ಎಂಎಲ್ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: ಪಾತ್ರ, ಗಡಿಗಳು, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ಜವಾಬ್ದಾರಿ

ಲಾಭಗಳು:

• ಎಂಎಲ್ ವರ್ಕ್‌ಫ್ಲೋ (ಕೋಡ್, ಡೇಟಾ, ಡಾಕ್ಯುಮೆಂಟ್) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕಡಿಮೆ ಅಪಾಯದೊಂದಿಗೆ ಸಮಯವನ್ನು ಉಳಿಸುತ್ತದೆ ಮತ್ತು ಕಾರ್ಯದ ಅಪಾಯದ ಮಟ್ಟಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಮೆಟ್ರಿಕ್ / ಡೇಟಾ / ಉತ್ಪಾದನೆಯಂತಹ ನಿರ್ಧಾರಗಳನ್ನು ಮನುಷ್ಯನಿಗೆ ಬಿಡಲಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಗುರುತಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
• ಪ್ರತಿ AI ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸುವ ಮೂಲಕ, ಅದನ್ನು ಮರು-ಚಾಲನೆ ಮಾಡುವ ಮೂಲಕ, ಅದನ್ನು ಅಳತೆ ಮಾಡುವ ಮೂಲಕ ಮತ್ತು ಎಂಜಿನಿಯರಿಂಗ್ ಫಿಲ್ಟರ್ ಮೂಲಕ ಹಾದುಹೋಗುವ ಮೂಲಕ ಅದನ್ನು ಪರಿಶೀಲಿಸುವ ಶಿಸ್ತನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ.
• ಬಾಹ್ಯ ಪರಿಕರಗಳಿಗೆ ಕಚ್ಚಾ ಗೌಪ್ಯ ಮತ್ತು ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಕಳುಹಿಸದಿರುವ ಅಭ್ಯಾಸವನ್ನು ಪಡೆದುಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ, ಕಾರ್ಪೊರೇಟ್-ಅನುಮೋದಿತ ಸಾಧನಗಳನ್ನು ಬಳಸುವುದು ಮತ್ತು ರಕ್ಷಣಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳನ್ನು ನಿರ್ವಹಿಸುವುದು.

ಯಂತ್ರ ಕಲಿಕೆ ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ: ಪಾತ್ರ, ಗಡಿಗಳು, ಮೌಲ್ಯೀಕರಣ ಮತ್ತು ಜವಾಬ್ದಾರಿ

ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಇಂಜಿನಿಯರ್ (ML ಇಂಜಿನಿಯರ್: ಸಾಫ್ಟ್‌ವೇರ್ ಪ್ರೊಫೆಶನಲ್ ಅವರು ವಿನ್ಯಾಸ, ತರಬೇತಿ ಮತ್ತು ಡೇಟಾದಿಂದ ಉತ್ಪಾದನೆಗೆ ಕಲಿಯುವ ಮಾದರಿಗಳನ್ನು ತರುತ್ತಾರೆ) ಇಂದು ತನ್ನ ಕೆಲಸದ ಪ್ರತಿ ಹಂತದಲ್ಲೂ ಮತ್ತೊಂದು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುತ್ತಾರೆ. ಕೋಡ್ ಬರೆಯುವಾಗ ಕೋಡಿಂಗ್ ಅಸಿಸ್ಟೆಂಟ್, ದತ್ತಾಂಶವನ್ನು ಅನ್ವೇಷಿಸುವಾಗ ಸಂಭಾಷಣೆಯ ಮಾದರಿ ಮತ್ತು ದಸ್ತಾವೇಜನ್ನು ಉತ್ಪಾದಿಸುವಾಗ ದೊಡ್ಡ ಭಾಷಾ ಮಾದರಿ (LLM: ಪಠ್ಯವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮತ್ತು ಉತ್ಪಾದಿಸುವ ಶತಕೋಟಿ ಪ್ಯಾರಾಮೀಟರ್‌ಗಳನ್ನು ಹೊಂದಿರುವ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್) ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ. ಈ ಮಾಡ್ಯೂಲ್ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಉತ್ಪನ್ನ ಮತ್ತು ML ಎಂಜಿನಿಯರ್‌ನ ದೈನಂದಿನ ಕೆಲಸದ ಸಾಧನವಾಗಿ ಪರಿಗಣಿಸುತ್ತದೆ. ಎರಡು ಪಾತ್ರಗಳನ್ನು ಬೆರೆಸದೆ ಜವಾಬ್ದಾರಿಯ ಗಡಿಗಳನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವಿವರಿಸುವ ಮೂಲಕ ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ.

ಈ ಮೊದಲ ಘಟಕದಲ್ಲಿ, ನಾವು ಮೂಲಭೂತ ಪ್ರಶ್ನೆಗೆ ಉತ್ತರಿಸುತ್ತೇವೆ: ML ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ನೈಜ ಸಮಯವನ್ನು ಎಲ್ಲಿ ಉಳಿಸುತ್ತದೆ ಮತ್ತು ನಾವು ನಿರ್ಧಾರವನ್ನು ಮನುಷ್ಯರಿಗೆ ಎಲ್ಲಿ ಬಿಡಬೇಕು? ಉತ್ತರವು ಎಂಜಿನಿಯರಿಂಗ್ ವಿಭಾಗದ ಹೃದಯಭಾಗದಲ್ಲಿದೆ: ತಯಾರಿಸುವವನು ವೇಗವಾಗಿರುತ್ತದೆ, ಪರಿಶೀಲಿಸುವವನು ಜವಾಬ್ದಾರನಾಗಿರುತ್ತಾನೆ.

ಎಂಎಲ್ ಇಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಲ್ಲಿ ಸೂಕ್ತವಾಗಿ ಬರುತ್ತದೆ?

ML ಯೋಜನೆಯು ಸರಿಸುಮಾರು ಈ ಕೆಳಗಿನ ಸಾಲುಗಳ ಮೂಲಕ ಹೋಗುತ್ತದೆ: ಡೇಟಾ ಸಂಗ್ರಹಣೆ, ಡೇಟಾ ಕ್ಲೀನಿಂಗ್, ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ (ಮಾದರಿಯು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಬಹುದಾದ ಡಿಜಿಟಲ್ ಸಿಗ್ನಲ್‌ಗಳಿಗೆ ಕಚ್ಚಾ ಡೇಟಾವನ್ನು ಅನುವಾದಿಸುವುದು), ಮಾದರಿ ತರಬೇತಿ, ಮೌಲ್ಯಮಾಪನ, ನಿಯೋಜನೆ (ನಿಯೋಜನೆ: ನೈಜ ಬಳಕೆದಾರರಿಗೆ ಮಾದರಿಯನ್ನು ತೆರೆಯುವುದು) ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆ. ಈ ಸಾಲಿನಲ್ಲಿ ಪ್ರತಿ ನಿಲ್ದಾಣದಲ್ಲಿ AI ಸಹಾಯ ಮಾಡುತ್ತದೆ, ಆದರೆ ಅದರ ಅಧಿಕಾರದ ಮಟ್ಟವು ಬದಲಾಗುತ್ತದೆ.

ಹೆಚ್ಚಿನ ಪ್ರತಿಫಲ, ಕಡಿಮೆ ಅಪಾಯದ ಪ್ರದೇಶಗಳು: ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ತಯಾರಿಸುವುದು, ಡೇಟಾ ರೂಪಾಂತರ ಕಾರ್ಯವನ್ನು ರಚಿಸುವುದು, ಲಾಗ್ ಸಂದೇಶಗಳನ್ನು ಅರ್ಥೈಸುವುದು, ಸ್ಟಾಕ್ ಟ್ರೇಸ್ ಅನ್ನು ವಿವರಿಸುವುದು, ಪ್ರಯೋಗ ಟಿಪ್ಪಣಿಗಳನ್ನು ಸಂಕ್ಷಿಪ್ತಗೊಳಿಸುವುದು, ದಸ್ತಾವೇಜನ್ನು ಮತ್ತು READMEಗಳನ್ನು ಬರೆಯುವುದು, ಪರೀಕ್ಷಾ ಪ್ರಕರಣವನ್ನು ಪ್ರಸ್ತಾಪಿಸುವುದು. ಇಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ತಪ್ಪುಗಳು ಅಗ್ಗವಾಗಿವೆ; ಏಕೆಂದರೆ ಔಟ್‌ಪುಟ್ ಈಗಾಗಲೇ ಪರೀಕ್ಷೆ ಮತ್ತು ವಿಮರ್ಶೆಯ ಮೂಲಕ ಹೋಗುತ್ತದೆ.

ಹೆಚ್ಚಿನ ಅಪಾಯದ ಪ್ರದೇಶಗಳು: ತರಬೇತಿಗೆ ಯಾವ ಡೇಟಾ ಹೋಗುತ್ತದೆ ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವುದು, ಮಾದರಿಯು ಉತ್ಪಾದನೆಗೆ ಹೋಗಬೇಕೆ ಎಂದು ದೃಢೀಕರಿಸುವುದು, ಮೆಟ್ರಿಕ್ ಅನ್ನು "ಸಾಕಷ್ಟು ಒಳ್ಳೆಯದು" ಎಂದು ನಿರ್ಣಯಿಸುವುದು, ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವ ನಿರ್ಧಾರ, ಭದ್ರತಾ ದುರ್ಬಲತೆಯನ್ನು "ಜಂಕ್" ಎಂದು ಮುಚ್ಚುವುದು. ಇವು ಹಣ, ಗೌಪ್ಯತೆ, ಕಾನೂನು ಹೊಣೆಗಾರಿಕೆ ಮತ್ತು ಬಳಕೆದಾರರ ನಂಬಿಕೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಇಲ್ಲಿ ಸಲಹೆಗಳನ್ನು ನೀಡುತ್ತದೆ; ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತ ತಂಡದಿಂದ ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲಾಗುತ್ತದೆ.

ಸಲಹೆ: AI ಗೆ ಕಾರ್ಯವನ್ನು ಹೊರಗುತ್ತಿಗೆ ನೀಡುವ ಮೊದಲು, ಕೇಳಿ: "ಈ ಔಟ್‌ಪುಟ್ ತಪ್ಪಾಗಿದ್ದರೆ ಎಷ್ಟು ವೆಚ್ಚವಾಗುತ್ತದೆ ಮತ್ತು ಎಷ್ಟು ಸುಲಭವಾಗಿ ಯಾರಾದರೂ ತಪ್ಪನ್ನು ಹಿಡಿಯುತ್ತಾರೆ?" ಬೆಲೆ ಕಡಿಮೆಯಿದ್ದರೆ ಮತ್ತು ಕ್ಯಾಪ್ಚರ್ ಸುಲಭವಾಗಿದ್ದರೆ, ಅದನ್ನು ರವಾನಿಸಿ. ಬೆಲೆ ಹೆಚ್ಚಿದ್ದರೆ ಅಥವಾ ಕ್ಯಾಪ್ಚರ್ ಕಷ್ಟವಾಗಿದ್ದರೆ, ಡ್ರಾಫ್ಟ್‌ಗಾಗಿ ಮಾತ್ರ AI ಅನ್ನು ಬಳಸಿ ಮತ್ತು ನೀವು ನಿರ್ಧರಿಸುತ್ತೀರಿ.

ಪರಿಶೀಲನೆ ಶಿಸ್ತು: ಮೂರು ಹಂತಗಳು

ML ಎಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ, AI ಔಟ್‌ಪುಟ್ ಎಂದಿಗೂ "ಮುಗಿದ ಕೆಲಸ" ಆಗಿರುವುದಿಲ್ಲ; ಇದು ಕರಡು. ಈ ಮೂರು ಹಂತಗಳ ಮೂಲಕ ಪ್ರತಿ ಔಟ್‌ಪುಟ್ ಅನ್ನು ರನ್ ಮಾಡಿ:

1. ಅದನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸಿ. ಮಾದರಿಯು ಸಂಖ್ಯೆ, ಮಿತಿ, ಅಥವಾ "ಅತ್ಯುತ್ತಮ ಅಭ್ಯಾಸ" ಎಂದು ಹೇಳಿದರೆ, ಅಧಿಕೃತ ದಾಖಲಾತಿ, ಕೋಡ್‌ಬೇಸ್‌ನಲ್ಲಿನ ನಿಜವಾದ ಮೌಲ್ಯ ಅಥವಾ ಅಳತೆ ಮಾಡಿದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಆಧರಿಸಿದೆ. "ಮಾದರಿಯನ್ನು ಅಳವಡಿಸುವುದು" (ಭ್ರಮೆ: ಭಾಷಾ ಮಾದರಿಯಿಂದ ನೈಜವಲ್ಲದ ಮಾಹಿತಿಯ ಆತ್ಮವಿಶ್ವಾಸದ ಉತ್ಪಾದನೆ) ಇಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಹಿಡಿಯಲಾಗುತ್ತದೆ.
2. ಮರುಪ್ರಾರಂಭಿಸಿ ಮತ್ತು ಅಳತೆ ಮಾಡಿ. ರಚಿಸಿದ ಕೋಡ್ ಅನ್ನು ರನ್ ಮಾಡಿ, ನಿಮ್ಮ ಸ್ವಂತ ಪರೀಕ್ಷಾ ಸೆಟ್‌ನಲ್ಲಿ ಅದು ಉತ್ಪಾದಿಸುವ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಮರು ಲೆಕ್ಕಾಚಾರ ಮಾಡಿ, ಸಣ್ಣ ಮಾದರಿಯಲ್ಲಿ ಪ್ರಸ್ತಾವಿತ SQL ಪ್ರಶ್ನೆಯನ್ನು ಮೌಲ್ಯೀಕರಿಸಿ. ಕೆಲಸ ಮಾಡದ ಕೋಡ್ ನಿಷ್ಪ್ರಯೋಜಕವಾಗಿದೆ, ಅದು ಚೆನ್ನಾಗಿ ಕಂಡರೂ ಸಹ.
3. ಎಂಜಿನಿಯರಿಂಗ್ ಫಿಲ್ಟರ್ ಮೂಲಕ ಅದನ್ನು ರವಾನಿಸಿ. ಔಟ್ಪುಟ್ ಪ್ರಮಾಣದಲ್ಲಿ ಹಿಡಿದಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆಯೇ? ಅಂಚಿನ ಪ್ರಕರಣಗಳನ್ನು (ಖಾಲಿ ಡೇಟಾ, ಅತಿ ದೊಡ್ಡ ಇನ್‌ಪುಟ್, ಕಾಣೆಯಾದ ಕ್ಷೇತ್ರಗಳು) ಪರಿಗಣಿಸಲಾಗಿದೆಯೇ? ಭದ್ರತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯ ಉಲ್ಲಂಘನೆ ಇದೆಯೇ? ಕ್ಷೇತ್ರ ಬಲ್ಲ ವ್ಯಕ್ತಿ ಮಾತ್ರ ಈ ಹೆಜ್ಜೆ ಇಡಲು ಸಾಧ್ಯ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್: "ನನಗೆ ಕೆಲವು ಮಾದರಿ ತರಬೇತಿ ಕೋಡ್ ಬರೆಯಿರಿ."

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್: "ಸ್ಕೈಕಿಟ್-ಲರ್ನ್‌ನೊಂದಿಗೆ ಬೈನರಿ ವರ್ಗೀಕರಣಕ್ಕಾಗಿ ತರಬೇತಿ ಸ್ಕ್ರಿಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ. ಇನ್‌ಪುಟ್: ಡೇಟಾ/ಟ್ರೈನ್.ಪಾರ್ಕ್ವೆಟ್, ಟಾರ್ಗೆಟ್ ಕಾಲಮ್ is_churn. ವರ್ಗ ಅಸಮತೋಲನವಿದೆ (ಧನಾತ್ಮಕ ದರ ~8%), ವರ್ಗ_ತೂಕದೊಂದಿಗೆ ಅದನ್ನು ನಿರ್ವಹಿಸಿ. PR-AUC ಬಳಸಿ (ನಿಖರವಾದ-ಮರುಪಡೆಯುವಿಕೆ ಕರ್ವ್ ಅಡಿಯಲ್ಲಿ ಪ್ರದೇಶ) ಏಕೆಂದರೆ ಡೇಟಾ ತಪ್ಪಾಗುವಿಕೆ ಮೆಟ್ರಿಕ್ ಆಗಿದೆ. ಯಾದೃಚ್ಛಿಕ ಬೀಜವನ್ನು 42 ಕ್ಕೆ ಸರಿಪಡಿಸಿ. ಕೋಡ್ ಪ್ರಿಂಟ್ ಸೆಟ್ PR-AUC ನ ಕೊನೆಯಲ್ಲಿ ಪರೀಕ್ಷಿಸಿ."

ವ್ಯತ್ಯಾಸ: ಎರಡನೇ ಪ್ರಾಂಪ್ಟ್ ಕಾರ್ಯವು ಡೇಟಾ ಸತ್ಯ, ಸರಿಯಾದ ಮೆಟ್ರಿಕ್, ಅಸಮತೋಲನ ಮಾಹಿತಿ ಮತ್ತು ಪುನರಾವರ್ತನೆಯ ಅಗತ್ಯವನ್ನು ಒಳಗೊಂಡಿದೆ. ಈ ಸಂದರ್ಭದಿಂದಲೇ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಪರಿಶೀಲಿಸಬಹುದು ಮತ್ತು ಬಳಸಬಹುದಾಗಿದೆ.

ಗೌಪ್ಯತೆ ಮತ್ತು ಡೇಟಾ ಸುರಕ್ಷತೆ: ಇಂಜಿನಿಯರ್‌ನ ಮೊದಲ ಜವಾಬ್ದಾರಿ

ML ಇಂಜಿನಿಯರ್ ಸಾಮಾನ್ಯವಾಗಿ ಕಂಪನಿಯ ಅತ್ಯಂತ ಸೂಕ್ಷ್ಮ ಡೇಟಾವನ್ನು ಸ್ಪರ್ಶಿಸುತ್ತಾರೆ: ಗ್ರಾಹಕರ ದಾಖಲೆಗಳು, ವಹಿವಾಟು ಇತಿಹಾಸ, ಆರೋಗ್ಯ ಅಥವಾ ಹಣಕಾಸಿನ ಡೇಟಾ, ಉತ್ಪಾದನಾ ವ್ಯವಸ್ಥೆಗಳ ದಾಖಲೆಗಳು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಗಳಿಗೆ ಡೇಟಾವನ್ನು ನೀಡುವಾಗ ಮೂರು ನಿಯಮಗಳು:

• ಬಾಹ್ಯ ಪರಿಕರಗಳಿಗೆ ಕಚ್ಚಾ ವೈಯಕ್ತಿಕ ಮತ್ತು ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಕಳುಹಿಸಬೇಡಿ. ಉದಾಹರಣೆಗೆ, ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಗ್ರಾಹಕರ ಇಮೇಲ್‌ಗಳನ್ನು ಅಂಟಿಸುವ ಬದಲು, ಸ್ಕೀಮಾ ಮತ್ತು ಡಮ್ಮಿ (ಸಿಂಥೆಟಿಕ್) ಮಾದರಿಗಳನ್ನು ಕಳುಹಿಸಿ. ನೈಜ ಡೇಟಾದ ಬದಲಿಗೆ "ಉದಾ: ahmet@example.com" ನಂತಹ ಮುಖವಾಡದ ಉದಾಹರಣೆಯನ್ನು ಬಳಸಿ.
• ಕಾರ್ಪೊರೇಟ್ ಅನುಮೋದಿತ ವಾಹನಗಳನ್ನು ಬಳಸಿ. ಡೇಟಾವನ್ನು ಎಲ್ಲಿ ಪ್ರಕ್ರಿಯೆಗೊಳಿಸಲಾಗಿದೆ, ಅದನ್ನು ಸಂಗ್ರಹಿಸಲಾಗಿದೆಯೇ, ಅದನ್ನು ಶಿಕ್ಷಣಕ್ಕಾಗಿ ಬಳಸಲಾಗಿದೆಯೇ ಅಥವಾ ಇಲ್ಲವೇ ಎಂಬುದನ್ನು ಒಪ್ಪಂದದ ಪ್ರಕಾರ ಸ್ಪಷ್ಟವಾದ ಪರಿಕರಗಳನ್ನು ಆಯ್ಕೆಮಾಡಿ. ವೈಯಕ್ತಿಕ ಖಾತೆಯೊಂದಿಗೆ ಕಾರ್ಪೊರೇಟ್ ಡೇಟಾವನ್ನು ಪ್ರಕ್ರಿಯೆಗೊಳಿಸುವುದು ಹೆಚ್ಚಿನ ಕಂಪನಿಗಳಲ್ಲಿ ಉಲ್ಲಂಘನೆಯಾಗಿದೆ.
• ಕನಿಷ್ಠ ಡೇಟಾ ನೀತಿ. ಕೆಲಸವನ್ನು ಪರಿಹರಿಸಲು ಅಗತ್ಯವಿರುವ ಕನಿಷ್ಠ ಸಂದರ್ಭವನ್ನು ನೀಡಿ. ಸಂಪೂರ್ಣ ಟೇಬಲ್ ಅಲ್ಲ, ಆದರೆ ಸಂಬಂಧಿತ 5 ಕಾಲಮ್‌ಗಳು ಮತ್ತು ಸ್ಕೀಮಾ.

ಎಚ್ಚರಿಕೆ: ಭಾಷಾ ಮಾದರಿಗೆ ನೀವು ನೀಡುವ ಪಠ್ಯವನ್ನು ರದ್ದುಗೊಳಿಸಲಾಗುವುದಿಲ್ಲ ಎಂದು ಊಹಿಸಿ. "ನಾನು ಅದನ್ನು ನಂತರ ಅಳಿಸುತ್ತೇನೆ" ಎಂದು ಯೋಚಿಸಿ ಕಚ್ಚಾ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಕಳುಹಿಸಬೇಡಿ; ಅದನ್ನು ಕಳುಹಿಸಿದ ಕ್ಷಣವೇ ಅಪಾಯ ಸಂಭವಿಸಿದೆ.

ಭದ್ರತಾ ಕ್ಷೇತ್ರದಲ್ಲಿ ರಕ್ಷಣಾತ್ಮಕ ಬಳಕೆ

ML ಎಂಜಿನಿಯರ್‌ಗಳು ಸಾಮಾನ್ಯವಾಗಿ ಭದ್ರತಾ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಸ್ಥಾಪಿಸುತ್ತಾರೆ: ವಂಚನೆ ಪತ್ತೆ, ದುರುದ್ದೇಶಪೂರಿತ ಸಂಚಾರ ವರ್ಗೀಕರಣ, ದೃಢೀಕರಣ. ಈ ಮಾಡ್ಯೂಲ್‌ನಾದ್ಯಂತ, ನಾವು ರಕ್ಷಣಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಭದ್ರತಾ ಸಮಸ್ಯೆಗಳನ್ನು ಒಳಗೊಳ್ಳುತ್ತೇವೆ: ದಾಳಿಯನ್ನು ಪತ್ತೆಹಚ್ಚುವುದು, ಸಿಸ್ಟಮ್ ಅನ್ನು ಗಟ್ಟಿಗೊಳಿಸುವುದು, ದುರ್ಬಲತೆಯನ್ನು ಮುಚ್ಚುವುದು. ಅನಧಿಕೃತ ಪ್ರವೇಶ, ಡೇಟಾ ಸೋರಿಕೆ ಅಥವಾ ಬೇರೊಬ್ಬರ ವ್ಯವಸ್ಥೆಯಲ್ಲಿ ಅನಧಿಕೃತ ಹಸ್ತಕ್ಷೇಪಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸುವುದು ಕಾನೂನುಬಾಹಿರ ಮತ್ತು ವೃತ್ತಿಪರ ನೈತಿಕತೆಗೆ ವಿರುದ್ಧವಾಗಿದೆ. ನೀವು ದುರ್ಬಲತೆಯನ್ನು ಕಂಡುಕೊಂಡಾಗ, ಅದನ್ನು ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ವರದಿ ಮಾಡುವುದು ಮತ್ತು ಅದನ್ನು ಸರಿಪಡಿಸುವುದು ಸರಿಯಾದ ಮಾರ್ಗವಾಗಿದೆ; ಬಳಸಿಕೊಳ್ಳುವುದಿಲ್ಲ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಸಮಯವನ್ನು ಉಳಿಸಲಾಗಿದೆ. ML ಇಂಜಿನಿಯರ್ ಸಾಮಾನ್ಯವಾಗಿ 40-ಕಾಲಮ್ ಡೇಟಾ ಸೆಟ್‌ನ ಎಕ್ಸ್‌ಪ್ಲೋರೇಟರಿ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ (EDA) ಮಾಡಲು ಅರ್ಧ ದಿನವನ್ನು ಕಳೆಯುತ್ತಾರೆ. ಅವರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಸ್ಕೀಮಾ ಮತ್ತು df.describe() ಔಟ್‌ಪುಟ್ ಅನ್ನು ನೀಡಿದರು ಮತ್ತು "ಯಾವ ಕಾಲಮ್‌ಗಳು ಹೆಚ್ಚಿನ ಔಟ್‌ಲೈಯರ್ ಮತ್ತು ಕಾಣೆಯಾದ ದರವನ್ನು ಹೊಂದಿವೆ, ನೀವು ಯಾವ ರೂಪಾಂತರಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೀರಿ?" 20 ನಿಮಿಷಗಳಲ್ಲಿ, ಅವರು ಆದ್ಯತೆಯ ಪಟ್ಟಿಯನ್ನು ಪಡೆದರು, ಪ್ರತಿ ಐಟಂ ಅನ್ನು ಅದರ ಸ್ವಂತ ಕೋಡ್‌ನೊಂದಿಗೆ ಪರಿಶೀಲಿಸಿದರು. ಉಳಿಸಿ: ~ 3 ಗಂಟೆಗಳು, ಪ್ರತಿ ಕ್ಲೈಮ್ ಅನ್ನು ಅಳತೆ ಮಾಡಿದ ಕಾರಣ ದೋಷದ ಕಡಿಮೆ ಅಪಾಯ.

ಪ್ರಕರಣ 2 - ಸಿಕ್ಕಿಬಿದ್ದ ದೋಷ. "ತರಬೇತಿ ನಿಖರತೆ 99%, ಅದ್ಭುತವಾಗಿದೆ," ಮಾದರಿಯು ಚಾಟ್ ಸಹಾಯಕ ಹೇಳುವಿಕೆಯನ್ನು ಹೊಂದಿತ್ತು. ಇಂಜಿನಿಯರ್ ಮೂರನೇ ಹಂತವನ್ನು (ಎಂಜಿನಿಯರಿಂಗ್ ಫಿಲ್ಟರ್) ಅನ್ವಯಿಸಿದರು ಮತ್ತು ಅರಿತುಕೊಂಡರು: ಗುರಿಯ ಕಾಲಮ್ ಆಕಸ್ಮಿಕವಾಗಿ ಸೋರಿಕೆಯಾದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಹೊಂದಿದೆ (ಡೇಟಾ ಸೋರಿಕೆ: ಮಾದರಿಯು ತರಬೇತಿಯಲ್ಲಿ ನೋಡಬಾರದ ಮಾಹಿತಿಯನ್ನು ನೋಡುತ್ತದೆ). ವಾಸ್ತವಿಕ ಕಾರ್ಯಕ್ಷಮತೆ ತುಂಬಾ ಕಡಿಮೆಯಾಗಿತ್ತು. ಇಂಜಿನಿಯರ್‌ನ ಸಂದೇಹ, AI ಯ "ಶ್ರೇಷ್ಠ" ವ್ಯಾಖ್ಯಾನವಲ್ಲ, ಕೆಲಸವನ್ನು ಉಳಿಸಿದೆ.

ಪ್ರಕರಣ 3 - ಗೌಪ್ಯತೆಯ ಉಲ್ಲಂಘನೆಯನ್ನು ತಡೆಗಟ್ಟುವುದು. ಒಂದು ತಂಡವು ಉತ್ಪಾದನಾ ದೋಷದ ಲಾಗ್‌ಗಳನ್ನು ಬಾಹ್ಯ ಮಾದರಿಯಲ್ಲಿ ಅಂಟಿಸುತ್ತಿದೆ ಮತ್ತು "ಈ ದೋಷವನ್ನು ಸರಿಪಡಿಸಿ" ಎಂದು ಹೇಳುತ್ತಿದೆ. ಲಾಗ್‌ಗಳಲ್ಲಿ ಗ್ರಾಹಕರ ಗುರುತಿನ ಸಂಖ್ಯೆಗಳಿದ್ದವು. ತಂಡವು ಲಾಗ್‌ಗಳನ್ನು ಮೊದಲು ಮರೆಮಾಚುವ ಸಣ್ಣ ಸ್ಕ್ರಿಪ್ಟ್ ಬರೆಯುವ ನಿಯಮವನ್ನು ಮಾಡಿದೆ (ಅವರ ID ಸಂಖ್ಯೆಗಳನ್ನು *** ಮಾಡುವುದು) ಮತ್ತು ಅವುಗಳನ್ನು ಆ ರೀತಿಯಲ್ಲಿ ಕಳುಹಿಸುತ್ತದೆ. ಉಲ್ಲಂಘನೆಯ ಅಪಾಯವು ಕಣ್ಮರೆಯಾಯಿತು, ಸಹಾಯದ ವೇಗವು ಬದಲಾಗಿಲ್ಲ.

ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್‌ಗಳು

ಕಾರ್ಯ: [ಏನು ಮಾಡಬೇಕು, ಏಕ ವಾಕ್ಯ] ಸಂದರ್ಭ: [ಡೇಟಾ ಸ್ಕೀಮಾ, ಗಾತ್ರ, ನಿರ್ಬಂಧಗಳು; ಯಾವುದೇ ನೈಜ ವೈಯಕ್ತಿಕ ಡೇಟಾ]ನಿರ್ಬಂಧಗಳು: [ಭಾಷೆ/ಲೈಬ್ರರಿ, ಕಾರ್ಯಕ್ಷಮತೆ, ಪುನರುತ್ಪಾದನೆ]ಮಾಪನಗಳು: [ಯಶಸ್ಸನ್ನು ಅಳೆಯುವುದು ಹೇಗೆ]ಅಪೇಕ್ಷಿತ ಔಟ್‌ಪುಟ್: [ಕೋಡ್/ವಿವರಣೆ/ಪಟ್ಟಿ] ಮತ್ತು ಏಕೆ ಈ ಸ್ವರೂಪದಲ್ಲಿ

ಈ ಕೋಡ್ ಪರಿಶೀಲಿಸಿ. ಇದು ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಮಾತ್ರ ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ: 1) ಎಡ್ಜ್ ಪ್ರಕರಣಗಳು (ಖಾಲಿ ಇನ್‌ಪುಟ್, ಕಾಣೆಯಾದ ಕಾಲಮ್, ಅತಿ ದೊಡ್ಡ ಡೇಟಾ) 2) ಡೇಟಾ ಸೋರಿಕೆಯ ಅಪಾಯ3) ಪುನರುತ್ಪಾದನೆ (ಬೀಜ, ಆವೃತ್ತಿ)ನೀವು ಕಂಡುಕೊಳ್ಳುವ ಪ್ರತಿಯೊಂದು ಸಮಸ್ಯೆಗೆ ಪರಿಹಾರಗಳನ್ನು ಸೂಚಿಸಿ. ನೀವು ಖಚಿತವಾಗಿಲ್ಲದಿರುವಲ್ಲಿ "ಪರಿಶೀಲಿಸಿ" ಎಂದು ಗುರುತಿಸಿ. ಕೋಡ್: [ಕೋಡ್]

ಈ ಮೆಟ್ರಿಕ್ ಫಲಿತಾಂಶವನ್ನು ಅರ್ಥೈಸಿಕೊಳ್ಳಿ, ಆದರೆ ಮೊದಲು ಕೇಳಿ: ಈ ಸಮಸ್ಯೆಗೆ ಈ ಮೆಟ್ರಿಕ್ ಸರಿಯಾಗಿದೆಯೇ? ಸಮಸ್ಯೆ: [ಸಮತೋಲಿತ/ಅಸಮತೋಲಿತ ವರ್ಗೀಕರಣ, ಹಿಂಜರಿತ, ಶ್ರೇಯಾಂಕ...]ವರದಿ ಮಾಡಿದ ಮೆಟ್ರಿಕ್ ಮತ್ತು ಮೌಲ್ಯ: [ಉದಾ. ನಿಖರತೆ 0.99]ನೀವು ಯಾವ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಶಿಫಾರಸು ಮಾಡುತ್ತೀರಿ ಮತ್ತು ಏಕೆ ಮತ್ತು ಪ್ರಸ್ತುತ ಫಲಿತಾಂಶವನ್ನು ಅನುಮಾನಿಸಲು ನಾನು ಯಾವ ಚಿಹ್ನೆಗಳನ್ನು ನೋಡಬೇಕು?

ನಾನು ಈ ಕೆಳಗಿನ ಪ್ರಾಂಪ್ಟ್‌ಗೆ ನೀಡುವ ಡೇಟಾದಲ್ಲಿ ವೈಯಕ್ತಿಕ/ಗೌಪ್ಯ ಮಾಹಿತಿ ಇದೆಯೇ ಎಂಬುದನ್ನು ಪರಿಶೀಲಿಸಿ. ಕೆಳಗಿನ ಪಠ್ಯದಲ್ಲಿ ಮರೆಮಾಚಬೇಕಾದ ಕ್ಷೇತ್ರಗಳನ್ನು (ಹೆಸರು, ಇಮೇಲ್, ಐಡಿ ಸಂಖ್ಯೆ, ಫೋನ್, ವಿಳಾಸ) ಪಟ್ಟಿ ಮಾಡಿ. ಪಠ್ಯ: [ಪಠ್ಯ]

ಪಾತ್ರ ಮತ್ತು ಅಧಿಕಾರ ಕೋಷ್ಟಕ

ಅನ್ವೇಷಣೆ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಪಾತ್ರ

ನಿರ್ಧಾರದ ಮಾಲೀಕರು

ಕೋಡ್ ಅಸ್ಥಿಪಂಜರ / ರೂಪಾಂತರ ಕಾರ್ಯ

ಕರಡು ಜನರೇಟರ್

ಇಂಜಿನಿಯರ್ (ವಿಮರ್ಶೆಗಳು)

EDA / ಡೇಟಾ ಸಾರಾಂಶ

ವೇಗವರ್ಧಕ

ಇಂಜಿನಿಯರ್ (ಅಳತೆಯ ಮೂಲಕ ಪರಿಶೀಲಿಸುತ್ತದೆ)

ಮೆಟ್ರಿಕ್ ವ್ಯಾಖ್ಯಾನ

ಸಲಹೆ

ಇಂಜಿನಿಯರ್

ತರಬೇತಿಗೆ ಯಾವ ಡೇಟಾ ಹೋಗುತ್ತದೆ?

ಸಲಹೆ

ತಂಡ + ಡೇಟಾ ಮಾಲೀಕರು

ಮಾದರಿಯನ್ನು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರಿಸಿ

ಪರಿಶೀಲನಾಪಟ್ಟಿ ಜ್ಞಾಪನೆ

ಜವಾಬ್ದಾರಿಯುತ ಇಂಜಿನಿಯರ್ + ತಂಡ

ವೈಯಕ್ತಿಕ ಡೇಟಾ ಸಂಸ್ಕರಣೆ

ಯಾವುದೂ ಇಲ್ಲ (ಬಳಸಲಾಗಿಲ್ಲ)

ಕಾನೂನು + ಡೇಟಾ ನಿಯಂತ್ರಕ

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಬಳಸುವುದು. ಅತ್ಯಂತ ಸಾಮಾನ್ಯ ಮತ್ತು ಅತ್ಯಂತ ದುಬಾರಿ ತಪ್ಪು. ಸುಂದರವಾಗಿ ಕಾಣುವ ಕೋಡ್ ಅಥವಾ ಮೆಟ್ರಿಕ್ ಅದು ಸರಿಯಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ.
• ಕಚ್ಚಾ ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಉಪಕರಣಕ್ಕೆ ಅಂಟಿಸಲಾಗುತ್ತಿದೆ. ಒಮ್ಮೆ ಕಳುಹಿಸಿದರೆ, ಅದನ್ನು ಹಿಂದಕ್ಕೆ ತೆಗೆದುಕೊಳ್ಳಲಾಗುವುದಿಲ್ಲ.
• ತಪ್ಪು ಮೆಟ್ರಿಕ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಅಸಮತೋಲಿತ ಡೇಟಾದಲ್ಲಿನ ನಿಖರತೆ ಮತ್ತು ಶ್ರೇಣಿಯ ಸಮಸ್ಯೆಗಳಲ್ಲಿ RMSE ನಂತಹ ಹೊಂದಾಣಿಕೆಯಾಗದ ಮೆಟ್ರಿಕ್‌ಗಳು ತಪ್ಪುದಾರಿಗೆಳೆಯುವಂತಿವೆ.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ನಿರ್ಧಾರ ತಯಾರಕ ಎಂದು ತಪ್ಪಾಗಿ ಭಾವಿಸುವುದು. ಅವನು ಸಲಹೆಗಳನ್ನು ನೀಡುತ್ತಾನೆ; ಜವಾಬ್ದಾರಿಯು ಸಹಿ ಮಾಡುವವರ ಮೇಲಿರುತ್ತದೆ.
• ಸಂದರ್ಭರಹಿತ ಪ್ರಾಂಪ್ಟ್. "ಮಾದರಿ ಬರೆಯಿರಿ" ನಂತಹ ಅಸ್ಪಷ್ಟ ವಿನಂತಿಗಳು ಪರಿಶೀಲಿಸಲಾಗದ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತವೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ML ಇಂಜಿನಿಯರ್ ಮತ್ತು ಅದರ ದೈನಂದಿನ ರೆಪ್ಲಿಕೇಟರ್ ಅಭಿವೃದ್ಧಿಪಡಿಸಿದ ಉತ್ಪನ್ನವಾಗಿದೆ. ಕೋಡ್-ಡೇಟಾ-ಡಾಕ್ಯುಮೆಂಟ್‌ನಂತಹ ಕಡಿಮೆ-ಅಪಾಯದ, ಸುಲಭವಾಗಿ ಪರಿಶೀಲಿಸಬಹುದಾದ ಕಾರ್ಯಗಳಲ್ಲಿ ಇದರ ಮೌಲ್ಯವು ಅತ್ಯಧಿಕವಾಗಿದೆ; ಹಣ, ಗೌಪ್ಯತೆ ಮತ್ತು ಭದ್ರತೆಯ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನಿರ್ಧಾರಗಳು ವ್ಯಕ್ತಿಯೊಂದಿಗೆ ಉಳಿಯುತ್ತವೆ. ಪ್ರತಿ ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸಿ, ಮತ್ತೆ ಅಳತೆ ಮಾಡಿ, ಎಂಜಿನಿಯರಿಂಗ್ ಫಿಲ್ಟರ್ ಮೂಲಕ ಹಾದುಹೋಗಿರಿ. ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಿ, ಅನುಮೋದಿತ ವಾಹನಗಳನ್ನು ಬಳಸಿ, ರಕ್ಷಣಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಮಾತ್ರ ಭದ್ರತೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡಿ. ಈ ಶಿಸ್ತು ಎಲ್ಲಾ ನಂತರದ ಘಟಕಗಳಿಗೆ ಆಧಾರವಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ನಿಮ್ಮ ಸ್ವಂತ ಪ್ರಾಜೆಕ್ಟ್‌ನಿಂದ ಕಾರ್ಯವನ್ನು ಆಯ್ಕೆಮಾಡಿ (ಉದಾ. ಡೇಟಾ ಕ್ಲೀನಿಂಗ್ ಕಾರ್ಯವನ್ನು ಬರೆಯುವುದು). ಮೊದಲು ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ, ನಂತರ ಈ ಘಟಕದಲ್ಲಿನ ಟೆಂಪ್ಲೇಟ್ ಅನ್ನು ಬಳಸಿಕೊಂಡು ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಅನ್ನು ಬರೆಯಿರಿ. ಎರಡೂ ಔಟ್‌ಪುಟ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳಿ, ಮೂರು-ಹಂತದ ಪರಿಶೀಲನೆಯನ್ನು ಅನ್ವಯಿಸಿ (ಮೂಲಕ್ಕೆ ಲಿಂಕ್, ಮರುಚಾಲನೆ, ಎಂಜಿನಿಯರಿಂಗ್ ಫಿಲ್ಟರ್). ಯಾವ ಪ್ರಾಂಪ್ಟ್ ಎಷ್ಟು ನಿಮಿಷಗಳನ್ನು ಮತ್ತು ಎಷ್ಟು ತಿದ್ದುಪಡಿಗಳನ್ನು ಉಳಿಸುತ್ತದೆ ಎಂಬುದನ್ನು ಗಮನಿಸಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನನ್ನ ಕಾರ್ಯದ ಅಪಾಯದ ಮಟ್ಟವನ್ನು (ಕಡಿಮೆ/ಹೆಚ್ಚು) ನಾನು ನಿರ್ಧರಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಯಾವುದೇ ನಿಜವಾದ ವೈಯಕ್ತಿಕ/ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಪ್ರಾಂಪ್ಟ್‌ನಲ್ಲಿ ಇರಿಸಿಲ್ಲ; ನಾನು ಅದನ್ನು ಮರೆಮಾಚಿದ್ದೇನೆ ಅಥವಾ ಸಿಂಥೆಟಿಕ್ ಮಾದರಿಯನ್ನು ಬಳಸಿದ್ದೇನೆ.
• [ ] ನಾನು ಔಟ್‌ಪುಟ್ ಅನ್ನು ಮೂಲಕ್ಕೆ ಸಂಪರ್ಕಿಸಿದೆ, ಅದನ್ನು ಮತ್ತೆ ಓಡಿಸಿದೆ, ಎಂಜಿನಿಯರಿಂಗ್ ದೃಷ್ಟಿಕೋನದಿಂದ ಫಿಲ್ಟರ್ ಮಾಡಿದೆ.
• [ ] ನಾನು ಸರಿಯಾದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ್ದೇನೆ ಎಂದು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರವನ್ನು (ಉತ್ಪಾದನೆ, ದತ್ತಾಂಶ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ ಇರಿಸುವುದು) ನಾನೇ/ತಂಡದೊಂದಿಗೆ ಮಾಡಿದೆ, ನಾನು ಅದನ್ನು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಬಿಡಲಿಲ್ಲ.
• [ ] ನಾನು ಕಾರ್ಪೊರೇಟ್ ಅನುಮೋದಿತ ವಾಹನವನ್ನು ಬಳಸಿದ್ದೇನೆ.