એન્ડ-ટુ-એન્ડ વર્કફ્લો, ગવર્નન્સ અને જવાબદાર ઉપયોગ

નફો:

• છ માનવ ચકાસણી ગેટ સાથે એપ્લિકેશનથી બંધ થવા સુધીના દરેક તબક્કે AI ને સતત એમ્બેડ કરવાની ક્ષમતા
• મંજૂર સાધનોની સૂચિ, ડેટા નીતિ, ભૂમિકાઓ, નોંધણી, તાલીમ અને ચાલુ સમીક્ષા સાથે કોર્પોરેટ ગવર્નન્સ ફ્રેમવર્ક સ્થાપિત કરવાની ક્ષમતા
• વર્કફ્લોમાં માનવ જવાબદારી, ચકાસણી, ગોપનીયતા/KVKK, પુરાવાનું પાલન, પૂર્વગ્રહ નિયંત્રણ અને ક્લાયંટ-કેન્દ્રિતતાના સિદ્ધાંતોને એમ્બેડ કરવાની ક્ષમતા

આ સમગ્ર મોડ્યુલમાં, અમે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કેવી રીતે કરવો અને તેને સામાજિક કાર્યના વિવિધ કાર્યોમાં ક્યાં રોકવું - દસ્તાવેજીકરણ, મૂલ્યાંકન, જોખમ સહાય, રેફરલ, પ્લાન, રિપોર્ટ, સંચાર, પ્રોગ્રામ ડિઝાઇનને આવરી લીધું છે. આ અંતિમ એકમમાં, અમે ટુકડાઓ એકસાથે મૂકીએ છીએ: જ્યાં AI એપ્લીકેશનથી લઈને કેસના બંધ થવા સુધીના અંત સુધી બેસે છે, જે માનવ ચકાસણી દરવાજો દરેક તબક્કે અટકે છે, અને અમે સંસ્થામાં ટકાઉ રહેવા માટે આ માટે જરૂરી ગવર્નન્સ ફ્રેમવર્ક સ્થાપિત કરીશું. ધ્યેય વેરવિખેર ટીપ્સને સતત અને પુનરાવર્તિત કાર્ય શિસ્તમાં ફેરવવાનો છે.

શરૂઆતથી એકીકૃત સિદ્ધાંત: AI એ વર્કફ્લોના દરેક પગલા પર એક પ્રવેગક છે, કોઈપણ પગલા પર નિર્ણય લેનાર નથી. દરેક તબક્કે એક માનવ દરવાજો હોય છે, અને તમે એક દરવાજામાંથી પસાર થયા વિના બીજા પર જઈ શકતા નથી. આ સ્તરીય માળખું એક આભાસ, પૂર્વગ્રહ અથવા ગોપનીયતા ભૂલને ગ્રાહકના જીવનને અસર કરતા નિર્ણયમાં પ્રવેશતા અટકાવે છે.

અંત-થી-અંત પ્રવાહ અને છ માનવ દરવાજા

ચાલો એક કેસને તેના લાક્ષણિક તબક્કાઓ દ્વારા ધ્યાનમાં લઈએ અને દરેક તબક્કે ચકાસણી ગેટ મૂકીએ:

1. અરજી / પ્રથમ સંપર્ક — દ્વાર: ગોપનીયતા. જ્યારે પ્રથમ માહિતી આવે છે, ત્યારે AI નો ઉપયોગ ઇન્ટરવ્યુની તૈયારી માટે થાય છે (માર્ગદર્શિકા, પ્રશ્ન ફ્રેમ). દરવાજો: કોઈ વાસ્તવિક ક્લાયન્ટ ડેટા ઓપન ટૂલમાં પ્રવેશતો નથી; વર્ગ, મેચ વાહન માટે પૂછો.

2. આકારણી — ગેટ: ક્લિનિકલ જજમેન્ટ. AI નોંધોને બાયોસાયકોસોશ્યલ પરિમાણોમાં ગોઠવે છે અને ખામીઓ અને શક્તિઓની યાદ અપાવે છે. ડોર: નિદાન અને મૂલ્યાંકન નિષ્ણાતનું છે; AI મૂલ્યાંકન કરતું નથી.

3. જોખમ — ડોર: ઓથોરિટી અને ટીમ. AI જોખમ/રક્ષણાત્મક પરિબળોની યાદ અપાવે છે અને સુરક્ષા યોજનાનું હાડપિંજર બનાવે છે. ડોર: જોખમનો નિર્ણય નિષ્ણાત, ટીમ, દેખરેખ અને કાનૂની પ્રક્રિયા દ્વારા જ લેવામાં આવે છે; AI સ્કોર્સ/નિર્ણયો ઉત્પન્ન કરતું નથી.

4. આયોજન અને માર્ગદર્શન — દ્વાર: માન્યતા અને ગ્રાહક. AI લક્ષ્યોને SMART માં મૂકે છે, સંસાધન વિચારો અને લેટર ડ્રાફ્ટ્સ જનરેટ કરે છે. દરવાજો: ક્લાયન્ટ લક્ષ્યો નક્કી કરે છે; સેવા/સરનામું/શરત સત્તાવાર સ્ત્રોતમાંથી ચકાસવામાં આવે છે.

5. અહેવાલ અને સંદેશાવ્યવહાર — ડોર: પુરાવા અને જવાબદારી. AI અહેવાલની રચના કરે છે, ટેક્સ્ટને સરળ બનાવે છે અને અનુવાદ કરે છે. દરવાજો: દરેક કેસ પુરાવા પર આધાર રાખે છે, અભિપ્રાય નિષ્ણાતનો છે, મહત્વપૂર્ણ માહિતીની ખોટ અને પૂર્વગ્રહ તપાસવામાં આવે છે, હસ્તાક્ષર વ્યક્તિમાં છે.

6. બંધ અને સોંપણી — ગેટ: ચોકસાઈ. YZ કાલક્રમિક રીતે ફાઇલનો સારાંશ આપે છે. ડોર: સારાંશ ફક્ત રેકોર્ડ પર આધારિત છે; પરિણામો અને શિક્ષણ નિષ્ણાત દ્વારા ચકાસવામાં આવે છે.

ટીપ: દરવાજા યાદ રાખવા માટે એક જ પ્રશ્નનો ઉપયોગ કરો: "આ પગલામાં, શું AI નિર્ણય લે છે કે સ્કેચ બનાવે છે?" જો જવાબ "નિર્ણય" છે, તો રોકો - તે પગલું માનવનું છે. જો જવાબ "ડ્રાફ્ટ" છે, તો ચાલુ રાખો, પરંતુ આઉટપુટની ચકાસણી કર્યા વિના આગલા પગલા પર ન જશો.

કોર્પોરેટ ગવર્નન્સ: વ્યક્તિગત શિસ્ત પૂરતી નથી

નિષ્ણાતની સારી ટેવો મૂલ્યવાન છે પરંતુ નાજુક છે; સંસ્થામાં AI ના સુરક્ષિત અને સાતત્યપૂર્ણ ઉપયોગ માટે ગવર્નન્સ ફ્રેમવર્ક જરૂરી છે. આ ફ્રેમવર્કના મુખ્ય ઘટકો છે:

• માન્ય વાહન યાદી. કયા ટૂલનો ઉપયોગ કયા કામ માટે કરવામાં આવશે અને કયા ટૂલમાં કયો ડેટા દાખલ કરી શકાય તે લખેલું અને સ્પષ્ટ છે. "દરેક વ્યક્તિએ ગમે તે સાધનનો ઉપયોગ કરવો જોઈએ" એ સુરક્ષાની નબળાઈ છે.
• ડેટા વર્ગીકરણ નીતિ. તે વ્યાખ્યાયિત કરવામાં આવે છે કે ઓપન ટૂલમાં કયા ડેટા પર પ્રક્રિયા કરવામાં આવશે અને જે ફક્ત સુરક્ષિત સિસ્ટમમાં જ પ્રક્રિયા કરવામાં આવશે.
• ભૂમિકા અને સત્તા. તે સ્પષ્ટ છે કે કોણ શું કરી શકે છે અને કયો નિર્ણય કઈ સત્તા (ખાસ કરીને જોખમના નિર્ણયો) પર આધાર રાખે છે.
• લોગ અને ઓડિટ ટ્રેઇલ. AI ક્યાં અને કેવી રીતે વપરાય છે તેનું નિરીક્ષણ કરી શકાય છે; જ્યારે કોઈ સમસ્યા હોય ત્યારે તે પાછળ જોઈ શકાય છે.
• શિક્ષણ અને જાગૃતિ. દરેક કર્મચારી આ મોડ્યુલના સિદ્ધાંતો જાણે છે; નવોદિત પ્રશિક્ષિત છે.
• સતત સમીક્ષા. સાધનો, જોખમો અને કાયદામાં ફેરફાર; ફ્રેમવર્ક નિયમિતપણે અપડેટ થાય છે. પોલિસી એકવાર લખાઈ જાય અને ભૂલી જાય તે અપ્રચલિત થઈ જાય છે.

ત્રણ નાના કેસો

કેસ 1 — દરવાજાએ સાંકળની શરૂઆતમાં બગ પકડ્યો. એક કિસ્સામાં, AI એ એક અવલોકન ઉમેર્યું જેનો ક્લાયંટે મૂલ્યાંકનના તબક્કા દરમિયાન ઉલ્લેખ કર્યો ન હતો. "ક્લિનિકલ જજમેન્ટ" ના ગેટ પર નિષ્ણાતે આને પકડ્યું અને તેને કાઢી નાખ્યું. જો તે પકડાયો ન હોત, તો આ બનાવટી અવલોકન યોજનામાં લીક થઈ શક્યું હોત, ત્યાંથી રિપોર્ટ અને ત્યાંથી કોર્ટના નિર્ણયમાં. સ્તરીય પ્રમાણીકરણે પ્રારંભિક બિંદુએ ભૂલ અટકાવી.

કેસ 2 - શાસને ભંગ અટકાવ્યો. એક સંસ્થા માન્ય ટૂલ લિસ્ટ અને ડેટા પોલિસી વગર કામ કરતી હતી; દરેક વ્યક્તિ પોતાના વાહનનો ઉપયોગ કરી રહ્યો હતો. ઓડિટમાં જાણવા મળ્યું છે કે ઘણા કર્મચારીઓ વાસ્તવિક ક્લાયન્ટ ડેટાને ખુલ્લા સાધનોમાં દાખલ કરી રહ્યા હતા. સંસ્થાએ ગવર્નન્સ ફ્રેમવર્કની સ્થાપના કરી છે: માન્ય સાધનો, ડેટા વર્ગીકરણ, તાલીમ અને નોંધણી. નીચેના સમયગાળામાં, ઉલ્લંઘનની સંખ્યા ઘટીને શૂન્ય થઈ ગઈ. પાઠ: સંસ્થાકીય માળખા વિના વ્યક્તિગત સદ્ભાવના પૂરતી નથી.

કેસ 3 - સતત સમીક્ષા અપ ટુ ડેટ રાખવામાં આવી છે. એક સંસ્થાની AI નીતિ, જે એક વર્ષ પહેલા લખવામાં આવી હતી, તે નવા પ્રકારનાં ટૂલ અને અપડેટ કરાયેલા કાયદાને કારણે જૂની થઈ ગઈ હતી. વાર્ષિક સમીક્ષાએ આ કબજે કર્યું; નીતિ અપડેટ કરવામાં આવી હતી, તાલીમનું નવીકરણ કરવામાં આવ્યું હતું. ફ્રેમ એક જીવંત દસ્તાવેજ રહી, શેલ્ફનું આભૂષણ નહીં.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

1) કેસ ફ્લો વેરિફિકેશન ગેટ ચેકલિસ્ટ:

તમારી ભૂમિકા: સુપરવાઇઝર. મને નીચેના કેસ સ્ટેપ માટે માન્યતા ચેકલિસ્ટ મળે છે: આ પગલામાં AI ડ્રાફ્ટ શું કરી શકે છે, કયો નિર્ણય જરૂરી માનવીય છે, કઈ ગોપનીયતા અને પૂર્વગ્રહની તપાસ થવી જોઈએ, આગલા પગલા પર જતા પહેલા મારે શું ચકાસવું જોઈએ? પગલું: [અરજી / આકારણી / જોખમ / યોજના / અહેવાલ / બંધ]

2) પુષ્ટિ થયેલ વાહન મેચિંગ:

નીચે આપેલી દરેક કાર્ય સૂચિ માટે, ઉપયોગ કરી શકાય તેવા AI ટૂલનો પ્રકાર સ્પષ્ટ કરો (ઓપન ટૂલ / સુરક્ષિત એન્ટરપ્રાઇઝ સિસ્ટમ ફક્ત / કોઈ AI ઉપલબ્ધ નથી) અને વાજબીપણું. ક્લાયંટ ડેટા ધરાવતા દરેક કાર્યને "ફક્ત સુરક્ષિત સિસ્ટમ" તરીકે ચિહ્નિત કરો. કાર્યો: [કાર્યોની સૂચિ]

3) કોર્પોરેટ AI પોલિસી ડ્રાફ્ટ:

તમારી ભૂમિકા: કોર્પોરેટ નીતિ સંપાદક. સામાજિક સેવા એજન્સી માટે જવાબદાર AI ઉપયોગ નીતિનો મુસદ્દો તૈયાર કરો; નીચેના વિષયોને આવરી લો: હેતુ, મંજૂર સાધનો, ડેટા વર્ગીકરણ, ભૂમિકાઓ અને અધિકૃતતાઓ, ગોપનીયતા/KVKK, જોખમ નિર્ણય મર્યાદા, રેકોર્ડિંગ અને ઑડિટિંગ, તાલીમ, સમીક્ષા શેડ્યૂલ. સામાન્ય માળખું સેટ કરો; સંસ્થા પોતાની વિગતો ભરશે.

4) સ્વ-નિયમન (વ્યક્તિગત ઉપયોગની સમીક્ષા):

સામાજિક કાર્યકર તરીકે AI ના મારા ઉપયોગની સમીક્ષા કરવા માટે મારા માટે 10 પ્રશ્નોની સ્વ-ચેકલિસ્ટ બનાવો: ગોપનીયતા, ચકાસણી, પૂર્વગ્રહ, પુરાવાની વફાદારી, નિર્ણય મર્યાદા અને ક્લાયન્ટ-કેન્દ્રિતતા. દરેક પ્રશ્નનો જવાબ "હા/ના" સાથે આપવા દો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

હું તમને આ સમગ્ર કેસ આપું છું; તમે અરજીથી લઈને રિપોર્ટ સુધીનું બધું જ સંભાળો, હું ફક્ત અંતે સહી કરીશ.

આ સમગ્ર પ્રક્રિયાનું આઉટસોર્સિંગ કરી રહ્યું છે - જેમાં ગોપનીયતા, ક્લિનિકલ જજમેન્ટ, રિસ્ક જજમેન્ટ, પુરાવાનું પાલન-સૉફ્ટવેરનો સમાવેશ થાય છે. અંતમાં એકલ હસ્તાક્ષર અમને વચ્ચેની બધી ભૂલો, બનાવટ અને પૂર્વગ્રહોથી અંધ કરે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સંપાદક જે મને દરેક પગલામાં મદદ કરે છે. હું સ્ટેપ બાય સ્ટેપ કેસ સાથે આગળ વધીશ (મૂલ્યાંકન, યોજના, રિપોર્ટ...). દરેક પગલા પર: ફક્ત અનામી/સુરક્ષિત ડેટા સાથે જ કામ કરો, ડ્રાફ્ટ બનાવો, મને નક્કી કરવા દો, નોંધમાં જે નથી તે ઉમેરશો નહીં, અને આગલા પગલા પર જતા પહેલા મારે શું ચકાસવાની જરૂર છે તે મને યાદ કરાવો. ચાલો આ પગલાથી શરૂઆત કરીએ: [પગલું]

તફાવત: દરેક પગલા પર દરવાજાની રક્ષા કરવી અને AI ને સ્ટેપ-બાય-સ્ટેપ આસિસ્ટન્ટ તરીકે સ્થાન આપવું એ ઝડપ જાળવી રાખતી વખતે સલામતી અને જવાબદારી માનવને જાળવી રાખે છે.

સ્ટેજ-ગેટ-જવાબદારીનો સારાંશ

સ્ટેજ

AIનું યોગદાન

માનવ દરવાજો

જટિલ નિયંત્રણ

અરજી

ઇન્ટરવ્યૂની તૈયારી

ગોપનીયતા

ડેટા વર્ગ

મૂલ્યાંકન

કદ સંપાદન

ક્લિનિકલ ચુકાદો

કોઈ નિદાન નથી, કોઈ બનાવટ નથી

જોખમ

પરિબળ રીમાઇન્ડર

સત્તા + ટીમ

કોઈ સ્કોર/નિર્ણય નથી

યોજના/માર્ગદર્શન

ડ્રાફ્ટ + વિચાર

માન્યતા + ક્લાયંટ

સ્ત્રોત પુષ્ટિ, ક્લાયંટ અગ્રતા

જાણ કરો/સંપર્ક કરો

માળખું + સરળીકરણ

પુરાવા + જવાબદારી

નિષ્ણાતમાં અભિપ્રાય, પૂર્વગ્રહ નિયંત્રણ

બંધ

કાલક્રમિક સારાંશ

ચોકસાઈ

રેકોર્ડ આધારિત

સામાન્ય ભૂલો

• આખી પ્રક્રિયા AI ને સોંપવી અને અંતે એક જ સહી કરવી. વચ્ચેની ભૂલો દેખાતી નથી; દરેક પગલા પર દરવાજા હોવા જોઈએ.
• તેની ખરાઈ કર્યા વગર દરવાજામાંથી પસાર થવું. એક તબક્કાની બનાવટ બીજા દ્વારા વારસામાં મળે છે; દરેક આઉટપુટ માન્ય છે.
• શાસનને વ્યક્તિગત શિસ્ત પર છોડીને. સંસ્થાકીય માળખા વિના, સારી ટેવો નાજુક છે.
• પોલિસી એકવાર લખો અને ભૂલી જાઓ. સાધનો અને કાયદામાં ફેરફાર; સતત સમીક્ષા જરૂરી છે.
• રેકોર્ડ રાખતા નથી. ઓડિટ ટ્રેઇલ વિના, સમસ્યાને પાછું જોઈ શકાતું નથી અને તેને જવાબદાર ઠેરવી શકાતું નથી.

સારાંશમાં

સામાજીક કાર્યમાં, એઆઈ દરેક પગલા પર ઉત્પ્રેરક છે, કોઈપણ પગલા પર નિર્ણય લેનાર છે, અરજીથી લઈને કેસ બંધ કરવા સુધી. અંત-થી-અંતના પ્રવાહમાં છ માનવ દરવાજા (ગોપનીયતા, ક્લિનિકલ ચુકાદો, સત્તા/ટીમ, માન્યતા/ક્લાયન્ટ, પુરાવા/જવાબદારી, અખંડિતતા) મૂકો; એક દરવાજેથી બીજા દરવાજેથી પસાર થયા વિના પસાર થશો નહીં. આને ટકાઉ બનાવવા માટે કોર્પોરેટ ગવર્નન્સની જરૂર છે: માન્ય સાધનોની સૂચિ, ડેટા નીતિ, ભૂમિકાઓ, નોંધણી, તાલીમ અને ચાલુ સમીક્ષા. મોડ્યુલના છ ડ્રાઇવિંગ સિદ્ધાંતો- માનવ જવાબદારી, ચકાસણી, ગોપનીયતા/PDPA, પુરાવા પ્રત્યે પ્રતિબદ્ધતા, પૂર્વગ્રહ નિયંત્રણ અને ક્લાયન્ટ-કેન્દ્રિતતા- દરેક કાર્યપ્રવાહમાં વણાયેલા હોવા જોઈએ.

એપ્લિકેશન કાર્ય

એપ્લિકેશનથી બંધ થવા સુધીના કાલ્પનિક કેસને માનસિક રીતે ચાર્ટ કરો; "કેસ ફ્લો વેરિફિકેશન ગેટ" ટેમ્પલેટ સાથે દરેક તબક્કા માટે ચેકલિસ્ટ બનાવો. પછી આ કિસ્સામાં કાર્યોને "માન્ય વાહન મેચિંગ" ટેમ્પલેટ સાથે ખુલ્લા વાહન / સુરક્ષિત સિસ્ટમ / કોઈ AI તરીકે વર્ગીકૃત કરો. છેલ્લે, "સ્વ-ઓડિટ" ટેમ્પ્લેટ સાથે AI ના તમારા પોતાના ઉપયોગ માટે 10 પ્રશ્નોની સૂચિ બનાવીને તમારું મૂલ્યાંકન કરો.

ચેકલિસ્ટ

• [ ] મેં અંતથી અંત સુધીના પ્રવાહમાં છ માનવ દરવાજા ઓળખ્યા છે.
• દરેક પગલા પર, "નિર્ણય કે મુસદ્દો?" મેં પ્રશ્ન લાગુ કર્યો.
• [ ] મેં યોગ્ય વાહન પ્રકાર (ખુલ્લું/સલામત/કોઈ નહીં) સાથે કાર્યોને મેળ ખાય છે.
• [ ] હું કોર્પોરેટ ગવર્નન્સના ઘટકો (ટૂલ, ડેટા, ભૂમિકા, નોંધણી, તાલીમ, સમીક્ષા) જાણું છું.
• [ ] મેં મોડ્યુલના છ વાહક સિદ્ધાંતોને મારા પોતાના વર્કફ્લોમાં અમલમાં મૂક્યા છે.

મોડ્યુલ પરીક્ષા

1. સામાજિક કાર્યમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે નીચેનામાંથી કયું સ્થાન સૌથી સચોટ છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્લાયન્ટના જોખમનું સ્તર અને માનવીય મંજૂરી વિના હસ્તક્ષેપનો નિર્ણય લઈ શકે છે
• બી) AI એ સારાંશ, આયોજન, સરળીકરણ અને મુસદ્દો તૈયાર કરવા માટેનું એક સાધન છે; ક્લિનિકલ નિર્ણય, જોખમ અને અંતિમ નિર્ણય માટેની જવાબદારી નિષ્ણાતની છે ✔
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ માત્ર ટેક્સ્ટના અનુવાદ માટે જ ઉપયોગી છે અને તેને અન્ય સામાજિક કાર્યો સાથે કોઈ લેવાદેવા નથી
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ હંમેશા મનુષ્યો કરતાં વધુ નિષ્પક્ષ હોવાથી, મૂલ્યાંકન તેના પર છોડવું જોઈએ.

વર્ણન: કૃત્રિમ બુદ્ધિ; તે એક સહાયક છે જે નોંધો ગોઠવે છે, ફાઇલનો સારાંશ આપે છે, ટેક્સ્ટને સરળ બનાવે છે અને ડ્રાફ્ટ્સ બનાવે છે. ક્લિનિકલ નિર્ણય, જોખમ મૂલ્યાંકન, વ્યાવસાયિક અભિપ્રાય અને અંતિમ નિર્ણય માટેની જવાબદારી સક્ષમ વ્યાવસાયિકની છે; વણચકાસાયેલ આઉટપુટ ક્લાયંટના ગેરસમજ, જોખમ ચોરી અથવા સંવેદનશીલ ડેટાના લીક તરફ દોરી શકે છે.

2. જ્યારે ઇન્ટરવ્યુની કાચી નોંધને કૃત્રિમ બુદ્ધિમત્તા દ્વારા કેસ રેકોર્ડમાં રૂપાંતરિત કરવામાં આવે ત્યારે સૌથી સાચી સૂચના કઈ છે?

• A) ગુમ થયેલ ભાગોને વાજબી રીતે ભરવા માટે આર્ટિફિશિયલ ઇન્ટેલિજન્સ વિનંતી કરવી જેથી તે વ્યાવસાયિક દેખાય.
• B) રેકોર્ડને સમૃદ્ધ બનાવવા માટે AI ને વધારાના અવલોકનો ઉમેરવાની મંજૂરી આપવી
• C) વિદ્યાર્થીને ફક્ત નોંધમાં સમાવિષ્ટ માહિતીનો જ ઉપયોગ કરવા, ખૂટતી વસ્તુઓને 'સ્પષ્ટતાની જરૂર છે' તરીકે ચિહ્નિત કરવા, અને કંઈપણ ઉમેરવા નહીં ✔
• ડી) જ્યાં સુધી આઉટપુટ અસ્ખલિત હોય ત્યાં સુધી નોંધ સાથે તેની સરખામણી કર્યા વિના તેને સીધી ફાઇલમાં મૂકવું

સમજૂતી: AI ની સૌથી ખતરનાક વૃત્તિ રેકોર્ડને 'સંપૂર્ણ' લાગે તે માટે નોંધમાં ન હોય તેવા અવલોકનો, સંખ્યાઓ અથવા અવતરણો બનાવવી છે. સાચો અભિગમ એ છે કે 'નોટમાં જે છે તેનો ઉપયોગ કરો, ખૂટે છે તેને ચિહ્નિત કરો, કંઈપણ ઉમેરશો નહીં'. ગાબડા ભરાયા નથી, તેઓ સ્પષ્ટતા માટે ચિહ્નિત થયેલ છે.

3. કેસ રેકોર્ડમાં 'તથ્ય' અને 'અર્થઘટન' વચ્ચેનો તફાવત શા માટે મહત્વપૂર્ણ છે?

• A) હકીકત એ નક્કર અવલોકન/વિધાન છે, જ્યારે અર્થઘટન એ વ્યાવસાયિક અનુમાન છે જેને આધારની જરૂર હોય છે; બંનેને અલગ કરવા જોઈએ અને ટિપ્પણીને ટેગ કરવી જોઈએ ✔
• બી) ભેદ બિનજરૂરી છે; હકીકત અને ટિપ્પણી રેકોર્ડમાં એ જ રીતે લખી શકાય છે
• સી) માત્ર અર્થઘટન બાબતો; જો હકીકતો નોંધવામાં ન આવે તો પણ તે શક્ય છે
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ તફાવતને સંપૂર્ણ રીતે બનાવે છે, તેથી માનવ નિયંત્રણની જરૂર નથી.

સમજૂતી: 'તે ઇન્ટરવ્યુમાં ત્રણ વખત રડ્યો' એ હકીકત છે; 'તે હતાશ હતા' એ એક ટિપ્પણી છે જે ક્લિનિકલ આધાર વિના લખી શકાતી નથી. રેકોર્ડ હકીકતને આગળ ધપાવે છે અને સ્પષ્ટ લેબલીંગ અને વાજબીપણું સાથે જ અર્થઘટનનો સમાવેશ કરે છે. AI બંનેને અસ્ખલિત રીતે મિશ્રિત કરી શકે છે; ભેદ પાડવો અને કલંકિત ભાષા ટાળવી એ વ્યક્તિની ફરજ છે.

4. બાળક ઘરમાં સુરક્ષિત છે કે કેસનું જોખમ સ્તર નક્કી કરવામાં AIએ શું ભૂમિકા ભજવવી જોઈએ?

• A) આર્ટિફિશિયલ ઈન્ટેલિજન્સ કેસ વાંચી શકે છે, જોખમનું સ્તર નક્કી કરી શકે છે અને સુરક્ષા નિર્ણય લઈ શકે છે
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલ 'ઓછું જોખમ' લેબલ નિષ્ણાતના અવલોકનને તેનાથી વિપરીત ઓવરરાઇડ કરી શકે છે.
• સી) કૃત્રિમ બુદ્ધિ માત્ર પરિબળોને યાદ અપાવે છે અને નોંધોનું આયોજન કરે છે; જોખમ સ્તર અને સલામતીનો નિર્ણય નિષ્ણાત, ટીમ, દેખરેખ અને કાનૂની પ્રક્રિયાનો છે ✔
• ડી) કૃત્રિમ બુદ્ધિ જોખમ નિર્ણય લેવામાં મનુષ્યો કરતાં વધુ વિશ્વસનીય છે કારણ કે તે નિષ્પક્ષ છે.

વર્ણન: જોખમ સ્તર અને સુરક્ષા નિર્ણય; તે માટે વ્યાવસાયિક સત્તા, ક્લિનિકલ ચુકાદો, મલ્ટિડિસિપ્લિનરી ટીમ અભિપ્રાય, દેખરેખ અને કાનૂની જવાબદારી જરૂરી છે. અહીં, AI માત્ર જોખમ/રક્ષણાત્મક પરિબળોને યાદ કરી શકે છે અને નોંધો સંપાદિત કરી શકે છે; સ્કોર્સ અથવા નિર્ણયો ઉત્પન્ન કરી શકતા નથી. તે પ્રશિક્ષણ ડેટામાં પૂર્વગ્રહને કારણે વંચિત જૂથો માટે વ્યવસ્થિત ઉચ્ચ જોખમને આભારી પણ હોઈ શકે છે, તેથી તેના આઉટપુટનો નિર્ણય તરીકે ઉપયોગ કરી શકાતો નથી.

5. જ્યારે આર્ટિફિશિયલ ઈન્ટેલિજન્સ ક્લાયન્ટ માટે 'આ સેન્ટર, તે ફોન' કહીને રેફરલ માહિતી આપે ત્યારે શું કરવું જોઈએ?

• A) ગ્રાહકને આપતા પહેલા સંસ્થાના સત્તાવાર અને વર્તમાન સ્ત્રોતમાંથી સરનામા અને ફોન નંબરની પુષ્ટિ કરવી ✔
• બી) માહિતી સીધી ક્લાયન્ટ સુધી પહોંચાડવી કારણ કે તે વિશ્વાસપૂર્વક રજૂ કરવામાં આવે છે
• C) જ્યાં સુધી આર્ટિફિશિયલ ઇન્ટેલિજન્સ વર્તમાન તારીખ આપે છે ત્યાં સુધી માહિતી એકદમ સાચી છે એવું માની લઈએ
• ડી) એવું વિચારીને કે માહિતીની ચોકસાઈની તપાસ કરવાની જરૂર નથી કારણ કે તેનો ક્યાંક ઉલ્લેખ છે.

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ સેવાઓ, એપ્લિકેશન જરૂરિયાતો, સરનામાં અને ટેલિફોન નંબરો બનાવી શકે છે અથવા જૂની માહિતી પ્રદાન કરી શકે છે; સંસ્થાઓ મર્જ થાય છે, ખસેડાય છે, બંધ થાય છે. ક્લાયન્ટને વણચકાસાયેલ સરનામાં પર મોકલવાથી વ્યર્થ મુસાફરી અને વિશ્વાસ ગુમાવવો પડશે. તેથી, આર્ટિફિશિયલ ઈન્ટેલિજન્સ દ્વારા પૂરી પાડવામાં આવેલ સંપર્ક માહિતી ક્લાયંટને ટ્રાન્સમિટ કરતા પહેલા સંસ્થાની પોતાની અધિકૃત ચેનલ દ્વારા પુષ્ટિ કરવી આવશ્યક છે.

6. પ્રતિભાવ યોજનામાં ધ્યેયો કોણે નક્કી કરવા જોઈએ અને AI ની ભૂમિકા શું છે?

• A) આર્ટિફિશિયલ ઇન્ટેલિજન્સે બંને ધ્યેયો નક્કી કરવા જોઈએ અને ક્લાયન્ટને પૂછ્યા વિના સમગ્ર પ્લાન લખવો જોઈએ.
• બી) ક્લાયંટ (નિષ્ણાત સાથે મળીને) લક્ષ્યો નક્કી કરે છે; AI તેમને SMART ફોર્મેટમાં મૂકે છે અને તેમની રચના કરે છે, નવા લક્ષ્યો ઉમેરતા નથી ✔
• સી) ગોલ બિનમહત્વપૂર્ણ છે; યોજનામાં જેટલા વધુ લક્ષ્યોનો સમાવેશ થાય છે, તેટલું સારું.
• ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્લાયન્ટની પ્રાથમિકતાઓને અવગણી શકે છે કારણ કે તે વ્યાવસાયિક લાગે છે

વર્ણન: સામાજિક કાર્યનું મુખ્ય મૂલ્ય 'સ્વ-નિર્ધારણ' છે: ગ્રાહક ધ્યેયો અને પ્રાથમિકતાઓ નક્કી કરે છે, નિષ્ણાત વ્યાવસાયિક જ્ઞાન સાથે તેને આકાર આપે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ આ લક્ષ્યોને SMART ફોર્મેટમાં મૂકે છે અને પગલાં અને સૂચકાંકો સૂચવે છે; પરંતુ તે નવા ધ્યેયો ઉમેરી શકતો નથી જે ક્લાયંટ કહેતો નથી. વિદેશી, બાહ્ય રીતે લાદવામાં આવેલી યોજના ક્લાયન્ટને લાગુ કરી શકાતી નથી.

7. કોર્ટમાં સબમિટ કરવાના સામાજિક તપાસ અહેવાલમાં, કયા મુદ્દામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ સૌથી ખતરનાક છે?

• A) અહેવાલને 'સંપૂર્ણ' દેખાડવા માટે અસ્તિત્વમાં નથી તેવી તારીખો, અવલોકનો અથવા અવતરણો શોધવાની ક્ષમતા ✔
• બી) ટેક્સ્ટની ભાષાને ખૂબ ઔપચારિક બનાવવી
• સી) વિનંતી કરતાં ટૂંકો અહેવાલ લખવો
• ડી) શીર્ષકોનો મૂળાક્ષર ક્રમ

સમજૂતી: AI નું સૌથી ખતરનાક વલણ અહેવાલને 'સંપૂર્ણ' લાગે તે માટે અસ્તિત્વમાં ન હોય તેવી તારીખ, અવલોકન અથવા અવતરણ ઉમેરવાનું છે. કોર્ટના અહેવાલમાં બનાવટી સજા બંને નિર્ણયને ગેરમાર્ગે દોરી શકે છે અને નિષ્ણાતની વિશ્વસનીયતાનો નાશ કરી શકે છે. તેથી, દરેક કેસ વાસ્તવિક ઇન્ટરવ્યુ/અવલોકન/દસ્તાવેજ સાથે જોડાયેલા હોવા જોઈએ અને નિષ્ણાત દ્વારા વ્યાવસાયિક અભિપ્રાય રચવો જોઈએ.

8. સામાજિક તપાસ અહેવાલનો વ્યાવસાયિક અભિપ્રાય અને અભિપ્રાય (સૂચન) વિભાગ કોણે લખવો જોઈએ?

• એ) કૃત્રિમ બુદ્ધિ; કારણ કે તે વધુ નિષ્પક્ષ ભલામણ પેદા કરે છે
• B) રિપોર્ટ લખતી વખતે અભિપ્રાય વિભાગ ક્યારેય ભરાયો નથી.
• C) કૃત્રિમ બુદ્ધિ અભિપ્રાય લખે છે, નિષ્ણાત ફક્ત અંતમાં જ સંકેત આપે છે
• ડી) નિષ્ણાત; વ્યાવસાયિક અભિપ્રાય અને અભિપ્રાય તેની/તેણીની સત્તા અને જવાબદારી છે, કૃત્રિમ બુદ્ધિ માત્ર ભાષાને સ્પષ્ટ કરે છે ✔

નિવેદન: વ્યવસાયિક અભિપ્રાય અને અભિપ્રાય — 'આ બાળકનું શ્રેષ્ઠ હિત છે', 'આ વ્યવસ્થા યોગ્ય છે' — એ નિષ્ણાતની કાનૂની સત્તા અને જવાબદારી છે. 'આર્ટિફિશિયલ ઇન્ટેલિજન્સ માટે હું શું ભલામણ કરું?' તે પૂછવામાં આવતું નથી; તે બનાવેલ 'સૂચન' બનાવટી અને જવાબદારીનું ટ્રાન્સફર બંને હોઈ શકે છે. શ્રેષ્ઠ રીતે, કૃત્રિમ બુદ્ધિ નિષ્ણાત દ્વારા લખાયેલા અભિપ્રાયની ભાષાને સ્પષ્ટ કરે છે.

9. આર્ટિફિશિયલ ઇન્ટેલિજન્સ ધરાવતા ક્લાયન્ટ માટે ભારે સત્તાવાર મદદ પત્રને સરળ બનાવતી વખતે સૌથી મહત્વપૂર્ણ નિયંત્રણ શું છે?

• A) લખાણને બને તેટલું ટૂંકું રાખો, વિગતો ન જુઓ
• બી) પરિણામ અસ્ખલિત અને સૌંદર્યલક્ષી લાગે છે
• સી) મૂળ સાથે સરખામણી કરીને કોઈપણ અધિકારો, શરતો, રકમો, તારીખો અથવા સૂચનાઓને અવગણવામાં આવી નથી તેની ચકાસણી કરવી ✔
• ડી) સરળીકરણ ગ્રાહકને ઓછી માહિતી આપીને આરામ આપે છે.

સમજૂતી: સરળીકરણનો અર્થ વિકૃત કરવાનો નથી; 'ટૂંકા' અથવા 'સરળ' કરીને AI અધિકાર, શરત, રકમ, તારીખ અથવા સૂચનાને ગળી શકે છે. ગ્રાહક 'સરળ' પરંતુ અધૂરી માહિતી સાથે તેનો અધિકાર ગુમાવી શકે છે. તેથી, સરળ લખાણને મૂળ સાથે સરખાવવું જોઈએ અને ચકાસવું જોઈએ કે કોઈ મહત્વપૂર્ણ માહિતી ગુમ થઈ નથી, અને તે જે મહત્વપૂર્ણ તત્વોનું રક્ષણ કરે છે તે કૃત્રિમ બુદ્ધિમત્તાની સૂચિ પણ હોવી જોઈએ.

10. ફંડિંગ એપ્લિકેશનનો મુસદ્દો તૈયાર કરતી વખતે આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ઉત્પાદિત આંકડાઓની સારવાર કેવી રીતે યોગ્ય છે?

• A) કૃત્રિમ બુદ્ધિમત્તા દ્વારા આપવામાં આવેલા આંકડાઓને પ્રભાવશાળી બનાવવા માટે તેનો સીધો ઉપયોગ કરવો
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ મેક અપ સ્ટેટિસ્ટિક્સ ન બનાવવું, જ્યાં જરૂરી હોય ત્યાં [ડેટા જરૂરી] પ્રિન્ટ કરવું અને દરેક નંબરને વાસ્તવિક સ્ત્રોતમાંથી મૂકવો ✔
• C) જ્યાં સુધી નંબર એપ્લિકેશનમાં સામેલ હોય ત્યાં સુધી સ્ત્રોત બિનમહત્વપૂર્ણ છે તે ધ્યાનમાં લેવું.
• ડી) ધારી રહ્યા છીએ કે આંકડા ચકાસવાની જરૂર નથી કારણ કે AI વિશ્વાસપૂર્વક લખે છે

વર્ણન: આર્ટિફિશિયલ ઇન્ટેલિજન્સ આશ્ચર્યજનક પરંતુ અનસોર્સ્ડ આંકડાઓ બનાવી શકે છે; સ્ત્રોત વિનાની આકૃતિ લગભગ હંમેશા અવિશ્વસનીય હોય છે. એપ્લિકેશનમાં બનાવટી આંકડા અરજીને નકારી કાઢશે અને સંસ્થાની વિશ્વસનીયતાનો નાશ કરશે. સાચો અભિગમ એ છે કે AI મેક-અપ નંબર્સ ન બનાવો ('Write [DATA REQUIRED]') અને દરેક નંબરને વાસ્તવિક, ચકાસાયેલ સ્ત્રોતમાંથી મૂકવો.

11. કૃત્રિમ બુદ્ધિમત્તાને પૂછવું શા માટે હાનિકારક છે 'સમજાવો કે આ કુટુંબ બાળકોના ઉછેરમાં કેમ અપૂરતું છે'?

• A) કારણ કે પ્રશ્ન ઘણો લાંબો છે
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ કૌટુંબિક બાબતો પર કોઈ માહિતી આપી શકતું નથી
• સી) કારણ કે તે શરૂઆતથી જ પરિણામ ધારે છે, કૃત્રિમ બુદ્ધિ (ખુશીથી) એક અપ્રમાણિત અને પક્ષપાતી પુષ્ટિ ઉત્પન્ન કરે છે; પ્રશ્ન તટસ્થ અને સંતુલિત હોવો જોઈએ ✔
• ડી) કારણ કે કૃત્રિમ બુદ્ધિ હંમેશા પરિવારની તરફેણમાં લખશે

સમજૂતી: આ પ્રશ્ન પરિણામની ધારણા કરે છે ('અપૂરતું'). AI એ પુરાવા-મુક્ત અને પક્ષપાતી ટેક્સ્ટનું નિર્માણ કરે છે જે આ ધારણાને તેની ખુશામત કરવાની વૃત્તિ સાથે પુષ્ટિ આપે છે (તમારા સંકેતની પુષ્ટિ કરો). એક પક્ષપાતી પ્રશ્ન પક્ષપાતી જવાબ બનાવે છે. ખરેખર, તે એક તટસ્થ પ્રશ્ન છે જે પરિણામને ધારતો નથી, શક્તિ અને ચિંતા બંનેને સંતુલિત કરે છે અને માત્ર પુરાવા માટે પૂછે છે.

12. AI આઉટપુટમાં પૂર્વગ્રહ તપાસવા માટે 'અંડર એંગલ ટેસ્ટિંગ' કેવી રીતે લાગુ કરવી?

• A) એક અલગ જૂથ માટે સમાન પરિસ્થિતિ વિશે વિચારવું અને પૂછવું કે 'શું આ એક જ ભાષામાં લખવામાં આવશે?' ✔ પૂછીને બેવડા ધોરણોનું પરીક્ષણ કરવું
• બી) આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પ્રથમ જવાબ તટસ્થ તરીકે સ્વીકારવો અને બીજો ખૂણો ન શોધવો
• C) ક્લાયન્ટના જૂથને સમર્થન આપતા પ્રશ્નો જ પૂછવા
• ડી) ધારી રહ્યા છીએ કે વધારાના નિયંત્રણની જરૂર નથી કારણ કે કૃત્રિમ બુદ્ધિમત્તામાં પૂર્વગ્રહ બિલકુલ અસ્તિત્વમાં નથી

સમજૂતી: AI જુદા જુદા જૂથો માટે સમાન વર્તનને અલગ સ્વરમાં લખી શકે છે (દા.ત. ઓછી આવકવાળા કુટુંબ માટે 'ઉપેક્ષાનું જોખમ', ઉચ્ચ આવકવાળા માટે 'બળજબરીથી માતાપિતા'). વ્યુત્ક્રમ કસોટી એ છે કે 'જો ક્લાયન્ટ કોઈ અલગ સામાજિક-આર્થિક/વંશીય જૂથમાંથી હોત, તો શું આ એક જ ભાષામાં લખાયેલું હશે?' પૂછવું છે; આ સ્ટીરિયોટાઇપ્સના આધારે દૃશ્યમાન બેવડા ધોરણો બનાવે છે, પુરાવા નહીં.

13. ક્લાયન્ટની વાસ્તવિક ફાઇલ (નામ, સરનામું, આરોગ્ય માહિતી સહિત)નો સારાંશ આપવાનો સાચો અભિગમ કયો છે?

• A) ઝડપ માટે, તેને નજીકના સાર્વજનિક AI ટૂલમાં પેસ્ટ કરો અને તેનો સારાંશ આપો
• B) ગોપનીયતા પર ધ્યાન આપ્યા વિના ફાઇલ પર પ્રક્રિયા કરવી કારણ કે તે ટૂંકી છે
• C) આરોગ્ય માહિતી સહિત બધું જ દાખલ કરો અને માત્ર પરિણામ સાચવો
• ડી) માત્ર સંસ્થા દ્વારા મંજૂર કરાયેલ સુરક્ષિત સિસ્ટમમાં અથવા ન્યૂનતમ ડેટા સાથે ડી-ઓઇડેન્ટાઇફ ટેક્સ્ટ સાથે પ્રક્રિયા કરો ✔

ડિસ્ક્લોઝર: વ્યક્તિગત ડેટા કે જે ક્લાયન્ટને ઓળખે છે — ખાસ કરીને સંવેદનશીલ ડેટા જેમ કે આરોગ્ય — ક્યારેય એવા સાર્વજનિક સાધનમાં દાખલ કરવામાં આવતો નથી કે જેને સંસ્થાએ મંજૂરી આપી ન હોય; ટેક્સ્ટ પર પ્રક્રિયા કરી શકાય છે, બાહ્ય સર્વર પર સંગ્રહિત થઈ શકે છે અથવા મોડેલ તાલીમમાં ઉપયોગ કરી શકાય છે, અને એક્સફિલ્ટરેશન બદલી ન શકાય તેવું છે. આ પણ KVKK ઉલ્લંઘન છે. આ પ્રકારનું કામ ફક્ત ઇન-હાઉસ, સુરક્ષિત, માન્ય સિસ્ટમમાં જ કરવામાં આવે છે જે ડેટા લીક થતી નથી અથવા ડી-ઓઇડેન્ટાઇટેડ ટેક્સ્ટ સાથે.

14. શા માટે દસ્તાવેજમાંથી નામો કાઢી નાખવું હંમેશા તેને સાર્વજનિક સાધનમાં મોકલવા માટે પૂરતું નથી?

• A) નામો કાઢી નાખવું હંમેશા સંપૂર્ણ અનામી છે અને દરેક દસ્તાવેજને સુરક્ષિત બનાવે છે
• બી) જ્યાં સુધી દસ્તાવેજ ટૂંકો હોય, ત્યાં સુધી સંદર્ભમાંથી ઓળખનું અનુમાન લગાવવું અશક્ય છે
• C) એક દસ્તાવેજ જેનું નામ સંપૂર્ણપણે કાઢી નાખવામાં આવ્યું છે તે KVKK ના કાર્યક્ષેત્રની બહાર આવે છે.
• ડી) સંદર્ભ (પડોશ, ઉંમર, ઘટના, કુટુંબનું માળખું) ફરીથી ઓળખનો દાવો કરી શકે છે; સાધન અને પર્યાવરણની પસંદગી દ્વારા રક્ષણ પૂરું પાડવામાં આવે છે ✔

સમજૂતી: નામો કાઢી નાખવામાં આવે તો પણ, સંદર્ભ (પડોશી, ઉંમર, ઘટના, તારીખ, કુટુંબનું માળખું, વગેરેનું દુર્લભ સંયોજન) વ્યક્તિને ઓળખી શકાય તેવું બનાવી શકે છે; પડોશમાં તે એકમાત્ર વ્યક્તિ હોઈ શકે છે જે વર્ણન સાથે બંધબેસે છે. વાસ્તવિક સુરક્ષા માસ્કિંગ દ્વારા પૂરી પાડવામાં આવતી નથી, પરંતુ યોગ્ય સાધન અને પર્યાવરણ પસંદ કરીને; સંદર્ભ પણ વ્યક્તિગત ડેટા છે અને અનિશ્ચિત માહિતીને ઉચ્ચ વર્ગ તરીકે સુરક્ષિત રાખવી જોઈએ.

15. અરજીથી માંડીને કેસ બંધ થવા સુધી, અંતિમ નિર્ણયમાં એકલ AI ભૂલને લીક થવાથી રોકવાનો સૌથી અસરકારક રસ્તો કયો છે?

• A) સમગ્ર પ્રક્રિયાને એક જ AI ટૂલને સોંપવી અને અંતે માત્ર એક જ વાર સહી કરવી
• B) દરેક તબક્કે માનવ ચકાસણી ગેટ અને પાસની સ્થિતિ મૂકવી (સ્તરવાળી ચકાસણી) ✔
• C) ઝડપ માટે મધ્યવર્તી માન્યતાઓ દૂર કરવી અને માત્ર આઉટપુટ સ્ટેજ પર તપાસ કરવી
• ડી) દરેક નિષ્ણાતને રેકોર્ડ રાખ્યા વિના તેના પોતાના સાધનનો મુક્તપણે ઉપયોગ કરવાની મંજૂરી આપવી

વર્ણન: દરેક તબક્કે માનવ ચકાસણી દ્વાર મૂકવામાં આવે છે (એપ્લિકેશન/ગોપનીયતા, આકારણી/ક્લિનિકલ ચુકાદો, જોખમ/અધિકૃતતા, યોજના/ચકાસણી, અહેવાલ/પુરાવા, બંધ/ચોક્કસતા); તમે બીજા દરવાજામાંથી પસાર થયા વિના એક દરવાજામાંથી પસાર થઈ શકતા નથી. આ સ્તરીય માળખું એક તબક્કે આભાસ, પૂર્વગ્રહ અથવા ગોપનીયતાની ભૂલને ક્લાયન્ટને અસર કરતા નિર્ણયમાં પ્રવેશતા અટકાવે છે.