પ્રોજેક્ટ મેનેજમેન્ટમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સનો પરિચય: ભૂમિકાઓ, સીમાઓ, પ્રમાણીકરણ અને ગોપનીયતા

નફો:

• કૃત્રિમ બુદ્ધિમત્તા પ્રોજેક્ટ મેનેજમેન્ટ (આયોજન, અંદાજ, અહેવાલ, સંદેશાવ્યવહાર) માં વાસ્તવિક સમય ક્યાં બચાવે છે અને જ્યાં બજેટ પ્રતિબદ્ધતા અને ડિલિવરી તારીખ જેવા નિર્ણયો પ્રોજેક્ટ મેનેજર પર છોડવામાં આવે છે, તે કાર્ય જોખમ સ્તરના આધારે અલગ કરવામાં સક્ષમ હોવા.
• એવી શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક કૃત્રિમ બુદ્ધિમત્તાના આઉટપુટને સ્ત્રોત સાથે કનેક્ટ કરવા, તેની પુનઃગણતરી અને તેને વહીવટી ફિલ્ટરિંગ દ્વારા પસાર કરવાના પગલાઓ દ્વારા ચકાસે છે.
• KVKK/ગોપનીયતા અને NDAના કાર્યક્ષેત્રમાં પ્રોજેક્ટ, ગ્રાહક અને હિતધારકના ડેટાને અનામી રાખવો અને સુરક્ષિત વાહનો પસંદ કરવાની ટેવ કેળવવી

દરેક પ્રોજેક્ટમાં સેંકડો નિર્ણયો હોય છે, જેમાંથી મોટાભાગના ચૂપચાપ લેવામાં આવે છે. આ નોકરી કોના માટે છે? આ કાર્યને કેટલા દિવસો લાગશે? બજેટ ધરાવે છે? અમે ગ્રાહકને કઈ તારીખ જણાવવી જોઈએ? જો આ જોખમ થાય તો આપણે શું કરવું? ગયા સપ્તાહની બેઠકમાં અમે શું નિર્ણય લીધો, કોણ શું કરશે? આમાંના કેટલાક નિર્ણયો પુનરાવર્તિત, ડેટા-સઘન અને સમય માંગી લે તેવા છે; પ્રોજેક્ટ મેનેજર (PM - પ્રોજેક્ટ મેનેજર, યોજનાથી પ્રોજેક્ટની ડિલિવરી સુધી જવાબદાર વ્યક્તિ) નું મોટાભાગનું કામ અહેવાલો લખવામાં, કોષ્ટકો ભરવામાં, ઈ-મેલ તૈયાર કરવામાં અને મીટિંગની નોંધ રાખવામાં ખર્ચવામાં આવે છે. આર્ટિફિશિયલ ઈન્ટેલિજન્સ (એઆઈ, અથવા ટૂંકી કમ્પ્યુટર સિસ્ટમ માટે AI જે ટેક્સ્ટ જનરેટ કરી શકે છે, પેટર્નને ઓળખી શકે છે, આગાહીઓ કરી શકે છે અને માણસોની જેમ ડેટાનો સારાંશ આપી શકે છે) આ ચિત્રની બરાબર મધ્યમાં બંધબેસે છે: જ્યારે યોગ્ય રીતે ઉપયોગ થાય છે, ત્યારે તે કામના ભંગાણ માળખું, જોખમ નોંધણી, સ્થિતિ અહેવાલ અથવા મીટિંગનો સારાંશ કલાકોને બદલે મિનિટમાં તૈયાર કરી શકે છે; અયોગ્ય રીતે વપરાયેલ, તે મોટે ભાગે સલામત પરંતુ પાયા વગરના અનુમાનથી ગ્રાહક પ્રતિબદ્ધતા તરફ દોરી શકે છે.

આ મોડ્યુલનું પ્રથમ એકમ સોફ્ટવેર પરિચય નથી. તેનો હેતુ એ સ્પષ્ટ કરવાનો છે કે તમારા પ્રોજેક્ટ વર્કમાં AI ક્યાં મૂકવું અને ક્યાં મૂકવું નહીં. કારણ કે પ્રોજેક્ટ મેનેજમેન્ટ એ "ઓપરેશન-ક્રિટીકલ" અને "કમિટમેન્ટ-ક્રિટીકલ" ફીલ્ડ બંને છે: તમે જે સમયનો અંદાજ આપો છો તે ગ્રાહક સાથેના કરાર પર આધારિત છે; એક સંસાધન નિર્ણય અઠવાડિયાથી ભરેલા ટીમ સભ્યના કૅલેન્ડરમાં ફેરવાય છે. ચાલો શરૂઆતથી જ મૂળ સિદ્ધાંત મૂકીએ: AI એ સહાયક છે, પ્રોજેક્ટ મેનેજર નથી. બજેટ પ્રતિબદ્ધતા, વિતરણ તારીખ વચન, સંસાધન ફાળવણી અને કરારની જવાબદારી જેવા નિર્ણયોની જવાબદારી અને અંતિમ મંજૂરી સક્ષમ પ્રોજેક્ટ મેનેજર અને જવાબદાર હિતધારકોની છે.

પ્રોજેક્ટ મેનેજમેન્ટના સ્તરો અને એઆઈનું સ્થાન

પ્રોજેક્ટને સમજવા માટે, કાર્યને ત્રણ સ્તરોમાં વહેંચવું ઉપયોગી છે. ઓપરેશનલ લેયર એ રોજ-બ-રોજની કામગીરી છે: ટાસ્ક ટ્રેકિંગ, મીટિંગ નોટ, ઈમેલ, સ્ટેટસ અપડેટ. વ્યૂહાત્મક સ્તર એ પ્લાનિંગ અને ટ્રેકિંગ છે: વર્ક બ્રેકડાઉન સ્ટ્રક્ચર, શેડ્યૂલ, આગાહી, રિસ્ક રજિસ્ટર, સ્ટેટસ રિપોર્ટ. વ્યૂહાત્મક સ્તર પ્રોજેક્ટનું તર્ક અને દિશા નક્કી કરે છે: ખર્ચ-લાભ, પોર્ટફોલિયો અગ્રતા, અવકાશ નિર્ણય. AI ત્રણેય સ્તરોને સ્પર્શ કરી શકે છે; પરંતુ દરેકમાં અલગ સત્તા સાથે. ઓપરેશનલ લેયર પર, AI ઝડપી ડ્રાફ્ટ્સ અને સારાંશ બનાવે છે; વ્યૂહાત્મક સ્તર પર, તે ફક્ત ઇનપુટ પ્રદાન કરે છે, મેનેજમેન્ટ અને પ્રાયોજક નિર્ણય લે છે. અમે નીચેના એકમોમાં એક પછી એક પ્રાયોજક (પ્રોજેક્ટ અને કોર્પોરેટ માલિકી માટે ફાઇનાન્સ કરનાર ટોચના મેનેજર), સ્ટેકહોલ્ડર (પ્રોજેક્ટથી પ્રભાવિત અથવા પ્રોજેક્ટને અસર કરતા દરેક વ્યક્તિ - ગ્રાહક, ટીમ, સપ્લાયર, વપરાશકર્તા) જેવા ખ્યાલો સમજાવીશું.

ચાલો શરૂઆતથી થોડા મૂળભૂત શબ્દો વ્યાખ્યાયિત કરીએ. સ્કોપ એ છે કે પ્રોજેક્ટ શું કરશે અને શું નહીં. વર્ક બ્રેકડાઉન સ્ટ્રક્ચર (ડબ્લ્યુબીએસ) એ મેનેજ કરી શકાય તેવા ટુકડાઓમાં કામનું વિભાજન છે. માઇલસ્ટોન એ એક મહત્વપૂર્ણ બિંદુ છે જે પ્રગતિને ચિહ્નિત કરે છે (દા.ત. "ડિઝાઇન મંજૂરી"). જોખમ એ અનિશ્ચિત ઘટના છે જે પ્રોજેક્ટને અસર કરશે જો તે થાય. ડિલિવરેબલ એ પ્રોજેક્ટ દ્વારા ઉત્પાદિત કોંક્રિટ આઉટપુટ છે. આ તમામ વિભાવનાઓમાં, AI તમને રૂપરેખા અને વિશ્લેષણ આપે છે, પરંતુ નિર્ણયો લેતા નથી.

નીચેનું કોષ્ટક મિશન દ્વારા AI ની ભૂમિકા અને જોખમ સ્તરનો સારાંશ આપે છે:

ક્વેસ્ટ

AI ની ભૂમિકા

જોખમ સ્તર

કોણ મંજૂર કરે છે

મીટિંગનો સારાંશ / ઈમેલ ડ્રાફ્ટ

સ્કેચ જનરેટર

નીચું

પ્રોજેક્ટ મેનેજર

WBS / અવકાશ રૂપરેખા

સ્કેચ જનરેટર

નિમ્ન-મધ્યમ

પીએમ + ટીમ

સમયગાળો અને સંસાધન અંદાજ

આગાહી કરનાર, દૃશ્ય જનરેટર

મધ્યમ-ઉચ્ચ

PM + ટીમ ડેટા

રિસ્ક રજિસ્ટર સ્કોરિંગ

આંકડાકીય ઉત્તેજના

મધ્યમ

જોખમ માલિક + PM

સ્થિતિ અહેવાલ / EVM ટિપ્પણી

વિશ્લેષણ અને ડ્રાફ્ટ

મધ્યમ

પ્રોજેક્ટ મેનેજર

ડિલિવરી તારીખ / બજેટ પ્રતિબદ્ધતા

સહાયક ઇનપુટ

ખૂબ ઊંચા

PM + પ્રાયોજક

કરાર/સંસાધન ફાળવણીનો નિર્ણય

સહાયક ઇનપુટ

ખૂબ ઊંચા

સ્પોન્સર + PM

આ ચાર્ટમાં એક લીટી ધ્યાનમાં રાખો: જેમ જેમ જોખમ વધે છે, AI ની ભૂમિકા સંકોચાય છે, માનવ મંજૂરી વધે છે.

શા માટે "ચકાસણી" આ વ્યવસાયનું હૃદય છે

આર્ટિફિશિયલ ઇન્ટેલિજન્સ લેંગ્વેજ મોડલ તેમના જવાબમાં વિશ્વાસપૂર્ણ લાગે છે, પરંતુ તેઓ ચોક્કસ ન પણ હોઈ શકે. ટેકનિકલ ભાષામાં, આને આભાસ કહેવામાં આવે છે: તે અસ્ખલિત વાક્યમાં અસ્તિત્વમાં નથી તેવી માહિતીનું મોડેલ બનાવટ છે, જેમ કે તે સાચું હોય. પ્રોજેક્ટ મેનેજર માટે, આ એક ગંભીર છટકું છે: મોડેલ વિશ્વાસપૂર્વક તમને "આ પ્રકારના સૉફ્ટવેર સંકલન માટે સામાન્ય રીતે 3 અઠવાડિયા લે છે" ની સમયમર્યાદા આપી શકે છે, જ્યારે તે તમારી ટીમની ઝડપ, તકનીકી દેવું, વેકેશન શેડ્યૂલ વિશે કશું જાણતું નથી અને આ સંખ્યા સંપૂર્ણ સામાન્યીકરણ છે. અથવા તે પદ્ધતિને ખોટી રીતે રજૂ કરી શકે છે (દા.ત., “PMBOK 7 ને નીચેનાની જરૂર છે”). કારણ કે તે બંને એક જ પ્રવાહ સાથે કહે છે, એકમાત્ર વસ્તુ જે સાચું અને ખોટું અલગ કરે છે તે છે તમારું જ્ઞાન અને ચકાસણી કરવાની આદત.

ચકાસણી શિસ્ત ત્રણ પગલાંઓ સમાવે છે:

1. સ્ત્રોત સાથે લિંક કરો: સમયગાળો, ખર્ચ, ક્ષમતા અને ભૂતકાળની કામગીરી માટે તમારી પોતાની સંસ્થાના રેકોર્ડ્સ (ઐતિહાસિક પ્રોજેક્ટ ડેટા, શેડ્યૂલ્સ, સંસાધન પૂલ, એકાઉન્ટિંગ) અને તમારી ટીમના અનુમાન પર આધાર રાખો, AIની મેમરી પર નહીં. તે ડેટા પર ટિપ્પણી કરવા માટે AI નો ઉપયોગ કરો, તેને યાદ રાખવા માટે નહીં.
2. પુનઃગણતરી / સરખામણી કરો: AI રિટર્ન આપે છે તે દરેક સંખ્યાત્મક પરિણામ સ્વતંત્ર રીતે તપાસો (કુલ સમય, બજેટ, ટકા પૂર્ણ, CPI/SPI). કુલ, ભારિત સરેરાશ, નિર્ણાયક માર્ગ જાતે ચકાસો.
3. વ્યવસ્થાપક ફિલ્ટર: મેનેજરના પરિપ્રેક્ષ્યમાંથી પરીક્ષણ કરો કે શું આઉટપુટ જમીન પરના તથ્યોનો વિરોધાભાસ કરે છે (ટીમની ઉપલબ્ધતા, બજેટ, કરાર, નિર્ભરતા).

ધ્યાન આપો: AI દ્વારા પ્રાયોજકને કોઈ આગાહી અથવા અહેવાલ રજૂ કરવો અથવા તેની ચકાસણી કર્યા વિના ગ્રાહકને સોંપવું એ સહી વિનાનો કરાર આપવા જેવું છે. માત્ર કારણ કે આઉટપુટ અસ્ખલિત છે તે સાચું નથી.

ગોપનીયતા: પ્રોજેક્ટ ડેટા ઘણીવાર ગોપનીય હોય છે

પ્રોજેક્ટનો મોટાભાગનો ડેટા સંવેદનશીલ છે. ગ્રાહકનું નામ, કરારની રકમ, બિડની કિંમતો, કર્મચારીઓના પગાર અને કામગીરીની માહિતી અને ઉત્પાદન યોજનાઓ કે જે હજુ સુધી જાહેર કરવામાં આવી નથી તે ઘણીવાર NDA (નોન-ડિસ્કલોઝર એગ્રીમેન્ટ) દ્વારા સુરક્ષિત છે; વ્યક્તિગત ડેટા તુર્કિયેમાં KVKK (પર્સનલ ડેટા પ્રોટેક્શન લૉ) અને યુરોપમાં GDPR દ્વારા આવરી લેવામાં આવે છે. સાર્વજનિક રૂપે ઉપલબ્ધ AI ટૂલમાં ગ્રાહકનું નામ, કરારની કિંમત, ટીમના સભ્યોના નામ અને પ્રદર્શન સ્કોર્સને ફક્ત પેસ્ટ કરવું એ કરારનો ભંગ અને ડેટા ભંગ બંને હોઈ શકે છે. નિયમ સરળ છે: ડેટાને અનામી રાખો અને બિનજરૂરી શેર કરશો નહીં. "એબીસી બેંક સાથે 4.2 મિલિયન TL CRM પ્રોજેક્ટ" ને બદલે "મોટા પાયાના નાણાકીય ગ્રાહક માટે સોફ્ટવેર પ્રોજેક્ટ"; "આંટી (વરિષ્ઠ વિકાસકર્તા, ખરાબ પ્રદર્શન)" ને બદલે "એક વરિષ્ઠ ટીમ સભ્ય" લખો. જો શક્ય હોય તો, કોર્પોરેટ ટૂલ્સ પસંદ કરો કે જેમાં ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ હોય અને મોડલ ટ્રેનિંગમાં તમારા ડેટાનો ઉપયોગ ન કરો.

ત્રણ નાના કેસો

કેસ 1 - સલામત ઉપયોગ. એક પ્રોજેક્ટ કોઓર્ડિનેટર દર અઠવાડિયે 6 વર્ક પેકેજોમાંથી એક જ સ્ટેટસ રિપોર્ટમાં પ્રોગ્રેસનું સંકલન કરવા માટે 2.5 કલાક વિતાવતો હતો. તેણે AI ને અનામી રીતે પ્રગતિ ડેટા (ગ્રાહકનું નામ અને રકમો ઢાંકી) આપ્યો અને ડ્રાફ્ટ એક્ઝિક્યુટિવ સારાંશની વિનંતી કરી. AI એ 12 મિનિટમાં એક સ્કેચ બનાવ્યો; સંયોજકે દરેક ટકાવારીની તુલના તેના ટ્રેકિંગ ચાર્ટ સાથે કરી, ખોટો પૂર્ણતા દર સુધાર્યો અને સ્થિતિના રંગોને વાસ્તવિકતામાં સુધાર્યા. અવધિ: 2.5 કલાકને બદલે 35 મિનિટ. એઆઈએ ડ્રાફ્ટ આપ્યો, જવાબદારી માનવીની રહી.

કેસ 2 - પુષ્ટિ વિનાની આગાહી છટકું. એક PM એ AI ને પૂછ્યું "મોબાઇલ એપ ટેસ્ટ કેટલા દિવસ લે છે?" AI એ ટીમનો ડેટા જોયા પહેલા "લગભગ 8 દિવસ" કહ્યું. PM એ ગ્રાહકને પ્રતિબદ્ધ કર્યું; ટીમના ઐતિહાસિક ડેટાના આધારે વાસ્તવિક સમય 15 કામકાજી દિવસનો હતો. 7-દિવસના વિચલનને કારણે પેનલ્ટી લાગી. ભૂલ: ટીમ ડેટા વિના પ્રતિબદ્ધતા પેદા કરવા માટે AI પાસેથી સંખ્યાની અપેક્ષા રાખવી.

કેસ 3 - ગોપનીયતાનો ભંગ. એક ટીમ લીડરએ સાર્વજનિક AI ટૂલમાં ગ્રાહકનું નામ, કરારની રકમ અને સમગ્ર ટીમના નામ-પગારની માહિતી ધરાવતો સંસાધન પ્લાન અપલોડ કર્યો અને કહ્યું "આને ઑપ્ટિમાઇઝ કરો." ડેટા બાહ્ય સર્વર પર ગયો; ગ્રાહકે NDA ઉલ્લંઘન માટે નોટિસ મોકલી. નામ, રકમ અને પગારને છોડી દેવાનો અને માત્ર ભૂમિકા અને પ્રયત્નની ટકાવારી જેવા અનામી ક્ષેત્રોને શેર કરવાનો સાચો માર્ગ હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

આ મહિને અમારા પ્રોજેક્ટની સ્થિતિ વિશે લખો અને અમને જણાવો કે અમે કેટલા આગળ આવ્યા છીએ.

આ દાવો ખામીયુક્ત છે: AI ને કોઈ ડેટા આપવામાં આવ્યો નથી, તેથી તે ફક્ત મેડ-અપ નંબર સાથે "અમે કેટલા દૂર આવ્યા છીએ" પ્રશ્નનો જવાબ આપી શકે છે. ન તો સમયગાળો, ન અવકાશ, ન સંદર્ભ સ્પષ્ટ છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: સહાયક પ્રોજેક્ટ મેનેજરને મદદ કરે છે. સંદર્ભ: નીચે 5 વર્ક પેકેજો માટેનો પ્લાન/વાસ્તવિક ડેટા છે (ક્લાયન્ટનું નામ અને રકમ માસ્ક કરેલ છે). કાર્ય: એક્ઝિક્યુટિવ સારાંશનો ડ્રાફ્ટ લખો (200 શબ્દો અથવા ઓછા). ફક્ત મેં આપેલા ડેટાનો ઉપયોગ કરો; ખૂટતી માહિતી, નંબર ફિટિંગ માટે "[પુષ્ટિ જરૂરી]" લખો. માળખું: 1) સામાન્ય સ્થિતિ (RAG), 2) એડવાન્સિંગ પેકેજો, 3) ડિવિએટિંગ પેકેજો અને કારણ, 4) ભલામણ. ડેટા:- WBS-1 વિશ્લેષણ: યોજના 100% / વાસ્તવિક 100%- WBS-2 ડિઝાઇન: યોજના 80% / વાસ્તવિક 60%- WBS-3 વિકાસ: યોજના 40% / વાસ્તવિક 25%- WBS-4 પરીક્ષણ: યોજના 10% / વાસ્તવિક 0% - WBS-5 દસ્તાવેજીકરણ: યોજના 20% / વાસ્તવિક 20%

આ પ્રોમ્પ્ટ મજબૂત છે કારણ કે ભૂમિકા, સંદર્ભ, ડેટા, સીમા ("નંબર ફિટિંગ"), ફોર્મેટ અને અસ્પષ્ટતા ("[પુષ્ટિ જરૂરી]") સ્પષ્ટ રીતે આપવામાં આવી છે. આઉટપુટ હજુ પણ પ્રોજેક્ટ મેનેજર દ્વારા માન્ય હોવું આવશ્યક છે.

ત્રણ અન્ય ઉપયોગી સ્ટાર્ટર નમૂનાઓ:

# ટેમ્પલેટ કે જે અનિશ્ચિતતાને લાગુ કરે છે નીચેના ટેક્સ્ટમાંથી નિર્ણયો અને ક્રિયાઓ કાઢો. ટેક્સ્ટમાં સ્પષ્ટપણે ઉલ્લેખિત ન હોય તેવી કોઈ જવાબદારીઓ અથવા તારીખો સોંપો નહીં; જ્યાં તમને ખાતરી ન હોય ત્યાં "અનિશ્ચિત" લખો. તેને બનાવશો નહીં.

# અનામીકરણ રીમાઇન્ડર (સ્વ-તપાસ) જો હું તમને આપીશ તે ટેક્સ્ટમાં તમે ગ્રાહકનું નામ, રકમ અથવા વ્યક્તિનું નામ જોશો, તો પ્રક્રિયા શરૂ કરતા પહેલા મને ચેતવણી આપો અને મને આ ક્ષેત્રોને [MASKED] સાથે બદલવાનું સૂચન કરો.

# ટેમ્પલેટ કે જે માન્યતા સૂચિ બનાવે છે તમે જે દરેક સંખ્યાત્મક પરિણામ ઉત્પન્ન કરો છો તેના માટે, પ્રોજેક્ટ મેનેજર તેને સ્વતંત્ર રીતે કેવી રીતે ચકાસી શકે તેના પર એક-લાઇન "માન્યતા પગલું" ઉમેરો.

સામાન્ય ભૂલો

• ડેટા આપ્યા વિના સંખ્યાની અપેક્ષા રાખવી: તમારા પોતાના પ્રોજેક્ટનો ડેટા આપ્યા વિના AI ને સમય, ખર્ચ અથવા પ્રગતિ માટે પૂછવું એ તેને ભ્રમિત થવા માટે આમંત્રણ આપે છે.
• ચોકસાઈ સાથે ગૂંચવણમાં મૂકે છે: સારી રીતે લખાયેલ ટેક્સ્ટનો અર્થ એ નથી કે તે સાચું છે.
• ગોપનીય ડેટા જેમ છે તેમ પેસ્ટ કરવો: ગ્રાહકનું નામ, રકમ અને સંપર્ક માહિતી અનામી વગર કોઈપણ ઓપન ટૂલ દાખલ કરવી જોઈએ નહીં.
• AI ને પ્રતિબદ્ધતા સોંપવી: ડિલિવરી તારીખ અને બજેટ ટીમની ચકાસણી વિના પ્રતિબદ્ધ થવું જોઈએ નહીં.
• તેને એક જ પ્રોમ્પ્ટ સાથે સમાપ્ત કરવાનો પ્રયાસ કરી રહ્યા છીએ: સારા પરિણામો સ્ટ્રક્ચર્ડ પ્રોમ્પ્ટથી આવે છે જેમાં રોલ-સંદર્ભ-ડેટા-બાઉન્ડ્રી-ફોર્મેટનો સમાવેશ થાય છે.

ટીપ: દરેક AI સત્રની શરૂઆત પૂછીને કરો, "પ્રાયોજકને આ ડિલિવરેબલ રજૂ કરતાં પહેલાં મારે મારા માટે કઈ ત્રણ બાબતોની ચકાસણી કરવી જોઈએ?" પ્રશ્ન સાથે પ્રારંભ કરો. આ ટેવ બાકીના મોડ્યુલના તમામ કાર્યોમાં તમારું રક્ષણ કરશે.

સારાંશમાં

કૃત્રિમ બુદ્ધિ એ પ્રોજેક્ટ મેનેજમેન્ટમાં એક શક્તિશાળી સહાયક છે જે અહેવાલો, યોજનાઓ, અંદાજો અને સંચારને વેગ આપે છે; જો કે, તે એક સાધન છે જે ડ્રાફ્ટ્સ બનાવે છે, પ્રતિબદ્ધતાઓ નહીં. જ્યારે આપણે વ્યવસાયને ઓપરેશનલ, વ્યૂહાત્મક અને વ્યૂહાત્મક સ્તરોમાં વિભાજીત કરીએ છીએ, ત્યારે જોખમ વધે તેમ AIની ભૂમિકા નાની થઈ જાય છે. દરેક આઉટપુટ ત્રણ પગલાઓ દ્વારા માન્ય હોવું આવશ્યક છે (સ્રોતની લિંક, પુનઃગણતરી, વહીવટી ફિલ્ટર); પ્રોજેક્ટ અને ગ્રાહક ડેટા KVKK/NDA ના કાર્યક્ષેત્રમાં અનામી હોવા જોઈએ. નિર્ણાયક નિર્ણયોની જવાબદારી અને અંતિમ મંજુરી હંમેશા માણસની હોય છે.

એપ્લિકેશન કાર્ય

તમારા વર્તમાન પ્રોજેક્ટમાંથી એક કાર્ય પસંદ કરો. સૌપ્રથમ, AI ને ઇરાદાપૂર્વક "નબળું" પ્રોમ્પ્ટ લખો (સંદર્ભ વિના, કોઈપણ ડેટા આપ્યા વિના) અને આઉટપુટ સાચવો. પછી આ એકમમાં "મજબૂત પ્રોમ્પ્ટ" સ્ટ્રક્ચર (ભૂમિકા, સંદર્ભ, અનામી ડેટા, સીમા, ફોર્મેટ) સાથે તે જ કાર્યને ફરીથી પૂછો. બે પ્રિન્ટઆઉટને બાજુમાં રાખો અને તફાવત લખો અને ઓછામાં ઓછા ત્રણ પોઈન્ટ તમારે બંને પ્રિન્ટઆઉટમાં તમારી જાતે ચકાસવાના છે.

ચેકલિસ્ટ

• [ ] મેં AI ની ભૂમિકા "સહાયક/ડ્રાફ્ટ" તરીકે અને નિર્ણયને "માનવ" તરીકે મૂક્યો.
• [ ] મેં મારા કાર્યનું જોખમ સ્તર (નીચું/મધ્યમ/ઉચ્ચ) નક્કી કર્યું છે.
• [ ] મેં પ્રોમ્પ્ટમાં ભૂમિકા, સંદર્ભ, ડેટા, સીમા અને ફોર્મેટ ઉમેર્યા છે.
• [ ] મેં ગ્રાહકનું નામ, રકમ અને વ્યક્તિની માહિતી અનામી કરી છે.
• [ ] મેં તે પગલું નોંધ્યું છે જ્યાં હું આઉટપુટમાં દરેક નંબરને સ્વતંત્ર રીતે ચકાસીશ.
• [ ] મેં તેની ચકાસણી કર્યા વિના પ્રતિબદ્ધતા (તારીખ/બજેટ) ધરાવતું કોઈપણ આઉટપુટ શેર કર્યું નથી.