Lợi nhuận:
- Phân loại dựa trên rủi ro về nơi AI đang tăng tốc và nơi có rủi ro trong kỹ thuật môi trường
- Khả năng nhận biết nguy cơ ảo giác của LLM liên quan đến các giá trị, tiêu chuẩn và tài nguyên giới hạn môi trường
- Khả năng xác nhận kết quả đầu ra AI trong phòng thí nghiệm, hiện trường và quy định cũng như áp dụng các nguyên tắc đạo đức/quyền riêng tư
Hãy tưởng tượng bạn đang làm kỹ sư môi trường tại một nhà máy xử lý nước thải chung của một khu công nghiệp có tổ chức. COD trong nước đầu ra tăng đột ngột, người quản lý doanh nghiệp nói qua điện thoại: “Tôi muốn tìm nguyên nhân và giải pháp càng sớm càng tốt”. Trên bàn của bạn là kết quả xét nghiệm của tuần trước, hồ sơ SCADA và cửa sổ trò chuyện bạn vừa mở. Bạn hỏi AI "tại sao COD đầu ra lại tăng, ghi cả giới hạn xả ra nữa?" Trong vòng vài giây, mô hình sẽ viết bằng tiếng Thổ Nhĩ Kỳ phù hợp, từng mục một, các lý do có thể xảy ra và cả câu "Theo Quy định kiểm soát ô nhiễm nước, giới hạn xả COD là 120 mg/L." Vấn đề là điểm dừng này có thể đã được trang bị theo mô hình; Tùy thuộc vào ngành của bạn, môi trường tiếp nhận và loại cơ sở, giới hạn thực tế có thể hoàn toàn khác nhau. Học phần này dạy bạn cách quản lý ngay thời điểm đó—thời điểm mà trách nhiệm kỹ thuật của bạn giao thoa với sản phẩm đầu ra nhanh chóng nhưng chưa được xác minh của AI.
AI làm gì và không làm gì trong kỹ thuật môi trường
Mô hình ngôn ngữ lớn (LLM) là hệ thống được đào tạo theo nguyên tắc "dự đoán từ tiếp theo" trên dữ liệu văn bản khổng lồ. Điều này khiến họ rất giỏi trong công việc ngôn ngữ nhưng về cơ bản lại yếu trong việc kiểm tra thực tế. Mô hình không "ghi nhớ" điểm dừng, nó tạo ra một con số có vẻ hợp lý về mặt thống kê.
Công việc AI giỏi về kỹ thuật môi trường:
- Tóm tắt và soạn thảo luật dài, báo cáo ĐTM hoặc văn bản tài liệu
- Thiết lập cấu trúc, công thức và tính logic của phép tính (cân bằng khối lượng, tải lượng phát thải, hiệu suất)
- Tạo danh sách các nguyên nhân và tình huống có thể xảy ra để khắc phục sự cố
- Chuẩn bị dự thảo báo cáo, bảng biểu, bài thuyết trình và thư từ
- Giải thích từng bước một chủ đề phức tạp (ví dụ: hóa học nitrat hóa)
Những nhiệm vụ mà AI không thể làm/không đáng tin cậy:
- Cung cấp giá trị giới hạn, số tiêu chuẩn hoặc quy định cụ thể theo ngữ cảnh và cập nhật
- Truy cập vào dữ liệu đo lường thực tế của cơ sở của bạn (trừ khi bạn cung cấp)
- Thay thế cho phân tích trong phòng thí nghiệm hoặc đo lường hiện trường
- Chịu trách nhiệm pháp lý/hành chính - chữ ký là của bạn
Mẹo: Hãy coi AI giống như một “thực tập sinh cấp cao”. Nhanh nhẹn, đọc tốt, viết bản thảo tốt; Nhưng bạn không gửi mọi bản in đi bất cứ đâu mà không tự mình kiểm tra. Mọi con số và mọi tài liệu tham khảo về luật mà anh ta đưa ra chỉ là giả thuyết cho đến khi bạn xác minh nó từ nguồn.
Ảo giác: giá trị giới hạn bịa đặt và bài viết quy định
Ảo giác là khi mô hình tạo ra thông tin không có thật với sự tự tin hoàn toàn. Ba loại ảo giác nguy hiểm nhất trong kỹ thuật môi trường là:
- Giá trị giới hạn bịa đặt: Những con số có vẻ đúng nhưng có thể sai, chẳng hạn như "Giới hạn 24 giờ đối với PM10 là 50 µg/m³".
- Tài liệu tham khảo pháp lý bịa đặt: "Theo Điều 12/3 của Quy định..." - số điều khoản và tên của quy định có vẻ như thật nhưng nội dung là bịa đặt.
- Nguồn hư cấu: Bài viết không tồn tại, số tiêu chuẩn (ví dụ: "TS EN 12457") hoặc hướng dẫn của tổ chức.
Bảng bên dưới hiển thị các mẫu câu trả lời an toàn và rủi ro mà mô hình có thể đưa ra cho cùng một câu hỏi:
Đầu ra mô hình
Rủi ro
phải làm gì
“Giới hạn xả chính xác là 120 mg/L.”
Cao - con số chính xác, không có nguồn
Xác minh từ pháp luật chính thức
"Giới hạn xả thải khác nhau tùy thuộc vào lĩnh vực và môi trường tiếp nhận; cần tham khảo bảng quy định liên quan."
Thấp - bộ định tuyến
Vẫn xác minh, nhưng đáng tin cậy
"Tôi không thể xác minh giá trị này, hãy xem nguồn chính thức."
thấp
hành vi lý tưởng
Thận trọng: Một con số được viết càng cụ thể và đáng tin cậy thì càng nguy hiểm nếu nó không có nguồn gốc. Một giá trị rõ ràng như "120 mg/L" sẽ giúp bạn cảm thấy thoải mái nhưng lại tạo ra sự tự tin sai lầm. Đừng đưa ra quyết định của bạn dựa trên bất kỳ giá trị giới hạn nào không được trích dẫn.
Phân công lao động dựa trên rủi ro
Trọng số của kết quả của quyết định là yếu tố quyết định nơi nào nên sử dụng AI một cách tự do và nơi nào chỉ sử dụng nó cho mục đích soạn thảo. Việc phân loại sau đây là một la bàn thực tế:
Nhiệm vụ
Mức độ rủi ro
Vai trò của AI
Xác minh bắt buộc
Tóm tắt tài liệu/luật pháp, giải thích khái niệm
thấp
nhà sản xuất, máy gia tốc
Kiểm tra chéo các yêu cầu chính
Báo cáo/bản thảo thư từ, cách trình bày bảng
thấp
người soạn thảo
Biên tập xem xét
Thiết lập phân tích dữ liệu, công thức tính toán
trung bình
người xây dựng
Dữ liệu đầu vào + điều khiển tính toán thủ công
Kịch bản khắc phục sự cố quy trình
trung bình
người tạo ý tưởng
Dữ liệu phòng thí nghiệm + hiện trường
Xác định giới hạn phát thải/phát thải
cao
Chỉ bản nháp
Pháp luật chính thức + phòng thí nghiệm được công nhận
Kết quả ĐTM, nhận định “tác động không đáng kể”
cao
Chỉ bản nháp
Chuyên gia + đo đạc hiện trường
Các quyết định về sức khỏe con người/môi trường
quan trọng
Hỗ trợ, không bao giờ quyết định
Pháp lý đầy đủ + phê duyệt của chuyên gia
Quy tắc rất đơn giản: kết quả càng không thể đảo ngược và càng ảnh hưởng đến nhiều mạng sống/tiền bạc/luật pháp thì đầu ra AI càng được xác minh nghiêm ngặt hơn. Bạn đạt được tốc độ với rủi ro thấp; ở mức độ rủi ro cao, AI chỉ tạo ra bản dự thảo đầu tiên, dữ liệu và luật pháp đưa ra quyết định.
Dấu nhắc yếu / Dấu nhắc mạnh
Hai yêu cầu khác nhau cho cùng một nhu cầu sẽ dẫn đến các hồ sơ rủi ro hoàn toàn khác nhau:
NHỚ YẾU: "Giới hạn COD xả nước thải là bao nhiêu? Viết ngắn gọn." Vấn đề: Buộc mô hình phải vừa với một số cứng duy nhất. Khu vực, môi trường tiếp nhận, loại cơ sở không được chỉ định. Đầu ra không có nguồn. LƯU Ý MẠNH MẼ: "Giải thích giới hạn xả COD của nước thải công nghiệp dệt may ở Türkiye phụ thuộc vào những yếu tố nào (ngành, môi trường tiếp nhận, tốc độ dòng chảy). KHÔNG đưa ra con số chính xác; thay vào đó, hãy giải thích từng bước từ bảng quy định chính thức nào và theo thông số nào cần đọc. Nếu bạn không chắc chắn, hãy nêu rõ 'phải được xác minh'." Sự khác biệt: Dấu nhắc mạnh không làm cho mô hình khớp với một số; Nó sử dụng nó như một HƯỚNG DẪN và để lại quyết định cuối cùng cho pháp luật.
Đạo đức và quyền riêng tư dữ liệu
Là một kỹ sư môi trường, dữ liệu bạn có thường nhạy cảm: hồ sơ giám sát liên tục (CPMS) của công ty, lịch sử vi phạm, năng lực sản xuất là bí mật thương mại. Mọi dữ liệu bạn dán vào công cụ AI công khai có thể nằm ngoài tầm kiểm soát của bạn.
Nguyên tắc cơ bản:
- Ẩn danh: Xóa tên công ty, tọa độ cơ sở, dữ liệu cá nhân, chi tiết hợp đồng khỏi lời nhắc. Thay vì "công ty X" hãy viết "một nhà máy dệt".
- Bảo vệ bí mật thương mại: Kiểm tra chính sách dữ liệu của công ty bạn trước khi chia sẻ thông tin như dữ liệu vi phạm, năng lực, chi phí.
- Tính minh bạch: Nếu bạn đã soạn thảo báo cáo bằng AI, hãy chỉ ra điều này một cách thích hợp trong quy trình làm việc của bạn; Hãy nhớ rằng trách nhiệm là của bạn.
# Một kiểm tra ẩn danh đơn giản trước khi đưa dữ liệu vào dấu nhắc nhạy cảm_fields = ["company_name", "coordine", "tc_no", "capacity", "cost"]def nhắc_safe_is(văn bản, nhạy cảm): Found = [a for a insensitive if a in text.low()] return (len(found) == 0, Found) ví dụ = "company_name: ABC Textile, COD: 850 mg/L, dung lượng: 5000 m3/ngày"an toàn, rủi ro = nhắc_safe_mi(example,sensitive_areas)print("Có thể gửi được không:", an toàn) # Falseprint("Phải được làm sạch trước:", rủi ro) # ['tên_công ty', 'dung lượng']
trường hợp nhỏ
Một kỹ sư trẻ ở một công ty tư vấn môi trường hỏi AI “mã chất thải và phương pháp xử lý dầu thải là gì” để báo giá gấp. Mô hình tự tin trả về mã rác thải gồm 6 chữ số và đáp án “xử lý bằng cách đốt”. Kỹ sư đưa điều này trực tiếp vào báo giá. Sau khi giao hàng, kỹ sư cấp cao kiểm tra: mã được cung cấp không đúng với nguồn gốc và hàm lượng thực tế của chất thải; Việc phân loại chính xác chỉ có thể được thực hiện khi có báo cáo phân tích và danh sách chất thải chính thức. Mã sai có nghĩa là sai lộ trình xử lý và có nguy cơ bị xử phạt hành chính. Bài học: Đoạn mã mà AI đưa ra là một giả thuyết; Vì nó không được xác minh bằng phân tích và pháp luật nên nó không thể là cơ sở để đưa ra quyết định.
Những lỗi thường gặp
- Đưa giá trị giới hạn do AI đưa ra vào báo cáo mà không hỏi nguồn.
- Cho rằng việc tham chiếu đến “Quy định X” là đáng tin cậy mà không so sánh với văn bản thực tế.
- Dán thông tin bí mật như tên công ty, dữ liệu theo dõi, v.v. vào công cụ công khai.
- Dựa trên quyết định rủi ro cao (giới hạn xả thải, kết quả ĐTM) dựa trên đầu ra AI.
- Nhầm giọng điệu tự tin của người mẫu là bằng chứng về độ chính xác.
- Cố gắng chuyển trách nhiệm cho máy bằng cách nói "AI đã nói"; Chữ ký và trách nhiệm thuộc về kỹ sư.
Tóm lại
- AI là công cụ tăng tốc trong kỹ thuật môi trường: mạnh mẽ trong việc tóm tắt, soạn thảo, chỉnh sửa tài khoản và tạo kịch bản; Nó không đáng tin cậy khi đề cập đến các giá trị và quy định giới hạn chính xác.
- LLM tạo ra ảo giác về giới hạn, tiêu chuẩn và nguồn; những con số chính xác và không có nguồn gốc là rủi ro cao nhất.
- Sự phân công lao động dựa trên rủi ro: kết quả càng không thể đảo ngược thì việc xác minh càng chặt chẽ.
- Mọi kết quả đầu ra của AI chỉ là một đề xuất/bản phác thảo cho đến khi được phòng thí nghiệm, đo lường hiện trường và luật pháp của chính phủ xác nhận.
- Không cung cấp dữ liệu bí mật và cá nhân cho bất kỳ phương tiện công cộng nào mà không ẩn danh nó.
- AI là “thực tập sinh cao cấp”: nó chạy nhưng kỹ sư phải chịu trách nhiệm và chữ ký.
Nhiệm vụ ứng dụng
Chọn năm nhiệm vụ từ lĩnh vực nghiên cứu của bạn (nước thải, không khí, chất thải hoặc ĐTM) và đặt từng nhiệm vụ vào bảng dựa trên rủi ro ở trên: viết nhiệm vụ, xác định mức độ rủi ro (thấp/trung bình/cao/nghiêm trọng), xác định vai trò của AI và bước xác minh bắt buộc. Sau đó chọn một trong những nhiệm vụ này và trước tiên hãy cố tình viết một "dấu nhắc yếu", đánh dấu xem có ít nhất một tham chiếu không có nguồn gốc để giới hạn các giá trị hoặc quy luật trong câu trả lời bạn nhận được từ mô hình hay không; Sau đó, với nhu cầu tương tự, hãy viết một "lời nhắc mạnh mẽ" cấm tạo số và hướng dẫn bạn đến nguồn và so sánh hai kết quả đầu ra cạnh nhau. Cuối cùng, hãy mô tả trong một đoạn văn luật nào của chính phủ và dữ liệu phòng thí nghiệm/hiện trường nào bạn sẽ sử dụng để xác minh nhiệm vụ này.