Κέρδη:
- Δυνατότητα εκτέλεσης μιας εργασίας παρουσίασης/δεδομένων σε επαναλαμβανόμενη ροή που αποτελείται από βήματα ενημέρωσης, προετοιμασίας δεδομένων, δομής, περιεχομένου/γραφικών, επικύρωσης, διόρθωσης και παράδοσης.
- Με την ανωνυμοποίηση και τη συγκέντρωση ευαίσθητων δεδομένων, το εξωτερικό εργαλείο μπορεί να λειτουργεί χωρίς παραβίαση της εμπιστευτικότητας και να διασταυρώνει κρίσιμους αριθμούς.
- Δυνατότητα ανάληψης ευθύνης για την τελική παράδοση χρησιμοποιώντας την τεχνητή νοημοσύνη ως συνεργάτη πρόβας και δοκιμάζοντας δύσκολες ερωτήσεις και χρόνο
Οι προηγούμενες ενότητες δίδαξαν δεξιότητες μία προς μία: δομή, κείμενο, σχέδιο, επιλογή γραφικών, κώδικας, πίνακας εργαλείων, ιστορία, infographic, ειλικρίνεια. Αυτή η τελική ενότητα τα συνδυάζει όλα σε μια ροή εργασίας: έφτασε μια σύντομη, θα παραδώσετε μια παρουσίαση/οπτικοποίηση δεδομένων. Στόχος μας είναι να καθιερώσουμε μια επαναλαμβανόμενη μέθοδο που χρησιμοποιεί την τεχνητή νοημοσύνη από την αρχή μέχρι το τέλος, αλλά την επικυρώνει σε κάθε βήμα, διατηρώντας το απόρρητο και την ηθική.
Επτά βήματα για ροή από άκρο σε άκρο
- Σύντομη και εύρος: Κοινό, σκοπός, κύριο μήνυμα, διάρκεια, κανάλι (παρουσίαση, αναφορά, μέσα κοινωνικής δικτύωσης), περιορισμοί.
- Προετοιμασία δεδομένων: Συλλέξτε, καθαρίστε, ανωνυμοποιήστε δεδομένα. Αποφασίστε τι μπαίνει στο εξωτερικό όχημα.
- Δομή και αφήγηση: Επιλέξτε μοτίβο, κατασκευάστε τη ράχη διαφάνειας (Ενότητα 2, 8).
- Περιεχόμενο και γραφικά: Γράψτε κείμενο, επιλέξτε και κωδικοποιήστε το σωστό γραφικό, ρυθμίστε το σχέδιο (Ενότητα 3-6).
- Ακεραιότητα και επαλήθευση: Κάθε αριθμός, κάθε γράφημα, κάθε αξίωση ελέγχεται (Μονάδα 10).
- Πρόβα και επεξεργασία: Δοκιμάστε την παρουσίαση δυνατά, χρονομετρήστε την, περικόψτε την με σχόλια.
- Παράδοση και αρχειοθέτηση: Τελική έκδοση, σημειώσεις πηγής και επαναχρησιμοποιήσιμος κώδικας/πρότυπο.
Συμβουλή: Κάντε αυτά τα επτά βήματα μια λίστα ελέγχου και επαναλάβετε τα σε κάθε εργασία. Η τυποποίηση της ροής εργασίας αφαιρεί την ποιότητα από το να εξαρτάται από την ατομική μορφή.
Προετοιμασία δεδομένων και απόρρητο: η πιο κρίσιμη στάση
Πριν δώσετε δεδομένα στο AI, σταματήστε και ρωτήστε: Μπορούν αυτά τα δεδομένα να εισέλθουν σε εξωτερικό σύστημα; Μερικές έννοιες: προσωπικά δεδομένα (πληροφορίες που προσδιορίζουν την ταυτότητα ενός ατόμου, όπως όνομα, ταυτότητα, επαφή, υγεία, μισθός). ανωνυμοποίηση (μη αναστρέψιμη αφαίρεση ταυτότητας). συνάθροιση (δώστε μέσο όρο/σύνολο αντί για μεμονωμένη σειρά). Κανόνας:
- Μην εισάγετε ποτέ δεδομένα που περιέχουν προσωπικά/εμπορικά μυστικά σε εργαλείο που δεν είναι εγκεκριμένο από το ίδρυμα.
- Εάν πρέπει να εισαγάγετε, να ανωνυμοποιήσετε ή να συγκεντρώσετε: διαγράψτε στήλες ονόματος/αναγνωριστικού, εμφανίστε το άτομο μόνο εντός της ομάδας.
- Κατά τη δημιουργία γραφημάτων/κώδικα, δώστε στο μοντέλο τη δομή δεδομένων (ονόματα στηλών, τύποι), όχι τις πρωτογενείς σειρές ακριβείας.
Ο ρόλος σας: ελεγκτής απορρήτου δεδομένων. Στήλες του ακόλουθου συνόλου δεδομένων: [λίστα]. Θα το τροφοδοτήσω σε ένα εξωτερικό εργαλείο AI για να δημιουργήσω ένα γράφημα. Ποιες στήλες μπορεί να είναι προσωπικές/ευαίσθητες; Σημειώστε ό,τι χρειάζομαι για ανωνυμοποίηση ή συγκέντρωση και προτείνετε πώς να το κάνω (διαγραφή, μάσκα, ομαδοποίηση). Πείτε μου πώς μπορώ να δουλέψω με τον ελάχιστο όγκο δεδομένων που θα είναι επαρκής για ανάλυση.
Προσοχή: Η επικόλληση ευαίσθητων δεδομένων "μόνο μία φορά, γρήγορα" είναι η πιο κοινή μορφή παραβίασης απορρήτου. Μετά την έξοδο, τα δεδομένα δεν μπορούν να ανακτηθούν.
Επικύρωση: τελικό φίλτρο πριν από την παράδοση
Εφαρμόστε τα τέσσερα βήματα από την Ενότητα 1 (πηγή, συνέπεια, ειλικρίνεια, πλαίσιο) σε ολόκληρη την παρουσίαση. Επιπλέον, κάντε έναν διασταυρούμενο έλεγχο: επιβεβαιώστε τους κρίσιμους αριθμούς με ένα εργαλείο εκτός μοντέλου (υπολογιστικό φύλλο, αριθμομηχανή).
έλεγχος
Ερώτηση
όχημα
Πηγή
Από πού προέρχεται κάθε αριθμός;
Πηγή/σημείωση δεδομένων
Συνέπεια
Είναι το slide-graphic-text το ίδιο;
Διαβάστε διαγώνια με τα μάτια σας
ειλικρίνεια
Μήπως το διάγραμμα υπερβάλλει;
Επιθεώρηση μονάδας 10
λογαριασμός
Είναι σωστό το σύνολο/ποσοστό;
υπολογιστικό φύλλο
Παράθεση
Είναι αληθινό το απόσπασμα/πηγή;
Ανοιχτός κώδικας, επαλήθευση
Να είστε ιδιαίτερα επιφυλακτικοί με τις παραισθήσεις (κατασκευασμένες πληροφορίες): το μοντέλο μπορεί να «κατασκευάσει» ένα στατιστικό στοιχείο, ένα απόσπασμα ή μια πηγή. Ανοίξτε και επαληθεύστε κάθε εξωτερική πηγή και εικόνα που εμφανίζεται στη διαφάνεια.
Πρόβα: δοκιμή της παρουσίασης με τεχνητή νοημοσύνη
Η τεχνητή νοημοσύνη μπορεί να είναι ένας συνεργάτης πρόβας: να δημιουργεί δύσκολες ερωτήσεις από την οπτική γωνία του κοινού, να βρίσκει αδύναμες μεταβάσεις, να υπολογίζει τη διάρκεια.
Ο ρόλος σας: προκλητικό κοινό και προπονητής παρουσίασης. Εξετάστε τη ραχοκοκαλιά της παρουσίασης και τις σημειώσεις του ομιλητή παρακάτω. 1) Δημιουργήστε τις 5 πιο δύσκολες ερωτήσεις που θα κάνει αυτό το κοινό ([ρόλος]). 2) Σημειώστε αδύναμες/ασυνεχείς μεταβάσεις στην αφήγηση. 3) Υπολογίστε περίπου πόσα δευτερόλεπτα πέφτουν σε κάθε διαφάνεια, κάνοντας τον συνολικό χρόνο [X] λεπτά. Εάν είναι πολύ, προτείνετε ποιες διαφάνειες να συντομεύσω. Παρουσίαση: [ ... ].
Μια ξεχωριστή πρόβα "σύσκεψη αντιρρήσεων":
Δημιουργήστε 4 αντιρρήσεις για την κύρια πρόταση αυτής της παρουσίασης και συντάξτε μια απάντηση 2 προτάσεων, βασισμένη σε δεδομένα για την καθεμία. Μην επινοείτε την απάντηση. Γράψτε [επιβεβαίωση] όπου απαιτείται επιβεβαίωση. Πρόταση: [ ... ].
τρεις μίνι θήκες
Περίπτωση 1 — Ταχύτητα από άκρο σε άκρο. Ένας σύμβουλος θα διέδιδε μια τυπική παρουσίαση πελάτη (έρευνα + δομή + διαφάνειες + γραφήματα + απόδειξη) σε 2 ημέρες. Όταν εγκαταστήσαμε τη ροή επτά βημάτων με τεχνητή νοημοσύνη, ο χρόνος μειώθηκε σε περίπου 1 ημέρα. Ένα σημαντικό μέρος του χρόνου που εξοικονομήθηκε αφιερώθηκε στην επαλήθευση και την πρόβα και η ποιότητα δεν μειώθηκε αλλά αυξήθηκε.
Περίπτωση 2 — Απόρρητο της τελευταίας στιγμής. Μια ομάδα θα εξάγει τα αρχεία συναλλαγών πελατών (όνομα + ποσό) στο εξωτερικό εργαλείο για τη δημιουργία γραφημάτων. Σταμάτησαν στο βήμα ελέγχου απορρήτου. Διέγραψαν τα ονόματα και μετέτρεψαν τα ποσά σε μέσο όρο τμήματος. Η ανάλυση λειτούργησε ξανά, δεν βγήκαν προσωπικά δεδομένα. Η απόφαση αυτή εκτιμήθηκε σε μεταγενέστερο έλεγχο.
Περίπτωση 3 — Η πρόβα έσωσε τη σκηνή. Ένας επιχειρηματίας είπε στην τεχνητή νοημοσύνη να «δημιουργήσει τις 5 πιο δύσκολες ερωτήσεις» πριν από μια παρουσίαση επενδυτών. Τρεις από τις ερωτήσεις τέθηκαν κατά λέξη στη συνάντηση. Απάντησε άπταιστα γιατί ήταν προετοιμασμένος. Αν δεν είχε κάνει πρόβα, θα είχε κολλήσει στην πιο κρίσιμη ερώτηση.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμο:
Προετοιμάστε και ολοκληρώστε μια παρουσίαση από την αρχή μέχρι το τέλος με αυτά τα δεδομένα.
Θέλοντας "τα πάντα" με μια πτώση. καμία επαλήθευση, καμία μυστικότητα, καμία πρόβα. Το μοντέλο ταιριάζει στα κενά, δεν μπορείς να το ελέγξεις.
Δυνατό:
Ας δημιουργήσουμε μια παρουσίαση βήμα προς βήμα. Απλώς κάντε πρώτα το βήμα 1: διευκρινίστε τη σύνοψη (ρωτήστε με για κοινό/σκοπό/μήνυμα/διάρκεια/κανάλι/περιορισμό). Στη συνέχεια θα προχωρήσουμε με τη σειρά: έλεγχος απορρήτου δεδομένων, δομή, περιεχόμενο+γραφικά, έλεγχος ειλικρίνειας, έλεγχος. Μην φτιάχνετε νούμερα σε κάθε βήμα, γράφετε ό,τι πρέπει να επιβεβαιωθεί, μην ζητάτε ευαίσθητα δεδομένα.
Το δεύτερο χωρίζει την εργασία σε βήματα, σας διατηρεί τον έλεγχο σε κάθε βήμα και θέτει τα όρια εμπιστευτικότητας/πιστότητας εκ των προτέρων.
Συνήθη λάθη
- Ζητώντας «τα πάντα» με μια πτώση: Η παράλειψη βημάτων παρακάμπτει τον έλεγχο ταυτότητας και το απόρρητο.
- Παράκαμψη της στάσης απορρήτου: Παροχή ευαίσθητων δεδομένων σε έναν μη ελεγχόμενο εξωτερικό πράκτορα.
- Βγαίνω στη σκηνή χωρίς πρόβα: Δεν προλαβαίνω δύσκολες ερωτήσεις και χρόνο.
- Παράβλεψη επαλήθευσης πηγής/απόδοσης: Δεν παρατηρείται κατασκευασμένο στατιστικό στοιχείο ή προσφορά.
- Μη αρχειοθέτηση: Δεν αποθηκεύεται ο κώδικας/πρότυπο και δεν γίνονται τα πάντα από την αρχή.
- Αναθέτοντας την ευθύνη στο μοντέλο: Λέγοντας "Το AI το ετοίμασε". Ωστόσο, η παράδοση είναι δική σας.
Συνοπτικά
Δημιουργήστε την επιχείρηση παρουσίασης και οπτικοποίησης δεδομένων από άκρο σε άκρο σε επτά βήματα: σύντομη, προετοιμασία δεδομένων και εμπιστευτικότητα, δομή/αφήγηση, περιεχόμενο/γραφικά, ακεραιότητα και επαλήθευση, πρόβα, παράδοση/αρχειοθέτηση. Χρησιμοποιήστε την τεχνητή νοημοσύνη σε κάθε βήμα, αλλά διατηρήστε τον έλεγχο: ανωνυμοποιήστε ευαίσθητα δεδομένα, επαληθεύστε κάθε αριθμό και πηγή, κάντε το μοντέλο συνεργάτη δοκιμών. Η τεχνητή νοημοσύνη επιταχύνει ολόκληρη τη ροή. Η ευθύνη για την ακρίβεια των δεδομένων, την ακεραιότητα του μηνύματος, την εμπιστευτικότητα και την τελική παράδοση είναι πάντα δική σας.
Εργασία εφαρμογής
Επιλέξτε μια πραγματική εργασία παρουσίασης και ακολουθήστε τα επτά βήματα. (1) Να ανακριθεί η σύντομη από το AI. (2) Αποφασίστε ποια δεδομένα θα ανωνυμοποιηθούν με τον έλεγχο απορρήτου. (3) Εκτελέστε τη δομή βημάτων → περιεχόμενο → γράφημα. (4) Πραγματοποιήστε έλεγχο ακεραιότητας και διασταυρώστε τους κρίσιμους αριθμούς. (5) Βάλτε την τεχνητή νοημοσύνη να παράγει τις «5 πιο δύσκολες ερωτήσεις» και να τις επαναλάβετε. (6) Αρχειοθετήστε την πιο πρόσφατη έκδοση και επαναχρησιμοποιήσιμο κώδικα/πρότυπο.
λίστα ελέγχου
- [ ] Έτρεξα την εργασία σύμφωνα με τη ροή των επτά βημάτων.
- [ ] Ανωνυμοποίησα/συγκεντρώσα ευαίσθητα δεδομένα ή δεν τα εισήγαγα καθόλου.
- [ ] Επικύρωσα κάθε αριθμό και εξωτερική πηγή εκτός του μοντέλου.
- [ ] Έχω ελέγξει όλα τα γραφικά για ακεραιότητα.
- [ ] Έκανα πρόβες με τεχνητή νοημοσύνη. Δοκίμασα δύσκολες ερωτήσεις και χρόνο.
- [ ] Έχω αρχειοθετήσει την πιο πρόσφατη έκδοση και επαναχρησιμοποιήσιμο πρότυπο/κώδικα.
- [ ] Αποδέχομαι ότι είμαι υπεύθυνος για την τελική παράδοση.
Εξέταση Ενοτήτων
1. Ποια είναι η καλύτερη τοποθέτηση για την τεχνητή νοημοσύνη στην παρουσίαση και την οπτικοποίηση δεδομένων;
- Α) Η τεχνητή νοημοσύνη είναι το προσχέδιο, ο σχεδιασμός, ο κώδικας γραφικών και ο βοηθός κριτικής. Η ευθύνη για την ακρίβεια, την ειλικρίνεια και την εμπιστευτικότητα των δεδομένων ανήκει στους ανθρώπους ✔
- Β) Η τεχνητή νοημοσύνη είναι μια αριθμομηχανή. Κάθε αριθμός και γράφημα που δίνει είναι απολύτως σωστό.
- Γ) Η τεχνητή νοημοσύνη είναι χρήσιμη μόνο για τη διακόσμηση διαφανειών, δεν έχει καμία σχέση με δεδομένα και γραφικά
- Δ) Δεδομένου ότι η τεχνητή νοημοσύνη είναι πιο αμερόληπτη από τους ανθρώπους, οι αποφάσεις για την ακεραιότητα των γραφικών θα πρέπει να αφεθούν σε αυτήν
Περιγραφή: Το μοντέλο της μεγάλης γλώσσας δεν είναι μια αριθμομηχανή ή μια μηχανή επαλήθευσης, αλλά μια γεννήτρια πειστικού κειμένου και περιγραμμάτων. Εξοικονομεί πολύ χρόνο σε ρόλους όπως η σύνταξη, ο σχεδιασμός, ο κώδικας γραφικών και η κριτική. Ωστόσο, η ευθύνη για την ακρίβεια των δεδομένων, την ειλικρίνεια του γραφήματος, το απόρρητο και την τελική παράδοση ανήκει στον αρμόδιο.
2. 'Υπάρχει σχέση μεταξύ διαφημιστικών δαπανών και πωλήσεων;' Ποιος τύπος γραφήματος θα δείξει την ερώτηση πιο ειλικρινά;
- Α) Διάγραμμα πίτας πολλαπλών τμημάτων
- Β) Διάγραμμα στοιβαγμένων ράβδων
- Γ) Οικόπεδο διασποράς ✔
- Δ) Τρισδιάστατο διάγραμμα πίτας
Επεξήγηση: Χρησιμοποιείται ένα διάγραμμα διασποράς για να δείξει τη σχέση (συσχέτιση) μεταξύ δύο αριθμητικών μεταβλητών. Μια γραμμή είναι κατάλληλη για σύγκριση και μια γραμμή είναι κατάλληλη για αλλαγή με την πάροδο του χρόνου. Ένα ραβδόγραμμα δεν δίνει τη σωστή απάντηση στην ερώτηση σχέσης.
3. Γιατί συνιστάται η χρήση «τίτλος ενέργειας» αντί για «τίτλος θέματος» στον τίτλο της διαφάνειας;
- Α) Για να χωρέσει περισσότερο κείμενο στη διαφάνεια
- Β) Επειδή δίνει τη μοναδική αξίωση της διαφάνειας άμεσα και επιτρέπει στο κοινό να κατανοήσει το μήνυμα αμέσως ✔
- Γ) Γιατί δεν χρειάζεται μεγέθυνση της γραμματοσειράς
- Δ) Επειδή η ανάγκη για σημειώσεις ομιλητή εξαλείφεται
Περιγραφή: Ο τίτλος της ενέργειας δίνει αυτό που λέει η διαφάνεια σε μια πλήρη πρόταση ως αξίωση ("Οι πωλήσεις μειώνονται εδώ και 3 τρίμηνα"), απλώς η ετικέτα θέματος ("Πωλήσεις") όχι. Αυτό επιτρέπει στον θεατή να καταλάβει αμέσως τι σημαίνει κάθε διαφάνεια. Είναι η μοναδική αλλαγή που βελτιώνει περισσότερο την ποιότητα της παρουσίασης.
4. Ποια εφαρμογή είναι πιο πρακτική και ηθική κατά την προετοιμασία εικαστικών παρουσιάσεων με τεχνητή νοημοσύνη που δημιουργεί οπτική;
- Α) Εκτυπώστε όλους τους τίτλους και τους αριθμούς στο εικονίδιο και τοποθετήστε το απευθείας στη διαφάνεια
- Β) Παρουσίαση ενός παραγόμενου πορτρέτου ως πραγματική φωτογραφία πελάτη
- Γ) Να μιμηθεί ακριβώς το στυλ μιας διάσημης μάρκας
- Δ) Παραγωγή του οπτικού χωρίς κείμενο και προσθήκη του κειμένου στο πρόγραμμα διαφανειών και μη παρουσίαση του πλαστού ως αληθινού ✔
Επεξήγηση: Το κείμενο στις εικόνες που παράγονται συχνά είναι κατεστραμμένο, επομένως είναι απαραίτητο να προσθέσετε το κείμενο αργότερα στο πρόγραμμα διαφανειών. Επιπλέον, η παρουσίαση μιας κατασκευασμένης εικόνας ως πραγματικής φωτογραφίας/πραγματικού προσώπου είναι παραπλανητική και ανήθικη. Η σωστή προσέγγιση είναι να δημιουργήσετε την εικόνα χωρίς κείμενο, να προσθέσετε μόνοι σας το κείμενο και να μην παρουσιάσετε το ψεύτικο ως πραγματικό.
5. Ποια είναι η πιο ευανάγνωστη επιλογή για εμφάνιση μεριδίου αγοράς 9 προϊόντων;
- Α) Οριζόντιο ραβδωτό γράφημα ταξινομημένο κατά τιμή ✔
- Β) Διάγραμμα πίτας 9 τμημάτων
- Γ) Τρισδιάστατο διάγραμμα πίτας με 9 φέτες
- Δ) Ένα μονογραμμικό διάγραμμα
Εξήγηση: Ένα γράφημα πίτας λειτουργεί μόνο εάν υπάρχουν 2-4 φέτες και τα μερίδια είναι σημαντικά διαφορετικά. 9 παρόμοιες φέτες είναι δυσανάγνωστες. Ένα οριζόντιο γράφημα ράβδων ταξινομημένο κατά τιμή είναι σχεδόν πάντα πιο ευανάγνωστο όταν συγκρίνετε πολλές κατηγορίες.
6. Γιατί είναι πιο αξιόπιστο να «ζητάτε τον κώδικα που παράγει το γράφημα και να το εκτελέσετε μόνοι σας» αντί να ζητάτε «εικόνα του γραφήματος» όταν λαμβάνετε γραφήματα από τεχνητή νοημοσύνη;
- Α) Γιατί ο κωδικός επιλέγει πάντα πιο όμορφα χρώματα
- Β) Επειδή απαγορεύεται η παραγωγή εικόνων
- Γ) Επειδή ο κώδικας επεξεργάζεται τα δεδομένα ως έχουν και δίνει ντετερμινιστικά και επαναλαμβανόμενα αποτελέσματα, δεν χρειάζεται να βασίζεστε σε λεκτική πρόβλεψη ✔
- Δ) Επειδή ο κώδικας κάνει αυτόματα τα γραφήματα ειλικρινή και δεν απαιτείται περαιτέρω επαλήθευση
Περιγραφή: Το μοντέλο μεγάλης γλώσσας είναι μια δημιουργία κειμένου. Απλώς μαντεύει έναν αριθμό προφορικά και μπορεί να κάνει λάθος. Ο κώδικας επεξεργάζεται τα δεδομένα ως έχουν και παράγει ντετερμινιστικά (πάντα την ίδια έξοδο για την ίδια είσοδο) και επαναλαμβανόμενα αποτελέσματα. Όταν τα δεδομένα ενημερωθούν, ο κώδικας μπορεί να εκτελεστεί ξανά και το γράφημα μπορεί να ανανεωθεί.
7. Ποια είναι η βασική αρχή ενός καλού σχεδιασμού ταμπλό;
- Α) Τοποθέτηση όλων των διαθέσιμων μετρήσεων σε μία οθόνη
- Β) Δείξτε το πλαίσιο για έναν μικρό αριθμό (5-9) KPI που απαιτούνται για ένα συγκεκριμένο κοινό και μια συγκεκριμένη απόφαση ✔
- Γ) Εμφάνιση κάθε αριθμού με όσο το δυνατόν περισσότερα δεκαδικά ψηφία
- Δ) Βάψιμο κάθε μετρικού με διαφορετικό χρώμα για διαφοροποίηση των χρωμάτων
Περιγραφή: Ο πίνακας ελέγχου δεν δείχνει τα πάντα, αλλά τους 5-9 σωστούς KPI που απαιτούνται για μια συγκεκριμένη απόφαση από ένα συγκεκριμένο κοινό. Οι μετρήσεις που δεν εξυπηρετούν την απόφαση θα κατακλύσουν τον πίνακα ελέγχου. Επιπλέον, το πλαίσιο (στόχος/αλλαγή) και μια σφραγίδα φρεσκάδας θα πρέπει να προστεθούν σε κάθε αριθμό και το πιο κρίσιμο KPI θα πρέπει να τοποθετηθεί επάνω αριστερά.
8. Ποια συμπεριφορά είναι παγίδα όσον αφορά την ειλικρίνεια στην αφήγηση δεδομένων;
- Α) Παρουσίαση των ευρημάτων στη δομή πλαίσιο-τάση-ανάλυση
- Β) Σύνδεση κάθε γραφήματος με μια πρόταση της αφήγησης
- Γ) Συνοψίστε τη διορατικότητα σε μια πρόταση
- Δ) Απόκρυψη της περιόδου που δεν ταιριάζει στην αφήγηση και εμφάνιση μόνο των δεδομένων που την υποστηρίζουν (συλλογή κερασιού) ✔
Εξήγηση: Η επιλογή κερασιού είναι η εμφάνιση της περιόδου/τμήματος που ταιριάζει στην αφήγηση και η απόκρυψη αυτού που δεν ταιριάζει και παραβιάζει την ακεραιότητα. Μια καλή ιστορία πείθει, αλλά δεν πρέπει να γίνει άδεια παραμόρφωσης δεδομένων. "Ποια δεδομένα δεν ταιριάζουν με αυτήν την αφήγηση;" Είναι απαραίτητο να ρωτήσετε και να το δείξετε αν χρειαστεί.
9. Γιατί είναι παραπλανητικό να αναπαριστάνουμε μια τιμή ως τη διάμετρο ενός κύκλου σε ένα γράφημα, αλλά στη συνέχεια να διπλασιάζουμε τη διάμετρο;
- Α) Όταν η διάμετρος διπλασιάζεται, η περιοχή τετραπλασιάζεται και το κοινό αντιλαμβάνεται την αύξηση ως μεγαλύτερη από αυτή που είναι στην πραγματικότητα ✔
- Β) Επειδή οι κύκλοι δεν μπορούν να χρησιμοποιηθούν σε ένα γράφημα πίτας
- Γ) Επειδή οι θεατές με αχρωματοψία δεν μπορούν να δουν καθόλου τους κύκλους
- Δ) Γιατί η σχεδίαση ενός κύκλου είναι πιο αργή από τη σχεδίαση ενός ραβδιού
Εξήγηση: Όταν η διάμετρος διπλασιαστεί, το εμβαδόν του κύκλου τετραπλασιάζεται. Εφόσον ο θεατής αντιλαμβάνεται την τιμή ανά περιοχή, πιστεύει ότι μια διπλάσια αύξηση είναι 4 φορές. Αυτό ονομάζεται πλάνη πεδίου. Είναι απαραίτητο να δίνεται η τιμή όχι ανά περιοχή, αλλά με γραμμική κλίμακα και μια σαφή αριθμητική ετικέτα (π.χ. '2×').
10. Ποια είναι η πιο διαδεδομένη τεχνική εξαπάτησης και το σωστό αντίστοιχο σε ένα ραβδόγραμμα;
- Α) Ο χρωματισμός των ραβδιών είναι παραπλανητικός. Είναι απαραίτητο να γίνουν όλα γκρι
- Β) Οι άμεσες ετικέτες είναι παραπλανητικές. Είναι πάντα απαραίτητο να χρησιμοποιείτε ξεχωριστό υπόμνημα
- Γ) Ο διακεκομμένος άξονας y υπερβάλλει τη διαφορά. Στο ραβδόγραμμα ο άξονας πρέπει να ξεκινά από 0 ✔
- Δ) Η οριζόντια μπάρα είναι παραπλανητική. πρέπει πάντα να χρησιμοποιείτε κάθετη μπάρα
Εξήγηση: Ένας διακεκομμένος άξονας y (όπου το y ξεκινά, ας πούμε, από το 90 αντί για το 0) κάνει μια μικρή διαφορά να φαίνεται τεράστια. Μια αύξηση 2% μπορεί να φαίνεται σαν 50%. Σε ένα γράφημα ράβδων, ο άξονας πρέπει σχεδόν πάντα να ξεκινά από το 0, επειδή το μήκος της ράβδου αντιπροσωπεύει την τιμή.
11. Ποια είναι η σωστή προσέγγιση εάν πρέπει να εξαγάγετε έναν πίνακα με ευαίσθητα δεδομένα (όνομα, μισθός, ιστορικό πελάτη) σε ένα εξωτερικό εργαλείο AI για χαρτογράφηση;
- Α) Γρήγορη επικόλληση του τραπεζιού ως έχει για εξοικονόμηση χρόνου
- Β) Ανωνυμοποίηση ή συγκέντρωση των δεδομένων αφαιρώντας το όνομα και τις στήλες ταυτότητας και δεν εισάγοντάς τα καθόλου εάν δεν είναι απαραίτητο ✔
- Γ) Αφήνοντας μόνο την πιο ευαίσθητη στήλη και διαγράφοντας τις υπόλοιπες
- Δ) Αρκεί να λάβετε μια υπόσχεση εμπιστευτικότητας από την τεχνητή νοημοσύνη πριν εισαγάγετε τα δεδομένα.
Εξήγηση: Είναι σημαντικό να μην εισάγετε προσωπικά δεδομένα σε εργαλείο που δεν είναι εγκεκριμένο από το ίδρυμα. Εάν είναι απαραίτητο να το εισαγάγετε, είναι απαραίτητο να το ανωνυμοποιήσετε διαγράφοντας τις στήλες ταυτότητας ή να το συγκεντρώσετε δίνοντας το μέσο όρο/σύνολο αντί για μεμονωμένες σειρές. Μετά την έξοδο, τα δεδομένα δεν μπορούν να ανακτηθούν.
12. Τι σημαίνει «ψευδαίσθηση» σε ένα προϊόν που παράγεται από την τεχνητή νοημοσύνη και τι πρέπει να γίνει γι' αυτό;
- Α) Το μοντέλο χρησιμοποιεί πολλά χρώματα. χρειάζεται μείωση των χρωμάτων
- Β) Αργή λειτουργία του μοντέλου. Πρέπει να γράψετε συντομότερο αίτημα
- Γ) Το μοντέλο σχεδιάζει το γράφημα σε 3D. πρέπει να ζητήσετε 2Β
- Δ) Πληροφορίες που το μοντέλο παρουσιάζει ως αληθινές αλλά δεν είναι αλήθεια. ✔ Κάθε ζήτημα και πηγή πρέπει να διασταυρώνονται
Εξήγηση: Η ψευδαίσθηση είναι μια πληροφορία που το μοντέλο παρουσιάζει ως αληθινή αλλά δεν είναι αληθινή. Μπορεί να είναι κατασκευασμένος αριθμός, απόσπασμα ή πηγή. Από την άλλη πλευρά, είναι απαραίτητο να διασταυρωθεί η επικύρωση κάθε αριθμού και εξωτερικής πηγής που έχει εισαχθεί στη διαφάνεια έξω από το μοντέλο και να οριστεί ο κανόνας "μην παράγετε αριθμούς που δεν υπάρχουν στα δεδομένα, γράψτε [επιβεβαίωση]" στα αιτήματα.
13. Ποιο είναι το πρώτο βήμα για την επιλογή του σωστού τύπου γραφήματος;
- Α) Γράψτε την ερώτηση που θέλετε να απαντήσετε σε μια πρόταση και τοποθετήστε την σε μια οικογένεια ερωτήσεων ✔
- Β) Επιλέγοντας τον πιο πολύχρωμο και εντυπωσιακό τύπο γραφικών
- Γ) Να ξεκινάτε πάντα με ένα γράφημα πίτας και να το τροποποιείτε εάν χρειάζεται
- Δ) Κάνοντας τα δεδομένα πιο εντυπωσιακά εμφανίζοντάς τα σε 3D
Επεξήγηση: Ο τύπος του γραφήματος εξαρτάται από την ερώτηση που θέλετε να απαντήσετε και όχι από το σχήμα των δεδομένων. Πρώτα, είναι απαραίτητο να γράψετε την ερώτηση σε μια πρόταση και να την τοποθετήσετε σε μια οικογένεια (σύγκριση, τάση, σχέση, μέρος-ολόκληρο, διανομή) και μετά επιλέξτε τον τύπο. Είναι λάθος να επιλέξετε πρώτα τον τύπο και να προσπαθήσετε να χωρέσετε τα δεδομένα σε αυτόν.
14. Γιατί είναι σημαντικό να προχωράτε βήμα προς βήμα όταν προετοιμάζετε μια παρουσίαση από άκρο σε άκρο με τεχνητή νοημοσύνη, αντί να πείτε «προετοιμάστε και ολοκληρώστε μια παρουσίαση από την αρχή μέχρι το τέλος με μια κίνηση»;
- Α) Γιατί είναι πάντα πιο γρήγορο να προχωρήσεις βήμα-βήμα
- Β) Επειδή το μοντέλο δεν καταλαβαίνει καθόλου τα μεγάλα αιτήματα
- Γ) Επειδή η κίνηση προς τα εμπρός βήμα προς βήμα διατηρεί τον άνθρωπο σε έλεγχο κατά την επαλήθευση, η εμπιστευτικότητα και η πρόβα σταματά και μειώνει τον κίνδυνο κατασκευής και διαρροής ✔
- Δ) Γιατί το να ρωτάς με μια κίνηση κουράζει την τεχνητή νοημοσύνη.
Περιγραφή: Η αίτηση για την εργασία με ένα βήμα παρακάμπτει κρίσιμες στάσεις όπως επαλήθευση, έλεγχοι απορρήτου και πρόβες. το μοντέλο ταιριάζει στα κενά και δεν μπορείς να το ελέγξεις. Προχωρώντας βήμα προς βήμα (σύντομη, εμπιστευτικότητα, δομή, περιεχόμενο/γραφικά, έλεγχος ειλικρίνειας, πρόβα) κρατά τον άνθρωπο υπό τον έλεγχο σε κάθε στάδιο και θέτει τα όρια κατασκευής/εμπιστευτικότητας από την αρχή.