Κέρδη:
- Η δυνατότητα διάκρισης του σημείου στην εμπειρική ροή εργασιών (καθαρισμός δεδομένων, κώδικας, οπτικοποίηση, ερμηνεία σχεδίων) η τεχνητή νοημοσύνη εξοικονομεί πραγματικό χρόνο και πού αποφάσεις όπως η επιλογή μοντέλου, ο ισχυρισμός αιτιότητας και η απόφαση δημοσίευσης επαφίονται στον ειδικό, ανάλογα με το επίπεδο κινδύνου της εργασίας
- Δυνατότητα εφαρμογής μιας πειθαρχίας που επαληθεύει κάθε έξοδο τεχνητής νοημοσύνης (αριθμός, συντελεστής, κωδικός, σχόλιο) μέσω των βημάτων του επανυπολογισμού, της σύνδεσης με την πηγή και του στατιστικού φιλτραρίσματος.
- Δυνατότητα ασφαλούς επεξεργασίας μικροδεδομένων και εμπιστευτικών/αδειοδοτημένων συνόλων δεδομένων εντός του πεδίου εφαρμογής των συμφωνιών KVKK/GDPR και χρήσης δεδομένων και απόκτηση της συνήθειας επιλογής κατάλληλων εργαλείων.
Οι ίδιες ερωτήσεις επαναλαμβάνονται κάθε μέρα στο γραφείο ενός οικονομέτρου ή εφαρμοσμένου στατιστικού: Είναι αυτό το σύνολο δεδομένων αξιόπιστο; Τι να κάνετε με αυτές τις τιμές που λείπουν; Τι λέει πραγματικά ο συντελεστής αυτής της παλινδρόμησης; Είναι αυτή η σχέση αιτιολογική ή απλώς συσχετιστική; Επειδή αυτή η τιμή p είναι σημαντική, μπορώ να τη γράψω στο άρθρο ή στην σύνοψη πολιτικής; Μερικές από αυτές τις ερωτήσεις είναι επαναλαμβανόμενες, με ένταση κώδικα και χρονοβόρες: καθαρισμός δεδομένων, δημιουργία του ίδιου γραφήματος δέκα φορές, εντοπισμός σφαλμάτων κώδικα R ή Python, συμβολοσειρά των αποτελεσμάτων σε έναν πίνακα. Άλλοι καθορίζουν άμεσα την εγκυρότητα ενός πορίσματος, την ειλικρίνεια μιας δημοσίευσης ή την ακρίβεια μιας πολιτικής απόφασης.
Η τεχνητή νοημοσύνη (τεχνητή νοημοσύνη εν συντομία, AI - συστήματα υπολογιστών που μπορούν να παράγουν κείμενο και κώδικα όπως οι άνθρωποι, να αναγνωρίζουν μοτίβα, να συνοψίζουν δεδομένα και να γράφουν σχόλια· η πιο χρησιμοποιούμενη μορφή σήμερα είναι μεγάλα γλωσσικά μοντέλα, δηλαδή συστήματα που εκπαιδεύονται σε τεράστιο κείμενο και δημιουργούν προτάσεις προβλέποντας την επόμενη λέξη) βρίσκεται ακριβώς στη μέση αυτού του πίνακα. Όταν χρησιμοποιείται σωστά, μειώνει τις ώρες κώδικα καθαρισμού δεδομένων σε λεπτά, σας υπενθυμίζει τη σύνταξη μιας σύνθετης στατιστικής δοκιμής ή συντάσσει την ερμηνεία ενός συντελεστή. Όταν χρησιμοποιείται λανθασμένα, παρουσιάζει ως «εύρημα» έναν φαινομενικά σίγουρο αλλά εντελώς κατασκευασμένο αριθμό, μια ψευδή σημασία ή μια μη αιτιολογική σχέση.
Αυτή η πρώτη ενότητα δεν είναι μια εισαγωγή λογισμικού. Σκοπός του είναι να διευκρινίσει πού να τοποθετήσετε την τεχνητή νοημοσύνη στην εμπειρική ροή εργασίας σας και πού να μην την τοποθετήσετε ποτέ. Η Οικονομετρία είναι ένα πεδίο "κρίσιμο για τη μέθοδο" και έμμεσα "κρίσιμο για τις αποφάσεις": ο συντελεστής ενός μοντέλου που δημιουργείτε μπορεί να είναι η συμβολή στην απόφαση μιας κεντρικής τράπεζας για τα επιτόκια, στην αλλαγή πολιτικής μιας ρυθμιστικής αρχής ή στην επένδυση εκατομμυρίων δολαρίων μιας επιχείρησης. Ας διατυπώσουμε τη βασική αρχή από την αρχή: Η τεχνητή νοημοσύνη είναι βοηθός ανάλυσης, όχι ερευνητής. Η ευθύνη και η τελική έγκριση της επιλογής μοντέλου, της στρατηγικής προσδιορισμού, της διαβεβαίωσης της αιτιότητας, της δημοσίευσης και των αποφάσεων πολιτικής ανήκει στον αρμόδιο εμπειρογνώμονα.
Επίπεδα της εμπειρικής ροής εργασίας και η θέση του AI
Είναι χρήσιμο να χωρίσουμε μια εμπειρική μελέτη σε τρία επίπεδα. Το επίπεδο εκτέλεσης είναι η καθημερινή τεχνική εργασία: κώδικας καθαρισμού δεδομένων, σχέδιο γραφήματος, μορφοποίηση πίνακα, αποσφαλμάτωση σύνταξης. Το επίπεδο της μεθόδου είναι η αναλυτική απόφαση: ποιο μοντέλο, ποια στρατηγική αναγνώρισης, ποια δοκιμή, ποιος έλεγχος παραδοχών. Το επίπεδο ερμηνείας και απόφασης είναι το νόημα των ευρημάτων: τι λέει ο συντελεστής, είναι αιτιώδης, τι σημαίνει για την πολιτική, εάν δημοσιευθεί. Το AI αγγίζει και τα τρία επίπεδα, αλλά με διαφορετική εξουσία σε καθένα. Στο επίπεδο εκτέλεσης, το AI συντάσσει γρήγορα και δημιουργεί κώδικα. Στο επίπεδο ερμηνείας και απόφασης, δίνεται μόνο εισαγωγή και ο ειδικός παίρνει την απόφαση.
Ας ορίσουμε μερικούς βασικούς όρους από την αρχή. Η Οικονομετρία είναι ο κλάδος που αναλύει οικονομικά και κοινωνικά δεδομένα με στατιστικές μεθόδους και μετρά τις σχέσεις. Η παλινδρόμηση είναι μια μέθοδος που μοντελοποιεί αριθμητικά τη σχέση μιας μεταβλητής αποτελέσματος (εξαρτημένη μεταβλητή) με μία ή περισσότερες επεξηγηματικές μεταβλητές (ανεξάρτητες μεταβλητές). Ο συντελεστής είναι ο αριθμός που δείχνει με πόσες μονάδες μεταβολής κατά μέσο όρο συσχετίζεται μια μεταβολή μιας μονάδας σε μια επεξηγηματική μεταβλητή στη μεταβλητή αποτελέσματος. Η τιμή p είναι η πιθανότητα ότι το παρατηρούμενο αποτέλεσμα (ή ένα πιο ακραίο αποτέλεσμα) θα προέκυπτε τυχαία όταν δεν υπάρχει στην πραγματικότητα κανένα αποτέλεσμα. Θα εξηγήσουμε αυτές τις έννοιες μία προς μία στις ακόλουθες ενότητες. Προς το παρόν, να ξέρετε αυτό: Σε όλα αυτά, η τεχνητή νοημοσύνη σας δίνει το σχέδιο, τον κώδικα και την εξήγηση, αλλά δεν λαμβάνει επιστημονικές αποφάσεις.
Ο παρακάτω πίνακας συνοψίζει τον ρόλο και το επίπεδο κινδύνου της τεχνητής νοημοσύνης ανά αποστολή:
Αναζήτηση
Ο ρόλος της AI
Επίπεδο κινδύνου
Ποιος εγκρίνει
Σύνταξη κώδικα απολύμανσης δεδομένων
γεννήτρια κώδικα
χαμηλά
Ο ίδιος ο αναλυτής (με δοκιμή κώδικα)
Προσχέδιο γραφήματος/πίνακα
γεννήτρια σκίτσων
χαμηλά
αναλυτής
Υπενθύμιση σύνταξης δοκιμής/μοντέλου
Βοηθός αναφοράς
χαμηλός-μεσαίος
αναλυτής
Σχέδιο ερμηνείας συντελεστών
συντάκτης σχεδίων
μεσαίο
οικονομετρολόγος
Επιλογή στρατηγικής μοντέλου/ταυτοποίησης
βοηθητική είσοδος
ψηλά
ειδικός ερευνητής
Αιτιώδης αξίωση
Μόνο ένα προσχέδιο, ποτέ η τελευταία λέξη
πολύ ψηλά
Εμπειρογνώμονας + αξιολόγηση από ομοτίμους
Δημοσίευση/πολιτική απόφαση
μόνο εισαγωγή
πολύ ψηλά
Υπεύθυνος ερευνητής/ίδρυμα
Λάβετε υπόψη τη μία γραμμή σε αυτόν τον πίνακα: καθώς αυξάνεται ο κίνδυνος, ο ρόλος της τεχνητής νοημοσύνης συρρικνώνεται και η έγκριση των ειδικών μεγαλώνει.
Γιατί η "επαλήθευση" είναι η καρδιά αυτής της επιχείρησης
Τα γλωσσικά μοντέλα φαίνονται σίγουροι για την απάντησή τους, αλλά μπορεί να μην είναι σίγουροι. Στην τεχνική γλώσσα, αυτό ονομάζεται ψευδαίσθηση: είναι η κατασκευή από το μοντέλο για ανύπαρκτες πληροφορίες σε μια ευχάριστη πρόταση, σαν να ήταν αληθινή. Για έναν οικονομέτρη, αυτή είναι μια θανατηφόρα παγίδα. Το μοντέλο μπορεί να σας δώσει έναν ακριβή αριθμό όπως "Η συσχέτιση μεταξύ ανεργίας και πληθωρισμού στην Τουρκία μεταξύ 2015-2020 είναι 0,62". Ωστόσο, δεν έχει δει ποτέ τα δεδομένα σας και αυτός ο αριθμός είναι εντελώς κατασκευασμένος. Ή μπορεί να πει, "Η τιμή p της λευκής δοκιμής ήταν 0,03". ενώ δεν έκανε καμία δοκιμή. Μπορεί να καλέσει μια συνάρτηση R με ένα όρισμα που στην πραγματικότητα δεν υπάρχει. Τραγουδάει και τα τρία με την ίδια ευχέρεια. Το μόνο πράγμα που διαχωρίζει το σωστό από το λάθος είναι οι γνώσεις σας και η συνήθειά σας να επαληθεύετε.
Η πειθαρχία επαλήθευσης αποτελείται από τρία βήματα:
- Επανυπολογισμός / εκτέλεση στο δικό σας περιβάλλον: Υπολογίστε κάθε αριθμό, αναλογία, αποτέλεσμα δοκιμής και συντελεστή που δίνεται από το AI στο R/Python με τα δικά σας δεδομένα, όχι από τη μνήμη του AI. Χρησιμοποιήστε το AI για να γράψετε τον κώδικα, όχι για να θυμάστε το αποτέλεσμα. Εκτελέστε τον κώδικα, παράγετε την έξοδο.
- Σύνδεσμος με την πηγή: Βασιστείτε σε σχολικά βιβλία, άρθρα μεθόδων και επίσημα έγγραφα για κανόνες μεθόδων, τύπους και ορισμούς. Επιβεβαιώστε τη δήλωση του AI "η υπόθεση αυτής της δοκιμής είναι" με μια αξιόπιστη πηγή.
- Στατιστικό φίλτρο: Ελέγξτε με μάτια ειδικών εάν η έξοδος έρχεται σε αντίθεση με τη στατιστική λογική (υποθέσεις, δείγμα, μέγεθος εφέ, αβεβαιότητα). Απορρίψτε ένα «ουσιαστικό αλλά παράλογο» αποτέλεσμα.
Προσοχή: Η τοποθέτηση ενός συντελεστή, δοκιμής ή ερμηνείας που δημιουργείται από την τεχνητή νοημοσύνη σε ένα άρθρο, διατριβή ή σημείωμα πολιτικής χωρίς την επικύρωσή του είναι σαν να δημοσιεύετε ένα εύρημα που δεν έχει ελεγχθεί. Ακριβώς επειδή η έξοδος είναι ρευστή δεν είναι αλήθεια. Ακριβώς επειδή ο αριθμός φαίνεται σίγουρος, δεν είναι πραγματικός.
Απόρρητο: τα μικροδεδομένα και τα αδειοδοτημένα δεδομένα προστατεύονται ιδιωτικά
Τα μικροδεδομένα (μεμονωμένα αρχεία σε ατομικό, νοικοκυριό, επιχείρηση ή επίπεδο ασθενούς) χρησιμοποιούνται συχνά στην οικονομετρία. Τα περισσότερα από αυτά τα δεδομένα είναι προσωπικά δεδομένα και προστατεύονται βάσει του KVKK (Νόμος για την Προστασία Δεδομένων Προσωπικού Χαρακτήρα) στην Τουρκία και του GDPR στην Ευρώπη. Επιπλέον, η TurkStat, οι κεντρικές τράπεζες, οι πάροχοι δεδομένων πάνελ και οι εμπορικές πηγές παρέχουν συχνά δεδομένα με συμφωνία χρήσης δεδομένων. Αυτές οι συμφωνίες απαγορεύουν τη μεταφορά δεδομένων σε τρίτους. Η επικόλληση ενός πίνακα που περιέχει πληροφορίες ταυτότητας, εισόδημα, υγεία ή εταιρικά μυστικά σε ένα δημόσιο εργαλείο συνομιλίας AI αποτελεί παραβίαση KVKK/GDPR και παραβίαση σύμβασης. επειδή τα δεδομένα πηγαίνουν σε εξωτερικό διακομιστή και μπορούν να χρησιμοποιηθούν στην εκπαίδευση μοντέλων σε ορισμένα εργαλεία.
Ο κανόνας είναι απλός: κρατήστε τα δεδομένα στο δικό τους ασφαλές περιβάλλον, ζητήστε από το AI μόνο κώδικα και μεθόδους. Η ιδανική ροή εργασίας είναι η εξής: ζητήστε από το AI τον κωδικό ανάλυσης, εκτελείτε τον κώδικα με τα πραγματικά δεδομένα στον δικό σας υπολογιστή/επιχειρησιακό διακομιστή. Εάν πρέπει πραγματικά να μοιραστείτε δεδομένα, κάντε ανωνυμοποίηση (αφαίρεση πεδίων αναγνωριστικού), συγκεντρώστε (μέσος όρος/μέτρηση αντί για μεμονωμένα) και επιλέξτε εργαλεία που είναι θεσμικά, έχουν συμφωνία επεξεργασίας δεδομένων και δεν χρησιμοποιείτε τα δεδομένα σας στην εκπαίδευση.
τρεις μίνι θήκες
Περίπτωση 1 — Ασφαλής και αποτελεσματική χρήση. Ένας ερευνητής αφιέρωσε αρχικά 6 ώρες για να καθαρίσει χειροκίνητα 40.000 σειρές δεδομένων οικιακού προϋπολογισμού. Χωρίς να μοιραστεί καθόλου τα δεδομένα, απλώς περιέγραψε τα ονόματα και τη δομή των μεταβλητών στο AI και ζήτησε έναν κωδικό καθαρισμού. Το AI δημιούργησε ένα σενάριο R. Ο ερευνητής έτρεξε τον κώδικα στο δικό του περιβάλλον, έλεγξε τον αριθμό των γραμμών και τα συνοπτικά στατιστικά στοιχεία κάθε βήματος και διόρθωσε δύο λογικά σφάλματα. Διάρκεια: 70 λεπτά αντί για 6 ώρες. Τα δεδομένα δεν έσβησαν ποτέ. Η ευθύνη έμεινε στον ερευνητή.
Περίπτωση 2 — Μη επαληθευμένη παγίδα αριθμών. «Ποια είναι η ελαστικότητα μεταξύ της αύξησης του ΑΕΠ και των άμεσων ξένων επενδύσεων», ρώτησε ένας μεταπτυχιακός φοιτητής στο AI. Το AI έδωσε με σιγουριά έναν αριθμό "περίπου 0,34" παρόλο που δεν είχε πρόσβαση σε δεδομένα. Ο μαθητής το έγραψε αυτό στην περίληψη της βιβλιογραφίας. Όταν ο σύμβουλός του ρώτησε για την πηγή, αποδείχθηκε ότι ο αριθμός δεν είχε βάση και ήταν εντελώς κατασκευασμένος. Λάθος: Αναμένουμε συγκεκριμένα στατιστικά στοιχεία από την τεχνητή νοημοσύνη χωρίς να δίνουμε δεδομένα και πόρους σε αυτήν.
Περίπτωση 3 — Εμπιστευτικότητα και αθέτηση σύμβασης. Ένας αναλυτής ανέβασε το Excel, το οποίο έλαβε από ένα πάνελ εταιρείας με άδεια, το οποίο περιείχε την επωνυμία και τον κύκλο εργασιών της εταιρείας, σε ένα δημοσίως διαθέσιμο εργαλείο τεχνητής νοημοσύνης και είπε "κάντε παλινδρόμηση πίνακα". Η σύμβαση του παρόχου δεδομένων απαγόρευε τη μεταφορά δεδομένων σε συστήματα τρίτων. Το περιστατικό οδήγησε σε έλεγχο συμμόρφωσης. Ο σωστός τρόπος ήταν να αντικαταστήσετε τα ονόματα των εταιρειών με ανώνυμους κωδικούς ή να μην μοιραστείτε δεδομένα και να ζητήσετε μόνο τον κωδικό παλινδρόμησης του πίνακα και να τον εκτελέσετε στο δικό του περιβάλλον.
Αδύναμη προτροπή / Ισχυρή προτροπή
Αδύναμη προτροπή:
Αναλύστε τη σχέση πληθωρισμού και ανεργίας και αναφέρετε τον συντελεστή.
Αυτός ο ισχυρισμός είναι λάθος: Δεν δόθηκαν δεδομένα στην AI, δεν είναι σαφές ποια χώρα, ποια περίοδος, ποιο μοντέλο. Το AI μπορεί να απαντήσει μόνο με έναν κατασκευασμένο συντελεστή.
Ισχυρή προτροπή:
Ο ρόλος σας: είστε βοηθός ανάλυσης που βοηθά τον ερευνητή οικονομετρίας. ΔΕΝ μοιράζομαι τα δεδομένα μαζί σας. Θέλω απλώς τον κωδικό RUNNABLE R. Έχω ετήσιο πάνελ: μεταβλητές χώρα, έτος, ανεργία, πληθωρισμός (όλα αριθμητικά). Εργασία: 1) γράψτε έναν κωδικό παλινδρόμησης πάνελ σταθερών επιπτώσεων για την ανεργία ~ πληθωρισμό (πακέτο plm), 2) εξηγήστε κάθε βήμα στον κώδικα με μια γραμμή σχολίου, 3) σημειώστε ότι ο συντελεστής πρέπει να ερμηνευτεί ως σχεσιακός, όχι ως ΑΙΤΙΑΤΙΚΟς, 4) δημιουργήστε το όρισμα συνάρτησης για το οποίο δεν είστε σίγουροι. Θα τρέξω και θα επαληθεύσω το αποτέλεσμα στο δικό μου περιβάλλον.
Σε αυτό το αίτημα δεν κοινοποιούνται δεδομένα, είναι σαφής ο ρόλος, τα πακέτα, η προσδοκία σχολίων και η απαγόρευση της «κατασκευής». Εξακολουθείτε να τρέχετε και να επαληθεύετε μόνοι σας την έξοδο.
Ο παρακάτω πίνακας συνοψίζει τους κανόνες μιας πρότασης σε αυτό το μάθημα:
αρχή
Τι σημαίνει αυτό
Το AI είναι βοηθός
Η επιστημονική απόφαση και ευθύνη ανήκει στον ειδικό
Ζητήστε τον κωδικό, δημιουργήστε το αποτέλεσμα
Το AI δεν θυμάται τον αριθμό. το τρέχεις και υπολογίζεις
κρατήστε δεδομένα
Τα δεδομένα μικρο/αδειοδότησης δεν φεύγουν από το ασφαλές περιβάλλον
επαληθεύστε
Κάθε ζήτημα, κωδικός, σχόλιο ελέγχεται. η κατασκευή απορρίπτεται
Συνήθη λάθη
- Αναμένοντας συγκεκριμένα στατιστικά στοιχεία από την τεχνητή νοημοσύνη χωρίς να δίνονται δεδομένα. Το μοντέλο δεν έχει πρόσβαση στα δεδομένα. Ο συντελεστής, η συσχέτιση και η τιμή p που δίνει είναι ψευδείς. Πάντα να ζητάτε τον κωδικό και να παράγετε μόνοι σας το αποτέλεσμα.
- Βασιζόμενος σε παραισθησιογόνες λειτουργίες. Το AI μπορεί να προτείνει μια συνάρτηση ή όρισμα R/Python που δεν υπάρχει. Μην αποδεχτείτε τον κωδικό χωρίς να τον εκτελέσετε και να τον επαληθεύσετε.
- Μεταφόρτωση μικροδεδομένων σε δημόσιο εργαλείο. Είναι παραβίαση του KVKK/GDPR και της συμφωνίας χρήσης δεδομένων. Ανωνυμοποιήστε δεδομένα ή μην τα κοινοποιήσετε καθόλου.
- Λάθος της ευχέρειας για την ακρίβεια. Μια καλογραμμένη κριτική μπορεί να είναι ανακριβής. Η ομορφιά της πρότασης δεν είναι απόδειξη.
- Αποδοχή αιτιολογικής γλώσσας χωρίς έλεγχο. Ο YZ λέει συχνά «Το X αυξάνει το Y». ενώ οι περισσότερες παλινδρομήσεις δείχνουν μόνο σχέσεις. Υπερασπίσου την αιτιώδη αξίωση με σχέδιο.
Συμβουλή: Όταν εργάζεστε με τεχνητή νοημοσύνη, κάντε την εξής ερώτηση: "Εάν ένας διαιτητής ή ελεγκτής ζητήσει αυτό το αποτέλεσμα, μπορώ να δείξω την πηγή και τον λογαριασμό;" Εάν η απάντηση είναι όχι, η έξοδος δεν είναι ακόμη έτοιμη για χρήση.
Συνοπτικά
Η τεχνητή νοημοσύνη παρέχει μια πραγματική και τεράστια επιτάχυνση στο επίπεδο εκτέλεσης (κώδικας, καθαρισμός, γράφημα, προσχέδιο) της ροής εργασιών οικονομετρίας και στατιστικής. Ωστόσο, η επιλογή μοντέλου, η αιτιότητα, η ερμηνεία, η δημοσίευση και οι αποφάσεις πολιτικής ανήκουν στον ειδικό. Τρεις βασικοί κανόνες: μην υπενθυμίζετε τον αριθμό στο AI, ζητήστε τον κωδικό και δημιουργήστε και επαληθεύστε μόνοι σας το αποτέλεσμα. Μην αφαιρείτε μικρο/αδειοδοτημένα δεδομένα από το ασφαλές περιβάλλον. στατιστικό φιλτράρισμα κάθε εξόδου. Ένα μη επαληθευμένο αποτέλεσμα τεχνητής νοημοσύνης είναι εξίσου επικίνδυνο με ένα μη ελεγμένο εύρημα.
Εργασία εφαρμογής
Εξετάστε το δικό σας (ή ένα παράδειγμα) σύνολο δεδομένων. Ρωτήστε το AI για κώδικα R ή Python που παράγει περιγραφικά στατιστικά στοιχεία και ένα απλό γράφημα, περιγράφοντας απλώς τη δομή της μεταβλητής, χωρίς να μοιράζεστε τα δεδομένα. Εκτελέστε τον εισερχόμενο κωδικό στο δικό σας περιβάλλον. Στη συνέχεια, κρατήστε μια λίστα ελέγχου: (1) ο κώδικας εκτελέστηκε χωρίς σφάλματα, (2) είναι ο αριθμός των γραμμών/παρατηρήσεων όπως περιμένατε, (3) ποιες από τις προτάσεις σχολίων του AI χρησιμοποιεί αιτιολογική γλώσσα και πρέπει να διορθωθεί. Σε μια παράγραφο, γράψτε για τον χρόνο που σας έσωσε η τεχνητή νοημοσύνη και τουλάχιστον ένα σφάλμα που εντοπίσατε.
λίστα ελέγχου
- [ ] Δεν έβαλα την τεχνητή νοημοσύνη να ζητήσει συγκεκριμένα στατιστικά στοιχεία. Ζήτησα τον κωδικό και έβγαλα το αποτέλεσμα μόνος μου.
- [ ] Υπολόγισα ξανά κάθε αριθμό και αποτέλεσμα δοκιμής που έδωσε στο δικό μου περιβάλλον.
- [ ] Επιβεβαίωσα ότι οι συναρτήσεις/ορίσματα που χρησιμοποιεί υπάρχουν στην πραγματικότητα.
- [ ] Δεν ανέβασα μικρο/προσωπικά/με άδεια χρήσης δεδομένα σε δημόσιο εργαλείο.
- [ ] Σημείωσα τα σχόλια που περιέχουν αιτιολογική γλώσσα και τα μετέφεραν στη σχεσιακή γλώσσα.
- [ ] Μπορώ να δείξω την πηγή και τη λογιστική της παραγωγής σε έναν ελεγκτή.