasilidad na hindi pa isisiwalat sa isang tool na AI na available sa publiko at humiling ng pagsusuri. Napagtanto ng compliance team na ito ay isang trade secret at posibleng paglabag sa pagsisiwalat ng regulasyon; ang proseso ay itinigil, ang data ay inilipat sa isang corporate (leak-proof) na tool. Aralin: tukuyin ang klase (kumpidensyal?) ng data bago ito ibigay sa tool.

Kaso 3 — Kadena ng pagpapatunay. Isang organisasyon ang nagpapanatili ng talahanayan ng "claim-evidence" para sa buong taunang ulat nito: sa tapat ng bawat numero sa bawat pangungusap ang pinagmulan nito. Nang dumating ang auditor, nasubaybayan nila ang bawat claim sa loob ng ilang minuto; Naging maayos ang proseso ng pagtiyak. Ang disiplinang ito ay ang ubod ng lahat ng mga yunit ng modyul at nakatipid ng oras at pagkilala sa totoong mundo.

Mahinang prompt / Malakas na prompt

Mahinang prompt:

Gawing mas kahanga-hanga ang aming mensahe ng pagpapanatili.

Bakit ito mahina: Ang pagnanais para sa "kahanga-hanga" ay nagtutulak sa AI sa hyperbole at hindi malinaw na papuri; gumagawa ng greenwashing.

Napakahusay na prompt:

Ang iyong tungkulin: editor ng environmental communications at auditor ng greenwashing. Gawing TAMA at naiintindihan ang teksto sa ibaba, hindi "makintab". Bawat paghahabol ay nagtatanong: ito ba ay masusukat, ito ba ay pinanggalingan, ang saklaw ba nito ay malinaw? I-flag ang malabo (“eco-friendly”), walang ebidensya (“neutral”), at mga pinalaking pahayag at magmungkahi ng mga alternatibong batay sa ebidensya at nasusukat. Alisin ang claim na walang ebidensya. Teksto: [dito]

Apat na maaaring kopyahin na mga template

1) Greenwashing control filter:

Ang iyong tungkulin: greenwashing auditor. Itala ang bawat claim sa kapaligiran sa teksto sa ibaba: (claim | masusukat ba ito | may ebidensya ba | hindi ba ito sigurado | hatol). Markahan ang mga hindi malinaw/hindi napatunayan/pinalabis at magmungkahi ng nasusukat, batay sa ebidensya na alternatibo para sa bawat isa. Teksto: [dito]

2) Talaan ng pagtutugma ng ebidensya ng claim:

Tanggalin ang BAWAT numerical at factual claim mula sa text ng ulat sa ibaba. Mag-iwan ng column na "pinagmulan" para sa bawat isa. Markahan ang anumang claim na may hindi tinukoy na pinagmulan bilang "KAILANGANG PATUNAY." Baguhin ang teksto; check.Text: [dito]

3) Paunang pagsusuri sa privacy:

Uriin ang sumusunod na data bago ito iproseso sa isang AI tool: naglalaman ba ito ng mga lihim ng kalakalan (produksyon ng halaman, presyo ng supplier), personal na data (pangalan, lokasyon) o hindi isiniwalat na impormasyon sa pananalapi? I-flag ang mga mapanganib na lugar at irekomenda ang pag-anonymize/pag-alis. Halimbawa ng data: [dito]

4) End-to-end na kalidad ng gate:

Gumawa ng pangwakas na pagsusuri para sa ulat/claim sa kapaligiran sa ibaba. Sa pagkakasunud-sunod: (1) malinaw ba ang scope-unit-standard, (2) sourced ang bawat numero, (3) na-verify na ba ang arithmetic, (4) may greenwashing ba, (5) may na-leak na kumpidensyal/personal na data. Magbigay ng pass/fail at justification para sa bawat item. Nilalaman: [dito]

Mga karaniwang pagkakamali

• Gustong "kahanga-hanga." Itinutulak nito ang AI sa hyperbole at greenwashing; Humingi ng "tumpak at nauunawaan."
• Hindi napapansin ang malabong claim. Ang mga pariralang tulad ng "eco-friendly" ay hindi masusukat at mapanganib.
• Pag-export ng kumpidensyal na data sa isang bukas na tool. Unang uriin ang data at i-anonymize ito kung kinakailangan.
• Pagtatanggol sa "Sinabi ng AI." Ang responsibilidad ay palaging nasa tao.
• Hindi pinapanatili ang chain ng pag-verify. Dapat na auditable ang pinagmulan ng bawat claim.

Sa buod

Ang diwa ng ligtas na paggamit ng AI sa kapaligiran at klima ay iisang disiplina: bawat numero na pinanggalingan, bawat claim na napatunayan, bawat data na ipinadala sa bawat tool na inuri, bawat huling desisyon ng tao. Ang greenwashing ay ang bitag ng tuluy-tuloy na wika; Ang paraan para maiwasan ito ay gumawa ng mga paghahabol na masusukat, pinanggalingan at may tiyak na saklaw. AI; nagkalkula, nag-scan, nag-draft at nag-aayos - ngunit ang karampatang eksperto ang nagbe-verify, nagpapasya at nananagot. Sa mataas na kinahinatnan ng gawaing pangkapaligiran, ang output ng AI ay hindi kapalit para sa pagpapatunay at pagpapatunay ng eksperto; pinapabilis lang nito.

Gawain ng aplikasyon

Pumili ng isang maihahatid na ginawa mo sa buong module (isang buod ng mga emisyon, isang pagsusuri sa tubig, o isang seksyon ng ESG). Greenwashing audit muna gamit ang template 1 at itama ang anumang hindi napatunayang claim na makikita mo. Pagkatapos ay gumawa ng talahanayan ng ebidensya ng paghahabol na may 2nd template at kumpletuhin ang natitirang mga numero nang walang mga pinagmulan. Panghuli, ilapat ang end-to-end na gate ng kalidad gamit ang ika-4 na template; Itama hanggang sa makakuha ka ng "pass" sa lahat ng limang item.

checklist

• [ ] Ginawa kong nasusukat, pinanggalingan at partikular sa saklaw ang bawat claim.
• [ ] Nilinis ko ang hindi malinaw/pinalaking wika gamit ang isang greenwashing filter.
• [ ] Independyente kong na-verify ang bawat numerong ginawa ng AI.
• [ ] Inuri ko/na-anonymize ang data na ibinigay ko sa tool para sa pagiging kumpidensyal.
• [ ] Na-code ko ang arithmetic at binigyan ko ito ng mga unit at rank.
• [ ] Kinuha ko ang tunay na responsibilidad; Hindi ako umasa sa "sabi ng AI" na pagtatanggol.

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinakatumpak na pagpoposisyon para sa artificial intelligence sa kapaligiran at klima?

• A) Ang artificial intelligence ay isang katulong ng code, data at blueprints; Ang pananagutan para sa mga salik, saklaw, ebidensiya at mga desisyong etikal ay nakasalalay sa mga tao ✔
• B) Ang artificial intelligence ay isang aparato sa pagsukat at ang mga halaga ng paglabas na ibinibigay nito ay palaging tumpak.
• C) Ang artificial intelligence ay kapaki-pakinabang lamang sa pagsulat ng mga ulat, wala itong kinalaman sa accounting at monitoring
• D) Dahil ang artificial intelligence ay mas walang kinikilingan kaysa sa mga tao, ang lahat ng mga pagpapasya sa kapaligiran ay dapat ipaubaya dito.

Paglalarawan: Artipisyal na katalinuhan; Ito ay isang katulong na nagsusulat ng code, nag-aayos ng data, gumagawa ng mga draft at nagbubuod. Gayunpaman, ang kumpirmasyon ng emission factor, saklaw at katumpakan ng unit, pagpapatunay ng mga claim at panghuling responsibilidad ay nakasalalay sa karampatang eksperto. Ang modelo ng malaking wika ay hindi isang sukatan, calculator, o pinagmumulan ng batas; ay isang text generator na gumagawa ng 'susunod na pinaka-malamang na salita' at ang hindi na-verify na output nito ay maaaring humantong sa isang maling ulat o claim.

2. Aling diskarte ang tama para sa pagkalkula ng 'data ng aktibidad × emission factor' sa isang imbentaryo ng greenhouse gas?

• A) Gamit ang salik na naaalala ng artificial intelligence at manu-manong gawin ang kabuuan nito
• B) Pagkuha ng factor mula sa opisyal na talahanayan ayon sa bansa at taon at paggawa ng kabuuan gamit ang executable code ✔
• C) Binibilang ang lahat ng gas bilang CO₂ at laktawan ang conversion ng GWP
• D) Gamit ang default (hal. US) grid factor para sa bawat bansa

Paglalarawan: Ang mga salik ng emisyon ay nag-iiba ayon sa bansa, taon at gasolina; Ipinakilala ng 'Reminding' AI ang panganib ng katha. Ang kadahilanan ay dapat palaging kumpirmahin mula sa isang opisyal na talahanayan (IPCC, DEFRA/EPA, pambansang imbentaryo); Ang mga kabuuan ng maraming linya ay dapat gawin gamit ang executable code, hindi manu-mano. Ang methane at N₂O ay kinakailangang i-convert sa CO₂e na may tamang GWP set.

3. Ayon sa GHG Protocol, anong saklaw ang kinabibilangan ng mga emisyon na nagreresulta mula sa produksyon ng biniling kuryente?

• A) Saklaw 1
• B) Saklaw 3
• C) Saklaw 2 ✔
• D) Hindi ito kasama sa anumang saklaw at hindi iniuulat

Paglalarawan: Ang Saklaw 1 ay mga direktang emisyon mula sa sariling mga pinagmumulan ng organisasyon (boiler, sasakyan ng kumpanya). Ang Saklaw 2 ay hindi direktang mga emisyon mula sa produksyon ng biniling enerhiya (kuryente, singaw, pagpainit, paglamig). Saklaw ng Saklaw 3 ang lahat ng iba pang hindi direktang paglabas sa value chain (supply, paglalakbay, paggamit ng produkto).

4. Alin ang tama kapag inuuna ang mga hakbang sa pagpapagaan ng MACC (marginal abatement cost)?

• A) Ang pinakamahal at teknolohikal na mga hakbang ay palaging ginagawa muna
• B) Una, ang offset ay binili at tinatawag na 'net zero', ang pagbabawas ay naiwan para sa ibang pagkakataon.
• C) Ang pagkakasunud-sunod ng aksyon ay hindi nakasalalay sa gastos; lahat ay inilapat sa parehong oras
• D) Ang mga negatibong gastos (pagtitipid) ay unang ginagawa, ang pag-aalis ay naiwan sa huli ✔

Paglalarawan: Ang MACC ay nagra-rank ng mga panukala ayon sa gastos sa bawat toneladang iniiwasan (€/tonne). Ang mga negatibong hakbang sa gastos (hal. kahusayan sa enerhiya) ay parehong nagbabawas ng mga emisyon at makatipid ng pera; Ang mga ito ay dinadala sa harapan. Ang mga opsyon at offset na may mataas na halaga ay natitira hanggang sa huli. Ang pag-alis ay hindi isang kapalit para sa pagpapagaan, ngunit isang pandagdag sa hindi maiiwasang natitira.

5. Nakita mo sa satellite image na biglang bumaba ang NDVI sa isang rehiyon sa loob ng isang buwan. Ano ang dapat mong gawin muna?

• A) Agad na itaas ang alarma ng 'biglaang deforestation' at ipahayag ito sa publiko
• B) Pagsubok sa pagiging tunay ng signal sa pamamagitan ng paglalagay ng cloud mask at paghahambing nito sa mga kalapit na petsa ✔
• C) Pagtingin sa isang larawan at pag-uulat ng eksaktong porsyento ng pagkawala
• D) Ang data ng satellite ay palaging tumpak; walang kinakailangang karagdagang pagsusuri

Paliwanag: Ang pinakakaraniwang huwad na signal ng satellite data ay cloud. Ang pagbaba ng NDVI ay maaaring isang aktwal na pagkawala ng kagubatan, o maaaring ito ay isang ulap sa ibabaw ng imahe sa araw na iyon. Kinakailangang mag-apply muna ng cloud mask at ihambing sa mga kalapit na cloud-free na petsa; Ang paghahabol sa pagbabago ay dapat na nakabatay sa trend, hindi sa isang petsa, at kung maaari, dapat itong ma-verify gamit ang ground truth.

6. Aling diskarte ang tama kapag inihahambing ang epekto ng tubig ng dalawang pabrika?

• A) Tinitingnan lamang ang ganap na litro at idineklara ang isa na kumukonsumo ng pinakamaraming bilang ang pinakamasama
• B) Ang epekto ng tubig ay pareho sa lahat ng dako; hindi mahalaga ang rehiyon
• C) Pagtimbang sa pagkonsumo sa pamamagitan ng rehiyonal na stress ng tubig at paghahambing sa aktwal na epekto ✔
• D) Pagdaragdag ng berde, asul at kulay-abo na tubig sa iisang numero at hindi pinapansin ang stress

Paliwanag: Ang tubig, hindi katulad ng carbon, ay lokal; Ang parehong dami ng tubig ay nangangahulugan ng mas matinding epekto sa kapaligiran sa isang rehiyon na may mataas na stress sa tubig. Samakatuwid, ang epekto ng tubig ay dapat suriin hindi lamang sa ganap na litro ngunit timbangin ng rehiyonal na stress ng tubig. Ang isang pasilidad sa isang rehiyon na kumokonsumo ng kaunti ngunit napakatuyo ay maaaring mas kritikal kaysa sa isang pasilidad na kumonsumo ng maraming ngunit maraming tubig.

7. Sa pamamahala ng basura, inuri ng artificial intelligence ang isang kemikal na basura sa isang 'di-mapanganib' na code. Ano ang tamang pag-uugali?

• A) Direktang pag-aalis nito mula sa code na iyon dahil sinasabi ito ng artificial intelligence
• B) Ang mga waste code ay hindi mahalaga; lahat sila ay itinatapon sa parehong paraan
• C) Pagwawalang-bahala sa uri ng kontaminasyon at peligro at pag-uulat ng halagang nakolekta
• D) Pagkumpirma sa klase gamit ang safety data sheet (SDS) at batas, hindi tinatanggap ang panukalang artificial intelligence bilang pinal ✔

Paglalarawan: Ang maling pag-uuri at hindi rehistradong pagtatapon ng mga mapanganib na basura ay kabilang sa mga pinaka-mabigat na sanction na mga krimen sa kapaligiran. Ang panukalang AI waste code ay isang paunang draft lamang; Ang hazard class ay dapat palaging kumpirmahin ng safety data sheet (SDS) ng substance at ng mga naaangkop na regulasyon sa basura. Ang output ng AI ay hindi kailanman ginagamit bilang panghuling waste code.

8. Binawasan ng isang pasilidad ang stack emissions nito ng 20%. Bakit mali na sabihing 'nalinis ng 20% ​​ang hangin sa kapitbahayan'?

• A) Magkaiba ang paglabas at konsentrasyon; Ang mga pagbabago sa panahon ay nangangailangan ng magkahiwalay na sukat at pagmomodelo ✔
• B) Ang paglabas at konsentrasyon ay pareho; Ang pagbaba ay direktang makikita sa hangin
• C) Ang pagsukat ng tsimenea ay palaging nagbibigay ng tumpak na lagay ng panahon
• D) Hindi nakakaapekto ang meteorolohiya sa kalidad ng hangin, kaya wasto ang paghahabol

Paliwanag: Ang emission (dami na lumalabas sa pinagmulan) at konsentrasyon (density na sinusukat sa hangin) ay magkaibang bagay. Ang hangin, temperatura at topograpiya ay nagdudulot ng parehong emisyon upang magresulta sa ibang-iba na mga konsentrasyon. Kahit na ang pagbawas sa stack emissions ay totoo, ang paghahabol ng konsentrasyon sa hangin ay mapapatunayan lamang sa pamamagitan ng naka-calibrate na pagsukat at naaangkop na modelo ng pagpapakalat; kung hindi, ito ay walang katibayan at nakaliligaw.

9. Sa pag-uulat ng ESG, mayroong isang pangungusap na 'binawasan namin ang aming pagkonsumo ng tubig ng 15%' sa isang tekstong ginawa ng artificial intelligence. Ano ang pinakamahalagang kontrol?

• A) Tinitingnan kung gaano kahanga-hanga at matatas ang pangungusap
• B) I-verify na ang numero ay naka-link sa isang traceable source (invoice, meter, measurement) ✔
• C) Ipagpalagay na ang numero ay tama dahil ang artificial intelligence ay gumagawa nito
• D) Pag-round up sa porsyento upang gawing mas mapanindigan ang bilang

Paliwanag: Ang halaga ng isang ulat ng ESG ay ang traceability ng pinakamahina nitong data, at sinusuri ng mga independent assurance auditor ang chain of evidence sa likod ng numero. Ang AI ay maaaring gumawa ng isang numero na mukhang 'makatwiran' mula sa mga nakaraang teksto ngunit hindi masubaybayan. Hindi dapat ilagay sa ulat ang lahat ng digital claim nang hindi naka-link sa isang traceable source batay sa invoice/meter/certificate.

10. Bakit ginagamit ang maraming senaryo sa pagtatasa ng panganib sa klima kaysa sa isang hinaharap?

• A) Ang mga senaryo ay palamuti; Sapat na ang isang tumpak na hula sa hinaharap
• B) Dahil ang artificial intelligence ay maaaring magbigay ng posibilidad ng mga baha sa hinaharap na may eksaktong porsyento, sapat na ang isang senaryo
• C) Ang panganib sa pisikal at paglipat ay maaaring masama depende sa mga sitwasyon; Ang layunin ay subukan ang tibay ✔
• D) Ang panganib sa pisikal at paglipat ay pareho, hindi na kailangan para sa magkahiwalay na mga sitwasyon

Paliwanag: Ang pisikal na panganib (mga epekto sa klima tulad ng mga baha, tagtuyot) at panganib sa paglipat (presyo ng carbon, batas, pagbabago ng teknolohiya) ay kadalasang gumagalaw sa magkasalungat na direksyon: kung ang mundo ay gagawa ng mabilis na pagpapagaan, ang panganib sa paglipat ay tumataas, ang pisikal na panganib ay bumababa; Kung mabagal siyang kumilos, kabaligtaran ang mangyayari. Samakatuwid, ang hindi bababa sa isang mababang (1.5-2°C) at isang mataas na (3°C+) na senaryo ng pag-init ay nasubok. Ang layunin ay hindi upang hulaan ang hinaharap, ngunit upang subukan ang tibay.

11. Tinanong mo ang AI kung ang isang regulasyon (hal. CBAM) ay nalalapat sa iyo at sa mga deadline nito. Paano ka dapat kumilos?

• A) Direktang pagpaplano ayon sa mga petsa at bagay na ibinigay ng artificial intelligence
• B) Ibinatay ang desisyon sa saklaw sa pangkalahatang interpretasyon ng AI, hindi tumitingin sa opisyal na listahan ng code
• C) Ang pagsunod ay isang beses; Kapag nagtanong ka, hindi na kailangang patuloy na subaybayan ang batas
• D) Isaalang-alang ang output bilang isang draft at kumpirmahin ang artikulo, petsa, threshold at saklaw mula sa kasalukuyang opisyal na teksto ✔

Paglalarawan: Ang kaalaman sa regulasyon ay nagiging lipas na kaagad; Ang mga artikulo ay nagbabago, ang mga petsa ay ipinagpaliban, ang mga saklaw ay lumalawak. Ang data ng pagsasanay ng AI ay nagyelo sa isang tiyak na petsa at maaaring hindi napapanahon; Bukod dito, ang bagay ay maaaring gumawa ng mga kritikal na katotohanan tulad ng kasaysayan at threshold. Ang desisyon sa saklaw ay dapat kumpirmahin ng opisyal na listahan ng produkto/code, lahat ng petsa at limitasyon ng opisyal na tekstong may bisa; Dapat makuha ang awtorisado/ekspertong opinyon sa mga kritikal na desisyon sa pagsunod.

12. Alin sa mga sumusunod na claim sa kapaligiran ang may pinakamababang panganib ng greenwashing?

• A) 'Nabawasan namin ang aming mga production emission ng 18% pagsapit ng 2023 (na may independiyenteng pag-verify)' ✔
• B) 'Ang aming mga produkto ay ganap na environment friendly at natural'
• C) 'Ang aming kumpanya ay carbon neutral' (nang hindi nagbibigay ng anumang mga dokumento o data)
• D) 'Kami ang pinaka napapanatiling at malapit-zero na epekto ng kumpanya sa industriya'

Paliwanag: Ang isang mahusay na claim sa kapaligiran ay masusukat (naglalaman ng isang numero), napatunayan (batay sa ebidensya), at tiyak sa saklaw (ito ay malinaw kung ano ang inihahambing sa kung kailan). 'Nabawasan namin ang mga paglabas ng produksyon ng 18% noong 2023 (na may independiyenteng pag-verify)' ay mayroong tatlong tampok na ito. Ang mga pariralang gaya ng 'eco-friendly', 'natural', 'carbon neutral' (uncertified) ay hindi masusukat o hindi napapatunayan at nagdadala ng panganib ng greenwashing.

13. Bakit mapanganib na i-paste ang hindi isiniwalat na data ng mga paglabas ng pasilidad sa isang pampublikong magagamit na tool ng AI para sa pagsusuri?

• A) Walang panganib; palaging available sa publiko ang data ng kapaligiran
• B) Maaaring ma-leak ang mga lihim ng kalakalan, hindi isiniwalat na data at personal na data; klasipikasyon at anonymization kailangan muna ✔
• C) Ang panganib ay isang error lamang sa pagkalkula, wala itong kinalaman sa privacy ng data
• D) Kapag naibigay na ang data sa sasakyan, ipapasa ang responsibilidad sa tagapagbigay ng artificial intelligence

Pagsisiwalat: Ang data sa produksyon at mga emisyon sa antas ng site ay maaaring mga lihim ng kalakalan at ang hindi isiniwalat na data sa pananalapi/pangkapaligiran ay maaaring lumabag sa mga panuntunan sa paglalahad ng regulasyon; Ang data ng lokasyon/paglalakbay ng empleyado ay personal na data. Bago ibigay ang ganitong uri ng data sa isang bukas na tool, kinakailangang uriin ito, i-anonymize ito kung kinakailangan, o gumamit ng tool na institusyonal (walang data). Ang 'sabi ng AI' ay hindi isang pagtatanggol; Ang responsibilidad ay nakasalalay sa institusyon at indibidwal.

14. Anong konsepto ang ginagamit sa pag-convert ng greenhouse gas tulad ng methane (CH₄) sa CO₂e at bakit ito mahalaga?

• A) AQI (index ng kalidad ng hangin); tinutukoy ang kulay ng gas sa hangin
• B) NDVI (index ng halaman); sinusukat ang epekto ng gas sa lupa
• C) GWP (global warming potential); kung aalisin, ang epekto ng methane/N₂O ay lubos na mababawasan ✔
• D) Walang kinakailangang coefficient; Ang methane ay nagbibilang ng 1 hanggang 1 nang direkta tulad ng CO₂

Paglalarawan: Ang GWP (Global Warming Potential) ay ang coefficient na nagko-convert ng heating effect ng iba't ibang greenhouse gases sa isang karaniwang unit na nauugnay sa CO₂. Ang 100-taong GWP ng mitein ay humigit-kumulang 28; Kaya ang 1 tonelada ng methane ay nangangahulugan ng humigit-kumulang 28 tonelada ng CO₂e. Kung aalisin ang GWP, ang epekto ng malalakas na gas tulad ng methane at N₂O ay lubos na mababawasan at ang imbentaryo ay magiging ganap na hindi tumpak; Dapat ding sabihin kung aling GWP set (hal. IPCC AR6, 100 taon) ang ginagamit.