ML ఇంజనీరింగ్‌లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్: పాత్ర, సరిహద్దులు, ధ్రువీకరణ మరియు బాధ్యత

లాభాలు:

• ML వర్క్‌ఫ్లో (కోడ్, డేటా, డాక్యుమెంట్)లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ తక్కువ రిస్క్‌తో సమయాన్ని ఆదా చేస్తుంది మరియు టాస్క్ రిస్క్ స్థాయిని బట్టి మెట్రిక్ / డేటా / ప్రొడక్షన్‌లో పెట్టడం వంటి నిర్ణయాలను మానవునికి వదిలివేయడం వంటి వాటిని గుర్తించగలగడం.
• ప్రతి AI అవుట్‌పుట్‌ను మూలానికి కనెక్ట్ చేయడం, మళ్లీ అమలు చేయడం, కొలవడం మరియు ఇంజనీరింగ్ ఫిల్టర్ ద్వారా పంపడం ద్వారా దాన్ని ధృవీకరించే క్రమశిక్షణను వర్తించే సామర్థ్యం.
• ముడి గోప్యమైన మరియు వ్యక్తిగత డేటాను బాహ్య సాధనాలకు పంపకుండా, కార్పొరేట్-ఆమోదిత సాధనాలను ఉపయోగించడం మరియు రక్షణ ప్రయోజనాల కోసం మాత్రమే భద్రతా సమస్యలను నిర్వహించడం వంటి అలవాటును పొందగల సామర్థ్యం.

మెషిన్ లెర్నింగ్ ఇంజనీరింగ్‌లో ఆర్టిఫిషియల్ ఇంటెలిజెన్స్: పాత్ర, సరిహద్దులు, ధ్రువీకరణ మరియు బాధ్యత

మెషీన్ లెర్నింగ్ ఇంజనీర్ (ML ఇంజనీర్: డేటా నుండి ఉత్పత్తికి నేర్చుకునే మోడల్‌లను రూపొందించి, శిక్షణ ఇచ్చే మరియు తీసుకువచ్చే సాఫ్ట్‌వేర్ ప్రొఫెషనల్) నేడు తన ఉద్యోగంలో అడుగడుగునా మరొక కృత్రిమ మేధస్సు సాధనంతో పని చేస్తాడు. కోడ్‌ను వ్రాసేటప్పుడు కోడింగ్ అసిస్టెంట్, డేటాను అన్వేషించేటప్పుడు సంభాషణ నమూనా మరియు డాక్యుమెంటేషన్‌ను రూపొందించేటప్పుడు పెద్ద భాషా నమూనా (LLM: టెక్స్ట్‌ను అర్థం చేసుకుని, ఉత్పత్తి చేసే బిలియన్ల పారామితులతో కూడిన న్యూరల్ నెట్‌వర్క్) అమలులో ఉంటుంది. ఈ మాడ్యూల్ కృత్రిమ మేధస్సును అభివృద్ధి చేసిన ఉత్పత్తి మరియు ML ఇంజనీర్ యొక్క రోజువారీ పని సాధనంగా పరిగణిస్తుంది. ఇది రెండు పాత్రలను కలపకుండా బాధ్యత యొక్క సరిహద్దులను స్పష్టంగా వివరించడం ద్వారా పనిచేస్తుంది.

ఈ మొదటి యూనిట్‌లో, మేము ప్రాథమిక ప్రశ్నకు సమాధానం ఇస్తాము: ML ఇంజనీరింగ్‌లో కృత్రిమ మేధస్సు నిజ సమయాన్ని ఎక్కడ ఆదా చేస్తుంది మరియు నిర్ణయాన్ని మనం మనుషులకు ఎక్కడ వదిలివేయాలి? సమాధానం ఇంజనీరింగ్ క్రమశిక్షణలో ఉంది: తయారు చేసేవాడు వేగంగా ఉంటాడు, ధృవీకరించేవాడు బాధ్యత వహిస్తాడు.

ML ఇంజనీరింగ్‌లో కృత్రిమ మేధస్సు ఎక్కడ ఉపయోగపడుతుంది?

ML ప్రాజెక్ట్ దాదాపుగా కింది మార్గాల ద్వారా సాగుతుంది: డేటా సేకరణ, డేటా క్లీనింగ్, ఫీచర్ ఇంజనీరింగ్ (ముడి డేటాను మోడల్ అర్థం చేసుకోగలిగే డిజిటల్ సిగ్నల్‌లలోకి అనువదించడం), మోడల్ శిక్షణ, మూల్యాంకనం, విస్తరణ (వియోగం: మోడల్‌ని నిజమైన వినియోగదారుకు తెరవడం) మరియు పర్యవేక్షణ. AI ఈ లైన్‌లోని ప్రతి స్టాప్‌లో సహాయపడుతుంది, కానీ దాని అధికార స్థాయి మారుతూ ఉంటుంది.

అధిక-రివార్డ్, తక్కువ-ప్రమాద ప్రాంతాలు: కోడ్ అస్థిపంజరాన్ని రూపొందించడం, డేటా ట్రాన్స్‌ఫర్మేషన్ ఫంక్షన్‌ను రూపొందించడం, లాగ్ సందేశాలను వివరించడం, స్టాక్ ట్రేస్‌ను వివరించడం, ప్రయోగాత్మక గమనికలను సంగ్రహించడం, డాక్యుమెంటేషన్ మరియు READMEలను వ్రాయడం, పరీక్ష కేసును ప్రతిపాదించడం. ఇక్కడ, కృత్రిమ మేధస్సు యొక్క తప్పులు చౌకగా ఉంటాయి; ఎందుకంటే అవుట్‌పుట్ ఇప్పటికే పరీక్ష మరియు సమీక్ష ద్వారా వెళుతుంది.

హై రిస్క్ ఏరియాలు: శిక్షణలో ఏ డేటా వెళుతుందో నిర్ణయించడం, మోడల్ ఉత్పత్తికి వెళ్లాలా వద్దా అని నిర్ధారించడం, మెట్రిక్‌ను "చాలు సరిపోయింది" అని నిర్ధారించడం, వ్యక్తిగత డేటాను ప్రాసెస్ చేయాలనే నిర్ణయం, భద్రతా దుర్బలత్వాన్ని "జంక్"గా మూసివేయడం. ఇవి డబ్బు, గోప్యత, చట్టపరమైన బాధ్యత మరియు వినియోగదారు విశ్వాసాన్ని ప్రభావితం చేస్తాయి. కృత్రిమ మేధస్సు ఇక్కడ సూచనలు ఇస్తుంది; సమర్థ ఇంజనీర్ మరియు బాధ్యతగల బృందం ద్వారా నిర్ణయం తీసుకోబడుతుంది.

చిట్కా: AIకి టాస్క్‌ను అవుట్‌సోర్సింగ్ చేసే ముందు, ఇలా అడగండి: “ఈ అవుట్‌పుట్ తప్పుగా ఉంటే దాని ధర ఎంత, మరియు ఎవరైనా తప్పును ఎంత సులభంగా పట్టుకుంటారు?” ధర తక్కువగా ఉంటే మరియు క్యాప్చర్ సులభంగా ఉంటే, దాన్ని పాస్ చేయండి. ధర ఎక్కువగా ఉంటే లేదా క్యాప్చర్ కష్టంగా ఉంటే, డ్రాఫ్ట్ కోసం మాత్రమే AIని ఉపయోగించండి మరియు మీరు నిర్ణయించుకోండి.

ధృవీకరణ క్రమశిక్షణ: మూడు దశలు

ML ఇంజనీరింగ్‌లో, AI అవుట్‌పుట్ ఎప్పుడూ "పూర్తయిన పని" కాదు; ఇది డ్రాఫ్ట్. ఈ మూడు దశల ద్వారా ప్రతి అవుట్‌పుట్‌ను అమలు చేయండి:

1. దానిని మూలానికి కనెక్ట్ చేయండి. మోడల్ సంఖ్య, థ్రెషోల్డ్ లేదా "ఉత్తమ అభ్యాసం" అని చెప్పినట్లయితే, అది అధికారిక డాక్యుమెంటేషన్, కోడ్‌బేస్‌లోని వాస్తవ విలువ లేదా కొలిచిన మెట్రిక్‌పై ఆధారపడి ఉంటుంది. "మోడల్ యొక్క ఫిట్టింగ్" (భ్రాంతి: భాషా నమూనా ద్వారా నిజమైన సమాచారం యొక్క నమ్మకం లేని ఉత్పత్తి) చాలా తరచుగా ఇక్కడ క్యాచ్ చేయబడుతుంది.
2. పునఃప్రారంభించండి మరియు కొలవండి. రూపొందించబడిన కోడ్‌ని అమలు చేయండి, మీ స్వంత పరీక్ష సెట్‌లో ఉత్పత్తి చేసే మెట్రిక్‌ను మళ్లీ లెక్కించండి, చిన్న నమూనాలో ప్రతిపాదిత SQL ప్రశ్నను ధృవీకరించండి. పని చేయని కోడ్, అది అందంగా కనిపించినప్పటికీ, విలువలేనిది.
3. దానిని ఇంజనీరింగ్ ఫిల్టర్ ద్వారా పాస్ చేయండి. అవుట్‌పుట్ స్కేల్‌లో నిలబడుతుందా? ఎడ్జ్ కేసులు (ఖాళీ డేటా, చాలా పెద్ద ఇన్‌పుట్, తప్పిపోయిన ఫీల్డ్‌లు) పరిగణించబడ్డాయా? భద్రత మరియు గోప్యతా ఉల్లంఘన ఉందా? ఫీల్డ్ తెలిసిన వ్యక్తి మాత్రమే ఈ దశను చేయగలడు.

బలహీనమైన ప్రాంప్ట్ / బలమైన ప్రాంప్ట్

బలహీనమైన ప్రాంప్ట్: "నాకు కొంత మోడల్ శిక్షణ కోడ్ రాయండి."

శక్తివంతమైన ప్రాంప్ట్: "స్కికిట్-లెర్న్‌తో బైనరీ వర్గీకరణ కోసం శిక్షణ స్క్రిప్ట్‌ను వ్రాయండి. ఇన్‌పుట్: డేటా/ట్రైన్.పార్కెట్, టార్గెట్ కాలమ్ is_churn. క్లాస్ అసమతుల్యత (పాజిటివ్ రేట్ ~8%) ఉంది, క్లాస్_వెయిట్‌తో దీన్ని నిర్వహించండి. PR-AUCని ఉపయోగించండి (ప్రిసిషన్-రీకాల్ కర్వ్‌లో ఉన్న ప్రాంతం) మెట్రిక్ మెట్రిక్, మిస్లీకరింగ్ డేటా కోసం తప్పుగా ఉంది యాదృచ్ఛిక విత్తనాన్ని 42కి పరిష్కరించండి. కోడ్ ప్రింట్ సెట్ PR-AUC చివరిలో పరీక్షించండి."

తేడా: రెండవ ప్రాంప్ట్ టాస్క్‌లో డేటా నిజం, సరైన మెట్రిక్, అసమతుల్యత సమాచారం మరియు రిపీటబిలిటీ ఆవశ్యకత ఉన్నాయి. ఈ సందర్భం నుండి అవుట్‌పుట్ ధృవీకరించదగినది మరియు ఉపయోగించదగినది.

గోప్యత మరియు డేటా భద్రత: ఇంజనీర్ యొక్క మొదటి బాధ్యత

ML ఇంజనీర్ తరచుగా కంపెనీ యొక్క అత్యంత సున్నితమైన డేటాను తాకుతాడు: కస్టమర్ రికార్డులు, లావాదేవీ చరిత్ర, ఆరోగ్యం లేదా ఆర్థిక డేటా, ఉత్పత్తి వ్యవస్థల లాగ్‌లు. కృత్రిమ మేధస్సు సాధనాలకు డేటాను అందించేటప్పుడు మూడు నియమాలు:

• ముడి వ్యక్తిగత మరియు రహస్య డేటాను బాహ్య సాధనాలకు పంపవద్దు. ఉదాహరణకు, కస్టమర్ ఇమెయిల్‌లను ప్రాంప్ట్‌లో అతికించడానికి బదులుగా, స్కీమా మరియు డమ్మీ (సింథటిక్) నమూనాలను పంపండి. నిజమైన డేటాకు బదులుగా "ఉదా: ahmet@example.com" వంటి ముసుగు ఉదాహరణను ఉపయోగించండి.
• కార్పొరేట్ అనుమతి పొందిన వాహనాలను ఉపయోగించండి. డేటా ఎక్కడ ప్రాసెస్ చేయబడిందో, అది నిల్వ చేయబడిందో లేదో, విద్య కోసం ఉపయోగించబడిందో లేదో ఒప్పందపరంగా స్పష్టంగా ఉన్న సాధనాలను ఎంచుకోండి. వ్యక్తిగత ఖాతాతో కార్పొరేట్ డేటాను ప్రాసెస్ చేయడం చాలా కంపెనీలలో ఉల్లంఘన.
• కనీస డేటా విధానం. పనిని పరిష్కరించడానికి అవసరమైన కనీస సందర్భాన్ని ఇవ్వండి. మొత్తం పట్టిక కాదు, సంబంధిత 5 నిలువు వరుసలు మరియు స్కీమా.

హెచ్చరిక: మీరు భాషా నమూనాకు ఇచ్చిన వచనాన్ని రద్దు చేయడం సాధ్యం కాదని భావించండి. "నేను దానిని తర్వాత తొలగిస్తాను" అని భావించి ముడి వ్యక్తిగత డేటాను పంపవద్దు; పంపిన క్షణంలోనే ప్రమాదం సంభవించింది.

భద్రతా రంగంలో రక్షణాత్మక ఉపయోగం

ML ఇంజనీర్లు తరచుగా భద్రతా వ్యవస్థలను ఇన్‌స్టాల్ చేస్తారు: మోసాన్ని గుర్తించడం, హానికరమైన ట్రాఫిక్ వర్గీకరణ, ప్రమాణీకరణ. ఈ మాడ్యూల్ అంతటా, మేము రక్షణ ప్రయోజనాల కోసం మాత్రమే భద్రతా సమస్యలను కవర్ చేస్తాము: దాడిని గుర్తించడం, సిస్టమ్‌ను గట్టిపరచడం, దుర్బలత్వాన్ని మూసివేయడం. అనధికారిక యాక్సెస్, డేటా లీకేజీ లేదా వేరొకరి సిస్టమ్‌లో అనధికారిక జోక్యం కోసం కృత్రిమ మేధస్సును ఉపయోగించడం చట్టవిరుద్ధం మరియు వృత్తిపరమైన నీతికి విరుద్ధం. మీరు దుర్బలత్వాన్ని కనుగొన్నప్పుడు, దానిని బాధ్యతాయుతంగా నివేదించడం మరియు దాన్ని పరిష్కరించడం సరైన మార్గం; దోపిడీ కాదు.

మూడు చిన్న కేసులు

కేసు 1 - సమయం ఆదా. ఒక ML ఇంజనీర్ సాధారణంగా 40-నిలువు వరుసల డేటా సెట్‌లో ఎక్స్‌ప్లోరేటరీ డేటా అనాలిసిస్ (EDA) చేయడానికి సగం రోజు గడుపుతారు. అతను కృత్రిమ మేధస్సుకు స్కీమా మరియు df.describe() అవుట్‌పుట్‌ని అందించాడు మరియు "ఏ కాలమ్‌లు అధిక అవుట్‌లియర్ మరియు మిస్సింగ్ రేట్‌ను కలిగి ఉన్నాయి, మీరు ఏ రూపాంతరాలను సిఫార్సు చేస్తారు?" 20 నిమిషాలలో, అతను ప్రతి అంశాన్ని దాని స్వంత కోడ్‌తో ధృవీకరిస్తూ ప్రాధాన్యతా జాబితాను అందుకున్నాడు. ఆదా చేయండి: ~3 గంటలు, ప్రతి దావాను కొలిచినందున లోపం సంభవించే ప్రమాదం తక్కువ.

కేస్ 2 - క్యాచ్ ఎర్రర్. "శిక్షణ ఖచ్చితత్వం 99%, చాలా బాగుంది" అని మోడల్‌కి చాట్ అసిస్టెంట్ చెప్పారు. ఇంజనీర్ మూడవ దశ (ఇంజనీరింగ్ ఫిల్టర్)ని వర్తింపజేసారు మరియు గ్రహించారు: లక్ష్య కాలమ్ ప్రమాదవశాత్తూ లీక్ అయిన లక్షణాలను కలిగి ఉంది (డేటా లీకేజ్: మోడల్ శిక్షణలో చూడకూడని సమాచారాన్ని చూస్తుంది). వాస్తవ పనితీరు చాలా తక్కువగా ఉంది. ఇంజనీర్ యొక్క సందేహం, AI యొక్క "గొప్ప" వివరణ కాదు, ఉద్యోగాన్ని కాపాడింది.

కేసు 3 - గోప్యతా ఉల్లంఘనను నిరోధించడం. ఒక బృందం ఉత్పత్తి ఎర్రర్ లాగ్‌లను బాహ్య మోడల్‌లో అతికించి, "ఈ లోపాన్ని పరిష్కరించండి" అని చెబుతోంది. లాగ్‌లలో కస్టమర్ గుర్తింపు సంఖ్యలు ఉన్నాయి. ముందుగా లాగ్‌లను మాస్క్‌లు చేసే చిన్న స్క్రిప్ట్‌ను వ్రాసి (వారి ID నంబర్‌లను తయారు చేయడం) మరియు వాటిని ఆ విధంగా పంపాలని బృందం ఒక నియమాన్ని రూపొందించింది. ఉల్లంఘన ప్రమాదం అదృశ్యమైంది, సహాయం వేగం మారలేదు.

కాపీ చేయగల టెంప్లేట్లు

టాస్క్: [ఏమి చేయాలి, ఒకే వాక్యం] సందర్భం: [డేటా స్కీమా, పరిమాణం, పరిమితులు; అసలు వ్యక్తిగత డేటా లేదు]పరిమితులు: [భాష/లైబ్రరీ, పనితీరు, పునరుత్పాదకత]కొలమానాలు: [విజయాన్ని ఎలా కొలవాలి]కావాల్సిన అవుట్‌పుట్: [కోడ్/వివరణ/జాబితా] మరియు ఎందుకు ఈ ఫార్మాట్‌లో

ఈ కోడ్‌ని తనిఖీ చేయండి. ఇది పని చేస్తుందని మాత్రమే కాకుండా, వాటి పరంగా కూడా మూల్యాంకనం చేయండి: 1) ఎడ్జ్ కేసులు (ఖాళీ ఇన్‌పుట్, తప్పిపోయిన నిలువు వరుస, చాలా పెద్ద డేటా) 2) డేటా లీకేజీ ప్రమాదం3) పునరుత్పత్తి (సీడ్, వెర్షన్)మీరు కనుగొన్న ప్రతి సమస్యకు పరిష్కారాలను సూచించండి. మీకు ఖచ్చితంగా తెలియని చోట "ధృవీకరించండి" అని గుర్తు పెట్టండి. కోడ్: [కోడ్]

ఈ కొలమానం యొక్క ఫలితాన్ని వివరించండి, కానీ ముందుగా అడగండి: ఈ సమస్యకు ఈ మెట్రిక్ సరైనదేనా? సమస్య: [సమతుల్య/అసమతుల్య వర్గీకరణ, తిరోగమనం, ర్యాంకింగ్...]నివేదించిన మెట్రిక్ మరియు విలువ: [ఉదా. ఖచ్చితత్వం 0.99]మీరు ఏ మెట్రిక్‌ని సిఫార్సు చేస్తారు మరియు ఎందుకు, మరియు ప్రస్తుత ఫలితంపై నాకు అనుమానం కలిగేలా నేను ఏ సంకేతాల కోసం వెతకాలి?

కింది ప్రాంప్ట్‌కు నేను ఇచ్చే డేటాలో వ్యక్తిగత/రహస్య సమాచారం ఉందో లేదో తనిఖీ చేయండి. దిగువ టెక్స్ట్‌లో మాస్క్ చేయాల్సిన ఫీల్డ్‌లను (పేరు, ఇ-మెయిల్, ID నంబర్, ఫోన్, చిరునామా) జాబితా చేయండి. వచనం: [టెక్స్ట్]

పాత్ర మరియు అధికారం పట్టిక

తపన

కృత్రిమ మేధస్సు పాత్ర

నిర్ణయం యొక్క యజమాని

కోడ్ అస్థిపంజరం / పరివర్తన ఫంక్షన్

డ్రాఫ్ట్ జనరేటర్

ఇంజనీర్ (సమీక్షలు)

EDA / డేటా సారాంశం

యాక్సిలరేటర్

ఇంజనీర్ (కొలత ద్వారా ధృవీకరిస్తుంది)

మెట్రిక్ వివరణ

సూచన

ఇంజనీర్

శిక్షణకు ఏ డేటా వెళ్తుంది?

సూచన

బృందం + డేటా యజమాని

మోడల్‌ను ఉత్పత్తిలో ఉంచండి

చెక్‌లిస్ట్ రిమైండర్

బాధ్యతాయుతమైన ఇంజనీర్ + బృందం

వ్యక్తిగత డేటా ప్రాసెసింగ్

ఏదీ లేదు (ఉపయోగించబడలేదు)

లీగల్ + డేటా కంట్రోలర్

సాధారణ తప్పులు

• దాన్ని ధృవీకరించకుండా అవుట్‌పుట్‌ని ఉపయోగించడం. అత్యంత సాధారణ మరియు అత్యంత ఖరీదైన తప్పు. కోడ్ లేదా మెట్రిక్ చక్కగా కనిపిస్తే అది సరైనదని అర్థం కాదు.
• గోప్యమైన డేటాను సాధనంలో అతికించడం. ఒకసారి పంపితే వెనక్కి తీసుకోలేం.
• తప్పు మెట్రిక్‌పై ఆధారపడటం. అసమతుల్య డేటాలో ఖచ్చితత్వం మరియు ర్యాంకింగ్ సమస్యలలో RMSE వంటి అననుకూలమైన కొలమానాలు తప్పుదారి పట్టించేవి.
• కృత్రిమ మేధస్సును నిర్ణయకర్తగా తప్పుబడుతున్నారు. అతను సూచనలు ఇస్తాడు; బాధ్యత సంతకం చేసిన వ్యక్తిపై ఉంటుంది.
• సందర్భం లేని ప్రాంప్ట్. "మోడల్‌ను వ్రాయండి" వంటి అస్పష్టమైన అభ్యర్థనలు ధృవీకరించలేని అవుట్‌పుట్‌ను ఉత్పత్తి చేస్తాయి.

సారాంశంలో

కృత్రిమ మేధస్సు అనేది ML ఇంజనీర్ మరియు దాని రోజువారీ రెప్లికేటర్ ద్వారా అభివృద్ధి చేయబడిన ఉత్పత్తి. కోడ్-డేటా-పత్రం వంటి తక్కువ-ప్రమాదకరమైన, సులభంగా ధృవీకరించబడిన పనులలో దీని విలువ అత్యధికంగా ఉంటుంది; డబ్బు, గోప్యత మరియు భద్రతను ప్రభావితం చేసే నిర్ణయాలు వ్యక్తి వద్ద ఉంటాయి. ప్రతి అవుట్‌పుట్‌ను మూలానికి కనెక్ట్ చేయండి, మళ్లీ కొలవండి, ఇంజనీరింగ్ ఫిల్టర్ ద్వారా పాస్ చేయండి. గోప్యమైన డేటాను రక్షించండి, ఆమోదించబడిన వాహనాలను ఉపయోగించండి, రక్షణ ప్రయోజనాల కోసం మాత్రమే భద్రతలో పని చేయండి. ఈ క్రమశిక్షణ అన్ని తదుపరి యూనిట్లకు ఆధారం.

అప్లికేషన్ టాస్క్

మీ స్వంత ప్రాజెక్ట్ నుండి టాస్క్‌ను ఎంచుకోండి (ఉదా. డేటా క్లీనింగ్ ఫంక్షన్‌ను రాయడం). ముందుగా బలహీనమైన ప్రాంప్ట్‌ను వ్రాయండి, ఆపై ఈ యూనిట్‌లోని టెంప్లేట్‌ని ఉపయోగించి బలమైన ప్రాంప్ట్‌ను వ్రాయండి. రెండు అవుట్‌పుట్‌లను తీసుకోండి, మూడు-దశల ధృవీకరణను వర్తింపజేయండి (మూలానికి లింక్, రీరన్, ఇంజనీరింగ్ ఫిల్టర్). ఏ ప్రాంప్ట్ ఎన్ని నిమిషాలు మరియు ఎన్ని దిద్దుబాట్లను ఆదా చేస్తుందో గమనించండి.

చెక్లిస్ట్

• [ ] నేను నా పని యొక్క ప్రమాద స్థాయిని (తక్కువ/ఎక్కువ) గుర్తించాను.
• [ ] నేను ప్రాంప్ట్‌లో అసలు వ్యక్తిగత/రహస్య డేటా ఏదీ ఉంచలేదు; నేను దానిని ముసుగు చేసాను లేదా సింథటిక్ నమూనాను ఉపయోగించాను.
• [ ] నేను అవుట్‌పుట్‌ను మూలానికి కనెక్ట్ చేసాను, దాన్ని మళ్లీ అమలు చేసాను, ఇంజనీరింగ్ కోణం నుండి ఫిల్టర్ చేసాను.
• [ ] నేను సరైన మెట్రిక్‌ని ఎంచుకున్నానో లేదో తనిఖీ చేసాను.
• [ ] నేను నేనే/బృందంతో కలిసి క్లిష్టమైన నిర్ణయం (దీన్ని ప్రొడక్షన్, డేటా ప్రాసెసింగ్‌లో ఉంచడం) తీసుకున్నాను, నేను దానిని కృత్రిమ మేధస్సుకు వదిలిపెట్టను.
• [ ] నేను కార్పొరేట్ ఆమోదం పొందిన వాహనాన్ని ఉపయోగించాను.