AI कार्बन प्रबंधन शब्द सुनकर लग सकता है कि यह किसी जटिल मैदानी स्थिति को एक ही बार में समझा देगा। मैं सलाह दूंगा कि पहले पूछें कि मॉडल किस फैसले में मदद करेगा। पुस्तक कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान का अध्याय 8, मीथेन पूर्वानुमान मॉडल के काम और उसके इस्तेमाल की सीमा में फर्क करता है। खराबी का पता लगाने वाला मॉडल और उत्सर्जन की मात्रा का अनुमान लगाने वाला मॉडल अलग-अलग सवालों के जवाब देते हैं।
पुस्तक में पहले इन बातों का फर्क समझें
अलर्ट का मूल्यांकन करते समय केवल यह न देखें कि उसने क्या बताया; यह भी देखें कि कौन-सी असामान्य स्थिति छूट गई। जिन समयखंडों में अलर्ट नहीं था, उन्हें भी जांचना होगा, तभी छूटे मामलों का अनुमान लगाया जा सकता है। यह भी देखें कि क्या जिम्मेदार कर्मचारी वास्तव में उस स्तर पर कार्रवाई कर सकते हैं। यदि मॉडल को उसके इस्तेमाल के दायरे से बाहर का इनपुट मिले, तो क्या करना है, यह पहले तय करें। आउटपुट पर सीमा दिखाने या मामला किसी व्यक्ति को सौंपने की प्रक्रिया जरूरी हो सकती है। यह भी याद रखें कि AI से निर्णय में सहायता लेना और उत्सर्जन कटौती का बाहरी सत्यापन अलग-अलग उद्देश्य और जिम्मेदारियां हैं।
कार्यशीलता की जांच। सुरक्षा डिटेक्टर का बम्प टेस्ट, गैस डालकर सेंसर की प्रतिक्रिया और अलार्म की कार्यक्षमता जांचने की प्रक्रिया है; यह मात्रात्मक अंशांकन का विकल्प नहीं है। अनुसंधान में इस्तेमाल होने वाले मीथेन विश्लेषक के लिए निर्माता की प्रक्रिया के अनुसार शून्य और स्पैन की जांच, रिसाव की जांच और रिकवरी परीक्षण जैसे उद्देश्य के अनुरूप परीक्षण किए जाते हैं। कार्यशीलता जांच में सफल होना अपने आप में उत्सर्जन मापन की सटीकता की गारंटी नहीं देता।
उत्सर्जन कटौती की मात्रा के लिए मापन की मेट्रोलॉजिकल ट्रेसबिलिटी और गणना को स्रोत तक खोज पाने की क्षमता, दोनों चाहिए। मापन के मानों को दस्तावेजीकृत अंशांकन श्रृंखला और अनिश्चितता के जरिये मानक तक अनुरेखित करें; और गतिविधि डेटा, उत्सर्जन कारक तथा मॉडल को उनके स्रोत, संस्करण और लागू शर्तों के जरिये अंतिम नतीजे तक खोजने योग्य बनाएं। हर कटौती मात्रा सीधे मापन से नहीं निकलती। समीक्षक को गणना दोहराने की संभावना के साथ यह भी देखना चाहिए कि इस्तेमाल किया गया डेटा और तरीका दावे के लिए उपयुक्त हैं या नहीं।
व्यावहारिक रूप से आगे बढ़ने का रास्ता है कि सांद्रता के अवलोकन और आधार उत्सर्जन दर के मापन को साथ-साथ जमा किया जाए, और वेंटिलेशन, मौसम, पशुओं की संख्या तथा चारे की जानकारी से जोड़ा जाए। मॉडल बनाने में इस्तेमाल न किए गए खेतों और समय-अवधियों के डेटा से पूर्वानुमान की त्रुटि का मूल्यांकन करें और लागू होने का दायरा स्पष्ट करें। एक ही समय के बहुत सारे अवलोकन उपलब्ध होने पर भी यदि प्रतिनिधित्व कमजोर है या साझा पक्षपात मौजूद है, तो मॉडल पर भरोसा अपने आप नहीं बढ़ता।
सेंसर की तुलना में मापन सीमा और विभेदन क्षमता, दूसरी गैसों के प्रति क्रॉस-सेंसिटिविटी, प्रतिक्रिया समय और ड्रिफ्ट को साथ में जांचें। तापमान, आर्द्रता और धूल जैसी पर्यावरणीय परिस्थितियों तथा अंशांकन की जरूरत की भी समीक्षा करें। यदि उद्देश्य सांद्रता के छोटे अंतर पहचानना है, तो देखें कि उपकरण की प्रदर्शित इकाई और अनिश्चितता उस उद्देश्य के अनुरूप हैं या नहीं; यह जांच उत्पाद और संचालन मोड के अनुसार करें। सेंसर सिद्धांत का नाम भर इन शर्तों का विकल्प नहीं है।
AI का उपयोग असामान्य संकेतों के संभावित मामलों की पहचान करने, तय परिस्थितियों में डेटा की छोटी कमी का अनुमान लगाने और कई चरों के बीच संबंध खोजने के लिए किया जा सकता है। यह डेटा व्यवस्थित करने, गुणवत्ता जांचने और रिपोर्ट का मसौदा तैयार करने में भी मदद कर सकता है। हर काम का उद्देश्य और विफलता की लागत अलग होती है, इसलिए सभी का मूल्यांकन एक ही प्रदर्शन संकेतक से न करें। बताएं कि परिणाम किन इनपुट और धारणाओं से तैयार हुआ है, और अनुमानित मान को सीधे मापे गए मान से अलग दिखाएं।
मैदानी काम में इस तरह जांचें
कल्पना करें कि सेंसर सामान्य से अलग मान दिखाता है। AI जांच के लिए संभावित कारणों के बारे में बता सकता है। लेकिन वह अलर्ट उपकरण की खराबी की पुष्टि नहीं करता और न ही उत्सर्जन कटौती के परिणाम का प्रमाण है। कर्मचारी ने क्या जांचा और वास्तव में क्या कदम उठाया, इसका रिकॉर्ड होना चाहिए; तभी देखा जा सकता है कि मॉडल ने काम में क्या सहायता की।
AI अवलोकन के डेटा को व्यवस्थित कर सकता है और गायब मानों का अनुमान लगा सकता है। इसका मूल्य अनुमान होने की बात छिपाने में नहीं, बल्कि यह स्पष्ट करने में है कि किस डेटा और धारणा के आधार पर, किस सीमा तक भरोसेमंद मान निकाला गया।
मूल्यांकन के डेटा को पहले अलग करें। यदि एक ही खेत के पास-पास के समय के डेटा को बेतरतीब मिलाया जाए, तो मॉडल द्वारा मैदानी दोहराए जाने वाले पैटर्न याद कर लेने की क्षमता को नए खेत पर उसका प्रदर्शन समझने की भूल हो सकती है। यदि उद्देश्य भविष्य के संचालन का अनुमान लगाना है, तो समय क्रम के अनुसार डेटा अलग करें; यदि दूसरे खेतों में इस्तेमाल करना है, तो खेत के आधार पर अलग करें। मॉडल चुनने में इस्तेमाल सत्यापन डेटा को अंतिम प्रदर्शन जांच के डेटा से अलग रखें, और पूर्व-संसाधन तथा गायब डेटा के सुधार में भी प्रशिक्षण डेटा पर तय नियम लागू करें।
AI मूल्यांकन के डेटा को उसके उपयोग के उद्देश्य के अनुसार अलग करें। भविष्य के संचालन का पूर्वानुमान करना हो, तो समय का क्रम ध्यान में रखें; दूसरी पशुशाला में लागू करना हो, तो पशुशाला के आधार पर डेटा अलग करने पर विचार करें। मॉडल चुनने में इस्तेमाल डेटा और अंतिम प्रदर्शन जांचने के लिए इस्तेमाल डेटा भी अलग रखें। किसी सरल आधार मॉडल से तुलना करें और केवल औसत त्रुटि ही नहीं, बल्कि अलग-अलग खेतों और मौसमों में पक्षपात तथा विफलता की स्थितियां भी जांचें; इससे वास्तविक उपयोग का दायरा समझाया जा सकता है।
निवेश समीक्षा में ये सवाल भी पूछें
निवेश की समीक्षा में AI नाम के बजाय पूछें कि पारंपरिक तरीके की तुलना में क्या बेहतर हुआ है। यह भी तय करें कि लक्ष्य अधिक अलर्ट देना है या महत्वपूर्ण असामान्य स्थितियों को कम छोड़ना। मैदानी कर्मचारियों की प्रतिक्रिया देने की क्षमता और गलत अलर्ट की लागत को साथ देखने से इस्तेमाल की परिस्थितियां अधिक स्पष्ट होंगी।
यदि डेटा का स्रोत और इतिहास पर्याप्त रूप से दर्ज न हो, तो समीक्षक के लिए यह जांचना कठिन होता है कि संख्या कैसे बनी; और उपयोग के उद्देश्य के अनुसार डेटा स्वीकार करने पर सीमाएं लग सकती हैं। मूल डेटा और उसमें किए गए बदलावों का रिकॉर्ड कितने समय तक रखना है, यह लागू व्यवस्था, अनुबंध और व्यक्तिगत जानकारी संबंधी आवश्यकताओं की जांच करके तय करें। जिन डेटा को सुरक्षित रखना जरूरी है उन्हें मनमाने ढंग से ऊपर से न लिखें; लेकिन सभी डेटा को अनिश्चितकाल तक रखना भी सामान्य नियम न बनाएं।
अंत में गोपनीयता और डेटा के अधिकार आते हैं। खेत का डेटा पशु-विशेष की जानकारी, उत्पादन के नतीजों और वित्तीय जानकारी से जुड़ सकता है। यदि उत्सर्जन कटौती सत्यापन के उद्देश्य से इकट्ठे डेटा को वित्त, बीमा या विपणन के लिए दोबारा इस्तेमाल किया जाए, तो किसानों का भरोसा खो सकता है। जैसा कि अध्याय 1 में कहा गया है, भरोसा खोने पर डेटा की गुणवत्ता भी घटती है। उद्देश्य सीमित रखना, अलग सहमति लेना, पहुंच के अधिकार अलग-अलग देना और आपत्ति दर्ज करने की प्रक्रिया उपलब्ध कराना—ये तकनीकी सुरक्षा जितने ही महत्वपूर्ण हैं। इस व्यवस्था को अध्याय 12 की अनुबंध चर्चा और नीति सुझाव संख्या 12 में विस्तार से बताया गया है।
पुस्तक बंद करने से पहले इन सवालों पर विचार करें
AI की भूमिका को सीमित और स्पष्ट बताने से उसकी संभावना कम नहीं होती। इससे यह समझ आता है कि कौन-सा काम मॉडल को देना है और किस बात की पुष्टि व्यक्ति को करनी चाहिए। मॉडल के आउटपुट, वास्तविक फैसले और उठाए गए कदम के नतीजे को साथ में दर्ज करें।
लेखक परिचय
बोंगजुन ली ने सोगांग विश्वविद्यालय के प्रौद्योगिकी प्रबंधन स्नातकोत्तर विद्यालय (MOT) में अपनी पढ़ाई पूरी की। उन्होंने Infitron Co., Ltd. में 7 वर्ष और Honeywell में 20 वर्ष सहित गैस मापन के क्षेत्र में 27 वर्षों तक सेवा इंजीनियरिंग, तकनीकी बिक्री और चैनल प्रबंधन के काम किए। वर्तमान में AI Safety Korea Co., Ltd. के संस्थापक के रूप में वे सेंसर, AI और डेटा विश्लेषण का उपयोग करते हुए पशुधन मीथेन निगरानी तथा मापन, रिपोर्टिंग और सत्यापन (MRV) व्यवस्था पर शोध कर रहे हैं।