એન્ડ-ટુ-એન્ડ ફ્લો: બ્રીફિંગથી લઈને રિહર્સલ, વેરિફિકેશન, ગોપનીયતા અને ડિલિવરી

નફો:

• બ્રીફિંગ, ડેટાની તૈયારી, માળખું, સામગ્રી/ગ્રાફિક્સ, માન્યતા, પ્રૂફિંગ અને ડિલિવરી પગલાંનો સમાવેશ કરતા પુનરાવર્તિત પ્રવાહમાં પ્રસ્તુતિ/ડેટા જોબ ચલાવવાની ક્ષમતા.
• સંવેદનશીલ ડેટાને અનામી અને એકત્ર કરીને, બાહ્ય સાધન ગોપનીયતાના ભંગ વિના કાર્ય કરી શકે છે અને નિર્ણાયક નંબરોને ક્રોસ-વેરિફાય કરી શકે છે.
• રિહર્સલ પાર્ટનર તરીકે આર્ટિફિશિયલ ઇન્ટેલિજન્સનો ઉપયોગ કરીને અને મુશ્કેલ પ્રશ્નો અને સમયનું પરીક્ષણ કરીને અંતિમ ડિલિવરી માટે જવાબદારી લેવાની ક્ષમતા

અગાઉના એકમો એક પછી એક કૌશલ્યો શીખવતા હતા: માળખું, ટેક્સ્ટ, ડિઝાઇન, ગ્રાફિક પસંદગી, કોડ, ડેશબોર્ડ, વાર્તા, ઇન્ફોગ્રાફિક, પ્રમાણિકતા. આ અંતિમ એકમ તે બધાને એક વર્કફ્લોમાં જોડે છે: સંક્ષિપ્તમાં આવી ગયું છે, તમે પ્રસ્તુતિ/ડેટા વિઝ્યુલાઇઝેશન વિતરિત કરશો. અમારો ધ્યેય પુનરાવર્તિત પદ્ધતિ સ્થાપિત કરવાનો છે જે AI નો ઉપયોગ શરૂઆતથી અંત સુધી કરે છે પરંતુ ગોપનીયતા અને નૈતિકતાને સાચવીને તેને દરેક પગલા પર માન્ય કરે છે.

અંત-થી-અંત પ્રવાહના સાત પગલાં

1. સંક્ષિપ્ત અને અવકાશ: પ્રેક્ષક, હેતુ, મુખ્ય સંદેશ, અવધિ, ચેનલ (પ્રસ્તુતિ, અહેવાલ, સોશિયલ મીડિયા), પ્રતિબંધો.
2. ડેટા તૈયારી: ડેટા એકત્રિત કરો, સાફ કરો, અનામી કરો; બાહ્ય વાહનમાં શું જાય છે તે નક્કી કરો.
3. માળખું અને વર્ણન: પેટર્ન પસંદ કરો, સ્લાઇડ સ્પાઇન બનાવો (યુનિટ 2, 8).
4. સામગ્રી અને ગ્રાફિક્સ: ટેક્સ્ટ લખો, યોગ્ય ગ્રાફિક પસંદ કરો અને કોડ કરો, ડિઝાઇન સેટ કરો (યુનિટ 3-6).
5. અખંડિતતા અને ચકાસણી: દરેક નંબર, દરેક ચાર્ટ, દરેક દાવાની ઓડિટ કરવામાં આવે છે (યુનિટ 10).
6. રિહર્સલ કરો અને સંપાદિત કરો: પ્રસ્તુતિને મોટેથી અજમાવી જુઓ, સમય આપો, પ્રતિસાદ સાથે તેને ટ્રિમ કરો.
7. ડિલિવરી અને આર્કાઇવ: અંતિમ સંસ્કરણ, સ્રોત નોંધો અને ફરીથી વાપરી શકાય તેવા કોડ/ટેમ્પલેટ.

ટીપ: આ સાત પગલાંને એક ચેકલિસ્ટ બનાવો અને દરેક કામ પર તેને પુનરાવર્તન કરો. વર્કફ્લોનું માનકીકરણ વ્યક્તિગત સ્વરૂપ પર નિર્ભર રહેવાથી ગુણવત્તાને દૂર કરે છે.

ડેટાની તૈયારી અને ગોપનીયતા: સૌથી મહત્વપૂર્ણ સ્ટોપ

AI ને ડેટા આપતા પહેલા, રોકો અને પૂછો: શું આ ડેટા બાહ્ય સિસ્ટમમાં પ્રવેશી શકે છે? થોડા ખ્યાલો: વ્યક્તિગત ડેટા (માહિતી જે વ્યક્તિની ઓળખ કરે છે, જેમ કે નામ, ઓળખ, સંપર્ક, આરોગ્ય, પગાર); અનામીકરણ (ઉલટાવી શકાય તેવું ઓળખ દૂર કરવું); એકત્રીકરણ (વ્યક્તિગત પંક્તિને બદલે સરેરાશ/કુલ આપો). નિયમ:

• સંસ્થા દ્વારા માન્ય ન હોય તેવા ટૂલમાં વ્યક્તિગત/વેપારી રહસ્યો ધરાવતો ડેટા ક્યારેય દાખલ કરશો નહીં.
• જો તમારે દાખલ કરવું, અનામી અથવા એકંદર કરવું આવશ્યક છે: નામ/આઈડી કૉલમ કાઢી નાખો, ફક્ત જૂથમાં જ વ્યક્તિગત બતાવો.
• ચાર્ટ/કોડ જનરેટ કરતી વખતે, મોડલને ડેટા સ્ટ્રક્ચર (કૉલમના નામ, પ્રકાર) આપો, કાચી ચોકસાઇ પંક્તિઓ નહીં.

તમારી ભૂમિકા: ડેટા ગોપનીયતા નિયંત્રક. નીચેના ડેટાસેટના કૉલમ: [સૂચિ]. ગ્રાફ બનાવવા માટે હું આને બાહ્ય AI ટૂલમાં ખવડાવીશ. કઈ કૉલમ વ્યક્તિગત/સંવેદનશીલ હોઈ શકે છે? મને અનામી અથવા એકંદર કરવા માટે શું જોઈએ છે તે ચિહ્નિત કરો અને તે કેવી રીતે કરવું તે સૂચવો (કાઢી નાખો, માસ્ક, જૂથ). મને કહો કે હું ઓછામાં ઓછા ડેટા સાથે કેવી રીતે કામ કરી શકું જે વિશ્લેષણ માટે પૂરતો હશે.

સાવધાન: સંવેદનશીલ ડેટાને "ફક્ત એકવાર, ઝડપથી" પેસ્ટ કરવું એ ગોપનીયતા ઉલ્લંઘનનું સૌથી સામાન્ય સ્વરૂપ છે. એકવાર બહાર થઈ ગયા પછી, ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી.

માન્યતા: ડિલિવરી પહેલાં અંતિમ ફિલ્ટર

એકમ 1 (સ્રોત, સુસંગતતા, પ્રામાણિકતા, સંદર્ભ) ના ચાર પગલાં સમગ્ર પ્રસ્તુતિ પર લાગુ કરો. વધુમાં, ક્રોસ-ચેક કરો: મોડેલ (સ્પ્રેડશીટ, કેલ્ક્યુલેટર) ની બહારના ટૂલ વડે નિર્ણાયક સંખ્યાઓની પુષ્ટિ કરો.

નિયંત્રણ

પ્રશ્ન

વાહન

સ્ત્રોત

દરેક નંબર ક્યાંથી આવે છે?

ડેટા સ્ત્રોત/નોંધ

સુસંગતતા

શું સ્લાઇડ-ગ્રાફિક-ટેક્સ્ટ સમાન છે?

તમારી આંખો સાથે ત્રાંસા વાંચો

પ્રામાણિકતા

શું ચાર્ટ અતિશયોક્તિ કરે છે?

એકમ 10 નિરીક્ષણ

એકાઉન્ટ

શું કુલ/ ટકાવારી સાચી છે?

સ્પ્રેડશીટ

અવતરણ

શું અવતરણ/સ્રોત વાસ્તવિક છે?

ઓપન સોર્સ, ચકાસો

ખાસ કરીને આભાસ (બનાવટી માહિતી) થી સાવચેત રહો: મોડેલ આંકડા, અવતરણ અથવા સ્ત્રોત "બનાવટ" કરી શકે છે. સ્લાઇડ પર જતા દરેક બાહ્ય સ્ત્રોત અને આકૃતિને ખોલો અને ચકાસો.

રિહર્સલ: કૃત્રિમ બુદ્ધિ સાથે પ્રસ્તુતિનું પરીક્ષણ

આર્ટિફિશિયલ ઇન્ટેલિજન્સ રિહર્સલ પાર્ટનર બની શકે છે: પ્રેક્ષકોના પરિપ્રેક્ષ્યમાંથી મુશ્કેલ પ્રશ્નો પેદા કરવા, નબળા સંક્રમણો શોધવા, સમયગાળોનો અંદાજ કાઢવો.

તમારી ભૂમિકા: એક પડકારરૂપ પ્રેક્ષકો અને પ્રસ્તુતિ કોચ. નીચે પ્રસ્તુતિ બેકબોન અને સ્પીકર નોંધોની સમીક્ષા કરો. 1) આ પ્રેક્ષકો ([ભૂમિકા]) પૂછશે તેવા 5 સૌથી મુશ્કેલ પ્રશ્નો બનાવો. 2) વર્ણનમાં નબળા/અસંબંધિત સંક્રમણોને ચિહ્નિત કરો. 3) કુલ સમય [X] મિનિટ બનાવે છે, દરેક સ્લાઇડ પર લગભગ કેટલી સેકંડ પડે છે તેનો અંદાજ કાઢો; જો વધારે પડતું હોય, તો સૂચવે છે કે મારે કઈ સ્લાઈડ્સ ટૂંકી કરવી જોઈએ. પ્રસ્તુતિ: [... ].

એક અલગ "ઓબ્જેક્શન મીટિંગ" રિહર્સલ:

આ પ્રસ્તુતિની મુખ્ય દરખાસ્ત પર 4 વાંધાઓ બનાવો અને દરેક માટે 2-વાક્ય, ડેટા-આધારિત પ્રતિસાદનો મુસદ્દો બનાવો. જવાબ બનાવશો નહીં; જ્યાં પુષ્ટિ જરૂરી હોય ત્યાં [પુષ્ટિ] લખો. સૂચન: [...].

ત્રણ નાના કેસો

કેસ 1 — એન્ડ-ટુ-એન્ડ સ્પીડ. કન્સલ્ટન્ટ 2 દિવસમાં લાક્ષણિક ક્લાયન્ટ પ્રેઝન્ટેશન (સંશોધન + માળખું + સ્લાઇડ્સ + ચાર્ટ + પ્રૂફ) ફેલાવશે. જ્યારે અમે કૃત્રિમ બુદ્ધિમત્તા સાથે સાત-પગલાંનો પ્રવાહ સ્થાપિત કર્યો, ત્યારે સમય લગભગ 1 દિવસ જેટલો ઘટી ગયો; બચાવેલા સમયનો નોંધપાત્ર ભાગ ચકાસણી અને રિહર્સલ માટે સમર્પિત કરવામાં આવ્યો હતો, અને ગુણવત્તામાં ઘટાડો થયો ન હતો પરંતુ વધારો થયો હતો.

કેસ 2 - છેલ્લી ઘડીની ગોપનીયતા. એક ટીમ ચાર્ટિંગ માટેના બાહ્ય સાધનમાં ગ્રાહક વ્યવહારના રેકોર્ડ્સ (નામ + રકમ) નિકાસ કરશે. તેઓ ગોપનીયતા નિયંત્રણ પગલા પર રોકાયા; તેઓએ નામો કાઢી નાખ્યા અને રકમને સેગમેન્ટ એવરેજમાં રૂપાંતરિત કરી. વિશ્લેષણ ફરીથી કામ કર્યું, કોઈ વ્યક્તિગત ડેટા બહાર આવ્યો નહીં. પછીના ઓડિટમાં આ નિર્ણયની પ્રશંસા કરવામાં આવી હતી.

કેસ 3 - રિહર્સલે દ્રશ્ય સાચવ્યું. એક ઉદ્યોગસાહસિકે AI ને કહ્યું કે રોકાણકારની રજૂઆત પહેલાં "5 સૌથી મુશ્કેલ પ્રશ્નો જનરેટ કરો". સભામાં ત્રણ પ્રશ્નો શબ્દશઃ પૂછવામાં આવ્યા હતા; તેણે અસ્ખલિત જવાબ આપ્યો કારણ કે તે તૈયાર હતો. જો તેણે રિહર્સલ કર્યું ન હોત, તો તે સૌથી જટિલ પ્રશ્ન પર અટકી ગયો હોત.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા:

આ ડેટા સાથે શરૂઆતથી અંત સુધી પ્રેઝન્ટેશન તૈયાર કરો અને સમાપ્ત કરો.

એકમાં "બધું" ઇચ્છતા તરાપ પડી; કોઈ ચકાસણી, કોઈ ગુપ્તતા, કોઈ રિહર્સલ નહીં. મોડેલ ગાબડાને બંધબેસે છે, તમે તેને નિયંત્રિત કરી શકતા નથી.

મજબૂત:

ચાલો સ્ટેપ બાય સ્ટેપ પ્રેઝન્ટેશન સેટ કરીએ. ફક્ત પ્રથમ પગલું 1 કરો: સંક્ષિપ્ત સ્પષ્ટ કરો (મને પ્રેક્ષકો/હેતુ/સંદેશ/સમયગાળો/ચેનલ/સંબંધ વિશે પૂછો). પછી અમે ક્રમમાં આગળ વધીશું: ડેટા ગોપનીયતા તપાસ, માળખું, સામગ્રી + ગ્રાફિક્સ, પ્રમાણિકતા તપાસ, પ્રૂફિંગ. દરેક પગલા પર સંખ્યાઓ બનાવશો નહીં, જેની પુષ્ટિ કરવાની જરૂર છે તે લખો, સંવેદનશીલ ડેટા માટે પૂછશો નહીં.

બીજું કામને પગલાઓમાં વિભાજિત કરે છે, દરેક પગલા પર તમને નિયંત્રણમાં રાખે છે અને ગોપનીયતા/વફાદારીની સીમાઓ આગળ સેટ કરે છે.

સામાન્ય ભૂલો

• એક સાથે "બધું" માટે પૂછવું એ તૂટક તૂટક છે: પગલાંઓ છોડવાથી પ્રમાણીકરણ અને ગોપનીયતા બાયપાસ થાય છે.
• ગોપનીયતા સ્ટોપને બાયપાસ કરીને: અનિયંત્રિત બાહ્ય એજન્ટને સંવેદનશીલ ડેટા આપવો.
• રિહર્સલ વિના સ્ટેજ પર જવું: મુશ્કેલ પ્રશ્નો અને સમયની અપેક્ષા રાખતા નથી.
• સ્ત્રોત/એટ્રિબ્યુશન વેરિફિકેશનને અવગણવું: બનાવટી આંકડા અથવા ક્વોટની નોંધ લેતા નથી.
• આર્કાઇવિંગ ન કરવું: કોડ/ટેમ્પલેટ સ્ટોર ન કરવું અને શરૂઆતથી બધું કરવું.
• મોડેલ પર જવાબદારી મૂકવી: "એઆઈએ તેને તૈયાર કર્યું" કહીને; જો કે, ડિલિવરી તમારી છે.

સારાંશમાં

તમારા પ્રેઝન્ટેશન અને ડેટા વિઝ્યુલાઇઝેશન બિઝનેસને એન્ડ-ટુ-એન્ડ સાત પગલાંમાં બનાવો: સંક્ષિપ્ત, ડેટા તૈયારી અને ગોપનીયતા, માળખું/વર્ણન, સામગ્રી/ગ્રાફિક્સ, અખંડિતતા અને ચકાસણી, રિહર્સલ, ડિલિવરી/આર્કાઇવ. દરેક પગલા પર AI નો ઉપયોગ કરો, પરંતુ નિયંત્રણમાં રહો: ​​સંવેદનશીલ ડેટાને અનામી કરો, દરેક નંબર અને સ્ત્રોતને ક્રોસ-વેરિફાઇ કરો, મોડેલને તમારા પ્રૂફિંગ પાર્ટનર બનાવો. કૃત્રિમ બુદ્ધિ સમગ્ર પ્રવાહને વેગ આપે છે; ડેટાની ચોકસાઈ, સંદેશની અખંડિતતા, ગોપનીયતા અને અંતિમ વિતરણ માટેની જવાબદારી હંમેશા તમારી છે.

એપ્લિકેશન કાર્ય

વાસ્તવિક પ્રસ્તુતિ જોબ પસંદ કરો અને સાત પગલાં અનુસરો. (1) AI દ્વારા ટૂંકી પૂછપરછ કરો. (2) ગોપનીયતા નિયંત્રણ સાથે કયા ડેટાને અનામી રાખવો તે નક્કી કરો. (3) સ્ટેપ્સ સ્ટ્રક્ચર → સામગ્રી → ચાર્ટ એક્ઝિક્યુટ કરો. (4) અખંડિતતા ઓડિટ કરો અને ક્રિટિકલ નંબરોની ક્રોસ-ચેક કરો. (5) કૃત્રિમ બુદ્ધિમત્તાને "5 સૌથી મુશ્કેલ પ્રશ્નો" ઉત્પન્ન કરવા દો અને તેનું રિહર્સલ કરો. (6) નવીનતમ સંસ્કરણ અને ફરીથી વાપરી શકાય તેવા કોડ/ટેમ્પલેટને આર્કાઇવ કરો.

ચેકલિસ્ટ

• [ ] મેં સાત-પગલાંના પ્રવાહ મુજબ નોકરી ચલાવી.
• [ ] મેં અનામી/એકત્રિત સંવેદનશીલ ડેટા અથવા તેને બિલકુલ દાખલ કર્યો નથી.
• [ ] મેં મોડેલની બહાર દરેક નંબર અને બાહ્ય સ્ત્રોતને ક્રોસ-વેલિડેટ કર્યું છે.
• [ ] મેં અખંડિતતા માટે તમામ ગ્રાફિક્સ તપાસ્યા છે.
• [ ] મેં કૃત્રિમ બુદ્ધિ સાથે રિહર્સલ કર્યું; મેં મુશ્કેલ પ્રશ્નો અને સમયનું પરીક્ષણ કર્યું.
• [ ] મેં નવીનતમ સંસ્કરણ અને ફરીથી વાપરી શકાય તેવા નમૂના/કોડને આર્કાઇવ કર્યા છે.
• [ ] હું સ્વીકારું છું કે હું અંતિમ વિતરણ માટે જવાબદાર છું.

મોડ્યુલ પરીક્ષા

1. પ્રસ્તુતિ અને ડેટા વિઝ્યુલાઇઝેશનમાં કૃત્રિમ બુદ્ધિ માટે શ્રેષ્ઠ સ્થિતિ શું છે?

• A) કૃત્રિમ બુદ્ધિ એ ડ્રાફ્ટ, ડિઝાઇન, ગ્રાફિક કોડ અને વિવેચન સહાયક છે; ડેટાની ચોકસાઈ, પ્રમાણિકતા અને ગોપનીયતા માટેની જવાબદારી મનુષ્યોની છે ✔
• બી) કૃત્રિમ બુદ્ધિ એ કેલ્ક્યુલેટર છે; તેણે આપેલો દરેક નંબર અને ગ્રાફ એકદમ સાચો છે.
• C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ફક્ત સ્લાઇડ્સને સુશોભિત કરવા માટે જ ઉપયોગી છે, તેને ડેટા અને ગ્રાફિક્સ સાથે કોઈ લેવાદેવા નથી
• ડી) એઆઈ મનુષ્યો કરતાં વધુ નિષ્પક્ષ હોવાથી, ગ્રાફિક્સ અખંડિતતાના નિર્ણયો તેના પર છોડવા જોઈએ

વર્ણન: મોટા ભાષાનું મોડેલ કેલ્ક્યુલેટર અથવા વેરિફિકેશન મશીન નથી, પરંતુ પ્રેરક ટેક્સ્ટ અને રૂપરેખાનું જનરેટર છે. તે ડ્રાફ્ટિંગ, ડિઝાઇન, ગ્રાફિક્સ કોડ અને વિવેચન જેવી ભૂમિકાઓમાં ઘણો સમય બચાવે છે; જો કે, ડેટાની સચોટતા, ગ્રાફની પ્રમાણિકતા, ગોપનીયતા અને અંતિમ વિતરણની જવાબદારી સક્ષમ વ્યક્તિની છે.

2. 'શું જાહેરાત ખર્ચ અને વેચાણ વચ્ચે કોઈ સંબંધ છે?' કયા પ્રકારનો ચાર્ટ સૌથી પ્રામાણિકપણે પ્રશ્ન બતાવશે?

• એ) મલ્ટિ-સ્લાઈસ પાઈ ચાર્ટ
• બી) સ્ટેક્ડ બાર ચાર્ટ
• સી) સ્કેટર પ્લોટ ✔
• ડી) 3D પાઇ ચાર્ટ

સમજૂતી: સ્કેટર પ્લોટનો ઉપયોગ બે આંકડાકીય ચલો વચ્ચેનો સંબંધ (સંબંધ) બતાવવા માટે થાય છે. એક બાર સરખામણી માટે યોગ્ય છે અને એક રેખા સમયાંતરે ફેરફાર માટે યોગ્ય છે; બાર ચાર્ટ સંબંધના પ્રશ્નનો સાચો જવાબ આપતો નથી.

3. સ્લાઇડ શીર્ષકમાં 'વિષય શીર્ષક' ને બદલે 'ક્રિયા શીર્ષક' નો ઉપયોગ કરવાની ભલામણ શા માટે કરવામાં આવે છે?

• A) સ્લાઇડ પર વધુ ટેક્સ્ટ ફિટ કરવા માટે
• બી) કારણ કે તે સ્લાઇડનો એકમાત્ર દાવો સીધો આપે છે અને પ્રેક્ષકોને તરત જ સંદેશ સમજવાની મંજૂરી આપે છે ✔
• C) કારણ કે ફોન્ટને મોટું કરવાની જરૂર નથી
• ડી) સ્પીકરની નોંધની જરૂરિયાત દૂર થઈ ગઈ હોવાથી

વર્ણન: એક્શન શીર્ષક દાવા તરીકે સ્લાઇડ સંપૂર્ણ વાક્યમાં શું કહે છે તે આપે છે ('સેલ્સ 3 ક્વાર્ટરથી ઘટી રહ્યું છે'), ફક્ત વિષય ટૅગ ('સેલ્સ') એવું નથી કરતું. આ દર્શકને દરેક સ્લાઇડનો અર્થ શું છે તે તરત જ સમજવાની મંજૂરી આપે છે; તે એકમાત્ર ફેરફાર છે જે પ્રસ્તુતિની ગુણવત્તાને સૌથી વધુ સુધારે છે.

4. વિઝ્યુઅલ-જનરેટિંગ આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે પ્રસ્તુતિ વિઝ્યુઅલ્સ તૈયાર કરતી વખતે કઈ એપ્લિકેશન સૌથી વધુ વ્યવહારુ અને નૈતિક છે?

• A) બધા શીર્ષકો અને નંબરો વિઝ્યુઅલ પર છાપો અને તેને સીધા સ્લાઇડ પર મૂકો
• બી) એક વાસ્તવિક ગ્રાહક ફોટો તરીકે ઉત્પાદિત પોટ્રેટ પ્રસ્તુત કરવું
• સી) પ્રખ્યાત બ્રાન્ડની શૈલીનું બરાબર અનુકરણ કરવું
• ડી) ટેક્સ્ટ વિના વિઝ્યુઅલ બનાવવું અને સ્લાઇડ પ્રોગ્રામમાં ટેક્સ્ટ ઉમેરવું અને બનાવટીને વાસ્તવિક તરીકે રજૂ ન કરવું ✔

સમજૂતી: ઉત્પાદિત ઈમેજોમાં લખાણ ઘણીવાર બગડે છે, તેથી સ્લાઈડ પ્રોગ્રામમાં ટેક્સ્ટને પછીથી ઉમેરવું જરૂરી છે. વધુમાં, ઉત્પાદિત છબીને વાસ્તવિક ફોટો/વાસ્તવિક વ્યક્તિ તરીકે રજૂ કરવી ભ્રામક અને અનૈતિક છે. સાચો અભિગમ એ છે કે ટેક્સ્ટ વિના ઇમેજ બનાવવી, ટેક્સ્ટ જાતે ઉમેરો અને નકલીને વાસ્તવિક તરીકે રજૂ ન કરવી.

5. 9 ઉત્પાદનોનો બજાર હિસ્સો બતાવવા માટે સૌથી વધુ વાંચી શકાય તેવો વિકલ્પ કયો છે?

• A) મૂલ્ય દ્વારા સૉર્ટ કરેલ આડી પટ્ટી ચાર્ટ ✔
• બી) 9-સેગમેન્ટ પાઇ ચાર્ટ
• C) 9 સ્લાઇસ સાથે 3D પાઇ ચાર્ટ
• ડી) એક લીટી ચાર્ટ

સમજૂતી: પાઈ ચાર્ટ માત્ર ત્યારે જ કામ કરે છે જો ત્યાં 2-4 સ્લાઈસ હોય અને શેર નોંધપાત્ર રીતે અલગ હોય; 9 સમાન સ્લાઇસેસ વાંચી ન શકાય તેવી છે. બહુવિધ કેટેગરીની સરખામણી કરતી વખતે મૂલ્ય દ્વારા સૉર્ટ કરેલ આડી બાર ચાર્ટ લગભગ હંમેશા વધુ વાંચવા યોગ્ય હોય છે.

6. આર્ટિફિશિયલ ઇન્ટેલિજન્સમાંથી ગ્રાફ પ્રાપ્ત કરતી વખતે 'ગ્રાફનું ચિત્ર' માંગવાને બદલે 'ગ્રાફ બનાવતા કોડ માટે પૂછો અને તેને જાતે ચલાવો' કેમ વધુ વિશ્વસનીય છે?

• A) કારણ કે કોડ હંમેશા વધુ સુંદર રંગો પસંદ કરે છે
• બી) કારણ કે તે ચિત્રો બનાવવા માટે પ્રતિબંધિત છે
• C) કારણ કે કોડ ડેટાને તે પ્રમાણે પ્રક્રિયા કરે છે અને નિર્ણાયક અને પુનરાવર્તિત પરિણામો આપે છે, મૌખિક આગાહી પર આધાર રાખવાની જરૂર નથી ✔
• ડી) કારણ કે કોડ આપમેળે આલેખને પ્રમાણિક બનાવે છે અને વધુ ચકાસણીની જરૂર નથી

વર્ણન: મોટા ભાષાનું મોડેલ ટેક્સ્ટ જનરેટર છે; તે માત્ર મૌખિક રીતે સંખ્યાનું અનુમાન કરે છે અને તે ખોટું હોઈ શકે છે. કોડ ડેટાની જેમ છે તેમ પ્રક્રિયા કરે છે અને નિર્ણાયક (સમાન ઇનપુટ માટે હંમેશા સમાન આઉટપુટ) અને પુનરાવર્તિત પરિણામો ઉત્પન્ન કરે છે; જ્યારે ડેટા અપડેટ થાય છે, ત્યારે કોડ ફરીથી ચલાવી શકાય છે અને ગ્રાફને તાજું કરી શકાય છે.

7. સારી ડેશબોર્ડ ડિઝાઇનનો મૂળભૂત સિદ્ધાંત શું છે?

• A) સિંગલ સ્ક્રીન પર ઉપલબ્ધ તમામ મેટ્રિક્સ ફિટિંગ
• B) ચોક્કસ પ્રેક્ષકો અને નિર્ણય માટે જરૂરી KPI ની નાની સંખ્યા (5-9) માટે સંદર્ભ બતાવો ✔
• C) દરેક સંખ્યાને શક્ય તેટલા દશાંશ સ્થાનો સાથે બતાવવી
• ડી) રંગોને વૈવિધ્યીકરણ કરવા માટે દરેક મેટ્રિકને અલગ રંગથી રંગવું

વર્ણન: ડેશબોર્ડ બધું બતાવતું નથી, પરંતુ ચોક્કસ પ્રેક્ષકો દ્વારા ચોક્કસ નિર્ણય માટે જરૂરી 5-9 સાચા KPIs. મેટ્રિક્સ કે જે નિર્ણયની સેવા આપતા નથી તે ડેશબોર્ડને ડૂબી જશે. વધુમાં, દરેક નંબરમાં સંદર્ભ (ધ્યેય/ફેરફાર) અને તાજગીની સ્ટેમ્પ ઉમેરવી જોઈએ, અને સૌથી મહત્વપૂર્ણ KPI ટોચની ડાબી બાજુએ મૂકવો જોઈએ.

8. ડેટા સ્ટોરીટેલિંગમાં પ્રામાણિકતાના સંદર્ભમાં કયું વર્તન એક છટકું છે?

• A) સંદર્ભ-ટેન્શન-રિઝોલ્યુશન સ્ટ્રક્ચરમાં તારણો રજૂ કરવા
• B) દરેક ગ્રાફને વર્ણનમાં વાક્ય સાથે જોડવું
• સી) એક વાક્યમાં આંતરદૃષ્ટિનો સારાંશ આપો
• D) કથા સાથે બંધબેસતો ન હોય તે સમયગાળો છુપાવવો અને માત્ર તે જ ડેટા દર્શાવવો જે તેને સપોર્ટ કરે છે (ચેરી ચૂંટવું) ✔

સમજૂતી: ચેરી-પિકીંગ એ પીરિયડ/સેગમેન્ટ બતાવે છે જે વર્ણનને બંધબેસતું હોય છે અને જે ન હોય તેને છુપાવે છે અને તે અખંડિતતાનું ઉલ્લંઘન કરે છે. સારી વાર્તા સમજાવે છે, પરંતુ તે ડેટાને વિકૃત કરવાની પરવાનગી ન બની શકે; 'કયો ડેટા આ કથા સાથે બંધબેસતો નથી?' જો જરૂરી હોય તો પૂછવું અને બતાવવું જરૂરી છે.

9. ઇન્ફોગ્રાફિકમાં વર્તુળના વ્યાસ તરીકે મૂલ્ય દર્શાવવું પણ પછી વ્યાસને બમણું કરવું શા માટે ભ્રામક છે?

• A) જ્યારે વ્યાસ બમણો થાય છે, ત્યારે વિસ્તાર ચાર ગણો થાય છે અને પ્રેક્ષકોને લાગે છે કે તે વાસ્તવમાં છે તેના કરતા વધારે છે ✔
• બી) કારણ કે પાઇ ચાર્ટમાં વર્તુળોનો ઉપયોગ કરી શકાતો નથી
• C) કારણ કે રંગ અંધ દર્શકો વર્તુળો જોઈ શકતા નથી
• ડી) કારણ કે વર્તુળ દોરવું એ લાકડી દોરવા કરતાં ધીમું છે

સમજૂતી: જ્યારે વ્યાસ બમણો થાય છે, ત્યારે વર્તુળનો વિસ્તાર ચાર ગણો થાય છે; દર્શક વિસ્તાર દ્વારા મૂલ્યને સમજે છે, તેથી તે વિચારે છે કે 2-ગણો વધારો 4-ગણો છે. આને ફીલ્ડ ફેલેસી કહેવાય છે. મૂલ્ય ક્ષેત્ર દ્વારા નહીં, પરંતુ રેખીય સ્કેલ અને સ્પષ્ટ નંબર લેબલ (દા.ત. '2×') દ્વારા આપવું જરૂરી છે.

10. બાર ચાર્ટમાં સૌથી સામાન્ય છેતરપિંડી કરવાની તકનીક અને તેની યોગ્ય સમકક્ષ કઈ છે?

• એ) લાકડીઓનો રંગ ભ્રામક છે; તે બધાને ગ્રે ચાલુ કરવા માટે જરૂરી છે
• બી) ડાયરેક્ટ લેબલ્સ ભ્રામક છે; તે હંમેશા એક અલગ દંતકથા વાપરવા માટે જરૂરી છે
• સી) ડેશ્ડ વાય-અક્ષ તફાવતને અતિશયોક્તિ કરે છે; બાર ચાર્ટમાં ધરી 0 થી શરૂ થવી જોઈએ ✔
• ડી) આડી પટ્ટી ભ્રામક છે; હંમેશા ઊભી પટ્ટીનો ઉપયોગ કરવાની જરૂર છે

સમજૂતી: ડૅશેડ y-અક્ષ (જ્યાં y 0 ને બદલે 90 થી શરૂ થાય છે) નાનો તફાવત વિશાળ દેખાય છે; 2% નો વધારો 50% જેવો લાગે છે. બાર ચાર્ટમાં, અક્ષ લગભગ હંમેશા 0 થી શરૂ થવો જોઈએ કારણ કે બારની લંબાઈ મૂલ્યનું પ્રતિનિધિત્વ કરે છે.

11. જો તમારે સંવેદનશીલ ડેટા (નામ, પગાર, ગ્રાહક રેકોર્ડ) સાથેના ટેબલને ચાર્ટિંગ માટે બાહ્ય AI ટૂલમાં નિકાસ કરવાની જરૂર હોય તો યોગ્ય અભિગમ શું છે?

• A) સમય બચાવવા માટે ટેબલને ઝડપથી પેસ્ટ કરો
• બી) નામ અને ઓળખ કૉલમ દૂર કરીને ડેટાને અનામી અથવા એકત્રિત કરવો, અને જો જરૂરી ન હોય તો તેને બિલકુલ દાખલ કરશો નહીં ✔
• C) માત્ર સૌથી સંવેદનશીલ કૉલમ છોડીને બાકીની કાઢી નાખવી
• ડી) ડેટા દાખલ કરતા પહેલા આર્ટિફિશિયલ ઇન્ટેલિજન્સથી ગોપનીયતાનું વચન મેળવવું પૂરતું છે.

સમજૂતી: સંસ્થા દ્વારા મંજૂર ન હોય તેવા સાધનમાં વ્યક્તિગત ડેટા દાખલ ન કરવો જરૂરી છે; જો તેને દાખલ કરવું જરૂરી હોય, તો ઓળખ કૉલમ કાઢી નાખીને અથવા વ્યક્તિગત પંક્તિઓને બદલે સરેરાશ/કુલ આપીને તેને એકીકૃત કરવા માટે તેને અનામી બનાવવું જરૂરી છે. એકવાર બહાર થઈ ગયા પછી, ડેટા પુનઃપ્રાપ્ત કરી શકાતો નથી.

12. આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા ઉત્પાદિત આઉટપુટમાં 'આભાસ' નો અર્થ શું થાય છે અને તેના માટે શું કરવું જોઈએ?

• એ) મોડેલ ઘણા રંગોનો ઉપયોગ કરે છે; રંગો ઘટાડવાની જરૂર છે
• બી) મોડેલની ધીમી કામગીરી; ટૂંકી વિનંતી લખવાની જરૂર છે
• સી) મોડેલ 3D માં ગ્રાફ દોરે છે; 2B વિનંતી કરવાની જરૂર છે
• ડી) માહિતી કે જે મોડેલ વાસ્તવિક તરીકે રજૂ કરે છે પરંતુ તે સત્ય નથી; ✔ દરેક મુદ્દો અને સ્ત્રોત ક્રોસ-વેલિડેટેડ હોવા જોઈએ

સમજૂતી: આભાસ એ માહિતી છે જે મોડેલ વાસ્તવિક તરીકે રજૂ કરે છે પરંતુ સાચી નથી; તે મેડ-અપ નંબર, ક્વોટ અથવા સ્ત્રોત હોઈ શકે છે. બીજી બાજુ, મોડેલની બહારની સ્લાઇડ પર દાખલ કરેલ દરેક નંબર અને બાહ્ય સ્ત્રોતને ક્રોસ-વેલિડેટ કરવું જરૂરી છે, અને વિનંતીઓમાં 'સંખ્યાઓ ઉત્પન્ન કરશો નહીં જે ડેટામાં નથી, [પુષ્ટિ] લખો' નો નિયમ સેટ કરવો જરૂરી છે.

13. યોગ્ય ચાર્ટ પ્રકાર પસંદ કરવાનું પ્રથમ પગલું શું છે?

• A) તમે જે પ્રશ્નનો જવાબ આપવા માંગો છો તે એક વાક્યમાં લખો અને તેને પ્રશ્ન પરિવારમાં મૂકો ✔
• બી) સૌથી રંગીન અને આંખ આકર્ષક ગ્રાફિક પ્રકાર પસંદ કરી રહ્યા છીએ
• C) હંમેશા પાઇ ચાર્ટથી શરૂઆત કરો અને જો જરૂરી હોય તો તેમાં ફેરફાર કરો
• ડી) ડેટાને 3D માં પ્રદર્શિત કરીને તેને વધુ પ્રભાવશાળી બનાવવો

સમજૂતી: ચાર્ટનો પ્રકાર તમે જે પ્રશ્નનો જવાબ આપવા માંગો છો તેના પર આધાર રાખે છે, ડેટાના આકાર પર નહીં. પ્રથમ, પ્રશ્નને એક વાક્યમાં લખવો અને તેને કુટુંબ (સરખામણી, વલણ, સંબંધ, ભાગ-સંપૂર્ણ, વિતરણ) માં મૂકવો જરૂરી છે, પછી પ્રકાર પસંદ કરો. પહેલા પ્રકાર પસંદ કરવો અને તેમાં ડેટા ફિટ કરવાનો પ્રયાસ કરવો એ ભૂલ છે.

14. આર્ટિફિશિયલ ઇન્ટેલિજન્સ સાથે એન્ડ-ટુ-એન્ડ પ્રેઝન્ટેશન તૈયાર કરતી વખતે 'એક જ ચાલમાં પ્રેઝન્ટેશન તૈયાર કરો અને સમાપ્ત કરો' એમ કહેવાને બદલે પગલું-દર-પગલાં આગળ વધવું શા માટે મહત્વનું છે?

• A) કારણ કે પગલું દ્વારા પગલું આગળ વધવું હંમેશા ઝડપી છે
• બી) કારણ કે મોડેલ લાંબી વિનંતીઓને બિલકુલ સમજી શકતું નથી
• C) કારણ કે પગલું-દર-પગલાં આગળ વધવાથી વ્યક્તિ ચકાસણી દરમિયાન નિયંત્રણમાં રહે છે, ગોપનીયતા અને રિહર્સલ અટકી જાય છે અને ફેબ્રિકેશન અને લીકેજનું જોખમ ઘટાડે છે ✔
• ડી) કારણ કે એક જ ચાલમાં પૂછવાથી આર્ટિફિશિયલ ઇન્ટેલિજન્સ થાકી જાય છે.

વર્ણન: એક પછી એક કામની વિનંતી કરવી એ વેરિફિકેશન, ગોપનીયતા તપાસો અને રિહર્સલ જેવા મહત્ત્વના સ્ટોપ્સને બાયપાસ કરે છે; મોડેલ ગાબડાઓને બંધબેસે છે અને તમે તેને નિયંત્રિત કરી શકતા નથી. પગલું દ્વારા પગલું આગળ વધવું (સંક્ષિપ્ત, ગોપનીયતા, માળખું, સામગ્રી/ગ્રાફિક્સ, પ્રમાણિકતા તપાસ, રિહર્સલ) દરેક તબક્કે માનવને નિયંત્રણમાં રાખે છે અને શરૂઆતથી જ બનાવટ/ગોપનીયતાની મર્યાદા નક્કી કરે છે.