ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಯೋಜನೆ, ವೃತ್ತಿಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮತ್ತು ಮಾರ್ಗಸೂಚಿಯ ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ

ಲಾಭಗಳು:

• ವಿನ್ಯಾಸ, ಕೋಡ್, AI ಏಕೀಕರಣ, ಗೌಪ್ಯತೆ, ಪರೀಕ್ಷೆ, ಡೀಬಗ್ ಮಾಡುವಿಕೆ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಬಿಡುಗಡೆ ಹಂತಗಳಲ್ಲಿ ಮೊಬೈಲ್ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂಡ್-ಟು-ಎಂಡ್ ಮತ್ತು ಪರಿಶೀಲಿಸಬಹುದಾದ ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಪಾರದರ್ಶಕತೆ, ಪರಿಶೀಲನೆ-ಜವಾಬ್ದಾರಿ ಮತ್ತು ನ್ಯಾಯ-ದುರುಪಯೋಗದ ತತ್ವಗಳೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಜವಾಬ್ದಾರಿಯುತ ಮತ್ತು ನೈತಿಕ ಬಳಕೆಗಾಗಿ ಚೌಕಟ್ಟನ್ನು ಸ್ಥಾಪಿಸುವ ಸಾಮರ್ಥ್ಯ.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಪ್ರಬಲ ಮತ್ತು ದುರ್ಬಲವಾಗಿರುವ ಪ್ರದೇಶಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಮೂಲಕ ಮತ್ತು ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಮಾನವರ ಕೈಯಲ್ಲಿ ಇಟ್ಟುಕೊಳ್ಳುವ ಮೂಲಕ ಸಮರ್ಥನೀಯ ವೃತ್ತಿಪರ ಅಭ್ಯಾಸವನ್ನು ರಚಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.

ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ, ನಾವು ಮೊಬೈಲ್ ಅಭಿವೃದ್ಧಿಯ ಪ್ರತಿಯೊಂದು ಹಂತದಲ್ಲೂ AI ಅನ್ನು ಬಳಸಿದ್ದೇವೆ: ಕೋಡ್ ಉತ್ಪಾದನೆ, ಇಂಟರ್ಫೇಸ್, ಆನ್-ಡಿವೈಸ್ ಮತ್ತು ಕ್ಲೌಡ್ AI ಏಕೀಕರಣ, ಪರೀಕ್ಷೆ, ಡೀಬಗ್ ಮಾಡುವಿಕೆ, ಕಾರ್ಯಕ್ಷಮತೆ, ಗೌಪ್ಯತೆ ಮತ್ತು ಅಂಗಡಿ ವಿತರಣೆ. ಈ ಅಂತಿಮ ಘಟಕದಲ್ಲಿ, ನಾವು ಈ ಎಲ್ಲಾ ತುಣುಕುಗಳನ್ನು ಒಂದೇ ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ಹರಿವಿಗೆ ಸಂಯೋಜಿಸುತ್ತೇವೆ, AI ಯ ಜವಾಬ್ದಾರಿಯುತ ಮತ್ತು ನೈತಿಕ ಬಳಕೆಯ ಚೌಕಟ್ಟನ್ನು ಸ್ಪಷ್ಟಪಡಿಸುತ್ತೇವೆ ಮತ್ತು ಈ ಕೌಶಲ್ಯಗಳನ್ನು ಸಮರ್ಥನೀಯ ವೃತ್ತಿಪರ ಅಭ್ಯಾಸವಾಗಿ ಪರಿವರ್ತಿಸುವುದು ಹೇಗೆ ಎಂಬುದರ ಕುರಿತು ಮಾತನಾಡುತ್ತೇವೆ. ಪ್ರಮುಖ ಸಂದೇಶವು ಬದಲಾಗಿಲ್ಲ, ಆದರೆ ಅದು ಈಗ ದೃಢವಾಗಿ ಸ್ಥಾಪಿತವಾಗಿದೆ: AI ಒಂದು ಸಮರ್ಥ ಮೊಬೈಲ್ ಡೆವಲಪರ್ ಅನ್ನು ಗುಣಿಸುವ ಶಕ್ತಿಯಾಗಿದೆ; ಇದು ಪರ್ಯಾಯವಲ್ಲ. ಉತ್ಪನ್ನದ ಗುಣಮಟ್ಟ, ಸುರಕ್ಷತೆ ಮತ್ತು ಬಳಕೆದಾರರಿಗೆ ಭರವಸೆ ನೀಡುವ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊಂದಿರುವ ವ್ಯಕ್ತಿ ಇದು.

ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ವೈಶಿಷ್ಟ್ಯ: ಭಾಗಗಳನ್ನು ಸಂಯೋಜಿಸುವುದು

AI ಬೆಂಬಲದೊಂದಿಗೆ ಪ್ರಾರಂಭದಿಂದ ಅಂತ್ಯದವರೆಗೆ ನೈಜ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವುದು ನಾವು ಸರಪಳಿಯಲ್ಲಿ ಕಲಿತ ಪ್ರತಿಯೊಂದು ಘಟಕವನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ. ಉದಾಹರಣೆ: "ರಶೀದಿಯಿಂದ ವೆಚ್ಚವನ್ನು ಸೇರಿಸಿ" ವೈಶಿಷ್ಟ್ಯ. ಹರಿವು ಈ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ:

1. ವಿನ್ಯಾಸ (ಘಟಕ 3). AI ನೊಂದಿಗೆ ಪರದೆಯನ್ನು ಮತ್ತು ನಾಲ್ಕು ಸ್ಥಿತಿಗಳನ್ನು (ಲೋಡ್ ಮಾಡಲಾಗುತ್ತಿದೆ/ಖಾಲಿ/ದೋಷ/ಪೂರ್ಣ) ಡ್ರಾಫ್ಟ್ ಮಾಡಿ, ಪ್ರಾರಂಭದಿಂದಲೂ ಪ್ರವೇಶವನ್ನು ವಿನಂತಿಸಿ.
2. ಕೋಡ್ (ಘಟಕ 2). MVVM ನೊಂದಿಗೆ ಲೇಯರ್ ಮೂಲಕ ಕ್ಯಾಮರಾ, ಡೇಟಾ ಮಾದರಿ ಮತ್ತು ViewModel ಅನ್ನು ರಚಿಸಿ; ಪ್ರತಿ ಪದರವನ್ನು ಪರಿಶೀಲಿಸಿ.
3. ಸಾಧನದ AI (ಯುನಿಟ್ 4). ML ಕಿಟ್ ಪಠ್ಯ ಗುರುತಿಸುವಿಕೆಯೊಂದಿಗೆ ರಸೀದಿಯಿಂದ ಮೊತ್ತ/ದಿನಾಂಕವನ್ನು ಓದಿ; ಪೂರ್ವ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದ ಸ್ಕೋರಿಂಗ್ ಅನ್ನು ಪರಿಗಣಿಸಿ.
4. ಗೌಪ್ಯತೆ (ಘಟಕ 9). ಕನಿಷ್ಠ ಸವಲತ್ತುಗಳೊಂದಿಗೆ ಕ್ಯಾಮರಾ ಅನುಮತಿಯನ್ನು ವಿನಂತಿಸಿ, ನಿರಾಕರಣೆಯ ಸನ್ನಿವೇಶವನ್ನು ಬರೆಯಿರಿ, ಸಾಧನದಲ್ಲಿ ಡೇಟಾವನ್ನು ಇರಿಸಿ.
5. ಪರೀಕ್ಷೆ (ಘಟಕ 6). ಹೊರತೆಗೆಯುವ ತರ್ಕದ ಘಟಕ ಪರೀಕ್ಷೆಗಳನ್ನು ರಚಿಸಿ, ಪ್ರದರ್ಶನದ UI ಪರೀಕ್ಷೆ; ಗಡಿ ರಾಜ್ಯಗಳನ್ನು ಸೇರಿಸಿ.
6. ಡೀಬಗ್ ಮಾಡುವಿಕೆ (ಘಟಕ 7). AI ಕ್ರ್ಯಾಶ್‌ಗಳನ್ನು ಸಂದರ್ಭದೊಂದಿಗೆ ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಮೂಲ ಕಾರಣವನ್ನು ಪರಿಹರಿಸಿ.
7. ಕಾರ್ಯಕ್ಷಮತೆ (ಘಟಕ 8). ಕ್ಯಾಮರಾ ಸಂಸ್ಕರಣೆಯ ಬ್ಯಾಟರಿ ವೆಚ್ಚವನ್ನು ಅಳೆಯಿರಿ ಮತ್ತು ಅದನ್ನು ಬ್ಯಾಟರಿ ಸ್ನೇಹಿಯಾಗಿ ಹೊಂದಿಸಿ.
8. ಪ್ರಸಾರ (ಘಟಕ 10). AI ಬಳಕೆಯನ್ನು ಪಾರದರ್ಶಕವಾಗಿ ವರದಿ ಮಾಡಿ, ಗೌಪ್ಯತೆ ಫಾರ್ಮ್ ಅನ್ನು ಸತ್ಯವಾಗಿ ಭರ್ತಿ ಮಾಡಿ ಮತ್ತು ಸ್ವಯಂ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಿ.

ಪ್ರತಿ ಹಂತದಲ್ಲೂ, AI ವೇಗಗೊಳ್ಳುತ್ತದೆ, ಮಾನವನು ಪರಿಶೀಲಿಸುತ್ತಾನೆ ಮತ್ತು ನಿರ್ಧರಿಸುತ್ತಾನೆ. ಈ ಲೂಪ್ ಮಾಡ್ಯೂಲ್ನ ಕೋರ್ ಆಗಿದೆ.

ಸಲಹೆ: ಒಂದು ದೈತ್ಯ ವಿನಂತಿಯೊಂದಿಗೆ AI ಸಂಕೀರ್ಣ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮಾಡಲು ಪ್ರಯತ್ನಿಸಬೇಡಿ. ಮೇಲಿನಂತೆ ಪರಿಶೀಲಿಸಬಹುದಾದ ಹಂತಗಳಾಗಿ ಅದನ್ನು ಒಡೆಯಿರಿ. ಪ್ರತಿ ಹಂತದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಮತ್ತು ಮುಂದಿನ ಹಂತಕ್ಕೆ ಹೋಗುವುದು ಸುರಕ್ಷಿತ ಮತ್ತು ಅಂತಿಮವಾಗಿ ವೇಗವಾಗಿರುತ್ತದೆ; ಏಕೆಂದರೆ ನೀವು ದೊಡ್ಡ ತಪ್ಪನ್ನು ಹಿಡಿಯುವುದು ಕೊನೆಯಲ್ಲಿ ಅಲ್ಲ, ಆದರೆ ಮೊದಲ ಹಂತದಲ್ಲಿ.

AI ಯ ಜವಾಬ್ದಾರಿಯುತ ಮತ್ತು ನೈತಿಕ ಬಳಕೆ

ಕೇವಲ ತಾಂತ್ರಿಕ ಸಾಮರ್ಥ್ಯವು ಸಾಕಾಗುವುದಿಲ್ಲ; ಜವಾಬ್ದಾರಿಯುತ ಚೌಕಟ್ಟು ಅದನ್ನು ಪೂರ್ಣಗೊಳಿಸುತ್ತದೆ. ಮೂರು ತತ್ವಗಳು:

ಪಾರದರ್ಶಕತೆ. ಅವನು ಅಥವಾ ಅವಳು AI ಯೊಂದಿಗೆ ಸಂವಹನ ನಡೆಸುತ್ತಿದ್ದಾರೆ ಎಂದು ಬಳಕೆದಾರರು ತಿಳಿದಿರಬೇಕು. ರಹಸ್ಯ AI ನಂಬಿಕೆಯ ಉಲ್ಲಂಘನೆಯಾಗಿದೆ. AI- ರಚಿತವಾದ ವಿಷಯವನ್ನು ಟ್ಯಾಗ್ ಮಾಡಲಾಗಿದೆ; AI ಸಲಹೆಯನ್ನು "ಕಠಿಣ ಸತ್ಯ" ಕ್ಕಿಂತ "ಸಹಾಯಕ ಸಲಹೆ" ಎಂದು ಪ್ರಸ್ತುತಪಡಿಸಲಾಗುತ್ತದೆ.

ಪರಿಶೀಲನೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆ. AI ಔಟ್‌ಪುಟ್ ಆರಂಭಿಕ ಹಂತವಾಗಿದೆ, ಸಿದ್ಧಪಡಿಸಿದ ಉತ್ಪನ್ನವಲ್ಲ. ಪ್ರಕಟಿಸಲಾದ ಪ್ರತಿಯೊಂದು ಕೋಡ್‌ಗೆ, ಪ್ರತಿ AI ಪ್ರತಿಕ್ರಿಯೆಗೆ, ಪ್ರತಿ ಡೇಟಾ ವಹಿವಾಟಿಗೆ ನೀವು ಜವಾಬ್ದಾರರಾಗಿರುತ್ತೀರಿ. "AI ಅದನ್ನು ಆ ರೀತಿಯಲ್ಲಿ ಬರೆದಿದೆ" ಎಂಬುದು ರಕ್ಷಣೆಯಲ್ಲ.

ನ್ಯಾಯ ಮತ್ತು ದುರುಪಯೋಗ. AI ಮಾದರಿಗಳು ಅವರು ತರಬೇತಿ ಪಡೆದ ಡೇಟಾದಿಂದ ಪಕ್ಷಪಾತಗಳನ್ನು ಸಾಗಿಸಬಹುದು. ಕೆಲವು ಚರ್ಮದ ಬಣ್ಣಗಳ ಮೇಲೆ ಮುಖದ ಗುರುತಿಸುವಿಕೆ ಕೆಟ್ಟದಾಗಿ ಕೆಲಸ ಮಾಡಬಹುದು, ಶಿಫಾರಸು ಎಂಜಿನ್ ಗುಂಪನ್ನು ಹೊರಗಿಡಬಹುದು. ವಿಭಿನ್ನ ಬಳಕೆದಾರರ ಗುಂಪುಗಳಲ್ಲಿ ನಿಮ್ಮ ಉತ್ಪನ್ನವು ತಕ್ಕಮಟ್ಟಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಪರೀಕ್ಷಿಸುವುದು ನಿಮ್ಮ ಜವಾಬ್ದಾರಿಯಾಗಿದೆ.

ಗಮನ: ಐಟಿ ಮತ್ತು ಭದ್ರತೆ ಕ್ಷೇತ್ರದಲ್ಲಿ ನೀವು ಕಲಿಯುವ ಯಾವುದೇ ತಂತ್ರವನ್ನು ಅಧಿಕೃತ ಮತ್ತು ರಚನಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಬಳಸಲಾಗುತ್ತದೆ. ಮಾಲ್‌ವೇರ್ ರಚಿಸಲು, ಅನುಮತಿಯಿಲ್ಲದೆ ಬೇರೊಬ್ಬರ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಭೇದಿಸಲು, ಒಪ್ಪಿಗೆಯಿಲ್ಲದೆ ಬಳಕೆದಾರರ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲು ಅಥವಾ ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ವಿಷಯವನ್ನು ಉತ್ಪಾದಿಸಲು AI ಅನ್ನು ಬಳಸುವುದು ಕಾನೂನುಬಾಹಿರ ಮತ್ತು ವೃತ್ತಿಯ ನೈತಿಕತೆಗೆ ವಿರುದ್ಧವಾಗಿದೆ. ನೀವು ಎಲ್ಲಿ ಬಳಸುವುದಿಲ್ಲವೋ ಅಲ್ಲಿ ಶಕ್ತಿಯ ಅಳತೆಯು ಬಹಿರಂಗಗೊಳ್ಳುತ್ತದೆ.

AI ಯ ಮಿತಿಗಳನ್ನು ಗುರುತಿಸುವುದು

ಪ್ರಬುದ್ಧ ಡೆವಲಪರ್‌ಗೆ AI ಎಲ್ಲಿ ಹೊಳೆಯುತ್ತದೆ ಮತ್ತು ಅದು ಎಲ್ಲಿ ಕಡಿಮೆಯಾಗಿದೆ ಎಂದು ತಿಳಿದಿದೆ.

AI ಶಕ್ತಿಯುತವಾಗಿದೆ

AI ದುರ್ಬಲವಾಗಿದೆ

ಮೋಲ್ಡ್ ಕೋಡ್, ಬಾಯ್ಲರ್ ಉತ್ಪಾದನೆ

ಉತ್ಪನ್ನ ಮತ್ತು ವಾಸ್ತುಶಿಲ್ಪದ ನಿರ್ಧಾರಗಳು

ಪರೀಕ್ಷೆ ಮತ್ತು ದಾಖಲಾತಿ ಕರಡು

ವ್ಯಾಪಾರ ಸಂದರ್ಭ ಮತ್ತು ಬಳಕೆದಾರರನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವುದು

ಕ್ರ್ಯಾಶ್ ಲಾಗ್ ಓದುವಿಕೆ, ದೋಷ ಸ್ಕ್ಯಾನಿಂಗ್

ನಿರ್ಣಾಯಕ ಮೂಲ ಕಾರಣ ರೋಗನಿರ್ಣಯ (ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ)

ಕಲಿಕೆ, ಪರಿಕಲ್ಪನೆಯ ವಿವರಣೆ

ಪ್ರಸ್ತುತ/ಅನ್‌ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್ API ಮಾಹಿತಿ

ಪಠ್ಯ, ವಿವರಣೆ, ಅನುವಾದ

ನೈತಿಕತೆ, ಭದ್ರತೆ ಮತ್ತು ಕಾನೂನು ಅಂತಿಮ ನಿರ್ಧಾರ

ಈ ವ್ಯತ್ಯಾಸವನ್ನು ಆಂತರಿಕಗೊಳಿಸುವುದು AI ಅನ್ನು ಪರಿಣಾಮಕಾರಿಯಾಗಿ ಬಳಸಲು ಮತ್ತು ಅದರ ಮೋಸಗಳನ್ನು ತಪ್ಪಿಸಲು ಪ್ರಮುಖವಾಗಿದೆ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಅಂತ್ಯದಿಂದ ಅಂತ್ಯದ ವೇಗ. ಒಬ್ಬ ಸೋಲೋ ಡೆವಲಪರ್ ಮೇಲಿನ 8-ಹಂತದ ಹರಿವಿನೊಂದಿಗೆ "ಅನ್‌ಪ್ಲಗ್ಡ್" ವೈಶಿಷ್ಟ್ಯವನ್ನು 4 ದಿನಗಳಲ್ಲಿ ಪೂರ್ಣಗೊಳಿಸಿದರು; AI ಇಲ್ಲದೆ ಅಂದಾಜು 12 ದಿನಗಳು. ಆದರೆ ಅವರು ಪ್ರತಿ ಹಂತವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದರಿಂದ, ಪ್ರಕಟಣೆಯನ್ನು ಮೊದಲ ಬಾರಿಗೆ ಅನುಮೋದಿಸಲಾಗಿದೆ. ಶಿಸ್ತು ನಿಜವಾಗಿರುವುದರಿಂದ ವೇಗವು ನಿಜವಾಗಿತ್ತು. ಪಾಠ: AI + ಪರಿಶೀಲನೆಯು AI - ಪರಿಶೀಲನೆಗಿಂತ ವೇಗವಾಗಿದೆ.

ಪ್ರಕರಣ 2 - ಪಕ್ಷಪಾತ ಸಿಕ್ಕಿಬಿದ್ದಿದೆ. AI-ಆಧಾರಿತ ನಾಮಪದ-ಲಿಂಗ ಭವಿಷ್ಯ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪರೀಕ್ಷಿಸುತ್ತಿರುವಾಗ, ತಂಡವು ಕೆಲವು ಟರ್ಕಿಶ್ ನಾಮಪದಗಳಲ್ಲಿ ವ್ಯವಸ್ಥಿತ ದೋಷಗಳನ್ನು ಗಮನಿಸಿದೆ; ಮಾದರಿಯನ್ನು ಹೆಚ್ಚಾಗಿ ಇಂಗ್ಲಿಷ್ ಡೇಟಾದಲ್ಲಿ ತರಬೇತಿ ನೀಡಲಾಯಿತು. ತಪ್ಪು ಊಹೆಯನ್ನು ಮಾಡುವ ಬದಲು ಬಳಕೆದಾರರನ್ನು ಕೇಳುವಂತೆ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಬದಲಾಯಿಸಲಾಗಿದೆ. ಪಾಠ: ಮಾದರಿಯ ತರಬೇತಿ ಪಕ್ಷಪಾತವನ್ನು ಪರೀಕ್ಷಿಸುವುದು ಡೆವಲಪರ್‌ನ ಕೆಲಸ.

ಪ್ರಕರಣ 3 - "AI ಹೀಗೆ ಹೇಳಿದೆ" ರಕ್ಷಣೆ ಕುಸಿದಿದೆ. ಡೆವಲಪರ್ AI- ರಚಿತ ಪಾವತಿ ಕೋಡ್ ಅನ್ನು ಪರಿಶೀಲಿಸದೆಯೇ ಪ್ರಕಟಿಸಿದ್ದಾರೆ; ಒಂದು ವಿಪರೀತ ಪ್ರಕರಣದಲ್ಲಿ ಕೋಡ್ ಡಬಲ್ ಸಂಗ್ರಹಗಳನ್ನು ಮಾಡುತ್ತಿದೆ. "AI ಬರೆದಿದೆ" ಎಂದು ಹೇಳುವ ಮೂಲಕ ಜವಾಬ್ದಾರಿಯನ್ನು ತೆಗೆದುಹಾಕಲಾಗುವುದಿಲ್ಲ; ಖಾತೆದಾರರಾಗಿ, ಅವರು ಡೆವಲಪರ್ ಆಗಿದ್ದರು. ಪಾಠ: ಜವಾಬ್ದಾರಿಯನ್ನು ನಿಯೋಜಿಸಲಾಗುವುದಿಲ್ಲ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ನನಗೆ ಸಂಪೂರ್ಣ ರಸೀದಿ ಸ್ಕ್ಯಾನಿಂಗ್ ಅಪ್ಲಿಕೇಶನ್ ಬರೆಯಿರಿ."

ಪ್ರಬಲ ಪ್ರಾಂಪ್ಟ್: "'ರಶೀದಿಯಿಂದ ವೆಚ್ಚವನ್ನು ಸೇರಿಸು' ವೈಶಿಷ್ಟ್ಯವನ್ನು ಹಂತ ಹಂತವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಲು ನನಗೆ ಸಹಾಯ ಮಾಡಿ. ಕ್ರಮವಾಗಿ ಮುಂದುವರಿಯೋಣ, ನಾನು ಪ್ರತಿ ಹಂತವನ್ನು ಪರಿಶೀಲಿಸಿದಾಗ ಮತ್ತು ಅನುಮೋದಿಸಿದಾಗ, ಮುಂದಿನದಕ್ಕೆ ಮುಂದುವರಿಯಿರಿ: 1) ಸ್ಕ್ರೀನ್ + ನಾಲ್ಕು ಸ್ಥಿತಿಗಳು + ಪ್ರವೇಶಸಾಧ್ಯತೆ2) MVVM ಲೇಯರ್‌ಗಳು (ಕ್ಯಾಮೆರಾ, ಮಾದರಿ, ViewModel)3) ML ರಶೀದಿಯಿಂದ ಅನುಮತಿಯೊಂದಿಗೆ ಮೊತ್ತ/ದಿನಾಂಕದ ಸ್ಕೋರ್ ಸವಲತ್ತು) + ನಿರಾಕರಣೆ ಹರಿವು 5) ಘಟಕ ಮತ್ತು UI ಪರೀಕ್ಷೆಗಳು ಪ್ರತಿ ಹಂತದಲ್ಲೂ ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾದ ಅಪಾಯಗಳು ಮತ್ತು ಅಂಕಗಳನ್ನು ನನಗೆ ತಿಳಿಸಿ."

ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಎಂಡ್-ಟು-ಎಂಡ್ ಯೋಜನೆ ಟೆಂಪ್ಲೇಟ್: "ನಾನು ಈ ಕೆಳಗಿನ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುತ್ತೇನೆ: [ಫೀಚರ್]. ಅದನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ಹಂತಗಳಾಗಿ ವಿಭಜಿಸಿ: ವಿನ್ಯಾಸ, ಕೋಡ್, AI ಏಕೀಕರಣ, ಗೌಪ್ಯತೆ/ಅನುಮತಿ, ಪರೀಕ್ಷೆ, ಕಾರ್ಯಕ್ಷಮತೆ, ಬಿಡುಗಡೆ. ಪ್ರತಿ ಹಂತಕ್ಕೂ ಔಟ್‌ಪುಟ್, ಅಪಾಯ ಮತ್ತು ಪರಿಶೀಲನೆ ಮಾನದಂಡಗಳನ್ನು ಬರೆಯಿರಿ. ಒಂದೇ ದೈತ್ಯ ಉತ್ಪಾದನೆಯನ್ನು ಮಾಡಬೇಡಿ."

ನೈತಿಕತೆ/ಪಕ್ಷಪಾತ ಆಡಿಟ್ ಟೆಂಪ್ಲೇಟ್: "ನ್ಯಾಯ ಮತ್ತು ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ಕೆಳಗಿನ AI ವೈಶಿಷ್ಟ್ಯವನ್ನು ಆಡಿಟ್ ಮಾಡಿ: [ಫೀಚರ್]. ಯಾವ ಬಳಕೆದಾರ ಗುಂಪುಗಳು ಅದು ಕಳಪೆಯಾಗಿ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು? ತರಬೇತಿ ಡೇಟಾ ಪಕ್ಷಪಾತವನ್ನು ಹೇಗೆ ಪ್ರಭಾವಿಸುತ್ತದೆ? ನಾನು ಅದನ್ನು ಹೇಗೆ ಪರೀಕ್ಷಿಸುವುದು, ನಾನು ಅದನ್ನು ಹೇಗೆ ಹೆಚ್ಚು ಒಳಗೊಳ್ಳುವುದು?"

ಅಕೌಂಟೆಬಿಲಿಟಿ ಚೆಕ್ ಟೆಂಪ್ಲೇಟ್: "ಈ AI-ರಚಿಸಿದ ಕೋಡ್/ವೈಶಿಷ್ಟ್ಯವನ್ನು ಬಿಡುಗಡೆ ಮಾಡುವ ಮೊದಲು ನಾನು ಕೇಳಬೇಕಾದ ಹೊಣೆಗಾರಿಕೆಯ ಪ್ರಶ್ನೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ನಾನು ಅದನ್ನು ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ, ನಾನು ಅದನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇನೆ, ಇದು ಸುರಕ್ಷಿತವಾಗಿದೆಯೇ, ಇದು ಬಳಕೆದಾರರಿಗೆ ಪಾರದರ್ಶಕವಾಗಿದೆಯೇ, ಇದು ಕಾನೂನು/ನೈತಿಕವಾಗಿದೆಯೇ?"

ನಿರಂತರ ಕಲಿಕೆಯ ಟೆಂಪ್ಲೇಟ್: "ಮೊಬೈಲ್ ಡೆವಲಪರ್‌ನಲ್ಲಿ ನನ್ನ AI ಕೌಶಲ್ಯವನ್ನು ಸುಧಾರಿಸಲು 4-ವಾರದ ಪ್ರಾಯೋಗಿಕ ಯೋಜನೆಯನ್ನು ಪ್ರಸ್ತಾಪಿಸಿ: ಪ್ರತಿ ವಾರ ಒಂದು ವಿಷಯ (ಕೋಡ್, ಏಕೀಕರಣ, ಪರೀಕ್ಷೆ, ಬಿಡುಗಡೆ), ಸಣ್ಣ ಯೋಜನೆ ಮತ್ತು ಪರಿಶೀಲನೆ ಅಭ್ಯಾಸದ ಗುರಿಯೊಂದಿಗೆ."

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಒಂದು ದೈತ್ಯ ವಿನಂತಿಯೊಂದಿಗೆ ಸಂಕೀರ್ಣ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತಿದೆ. ಪರಿಶೀಲಿಸಲಾಗುವುದಿಲ್ಲ; ಅದನ್ನು ಹಂತಗಳಾಗಿ ವಿಭಜಿಸಿ.
• "AI ಹೀಗೆ ಬರೆದಿದೆ" ಎಂದು ಹೇಳುವ ಮೂಲಕ ಜವಾಬ್ದಾರಿಯನ್ನು ತಪ್ಪಿಸುವುದು. ಪ್ರಕಟಿಸಿದ ಕೋಡ್‌ಗೆ ನೀವು ಜವಾಬ್ದಾರರಾಗಿರುತ್ತೀರಿ.
• AI ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ಪರೀಕ್ಷಿಸುತ್ತಿಲ್ಲ. ಮಾದರಿಯು ಕೆಲವು ಗುಂಪುಗಳಲ್ಲಿ ಕಳಪೆಯಾಗಿ ಕೆಲಸ ಮಾಡಬಹುದು; ನ್ಯಾಯವನ್ನು ಪರೀಕ್ಷಿಸಿ.
• ಬಳಕೆದಾರರಿಂದ AI ಸಂವಹನವನ್ನು ಮರೆಮಾಡುವುದು. ಪಾರದರ್ಶಕತೆ ನಂಬಿಕೆಯ ಅಡಿಪಾಯ.
• AI ಯ ಮಿತಿಗಳನ್ನು ಮರೆತುಬಿಡುವುದು. ಆರ್ಕಿಟೆಕ್ಚರ್, ನೀತಿಶಾಸ್ತ್ರ ಮತ್ತು ಪ್ರಸ್ತುತ API ಕುರಿತು ಜನರು ಅಂತಿಮ ಅಭಿಪ್ರಾಯವನ್ನು ಹೊಂದಿದ್ದಾರೆ.
• ಕಲಿಯುವುದನ್ನು ನಿಲ್ಲಿಸಲು. ಪರಿಕರಗಳು ಮತ್ತು ಅಂಗಡಿ ನಿಯಮಗಳು ತ್ವರಿತವಾಗಿ ಬದಲಾಗುತ್ತವೆ; ನಿರಂತರವಾಗಿ ನವೀಕೃತವಾಗಿರಿ.

ಸಾರಾಂಶದಲ್ಲಿ

ಎಂಡ್-ಟು-ಎಂಡ್ ವೈಶಿಷ್ಟ್ಯವು ಮಾಡ್ಯೂಲ್‌ನ ಎಲ್ಲಾ ಭಾಗಗಳನ್ನು ಸರಪಳಿಯಲ್ಲಿ ಸಂಯೋಜಿಸುತ್ತದೆ: ವಿನ್ಯಾಸ, ಕೋಡ್, AI ಏಕೀಕರಣ, ಗೌಪ್ಯತೆ, ಪರೀಕ್ಷೆ, ಡೀಬಗ್ ಮಾಡುವಿಕೆ, ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಬಿಡುಗಡೆ. ಪ್ರತಿ ಹಂತದಲ್ಲಿ, AI ವೇಗವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಮಾನವ ಪರಿಶೀಲಿಸುತ್ತದೆ ಮತ್ತು ನಿರ್ಧರಿಸುತ್ತದೆ; ಸಂಕೀರ್ಣ ಕೆಲಸವನ್ನು ಸಣ್ಣ ಪರಿಶೀಲಿಸಬಹುದಾದ ಹಂತಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ. ಜವಾಬ್ದಾರಿಯುತ ಬಳಕೆ ಮೂರು ತತ್ವಗಳನ್ನು ಆಧರಿಸಿದೆ: ಪಾರದರ್ಶಕತೆ, ಪರಿಶೀಲನೆ-ಜವಾಬ್ದಾರಿ ಮತ್ತು ನ್ಯಾಯೋಚಿತತೆ-ಯಾವುದೇ ಹಾನಿ ಮಾಡಬೇಡಿ. AI ಶಕ್ತಿಯುತ ಗುಣಕವಾಗಿದೆ, ಆದರೆ ವಾಸ್ತುಶಿಲ್ಪ, ನೀತಿಶಾಸ್ತ್ರ, ಭದ್ರತೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಜ್ಞಾನದ ಮೇಲೆ ಮಾನವರು ಅಂತಿಮ ಹೇಳಿಕೆಯನ್ನು ಹೊಂದಿರುತ್ತಾರೆ. "AI ಅದನ್ನು ಆ ರೀತಿಯಲ್ಲಿ ಮಾಡಿದೆ" ಎಂಬುದು ರಕ್ಷಣೆಯಲ್ಲ; ನಿಮ್ಮ ಉತ್ಪನ್ನ ಮತ್ತು ನಿಮ್ಮ ಬಳಕೆದಾರರಿಗೆ ನೀವು ನೀಡುವ ಭರವಸೆಗೆ ನೀವು ಜವಾಬ್ದಾರರಾಗಿರುತ್ತೀರಿ. ಈ ಶಿಸ್ತಿನೊಂದಿಗೆ, AI ನಿಮ್ಮ ವೃತ್ತಿಜೀವನದುದ್ದಕ್ಕೂ ನಿಮ್ಮನ್ನು ವೇಗವಾಗಿ, ಹೆಚ್ಚು ಸಮಗ್ರವಾಗಿ ಮತ್ತು ಬಲಶಾಲಿಯಾಗಿ ಮಾಡುತ್ತದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಆಯ್ಕೆಯ ಮೊಬೈಲ್ ವೈಶಿಷ್ಟ್ಯವನ್ನು (ಉದಾ. "ಧ್ವನಿ ಟಿಪ್ಪಣಿಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುವ ಮೂಲಕ ಸಾರಾಂಶ" ಅಥವಾ "ಫೋಟೋದಿಂದ ಉತ್ಪನ್ನ ಗುರುತಿಸುವಿಕೆ") "ಎಂಡ್-ಟು-ಎಂಡ್ ಪ್ಲಾನಿಂಗ್ ಟೆಂಪ್ಲೇಟ್" ಮೂಲಕ ಪರಿಶೀಲಿಸಬಹುದಾದ ಹಂತಗಳಾಗಿ ವಿಭಜಿಸಿ. AI ಯೊಂದಿಗೆ ಕನಿಷ್ಠ ಒಂದು ಹಂತವನ್ನು ವಾಸ್ತವವಾಗಿ ಅಭಿವೃದ್ಧಿಪಡಿಸಿ ಮತ್ತು ಮೌಲ್ಯೀಕರಿಸಿ. ನಂತರ, ವೈಶಿಷ್ಟ್ಯವು "ಎಥಿಕ್ಸ್/ಪಕ್ಷಪಾತ ನಿಯಂತ್ರಣ ಟೆಂಪ್ಲೇಟ್" ನಲ್ಲಿ ಸಮಸ್ಯೆಗಳನ್ನು ಉಂಟುಮಾಡಬಹುದು ಎಂಬುದನ್ನು ವಿಶ್ಲೇಷಿಸಿ ಮತ್ತು ಬಿಡುಗಡೆಯ ಮೊದಲು ನೀವು ಕೇಳಬೇಕಾದ ಪ್ರಶ್ನೆಗಳಿಗೆ " ಹೊಣೆಗಾರಿಕೆ ನಿಯಂತ್ರಣ ಟೆಂಪ್ಲೇಟ್ " ನೊಂದಿಗೆ ಉತ್ತರಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ಸಣ್ಣ ಹಂತಗಳಾಗಿ ಮುರಿದಿದ್ದೇನೆ, ಒಂದೇ ಒಂದು ದೈತ್ಯ ಉತ್ಪಾದನೆಯಲ್ಲ
• [ ] ನಾನು ಪ್ರತಿ ಹಂತದಲ್ಲೂ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ ಮತ್ತು ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದ್ದೇನೆ
• [ ] ನಾನು AI ಸಂವಹನವನ್ನು ಬಳಕೆದಾರರಿಗೆ ಪಾರದರ್ಶಕವಾಗಿ ಪ್ರಸ್ತುತಪಡಿಸಿದ್ದೇನೆ
• [ ] ವೈಶಿಷ್ಟ್ಯವು ವಿಭಿನ್ನ ಗುಂಪುಗಳಲ್ಲಿ ನ್ಯಾಯಯುತವಾಗಿ/ಪಕ್ಷಪಾತದಿಂದ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೇ ಎಂದು ನಾನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿದ್ದೇನೆ
• [ ] ನಾನು ಬಿಡುಗಡೆಯ ಪೂರ್ವ ಜವಾಬ್ದಾರಿ ಪ್ರಶ್ನೆಗಳಿಗೆ ಉತ್ತರಿಸಿದ್ದೇನೆ (ಅರ್ಥಮಾಡಿಕೊಂಡಿದ್ದೇನೆ/ಪರೀಕ್ಷೆ/ಸುರಕ್ಷಿತ/ನೈತಿಕ)
• [ ] ನಾನು ಸಮರ್ಥ ಮತ್ತು ರಚನಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ AI ಅನ್ನು ಬಳಸಿದ್ದೇನೆ ಮತ್ತು ಕಲಿಕೆಯನ್ನು ಮುಂದುವರಿಸಲು ಯೋಜಿಸಿದೆ

ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ

1. ಮೊಬೈಲ್ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಕೆಳಗಿನವುಗಳಲ್ಲಿ ಯಾವುದು ಅತ್ಯಂತ ನಿಖರವಾದ ಸ್ಥಾನವಾಗಿದೆ?

• ಎ) ಡೆವಲಪರ್ ಅನ್ನು AI ಬದಲಾಯಿಸುತ್ತದೆ; ಅದು ಉತ್ಪಾದಿಸುವ ಕೋಡ್ ಅನ್ನು ಓದದೆ ನೇರವಾಗಿ ಪ್ರಕಟಿಸಬಹುದು
• ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬರವಣಿಗೆಯಲ್ಲಿ ಮಾತ್ರ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ, ಇದು ಕೋಡ್ ಉತ್ಪಾದನೆಯೊಂದಿಗೆ ಯಾವುದೇ ಸಂಬಂಧವನ್ನು ಹೊಂದಿಲ್ಲ
• ಸಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಹಾಯಕ ಮತ್ತು ವೇಗವರ್ಧಕವಾಗಿದೆ; ವಾಸ್ತುಶಿಲ್ಪ, ಭದ್ರತೆ ಮತ್ತು ಪ್ರಸಾರ ನಿರ್ಧಾರಗಳ ಜವಾಬ್ದಾರಿ ಮಾನವರ ಮೇಲಿದೆ ✔
• ಡಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಯಾವಾಗಲೂ ಸರಿಯಾದ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆಯಾದ್ದರಿಂದ, ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷೆ ಮತ್ತು ಪರಿಶೀಲನೆಯು ಅನಗತ್ಯವಾಗಿರುತ್ತದೆ

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೋಡ್, ಬ್ಲೂಪ್ರಿಂಟ್‌ಗಳು ಮತ್ತು ಪರಿಹಾರಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಹಾಯಕ ಮತ್ತು ವೇಗವರ್ಧಕವಾಗಿದೆ. ಆರ್ಕಿಟೆಕ್ಚರ್, ಅನುಮತಿ, ಭದ್ರತೆ ಮತ್ತು ಪ್ರಕಟಣೆಯಂತಹ ನಿರ್ಧಾರಗಳ ಜವಾಬ್ದಾರಿ ಮತ್ತು ಅಂತಿಮ ಅನುಮೋದನೆಯು ಸಮರ್ಥ ಡೆವಲಪರ್‌ನೊಂದಿಗೆ ಇರುತ್ತದೆ; ಪ್ರಕಟವಾದ ಪ್ರತಿಯೊಂದು ಸಾಲಿಗೂ ಮನುಷ್ಯರೇ ಜವಾಬ್ದಾರರು.

2. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಮೊಬೈಲ್ ಕೋಡ್ ಅನ್ನು ವಿನಂತಿಸುವಾಗ, ಹೆಚ್ಚು ಉತ್ಪಾದಿಸಿದ ಕೋಡ್‌ನ ವಾಸ್ತುಶಿಲ್ಪದ ಗುಣಮಟ್ಟವನ್ನು ಯಾವುದು ಹೆಚ್ಚಿಸುತ್ತದೆ?

• ಎ) ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಚಿಕ್ಕದಾಗಿರಿಸಿ ಮತ್ತು 'ನನಗೆ ಅಪ್ಲಿಕೇಶನ್ ಬರೆಯಿರಿ' ಎಂದು ಹೇಳಿ
• ಬಿ) ಮೊದಲಿಗೆ, MVVM ನಂತಹ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ವಿಧಿಸಿ ಮತ್ತು ಕೋಡ್ ಅನ್ನು ಸಣ್ಣ ತುಂಡುಗಳಾಗಿ, ಲೇಯರ್ ಮೂಲಕ ಪದರದಲ್ಲಿ ವಿನಂತಿಸಿ ✔
• ಸಿ) ಒಂದೇ ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಸಂಪೂರ್ಣ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಒಂದೇ ದೈತ್ಯ ಫೈಲ್‌ನಂತೆ ಉತ್ಪಾದಿಸುವುದು
• ಡಿ) ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸಬೇಡಿ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಉತ್ತಮ ನಿರ್ಧಾರವನ್ನು ಬಿಡಿ

ವಿವರಣೆ: MVVM ನಂತಹ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಹೇರುವುದು ಮತ್ತು AI ಗೆ ನೇರವಾಗಿ ಕೋಡ್ ಬರೆಯುವ ಮೊದಲು ಲೇಯರ್ ಮೂಲಕ ಲೇಯರ್ ಅಗತ್ಯವಿರುತ್ತದೆ, ಇದು ತರ್ಕವನ್ನು ಪರದೆಯಿಂದ ಪ್ರತ್ಯೇಕಿಸುವ ಪರೀಕ್ಷಿಸಬಹುದಾದ ಮತ್ತು ನಿರ್ವಹಿಸಬಹುದಾದ ರಚನೆಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆರ್ಕಿಟೆಕ್ಚರ್ ಇಲ್ಲದ ವಿನಂತಿಯು ಪರದೆಯ ಮೇಲೆ ಎಲ್ಲವನ್ನೂ ಕ್ರ್ಯಾಮ್ ಮಾಡುವ ಕೋಡ್ ಅನ್ನು ಹಿಂದಿರುಗಿಸುತ್ತದೆ.

3. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಇಂಟರ್ಫೇಸ್ ಅನ್ನು ರಚಿಸುವಾಗ ಏನು ಹೆಚ್ಚಾಗಿ ಕಡೆಗಣಿಸಲಾಗುತ್ತದೆ ಮತ್ತು ನೈಜ ಬಳಕೆಯಲ್ಲಿ ಯಾವುದು ಹೆಚ್ಚು ನಿರ್ಣಾಯಕವಾಗಿದೆ?

• ಎ) ಪೂರ್ಣ ಪರದೆಯಷ್ಟೇ ಅಲ್ಲ, ಲೋಡಿಂಗ್, ಖಾಲಿ ಮತ್ತು ದೋಷ ಸ್ಥಿತಿಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ✔
• ಬಿ) ಕೇವಲ ಉತ್ತಮವಾಗಿ ಕಾಣುವ ಪೂರ್ಣ ಪರದೆಯನ್ನು ಉತ್ಪಾದಿಸುವುದು, ಇತರ ಪ್ರಕರಣಗಳನ್ನು ಬಿಟ್ಟುಬಿಡುವುದು
• ಸಿ) ಪ್ರತಿ ಪರದೆಗೆ ಸಾಧ್ಯವಾದಷ್ಟು ಬಣ್ಣಗಳು ಮತ್ತು ಅನಿಮೇಷನ್‌ಗಳನ್ನು ಸೇರಿಸುವುದು
• ಡಿ) ಪ್ರವೇಶಿಸುವಿಕೆ ಟ್ಯಾಗ್‌ಗಳನ್ನು ಕೊನೆಯದಾಗಿ ಬಿಡುವುದು ಮತ್ತು ಗೋಚರಿಸುವಿಕೆಯೊಂದಿಗೆ ಮಾತ್ರ ವ್ಯವಹರಿಸುವುದು

ವಿವರಣೆ: ಡೆವಲಪರ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ 'ಪೂರ್ಣ' ಸ್ಥಿತಿಯನ್ನು ಮಾತ್ರ ಪರಿಗಣಿಸುತ್ತಾರೆ; ಆದರೆ ವಾಸ್ತವದಲ್ಲಿ ಬಳಕೆದಾರರು ಹೆಚ್ಚಾಗಿ ಲೋಡಿಂಗ್, ಖಾಲಿ ಮತ್ತು ದೋಷ ಸ್ಥಿತಿಗಳನ್ನು ಎದುರಿಸುತ್ತಾರೆ. ಎಲ್ಲಾ ನಾಲ್ಕು ಸ್ಥಿತಿಗಳನ್ನು (ಲೋಡ್/ಖಾಲಿ/ದೋಷ/ಪೂರ್ಣ) ಉತ್ಪಾದಿಸುವುದು ದೃಢವಾದ ಇಂಟರ್‌ಫೇಸ್‌ನ ರಹಸ್ಯವಾಗಿದೆ.

4. ಸೂಕ್ಷ್ಮವಾದ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು (ಉದಾಹರಣೆಗೆ ಆರೋಗ್ಯ ಮಾಪನ) ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ವೈಶಿಷ್ಟ್ಯಕ್ಕಾಗಿ ಸಾಧನದ AI ಏಕೆ ಡೀಫಾಲ್ಟ್ ಆಯ್ಕೆಯಾಗಿದೆ?

• ಎ) ಸಾಧನದ ಮಾದರಿಗಳು ಯಾವಾಗಲೂ ಕ್ಲೌಡ್‌ಗಿಂತ ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತವೆ
• ಬಿ) ಸಾಧನದ ಪ್ರಕ್ರಿಯೆಯು ಎಂದಿಗೂ ಬ್ಯಾಟರಿ ಅಥವಾ ಪ್ರೊಸೆಸರ್ ವೆಚ್ಚವನ್ನು ಉಂಟುಮಾಡುವುದಿಲ್ಲ
• ಸಿ) ಮಾದರಿ ಗಾತ್ರದ ವಿಷಯದಲ್ಲಿ ಸಾಧನದ ಪ್ರಕ್ರಿಯೆಯು ಅನಿಯಮಿತವಾಗಿದೆ
• ಡಿ) ಡೇಟಾವು ಫೋನ್‌ನಿಂದ ಹೊರಹೋಗುವುದಿಲ್ಲವಾದ್ದರಿಂದ, ಇದು ಗೌಪ್ಯತೆ ಮತ್ತು ಬಳಕೆದಾರರ ನಂಬಿಕೆಯ ವಿಷಯದಲ್ಲಿ ಬಲವಾದ ಪ್ರಯೋಜನವನ್ನು ಒದಗಿಸುತ್ತದೆ ✔

ವಿವರಣೆ: ಸಾಧನದ ಪ್ರಕ್ರಿಯೆಯು ಫೋನ್‌ನಿಂದ ಡೇಟಾವನ್ನು ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ; ಗೌಪ್ಯತೆ ಅನುಸರಣೆ ಮತ್ತು ಬಳಕೆದಾರರ ನಂಬಿಕೆಯ ವಿಷಯದಲ್ಲಿ ಇದು ಬಲವಾದ ಪ್ರಯೋಜನವಾಗಿದೆ, ಜೊತೆಗೆ ಇದು ಆಫ್‌ಲೈನ್‌ನಲ್ಲಿ ಮತ್ತು ತಕ್ಷಣವೇ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಇದರ ಮಿತಿಯು ಸಾಧನದ ಶಕ್ತಿ ಮತ್ತು ಮಾದರಿಯ ಗಾತ್ರವಾಗಿದೆ.

5. ಅರ್ಥಹೀನ ಫಲಿತಾಂಶಗಳನ್ನು ಉಂಟುಮಾಡುವ ಮತ್ತು ಆನ್-ಡಿವೈಸ್ ಮಾಡೆಲ್ ಏಕೀಕರಣದಲ್ಲಿ ದೋಷ ಸಂದೇಶವನ್ನು ಉತ್ಪಾದಿಸದ ಅತ್ಯಂತ ಸಾಮಾನ್ಯವಾದ 'ಮೌನ' ದೋಷ ಯಾವುದು?

• ಎ) ಮಾದರಿಯ ಫೈಲ್ ಹೆಸರಿನ ತಪ್ಪು ಕಾಗುಣಿತ
• ಬಿ) ಅಪ್ಲಿಕೇಶನ್ ಐಕಾನ್‌ನ ಕಡಿಮೆ ರೆಸಲ್ಯೂಶನ್
• ಸಿ) ತಪ್ಪಾದ ಇನ್‌ಪುಟ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ (ಗಾತ್ರ/ಸಾಮಾನ್ಯೀಕರಣ) ✔
• ಡಿ) ಡಾರ್ಕ್ ಸ್ಕ್ರೀನ್ ಥೀಮ್

ವಿವರಣೆ: ಇನ್‌ಪುಟ್ ಪ್ರಿಪ್ರೊಸೆಸಿಂಗ್ ಅನ್ನು ತಪ್ಪಾಗಿ ಮಾಡುವುದರಿಂದ ದೋಷಗಳನ್ನು ಎಸೆಯದೆ ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪು ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡುತ್ತದೆ. ಪೂರ್ವ ಸಂಸ್ಕರಣಾ ಮೌಲ್ಯಗಳನ್ನು ಮಾದರಿಯ ದಾಖಲಾತಿಯಿಂದ ಪರಿಶೀಲಿಸಬೇಕು.

6. ಕ್ಲೌಡ್ LLM ಅನ್ನು ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗೆ ಸಂಯೋಜಿಸುವಾಗ ಅತ್ಯಂತ ಭದ್ರತೆ-ನಿರ್ಣಾಯಕ ನಿಯಮ ಯಾವುದು?

• A) API ಕೀಯನ್ನು ಬ್ಯಾಕೆಂಡ್‌ನಲ್ಲಿ ಮಾತ್ರ ಇರಿಸಬೇಕು, ಕ್ಲೈಂಟ್‌ನಲ್ಲಿ ಅಲ್ಲ; ವಿನಂತಿಗಳು ಪ್ರಾಕ್ಸಿ ✔ ಮೂಲಕ ಹೋಗಬೇಕು
• B) API ಕೀಲಿಯನ್ನು ಅನುಕೂಲಕ್ಕಾಗಿ ನೇರವಾಗಿ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್‌ಗೆ ಎಂಬೆಡ್ ಮಾಡಬೇಕು
• ಸಿ) ಅಪ್ಲಿಕೇಶನ್ ವಿವರಣೆಯಲ್ಲಿ API ಕೀಲಿಯನ್ನು ಹಂಚಿಕೊಳ್ಳಬೇಕು
• ಡಿ) API ಕೀಲಿಯನ್ನು ಕ್ಲೈಂಟ್‌ನಲ್ಲಿ ಇರಿಸಬೇಕು ಮತ್ತು ಹೆಸರನ್ನು ಬದಲಾಯಿಸುವ ಮೂಲಕ ಮಾತ್ರ ಮರೆಮಾಡಬೇಕು.

ಬಹಿರಂಗಪಡಿಸುವಿಕೆ: ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್ ಕೋಡ್‌ನಲ್ಲಿ API ಕೀ ಎಂದಿಗೂ ಎಂಬೆಡ್ ಆಗಿಲ್ಲ; ಏಕೆಂದರೆ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ರಿವರ್ಸ್ ಎಂಜಿನಿಯರಿಂಗ್ ಮಾಡಬಹುದು ಮತ್ತು ಕೀಲಿಯನ್ನು ಹೊರತೆಗೆಯಬಹುದು. ಕೀಲಿಯನ್ನು ಬ್ಯಾಕೆಂಡ್‌ನಲ್ಲಿ ಮಾತ್ರ ಇಟ್ಟುಕೊಳ್ಳುವುದು ಮತ್ತು ನಿಮ್ಮ ಸ್ವಂತ ಪ್ರಾಕ್ಸಿ ಸರ್ವರ್ ಮೂಲಕ ವಿನಂತಿಗಳನ್ನು ರವಾನಿಸುವುದು ಸರಿಯಾದ ಆರ್ಕಿಟೆಕ್ಚರ್ ಆಗಿದೆ.

7. ದೀರ್ಘವಾದ LLM ಉತ್ತರಗಳಲ್ಲಿ ಬಳಕೆದಾರ-ಗ್ರಹಿಸಿದ ವೇಗ ಮತ್ತು ವೈಶಿಷ್ಟ್ಯವನ್ನು ಪೂರ್ಣಗೊಳಿಸುವ ದರವನ್ನು ಯಾವುದು ಹೆಚ್ಚು ಹೆಚ್ಚಿಸುತ್ತದೆ?

• ಎ) ಸಂಪೂರ್ಣ ಉತ್ತರವನ್ನು ಉತ್ಪಾದಿಸುವವರೆಗೆ ಕಾಯುವುದು ಮತ್ತು ಅದನ್ನು ಒಂದೇ ಬಾರಿಗೆ ತೋರಿಸುವುದು
• ಬಿ) ಸ್ಟ್ರೀಮಿಂಗ್ ✔ ಜೊತೆಗೆ ಉತ್ತರವನ್ನು ಪದದ ಮೂಲಕ ತೋರಿಸುವುದು
• ಸಿ) ಪ್ರತಿ ವಿನಂತಿಯೊಂದಿಗೆ ಸಂಪೂರ್ಣ ಚಾಟ್ ಇತಿಹಾಸವನ್ನು ಮಾದರಿಗೆ ಕಳುಹಿಸುವುದು
• D) ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ವಿಸ್ತರಿಸಲು ಮಾದರಿ ಸೂಚನೆಯನ್ನು ವಿಸ್ತರಿಸಿ

ವಿವರಣೆ: ಸ್ಟ್ರೀಮಿಂಗ್ ನಾಟಕೀಯವಾಗಿ ಗ್ರಹಿಸಿದ ವೇಗ ಮತ್ತು ನಿರರ್ಗಳತೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ, ಪ್ರತಿಕ್ರಿಯೆಯನ್ನು ಪದದಿಂದ ಪದದಿಂದ ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ. ಖಾಲಿ ಪರದೆಯ ಮೇಲೆ ಕಾಯುವ ಬದಲು, ಬಳಕೆದಾರರು ಪಠ್ಯ ರೂಪವನ್ನು ವೀಕ್ಷಿಸುತ್ತಾರೆ; This significantly reduces the abandonment rate.

8. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಉತ್ಪತ್ತಿಯಾಗುವ ಪರೀಕ್ಷೆಗಳಲ್ಲಿ ಯಾವ ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಯು ಪರೀಕ್ಷೆಯನ್ನು ನಿಷ್ಪ್ರಯೋಜಕಗೊಳಿಸುತ್ತದೆ?

• A) Tests cover too many limit states
• B) Tests use mock objects, not real services
• ಸಿ) ಪರೀಕ್ಷೆಗಳು ಬಹಳ ವೇಗವಾಗಿ ನಡೆಯುತ್ತವೆ
• D) ಒಂದು ನಡವಳಿಕೆಯನ್ನು ನಿಜವಾಗಿ ಮೌಲ್ಯೀಕರಿಸದ ಖಾಲಿ/ಅನುಪಯುಕ್ತ ಪರೀಕ್ಷೆಗಳಿಂದ ಉಬ್ಬುವಿಕೆಯ ಸ್ಕೋಪ್ ✔

ವಿವರಣೆ: ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕೆಲವೊಮ್ಮೆ ಯಾವುದೇ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸದ ಪರೀಕ್ಷೆಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ (ಉದಾ. ಕಾರ್ಯಕ್ಕೆ ಕರೆ ಮಾಡಿ ಮತ್ತು ಖಾಲಿ ಸಮರ್ಥನೆಯನ್ನು ಬರೆಯಿರಿ). ಇವು ಕವರೇಜ್ ಸಂಖ್ಯೆಯನ್ನು ಹೆಚ್ಚಿಸುತ್ತವೆ ಆದರೆ ನಿಜವಾದ ರಕ್ಷಣೆಯನ್ನು ಒದಗಿಸುವುದಿಲ್ಲ; ಅರ್ಥಪೂರ್ಣ ನಡವಳಿಕೆಯನ್ನು ಪರಿಶೀಲಿಸಲು ಪ್ರತಿ ಪರೀಕ್ಷೆಯನ್ನು ಪರಿಶೀಲಿಸಬೇಕು.

9. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸಲಹೆಯೊಂದಿಗೆ ಕ್ರ್ಯಾಶ್ ಅನ್ನು ಪ್ರಯತ್ನಿಸುವ ಮೂಲಕ ಅದನ್ನು ನಿಶ್ಯಬ್ದಗೊಳಿಸುವುದು ಏಕೆ ಸಾಕಷ್ಟು ಪರಿಹಾರವಲ್ಲ?

• ಎ) ಮೊಬೈಲ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ಟ್ರೈ-ಕ್ಯಾಚ್ ಅನ್ನು ಬಳಸಲಾಗುವುದಿಲ್ಲ
• ಬಿ) ಕ್ರ್ಯಾಶ್ ನಿಲ್ಲುತ್ತದೆ, ಆದರೆ ಮೂಲ ಕಾರಣವನ್ನು ಪರಿಹರಿಸದ ಕಾರಣ, ಸಮಸ್ಯೆ ಬೇರೆ ರೂಪದಲ್ಲಿ ಮರಳುತ್ತದೆ ✔
• ಸಿ) ಟ್ರೈ-ಕ್ಯಾಚ್ ಅನ್ನು ಬಳಸುವುದರಿಂದ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿಧಾನಗೊಳಿಸುತ್ತದೆ, ಆದ್ದರಿಂದ ಇದನ್ನು ನಿಷೇಧಿಸಲಾಗಿದೆ
• ಡಿ) ನಿಶ್ಯಬ್ದ ದೋಷವನ್ನು ಸ್ಟೋರ್ ಸ್ವಯಂಚಾಲಿತವಾಗಿ ತಿರಸ್ಕರಿಸುತ್ತದೆ

ವಿವರಣೆ: ರೋಗಲಕ್ಷಣವನ್ನು ಮೌನಗೊಳಿಸುವುದು ಮೂಲ ಕಾರಣವನ್ನು ಪರಿಹರಿಸುವುದಿಲ್ಲ; ಕ್ರ್ಯಾಶ್ ನಿಲ್ಲುತ್ತದೆ, ಆದರೆ ಮೂಲ ಸಮಸ್ಯೆ (ಉದಾ. ಮುರಿದ ಡೇಟಾ ಸಂಪರ್ಕ) ಮತ್ತೊಂದು ರೂಪದಲ್ಲಿ ಮರಳುತ್ತದೆ (ಉದಾ. ಡೇಟಾ ನಷ್ಟ). ವೃತ್ತಿಪರ ಡೀಬಗ್ ಮಾಡುವ ಗುರಿಯು ಮೂಲ ಕಾರಣವನ್ನು ಪರಿಹರಿಸುವುದು, ರೋಗಲಕ್ಷಣವಲ್ಲ.

10. ಕಾರ್ಯಕ್ಷಮತೆಯ ಆಪ್ಟಿಮೈಸೇಶನ್‌ನಲ್ಲಿ ಅನುಸರಿಸಬೇಕಾದ ಮೂಲ ಸುವರ್ಣ ನಿಯಮ ಯಾವುದು?

• ಎ) ಮೊದಲು ಪ್ರೊಫೈಲ್ ಅನ್ನು ತೆಗೆದುಕೊಂಡು ನಿಜವಾದ ಅಡಚಣೆಯನ್ನು ಅಳೆಯಿರಿ, ನಂತರ ಆಪ್ಟಿಮೈಜ್ ಮಾಡಿ ✔
• ಬಿ) ಎಲ್ಲಿ ನಿಧಾನವಾಗಿದೆ ಎಂದು ಊಹಿಸುವುದು ಮತ್ತು ಅಲ್ಲಿ ಕೇಂದ್ರೀಕರಿಸುವುದು
• C) Chasing small gains in every function
• ಡಿ) ಎಮ್ಯುಲೇಟರ್‌ನಲ್ಲಿ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಅಳೆಯುವುದು ಮತ್ತು ನೈಜ ಸಾಧನವನ್ನು ಎಂದಿಗೂ ಪ್ರಯತ್ನಿಸುವುದಿಲ್ಲ

Description: Measure first, optimize later. ನಿಜವಾದ ಅಡಚಣೆಯು ಯಾವಾಗಲೂ ಊಹಿಸಿರುವುದಕ್ಕಿಂತ ವಿಭಿನ್ನ ಸ್ಥಳದಲ್ಲಿರುತ್ತದೆ; ಪ್ರೊಫೈಲಿಂಗ್ ಇಲ್ಲದೆ ಆಪ್ಟಿಮೈಸೇಶನ್ ಒಂದು ಕುರುಡು ಊಹೆಯಾಗಿದೆ ಮತ್ತು ಆಗಾಗ್ಗೆ ಶ್ರಮ ವ್ಯರ್ಥವಾಗುತ್ತದೆ.

11. ನಿರಂತರವಾಗಿ ಚಾಲನೆಯಲ್ಲಿರುವ AI ವೈಶಿಷ್ಟ್ಯಕ್ಕೆ (ಉದಾ. ಲೈವ್ ಕ್ಯಾಮೆರಾ ಅನುವಾದ) ಪ್ರಮುಖ ಎಂಜಿನಿಯರಿಂಗ್ ಕಾಳಜಿ ಯಾವುದು?

• ಎ) ವೈಶಿಷ್ಟ್ಯವು ಸಾಧ್ಯವಾದಷ್ಟು ಅನುಮತಿಗಳನ್ನು ವಿನಂತಿಸುತ್ತದೆ
• ಬಿ) ಮಾದರಿ ಆವರ್ತನ ಮತ್ತು ಬ್ಯಾಚ್ ಪ್ರಕ್ರಿಯೆಯೊಂದಿಗೆ ನಿರಂತರ ಸಂಸ್ಕರಣೆಯ ಬ್ಯಾಟರಿ ಮತ್ತು ಪ್ರೊಸೆಸರ್ ವೆಚ್ಚವನ್ನು ನಿರ್ವಹಿಸುವುದು ✔
• ಸಿ) ಅತ್ಯಂತ ದುಬಾರಿ ಫೋನ್‌ಗಳಲ್ಲಿ ಮಾತ್ರ ವೈಶಿಷ್ಟ್ಯವನ್ನು ರನ್ ಮಾಡಿ
• ಡಿ) ನಿರಂತರವಾಗಿ ಕ್ಯಾಮರಾವನ್ನು ಸಾಧ್ಯವಾದಷ್ಟು ಹೆಚ್ಚಿನ ಫ್ರೇಮ್ ದರದಲ್ಲಿ ರೆಂಡರ್ ಮಾಡುವುದು

ವಿವರಣೆ: ನಿರಂತರವಾಗಿ ಕೆಲಸ ಮಾಡುವ ಮಾದರಿ, ಕ್ಯಾಮರಾ ಮತ್ತು ನೆಟ್ವರ್ಕ್; ಇದು ತ್ವರಿತವಾಗಿ ಬ್ಯಾಟರಿಯನ್ನು ಸೇವಿಸಬಹುದು, ಸಾಧನವನ್ನು ಬಿಸಿಮಾಡಬಹುದು ಮತ್ತು ಸಿಸ್ಟಮ್ನಿಂದ ನಿರ್ಬಂಧಿಸಬಹುದು. ಮಾದರಿ ಆವರ್ತನವನ್ನು ಕಡಿಮೆ ಮಾಡುವುದು, ಬ್ಯಾಚಿಂಗ್ ಮತ್ತು ಅಗತ್ಯವಿದ್ದಾಗ ಮಾತ್ರ ಚಾಲನೆ ಮಾಡುವುದು ಬ್ಯಾಟರಿ ವೆಚ್ಚವನ್ನು ನಿರ್ವಹಿಸುವ ಮಾರ್ಗಗಳಾಗಿವೆ.

12. ಅನುಮತಿ ನಿರ್ವಹಣೆಯಲ್ಲಿ 'ಕನಿಷ್ಠ ಸವಲತ್ತು' ತತ್ವವು ಮೊಬೈಲ್ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಅರ್ಥವೇನು?

• ಎ) ಪ್ರಾರಂಭದಲ್ಲಿ ಸಾಧ್ಯವಿರುವ ಎಲ್ಲಾ ಅನುಮತಿಗಳನ್ನು ವಿನಂತಿಸುವುದು.
• ಬಿ) ಅನುಮತಿಯನ್ನು ನಿರಾಕರಿಸಿದರೆ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ನಿಷ್ಕ್ರಿಯಗೊಳಿಸುವುದು
• ಸಿ) ವಿಶಾಲವಾದ ಅನುಮತಿಯನ್ನು ಕೇಳುವುದು ಮತ್ತು ನಂತರ ಅದನ್ನು ಸಂಕುಚಿತಗೊಳಿಸಲು ಯೋಜಿಸುವುದು.
• ಡಿ) ನಿರಾಕರಣೆಯ ಸನ್ನಿವೇಶದೊಂದಿಗೆ, ಅಗತ್ಯವಿದ್ದಾಗ ಮತ್ತು ಕಿರಿದಾದ ವ್ಯಾಪ್ತಿಯಲ್ಲಿ, ನಿಜವಾಗಿ ಅಗತ್ಯವಿರುವ ಅನುಮತಿಯನ್ನು ಮಾತ್ರ ವಿನಂತಿಸುವುದು ✔

ವಿವರಣೆ: ಕನಿಷ್ಠ ಸವಲತ್ತು ಎಂದರೆ ನಿಜವಾಗಿ ಅಗತ್ಯವಿರುವ ಅನುಮತಿಯನ್ನು ಮಾತ್ರ ಕೇಳುವುದು, ಅದು ಅಗತ್ಯವಿದ್ದಾಗ ಮತ್ತು ಸಾಧ್ಯವಾದಷ್ಟು ಕಿರಿದಾದ ಮಟ್ಟಿಗೆ. ಹಲವಾರು ಅನುಮತಿಗಳು ಬಳಕೆದಾರರ ನಂಬಿಕೆಯನ್ನು ದುರ್ಬಲಗೊಳಿಸುತ್ತವೆ, ಅಂಗಡಿ ನಿರಾಕರಣೆಗೆ ಕಾರಣವಾಗುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ಸೋರಿಕೆಯ ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.

13. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯೊಂದಿಗೆ ಅಪ್ಲಿಕೇಶನ್ ಅನ್ನು ಅಂಗಡಿಗೆ ಪ್ರಸ್ತುತಪಡಿಸುವಾಗ ಯಾವ ನಿರ್ದಿಷ್ಟ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸಬೇಕು?

• ಎ) ವಿಷಯ ಪಾರದರ್ಶಕತೆ, ವಿಷಯ ನಿಯಂತ್ರಣ ಮತ್ತು ಗೌಪ್ಯತೆಯ ರೂಪದಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಹೋಗುವ ಡೇಟಾದ ಬಹಿರಂಗಪಡಿಸುವಿಕೆ ✔
• ಬಿ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಬಳಕೆಯನ್ನು ಬಳಕೆದಾರರಿಂದ ಮರೆಮಾಡುವುದು
• ಸಿ) ಗೌಪ್ಯತೆ ರೂಪದಲ್ಲಿ ವಾಸ್ತವವಾಗಿ ಸಂಗ್ರಹಿಸದ ಡೇಟಾವನ್ನು ಗುರುತಿಸುವುದು
• ಡಿ) ವಿವರಣೆಯಲ್ಲಿ ಇಲ್ಲದಿರುವ ಭರವಸೆಯ ವೈಶಿಷ್ಟ್ಯಗಳು

ಬಹಿರಂಗಪಡಿಸುವಿಕೆ: ಸ್ಟೋರ್‌ಗಳು ವಿಷಯ ಪಾರದರ್ಶಕತೆ (ಅದು AI ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಎಂಬ ಹೇಳಿಕೆ), ಕಂಟೆಂಟ್ ಮಾಡರೇಶನ್ (ಹಾನಿಕಾರಕ ಔಟ್‌ಪುಟ್ ಮತ್ತು ಬಳಕೆದಾರರ ಅಧಿಸೂಚನೆಯ ಫಿಲ್ಟರಿಂಗ್), ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಹೊಂದಿರುವ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಂದ ಡೇಟಾ ಬಳಕೆಯನ್ನು ಬಹಿರಂಗಪಡಿಸುವುದನ್ನು ನಿರೀಕ್ಷಿಸುತ್ತದೆ; Accuracy warning required in sensitive area. Applications that omit these will be rejected.

14. ಪ್ರಕಟಿತ AI-ರಚಿಸಿದ ಕೋಡ್‌ನಲ್ಲಿ ಎಡ್ಜ್ ಕೇಸ್ ದೋಷ ಸಂಭವಿಸಿದಾಗ 'AI ಆ ರೀತಿಯಲ್ಲಿ ಬರೆದಿದೆ' ರಕ್ಷಣೆ ಏಕೆ ಅಮಾನ್ಯವಾಗಿದೆ?

• ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಯಾವಾಗಲೂ ದೋಷ-ಮುಕ್ತ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುವ ಕಾರಣ, ದೋಷವು ಬಳಕೆದಾರರಿಂದ ಬರುತ್ತದೆ
• ಬಿ) ಏಕೆಂದರೆ ಸ್ಟೋರ್‌ಗಳು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಎಐ-ರಚಿಸಿದ ಕೋಡ್ ಅನ್ನು ಸರಿಪಡಿಸುತ್ತವೆ
• ಸಿ) ಏಕೆಂದರೆ ಜವಾಬ್ದಾರಿಯನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ವರ್ಗಾಯಿಸಲಾಗುವುದಿಲ್ಲ; ಪ್ರಕಟಿತ ಕೋಡ್ ಮತ್ತು ಡೇಟಾ ✔ ಗೆ ಡೆವಲಪರ್ ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ
• D) ಏಕೆಂದರೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ-ರಚಿತ ಕೋಡ್ ಅನ್ನು ಎಂದಿಗೂ ಲೈವ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ

ವಿವರಣೆ: AI ಔಟ್‌ಪುಟ್ ಆರಂಭಿಕ ಹಂತವಾಗಿದೆ, ಸಿದ್ಧಪಡಿಸಿದ ಉತ್ಪನ್ನವಲ್ಲ. ಪ್ರಕಟಿಸಲಾದ ಪ್ರತಿ ಸಾಲಿಗೆ, ಪ್ರತಿ ಡೇಟಾ ಸಂಸ್ಕರಿಸಿದ ಮತ್ತು ಮಾಡಿದ ಪ್ರತಿ ಭರವಸೆಗೆ ಡೆವಲಪರ್ ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ; ಜವಾಬ್ದಾರಿಯನ್ನು AI ಗೆ ನಿಯೋಜಿಸಲಾಗುವುದಿಲ್ಲ, ಆದ್ದರಿಂದ ಪ್ರಕಟಣೆಯ ಮೊದಲು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬೇಕು ಮತ್ತು ಪರೀಕ್ಷಿಸಬೇಕು.