জীববিজ্ঞানে কৃত্রিম বুদ্ধিমত্তার ভূমিকা: ভূমিকা, সীমানা, বৈধতা এবং নীতিশাস্ত্র

লাভ:

• জীববিজ্ঞানের কর্মপ্রবাহে (প্রশ্ন, নকশা, পরীক্ষাগার, বিশ্লেষণ, প্রতিবেদন) কোথায় কৃত্রিম বুদ্ধিমত্তা সময় বাঁচায় এবং ঝুঁকির স্তরের উপর নির্ভর করে যেখানে ক্রম, সংখ্যা, উত্স এবং নৈতিক সিদ্ধান্তগুলি মানুষের উপর ছেড়ে দেওয়া হয় তা আলাদা করতে সক্ষম হওয়া।
• একটি সাধারণ ভাষা মডেল এবং একটি নির্দিষ্ট সমস্যার জন্য প্রশিক্ষিত বিশেষ জীববিজ্ঞান মডেল (আলফাফোল্ড, সেলপোজ) এর মধ্যে পার্থক্য করার ক্ষমতা এবং উপযুক্ত কাজে তাদের প্রতিটি ব্যবহার করুন।
• একটি যাচাইকরণ শৃঙ্খলা প্রয়োগ করার ক্ষমতা যা স্বাধীনভাবে অ্যারে/ডেটা-সংখ্যা-উৎস-নৈতিকতার চারটি ধাপের সাথে প্রতিটি আউটপুট পরীক্ষা করে

জীববিদ্যা; এটি একটি বিশাল তথ্য বিজ্ঞান যা কোষ থেকে ইকোসিস্টেম পর্যন্ত, ডিএনএ সিকোয়েন্স থেকে প্রোটিন ভাঁজ পর্যন্ত, একটি একক পরীক্ষা থেকে কয়েক হাজার জিনের পরিমাপ পর্যন্ত বিস্তৃত। সাম্প্রতিক বছরগুলিতে, এই ডেটার আয়তন এতটাই বেড়েছে যে একটি একক RNA-সিকোয়েন্সিং (RNA-seq: পদ্ধতি যা পরিমাপ করে যে কোষের কোন জিন পড়া হয় এবং কত) গবেষণা বছরের পর বছর ধরে একটি পরীক্ষাগারের জন্য যথেষ্ট ডেটা তৈরি করতে পারে। এখানেই কৃত্রিম বুদ্ধিমত্তা কাজ করে: একজন সহকারী হিসাবে যে কোড লেখে, ডেটা সংগঠিত করে, খসড়া তৈরি করে, সাহিত্যের সারসংক্ষেপ করে এবং একটি বিশ্লেষণ কাঠামো তৈরি করে। এই মডিউল জুড়ে আমাদের লক্ষ্য হল আপনাকে AI ব্যবহার করতে শেখানো একটি "ম্যাজিক বক্স" হিসাবে নয় বরং একটি টুল হিসাবে যা জীববিজ্ঞানীর দৈনন্দিন কাজের গতি বাড়ায়, কিন্তু যার প্রতিটি আউটপুট অবশ্যই জীববিজ্ঞানী দ্বারা যাচাই করা উচিত।

এই প্রথম ইউনিটে, আমরা আলোচনা করব জীববিজ্ঞানের কর্মপ্রবাহে কৃত্রিম বুদ্ধিমত্তা কোথায় সময় বাঁচায়, যেখানে সিদ্ধান্তটি মানুষের উপর ছেড়ে দেওয়া হয় এবং এই পেশায় কোন ভুলগুলি প্রথম থেকেই বিবেচনা করা উচিত। একটি কথা আছে যে আমরা মডিউল জুড়ে পুনরাবৃত্তি করব: AI ত্বরান্বিত হয়, জীববিজ্ঞানী সিদ্ধান্ত নেন এবং দায়িত্ব বহন করেন।

জীববিজ্ঞানে কৃত্রিম বুদ্ধিমত্তা ঠিক কী করে?

একটি বড় ভাষা মডেল (LLM) একটি মাইক্রোস্কোপ নয়, এটি একটি DNA সিকোয়েন্সার নয়, এটি একটি পরিসংখ্যান ইঞ্জিন নয়। তিনি একজন টেক্সট প্রযোজক যিনি ভাষাগত এবং কোডিং প্যাটার্ন খুব ভাল জানেন। শুরু থেকেই এই পার্থক্যকে অভ্যন্তরীণ করে তোলাই হল ভবিষ্যত যাচাইয়ের শৃঙ্খলার ভিত্তি।

জীববিজ্ঞানের কাজ যেখানে এআই সত্যিই শক্তিশালী তা অন্তর্ভুক্ত:

• কোডিং: একটি পান্ডাস টেবিল ফিল্টার করা (ডেটা ফ্রেম: সারি-কলাম বিন্যাসে ট্যাবুলার ডেটা স্ট্রাকচার), একটি গ্রাফ আঁকা, পাইথনের সাথে একটি FASTA ফাইল (ডিএনএ/প্রোটিন সিকোয়েন্স সংরক্ষণ করা স্ট্যান্ডার্ড টেক্সট ফরম্যাট) পড়া।
• ব্যাখ্যা করা এবং শিক্ষা দেওয়া: "হার্ডি-ওয়েনবার্গ ভারসাম্য কী?" এটি সরলীকরণ দ্বারা এই মত একটি ধারণা ব্যাখ্যা করতে.
• একটি রূপরেখা তৈরি করা: একটি পদ্ধতি বিভাগের প্রথম খসড়া, একটি ইমেলের কাঠামো, একটি উপস্থাপনা পরিকল্পনা।
• সারসংক্ষেপ এবং সম্পাদনা: একটি দীর্ঘ নিবন্ধকে নিবন্ধে হ্রাস করা, বিক্ষিপ্ত নোট সংগ্রহ করা।
• রূপান্তর: বিল্ডিং কোড জিনের একটি তালিকা ম্যাপ করার জন্য একটি ভিন্ন ধরনের শনাক্তকরণ (আইডি)।

যে কাজগুলি AI অবিশ্বস্ত তা হল: একটি সুনির্দিষ্ট সংখ্যাসূচক মান তৈরি করা (একটি জিনের অভিব্যক্তির মান "মনে রাখা"), একটি প্রকৃত নিবন্ধ উদ্ধৃত করা, নির্ভুলতার সাথে একটি অনুক্রমের সত্যিকারের জৈবিক ফাংশন রিপোর্ট করা, রোগীর ডেটা দিয়ে ক্লিনিকাল সিদ্ধান্ত তৈরি করা।

পরামর্শ: একটি সহজ নিয়ম গ্রহণ করুন। AI কে "চিন্তা এবং সংগঠিত" করতে দিন, কিন্তু "গণনা, পরিমাপ এবং যাচাইকরণ" হয় আপনার চালানো কোড দ্বারা করা হোক বা আপনি ম্যানুয়ালি যাচাই করুন৷

দুটি ভিন্ন "কৃত্রিম বুদ্ধিমত্তা": ভাষা মডেল এবং নির্দিষ্ট জীববিজ্ঞান মডেল

যখন আমরা জীববিজ্ঞানে "কৃত্রিম বুদ্ধিমত্তা" বলি, তখন আমরা আসলে দুটি ভিন্ন জিনিস সম্পর্কে কথা বলছি এবং সেগুলিকে বিভ্রান্ত করার ফলে গুরুতর ত্রুটি হতে পারে। প্রথমটি হল সাধারণ ভাষার মডেল যা আপনি এই মডিউলে সবচেয়ে বেশি ব্যবহার করবেন: কোড লেখে, পাঠ্য তৈরি করে, ব্যাখ্যা করে। দ্বিতীয়টি হল একটি নির্দিষ্ট জৈবিক সমস্যার জন্য বিশেষভাবে প্রশিক্ষিত বিশেষজ্ঞ মডেল: আলফাফোল্ড যা একটি প্রোটিনের আকৃতির ভবিষ্যদ্বাণী করে, সেলপোজ যা একটি মাইক্রোস্কোপ ইমেজে কোষ গণনা করে, শ্রেণিবদ্ধকারী যা প্রজাতির শব্দ চিনতে পারে। বিশেষজ্ঞ মডেলগুলি তাদের সংকীর্ণ ডোমেনে ভাষার মডেলগুলির তুলনায় অনেক বেশি নির্ভরযোগ্য কারণ তারা বাস্তব জৈবিক ডেটার উপর প্রশিক্ষিত হয়েছে এবং সেই ডোমেনে পরীক্ষা করা হয়েছে। অন্যদিকে, ভাষা মডেল "সবকিছু সম্পর্কে একটু একটু করে" জানে কিন্তু সেগুলির কোনোটিতে পরিমাপের নির্ভুলতার নিশ্চয়তা দেয় না। দৃঢ় কর্মপ্রবাহ দুটিকে একত্রিত করে: ভাষা মডেল কোড এবং প্রবাহ সেট আপ করে, বিশেষজ্ঞ মডেল পরিমাপ করেন, জীববিজ্ঞানী ফলাফল যাচাই করে।

ঝুঁকি স্তর অনুযায়ী দায়িত্ব পৃথকীকরণ

প্রতিটি কাজ একই ঝুঁকি বহন করে না। এআই আউটপুট নিয়ে আপনার কতটা প্রশ্ন করা উচিত তা নির্ভর করে সেই আউটপুটটি ভুল হলে কী ক্ষতি হবে তার উপর। নীচের সারণীটি এই পার্থক্যটিকে মূর্ত করে।

কোয়েস্ট

ঝুঁকির স্তর

মানুষের ভূমিকা

একটি ধারণা শিখতে স্পষ্টীকরণের জন্য জিজ্ঞাসা

কম

উৎসের সাথে নিশ্চিতকরণ, যুক্তি পরীক্ষা

পাইথন বিশ্লেষণ কোড প্রিন্ট করুন

মাঝারি

কোডটি চালানো এবং একটি পরিচিত পরিস্থিতি দিয়ে এটি পরীক্ষা করা

জিনের নাম/আইডি ম্যাপিং

মাঝারি-উচ্চ

অফিসিয়াল ডাটাবেসের সাথে নিশ্চিতকরণ (NCBI, Ensembl)

একটি অ্যারের ফাংশন ব্যাখ্যা

উচ্চ

পরীক্ষামূলক প্রমাণ এবং ডাটাবেস বাধ্যতামূলক

ক্লিনিকাল/ডায়াগনস্টিক সিদ্ধান্ত

খুব উচ্চ

কৃত্রিম বুদ্ধিমত্তা একা ব্যবহার করা উচিত নয়

তিনটি মিনি কেস

কেস 1 — সময় সাশ্রয়: একজন পিএইচডি ছাত্র প্রতিবার 24টি নমুনার RNA-seq গণনা টেবিলটি ম্যানুয়ালি পরিষ্কার করেছে; এটি প্রায় 40 মিনিট সময় নিয়েছে। তিনি কৃত্রিম বুদ্ধিমত্তার জন্য পান্ডাস কোড লিখেছিলেন এবং নিজে চালাতেন; কাজ 3 মিনিটে নেমে গেছে। সমালোচনামূলক পয়েন্ট: একটি ছোট নমুনা সহ কোডটি একবার পরীক্ষা করে এবং নিশ্চিত করেছে যে মোট লাইনের সংখ্যা (18,542 জিন) সংরক্ষিত ছিল।

কেস 2 — জাল উদ্ধৃতি ফাঁদ: একজন গবেষক AI-কে "উদ্ভিদ প্রজননে CRISPR-এর ব্যবহারের 5টি সূত্র" জানতে চেয়েছিলেন। মডেলটি 5টি বাস্তবসম্মত দেখতে ট্যাগ তৈরি করেছে; কিন্তু তাদের মধ্যে ৩টির DOI (ডিজিটাল অবজেক্ট আইডেন্টিফায়ার: নিবন্ধের স্থায়ী ঠিকানা) কোনো প্রকাশনায় পাওয়া যায়নি। যদি গবেষক এটি নিশ্চিত না করে এটি ব্যবহার করতেন তবে তার নিবন্ধটি রেফারি দ্বারা প্রত্যাখ্যান করা হত।

কেস 3 - সংখ্যাগত হ্যালুসিনেশন: একজন শিক্ষক জিজ্ঞাসা করেন, "মানুষের জিনোমে কতটি জিন আছে?" তিনি ক্লিপবোর্ডে "প্রায় 46,000" মডেলের দেওয়া মান জিজ্ঞাসা করেছিলেন এবং লিখেছিলেন। বর্তমান অনুমান প্রায় 19,000-20,000 প্রোটিন-কোডিং জিন। মডেল একটি আত্মবিশ্বাসী স্বরে ভুল নম্বর উত্পাদিত. পাঠ: সর্বদা একটি আপ-টু-ডেট উৎস (Ensembl, GENCODE) দিয়ে নম্বরটি নিশ্চিত করুন।

ধাপে ধাপে: একটি নিরাপদ এআই ওয়ার্কফ্লো

1. টাস্কটি সংজ্ঞায়িত করুন: আপনি যা চান তা একটি বাক্যে লিখুন ("24-নমুনা গণনা টেবিল থেকে কম-অভিব্যক্তি জিন ফিল্টার করার কোড")।
2. প্রসঙ্গ দিন: ডেটা ফরম্যাট, কলামের নাম, নমুনার সংখ্যা উল্লেখ করুন।
3. আউটপুট ফরম্যাটের জন্য জিজ্ঞাসা করুন: "ওয়ার্কিং পাইথন কোড দিন, লাইন দ্বারা লাইন মন্তব্য করুন।"
4. এটি নিজে চালান: আপনার নিজের পরিবেশে কোডটি চেষ্টা করুন; কোনো ত্রুটি থাকলে রিপোর্ট করুন।
5. পরিচিত পরিস্থিতি দিয়ে পরীক্ষা করুন: একটি ছোট উদাহরণ দিয়ে যাচাই করুন যার ফলাফল আপনি জানেন।
6. স্বাধীন ফ্যাক্ট-চেকিং: অফিসিয়াল ডাটাবেস বা গৌণ পদ্ধতির মাধ্যমে সমালোচনামূলক সংখ্যা এবং দাবি প্রদান করুন।

অনুলিপিযোগ্য প্রম্পট টেমপ্লেট

ভূমিকা: আপনি একজন অভিজ্ঞ বায়োইনফরমেটিশিয়ান। টাস্ক: [ডেটা/বিশ্লেষণ] এর জন্য পাইথন কোড লিখুন। প্রসঙ্গ: ডেটা [ফর্ম্যাট], কলাম [নাম], নমুনার সংখ্যা [N]। সীমাবদ্ধতা: শুধুমাত্র কাজের কোড দিন, প্রতিটি লাইনে ছোট মন্তব্য যোগ করুন, লাইব্রেরি নির্দিষ্ট করুন।

এই ধারণাটিকে সরলীকরণ করুন যেন এটি একজন স্নাতক ছাত্রকে ব্যাখ্যা করে: [ধারণা]। এটিকে 3টি বাক্যে সংজ্ঞায়িত করুন, 1টি দৈনন্দিন জীবনের উপমা দিন, 1টি সাধারণ ভুল ধারণা সংশোধন করুন।

নীচে আমার বিশ্লেষণ পরিকল্পনা পরীক্ষা করুন এবং আমাকে এর দুর্বল পয়েন্টগুলি বলুন। বিশেষভাবে: কন্ট্রোল গ্রুপ, প্রতিলিপির সংখ্যা, পরিসংখ্যানগত পরীক্ষার পছন্দ। পরিকল্পনা: [পাঠ্য]

এই নিবন্ধের সারাংশটি 5টি আইটেমে কমিয়ে দিন: (1) প্রশ্ন, (2) পদ্ধতি, (3) প্রধান অনুসন্ধান এবং সমস্যা, (4) সীমাবদ্ধতা, (5) অনুমান যা আমার জন্য কাজ করে। পাঠ্য: [বিমূর্ত]

দুর্বল প্রম্পট / শক্তিশালী প্রম্পট

দুর্বল: "আমাকে একটি জিন এক্সপ্রেশন বিশ্লেষণ দিন।"

Güçlü: "আমার কাছে 12 টি কন্ট্রোল, 12 টি রোগীর নমুনা (CSV, সারি জিন, কলামের নমুনা) থেকে RNA-seq কাঁচা গণনার একটি টেবিল রয়েছে। ডিফারেনশিয়াল এক্সপ্রেশন বিশ্লেষণের ধাপগুলি তালিকাভুক্ত করুন; প্রতিটি ধাপে আমি কোন Python/R টুলটি ব্যবহার করেছি এবং কেন তা ব্যাখ্যা করুন; স্বাভাবিকীকরণ পদ্ধতিটি ন্যায্যতা প্রমাণ করুন। প্রথমে পরিকল্পনাটি দিন, কোড নয়।"

পার্থক্য: শক্তিশালী প্রম্পটে, ডেটা স্ট্রাকচার, নমুনার সংখ্যা, আউটপুট টাইপ এবং ন্যায্যতা অনুরোধ স্পষ্ট। একটি দুর্বল প্রম্পটে, মডেলটি অনুমান করতে বাধ্য হয় এবং প্রায়শই ভুল অনুমান নিয়ে এগিয়ে যায়।

সাধারণ ভুল

• মডেল গণনা/পরিমাপ করা: LLM কে জিজ্ঞাসা করুন "এই টেবিলে কতটি সারি আছে?" জিজ্ঞাসা করতে কোড এটা করতে আছে.
• যাচাই ছাড়াই অ্যাট্রিবিউশন ব্যবহার করা: মডেলটি বাস্তবসম্মত অ্যাট্রিবিউশন তৈরি করতে পারে। প্রতিটি DOI চেক করুন।
• আত্মবিশ্বাসী সুরের উপর নির্ভর করা: AI ভুল হলেও আত্মবিশ্বাসের সাথে কথা বলে; টোন সঠিকতার প্রমাণ নয়।
• প্রসঙ্গ না দেওয়া: ডেটা ফর্ম্যাট না বলে কোড অনুরোধ করা কোড তৈরি করে যা কাজ করে না।
• গোপনীয়/রোগীর ডেটা আটকানো: একটি পাবলিক মডেলে ব্যক্তিগত স্বাস্থ্য ডেটা রপ্তানি করা একটি নৈতিক এবং আইনি লঙ্ঘন (ইউনিট 11)।
• দুই ধরনের মডেল মিশ্রিত করা: ভাষা মডেলকে এমন কাজ করতে দেওয়া যার জন্য পরিমাপ (কাঠামো, কোষ গণনা) প্রয়োজন এবং বিশেষজ্ঞ মডেলকে বাইপাস করা।

সতর্কতা: উচ্চ-পরিণাম জৈবিক কাজে (ক্লিনিকাল, জৈব নিরাপত্তা, বিশ্লেষণ যা প্রকাশনার দিকে পরিচালিত করে), AI আউটপুট দক্ষ বিশেষজ্ঞ যাচাইয়ের বিকল্প নয়; এটা শুধুমাত্র এটা গতি. চূড়ান্ত দায়িত্ব সর্বদা মানুষের উপর বর্তায়।

কৃত্রিম বুদ্ধিমত্তার জ্ঞান সীমান্ত: শিক্ষা বিভাগ এবং বর্তমানতা

একটি ভাষা মডেল যা "জানে" তা প্রশিক্ষিত হওয়ার তারিখ পর্যন্ত পাঠ্য থেকে আসে (প্রশিক্ষণ বিভাগ: মডেলটি শেষবার ডেটা দেখেছিল)। অন্যদিকে জীববিদ্যা দ্রুত পরিবর্তন হয়: নতুন জিন টীকা, আপডেট করা জিনোম সংস্করণ (যেমন মানব রেফারেন্স জিনোমের GRCh37 থেকে GRCh38-এ রূপান্তর), নতুন শ্রেণীবিভাগ ক্রমাগত প্রকাশিত হয়। মডেলটি কাট-অফ তারিখ বা আপডেট হওয়া জিনের নামের পরে একটি অনুসন্ধান জানতে পারে না; এটি এমনকি পুরানো, অপ্রচলিত তথ্য উপস্থাপন করতে পারে যেন এটি বর্তমান। অতএব, প্রজাতির নাম, জিন আইডি, ডাটাবেস সংস্করণ এবং বর্তমান পরিসংখ্যান সর্বদা অফিসিয়াল উত্স (NCBI, Ensembl, UniProt) থেকে নিশ্চিত করা উচিত।

দ্বিতীয় সীমা হ'ল অস্পষ্টতা অন্ধত্ব: মডেলটি একটি বিষয় ভালভাবে জানে বা না জানে, এটি একই আত্মবিশ্বাসী সুরে প্রতিক্রিয়া জানায়। লোকেরা যখন "আমি নিশ্চিত নই" বলে ইতস্তত করে; মডেল দ্বিধা করেন না। তাই বিশ্বাসের পরিমাপ হিসাবে স্বর ব্যবহার করা বিপজ্জনক। একটি সমালোচনামূলক প্রতিক্রিয়ায়, মডেলকে জিজ্ঞাসা করা হয়েছিল "আপনি কতটা নিশ্চিত এবং আপনি কীভাবে এটি জানেন?" জিজ্ঞাসা কখনও কখনও অসঙ্গতি প্রকাশ করে; তবে চূড়ান্ত নিশ্চিতকরণ আবার একটি স্বাধীন সূত্র।

প্রসঙ্গ উইন্ডো এবং বড় ডেটা থেকে সাবধান থাকুন

মডেলটি একবারে শুধুমাত্র একটি নির্দিষ্ট দৈর্ঘ্যের পাঠ্য প্রক্রিয়া করতে পারে (প্রসঙ্গ উইন্ডো: মডেলটি একবারে যে পরিমাণ পাঠ্য প্রক্রিয়া করতে পারে)। একটি জিনোম ফাইল বা কয়েক হাজার সারির একটি টেবিল সরাসরি মডেলে আটকানো উভয়ই সীমা অতিক্রম করবে এবং গোপনীয়তার ঝুঁকি তৈরি করবে। সঠিক পদ্ধতি হল কোডে ডেটা দেওয়া, মডেল নয়: মডেল কোড লেখে, কোড ডেটা প্রক্রিয়া করে। বড় ডেটা নিয়ে কাজ করার সময়, এই পার্থক্য নিরাপত্তা এবং নির্ভুলতা উভয়ের জন্যই মৌলিক।

এই মডিউলের রোডম্যাপ

নিম্নলিখিত ইউনিটগুলিতে, আমরা এই নীতিগুলিকে কংক্রিট ওয়ার্কফ্লোতে রাখব: পাইথন মৌলিক (Ü2), সিকোয়েন্স বিশ্লেষণ (Ü3), ওমিক্স এবং উচ্চ-মাত্রিক ডেটা (Ü4), প্রোটিন গঠন এবং আলফাফোল্ড (Ü5), চিত্র এবং প্রজাতি/কোষ সনাক্তকরণ (Ü6), পরীক্ষামূলক নকশা (Ü7), পরিসংখ্যানগত রচনা (Ü1), সাহিত্য বিশ্লেষণ (Ü1), বিশ্লেষণ এবং সাহিত্য (Ü1), নৈতিকতা এবং জৈব নিরাপত্তা (Ü11)। একই শৃঙ্খলা প্রতিটি ইউনিটে পুনরাবৃত্তি হয়: কৃত্রিম বুদ্ধিমত্তা উত্পাদন করে, জীববিজ্ঞানী যাচাই করে।

সংক্ষেপে

কৃত্রিম বুদ্ধিমত্তা জীববিজ্ঞানের একটি শক্তিশালী সহকারী যা কোড করে, ব্যাখ্যা করে, রূপরেখা তৈরি করে এবং সংক্ষিপ্ত করে; কিন্তু এটি একটি ক্যালকুলেটর, ডাটাবেস বা সিদ্ধান্ত গ্রহণকারী নয়। সাধারণ ভাষা মডেল এবং নির্দিষ্ট বিশেষজ্ঞ মডেলের মধ্যে পার্থক্য করুন। ঝুঁকির স্তর অনুসারে কাজগুলি আলাদা করুন: কম-ঝুঁকির প্রকাশে দ্রুত এগিয়ে যান, উচ্চ-ঝুঁকির নম্বর, অ্যাট্রিবিউশন এবং ফাংশন দাবিগুলির স্বাধীন যাচাইকরণ করতে ভুলবেন না। যে জীববিজ্ঞানী যাচাইকরণ শৃঙ্খলাকে কর্মপ্রবাহের একটি অবিচ্ছেদ্য অংশ করে তোলেন তিনি AI থেকে সর্বাধিক মূল্য পান।

আবেদন টাস্ক

আপনার অধ্যয়নের ক্ষেত্র থেকে 3টি সাধারণ কাজ চয়ন করুন (যেমন কিছু কোড লেখা, একটি ধারণা শেখা, একটি সাহিত্য সারাংশ)। উপরের সারণী অনুসারে প্রতিটিকে নিম্ন/মাঝারি/উচ্চ ঝুঁকি হিসাবে শ্রেণীবদ্ধ করুন। উচ্চ ঝুঁকির জন্য, 2টি বাক্যে লিখুন কিভাবে আপনি স্বাধীনভাবে আউটপুট যাচাই করবেন। তারপরে, AI-তে একটি টাস্ক বরাদ্দ করতে "স্ট্রং প্রম্পট" টেমপ্লেটটি ব্যবহার করুন এবং একটি পরিচিত পরিস্থিতির সাথে আউটপুট পরীক্ষা করুন।

চেকলিস্ট

• [ ] আমি ঝুঁকি স্তর দ্বারা আমার কাজ শ্রেণীবদ্ধ করেছি.
• [ ] আমি প্রম্পটে ডেটা বিন্যাস এবং প্রসঙ্গ যোগ করেছি।
• [ ] আমি গণনা/পরিমাপ কোড বা নিজের উপর ছেড়ে দিয়েছি, মডেলের কাছে নয়।
• [ ] আমি স্বাধীন উত্সের সাথে প্রতিটি সংখ্যাসূচক দাবি এবং বৈশিষ্ট্য যাচাই করেছি৷
• [ ] আমি উপযুক্ত বিশেষজ্ঞ মডেলের কাছে পরিমাপ এবং ভাষা মডেলে প্রবাহ অর্পণ করেছি৷
• [ ] আমি খোলা মডেলকে গোপনীয়/ব্যক্তিগত ডেটা প্রদান করিনি।
• আমি স্বীকার করেছি যে চূড়ান্ত সিদ্ধান্ত এবং দায়িত্ব আমার উপর।