નફો:
- આર્થિક વિશ્લેષણમાં કૃત્રિમ બુદ્ધિમત્તાની મુખ્ય મર્યાદાઓને વ્યવસ્થિત રીતે સૂચિબદ્ધ કરવાની ક્ષમતા (બનાવટ, ડેટા કટ-ઓફ તારીખ, કાર્યકારણ અંધત્વ, માળખાકીય વિરામ)
- એક સુરક્ષિત ઉપયોગ અને KVKK સુસંગત વર્કફ્લો સ્થાપિત કરવાની ક્ષમતા જે ગોપનીય ડેટા, બજાર-સંવેદનશીલ માહિતી અને વ્યક્તિગત ડેટાને સુરક્ષિત કરે છે
- એન્ટરપ્રાઇઝ-લેવલ AI ગવર્નન્સ ફ્રેમવર્ક ડિઝાઇન અને અમલમાં મૂકવાની ક્ષમતા (નોંધણી, ચકાસણી, જવાબદારી, મંજૂરી સાંકળ)
મોડ્યુલ પરીક્ષા
1. સેન્ટ્રલ બેંકર AI-જનરેટેડ ફુગાવાના અનુમાનને કોઈ પણ જાતની ચકાસણી કર્યા વગર સીધી સત્તાવાર પોલિસી નોટમાં મૂકે છે. આ અભિગમમાં મૂળભૂત ભૂલ શું છે?
- A) કૃત્રિમ બુદ્ધિમત્તાના આઉટપુટને સ્ત્રોત સાથે કનેક્ટ કર્યા વિના નિર્ણયમાં રૂપાંતરિત કરવું, તેની પુનઃ ગણતરી અને આર્થિક ચકાસણીમાંથી પસાર થવું; જવાબદારી લોકોની છે તે અવગણવું ✔
- બી) આર્થિક આગાહીઓમાં કૃત્રિમ બુદ્ધિનો ઉપયોગ કરવા માટે સખત પ્રતિબંધિત છે
- C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ હંમેશા ફુગાવો તેના કરતા ઓછો દર્શાવે છે
- ડી) અનુમાન ગ્રાફમાં રજૂ કરવામાં આવ્યું નથી
વર્ણન: કૃત્રિમ બુદ્ધિ આંકડાકીય રૂપરેખા બનાવે છે; પરંતુ ઔપચારિક નીતિ સંક્ષિપ્તની આગાહી અને સામગ્રીની જવાબદારી સક્ષમ અર્થશાસ્ત્રી અને સંસ્થાની છે. વણચકાસાયેલ આઉટપુટ સહી વિનાના અહેવાલ જેટલું જોખમી છે; સંખ્યા મૂળ સ્ત્રોત સાથે જોડાયેલ હોવી જોઈએ, પુનઃગણતરી કરવી જોઈએ અને આર્થિક ફિલ્ટરમાંથી પસાર થવી જોઈએ.
2. જ્યારે તમે આર્ટિફિશિયલ ઇન્ટેલિજન્સ પૂછો, 'મને 2024માં તુર્કિયે માટે ચાલુ ખાતાની ખાધનો આંકડો આપો' ત્યારે સૌથી સલામત અભિગમ કયો છે?
- A) આર્ટિફિશિયલ ઇન્ટેલિજન્સ દ્વારા આપવામાં આવેલા નંબર પર વિશ્વાસ કરો અને તેનો સીધો ઉપયોગ કરો
- B) CBRT ના અધિકૃત ચૂકવણીના બેલેન્સના પ્રકાશનમાંથી આંકડાની પુષ્ટિ કરવી અને તારીખ/યુનિટની ચકાસણી કરવી ✔
- સી) ઇન્ટરનેટ પર રેન્ડમ ન્યૂઝ સાઇટ પરથી નંબર મેળવવો
- ડી) નંબરને અવગણવું કારણ કે તે કોઈપણ રીતે બદલાશે
સમજૂતી: આર્ટિફિશિયલ ઈન્ટેલિજન્સ દ્વારા આપવામાં આવેલ નંબર ટ્રેનિંગ ડેટાની કટ-ઓફ તારીખ કરતાં જૂનો હોઈ શકે છે અથવા બનેલો હોઈ શકે છે (ભ્રામકતા). આર્થિક માહિતીનો એકમાત્ર સચોટ સ્ત્રોત સત્તાવાર પ્રકાશન છે; આ ઉદાહરણમાં, તે CBRT બેલેન્સ ઓફ પેમેન્ટ્સના આંકડા છે. મૂળ સ્ત્રોતમાંથી નંબરની પુષ્ટિ કરવી આવશ્યક છે.
3. એક વિશ્લેષક કૃત્રિમ બુદ્ધિમત્તાને કાચી CPI શ્રેણી આપે છે અને કહે છે કે 'વાસ્તવિક વૃદ્ધિની ગણતરી કરો'. નીચેનામાંથી કયું યોગ્ય માન્યતા વર્તન છે?
- A) પરિણામ વાંચ્યા વિના રિપોર્ટમાં ઉમેરવું
- બી) પરિણામ 'વાજબી લાગે છે' કે કેમ તે જોવું
- C) જનરેટ કરેલ ફોર્મ્યુલા/કોડ વાંચીને અને ઓછામાં ઓછા એક સમયગાળાની જાતે ગણતરી કરીને પરિણામ ચકાસો ✔
- ડી) આર્ટિફિશિયલ ઇન્ટેલિજન્સ પૂછો 'શું તમને ખાતરી છે?' અને 'હા' જવાબથી સંતુષ્ટ
સમજૂતી: પ્રમાણભૂત આર્થિક ગણતરીઓમાં જેમ કે વાસ્તવિક-નોમિનલ રૂપાંતરણ, એઆઈ યોગ્ય સૂત્રનો ઉપયોગ કરી શકશે નહીં અથવા આધાર વર્ષને મિશ્રિત કરી શકશે નહીં. વિશ્લેષકે જનરેટ કરેલ કોડ અને સૂત્ર વાંચવું જોઈએ, ઓછામાં ઓછા એક અવલોકનની જાતે ગણતરી કરવી જોઈએ અને પરિણામની તુલના કરવી જોઈએ. પારદર્શક, સમજાવી શકાય તેવું એકાઉન્ટિંગ પસંદ કરવામાં આવે છે.
4. સમય શ્રેણીની આગાહીમાં 'બેકટેસ્ટિંગ' શા માટે કરવામાં આવે છે?
- A) મોડેલ ઐતિહાસિક ડેટા સાથે કેટલું 'સરસ' છે તે બતાવવા માટે
- બી) અંદાજને આપમેળે અંતિમ સ્વરૂપ આપવા માટે
- સી) ડેટાને સુંદર બનાવવા માટે
- D) અગાઉના સમયગાળામાં જ્યારે તે પ્રશિક્ષણમાં ન હતું ત્યારે મોડેલનું પરીક્ષણ કરીને વાસ્તવિક આગાહી સફળતાને માપવા માટે ✔
વર્ણન: બેકટેસ્ટ માપે છે કે મોડેલ ભૂતકાળના સમયગાળામાં કેટલી સારી રીતે આગાહી કરે છે જે તે જાણતું નથી; તે મોડલને માત્ર તેના ફિટ થતા ડેટાને જોઈને ઓવરફિટિંગના જાળમાંથી રક્ષણ આપે છે. વાસ્તવિક દુનિયામાં મોડેલની ઉપયોગિતા માટે તે એક પૂર્વશરત છે.
5. ફુગાવાની ટિપ્પણીઓમાં 'બેઝ ઇફેક્ટ' શું છે અને શા માટે તેના પર ધ્યાન આપવાની જરૂર છે?
- A) વાર્ષિક ફેરફાર ગયા વર્ષના તુલનાત્મક સમયગાળાના નીચા/ઉચ્ચથી પ્રભાવિત થાય છે ✔
- બી) ફુગાવો હંમેશા વધે છે
- C) મુખ્ય ફુગાવો હેડલાઇન કરતા વધારે છે
- ડી) કિંમતોનું મોસમી ગોઠવણ
સમજૂતી: પાયાની અસર એ છે કે ફેરફારનો વાર્ષિક દર ગયા વર્ષના (આધાર) નીચા અથવા ઊંચા તેમજ આ વર્ષના વિકાસથી પ્રભાવિત થાય છે. હેડલાઇન વાર્ષિક ફુગાવામાં ઘટાડો ગયા વર્ષના ઊંચા આધારને કારણે હોઈ શકે છે અને વાસ્તવિક મંદી નહીં. AI સારાંશમાં આ મુશ્કેલીને ઘણીવાર અવગણવામાં આવે છે.
6. દૃશ્ય અભ્યાસમાં કૃત્રિમ બુદ્ધિની ભૂમિકાને સૌથી સચોટ રીતે કેવી રીતે વ્યાખ્યાયિત કરી શકાય?
- એ) એક દ્રષ્ટા જે ભવિષ્યને નિશ્ચિતપણે જાણે છે
- બી) અંતિમ નિર્ણય નિર્માતા જે પોતાની રીતે ધારણાઓ નક્કી કરે છે
- સી) એક સહાયક જે સ્પષ્ટ ધારણાઓને પારદર્શક ગણતરીમાં ફેરવે છે અને વિકલ્પોને દૃશ્યમાન બનાવે છે; નિર્ણય માણસમાં છે ✔
- ડી) ચોકસાઇનું સાધન જે સ્ક્રિપ્ટને બિનજરૂરી બનાવે છે
સમજૂતી: દૃશ્ય એ કોઈ આગાહી નથી, પરંતુ સ્પષ્ટ ધારણાઓ પર આધારિત શરતી 'જો-તો' કસરત છે. AI એ ધારણાઓને સ્પ્રેડશીટમાં અનુવાદિત કરવામાં અને વિકલ્પોને દૃશ્યમાન બનાવવા માટે પ્રવેગક છે; જો કે, ધારણાઓની માલિકી, તેમની વાજબીતા અને અંતિમ નિર્ણય અર્થશાસ્ત્રી પાસે રહે છે.
7. રીગ્રેશન આઉટપુટનું અર્થઘટન કરતી વખતે AI મજબૂત કારણભૂત ભાષાનો ઉપયોગ કરે છે જેમ કે 'X વધે Y'. સાચો અર્થશાસ્ત્રી પ્રતિભાવ શું છે?
- A) કારણભૂત ભાષા જેમ છે તેમ સ્વીકારવી
- બી) અવગણવામાં આવેલા ચલો/અંતઃજન્યતાના જોખમોને ચકાસીને અને સંબંધનો અર્થ કાર્યકારણ નથી તે હકીકતને સુધારીને ભાષાને સુધારો.
- સી) રીગ્રેશનને સંપૂર્ણપણે ફેંકી દેવું
- ડી) જો R-ચોરસ વધારે હોય તો કાર્યકારણ સાબિત થાય છે એમ ધારી લેવું
સમજૂતી: રીગ્રેસન મોટે ભાગે સંબંધને માપે છે (સંબંધ); કાર્યકારણનો દાવો માત્ર યોગ્ય ડિઝાઇન (પ્રયોગ, ઇન્સ્ટ્રુમેન્ટલ વેરીએબલ, કુદરતી પ્રયોગ, વગેરે) અને ધારણાઓ હેઠળ જ કરી શકાય છે. અવગણવામાં આવેલા ચલો, અંતઃસ્ત્રાવ અને વિપરીત કાર્યકારણના જોખમો છે. અર્થશાસ્ત્રીએ આ અતિશય કારણદર્શક ભાષાને કાબૂમાં લેવી જોઈએ અને શરતો પર પ્રશ્ન કરવો જોઈએ.
8. તમારી પાસે આર્ટિફિશિયલ ઇન્ટેલિજન્સ છે જે અર્થશાસ્ત્ર વિષય પર સાહિત્યનો સારાંશ તૈયાર કરે છે અને ટેક્સ્ટમાં '(Yılmaz, 2019)' જેવા સંદર્ભો આપવામાં આવ્યા છે. તમારે પહેલા શું કરવું જોઈએ?
- A) રિપોર્ટમાં ટાંકણો જેમ છે તેમ મૂકવો
- બી) સારી ગુણવત્તા ધારી રહ્યા છીએ કારણ કે ત્યાં ઘણા અવતરણો છે
- સી) ફક્ત પ્રકાશન વર્ષોની સુસંગતતા જોતા
- ડી) મૂળ સ્ત્રોતમાંથી ચકાસો કે દરેક સંદર્ભ વાસ્તવમાં અસ્તિત્વમાં છે અને તેમાં શોધ ✔ છે
સમજૂતી: કૃત્રિમ બુદ્ધિ એવા સ્ત્રોતો અને સંદર્ભો ઉત્પન્ન કરી શકે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી (ભ્રામકતા). દરેક સંદર્ભને મૂળ સ્ત્રોતમાંથી ચકાસવું આવશ્યક છે કે તે વાસ્તવમાં અસ્તિત્વમાં છે, તેનું એટ્રિબ્યુશન સાચું છે, અને તે વાસ્તવમાં દાવો કરેલ શોધ ધરાવે છે. વણચકાસાયેલ એટ્રિબ્યુશન એક શૈક્ષણિક અને વ્યાવસાયિક જોખમ છે.
9. જાહેર આર્થિક અહેવાલમાં અનિશ્ચિતતા દર્શાવવાની સૌથી પ્રામાણિક રીત કઈ છે?
- A) એક ચોક્કસ નંબર આપવો અને અનિશ્ચિતતાનો બિલકુલ ઉલ્લેખ ન કરવો
- બી) સૌથી ખરાબ પરિસ્થિતિ છુપાવવી અને માત્ર આશાવાદી નંબર આપવો
- C) સ્પષ્ટપણે આગાહી શ્રેણી, દૃશ્યો અને અંતર્ગત ધારણાઓ જણાવો ✔
- ડી) 'તે જટિલ છે' કહીને અનિશ્ચિતતાને નકારી કાઢવી
સમજૂતી: આર્થિક આગાહી અને વિશ્લેષણમાં અનિશ્ચિતતા અનિવાર્ય છે. એક ચોક્કસ સંખ્યાને બદલે સ્પષ્ટપણે શ્રેણીઓ, દૃશ્યો અને ધારણાઓ જણાવવી એ પ્રમાણિક સંચાર છે. સંદિગ્ધતા છુપાવવી વાચકને ગેરમાર્ગે દોરે છે અને સંસ્થાની વિશ્વસનીયતાને નબળી પાડે છે.
10. જ્યારે ચાર્ટ જીડીપી વૃદ્ધિ દર્શાવે છે, ત્યારે તે વર્ટિકલ એક્સિસ 0% ને બદલે 2% થી શરૂ કરે છે. શા માટે આ ભ્રામક હોઈ શકે છે?
- A) ડૅશ્ડ અક્ષ નાના તફાવતોને અતિશયોક્તિ કરી શકે છે અને ફેરફારને તેના કરતા મોટો બનાવી શકે છે ✔
- બી) જ્યાં ધરી શરૂ થાય છે તે ગ્રાફને બિલકુલ અસર કરતું નથી
- C) ગ્રાફ આપોઆપ વધુ સચોટ બને છે
- ડી) માત્ર રંગની પસંદગી મહત્વપૂર્ણ છે, ધરી બિનમહત્વપૂર્ણ છે
સમજૂતી: ડૅશ્ડ અક્ષ (શૂન્યથી શરૂ થતો નથી) નાના તફાવતોને દૃષ્ટિની રીતે વધારી શકે છે અને ફેરફારને નાટકીય રીતે દેખાડી શકે છે. પ્રામાણિક વિઝ્યુલાઇઝેશનમાં, અક્ષની પસંદગીએ સંદેશને વિકૃત ન કરવો જોઈએ; જો ડેશેડ અક્ષનો ઉપયોગ કરવામાં આવે છે, તો તે સ્પષ્ટ રીતે ચિહ્નિત થયેલ હોવું આવશ્યક છે.
11. થિંક ટેન્ક વિશ્લેષક બજાર-સંવેદનશીલ ડેટાને પ્લગ કરે છે જે હજુ સુધી સાર્વજનિક (બિન-એન્ટરપ્રાઇઝ) AI ટૂલમાં જાહેર કરવામાં આવ્યો નથી. મુખ્ય જોખમ શું છે?
- એ) કોઈ જોખમ નથી, ડેટા પહેલેથી જ સંખ્યાત્મક છે
- બી) એકમાત્ર જોખમ એ છે કે ગ્રાફ ખોટો હોવાનું બહાર આવ્યું છે
- C) આર્ટિફિશિયલ ઇન્ટેલિજન્સ ડેટાની પ્રક્રિયા ખૂબ જ ધીરે ધીરે કરે છે
- ડી) ડેટા લીક થવાનું જોખમ, તૃતીય પક્ષો દ્વારા પ્રક્રિયા અને ગોપનીયતા/બજારના નિયમોનું ઉલ્લંઘન ✔
જાહેરાત: સાર્વજનિક સાધનમાં ગોપનીય અથવા બજાર-સંવેદનશીલ ડેટા દાખલ કરવાથી તૃતીય પક્ષો દ્વારા ડેટા પર પ્રક્રિયા કરવામાં આવે છે, લીક થાય છે અથવા મોડેલને તાલીમ આપવા માટે ઉપયોગમાં લેવાય છે; આ ગોપનીયતા/KVKK ઉલ્લંઘન અને બજારની હેરાફેરી અને આંતરિક માહિતી બંનેનું જોખમ ઊભું કરે છે. સંવેદનશીલ ડેટાની પ્રક્રિયા સંસ્થા દ્વારા મંજૂર, સુરક્ષિત સાધનોમાં થવી જોઈએ અને જ્યારે જરૂરી હોય ત્યારે અનામી હોવી જોઈએ.
12. બે અલગ-અલગ સ્ત્રોતો (તુર્કસ્તાટ અને એક આંતરરાષ્ટ્રીય સંસ્થા)માંથી લેવામાં આવેલા સમાન સૂચકના આંકડા મેળ ખાતા નથી. સૌથી વધુ સંભવિત નિર્દોષ સમજૂતી શું છે?
- એ) સ્ત્રોતોમાંથી એક ચોક્કસપણે જૂઠું બોલે છે
- બી) વ્યાખ્યા, આધાર વર્ષ, અવકાશ, મોસમી ગોઠવણ અથવા પુનરાવર્તનમાં તફાવત હોઈ શકે છે; મેટાડેટા સંરેખિત હોવું આવશ્યક છે ✔
- C) સંખ્યાઓમાં તફાવત બિનમહત્વપૂર્ણ છે, તેમની સરેરાશ લેવી પૂરતી છે
- ડી) કૃત્રિમ બુદ્ધિમત્તાને પૂછવા માટે અને તેને પસંદ કરવા દો કે તે સાચું છે તે પૂરતું છે.
સમજૂતી: વિવિધ સ્ત્રોતોમાં સમાન સૂચકમાં તફાવત મોટે ભાગે વ્યાખ્યા, આધાર વર્ષ, અવકાશ, મોસમી ગોઠવણ અથવા પુનરાવર્તન (સંસ્કરણ) માં તફાવતને કારણે છે. આંકડાઓની સરખામણી કરતા પહેલા મેટાડેટા (વ્યાખ્યા, એકમ, સમયગાળો, કરેક્શન) ગોઠવાયેલ હોવા જોઈએ.
13. નીચેનામાંથી કયું કાર્ય છે જ્યાં AI આર્થિક પૃથ્થકરણમાં મજબૂત છે, માનવ માન્યતા સાથે વેગ આપે છે?
- A) એકલા સત્તાવાર ફુગાવાના આંકડાને અંતિમ મંજૂરી આપવી
- બી) સંસ્થાને બદલે નાણાકીય નીતિના નિર્ણયો લેવા
- સી) ડેટા ક્લિનિંગ કોડનો મુસદ્દો તૈયાર કરવા અને લાંબા અહેવાલોનો સારાંશ આપવા જેવા કાર્યોને ઝડપી બનાવો ✔
- ડી) જાહેર અહેવાલમાં ચકાસાયેલ અનુમાન મૂકવું
વર્ણન: કૃત્રિમ બુદ્ધિ; મિકેનિકલ અને ડ્રાફ્ટિંગ કાર્યોમાં મજબૂત છે જેમ કે કોડનો મુસદ્દો તૈયાર કરવો, લાંબા અહેવાલનો સારાંશ આપવો, ડેટા સાફ કરવાના પગલાં સૂચવવા, ફોર્મેટિંગ અને ભાષા સુધારવી. જો કે, આગાહી, નીતિગત નિર્ણય અને સત્તાવાર આંકડાઓનું ઉત્પાદન કરવાની અંતિમ જવાબદારી મનુષ્યની છે. સાચો ઉપયોગ એ છે કે જ્યાં તે મજબૂત હોય તેને વેગ આપવો અને વ્યક્તિમાં નિર્ણાયક ચુકાદો રાખો.
14. સંસ્થામાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ આઉટપુટનું નિરીક્ષણ અને ઓડિટ કરવામાં આવે તેની ખાતરી કરવા માટે સૌથી યોગ્ય શાસન પ્રથા શું છે?
- A) એક ટ્રેસેબિલિટી અને મંજૂરી સાંકળ સ્થાપિત કરો જે વિનંતી, સાધન, ડેટા અને ચકાસણીના પગલાંને રેકોર્ડ કરે છે ✔
- બી) આઉટપુટ બિલકુલ રેકોર્ડ ન કરવું જેથી વર્કલોડ ન વધે
- C) દરેક વ્યક્તિ તેને જોઈતા ડેટા સાથે મુક્તપણે વાહનનો ઉપયોગ કરી શકે છે.
- ડી) માત્ર સૌથી વરિષ્ઠ વ્યક્તિ કૃત્રિમ બુદ્ધિનો ઉપયોગ કરે છે, કોઈ રેકોર્ડ રાખવામાં આવતો નથી
વર્ણન: સાઉન્ડ ગવર્નન્સ; તેને રેકોર્ડિંગની જરૂર છે કે કયું આઉટપુટ કઈ વિનંતી સાથે, કયા સાધન સાથે, કયા ડેટા સાથે, ચકાસણી પગલું અને જવાબદાર મંજૂરી સાંકળ સાથે ઉત્પન્ન થયું હતું. રેકોર્ડિંગ અને સ્વીકૃતિની આ શિસ્ત ભૂલોને પાછું શોધવા અને જવાબદારી સ્પષ્ટ કરવાની મંજૂરી આપે છે.