અર્થશાસ્ત્ર અને આંકડામાં કૃત્રિમ બુદ્ધિ: ભૂમિકાઓ, સીમાઓ, પ્રમાણીકરણ અને ગોપનીયતા

નફો:

• પ્રાયોગિક વર્કફ્લો (ડેટા ક્લિનિંગ, કોડ, વિઝ્યુલાઇઝેશન, ડ્રાફ્ટ અર્થઘટન) માં આર્ટિફિશિયલ ઇન્ટેલિજન્સ વાસ્તવિક સમયની બચત કરે છે અને જ્યાં કાર્ય જોખમ સ્તર અનુસાર મોડેલ પસંદગી, કાર્યકારણનો દાવો અને પ્રકાશનનો નિર્ણય જેવા નિર્ણયો નિષ્ણાત પર છોડી દેવામાં આવે છે તે પારખવામાં સક્ષમ હોવું.
• એક શિસ્ત લાગુ કરવાની ક્ષમતા કે જે દરેક કૃત્રિમ બુદ્ધિમત્તા આઉટપુટ (નંબર, ગુણાંક, કોડ, ટિપ્પણી) ને પુનઃગણતરીના પગલાઓ દ્વારા, સ્ત્રોત સાથે લિંક કરીને અને આંકડાકીય ફિલ્ટરિંગને ચકાસે છે.
• KVKK/GDPR અને ડેટા વપરાશ કરારના ક્ષેત્રમાં માઇક્રો ડેટા અને ગોપનીય/લાયસન્સવાળા ડેટા સેટ પર સુરક્ષિત રીતે પ્રક્રિયા કરવાની ક્ષમતા અને યોગ્ય સાધનો પસંદ કરવાની ટેવ કેળવવી.

અર્થશાસ્ત્રી અથવા લાગુ આંકડાશાસ્ત્રીના ડેસ્ક પર દરરોજ સમાન પ્રશ્નો પુનરાવર્તિત થાય છે: શું આ ડેટા સેટ વિશ્વસનીય છે; આ ગુમ થયેલ મૂલ્યોનું શું કરવું? આ રીગ્રેશનનો ગુણાંક ખરેખર શું કહે છે? શું આ સંબંધ કારણભૂત છે કે માત્ર સહસંબંધિત છે? કારણ કે આ પી-વેલ્યુ નોંધપાત્ર છે, શું હું તેને લેખ અથવા નીતિ સંક્ષિપ્તમાં લખી શકું? આમાંના કેટલાક પ્રશ્નો પુનરાવર્તિત, કોડ-સઘન અને સમય માંગી લે તેવા છે: ડેટા સાફ કરવા, સમાન ગ્રાફને દસ વખત બનાવવો, R અથવા Python કોડને ડિબગ કરવો, પરિણામોને કોષ્ટકમાં દોરવા. અન્ય લોકો કોઈ તારણની માન્યતા, પ્રકાશનની પ્રામાણિકતા અથવા નીતિ નિર્ણયની સચોટતા સીધી રીતે નક્કી કરે છે.

આર્ટિફિશિયલ ઈન્ટેલિજન્સ (ટૂંકમાં AI, AI - કોમ્પ્યુટર સિસ્ટમ કે જે મનુષ્યની જેમ ટેક્સ્ટ અને કોડ બનાવી શકે છે, પેટર્નને ઓળખી શકે છે, ડેટાનો સારાંશ આપી શકે છે અને ટિપ્પણીઓ લખી શકે છે; આજે સૌથી વધુ ઉપયોગમાં લેવાતા સ્વરૂપ મોટા ભાષાના નમૂનાઓ છે, એટલે કે, સિસ્ટમ કે જે વિશાળ ટેક્સ્ટ પર પ્રશિક્ષિત છે અને આગળના શબ્દની આગાહી કરીને વાક્યો બનાવે છે) આ ટેબલની બરાબર મધ્યમાં બેસે છે. જ્યારે યોગ્ય રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે ડેટા ક્લિનિંગ કોડના કલાકોને મિનિટમાં ઘટાડી દે છે, તમને જટિલ આંકડાકીય પરીક્ષણના સિન્ટેક્સની યાદ અપાવે છે અથવા ગુણાંકના અર્થઘટનનો ડ્રાફ્ટ બનાવે છે. જ્યારે ખોટી રીતે ઉપયોગ કરવામાં આવે છે, ત્યારે તે "શોધ" તરીકે દેખીતી રીતે ખાતરીપૂર્વક પરંતુ સંપૂર્ણપણે બનાવટી સંખ્યા, ખોટા મહત્વ અથવા બિન-કારણકારી સંબંધને રજૂ કરે છે.

આ પ્રથમ એકમ સોફ્ટવેર પરિચય નથી. તેનો હેતુ એ સ્પષ્ટ કરવાનો છે કે તમારા પ્રયોગમૂલક વર્કફ્લોમાં AI ને ક્યાં મૂકવું અને ક્યાં ક્યારેય ન મૂકવું. ઇકોનોમેટ્રિક્સ એ "પદ્ધતિ-નિર્ણાયક" અને પરોક્ષ રીતે "નિર્ણય-નિર્ણાયક" ક્ષેત્ર બંને છે: તમે જે મોડેલ બનાવો છો તેનો ગુણાંક કેન્દ્રીય બેંકના વ્યાજ દરના નિર્ણય, નિયમનકારની નીતિમાં ફેરફાર અથવા પેઢીના મિલિયન-ડોલરના રોકાણમાં ઇનપુટ હોઈ શકે છે. ચાલો શરૂઆતથી જ મૂળ સિદ્ધાંત મૂકીએ: કૃત્રિમ બુદ્ધિ એ વિશ્લેષણ સહાયક છે, સંશોધક નથી. મોડેલની પસંદગી, ઓળખ વ્યૂહરચના, કાર્યકારણ, પ્રકાશન અને નીતિ વિષયક નિર્ણયોની જવાબદારી અને અંતિમ મંજૂરી સક્ષમ નિષ્ણાતની છે.

પ્રયોગમૂલક વર્કફ્લોના સ્તરો અને AI નું સ્થાન

પ્રયોગમૂલક અભ્યાસને ત્રણ સ્તરોમાં વિભાજીત કરવો ઉપયોગી છે. એક્ઝેક્યુશન લેયર એ રોજ-બ-રોજનું ટેકનિકલ કામ છે: ડેટા ક્લિનિંગ કોડ, ગ્રાફ ડ્રોઇંગ, ટેબલ ફોર્મેટિંગ, સિન્ટેક્સ ડિબગિંગ. પદ્ધતિ સ્તર એ વિશ્લેષણાત્મક નિર્ણય છે: કયું મોડેલ, કઈ ઓળખ વ્યૂહરચના, કઈ પરીક્ષણ, કઈ ધારણાની ચકાસણી. અર્થઘટન અને નિર્ણય સ્તર એ તારણોનો અર્થ છે: ગુણાંક શું કહે છે, શું તે કારણભૂત છે, નીતિ માટે તેનો અર્થ શું છે, તે પ્રકાશિત થવું જોઈએ. AI ત્રણેય સ્તરોને સ્પર્શે છે, પરંતુ દરેકમાં અલગ સત્તા સાથે. એક્ઝેક્યુશન લેયર પર, AI ઝડપથી ડ્રાફ્ટ કરે છે અને કોડ જનરેટ કરે છે; અર્થઘટન અને નિર્ણય સ્તર પર, ફક્ત ઇનપુટ આપવામાં આવે છે અને નિષ્ણાત નિર્ણય લે છે.

ચાલો શરૂઆતથી થોડા મૂળભૂત શબ્દો વ્યાખ્યાયિત કરીએ. ઇકોનોમેટ્રિક્સ એવી શાખા છે જે આંકડાકીય પદ્ધતિઓ વડે આર્થિક અને સામાજિક ડેટાનું વિશ્લેષણ કરે છે અને સંબંધોને માપે છે. રીગ્રેસન એ એક પદ્ધતિ છે જે સંખ્યાત્મક રીતે પરિણામ ચલ (આશ્રિત ચલ) ના સંબંધને એક અથવા વધુ સ્પષ્ટીકરણ ચલો (સ્વતંત્ર ચલો) સાથે મોડેલ કરે છે. ગુણાંક એ એવી સંખ્યા છે જે દર્શાવે છે કે સ્પષ્ટીકરણ ચલમાં સરેરાશ એક-એકમ ફેરફાર પરિણામ ચલમાં કેટલા એકમો સાથે સંકળાયેલ છે. p-મૂલ્ય એ એવી સંભાવના છે કે જ્યારે કોઈ અસર ખરેખર અસ્તિત્વમાં ન હોય ત્યારે અવલોકન કરેલ પરિણામ (અથવા વધુ આત્યંતિક પરિણામ) આકસ્મિક રીતે થાય છે. અમે નીચેના એકમોમાં આ ખ્યાલોને એક પછી એક સમજાવીશું; હમણાં માટે, આ જાણો: આ બધામાં, AI તમને બ્લુપ્રિન્ટ, કોડ અને સમજૂતી આપે છે, પરંતુ તે વૈજ્ઞાનિક નિર્ણયો લેતું નથી.

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

ક્વેસ્ટ

AI ની ભૂમિકા

જોખમ સ્તર

કોણ મંજૂર કરે છે

ડેટા સેનિટાઇઝેશન કોડ લખી રહ્યા છીએ

કોડ જનરેટર

નીચું

વિશ્લેષક પોતે (કોડ પરીક્ષણ સાથે)

ચાર્ટ/ટેબલ ડ્રાફ્ટ

સ્કેચ જનરેટર

નીચું

વિશ્લેષક

ટેસ્ટ/મોડેલ સિન્ટેક્સ રીમાઇન્ડર

સંદર્ભ સહાયક

નિમ્ન-મધ્યમ

વિશ્લેષક

ડ્રાફ્ટ ગુણાંક અર્થઘટન

ડ્રાફ્ટ લેખક

મધ્યમ

અર્થશાસ્ત્રી

મોડલ/ઓળખ વ્યૂહરચના પસંદગી

સહાયક ઇનપુટ

ઉચ્ચ

નિષ્ણાત સંશોધક

કાર્યકારણનો દાવો

માત્ર એક ડ્રાફ્ટ, ક્યારેય અંતિમ શબ્દ નહીં

ખૂબ ઊંચા

નિષ્ણાત + પીઅર સમીક્ષા

પ્રકાશન/નીતિ નિર્ણય

માત્ર ઇનપુટ

ખૂબ ઊંચા

જવાબદાર તપાસકર્તા/સંસ્થા

આ કોષ્ટકની એક લાઇનને ધ્યાનમાં રાખો: જેમ જેમ જોખમ વધે છે તેમ તેમ AI ની ભૂમિકા સંકોચાય છે અને નિષ્ણાતની મંજૂરી વધે છે.

શા માટે "ચકાસણી" આ વ્યવસાયનું હૃદય છે

ભાષાના નમૂનાઓ તેમના જવાબમાં આત્મવિશ્વાસપૂર્ણ 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. અર્થશાસ્ત્રી માટે, આ એક જીવલેણ છટકું છે. મોડેલ તમને ચોક્કસ સંખ્યા આપી શકે છે જેમ કે "2015-2020 વચ્ચે તુર્કીમાં બેરોજગારી અને ફુગાવા વચ્ચેનો સંબંધ 0.62 છે"; જો કે, તેણે ક્યારેય તમારો ડેટા જોયો નથી અને આ નંબર સંપૂર્ણપણે બનેલો છે. અથવા તે એમ કહી શકે કે, “વ્હાઈટ ટેસ્ટ પી-વેલ્યુ 0.03 હતી”; જ્યારે તે કોઈ પરીક્ષણો ચલાવતો ન હતો. તે વાસ્તવમાં અસ્તિત્વમાં ન હોય તેવી દલીલ સાથે R ફંક્શનને કૉલ કરી શકે છે. તે ત્રણેય ગીતો સમાન પ્રવાહ સાથે ગાય છે; એક જ વસ્તુ જે સાચા અને ખોટાને અલગ પાડે છે તે છે તમારું જ્ઞાન અને તમારી ચકાસણી કરવાની આદત.

ચકાસણી શિસ્ત ત્રણ પગલાંઓ સમાવે છે:

1. તમારા પોતાના વાતાવરણમાં પુનઃગણતરી કરો / ચલાવો: AI દ્વારા R/Python માં આપેલ દરેક સંખ્યા, ગુણોત્તર, પરીક્ષણ પરિણામ અને ગુણાંકની ગણતરી તમારા પોતાના ડેટા સાથે કરો, AI ની મેમરીમાંથી નહીં. કોડ લખવા માટે AI નો ઉપયોગ કરો, પરિણામ યાદ રાખવા માટે નહીં. કોડ ચલાવો, તમે આઉટપુટ ઉત્પન્ન કરો છો.
2. સ્ત્રોતની લિંક: પદ્ધતિ નિયમો, સૂત્રો અને વ્યાખ્યાઓ માટે પાઠ્યપુસ્તકો, પદ્ધતિઓ લેખો અને સત્તાવાર દસ્તાવેજો પર આધાર રાખો. વિશ્વસનીય સ્ત્રોત સાથે AI ના નિવેદન "આ પરીક્ષણની ધારણા છે" ની પુષ્ટિ કરો.
3. આંકડાકીય ફિલ્ટર: નિષ્ણાત આંખોથી પરીક્ષણ કરો કે શું આઉટપુટ આંકડાકીય તર્ક (ધારણાઓ, નમૂના, અસર કદ, અનિશ્ચિતતા) નો વિરોધાભાસ કરે છે. "અર્થપૂર્ણ પરંતુ વાહિયાત" પરિણામને નકારો.

સાવધાન: લેખ, થીસીસ અથવા પોલિસી નોટમાં AI-જનરેટેડ ગુણાંક, પરીક્ષણ અથવા અર્થઘટનને માન્ય કર્યા વિના મૂકવું એ સમીક્ષા વગરની શોધ પ્રકાશિત કરવા જેવું છે. માત્ર કારણ કે આઉટપુટ અસ્ખલિત છે તે સાચું નથી; માત્ર કારણ કે સંખ્યા ચોક્કસ લાગે છે, તે વાસ્તવિક નથી.

ગોપનીયતા: માઇક્રો ડેટા અને લાઇસન્સ પ્રાપ્ત ડેટા ખાનગી રીતે સુરક્ષિત છે

અર્થશાસ્ત્રમાં માઇક્રોડેટા (વ્યક્તિગત, ઘરગથ્થુ, પેઢી અથવા દર્દી સ્તરે એકલ રેકોર્ડ)નો વારંવાર ઉપયોગ થાય છે. આમાંનો મોટા ભાગનો ડેટા વ્યક્તિગત ડેટા છે અને તે યુરોપમાં તુર્કી અને જીડીપીઆરમાં KVKK (પર્સનલ ડેટા પ્રોટેક્શન લૉ) હેઠળ સુરક્ષિત છે. વધુમાં, તુર્કસ્ટેટ, કેન્દ્રીય બેંકો, પેનલ ડેટા પ્રદાતાઓ અને વાણિજ્યિક સ્ત્રોતો ઘણીવાર ડેટા વપરાશ કરાર સાથે ડેટા પ્રદાન કરે છે; આ કરારો તૃતીય પક્ષોને ડેટા સ્થાનાંતરિત કરવા પર પ્રતિબંધ મૂકે છે. સાર્વજનિક AI ચેટ ટૂલમાં ઓળખ માહિતી, આવક, આરોગ્ય અથવા કંપનીના રહસ્યો ધરાવતું ટેબલ ચોંટાડવું એ KVKK/GDPR ઉલ્લંઘન અને કરારનું ઉલ્લંઘન બંને છે; કારણ કે ડેટા બાહ્ય સર્વર પર જાય છે અને કેટલાક ટૂલ્સમાં મોડલ તાલીમમાં ઉપયોગ કરી શકાય છે.

નિયમ સરળ છે: ડેટાને તેના પોતાના સુરક્ષિત વાતાવરણમાં રાખો, AI ને ફક્ત કોડ અને પદ્ધતિઓ માટે પૂછો. આદર્શ વર્કફ્લો આ છે: વિશ્લેષણ કોડ માટે AI ને પૂછો, તમે તમારા પોતાના કમ્પ્યુટર/એન્ટરપ્રાઇઝ સર્વર પર વાસ્તવિક ડેટા સાથે કોડ ચલાવો છો. જો તમારે ખરેખર ડેટા શેર કરવો જોઈએ, અનામી (ID ફીલ્ડ્સ દૂર કરો), એકંદર (વ્યક્તિગતને બદલે સરેરાશ/ગણતરી) અને એવા સાધનો પસંદ કરો કે જે સંસ્થાકીય હોય, ડેટા પ્રોસેસિંગ એગ્રીમેન્ટ હોય અને શિક્ષણમાં તમારા ડેટાનો ઉપયોગ ન કરો.

ત્રણ નાના કેસો

કેસ 1 - સલામત અને કાર્યક્ષમ ઉપયોગ. એક સંશોધકે સૌપ્રથમ ઘરના બજેટ ડેટાની 40,000 પંક્તિઓને મેન્યુઅલી સાફ કરવામાં 6 કલાક ગાળ્યા હતા. ડેટાને બિલકુલ શેર કર્યા વિના, તેણે ફક્ત AI ને વેરિયેબલ નામ અને માળખું વર્ણવ્યું અને સફાઈ કોડ માંગ્યો. AI એ R સ્ક્રિપ્ટ જનરેટ કરી; સંશોધકે તેના પોતાના વાતાવરણમાં કોડ ચલાવ્યો, દરેક પગલાની લીટીઓની સંખ્યા અને સારાંશના આંકડા તપાસ્યા અને બે તર્કની ભૂલો સુધારી. અવધિ: 6 કલાકને બદલે 70 મિનિટ. ડેટા ક્યારેય બહાર ગયો નથી; જવાબદારી સંશોધકની રહી.

કેસ 2 - વણચકાસાયેલ નંબર ટ્રેપ. "જીડીપી વૃદ્ધિ અને વિદેશી સીધા રોકાણ વચ્ચે સ્થિતિસ્થાપકતા શું છે," એક સ્નાતક વિદ્યાર્થીએ એઆઈને પૂછ્યું. AI એ વિશ્વાસપૂર્વક "લગભગ 0.34" નો નંબર આપ્યો, તેમ છતાં તેની પાસે કોઈપણ ડેટાની ઍક્સેસ નથી. વિદ્યાર્થીએ સાહિત્યના સારાંશમાં આ લખ્યું છે; જ્યારે તેમના સલાહકારે સ્ત્રોત વિશે પૂછ્યું, ત્યારે તે બહાર આવ્યું કે નંબરનો કોઈ આધાર નથી અને તે સંપૂર્ણપણે બનાવટી છે. ભૂલ: તેને ડેટા અને સંસાધનો આપ્યા વિના AI પાસેથી નક્કર આંકડાઓની અપેક્ષા રાખવી.

કેસ 3 - ગોપનીયતા અને કરારનો ભંગ. એક વિશ્લેષકે એક્સેલને અપલોડ કર્યું, જે તેને કંપનીનું નામ અને ટર્નઓવર ધરાવતી લાઇસન્સવાળી કંપનીની પેનલમાંથી પ્રાપ્ત થયું હતું, તેને સાર્વજનિક રૂપે ઉપલબ્ધ AI ટૂલ પર અપલોડ કર્યું અને કહ્યું કે "પૅનલ રીગ્રેશન કરો." ડેટા પ્રદાતાના કરારમાં તૃતીય-પક્ષ સિસ્ટમ્સમાં ડેટાના ટ્રાન્સફર પર પ્રતિબંધ છે; આ ઘટનાએ અનુપાલન સમીક્ષા માટે પૂછ્યું. કંપનીના નામોને અનામી કોડ્સ સાથે બદલવાનો અથવા કોઈ ડેટા શેર ન કરવાનો અને ફક્ત પેનલ રીગ્રેસન કોડની વિનંતી કરવાનો અને તેને તેના પોતાના વાતાવરણમાં ચલાવવાનો સાચો રસ્તો હતો.

નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ

નબળા પ્રોમ્પ્ટ:

ફુગાવો અને બેરોજગારી વચ્ચેના સંબંધનું વિશ્લેષણ કરો અને ગુણાંક જણાવો.

આ દાવો ખોટો છે: AIને કોઈ ડેટા આપવામાં આવ્યો નથી, તે સ્પષ્ટ નથી કે કયો દેશ, કયો સમયગાળો, કયો મોડલ. AI માત્ર બનાવેલ ગુણાંક સાથે જ જવાબ આપી શકે છે.

શક્તિશાળી પ્રોમ્પ્ટ:

તમારી ભૂમિકા: તમે ઇકોનોમેટ્રિક્સ સંશોધકને મદદ કરતા વિશ્લેષણ સહાયક છો. હું તમારી સાથે ડેટા શેર કરતો નથી; મને ફક્ત RUNNABLE R કોડ જોઈએ છે. મારી પાસે વાર્ષિક પેનલ છે: ચલ દેશ, વર્ષ, બેરોજગારી, ફુગાવો (બધા આંકડાકીય). કાર્ય: 1) બેરોજગારી માટે ફિક્સ્ડ ઇફેક્ટ પેનલ રીગ્રેશન કોડ લખો ~ ફુગાવો (plm પેકેજ), 2) કોડના દરેક પગલાને કોમેન્ટ લાઇન સાથે સમજાવો, 3) નોંધ કરો કે ગુણાંકને સંબંધી તરીકે અર્થઘટન કરવું જોઈએ, કારણ કે નહીં, 4) ફંક્શન દલીલ બનાવો જેના વિશે તમને ખાતરી નથી; હું ચલાવીશ અને મારા પોતાના વાતાવરણમાં પરિણામ ચકાસીશ.

આ વિનંતીમાં, કોઈ ડેટા શેર કરવામાં આવ્યો નથી, ભૂમિકા, પેકેજો, ટિપ્પણીઓની અપેક્ષા અને "બનાવટ" ના પ્રતિબંધ સ્પષ્ટ છે. તમે હજી પણ ચલાવો છો અને આઉટપુટ જાતે ચકાસો છો.

નીચેનું કોષ્ટક આ પાઠમાં એક-વાક્યના નિયમોનો સારાંશ આપે છે:

સિદ્ધાંત

તેનો અર્થ શું છે

AI એક સહાયક છે

વૈજ્ઞાનિક નિર્ણય અને જવાબદારી નિષ્ણાતની છે

કોડની વિનંતી કરો, પરિણામ આપો

AI નંબર યાદ રાખતો નથી; તમે તેને ચલાવો અને ગણતરી કરો

ડેટા રાખો

માઈક્રો/લાઈસન્સ પ્રાપ્ત ડેટા સુરક્ષિત વાતાવરણ છોડતો નથી

ચકાસો

દરેક મુદ્દો, કોડ, ટિપ્પણી તપાસવામાં આવે છે; બનાવટને નકારવામાં આવે છે

સામાન્ય ભૂલો

• ડેટા આપ્યા વિના AI પાસેથી નક્કર આંકડાની અપેક્ષા. મોડેલ ડેટાને ઍક્સેસ કરી શકતું નથી; તે આપે છે તે ગુણાંક, સહસંબંધ અને p-મૂલ્ય નકલી છે. હંમેશા કોડની વિનંતી કરો અને પરિણામ જાતે જ આપો.
• ભ્રામક કાર્યો પર આધાર રાખવો. AI એ R/Python ફંક્શન અથવા દલીલ સૂચવે છે જે અસ્તિત્વમાં નથી. કોડને ચલાવ્યા વિના અને તેની ચકાસણી કર્યા વિના સ્વીકારશો નહીં.
• સાર્વજનિક સાધન પર માઇક્રોડેટા અપલોડ કરી રહ્યું છે. તે KVKK/GDPR અને ડેટા વપરાશ કરારનું ઉલ્લંઘન છે. ડેટાને અનામી બનાવો અથવા તેને બિલકુલ શેર કરશો નહીં.
• ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. સારી રીતે લખેલી સમીક્ષા અચોક્કસ હોઈ શકે છે. વાક્યની સુંદરતા સાબિતી નથી.
• નિયંત્રણ વિના કારણભૂત ભાષા સ્વીકારવી. YZ વારંવાર કહે છે "X વધે છે Y"; જ્યારે મોટા ભાગના રિગ્રેશન માત્ર સંબંધો દર્શાવે છે. ડિઝાઇન સાથે કારણભૂત દાવાને બચાવો.

ટીપ: AI સાથે કામ કરતી વખતે, તમારી જાતને આ પ્રશ્ન પૂછો: "જો કોઈ રેફરી અથવા ઑડિટર આ આઉટપુટ માટે પૂછે, તો શું હું સ્રોત અને એકાઉન્ટ બતાવી શકું?" જો જવાબ ના હોય, તો આઉટપુટ હજુ ઉપયોગ માટે તૈયાર નથી.

સારાંશમાં

AI અર્થશાસ્ત્ર અને આંકડાકીય કાર્યપ્રવાહના એક્ઝેક્યુશન લેયર (કોડ, ક્લિનઅપ, ગ્રાફ, ડ્રાફ્ટ) માં વાસ્તવિક અને વિશાળ પ્રવેગક પ્રદાન કરે છે; જો કે, મોડેલની પસંદગી, કાર્યકારણ, અર્થઘટન, પ્રકાશન અને નીતિ વિષયક નિર્ણયો નિષ્ણાતના છે. ત્રણ મૂળભૂત શિસ્ત: AI ને નંબર યાદ અપાવશો નહીં, કોડ માટે પૂછો અને પરિણામ જાતે બનાવો અને ચકાસો; સુરક્ષિત વાતાવરણમાંથી માઇક્રો/લાઈસન્સ પ્રાપ્ત ડેટાને દૂર કરશો નહીં; આંકડાકીય ફિલ્ટર દરેક આઉટપુટ. વણચકાસાયેલ AI આઉટપુટ એ રિવ્યુ ન કરાયેલ શોધ જેટલું જ જોખમી છે.

એપ્લિકેશન કાર્ય

તમારા પોતાના (અથવા ઉદાહરણ) ડેટા સેટને ધ્યાનમાં લો. AI ને R અથવા Python કોડ માટે પૂછો જે ડેટા શેર કર્યા વિના, ફક્ત વેરિયેબલ સ્ટ્રક્ચરનું વર્ણન કરીને વર્ણનાત્મક આંકડા અને એક સરળ ગ્રાફ બનાવે છે. તમારા પોતાના વાતાવરણમાં ઇનકમિંગ કોડ ચલાવો. પછી ચેકલિસ્ટ રાખો: (1) શું કોડ ભૂલો વિના ચાલે છે, (2) તમારી અપેક્ષા મુજબની રેખાઓ/અવલોકનોની સંખ્યા છે, (3) AI ના ક્યા ટિપ્પણી વાક્યો કારણભૂત ભાષાનો ઉપયોગ કરે છે અને તેને ઠીક કરવા જોઈએ. એક ફકરામાં, એઆઈએ તમને જે સમય બચાવ્યો અને ઓછામાં ઓછો એક બગ તમે પકડ્યો તે વિશે લખો.

ચેકલિસ્ટ

• [ ] મેં AI ને નક્કર આંકડાઓ માટે પૂછ્યું નથી; મેં કોડની વિનંતી કરી અને પરિણામ જાતે બનાવ્યું.
• [ ] મેં મારા પોતાના વાતાવરણમાં આપેલા દરેક નંબર અને પરીક્ષણ પરિણામની પુનઃ ગણતરી કરી.
• [ ] મેં ચકાસ્યું કે તે જે ફંક્શન્સ/દલીલો વાપરે છે તે ખરેખર અસ્તિત્વમાં છે.
• [ ] મેં સાર્વજનિક ટૂલ પર માઇક્રો/વ્યક્તિગત/લાઇસેંસ પ્રાપ્ત ડેટા અપલોડ કર્યો નથી.
• [ ] મેં કારણભૂત ભાષા ધરાવતી ટિપ્પણીઓને ચિહ્નિત કરી અને તેને સંબંધની ભાષામાં ખસેડી.
• [ ] હું ઑડિટરને આઉટપુટનો સ્ત્રોત અને એકાઉન્ટિંગ બતાવવામાં સક્ષમ છું.