লাভ:
- কৃষি প্রকৌশল কর্মপ্রবাহে AI কোথায় প্রকৃত সময় বাঁচায় এবং কোন সিদ্ধান্তগুলি কৃষিবিদদের দায়িত্বে থাকা উচিত তা বোঝার ক্ষমতা
- তিনটি অ্যাঙ্কর ডিসিপ্লিন প্রয়োগ করার ক্ষমতা যা প্রতিটি AI আউটপুটকে ক্রস-ভেলিডিউড, অ্যাগ্রোনমিক প্লেজিবিলিটি এবং ফিল্ড এভিডেন্সের ক্রম সহ
- অস্পষ্টতা, হ্যালুসিনেশন, এবং কৃষকের ডেটা গোপনীয়তার ঝুঁকিগুলিকে চিনুন এবং প্রসঙ্গ বেনামী করে সুরক্ষিত প্রম্পট সেট আপ করার অভ্যাস করুন।
কৃষি প্রকৌশল হল একটি জীবন্ত ব্যবস্থা - মাটি, গাছপালা, জলবায়ু এবং মানুষ - একই সাথে পরিচালনা করার শিল্প। একটি ক্ষেত্র কখনও দুবার একই হয় না: একই বীজ, একই সার, একই সেচ বিভিন্ন বছরে বিভিন্ন ফলন দেয় কারণ আবহাওয়া, মাটির আর্দ্রতা, রোগের চাপ এবং শত শত পরিবর্তনগুলি ক্রমাগত খেলায় থাকে। এ কারণেই কৃষি এমন একটি পেশা যা সহজাতভাবে অনিশ্চয়তার সাথে চলে। কৃত্রিম বুদ্ধিমত্তা (AI; সফ্টওয়্যার সিস্টেম যা বড় ডেটা প্যাটার্ন থেকে শেখে এবং টেক্সট, ছবি বা সংখ্যা তৈরি করে) এই অনিশ্চয়তা পরিচালনার জন্য একটি শক্তিশালী হাতিয়ার, কিন্তু এটি এমন একটি টুল যা বিপজ্জনকভাবে উজ্জ্বল ভাষায় একই অনিশ্চয়তা লুকিয়ে রাখতে পারে। এই ইউনিটটি দুটি ভিত্তি স্থাপন করে যার উপর পুরো মডিউলটি তৈরি করা হবে: যেখানে কৃষি কর্মপ্রবাহে কৃত্রিম বুদ্ধিমত্তা প্রকৃত মূল্য উৎপন্ন করে এবং কিভাবে আমরা প্রতিটি আউটপুটকে যাচাই করব।
আসুন শুরু থেকেই পরিষ্কার করা যাক: এই মডিউল জুড়ে আপনি যে কৌশলগুলি শিখবেন তার কোনওটিই একজন যোগ্যতাসম্পন্ন কৃষি প্রকৌশলীর (কৃষিবিদ) স্বাক্ষর, ক্ষেত্র পর্যবেক্ষণ এবং প্রকৌশল বিচারকে প্রতিস্থাপন করবে না। কৃত্রিম বুদ্ধিমত্তা একটি সহকারী; দ্রুত পড়ে, দ্রুত লেখে, প্যাটার্ন ধরে। কিন্তু যদি একটি ভুল সার প্রেসক্রিপশন একটি স্রোতের বিছানাকে দূষিত করে, যদি কীটনাশকের একটি ভুল ডোজ ফসলের অবশিষ্টাংশ ছেড়ে দেয় এবং খাদ্য নিরাপত্তাকে বিঘ্নিত করে, যদি একটি ত্রুটিপূর্ণ সেচ পরিকল্পনা মাটিকে অনুর্বর করে দেয়, তাহলে দায় সফ্টওয়্যারের সাথে নয় বরং প্রকৌশলীর উপর বর্তায় যিনি এটি স্বাক্ষর করেছেন। আপনি মডিউলের প্রতিটি ইউনিটে এই বাক্যটি আবার বিভিন্ন আকারে দেখতে পাবেন, কারণ এটি এমন একটি পেশার একমাত্র সত্য যেখানে পরিবেশ এবং খাদ্য নিরাপত্তা ঝুঁকিতে রয়েছে।
কৃত্রিম বুদ্ধিমত্তা কোথায় কৃষি কর্মপ্রবাহে মূল্য তৈরি করে?
একজন কৃষিবিদ সপ্তাহকে মোটামুটিভাবে তিন ধরনের কাজের মধ্যে বিভক্ত করা হয়: তথ্য প্রস্তুতি (মাটি বিশ্লেষণ প্রতিবেদন পড়া, ফিল্ড নোট সম্পাদনা করা, সেন্সর টেবিল পরিষ্কার করা), ব্যাখ্যা এবং বিশ্লেষণ (উদ্ভিদের স্বাস্থ্য মূল্যায়ন, রোগ নির্ণয়, সার ও সেচ পরিকল্পনা, ফলন এবং প্রিক্রিপশন রেকর্ডিং, অফিসিয়াল রিপোর্ট, প্রিক্রিপশন রিপোর্ট), চিঠিপত্র)। AI তিনটি ক্ষেত্রেই স্পর্শ করে, কিন্তু এর অবদান এবং ঝুঁকি প্রতিটিতে আলাদা।
ডেটা প্রস্তুতি কৃত্রিম বুদ্ধিমত্তার সবচেয়ে নিরাপদ এবং সবচেয়ে লাভজনক ক্ষেত্র। বিক্ষিপ্ত ক্ষেত্র পর্যবেক্ষণগুলিকে একটি স্ট্যান্ডার্ড স্প্রেডশীটে পরিণত করা, বিভিন্ন পরীক্ষাগার থেকে রিপোর্টের বিভিন্ন ফর্ম্যাটকে একটি একক টেমপ্লেটে নিয়ে আসা, হাজার হাজার লাইনের আর্দ্রতা সেন্সর রেকর্ডে আউটলিয়ারকে পতাকাঙ্কিত করা—এগুলি পুনরাবৃত্তিমূলক, নিয়ম-ভিত্তিক, এবং যাচাই করা সহজ। এখানে কোনো ত্রুটি থাকলেও, উৎসে ফিরে যেতে এবং এটি পরীক্ষা করতে মিনিট সময় লাগবে।
ব্যাখ্যা এবং বিশ্লেষণের ক্ষেত্রটি সর্বোচ্চ মান এবং সর্বোচ্চ ঝুঁকি বহন করে। এআই একটি এনডিভিআই মানচিত্র থেকে একটি সম্ভাব্য জলের চাপ অঞ্চলের পরামর্শ দিতে পারে; এটি এমন একটি প্যাটার্ন প্রকাশ করতে পারে যা এমনকি একজন অভিজ্ঞ চোখ একটি বড় ক্ষেত্রে মিস করতে পারে। কিন্তু একই মডেল আত্মবিশ্বাসের সাথে এমন একটি রোগকে বর্ণনা করতে পারে যা সেই অঞ্চলে বিদ্যমান নেই একটি "বিস্তৃত হুমকি" হিসাবে। যখন মডেলটি এমন তথ্য তৈরি করে যা বাস্তবে বিদ্যমান নেই যেন এটি বাস্তব, তখন তাকে হ্যালুসিনেশন বলে। এই ক্ষেত্রে, এআই একটি হাইপোথিসিস জেনারেটর, সিদ্ধান্ত গ্রহণকারী নয়।
যোগাযোগের ক্ষেত্রে, কৃত্রিম বুদ্ধিমত্তা একটি খসড়া ত্বরণকারী। এটি কয়েক মিনিটের মধ্যে একটি কৃষক তথ্য প্রতিবেদন, একটি সাহিত্যের সারাংশ, বা একটি শংসাপত্র আবেদন পাঠ্য খসড়া করে। এখানে ঝুঁকি হল যে বানোয়াট সূত্র এবং ভুল ডোজগুলি প্রবাহিত পাঠ্যের মধ্যে কৃষক বা নিরীক্ষকের অলক্ষ্যে তাদের পথ খুঁজে পেতে পারে।
টিপ: AI-তে চাকরি দেওয়ার আগে, নিজেকে জিজ্ঞাসা করুন: "আমি কীভাবে জানব যে এই আউটপুটটি ভুল এবং এটি ঠিক করতে কতক্ষণ লাগবে?" যদি উত্তরটি হয় মিনিট (ডেটা ক্লিনিং), তা আরামে ব্যবহার করুন; যদি উত্তর হয় "পণ্যটি ক্ষতিগ্রস্ত না হওয়া পর্যন্ত আমি বুঝতে পারব না" (ডোজের সিদ্ধান্ত), স্বাধীনভাবে যাচাই করতে ভুলবেন না।
বৈধতা শৃঙ্খলা: তিনটি অ্যাঙ্কর নিয়ম
এই মডিউলটির কেন্দ্রবিন্দু হল একটি একক অভ্যাস: কোনো AI আউটপুটকে বৈধ না করে কৃষি সংক্রান্ত সিদ্ধান্তে অন্তর্ভুক্ত না করা। আমরা তিনটি স্বাধীন নোঙ্গর উপর ভিত্তি করে বৈধতা.
প্রথম নোঙ্গর - মাত্রার অর্ডার। ফলাফল কি মোটামুটি 10 সীমার প্রত্যাশিত শক্তির মধ্যে? গমের প্রতি ডেকেয়ারে বিশুদ্ধ নাইট্রোজেনের প্রয়োজনীয়তা সাধারণত 10-18 কেজি হয়; যদি মডেলটি প্রতি ডেকেয়ারে 60 কেজি হারায়, তবে একটি ইউনিট বা সম্পাদনা ত্রুটি রয়েছে এবং এটি বিশদে না গিয়েই বোঝা যাবে। একটি ড্রিপ সেচ ব্যবস্থার প্রবাহের হার প্রতি ঘন্টা লিটারের ক্রম অনুসারে; যদি মডেল কিউবিক মিটার দেয়, এটা আজেবাজে কথা। এই চেকটি সেকেন্ড সময় নেয় এবং বেশিরভাগ ত্রুটি ধরা দেয়।
দ্বিতীয় নোঙ্গর - কৃষিগত যুক্তিসঙ্গততা। আউটপুট কি ফসলের জীববিজ্ঞান এবং অঞ্চলের জলবায়ুর সাথে সামঞ্জস্যপূর্ণ? যদি মডেলটি গ্রীষ্মের মাঝামাঝি সময়ে শীতকালীন গম রোপণের পরামর্শ দেয়; অথবা যদি এটি একটি গ্রীষ্মমন্ডলীয় কীটপতঙ্গকে প্রধান হুমকি হিসাবে বিবেচনা করে যা এই অঞ্চলে কখনও দেখা যায় নি, হয় একটি নির্মাণ ত্রুটি রয়েছে বা মডেলটি বাজে। ফসলের ফিনলজি (উন্নয়নমূলক পর্যায়), মাটির ধরন এবং স্থানীয় জলবায়ু হল প্রশংসনীয়তার ফিল্টার যা প্রতিটি প্রস্তাবকে অবশ্যই পাস করতে হবে।
তৃতীয় নোঙ্গর - ক্ষেত্র প্রমাণ। এটি সবচেয়ে শক্তিশালী অ্যাঙ্কর। মাটির তুষ দিয়ে নমুনা নেওয়া, পাতার বিশ্লেষণ, মাঠে ভিজ্যুয়াল কাউন্ট, আর্দ্রতা সেন্সর পড়া। স্যাটেলাইট থেকে একটি স্ট্রেস সিগন্যাল পরীক্ষা করা হয় একই এলাকায় গিয়ে উদ্ভিদের দিকে তাকিয়ে। একটি নমুনা গ্রহণ এবং পরীক্ষাগারে একটি রোগের প্রাথমিক নির্ণয় নিশ্চিত করা হয়। স্থল সত্যের সর্বদা জয় হয়।
তিনটি মিনি কেস: সংখ্যা দ্বারা
কেস 1 - মাটি রিপোর্ট ব্যাখ্যায় সময় সংরক্ষিত। একজন কৃষি প্রকৌশলী ম্যানুয়ালি 38টি বিভিন্ন পার্সেলের মাটি বিশ্লেষণের রিপোর্টের সারসংক্ষেপ করছিলেন (প্রত্যেকটি আলাদা ল্যাবরেটরি ফর্ম্যাটে); প্রতি রিপোর্টে গড়ে 20 মিনিট, মোট প্রায় 13 ঘন্টা। একটি AI-চালিত চার্টিং ওয়ার্কফ্লো সহ, তিনি প্রথম ড্রাফ্টটি প্রতি রিপোর্টে 4 মিনিটে কমিয়েছেন, বাকি সময়টি ম্যানুয়ালি থ্রেশহোল্ড যাচাই করার জন্য নিবেদিত করেছেন। মোট সময় প্রায় 5 ঘন্টা নেমে গেছে; যা গুরুত্বপূর্ণ ছিল তা হল যে অর্জিত সময় নিয়ন্ত্রণে ব্যয় করা হয়েছিল।
কেস 2 - ক্যাপচার হ্যালুসিনেশন। যখন একজন ইন্টার্নের কাছে AI একটি দ্রাক্ষাক্ষেত্রের রোগের ইতিহাসের সংক্ষিপ্তসার ছিল, তখন পাঠ্যটিতে "প্রধান সাইট্রাস হুয়াংলংবিং (HLB) অঞ্চলে চাপ" বাক্যটি অন্তর্ভুক্ত ছিল। যাইহোক, পার্সেলে আঙ্গুর (আঙ্গুর) ছিল, সাইট্রাস নয়; মডেলটি অন্য পণ্যের তথ্য বিভ্রান্ত করেছিল। রিপোর্টে স্বাক্ষর করার আগে কৃষি সংক্রান্ত প্রশংসনীয়তা ফিল্টার (ফসলের প্যাটার্ন HLB-এর সাথে সম্মত হয়নি) ত্রুটিটি ধরা পড়ে।
কেস 3 - ইউনিট ত্রুটি। একটি সার গণনাতে, মডেলটি প্রতি হেক্টর সুপারিশের সাথে প্রতি ডেকেয়ার সুপারিশকে গুলিয়ে ফেলে, নাইট্রোজেনের মাত্রা 10 এর একটি ফ্যাক্টর দ্বারা স্ফীত করে (যেহেতু 1 হেক্টর = 10 ডেকেয়ার)। ম্যাগনিচুড চেকের অর্ডার - "এই পার্সেলে 15 কেজি কিন্তু 150 কেজি বিশুদ্ধ নাইট্রোজেন থাকতে পারে না" - সাথে সাথে ত্রুটিটি প্রকাশ করে। এটি বাস্তবায়িত হলে অর্থনৈতিক ক্ষতি এবং নাইট্রেট দূষণ উভয়ই ঘটত।
দুর্বল প্রম্পট / শক্তিশালী প্রম্পট
প্রম্পট হল একটি লিখিত নির্দেশ যা আপনি AI কে দেন; এর গুণমান সরাসরি আউটপুটের গুণমান নির্ধারণ করে।
দুর্বল প্রম্পট:
এই ক্ষেত্রের অবস্থা মূল্যায়ন করুন এবং আমাকে বলুন আমার কি করা উচিত।[ডেটা]
শক্তিশালী প্রম্পট:
আপনার ভূমিকা: একজন সিনিয়র কৃষি প্রকৌশলী (কৃষিবিদ)। শুধুমাত্র প্রদত্ত তথ্যের উপর ভিত্তি করে নিম্নলিখিত ক্ষেত্রের ডেটা ব্যাখ্যা করুন। - ডেটাতে নেই এমন কোনও পণ্য, রোগ, সার বা মান যুক্ত করবেন না। - প্রতিটি মন্তব্যের পাশে বন্ধনী দিয়ে আপনি যে ডেটা লাইনের উপর ভিত্তি করে আছেন তা দেখান। - "ডেটা অপর্যাপ্ত" লিখুন যেখানে আপনি নিশ্চিত নন, অনুমান করবেন না। - ডোজ এবং ওষুধের সুপারিশ দেবেন না; পরিবর্তে, 3টি অনুমানের একটি পৃথক তালিকা তৈরি করুন যা যাচাই করা দরকার। ডেটা: [ক্ষেত্র ডেটা]
শক্তিশালী প্রম্পট মডেলটিতে তিনটি জিনিস আরোপ করে: উত্সের সাথে লেগে থাকুন, অনিশ্চয়তা স্বীকার করুন এবং গুরুত্বপূর্ণ সিদ্ধান্ত (ডোজ) ইঞ্জিনিয়ারের উপর ছেড়ে দিন। এটি হ্যালুসিনেশন সম্পূর্ণভাবে শেষ করে না, তবে এটি দৃশ্যমান করে তোলে।
চারটি অনুলিপিযোগ্য টেমপ্লেট
1) বেনামী প্রসঙ্গ স্থাপন:
আমি একটি কৃষি প্রকৌশল নিয়োগে সাহায্য চাই। কৃষকের নাম, ক্ষেত্রের স্থানাঙ্ক, পার্সেল আইডি এবং খরচের তথ্য গোপনীয়; আমি তাদের প্রতিনিধিত্বমূলক অভিব্যক্তি যেমন "ফার্মার-এ", "প্লট-1", "এক্স সমন্বয়" দিয়ে দেব। কাজ: [কাজ]। শুধুমাত্র আমার দেওয়া প্রযুক্তিগত তথ্যের উপর ভিত্তি করে বহিরাগত অনুমান যোগ করবেন না।
2) তিনটি অ্যাঙ্কর যাচাইকরণের অনুরোধ:
নিম্নলিখিত আউটপুটটির জন্য তিনটি চেক করুন: 1) মাত্রার ক্রম: প্রতিটি সংখ্যা কি ফসল/অঞ্চলের জন্য প্রত্যাশিত সীমার মধ্যে? 2) কৃষিগত যুক্তিযুক্ততা: শস্য জীববিজ্ঞান/জলবায়ুর সাথে একটি বিরোধপূর্ণ দাবি আছে কি? 3) যাচাই তালিকা: আইটেম যা ক্ষেত্র/ল্যাবে নিশ্চিত করা প্রয়োজন। আউটপুট: [পাঠ্য]
3) অস্পষ্টতা বলবৎকরণ:
আত্মবিশ্বাসের তিনটি স্তরে আপনার ব্যাখ্যা দিন: - উচ্চ আত্মবিশ্বাস (সরাসরি ডেটা দ্বারা সমর্থিত) - মাঝারি আত্মবিশ্বাস (যুক্তিসঙ্গত কৃষিগত অনুমান) - কম আত্মবিশ্বাস (অনুমান; ক্ষেত্র নিশ্চিতকরণ প্রয়োজন) প্রতিটি আইটেম তার স্তর নির্দেশ করে লিখুন।
4) সিদ্ধান্তের আগে লাল পতাকা স্ক্রীনিং:
3টি সবচেয়ে গুরুতর ঝুঁকি (পরিবেশগত, খাদ্য নিরাপত্তা, অর্থনৈতিক) তালিকাভুক্ত করুন যা আমি যদি এই পরামর্শ এবং প্রতিটির জন্য প্রাথমিক সতর্কীকরণ চিহ্নগুলি অনুসরণ করি।
মৌলিক ধারণা টেবিল
মেয়াদ
অর্থ
কেন এটা গুরুত্বপূর্ণ?
কৃষিবিদ
কৃষি প্রকৌশলী, কৃষি উৎপাদন বিশেষজ্ঞ ড
সমালোচনামূলক সিদ্ধান্তের জন্য চূড়ান্ত দায়িত্ব
হ্যালুসিনেশন
AI আত্মবিশ্বাসের সাথে অস্তিত্বহীন তথ্য তৈরি করে
যাচাই ছাড়াই বিশ্বাস করার সবচেয়ে বড় ঝুঁকি
ফেনোলজি
উদ্ভিদের বিকাশের পর্যায় (উত্থান, ফুল ফোটানো...)
সিদ্ধান্ত নির্ধারণের জন্য ভিত্তি
স্থল সত্য
ক্ষেত্রে সরাসরি পর্যবেক্ষণ/পরিমাপ
সমস্ত দূরবর্তী ডেটার প্রমাণীকরণ অ্যাঙ্কর
এনডিভিআই
উদ্ভিজ্জ জীবনীশক্তি সূচক
দূরবর্তী স্বাস্থ্য পর্যবেক্ষণের জন্য অপরিহার্য হাতিয়ার
সাধারণ ভুল
- নির্ভুলতার জন্য সাবলীলতা ভুল। AI এর সুন্দর, আত্মবিশ্বাসী তুর্কি ইঙ্গিত করে না যে আউটপুট সঠিক; সবচেয়ে বিপজ্জনক হ্যালুসিনেশন সবচেয়ে তরল হয়।
- ভেরিফিকেশন করাটা সময়ের অপচয় মনে করে। আপনি যদি সংরক্ষিত সময় চেক করার জন্য ব্যয় না করেন তবে AI আপনার পক্ষ থেকে ত্রুটিটিকে ত্বরান্বিত করবে।
- সংবেদনশীল তথ্য যেমন আছে শেয়ার করা। কৃষকের সমন্বয়, ফলন এবং খরচ হল মালিকানা এবং গোপনীয়তার বিষয়; বেনামী ছাড়া শেয়ার করবেন না.
- গুরুত্বপূর্ণ ডোজ সিদ্ধান্ত এআই-এর হাতে ছেড়ে দেওয়া। সার, কীটনাশক এবং সেচের ডোজ ক্ষেত্র ক্রমাঙ্কন এবং আইন প্রয়োজন; AI শুধুমাত্র খসড়া তৈরি করে।
- একটি নোঙ্গর সঙ্গে সন্তুষ্ট হচ্ছে. শুধুমাত্র মাত্রার ক্রমটির দিকে তাকানো এবং সম্ভাব্যতা এবং ক্ষেত্রের প্রমাণ বাদ দেওয়া সূক্ষ্ম ত্রুটিগুলিকে বাইপাস করে।
সতর্কতা: যখন AI আপনাকে বলে "এই এলাকায় এক্স রোগ আছে", এটি একটি অনুমান, রোগ নির্ণয় নয়। রোগ নির্ণয়; নমুনা পরীক্ষাগার এবং অনুমোদিত প্রকৌশলীর অনুমোদনের সাথে স্থাপন করা হয়।
সংক্ষেপে
কৃত্রিম বুদ্ধিমত্তা হল ডেটা প্রস্তুতির সবচেয়ে নিরাপদ হাতিয়ার, যোগাযোগের ত্বরণকারী এবং কৃষি প্রকৌশলে ব্যাখ্যা ও বিশ্লেষণের ক্ষেত্রে সবচেয়ে মূল্যবান এবং ঝুঁকিপূর্ণ হাতিয়ার। এই মডিউলটির মেরুদণ্ড হল তিনটি অ্যাঙ্কর ডিসিপ্লিন: প্রতিটি আউটপুটকে মাত্রার ক্রম, কৃষিগত প্রশংসনীয়তা এবং ক্ষেত্রের প্রমাণের বিরুদ্ধে পরীক্ষা করা। হ্যালুসিনেশন বাস্তব, সাবলীলতা সঠিকতা নয়, এবং সমালোচনামূলক সিদ্ধান্তের দায়িত্ব সবসময় স্বাক্ষরকারী কৃষিবিদদের উপর বর্তায়। পরবর্তী ইউনিটগুলিতে, আমরা এই শৃঙ্খলাকে যথার্থ কৃষি, এনডিভিআই, মাটি, সেচ, রোগ, জলবায়ু, ফলন, পাইথন এবং ট্রেসেবিলিটি একে একে প্রয়োগ করব।
আবেদন টাস্ক
আপনার কাছে (অথবা একজন প্রতিনিধি) একটি ক্ষেত্রের জন্য, AI কে প্রথমে একটি দুর্বল প্রম্পট জিজ্ঞাসা করুন ("এই ক্ষেত্রে আমার কী করা উচিত?"), তারপর এই ইউনিটে শক্তিশালী প্রম্পট টেমপ্লেটের সাথে একই প্রশ্ন। দুটি আউটপুট পাশাপাশি রাখুন এবং চিহ্নিত করুন: (1) কোন বাক্যে তথ্য নেই (প্রার্থীর হ্যালুসিনেশন), (2) কোন সংখ্যাগুলি পরিমাপ যাচাইয়ের ক্রমে ব্যর্থ হয়, (3) 3টি আইটেম যা আপনাকে ক্ষেত্রে যাচাই করতে হবে৷ একটি অনুচ্ছেদে, শক্তিশালী প্রম্পট কোন ত্রুটিগুলি দৃশ্যমান করে তা লিখুন।
চেকলিস্ট
- [ ] আমি কাজটিকে ডেটা প্রস্তুতি / ব্যাখ্যা / যোগাযোগ হিসাবে শ্রেণীবদ্ধ করেছি এবং ঝুঁকির স্তর নির্ধারণ করেছি।
- আমি কৃষকের পরিচয়, স্থানাঙ্ক এবং খরচের তথ্য বেনামে রেখেছি।
- [ ] আমি আকার, কৃষিগত যুক্তিযুক্ততা এবং ক্ষেত্রের প্রমাণের জন্য আউটপুট পরীক্ষা করেছি।
- [ ] আমি হ্যালুসিনেশন প্রার্থী বাক্যগুলি চিহ্নিত করেছি এবং সেগুলিকে উত্সে ফিরিয়ে নিয়েছি।
- [ ] আমি অনুমোদিত প্রকৌশলীর অনুমোদনের জন্য সমালোচনামূলক ডোজ/ড্রাগ/সেচের সিদ্ধান্ত ছেড়ে দিয়েছি।