શહેરી અને પ્રાદેશિક આયોજનમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચયઃ સીમાઓ, માન્યતા, જવાબદારી અને નીતિશાસ્ત્ર

નફો:

• જોખમ સ્તરના આધારે તફાવત કરવાની ક્ષમતા, જ્યાં AI આયોજનના કાર્યપ્રવાહમાં વાસ્તવિક સમય બચાવે છે અને જ્યાં જાહેર હિત અને સલામતી-નિર્ણાયક જવાબદારી સક્ષમ શહેરી આયોજક અને એન્જિનિયર પાસે રહેવી જોઈએ.
• બહુ-સ્તરવાળી માન્યતા શિસ્ત અમલમાં મૂકવાની ક્ષમતા જે લાગુ કાયદા, સત્તાવાર આંકડા, અવકાશી ચોકસાઈ અને સ્વતંત્ર નિષ્ણાત નિયંત્રણ સામે દરેક AI આઉટપુટનું પરીક્ષણ કરે છે.
• સ્થાન, પાર્સલ, વ્યક્તિગત અને કોર્પોરેટ ડેટાને સુરક્ષિત રાખવા માટે સંદર્ભને અનામી રાખવાની, ડેટાના પૂર્વગ્રહને ઓળખવાની અને ગોપનીયતા-સલામત સાધનો પસંદ કરવાની ટેવ કેળવવાની ક્ષમતા.

શહેર અને પ્રાદેશિક આયોજન એ જાહેર નિર્ણયની સાંકળ છે જે નિર્ધારિત કરે છે કે લાખો લોકો ક્યાં રહેશે, તેઓ ત્યાં કેવી રીતે પહોંચશે, તેઓ કઈ હવામાં શ્વાસ લેશે અને આપત્તિના સમયે તેઓ કેટલા સુરક્ષિત રહેશે. આ સાંકળની કેટલીક લિંક્સ (ડેટા રેંગલિંગ, રિપોર્ટ લેખન, નકશો તૈયાર) ઝડપથી સ્વચાલિત થઈ શકે છે; તેમાંના કેટલાકને ક્યારેય મશીનમાં સ્થાનાંતરિત કરી શકાતા નથી કારણ કે તે જાહેર હિત અને જીવન સલામતીને સીધી અસર કરે છે. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (ટૂંકમાં AI; સૉફ્ટવેર કે જે ડેટામાંથી પેટર્ન શીખે છે અને ટેક્સ્ટ, છબીઓ, નકશા અથવા કોડ બનાવે છે) આ સાંકળમાં એક શક્તિશાળી પ્રવેગક છે: તે ડ્રાફ્ટ વિશ્લેષણ અહેવાલ બનાવે છે, કાયદાકીય ટેક્સ્ટનો સારાંશ આપે છે, કોડ લખે છે, દૃશ્યોની તુલના કરે છે. પરંતુ AI એ શહેરી આયોજક નથી; તે જનતા વતી જવાબદારી લેતું નથી, સસ્પેન્શન પ્રક્રિયામાં પ્રવેશતું નથી અને સહી કરતું નથી. આ એકમમાં, તમે આયોજનમાં AI નો ઉપયોગ ક્યાં કરવો, તમારે ક્યાં ઊભા રહેવાની જરૂર છે અને દરેક આઉટપુટને કેવી રીતે માન્ય કરવું તે શીખી શકશો. ધ્યેય એ છે કે તમને AI પર નિર્ભર નહીં, એક વ્યાવસાયિક નિયંત્રિત AI બનાવવું.

આયોજનમાં AI શું કરી શકે અને શું ન કરી શકે

AI ની વાસ્તવિક શક્તિ ભાષા, પેટર્ન, ડેટા પ્રોસેસિંગ અને વેરિઅન્ટ જનરેશન છે. પ્લાન મેમોના લાંબા લખાણનો સારાંશ આપવો, જમીનના ઉપયોગના પૃથ્થકરણના પગલાંની રચના કરવી, વસ્તી કોષ્ટકનું આયોજન કરવું, QGIS વર્કફ્લો માટે પાયથોન કોડનો મુસદ્દો તૈયાર કરવો, હિતધારકના સર્વેમાં હજારો ટિપ્પણીઓમાંથી થીમ્સ કાઢવી; આમાં, AI તમારા કલાકો અથવા દિવસો પણ બચાવે છે.

AI શું કરી શકતું નથી તે બંધનકર્તા નિર્ણય છે જેને જાહેર હિત અને સુરક્ષાની જરૂર છે. પડોશમાં લાવવાની ઘનતા, સ્ટ્રીમ બેડ પર બિલ્ડીંગ પ્રતિબંધ, ફોલ્ટ લાઇનની નજીક બાંધકામની સ્થિતિ, પાર્સલનો વાસ્તવિક વિકાસ અધિકાર, આંતરછેદની ક્ષમતા; "સામાન્ય રીતે આ રીતે થાય છે" ના તર્ક દ્વારા આમાંનું કંઈ નક્કી કરી શકાતું નથી. એઆઈ આભાસ કરે છે કારણ કે તે ઈન્ટરનેટ પરના ટેક્સ્ટ અને તાલીમ ડેટામાંથી શીખે છે: એટલે કે, તે એક નિયમન કલમ, ગુણોત્તર, કોઓર્ડિનેટ્સ અથવા આંકડા બનાવી શકે છે જે વાસ્તવિક લાગે છે પરંતુ ખોટા છે. આયોજનમાં આ પ્રકારની ભૂલ માત્ર લખાણની ભૂલ નથી; તેનો અર્થ એ છે કે અયોગ્ય રીતે સ્થિત શાળા, પૂરગ્રસ્ત રહેણાંક વિસ્તાર, રદ કરાયેલ યોજના અથવા આપત્તિમાં ગુમાવેલ જીવન.

ધ્યાન આપો: AI આઉટપુટ એ ડ્રાફ્ટ છે, નિષ્ણાત અભિપ્રાય અથવા સત્તાવાર દસ્તાવેજ નથી. સુરક્ષા અને જાહેર હિત માટે મહત્વપૂર્ણ કોઈપણ નિર્ણય (આપત્તિ જોખમ, પૂર, વાહક માળખાકીય સુવિધાઓ, કાયદાકીય રીતે બંધનકર્તા યોજના જોગવાઈ) સક્ષમ શહેર આયોજક અને સંબંધિત એન્જિનિયરની મંજૂરી વિના અમલમાં મૂકી શકાતા નથી. AI આ મંજૂરી અને ઔપચારિક મંજૂરી પ્રક્રિયાને બદલતું નથી.

જોખમ સ્તર અનુસાર ત્રણ પ્રદેશો

AI નો સુરક્ષિત રીતે ઉપયોગ કરવાની સૌથી વ્યવહારુ રીત એ છે કે દરેક કાર્યને જોખમ સ્તરના આધારે ત્રણ ઝોનમાં વિભાજિત કરવું. આ તફાવત ઝડપથી અને સચોટ રીતે પ્રશ્નનો જવાબ આપે છે "શું AIએ આ કરવું જોઈએ?"

પ્રદેશ

નમૂના કાર્યો

AI ની ભૂમિકા

ચકાસણી સ્તર

લીલો (ઓછું જોખમ)

મીટીંગ નોટ, ઈ-મેલ, કોન્સેપ્ટ ટેક્સ્ટ, ટર્મ એક્સપ્લેનેશન, પ્રેઝન્ટેશન શીર્ષક

મફત ઉત્પાદન

ઝડપી સમીક્ષા

પીળો (મધ્યમ જોખમ)

વિશ્લેષણ અહેવાલ ડ્રાફ્ટ, કાયદાનો સારાંશ, કોડ ડ્રાફ્ટ, ડેટા એડિટિંગ, થીમ નિષ્કર્ષણ

ડ્રાફ્ટ + દરખાસ્ત

નિષ્ણાત તપાસ + સ્ત્રોત/ડેટા પુષ્ટિકરણ

લાલ (સુરક્ષા અને જાહેર હિત મહત્વપૂર્ણ)

આપત્તિ જોખમ, પૂર, મકાન પ્રતિબંધ, ઘનતા નિર્ણય, વિકાસ અધિકાર, બંધનકર્તા યોજના જોગવાઈ

માત્ર પ્રી-સ્ક્રીન/ચેકલિસ્ટ

સક્ષમ નિષ્ણાત વિશ્લેષણ, ઔપચારિક પ્રક્રિયા અને મંજૂરી ફરજિયાત છે

ગ્રીન ઝોનમાં ઝડપી રહો. યલો ઝોનમાં AI નો ઉપયોગ કરો, પરંતુ દરેક નંબર, સ્ત્રોત અને ડેટાની ચકાસણી કરો. રેડ ઝોનમાં, AI પાસે ક્યારેય અંતિમ કહેવું નથી; તે માત્ર એક સહાય છે જે નિષ્ણાતના કાર્યને ઝડપી બનાવે છે.

બહુ-સ્તર ચકાસણી શિસ્ત

ચકાસણી "હું તેને પછીથી તપાસીશ" વિચારીને મુલતવી રાખવાની વસ્તુ નથી; વર્કફ્લોનો એક ભાગ છે. આયોજનમાં નક્કર માન્યતા પાંચ સ્તરો ધરાવે છે:

1. સ્ત્રોત પર પાછા ફરો. જો AI એ દર, આઇટમ, સંકલન અથવા આંકડા આપ્યા છે, તો તેને વર્તમાન સત્તાવાર ટેક્સ્ટમાં ખોલો અને પુષ્ટિ કરો (મંજૂર ઝોનિંગ પ્લાન, પ્લાન નોટ, રેગ્યુલેશન, TÜİK ડેટા, કોર્પોરેટ ડેટાબેઝ).
2. ડેટા સાથે પરીક્ષણ કરો. સંખ્યાત્મક પરિણામ (વસ્તી, વિસ્તાર, ક્ષમતા) ની સત્તાવાર આંકડા અથવા માપાંકિત મોડેલ સાથે સરખામણી કરો.
3. અવકાશી ચોકસાઈ. વાસ્તવિક આધાર અને સાચા સંકલન સંદર્ભ સામે નકશો, કોઓર્ડિનેટ સિસ્ટમ (CRS) અને ભૂમિતિના દાવાઓ તપાસો.
4. નિષ્ણાત આંખ. જો સંબંધિત નિર્ણય કોઈ શિસ્ત (ભૂસ્તરશાસ્ત્ર, પરિવહન, પર્યાવરણીય ઈજનેરી, કાયદો) ની નિપુણતામાં હોય, તો તેને તે નિષ્ણાત દ્વારા મંજૂર કરો.
5. તમારી છાપ છોડો. રેકોર્ડ કરો કે કયા આઉટપુટને કયા ડેટા સાથે અને કેવી રીતે માન્ય કરવામાં આવ્યું હતું; જાહેર પ્રક્રિયાને ઓડિટેબલ થવા દો.

સંકેત: "એઆઈએ કહ્યું" એ વાજબીપણું નથી. યોજનાના નિર્ણય માટેનું સમર્થન હંમેશા વર્તમાન કાયદો, સત્તાવાર ડેટા, વિશ્લેષણ અને સક્ષમ નિષ્ણાત મૂલ્યાંકન છે. AI તમને આ સમર્થન તૈયાર કરવામાં મદદ કરે છે, તે તેમને બદલતું નથી.

ગોપનીયતા, ડેટા પૂર્વગ્રહ અને નીતિશાસ્ત્ર

પ્લાનિંગ ડેટા સંવેદનશીલ છે. એક યોજના સુધારો જે સ્થગિત કરવામાં આવ્યો નથી, પાર્સલ માલિકની ઓળખ, પડોશનો સામાજિક આર્થિક ડેટા, જમીનના પ્લોટનું સંકલન; તેમના અકાળ લીકેજથી અટકળો, અયોગ્ય લાભો અને જાહેર વિશ્વાસને નુકસાન થાય છે. ક્લાઉડ-આધારિત AI ટૂલને આ ડેટા આપતા પહેલા, ત્રણ પ્રશ્નો પૂછો: શું આ ડેટા ખરેખર જરૂરી છે? શું તે અનામી કરી શકાય છે? શું હું જે સાધનનો ઉપયોગ કરું છું તે તાલીમમાં ડેટાનો ઉપયોગ કરે છે?

ડેટા પૂર્વગ્રહ એ આયોજન માટે એક વિશિષ્ટ ભય છે. AI ઐતિહાસિક ડેટામાંથી શીખે છે; જો કોઈ પ્રદેશમાં ભૂતકાળમાં ઓછું રોકાણ થયું હોય, થોડો ડેટા એકત્રિત કરવામાં આવ્યો હોય, અથવા કોઈ જૂથ અભિપ્રાય નોંધવામાં ન આવ્યો હોય, તો AI આ અસમાનતાને "સામાન્ય" તરીકે મજબૂત કરી શકે છે. ઉદાહરણ તરીકે, વરિષ્ઠ લોકો કે જેઓ ડિજિટલ સર્વેક્ષણમાં ભાગ લઈ શકતા નથી અથવા મર્યાદિત ઇન્ટરનેટ ઍક્સેસ ધરાવતા પડોશીઓ AI સારાંશમાં અદ્રશ્ય રહી શકે છે. જાહેર નોકરીમાં, આનો અર્થ કોડ દ્વારા અન્યાયને ગુણાકાર કરવો. તેથી જ દરેક AI આઉટપુટ પૂછે છે કે "કોણ અથવા શું ખૂટે છે?" પ્રશ્ન પૂછવો એ વ્યાવસાયિક જવાબદારી છે.

સ્ટેપ બાય સ્ટેપ: એક કાર્યમાં સુરક્ષિત રીતે AI નો પરિચય

1. પ્રદેશમાં કાર્ય મૂકો. લીલો, પીળો કે લાલ?
2. અનામી સંદર્ભ. વાસ્તવિક પાર્સલ, સંકલન, નામ અને નંબર સાફ કરો.
3. સ્પષ્ટ સંક્ષિપ્ત આપો. વર્કસ્પેસ, મર્યાદાઓ, માપદંડ અને ફોર્મેટ સ્પષ્ટપણે લખો.
4. આઉટપુટને ડ્રાફ્ટ તરીકે ધ્યાનમાં લો. તેનો ઉપયોગ અંતિમ ઉત્પાદન અથવા સત્તાવાર દસ્તાવેજ તરીકે ક્યારેય કરશો નહીં.
5. ચકાસણીના સ્તરો લાગુ કરો. સ્ત્રોત, ડેટા, અવકાશી ચોકસાઈ, નિષ્ણાત, ટ્રેસ.
6. "કોણ અથવા શું ખૂટે છે?" પૂછો પ્રતિનિધિત્વ અને પૂર્વગ્રહ તપાસો.
7. નિર્ણય અને તેના તર્કને રેકોર્ડ કરો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ: "આ પડોશ માટે આયોજન વિશ્લેષણ લખો."

કારણ કે આ વિનંતી સંદર્ભ-મુક્ત છે, AI જેનરિક, ક્લિચ્ડ અને સંભવતઃ અચોક્કસ ટેક્સ્ટ બનાવે છે; તે સંખ્યાઓ બનાવે છે અને કાયદાને ભ્રમિત કરે છે.

શક્તિશાળી સંકેત: "તમે શહેરી આયોજક માટે મદદરૂપ સહાયક છો. નીચેના [અનામી] ડેટાના આધારે ડ્રાફ્ટ જમીન ઉપયોગ વિશ્લેષણ અહેવાલ તૈયાર કરો. ડેટા: વર્તમાન વપરાશ વિતરણ [કોષ્ટક], વસ્તી [તુર્કસ્ટેટ ડેટા], ઢાળ અને ફ્લડપ્લેન [સારાંશ]. લેબલ 'પુષ્ટિ' જરૂરી સંખ્યાઓ માટે તમારે દરેક અનિચ્છનીય સંખ્યા અને પુનઃપ્રાપ્તિની આવશ્યકતા છે. ફોર્મેટ: શીર્ષકોમાં, દરેક શોધ માટે ડેટા સ્ત્રોત સૂચવો."

બીજો પ્રોમ્પ્ટ ઓડિટેબલ, ચકાસી શકાય તેવી બ્લુપ્રિન્ટ બનાવે છે કારણ કે તે AI ને ભૂમિકા, ડેટા, અવરોધો, અસ્પષ્ટતા અને ફોર્મેટ આપે છે.

ચાર નકલ કરી શકાય તેવા નમૂનાઓ

ભૂમિકા: તમે શહેરી અને પ્રાદેશિક આયોજન સહાયક છો. કાર્ય: [કાર્ય] માટે ડ્રાફ્ટ તૈયાર કરો. સંદર્ભ: અભ્યાસ વિસ્તાર [...], વસ્તી [...], વર્તમાન ઉપયોગ [...], પ્રતિબંધો [...]. નિયમ: કોઈપણ નંબરો, દરો, કોઓર્ડિનેટ્સ અને કાયદાકીય સંદર્ભો કે જેના વિશે તમે અચોક્કસ હો તેના માટે "પુષ્ટિ જરૂરી" લેબલ કરો. ડેટા ફિટિંગ.ફોર્મેટ: હેડિંગમાં, દરેક શોધ માટે ડેટા સ્ત્રોત દર્શાવે છે.

કાર્ય: LIST તકનીકી દાવાઓ, સંખ્યાત્મક મૂલ્યો, સંકલન અને નિયમનકારી સંદર્ભો નીચેના લખાણમાં. દરેક માટે "સ્રોત ચકાસાયેલ હોવું આવશ્યક છે" નોંધ ઉમેરો. તેને જાતે ચકાસો નહીં, ફક્ત તેને ચિહ્નિત કરો. ટેક્સ્ટ: [...]

કાર્ય: શહેરી આયોજકના પરિપ્રેક્ષ્યમાં જોખમ સ્તર દ્વારા આ AI આઉટપુટનું વર્ગીકરણ કરો. દરેક વસ્તુ માટે: લીલો/પીળો/લાલ અને એક વાક્યનું સમર્થન આપો. લાલ વસ્તુઓ માટે, "સક્ષમ નિષ્ણાત વિશ્લેષણ અને સત્તાવાર મંજૂરી જરૂરી" લખો. આઉટપુટ: [...]

કાર્ય: નીચેની યોજના/પ્રોજેક્ટ ટેક્સ્ટને અનામી બનાવો. વાસ્તવિક પાર્સલ નંબર, ટાપુ, સરનામું, કોઓર્ડિનેટ્સ, વ્યક્તિ/સંસ્થાના નામ અને નંબરને [LABEL] સાથે બદલો; તકનીકી અર્થ રાખો. ટેક્સ્ટ: [...]

ત્રણ નાના કેસો

કેસ 1 - ભ્રામક પૂર રેખા. એક આયોજક એઆઈને પૂછે છે કે પ્રવાહની બાજુમાં 40 હેક્ટર જમીન માટે "શું પૂરનું જોખમ છે". AI વિશ્વાસપૂર્વક કહે છે, "50-વર્ષની પૂર મર્યાદા પ્રવાહથી 30 મીટર છે." આયોજક તેને ચકાસ્યા વિના વિશ્લેષણમાં મૂકે છે. જો કે, સંબંધિત સંસ્થા (DSI)ના અધિકૃત પૂર વિશ્લેષણ મુજબ, અમુક બિંદુઓ પર વાસ્તવિક પૂર મર્યાદા 120 મીટર છે. AI દ્વારા બનાવવામાં આવેલ 30 મીટર 12 હેક્ટર જોખમી વિસ્તારને "સલામત" તરીકે દર્શાવ્યો હતો. પાઠ: રેડ ઝોન ડેટા, જેમ કે પૂર, માત્ર સત્તાવાર એજન્સી વિશ્લેષણમાંથી લેવામાં આવે છે.

કેસ 2 — સમય બચત સારાંશ. આ જ પ્લાનર પાસે AI પાસે 62-પાનાના પ્લાન વર્ણન રિપોર્ટનો સારાંશ છે અને મુખ્ય હેડલાઇન્સ, વિરોધાભાસી આઇટમ્સ અને 15 મિનિટમાં ગુમ થયેલ વિશ્લેષણો બહાર કાઢે છે. પછી તે મૂળ અહેવાલમાંથી દરેક આઇટમની પુષ્ટિ કરે છે. લીલા-પીળા ઝોનનો આ ઉપયોગ બે દિવસના વાંચન કાર્યને અડધો દિવસ ઘટાડે છે; ચકાસણી વગર કોઈ નિર્ણય લેવામાં આવતો નથી.

કેસ 3 - અદ્રશ્ય પડોશી. મ્યુનિસિપાલિટી એઆઈ સાથેના ડિજિટલ સર્વેમાંથી 8,000 ટિપ્પણીઓનો સારાંશ આપે છે. સારાંશ શહેરના મધ્ય પડોશી વિસ્તારોની માંગણીઓથી ભરેલો છે. એક આયોજક પૂછે છે "કોણ ખૂટે છે?" તે પૂછે છે, અને શોધે છે કે વસ્તીના 22 ટકા હિસ્સો ધરાવતી ત્રણ ઝૂંપડપટ્ટીમાંથી લગભગ કોઈ પ્રતિસાદ મળતો નથી; ત્યાં ઇન્ટરનેટનો વપરાશ ઓછો છે. ટીમ સામ-સામે મીટિંગ ઉમેરીને રજૂઆતને ઠીક કરે છે. AI નો અભાવ પોતાને કહેતો નથી; પૂછવાનું આયોજકનું કામ છે.

સામાન્ય ભૂલો

• AI પ્રિન્ટઆઉટને સત્તાવાર દસ્તાવેજ તરીકે ભૂલવું. ડ્રાફ્ટ અને મંજૂર પ્લાન/રિપોર્ટ વચ્ચેનો તફાવત ભૂંસી નાખવો એ સૌથી ખતરનાક ભૂલ છે.
• રેડ ઝોનની ફરજ એઆઈને છોડી દેવી. AI ના "સૂચન" સાથે આપત્તિઓ, પૂર અને મકાન પર પ્રતિબંધ જેવા નિર્ણયો બંધ કરવાથી જાહેર સલામતી જોખમમાં મૂકે છે.
• આત્મવિશ્વાસપૂર્ણ ભાષા સાથે મૂંઝવણભર્યું આભાસ. AI ખોટા ગુણોત્તરને સાચા ગુણોત્તરની જેમ વિશ્વાસપૂર્વક કહે છે; ટોન એ ચોકસાઈનો પુરાવો નથી.
• વિચાર્યા વિના ગોપનીય ડેટા અપલોડ કરવો. નિલંબિત પ્લાન, પાર્સલ માલિક અને ક્લાઉડને અજ્ઞાત રાખ્યા વિના કોઓર્ડિનેટ આપવું એ વ્યક્તિગત ડેટા અને જાહેર પ્રક્રિયાનું ઉલ્લંઘન છે.
• "કોણ ખૂટે છે?" પૂછવા માટે નથી. પ્રતિનિધિત્વના પૂર્વગ્રહને અવગણવાથી અસમાનતાને મજબૂત બનાવે છે.
• વેરિફિકેશનનો હિસાબ રાખતા નથી. જાહેર પ્રક્રિયા ઓડિટેબલ હોવી જોઈએ; જો તે અપ્રસ્તુત છે કે કયું આઉટપુટ ચકાસાયેલ છે અને કેવી રીતે, તેને જવાબદાર ગણી શકાય નહીં.

સારાંશમાં

AI શહેર અને પ્રાદેશિક આયોજનમાં એક શક્તિશાળી પ્રવેગક છે, પરંતુ તે પ્લાનરને બદલી શકતું નથી. જોખમ સ્તરના આધારે કામને લીલા, પીળા અને લાલ ઝોનમાં વિભાજીત કરો; રેડ ઝોનમાં ક્યારેય AI ને અંતિમ કહેવું ન આપો. ચકાસણીના પાંચ સ્તરો (સ્રોત, ડેટા, અવકાશી ચોકસાઈ, નિષ્ણાત, ટ્રેસ) સાથે દરેક આઉટપુટનું પરીક્ષણ કરો. ગોપનીયતાનું રક્ષણ કરો અને ડેટા પૂર્વગ્રહ અને પ્રતિનિધિત્વના અભાવ માટે સક્રિયપણે જુઓ. AI આઉટપુટ સક્ષમ નિષ્ણાતની મંજૂરી અને ઔપચારિક મંજૂરી પ્રક્રિયાનો વિકલ્પ નથી; જાહેર નિર્ણય અને જવાબદારી હંમેશા લોકોની છે.

એપ્લિકેશન કાર્ય

એક આયોજન કાર્ય પસંદ કરો કે જે તમે તમારા પર કામ કર્યું છે (અથવા કાલ્પનિક). (1) કાર્યના પેટા સ્ટેપ્સને લીલા/પીળા/લાલ ઝોનમાં વિભાજીત કરો અને તેમને કોષ્ટકમાં લખો. (2) પીળા પ્રદેશમાં સબટાસ્ક માટે ઉપરના પ્રથમ નમૂનાનો ઉપયોગ કરીને AI સ્કેચ બનાવો. (3) એક વાક્યમાં લખો કે તમે દરેક પાંચ ચકાસણી સ્તરો માટે આ રૂપરેખામાં નિશ્ચિતપણે શું કરશો. (4) "કોણ અથવા શું ખૂટે છે?" આ કાર્યના સંદર્ભમાં પ્રશ્નનો જવાબ આપો.

ચેકલિસ્ટ

• [ ] મેં કાર્યને લીલા/પીળા/લાલ ઝોનમાં મૂક્યું છે.
• [ ] મેં રેડ ઝોનના નિર્ણયો AI પર છોડ્યા નથી; મેં તેને નિષ્ણાત અને સત્તાવાર પ્રક્રિયાનો સંદર્ભ આપ્યો.
• [ ] મેં સંદર્ભને અનામી રાખ્યો છે; મેં વિચાર્યા વિના ગોપનીય ડેટા અપલોડ કર્યો નથી.
• [ ] મેં અધિકૃત સ્ત્રોતમાંથી દરેક નંબર, દર, સંકલન અને કાયદાકીય સંદર્ભની પુષ્ટિ કરી છે.
• [ ] "કોણ અથવા શું ખૂટે છે?" મેં પ્રશ્ન પૂછ્યો; મેં પ્રતિનિધિત્વ અને પૂર્વગ્રહ માટે તપાસ કરી.
• [ ] મેં વેરિફિકેશન ટ્રેસ સાચવ્યું છે.
• [ ] મેં AI આઉટપુટને ડ્રાફ્ટ તરીકે ચિહ્નિત કર્યું છે, મેં તેનો સત્તાવાર દસ્તાવેજ તરીકે ઉપયોગ કર્યો નથી.