शुरू से अंत तक प्रवाह: ब्रीफिंग से रिहर्सल, सत्यापन, गोपनीयता और वितरण तक

लाभ:

• ब्रीफिंग, डेटा तैयारी, संरचना, सामग्री/ग्राफिक्स, सत्यापन, प्रूफिंग और डिलीवरी चरणों से युक्त दोहराए जाने योग्य प्रवाह में प्रस्तुति/डेटा कार्य को निष्पादित करने की क्षमता।
• संवेदनशील डेटा को गुमनाम और एकत्रित करके, बाहरी उपकरण गोपनीयता का उल्लंघन किए बिना काम कर सकता है और महत्वपूर्ण संख्याओं को क्रॉस-सत्यापित कर सकता है।
• रिहर्सल पार्टनर के रूप में कृत्रिम बुद्धिमत्ता का उपयोग करके और कठिन प्रश्नों और समय का परीक्षण करके अंतिम डिलीवरी की जिम्मेदारी लेने की क्षमता

पिछली इकाइयों ने एक-एक करके कौशल सिखाया: संरचना, पाठ, डिज़ाइन, ग्राफिक चयन, कोड, डैशबोर्ड, कहानी, इन्फोग्राफिक, ईमानदारी। यह अंतिम इकाई उन सभी को एक वर्कफ़्लो में जोड़ती है: एक संक्षिप्त विवरण आ गया है, आप एक प्रस्तुति/डेटा विज़ुअलाइज़ेशन वितरित करेंगे। हमारा लक्ष्य एक दोहराने योग्य तरीका स्थापित करना है जो शुरू से अंत तक एआई का उपयोग करता है लेकिन गोपनीयता और नैतिकता को संरक्षित करते हुए इसे हर कदम पर मान्य करता है।

अंत-से-अंत प्रवाह के सात चरण

1. संक्षिप्त और दायरा: दर्शक, उद्देश्य, मुख्य संदेश, अवधि, चैनल (प्रस्तुति, रिपोर्ट, सोशल मीडिया), प्रतिबंध।
2. डेटा तैयार करना: डेटा एकत्र करना, साफ़ करना, अज्ञात करना; तय करें कि बाहरी वाहन में क्या जाता है।
3. संरचना और कथा: पैटर्न चुनें, स्लाइड स्पाइन बनाएं (यूनिट 2, 8)।
4. सामग्री और ग्राफ़िक्स: टेक्स्ट लिखें, सही ग्राफ़िक चुनें और कोड करें, डिज़ाइन सेट करें (इकाई 3-6)।
5. सत्यनिष्ठा और सत्यापन: प्रत्येक संख्या, प्रत्येक चार्ट, प्रत्येक दावे का ऑडिट किया जाता है (इकाई 10)।
6. रिहर्सल करें और संपादित करें: प्रेजेंटेशन को ज़ोर से आज़माएँ, उसका समय निर्धारित करें, फीडबैक के साथ उसे ट्रिम करें।
7. वितरण और संग्रह: अंतिम संस्करण, स्रोत नोट्स और पुन: प्रयोज्य कोड/टेम्पलेट।

टिप: इन सात चरणों को एक चेकलिस्ट बनाएं और उन्हें हर काम पर दोहराएं। वर्कफ़्लो का मानकीकरण गुणवत्ता को व्यक्तिगत रूप पर निर्भर होने से हटा देता है।

डेटा तैयारी और गोपनीयता: सबसे महत्वपूर्ण पड़ाव

एआई को डेटा देने से पहले रुकें और पूछें: क्या यह डेटा किसी बाहरी सिस्टम में प्रवेश कर सकता है? कुछ अवधारणाएँ: व्यक्तिगत डेटा (जानकारी जो किसी व्यक्ति की पहचान करती है, जैसे नाम, पहचान, संपर्क, स्वास्थ्य, वेतन); गुमनामीकरण (अपरिवर्तनीय रूप से पहचान हटाना); एकत्रीकरण (व्यक्तिगत पंक्ति के बजाय औसत/कुल दें)। नियम:

• व्यक्तिगत/व्यापारिक रहस्यों वाला डेटा कभी भी ऐसे टूल में दर्ज न करें जो संस्थान द्वारा अनुमोदित न हो।
• यदि आपको दर्ज करना है, अज्ञात करना है या एकत्र करना है: नाम/आईडी कॉलम हटाएं, केवल समूह के भीतर व्यक्तिगत दिखाएं।
• चार्ट/कोड बनाते समय, मॉडल को डेटा संरचना (कॉलम नाम, प्रकार) दें, न कि कच्ची सटीक पंक्तियाँ।

आपकी भूमिका: डेटा गोपनीयता नियंत्रक। निम्नलिखित डेटासेट के कॉलम: [सूची]। ग्राफ बनाने के लिए मैं इसे एक बाहरी एआई टूल में फीड करूंगा। कौन से कॉलम व्यक्तिगत/संवेदनशील हो सकते हैं? चिह्नित करें कि मुझे अज्ञात बनाने या एकत्र करने की क्या आवश्यकता है और सुझाव दें कि इसे कैसे करें (हटाएं, छिपाएं, समूह बनाएं)। मुझे बताएं कि मैं कम से कम डेटा के साथ कैसे काम कर सकता हूं जो विश्लेषण के लिए पर्याप्त होगा।

सावधानी: संवेदनशील डेटा को "सिर्फ एक बार, तुरंत" चिपकाना गोपनीयता उल्लंघन का सबसे आम रूप है। एक बार बाहर आ जाने पर, डेटा पुनर्प्राप्त नहीं किया जा सकता.

सत्यापन: डिलीवरी से पहले अंतिम फ़िल्टर

इकाई 1 (स्रोत, स्थिरता, ईमानदारी, संदर्भ) से चार चरणों को संपूर्ण प्रस्तुति पर लागू करें। इसके अतिरिक्त, क्रॉस-चेक करें: मॉडल (स्प्रेडशीट, कैलकुलेटर) के बाहर एक टूल के साथ महत्वपूर्ण संख्याओं की पुष्टि करें।

नियंत्रण

प्रश्न

वाहन

स्रोत

प्रत्येक संख्या कहाँ से आती है?

डेटा स्रोत/नोट

संगति

क्या स्लाइड-ग्राफ़िक-टेक्स्ट समान हैं?

अपनी आँखों से तिरछा पढ़ें

ईमानदारी

क्या चार्ट अतिशयोक्तिपूर्ण है?

यूनिट 10 निरीक्षण

खाता

क्या कुल/प्रतिशत सही है?

स्प्रेडशीट

उद्धरण

क्या उद्धरण/स्रोत वास्तविक है?

स्रोत खोलें, सत्यापित करें

विशेष रूप से मतिभ्रम (मनगढ़ंत जानकारी) से सावधान रहें: मॉडल एक आँकड़ा, एक उद्धरण या एक स्रोत "गढ़" सकता है। स्लाइड पर आने वाले प्रत्येक बाहरी स्रोत और आंकड़े को खोलें और सत्यापित करें।

रिहर्सल: कृत्रिम बुद्धिमत्ता के साथ प्रस्तुति का परीक्षण करना

आर्टिफिशियल इंटेलिजेंस एक रिहर्सल पार्टनर हो सकता है: दर्शकों के दृष्टिकोण से कठिन प्रश्न उत्पन्न करना, कमजोर बदलाव ढूंढना, अवधि का अनुमान लगाना।

आपकी भूमिका: एक चुनौतीपूर्ण दर्शक और प्रस्तुति कोच। नीचे प्रेजेंटेशन बैकबोन और स्पीकर नोट्स की समीक्षा करें। 1) 5 सबसे कठिन प्रश्न उत्पन्न करें जो यह श्रोता ([भूमिका]) पूछेंगे। 2) कथा में कमज़ोर/असंबद्ध बदलावों को चिह्नित करें। 3) अनुमान लगाएं कि प्रत्येक स्लाइड पर लगभग कितने सेकंड पड़ते हैं, जिससे कुल समय [X] मिनट बनता है; यदि बहुत अधिक है, तो सुझाव दें कि मुझे कौन सी स्लाइडें छोटी करनी चाहिए। प्रस्तुति: [...]।

एक अलग "आपत्ति बैठक" का पूर्वाभ्यास:

इस प्रस्तुति के मुख्य प्रस्ताव पर 4 आपत्तियाँ उत्पन्न करें और प्रत्येक के लिए 2-वाक्य, डेटा-आधारित प्रतिक्रिया का मसौदा तैयार करें। उत्तर मत बनाओ; जहां पुष्टि की आवश्यकता हो वहां [पुष्टि] लिखें। सुझाव: [ ... ]।

तीन मिनी मामले

केस 1 - अंत-से-अंत गति। एक सलाहकार 2 दिनों में एक विशिष्ट ग्राहक प्रस्तुति (अनुसंधान + संरचना + स्लाइड + चार्ट + प्रमाण) फैलाएगा। जब हमने कृत्रिम बुद्धिमत्ता के साथ सात-चरणीय प्रवाह स्थापित किया, तो समय घटकर लगभग 1 दिन हो गया; बचाए गए समय का एक महत्वपूर्ण हिस्सा सत्यापन और पूर्वाभ्यास में समर्पित था, और गुणवत्ता में कमी नहीं हुई बल्कि वृद्धि हुई।

केस 2 - अंतिम मिनट की गोपनीयता। एक टीम ग्राहक लेनदेन रिकॉर्ड (नाम + राशि) को चार्टिंग के लिए बाहरी टूल में निर्यात करेगी। वे गोपनीयता नियंत्रण कदम पर रुक गए; उन्होंने नाम हटा दिए और राशियों को खंड औसत में बदल दिया। विश्लेषण ने फिर से काम किया, कोई व्यक्तिगत डेटा बाहर नहीं आया। बाद के ऑडिट में इस निर्णय की सराहना की गई।

केस 3 - रिहर्सल ने दृश्य को बचा लिया। एक उद्यमी ने निवेशक प्रस्तुति से पहले एआई को "5 सबसे कठिन प्रश्न उत्पन्न करने" के लिए कहा। बैठक में तीन प्रश्न शब्दशः पूछे गए; उसने धाराप्रवाह उत्तर दिया क्योंकि वह तैयार था। यदि उसने रिहर्सल न की होती तो वह सबसे गंभीर प्रश्न पर अटक जाता।

कमजोर संकेत/मजबूत संकेत

कमज़ोर:

इस डेटा के साथ शुरू से अंत तक एक प्रेजेंटेशन तैयार करें और समाप्त करें।

एक झटके में "सबकुछ" चाहना; कोई सत्यापन नहीं, कोई गोपनीयता नहीं, कोई पूर्वाभ्यास नहीं। मॉडल अंतरालों में फिट बैठता है, आप इसे नियंत्रित नहीं कर सकते।

मजबूत:

आइए चरण दर चरण एक प्रेजेंटेशन सेट करें। बस पहले चरण 1 करें: संक्षिप्त विवरण स्पष्ट करें (मुझसे श्रोता/उद्देश्य/संदेश/अवधि/चैनल/बाधा के बारे में पूछें)। फिर हम क्रम में आगे बढ़ेंगे: डेटा गोपनीयता जांच, संरचना, सामग्री+ग्राफिक्स, ईमानदारी जांच, प्रूफ़िंग। हर कदम पर संख्याएँ न बनाएँ, जो पुष्टि की जानी है उसे लिखें, संवेदनशील डेटा न माँगें।

दूसरा कार्य को चरणों में विभाजित करता है, प्रत्येक चरण पर आपको नियंत्रण में रखता है, और गोपनीयता/निष्ठा की सीमाएँ सामने रखता है।

सामान्य गलतियाँ

• एक झटके में "सब कुछ" मांगना: कदम उठाना प्रमाणीकरण और गोपनीयता को दरकिनार कर देता है।
• गोपनीयता रोक को दरकिनार करना: एक अनियंत्रित बाहरी एजेंट को संवेदनशील डेटा देना।
• बिना रिहर्सल के मंच पर जाना: कठिन प्रश्नों और समय की आशा न करना।
• स्रोत/विशेषता सत्यापन को छोड़ना: किसी मनगढ़ंत आँकड़े या उद्धरण पर ध्यान न देना।
• संग्रहण नहीं करना: कोड/टेम्पलेट संग्रहीत नहीं करना और सब कुछ प्रारंभ से करना।
• मॉडल पर जिम्मेदारी डालना: यह कहना कि "एआई ने इसे तैयार किया"; हालाँकि, डिलीवरी आपकी है।

सारांश

अपनी प्रस्तुति और डेटा विज़ुअलाइज़ेशन व्यवसाय को सात चरणों में शुरू से अंत तक बनाएं: संक्षिप्त, डेटा तैयारी और गोपनीयता, संरचना/कथा, सामग्री/ग्राफिक्स, अखंडता और सत्यापन, रिहर्सल, वितरण/संग्रह। हर कदम पर एआई का उपयोग करें, लेकिन नियंत्रण में रहें: संवेदनशील डेटा को गुमनाम करें, हर नंबर और स्रोत को क्रॉस-सत्यापित करें, मॉडल को अपना प्रूफिंग पार्टनर बनाएं। कृत्रिम बुद्धिमत्ता संपूर्ण प्रवाह को गति देती है; डेटा की सटीकता, संदेश की अखंडता, गोपनीयता और अंतिम डिलीवरी की जिम्मेदारी हमेशा आपकी है।

आवेदन कार्य

एक वास्तविक प्रेजेंटेशन कार्य चुनें और सात चरणों का पालन करें। (1) एआई द्वारा संक्षिप्त पूछताछ करें। (2) तय करें कि गोपनीयता नियंत्रण के साथ किस डेटा को गुमनाम किया जाए। (3) चरण संरचना → सामग्री → चार्ट निष्पादित करें। (4) अखंडता ऑडिट करें और महत्वपूर्ण संख्याओं की जांच करें। (5) कृत्रिम बुद्धिमत्ता से "5 सबसे कठिन प्रश्न" तैयार करें और उनका अभ्यास करें। (6) नवीनतम संस्करण और पुन: प्रयोज्य कोड/टेम्पलेट को संग्रहीत करें।

चेकलिस्ट

• [ ] मैंने सात-चरणीय प्रवाह के अनुसार कार्य चलाया।
• [ ] मैंने संवेदनशील डेटा को अज्ञात/एकत्रित किया है या उसे दर्ज ही नहीं किया है।
• [ ] मैंने मॉडल के बाहर प्रत्येक संख्या और बाहरी स्रोत को क्रॉस-वैलिडेट किया।
• [ ] मैंने अखंडता के लिए सभी ग्राफ़िक्स की जाँच कर ली है।
• [ ] मैंने कृत्रिम बुद्धिमत्ता के साथ अभ्यास किया; मैंने कठिन प्रश्नों और समय का परीक्षण किया।
• [ ] मैंने नवीनतम संस्करण और पुन: प्रयोज्य टेम्पलेट/कोड संग्रहीत कर लिया है।
• [ ] मैं स्वीकार करता हूं कि अंतिम डिलीवरी के लिए मैं जिम्मेदार हूं।

मॉड्यूल परीक्षा

1. प्रेजेंटेशन और डेटा विज़ुअलाइज़ेशन में कृत्रिम बुद्धिमत्ता के लिए सबसे अच्छी स्थिति क्या है?

• ए) आर्टिफिशियल इंटेलिजेंस ड्राफ्ट, डिज़ाइन, ग्राफिक कोड और आलोचना सहायक है; डेटा की सटीकता, ईमानदारी और गोपनीयता की जिम्मेदारी इंसानों की है ✔
• बी) कृत्रिम बुद्धिमत्ता एक कैलकुलेटर है; उनके द्वारा दिया गया हर नंबर और ग्राफ बिल्कुल सही है।
• C) आर्टिफिशियल इंटेलिजेंस केवल स्लाइड को सजाने के लिए उपयोगी है, इसका डेटा और ग्राफिक्स से कोई लेना-देना नहीं है
• डी) चूंकि एआई इंसानों की तुलना में अधिक निष्पक्ष है, इसलिए ग्राफिक्स अखंडता निर्णय उस पर छोड़ दिया जाना चाहिए

विवरण: बड़ा भाषा मॉडल कोई कैलकुलेटर या सत्यापन मशीन नहीं है, बल्कि प्रेरक पाठ और रूपरेखा का जनरेटर है। यह प्रारूपण, डिज़ाइन, ग्राफ़िक्स कोड और समालोचना जैसी भूमिकाओं में बहुत समय बचाता है; हालाँकि, डेटा की सटीकता, ग्राफ़ की ईमानदारी, गोपनीयता और अंतिम वितरण की जिम्मेदारी सक्षम व्यक्ति की है।

2. 'क्या विज्ञापन खर्च और बिक्री के बीच कोई संबंध है?' किस प्रकार का चार्ट प्रश्न को सबसे अधिक ईमानदारी से दिखाएगा?

• ए) मल्टी-स्लाइस पाई चार्ट
• बी) स्टैक्ड बार चार्ट
• सी) स्कैटर प्लॉट ✔
• डी) 3डी पाई चार्ट

स्पष्टीकरण: स्कैटर प्लॉट का उपयोग दो संख्यात्मक चर के बीच संबंध (सहसंबंध) दिखाने के लिए किया जाता है। एक बार तुलना के लिए उपयुक्त है और एक रेखा समय के साथ बदलाव के लिए उपयुक्त है; एक बार चार्ट संबंध प्रश्न का सही उत्तर नहीं देता है।

3. स्लाइड शीर्षक में 'विषय शीर्षक' के स्थान पर 'क्रिया शीर्षक' का उपयोग करने की अनुशंसा क्यों की जाती है?

• A) स्लाइड पर अधिक टेक्स्ट फिट करने के लिए
• बी) क्योंकि यह सीधे स्लाइड का एकमात्र दावा देता है और दर्शकों को संदेश को तुरंत समझने की अनुमति देता है ✔
• C) क्योंकि फ़ॉन्ट को बड़ा करने की कोई आवश्यकता नहीं है
• डी) चूंकि स्पीकर नोट्स की आवश्यकता समाप्त हो गई है

विवरण: कार्रवाई शीर्षक वह बताता है जो स्लाइड पूरे वाक्य में दावे के रूप में कहती है ('बिक्री तीन तिमाहियों से गिर रही है'), केवल विषय टैग ('बिक्री') नहीं है। इससे दर्शक तुरंत समझ सकता है कि प्रत्येक स्लाइड का क्या मतलब है; यह एकमात्र परिवर्तन है जो प्रस्तुति की गुणवत्ता में सबसे अधिक सुधार करता है।

4. दृश्य-उत्पादक कृत्रिम बुद्धिमत्ता के साथ प्रस्तुति दृश्य तैयार करते समय कौन सा अनुप्रयोग सबसे व्यावहारिक और नैतिक है?

• ए) सभी शीर्षकों और संख्याओं को विज़ुअल पर प्रिंट करें और इसे सीधे स्लाइड पर रखें
• बी) उत्पादित चित्र को वास्तविक ग्राहक फोटो के रूप में प्रस्तुत करना
• C) किसी प्रसिद्ध ब्रांड की शैली की हूबहू नकल करना
• डी) टेक्स्ट के बिना दृश्य का निर्माण करना और स्लाइड प्रोग्राम में टेक्स्ट जोड़ना और नकली को वास्तविक के रूप में प्रस्तुत नहीं करना

स्पष्टीकरण: उत्पादित छवियों में पाठ अक्सर दूषित होता है, इसलिए पाठ को बाद में स्लाइड प्रोग्राम में जोड़ना आवश्यक है। इसके अतिरिक्त, किसी निर्मित छवि को वास्तविक फोटो/वास्तविक व्यक्ति के रूप में प्रस्तुत करना भ्रामक और अनैतिक है। सही तरीका यह है कि बिना टेक्स्ट के छवि बनाएं, टेक्स्ट स्वयं जोड़ें और नकली को वास्तविक के रूप में प्रस्तुत न करें।

5. 9 उत्पादों की बाजार हिस्सेदारी दिखाने के लिए सबसे पठनीय विकल्प कौन सा है?

• ए) क्षैतिज बार चार्ट मान ✔ के अनुसार क्रमबद्ध
• बी) 9-सेगमेंट पाई चार्ट
• सी) 9 स्लाइस के साथ 3डी पाई चार्ट
• डी) एक सिंगल लाइन चार्ट

स्पष्टीकरण: एक पाई चार्ट केवल तभी काम करता है जब 2-4 स्लाइस हों और शेयर काफी भिन्न हों; 9 समान स्लाइसें अपठनीय हैं। कई श्रेणियों की तुलना करते समय मूल्य के आधार पर क्रमबद्ध क्षैतिज बार चार्ट लगभग हमेशा अधिक पठनीय होता है।

6. कृत्रिम बुद्धिमत्ता से ग्राफ़ प्राप्त करते समय 'ग्राफ़ का चित्र' माँगने के बजाय 'ग्राफ़ बनाने वाले कोड को माँगना और उसे स्वयं चलाना' अधिक विश्वसनीय क्यों है?

• ए) क्योंकि कोड हमेशा अधिक सुंदर रंग चुनता है
• बी) क्योंकि चित्र बनाना मना है
• सी) क्योंकि कोड डेटा को वैसे ही संसाधित करता है और नियतात्मक और दोहराए जाने योग्य परिणाम देता है, मौखिक भविष्यवाणी पर भरोसा करने की कोई आवश्यकता नहीं है ✔
• डी) क्योंकि कोड स्वचालित रूप से ग्राफ़ को ईमानदार बनाता है और किसी और सत्यापन की आवश्यकता नहीं होती है

विवरण: बड़ा भाषा मॉडल एक टेक्स्ट जनरेटर है; वह केवल मौखिक रूप से किसी संख्या का अनुमान लगाता है और गलत भी हो सकता है। कोड डेटा को वैसे ही संसाधित करता है जैसे वह है और नियतात्मक (समान इनपुट के लिए हमेशा समान आउटपुट) और दोहराने योग्य परिणाम उत्पन्न करता है; जब डेटा अपडेट किया जाता है, तो कोड को फिर से चलाया जा सकता है और ग्राफ़ को ताज़ा किया जा सकता है।

7. एक अच्छे डैशबोर्ड डिज़ाइन का मूल सिद्धांत क्या है?

• ए) सभी उपलब्ध मेट्रिक्स को एक ही स्क्रीन पर फ़िट करना
• बी) विशिष्ट दर्शकों और निर्णय के लिए आवश्यक केपीआई की एक छोटी संख्या (5-9) के लिए संदर्भ दिखाएं ✔
• सी) प्रत्येक संख्या को यथासंभव दशमलव स्थानों के साथ दिखाना
• डी) रंगों में विविधता लाने के लिए प्रत्येक मीट्रिक को एक अलग रंग में रंगना

विवरण: डैशबोर्ड सब कुछ नहीं दिखाता है, लेकिन किसी विशेष दर्शक वर्ग द्वारा किसी विशेष निर्णय के लिए आवश्यक 5-9 सही KPI दिखाता है। जो मेट्रिक्स निर्णय को पूरा नहीं करते हैं वे डैशबोर्ड को प्रभावित करेंगे। इसके अतिरिक्त, प्रत्येक संख्या में संदर्भ (लक्ष्य/परिवर्तन) और एक ताज़ा स्टांप जोड़ा जाना चाहिए, और सबसे महत्वपूर्ण KPI को ऊपर बाईं ओर रखा जाना चाहिए।

8. डेटा स्टोरीटेलिंग में ईमानदारी के संदर्भ में कौन सा व्यवहार एक जाल है?

• ए) संदर्भ-तनाव-समाधान संरचना में निष्कर्ष प्रस्तुत करना
• बी) प्रत्येक ग्राफ़ को कथा में एक वाक्य से जोड़ना
• सी) अंतर्दृष्टि को एक वाक्य में सारांशित करें
• डी) उस अवधि को छिपाना जो कथा में फिट नहीं बैठती है और केवल वही डेटा दिखा रही है जो इसका समर्थन करता है (चेरी चुनना) ✔

स्पष्टीकरण: चेरी-पिकिंग उस अवधि/खंड को दिखा रही है जो कथा में फिट बैठती है और जो नहीं बैठती उसे छिपा रही है, और यह अखंडता का उल्लंघन करती है। एक अच्छी कहानी आश्वस्त करती है, लेकिन इसे डेटा को विकृत करने की अनुमति नहीं बननी चाहिए; 'कौन सा डेटा इस कथा में फिट नहीं बैठता?' यदि आवश्यक हो तो पूछना और दिखाना आवश्यक है।

9. इन्फोग्राफिक में किसी मान को वृत्त के व्यास के रूप में प्रस्तुत करना और फिर व्यास को दोगुना करना भ्रामक क्यों है?

• ए) जब व्यास दोगुना हो जाता है, तो क्षेत्रफल चौगुना हो जाता है और दर्शकों को यह वृद्धि वास्तविकता से अधिक बड़ी दिखाई देती है ✔
• बी) क्योंकि सर्कल का उपयोग पाई चार्ट में नहीं किया जा सकता है
• सी) क्योंकि कलरब्लाइंड दर्शक वृत्तों को बिल्कुल नहीं देख सकते हैं
• डी) क्योंकि वृत्त खींचना छड़ी खींचने की तुलना में धीमा है

स्पष्टीकरण: जब व्यास दोगुना हो जाता है, तो वृत्त का क्षेत्रफल चौगुना हो जाता है; चूँकि दर्शक क्षेत्र के आधार पर मूल्य को समझता है, वह सोचता है कि 2 गुना वृद्धि 4 गुना है। इसे फ़ील्ड भ्रांति कहा जाता है. मान क्षेत्रफल के आधार पर नहीं, बल्कि रैखिक पैमाने और एक स्पष्ट संख्या लेबल (जैसे '2×') द्वारा देना आवश्यक है।

10. सबसे आम धोखे की तकनीक क्या है और बार चार्ट में इसका सही समकक्ष क्या है?

• ए) छड़ियों को रंगना भ्रामक है; उन सभी को धूसर करना आवश्यक है
• बी) प्रत्यक्ष लेबल भ्रामक हैं; एक अलग किंवदंती का उपयोग करना हमेशा आवश्यक होता है
• सी) धराशायी y-अक्ष अंतर को बढ़ा देता है; बार चार्ट में अक्ष 0 ✔ से शुरू होना चाहिए
• डी) क्षैतिज पट्टी भ्रामक है; हमेशा वर्टिकल बार का उपयोग करने की आवश्यकता है

स्पष्टीकरण: एक धराशायी y-अक्ष (जहां y शुरू होता है, मान लीजिए, 0 के बजाय 90) एक छोटे से अंतर को बड़ा बनाता है; 2% की वृद्धि 50% की तरह लग सकती है। बार चार्ट में, अक्ष लगभग हमेशा 0 से शुरू होना चाहिए क्योंकि बार की लंबाई मान का प्रतिनिधित्व करती है।

11. यदि आपको चार्टिंग के लिए संवेदनशील डेटा (नाम, वेतन, ग्राहक रिकॉर्ड) वाली तालिका को बाहरी एआई टूल में निर्यात करने की आवश्यकता है तो सही तरीका क्या है?

• ए) समय बचाने के लिए टेबल को जल्दी से चिपकाना
• बी) नाम और पहचान कॉलम को हटाकर डेटा को अज्ञात बनाना या एकत्र करना, और यदि आवश्यक न हो तो उन्हें बिल्कुल भी दर्ज नहीं करना ✔
• सी) केवल सबसे संवेदनशील कॉलम को छोड़कर बाकी को हटा दें
• डी) डेटा दर्ज करने से पहले कृत्रिम बुद्धिमत्ता से गोपनीयता का वादा प्राप्त करना पर्याप्त है।

स्पष्टीकरण: यह आवश्यक है कि व्यक्तिगत डेटा को किसी ऐसे टूल में दर्ज न किया जाए जो संस्थान द्वारा अनुमोदित न हो; यदि इसे दर्ज करना आवश्यक है, तो पहचान कॉलमों को हटाकर इसे अज्ञात करना या अलग-अलग पंक्तियों के बजाय औसत/कुल देकर इसे एकत्रित करना आवश्यक है। एक बार बाहर आ जाने पर, डेटा पुनर्प्राप्त नहीं किया जा सकता.

12. कृत्रिम बुद्धिमत्ता द्वारा उत्पन्न आउटपुट में 'मतिभ्रम' का क्या अर्थ है और इसके बारे में क्या किया जाना चाहिए?

• ए) मॉडल कई रंगों का उपयोग करता है; रंगों को कम करने की जरूरत है
• बी) मॉडल का धीमा संचालन; छोटा अनुरोध लिखने की आवश्यकता है
• सी) मॉडल 3डी में ग्राफ़ खींचता है; 2बी का अनुरोध करने की आवश्यकता है
• डी) वह जानकारी जिसे मॉडल वास्तविक के रूप में प्रस्तुत करता है लेकिन वह सत्य नहीं है; ✔ प्रत्येक अंक और स्रोत को क्रॉस-वैलिडेट किया जाना चाहिए

स्पष्टीकरण: मतिभ्रम वह जानकारी है जिसे मॉडल वास्तविक के रूप में प्रस्तुत करता है लेकिन सत्य नहीं है; यह एक मनगढ़ंत संख्या, उद्धरण या स्रोत हो सकता है। दूसरी ओर, मॉडल के बाहर स्लाइड पर दर्ज किए गए प्रत्येक नंबर और बाहरी स्रोत को क्रॉस-वैलिडेट करना आवश्यक है, और अनुरोधों में 'ऐसे नंबर उत्पन्न न करें जो डेटा में नहीं हैं, [पुष्टि] लिखें' का नियम सेट करें।

13. सही चार्ट प्रकार चुनने में पहला कदम क्या है?

• ए) जिस प्रश्न का उत्तर आप देना चाहते हैं उसे एक वाक्य में लिखें और उसे प्रश्न परिवार में रखें ✔
• बी) सबसे रंगीन और आकर्षक ग्राफिक प्रकार चुनना
• सी) हमेशा पाई चार्ट से शुरुआत करें और यदि आवश्यक हो तो इसे संशोधित करें
• डी) डेटा को 3डी में प्रदर्शित करके अधिक प्रभावशाली बनाना

स्पष्टीकरण: चार्ट का प्रकार उस प्रश्न पर निर्भर करता है जिसका आप उत्तर देना चाहते हैं, न कि डेटा के आकार पर। सबसे पहले, प्रश्न को एक वाक्य में लिखना और उसे एक परिवार (तुलना, प्रवृत्ति, संबंध, आंशिक-संपूर्ण, वितरण) में रखना आवश्यक है, फिर प्रकार चुनें। पहले प्रकार चुनना और उसमें डेटा फिट करने का प्रयास करना एक गलती है।

14. आर्टिफिशियल इंटेलिजेंस के साथ एंड-टू-एंड प्रेजेंटेशन तैयार करते समय 'एक ही बार में प्रेजेंटेशन को शुरू से अंत तक तैयार करें और समाप्त करें' कहने के बजाय चरण दर चरण आगे बढ़ना क्यों महत्वपूर्ण है?

• ए) क्योंकि कदम दर कदम आगे बढ़ना हमेशा तेज़ होता है
• बी) क्योंकि मॉडल लंबे अनुरोधों को बिल्कुल भी नहीं समझता है
• सी) क्योंकि कदम दर कदम आगे बढ़ने से सत्यापन, गोपनीयता और रिहर्सल के दौरान मानव नियंत्रण में रहता है और निर्माण और रिसाव का खतरा कम हो जाता है ✔
• डी) क्योंकि एक ही बार में पूछना कृत्रिम बुद्धिमत्ता को थका देता है।

विवरण: एक झटके में नौकरी का अनुरोध करना सत्यापन, गोपनीयता जांच और रिहर्सल जैसे महत्वपूर्ण पड़ावों को दरकिनार कर देता है; मॉडल कमियों पर फिट बैठता है और आप इसे नियंत्रित नहीं कर सकते। चरण दर चरण आगे बढ़ना (संक्षिप्त, गोपनीयता, संरचना, सामग्री/ग्राफिक्स, ईमानदारी जांच, पूर्वाभ्यास) प्रत्येक चरण में मानव को नियंत्रण में रखता है और शुरुआत से ही निर्माण/गोपनीयता की सीमाएं निर्धारित करता है।