ಲಾಭಗಳು:
- ಜವಳಿ ಉತ್ಪಾದನೆ, ಗುಣಮಟ್ಟ, ವಿನ್ಯಾಸ ಮತ್ತು ಪೂರೈಕೆ ಸರಪಳಿ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನೈಜ ಮೌಲ್ಯವನ್ನು ಎಲ್ಲಿ ಸೃಷ್ಟಿಸುತ್ತದೆ ಮತ್ತು ಯಾವ ನಿರ್ಧಾರಗಳು ಎಂಜಿನಿಯರ್ನ ಜವಾಬ್ದಾರಿಯಾಗಿ ಉಳಿಯಬೇಕು ಎಂಬುದನ್ನು ಗುರುತಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಭೌತಿಕ ಪರೀಕ್ಷೆ, ಪ್ರಯೋಗಾಲಯ ಮಾಪನ ಮತ್ತು ಪರಿಮಾಣದ ಆದೇಶಗಳೊಂದಿಗೆ ಪ್ರತಿ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಕ್ರಾಸ್-ಮೌಲ್ಯೀಕರಿಸುವ ಮೂರು ಆಂಕರ್ ವಿಭಾಗಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ
- ಭ್ರಮೆ, ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ವಿನ್ಯಾಸ ಹಕ್ಕುಸ್ವಾಮ್ಯದ ಅಪಾಯಗಳನ್ನು ಗುರುತಿಸಿ ಮತ್ತು ಸಂದರ್ಭವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುವ ಮೂಲಕ ಸುರಕ್ಷಿತ ಪ್ರಾಂಪ್ಟ್ಗಳನ್ನು ಹೊಂದಿಸುವ ಅಭ್ಯಾಸವನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸಿ.
ಟೆಕ್ಸ್ಟೈಲ್ ಇಂಜಿನಿಯರಿಂಗ್ ಒಂದು ಎಂಡ್-ಟು-ಎಂಡ್ ಚೈನ್ ಇಂಜಿನಿಯರಿಂಗ್ ಆಗಿದ್ದು, ಇದರಲ್ಲಿ ಫೈಬರ್ ಮಟ್ಟದಲ್ಲಿನ ಸೂಕ್ಷ್ಮದರ್ಶಕ ರಚನೆಯು ಅಂತಿಮವಾಗಿ ಫ್ಯಾಬ್ರಿಕ್ನ ಮೀಟರ್ಗಳಾಗಿ ಮತ್ತು ನಂತರ ಲಕ್ಷಾಂತರ ತುಣುಕುಗಳ ಸಂಗ್ರಹವಾಗಿ ಬದಲಾಗುತ್ತದೆ. ಈ ಸರಪಳಿಯ ಪ್ರತಿಯೊಂದು ಲಿಂಕ್ನಲ್ಲಿ ಸಂಖ್ಯಾತ್ಮಕ ಡೇಟಾವನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ: ನೂಲು ಎಣಿಕೆ ಮತ್ತು ಟ್ವಿಸ್ಟ್, ಬಟ್ಟೆಯ ತೂಕ ಮತ್ತು ಸಾಂದ್ರತೆ, ಡೈ ಪಾಕವಿಧಾನದಲ್ಲಿ ಗ್ರಾಂ / ಲೀಟರ್ ಮೌಲ್ಯಗಳು, ಗುಣಮಟ್ಟ ನಿಯಂತ್ರಣದಲ್ಲಿ ಎಣಿಸಿದ ದೋಷಗಳು, ಪೂರೈಕೆದಾರರ ವಿತರಣಾ ಸಮಯಗಳು, ಅಂಗಡಿ ಮಾರಾಟ ಅಂಕಿಅಂಶಗಳು. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ (ಇಂಗ್ಲಿಷ್ನಲ್ಲಿ AI; ದೊಡ್ಡ ಡೇಟಾ ಮಾದರಿಗಳಿಂದ ಕಲಿಯುವ ಮತ್ತು ಪಠ್ಯ/ಚಿತ್ರಗಳು/ಸಂಖ್ಯೆಗಳನ್ನು ಉತ್ಪಾದಿಸುವ ಸಾಫ್ಟ್ವೇರ್ ವ್ಯವಸ್ಥೆಗಳು) ಈ ಡೇಟಾ-ಇಂಟೆನ್ಸಿವ್ ಸರಪಳಿಯಲ್ಲಿ ಉತ್ತಮ ವೇಗವರ್ಧಕವಾಗಿದೆ. ಆದರೆ ಅದೇ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ತನ್ನ ನಿರರ್ಗಳ ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸದ ಭಾಷೆಯಿಂದಾಗಿ ತಪ್ಪುಗಳನ್ನು ಸುಲಭವಾಗಿ ಮರೆಮಾಡುತ್ತದೆ. ಈ ಘಟಕವು ಸಂಪೂರ್ಣ ಮಾಡ್ಯೂಲ್ ಅನ್ನು ನಿರ್ಮಿಸುವ ಎರಡು ಅಡಿಪಾಯಗಳನ್ನು ಹಾಕುತ್ತದೆ: ಜವಳಿ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ನೈಜ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ ಮತ್ತು ನಾವು ಪ್ರತಿ ಔಟ್ಪುಟ್ ಅನ್ನು ಹೇಗೆ ಮೌಲ್ಯೀಕರಿಸುತ್ತೇವೆ.
ಪ್ರಾರಂಭದಿಂದಲೇ ಸ್ಪಷ್ಟವಾಗಿರೋಣ: ಈ ಮಾಡ್ಯೂಲ್ನಲ್ಲಿ ನೀವು ಕಲಿಯುವ ಯಾವುದೇ ತಂತ್ರವು ಅರ್ಹ ಜವಳಿ ಇಂಜಿನಿಯರ್ ಅಥವಾ ಪ್ರಯೋಗಾಲಯ, ದೈಹಿಕ ಪರೀಕ್ಷೆ ಮತ್ತು ನಿಮ್ಮ ವೃತ್ತಿಪರ ತೀರ್ಪಿನ ಅನುಮೋದನೆಗೆ ಪರ್ಯಾಯವಾಗಿರುವುದಿಲ್ಲ. ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಹಾಯಕ; ವೇಗವಾಗಿ ಓದುತ್ತದೆ, ವೇಗವಾಗಿ ಬರೆಯುತ್ತದೆ, ಮಾದರಿಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ. ಆದರೆ ಡೈ ರೆಸಿಪಿ ಕೆಲಸ ಮಾಡದೇ ಟನ್ ಗಟ್ಟಲೆ ಬಟ್ಟೆ ವ್ಯರ್ಥವಾದರೆ, ಗುಣಮಟ್ಟದ ನಿರ್ಧಾರ ತಪ್ಪಿ ಗ್ರಾಹಕರ ಕೈ ತಪ್ಪಿದರೆ, ಸಾಮರ್ಥ್ಯದ ಲೆಕ್ಕಾಚಾರ ತಪ್ಪಿ ಉತ್ಪನ್ನ ಹರಿದು ಹೋದರೆ ಜವಾಬ್ದಾರಿ ಸಾಫ್ಟ್ವೇರ್ನದ್ದಲ್ಲ, ನಿರ್ಧಾರ ಮಾಡಿ ಸಹಿ ಹಾಕಿದ ಎಂಜಿನಿಯರ್. ಮಾಡ್ಯೂಲ್ನ ಪ್ರತಿ ಘಟಕದಲ್ಲಿ ನೀವು ಈ ವಾಕ್ಯವನ್ನು ಮತ್ತೆ ವಿವಿಧ ರೂಪಗಳಲ್ಲಿ ನೋಡುತ್ತೀರಿ, ಏಕೆಂದರೆ ಸುರಕ್ಷತೆ ಮತ್ತು ಒಪ್ಪಂದದ ನಿರ್ಣಾಯಕ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಇದು ಏಕೈಕ ಸತ್ಯವಾಗಿದೆ.
ಜವಳಿ ಕೆಲಸದ ಹರಿವಿನಲ್ಲಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಎಲ್ಲಿ ಮೌಲ್ಯವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ?
ಜವಳಿ ಇಂಜಿನಿಯರ್ನ ವಾರವನ್ನು ಸ್ಥೂಲವಾಗಿ ಮೂರು ವಿಧದ ಕೆಲಸಗಳಾಗಿ ವಿಂಗಡಿಸಲಾಗಿದೆ: ದತ್ತಾಂಶ ತಯಾರಿಕೆ (ಉತ್ಪಾದನಾ ವರದಿಗಳನ್ನು ಸಂಪಾದಿಸುವುದು, ಲ್ಯಾಬ್ ಪ್ರಿಂಟ್ಔಟ್ಗಳನ್ನು ತೆರವುಗೊಳಿಸುವುದು, ಅಸಮಂಜಸ ಘಟಕಗಳನ್ನು ತೆರವುಗೊಳಿಸುವುದು), ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆ (ಪ್ಯಾರಾಮೀಟರ್ ಆಪ್ಟಿಮೈಸೇಶನ್, ದೋಷದ ವರ್ಗೀಕರಣ, ಬಣ್ಣ ಹೊಂದಾಣಿಕೆ, ಬೇಡಿಕೆ ಮುನ್ಸೂಚನೆ), ಮತ್ತು ಸಂವಹನ (ತಾಂತ್ರಿಕ ವರದಿ, ಪೂರೈಕೆದಾರ ಪತ್ರವ್ಯವಹಾರ, ಸಂಗ್ರಹ ಪ್ರಸ್ತುತಿ, ಮೂಡ್ಬೋರ್ಡ್). AI ಎಲ್ಲಾ ಮೂರು ಕ್ಷೇತ್ರಗಳನ್ನು ಮುಟ್ಟುತ್ತದೆ, ಆದರೆ ಅದರ ಕೊಡುಗೆ ಮತ್ತು ಅಪಾಯವು ಪ್ರತಿಯೊಂದರಲ್ಲೂ ವಿಭಿನ್ನವಾಗಿರುತ್ತದೆ.
ಡೇಟಾ ತಯಾರಿಕೆಯು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯ ಸುರಕ್ಷಿತ ಮತ್ತು ಹೆಚ್ಚು ಲಾಭದಾಯಕ ಕ್ಷೇತ್ರವಾಗಿದೆ. ಉಚಿತ-ಪಠ್ಯ ಉತ್ಪಾದನಾ ಟಿಪ್ಪಣಿಗಳನ್ನು ರಚನಾತ್ಮಕ ಕೋಷ್ಟಕಗಳಾಗಿ ಪರಿವರ್ತಿಸುವುದು, ವಿಭಿನ್ನ ನೂಲು ಎಣಿಕೆ ವ್ಯವಸ್ಥೆಗಳನ್ನು ಪ್ರಮಾಣೀಕರಿಸುವುದು, ಸಾವಿರಾರು ಸಾಲುಗಳ ಉಸ್ಟರ್ ಔಟ್ಪುಟ್ನಲ್ಲಿ ಫ್ಲ್ಯಾಗ್ ಔಟ್ಲೈಯರ್ಗಳು - ಇವು ಪುನರಾವರ್ತಿತ, ನಿಯಮಗಳ-ಆಧಾರಿತ, ಸುಲಭವಾಗಿ ಪರಿಶೀಲಿಸುವ ಕಾರ್ಯಗಳಾಗಿವೆ. ಇಲ್ಲಿ ದೋಷವಿದ್ದರೂ ಸಹ, ಮೂಲಕ್ಕೆ (ರಾ ಡೇಟಾ) ಹಿಂತಿರುಗಲು ಮತ್ತು ಅದನ್ನು ಪರಿಶೀಲಿಸಲು ನಿಮಿಷಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ.
ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವಿಶ್ಲೇಷಣೆಯ ಕ್ಷೇತ್ರವು ಅತ್ಯಧಿಕ ಮೌಲ್ಯ ಮತ್ತು ಹೆಚ್ಚಿನ ಅಪಾಯವನ್ನು ಹೊಂದಿರುತ್ತದೆ. ಉತ್ಪಾದನಾ ದತ್ತಾಂಶದಿಂದ ದೋಷದ ಮೂಲ ಕಾರಣದ ಬಗ್ಗೆ AI ಒಂದು ಊಹೆಯನ್ನು ರಚಿಸಬಹುದು; ಅನುಭವಿ ಕಣ್ಣು ತಪ್ಪಿಹೋಗಬಹುದಾದ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಇದು ಬಹಿರಂಗಪಡಿಸಬಹುದು. ಆದರೆ ಅದೇ ಮಾದರಿಯು ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಾನದಂಡ ಅಥವಾ ಕಾಲ್ಪನಿಕ ಸಹಿಷ್ಣುತೆಯ ಮೌಲ್ಯವನ್ನು ವಿಶ್ವಾಸದಿಂದ ಉತ್ಪಾದಿಸಬಹುದು (ಈ ವಿದ್ಯಮಾನವನ್ನು ಭ್ರಮೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ: ಮಾದರಿಯು ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಾಹಿತಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ, ಅದು ನೈಜವಾಗಿದೆ). ಈ ಕ್ಷೇತ್ರದಲ್ಲಿ, AI ಒಂದು ಊಹೆಯ ಜನರೇಟರ್ ಆಗಿದೆ, ನಿರ್ಧಾರ ಮಾಡುವವರಲ್ಲ.
ಸಂವಹನ ಕ್ಷೇತ್ರದಲ್ಲಿ, ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯು ಕರಡು ವೇಗವರ್ಧಕವಾಗಿದೆ. ತಾಂತ್ರಿಕ ವರದಿಯ ವಿಧಾನ ವಿಭಾಗ, ಪೂರೈಕೆದಾರ ಇಮೇಲ್, ನಿಮಿಷಗಳಲ್ಲಿ ಸಂಗ್ರಹ ನಿರೂಪಣೆಯನ್ನು ಕರಡು ಮಾಡುತ್ತದೆ. ಇಲ್ಲಿರುವ ಅಪಾಯವೇನೆಂದರೆ, ರಚಿಸಲಾದ ಸಂಖ್ಯೆಗಳು ಮತ್ತು ತಪ್ಪಾದ ಪದಗಳು ಹರಿಯುವ ಪಠ್ಯದಲ್ಲಿ ಗಮನಿಸದೇ ಇರುವ ಸಹಿಯನ್ನು ಕಂಡುಕೊಳ್ಳಬಹುದು.
ಮೌಲ್ಯೀಕರಣ ಶಿಸ್ತು: ಮೂರು ಆಂಕರ್ ನಿಯಮ
ಈ ಮಾಡ್ಯೂಲ್ನ ಹೃದಯವು ಒಂದು ಅಭ್ಯಾಸವಾಗಿದೆ: ಯಾವುದೇ AI ಔಟ್ಪುಟ್ ಅನ್ನು ಮೌಲ್ಯೀಕರಿಸದೆ ಉತ್ಪಾದನೆ ಅಥವಾ ಗುಣಮಟ್ಟದ ನಿರ್ಧಾರಕ್ಕೆ ಎಂದಿಗೂ ಸೇರಿಸಬೇಡಿ. ನಾವು ಮೂರು ಸ್ವತಂತ್ರ ಆಂಕರ್ಗಳ ಮೇಲೆ ಮೌಲ್ಯೀಕರಣವನ್ನು ಆಧರಿಸಿರುತ್ತೇವೆ.
ಮೊದಲ ಆಂಕರ್ - ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್. ಫಲಿತಾಂಶವು ಸರಿಸುಮಾರು ನಿರೀಕ್ಷಿತ ವ್ಯಾಪ್ತಿಯಲ್ಲಿದೆಯೇ? ರಿಂಗ್ ಹತ್ತಿ ನೂಲಿನ ಬಲವು ವಿಶಿಷ್ಟವಾಗಿ 12-22 cN/tex ವ್ಯಾಪ್ತಿಯಲ್ಲಿರುತ್ತದೆ (ಸೆಂಟಿನ್ಯೂಟನ್ ಪ್ರತಿ ಟೆಕ್ಸ್; ನೂಲು ಪ್ರತಿ ರೇಖೀಯ ಸಾಂದ್ರತೆಗೆ ತಡೆದುಕೊಳ್ಳುವ ಬಲ); ಮಾದರಿಯು 85 ಸಿಎನ್/ಟೆಕ್ಸ್ ನೀಡಿದ್ದರೆ, ಇದು ಅರಾಮಿಡ್ನಂತಹ ಹೆಚ್ಚಿನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಫೈಬರ್ ಮಟ್ಟವಾಗಿದೆ ಮತ್ತು ಹತ್ತಿಗೆ ಹಾಸ್ಯಾಸ್ಪದವಾಗಿದೆ. ಟೀ ಶರ್ಟ್ ಬಟ್ಟೆಯ ವ್ಯಾಕರಣವು ಸುಮಾರು 120-220 g/m² ಆಗಿದೆ; 20 g/m² tulle, 900 g/m² ಕಾರ್ಪೆಟ್. ಈ ಪರಿಶೀಲನೆಯು ಸೆಕೆಂಡುಗಳನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಹೆಚ್ಚಿನ ದೋಷಗಳನ್ನು ಹಿಡಿಯುತ್ತದೆ.
ಎರಡನೇ ಆಂಕರ್ - ಪ್ರಕ್ರಿಯೆ/ಭೌತಶಾಸ್ತ್ರದ ಸಂಭಾವ್ಯತೆ. ಪ್ರಕ್ರಿಯೆಯ ಭೌತಶಾಸ್ತ್ರದೊಂದಿಗೆ ಔಟ್ಪುಟ್ ಸ್ಥಿರವಾಗಿದೆಯೇ? ಟ್ವಿಸ್ಟ್ ಹೆಚ್ಚಾದಂತೆ ಶಕ್ತಿಯು ಮಿತಿಯಿಲ್ಲದೆ ಹೆಚ್ಚಾಗುತ್ತದೆ ಎಂದು ಹೇಳಿದರೆ ಮಾದರಿಯು ತಪ್ಪಾಗಿದೆ; ಒಂದು ನಿರ್ದಿಷ್ಟ ಟ್ವಿಸ್ಟ್ ಗುಣಾಂಕದ ನಂತರ, ಶಕ್ತಿಯು ಕಡಿಮೆಯಾಗುತ್ತದೆ (ಅತಿಯಾದ ಟ್ವಿಸ್ಟ್ ಫೈಬರ್ಗಳನ್ನು ಸುಲಭವಾಗಿ ಮಾಡುತ್ತದೆ). ಹತ್ತಿಯ ಬದಲು ಪಾಲಿಯೆಸ್ಟರ್ಗೆ ಪ್ರತಿಕ್ರಿಯಾತ್ಮಕ ಬಣ್ಣವನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದು ರಾಸಾಯನಿಕವಾಗಿ ಹೊಂದಿಕೆಯಾಗುವುದಿಲ್ಲ. ಪ್ರಕ್ರಿಯೆಯ ಜ್ಞಾನವು ಸಮಂಜಸತೆಯ ಫಿಲ್ಟರ್ ಆಗಿದೆ, ಅದರ ಮೂಲಕ ಪ್ರತಿ ವ್ಯಾಖ್ಯಾನವು ಹಾದುಹೋಗಬೇಕು.
ಮೂರನೇ ಆಧಾರ-ದೈಹಿಕ ಪರೀಕ್ಷೆ/ಮಾಪನ. ಇದು ಪ್ರಬಲ ಆಂಕರ್ ಆಗಿದೆ. ಪ್ರಯೋಗಾಲಯದ ಡೈಯಿಂಗ್, ಸ್ಪೆಕ್ಟ್ರೋಫೋಟೋಮೀಟರ್ (ಬಣ್ಣವನ್ನು ರೋಹಿತವಾಗಿ ಅಳೆಯುವ ಸಾಧನ) ಓದುವಿಕೆ, ಕರ್ಷಕ-ಕಣ್ಣೀರಿನ ಪರೀಕ್ಷೆ, ಭೌತಿಕ ಬಟ್ಟೆಯ ತಪಾಸಣೆ. AI ಸೂಚಿಸಿದ ಡೈ ಪಾಕವಿಧಾನವನ್ನು ಮೊದಲು ಪ್ರಯೋಗಾಲಯ ಪ್ರಯೋಗದಲ್ಲಿ ಪರೀಕ್ಷಿಸಲಾಗುತ್ತದೆ. ದೋಷದ ವರ್ಗೀಕರಣವನ್ನು ನಿಜವಾದ ಮಾದರಿಯಲ್ಲಿ ಮಾನವ ಕಣ್ಣಿನಿಂದ ದೃಢೀಕರಿಸಲಾಗುತ್ತದೆ. ಭೌತಿಕ ರಿಯಾಲಿಟಿ ಯಾವಾಗಲೂ ಗೆಲ್ಲುತ್ತದೆ.
ಮೂರು ಮಿನಿ ಪ್ರಕರಣಗಳು: ಸಂಖ್ಯೆಗಳ ಮೂಲಕ
ಪ್ರಕರಣ 1 - ವರದಿ ಯಾಂತ್ರೀಕೃತಗೊಂಡ ಸಮಯ ಉಳಿತಾಯ. ಗುಣಮಟ್ಟದ ಇಂಜಿನಿಯರ್ 60 ರೋಲ್ ಫ್ಯಾಬ್ರಿಕ್ನ 4-ಪಾಯಿಂಟ್ ತಪಾಸಣೆ ಫಲಿತಾಂಶಗಳನ್ನು ಎಕ್ಸೆಲ್ಗೆ ಹಸ್ತಚಾಲಿತವಾಗಿ ನಮೂದಿಸುತ್ತಿದ್ದರು ಮತ್ತು ಸಾರಾಂಶ ವರದಿಯನ್ನು ಬರೆಯುತ್ತಿದ್ದರು; ಪ್ರತಿ ರೋಲ್ಗೆ ಸರಾಸರಿ 12 ನಿಮಿಷಗಳು, ಒಟ್ಟು 12 ಗಂಟೆಗಳು. AI-ಚಾಲಿತ ಕೋಷ್ಟಕ ಮತ್ತು ಸಾರಾಂಶದ ಹರಿವಿನೊಂದಿಗೆ, ಅವರು ಮೊದಲ ಡ್ರಾಫ್ಟ್ ಅನ್ನು ಸರಿಸುಮಾರು 2 ಗಂಟೆಗಳವರೆಗೆ ಕಡಿಮೆ ಮಾಡಿದರು, ಉಳಿದ ಸಮಯವನ್ನು ಸ್ಕೋರ್ಗಳ ನಿಖರತೆಯನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಪರಿಶೀಲಿಸಲು ವಿನಿಯೋಗಿಸಿದರು. ಉಳಿಸಿದ ಸಮಯವನ್ನು ನಿಯಂತ್ರಣದಲ್ಲಿ ವ್ಯಯಿಸಲಾಗಿದೆ ಎಂಬುದು ನಿರ್ಣಾಯಕವಾಗಿದೆ.
ಪ್ರಕರಣ 2 - ಸೆರೆಹಿಡಿಯಲಾದ ಭ್ರಮೆ. ಫ್ಯಾಬ್ರಿಕ್ನ ಆರೈಕೆ ಲೇಬಲ್ ಮಾನದಂಡದ ಬಗ್ಗೆ ಇಂಟರ್ನ್ಯೊಬ್ಬರು AI ಅನ್ನು ಕೇಳಿದಾಗ, ಪಠ್ಯವು "40 ° C ಮಿತಿ ISO 3758 ಪ್ರಕಾರ ಕಡ್ಡಾಯವಾಗಿದೆ" ಎಂಬ ನಿಖರವಾದ ವಾಕ್ಯವನ್ನು ಒಳಗೊಂಡಿದೆ; ಆದಾಗ್ಯೂ, ಮಾನದಂಡವು ಅಂತಹ ಅಗತ್ಯವನ್ನು ಹೊಂದಿಲ್ಲ, ಮಾದರಿಯನ್ನು ರಚಿಸಲಾಗಿದೆ. ಪ್ರಕ್ರಿಯೆಯ ಸಮಂಜಸತೆಯ ಫಿಲ್ಟರ್ ಮತ್ತು ಮಾನದಂಡದ ಮೂಲ ಪಠ್ಯವನ್ನು ನೋಡುವ ಅಭ್ಯಾಸವು ಲೇಬಲ್ ಅನ್ನು ಮುದ್ರಿಸುವ ಮೊದಲು ದೋಷವನ್ನು ಸೆಳೆಯಿತು.
ಪ್ರಕರಣ 3 - ಘಟಕ ದೋಷ. ತೂಕದ ಲೆಕ್ಕಾಚಾರದಲ್ಲಿ, ಮಾದರಿಯು ಮಾದರಿಯು 100 cm² ಗಿಂತ 1 dm² ಎಂದು ಊಹಿಸಲಾಗಿದೆ (ಅದೇ ಪ್ರದೇಶ, ಆದರೆ ಮಧ್ಯಂತರ ಹಂತದಲ್ಲಿ 10 ಪಟ್ಟು ಗೊಂದಲ), ಬಟ್ಟೆಯ ತೂಕವನ್ನು 10 ಪಟ್ಟು ಗುಣಿಸಿ ಮತ್ತು 180 g/m² ಬಟ್ಟೆಯನ್ನು 1800 g/m² ಎಂದು ವರದಿ ಮಾಡಿದೆ. ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್ ಚೆಕ್ ಆಫ್ ಆರ್ಡರ್- "ಶರ್ಟ್ ನ ಫ್ಯಾಬ್ರಿಕ್ ಟಾರ್ಪೌಲಿನ್ ಆಗಿರಬಾರದು"-ತಕ್ಷಣ ದೋಷವನ್ನು ಬಹಿರಂಗಪಡಿಸಿತು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಈ ಬಟ್ಟೆಯ ಉತ್ಪಾದನಾ ನಿಯತಾಂಕಗಳ ಕುರಿತು ಕಾಮೆಂಟ್ ಮಾಡಿ ಮತ್ತು ಸುಧಾರಣೆಗಳನ್ನು ಸೂಚಿಸಿ.[data]
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಹಿರಿಯ ಜವಳಿ ತಯಾರಿಕಾ ಎಂಜಿನಿಯರ್. ನೀಡಿರುವ ಸಂಖ್ಯೆಗಳ ಆಧಾರದ ಮೇಲೆ ಈ ಕೆಳಗಿನ ಉತ್ಪಾದನಾ ಡೇಟಾವನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ. - ಡೇಟಾದಲ್ಲಿಲ್ಲದ ಯಾವುದೇ ಮಾನದಂಡಗಳು, ಸಹಿಷ್ಣುತೆಗಳು ಅಥವಾ ಮೌಲ್ಯಗಳನ್ನು ಸೇರಿಸಬೇಡಿ. - ಪ್ರತಿ ವ್ಯಾಖ್ಯಾನದ ಮುಂದೆ, ನೀವು ಆವರಣಗಳಲ್ಲಿ ಆಧಾರವಾಗಿರುವ ಡೇಟಾದ ಸಾಲನ್ನು ಸೂಚಿಸಿ. - ಸಂದೇಹವಿದ್ದಲ್ಲಿ, "ಡೇಟಾ ಸಾಕಾಗುವುದಿಲ್ಲ" ಎಂದು ಬರೆಯಿರಿ, ಊಹಿಸಬೇಡಿ. - ಅಂತಿಮವಾಗಿ: ಪ್ರಯೋಗಾಲಯ/ಪರೀಕ್ಷೆಯಲ್ಲಿ ಪರಿಶೀಲಿಸಬೇಕಾದ 3 ಊಹೆಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಡೇಟಾ: [ಉತ್ಪಾದನೆ ಡೇಟಾ]
ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯಲ್ಲಿ ಮೂರು ವಿಷಯಗಳನ್ನು ಹೇರುತ್ತದೆ: ಮೂಲಕ್ಕೆ ಅಂಟಿಕೊಳ್ಳುವುದು, ಅನಿಶ್ಚಿತತೆಯನ್ನು ಒಪ್ಪಿಕೊಳ್ಳುವುದು ಮತ್ತು ಪರಿಶೀಲಿಸಲು ವಿಷಯಗಳನ್ನು ಗುರುತಿಸುವುದು. ಇದು ಭ್ರಮೆಯನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಕೊನೆಗೊಳಿಸುವುದಿಲ್ಲ, ಆದರೆ ಅದು ಗೋಚರಿಸುವಂತೆ ಮಾಡುತ್ತದೆ.
ನಾಲ್ಕು ನಕಲು ಮಾಡಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಅನಾಮಧೇಯ ಸಂದರ್ಭವನ್ನು ಸ್ಥಾಪಿಸುವುದು:
ನಾನು ಜವಳಿ ಇಂಜಿನಿಯರಿಂಗ್ ನಿಯೋಜನೆಗೆ ಸಹಾಯ ಮಾಡಲು ಬಯಸುತ್ತೇನೆ. ಗ್ರಾಹಕರ ಹೆಸರು, ಪಾಕವಿಧಾನ ರಹಸ್ಯ, ಬೆಲೆ ಮತ್ತು ಪೂರೈಕೆದಾರರ ಮಾಹಿತಿಯು ಗೌಪ್ಯವಾಗಿರುತ್ತದೆ; ನಾನು ಅವರಿಗೆ "ಗ್ರಾಹಕ-A", "ರೆಸಿಪಿ-1" ನಂತಹ ಪ್ರಾತಿನಿಧಿಕ ಅಭಿವ್ಯಕ್ತಿಗಳೊಂದಿಗೆ ನೀಡುತ್ತೇನೆ. ಅನ್ವೇಷಣೆ: [ಕ್ವೆಸ್ಟ್]. ನಾನು ನಿಮಗೆ ನೀಡುವ ತಾಂತ್ರಿಕ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿ.
2) ಮೂರು ಆಂಕರ್ ಪರಿಶೀಲನೆ ವಿನಂತಿಗಳು:
ಕೆಳಗಿನ ಔಟ್ಪುಟ್ಗಾಗಿ ಮೂರು ಚೆಕ್ಗಳನ್ನು ಮಾಡಿ:1) ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್: ಪ್ರತಿ ಸಂಖ್ಯೆಯು ವಿಶಿಷ್ಟವಾದ ಜವಳಿ ಶ್ರೇಣಿಯೊಳಗೆ ಇದೆಯೇ? ಇಲ್ಲದಿದ್ದರೆ, ಗುರುತು.2) ಪ್ರಕ್ರಿಯೆಯ ಸಮರ್ಥನೀಯತೆ: ರಾಸಾಯನಿಕವಾಗಿ/ಭೌತಿಕವಾಗಿ ಅಸಮಂಜಸವಾದ ಹಕ್ಕು ಇದೆಯೇ?3) ಪರೀಕ್ಷಾ ಪಟ್ಟಿ: ಪ್ರಯೋಗಾಲಯ/ಉತ್ಪಾದನೆಯಲ್ಲಿ ದೃಢೀಕರಿಸಬೇಕಾದ ಪದಾರ್ಥಗಳು.ಔಟ್ಪುಟ್: [ಪಠ್ಯ]
3) ಅಸ್ಪಷ್ಟತೆಯನ್ನು ಜಾರಿಗೊಳಿಸುವುದು:
ವಿಶ್ವಾಸದ ಮೂರು ಹಂತಗಳಲ್ಲಿ ನಿಮ್ಮ ವ್ಯಾಖ್ಯಾನವನ್ನು ನೀಡಿ:- ಹೆಚ್ಚಿನ ವಿಶ್ವಾಸ (ಡೇಟಾದಿಂದ ನೇರವಾಗಿ ಬೆಂಬಲಿತವಾಗಿದೆ)- ಮಧ್ಯಮ ವಿಶ್ವಾಸ (ಸಮಂಜಸವಾದ ತೀರ್ಮಾನ)- ಊಹಾತ್ಮಕ (ಹೆಚ್ಚುವರಿ ಪರೀಕ್ಷೆ/ಡೇಟಾ ಅಗತ್ಯವಿದೆ) ಕಾರ್ಯ: [ಕಾರ್ಯ]. ಡೇಟಾ: [ಡೇಟಾ]
4) ನಿರ್ಧಾರ/ಬೆಂಬಲ ವ್ಯತ್ಯಾಸ:
ಕೆಳಗಿನ ಕಾರ್ಯವನ್ನು ಎರಡಾಗಿ ವಿಂಗಡಿಸಿ:A) AI ವಿಶ್ವಾಸದಿಂದ ಮಾಡಬಹುದಾದ ಡೇಟಾ/ಡ್ರಾಫ್ಟ್ ಕೆಲಸB) ಅಧಿಕೃತ ಇಂಜಿನಿಯರ್/ಲ್ಯಾಬ್ ಅನುಮೋದನೆ ಕಡ್ಡಾಯ ಕಾರ್ಯದ ವಿವರಣೆ: [ವ್ಯಾಖ್ಯಾನ]
AI ಕೊಡುಗೆ ಮತ್ತು ಅಪಾಯ: ಡೊಮೇನ್ನಿಂದ ಸಾರಾಂಶ ಕೋಷ್ಟಕ
ವ್ಯಾಪಾರ ಪ್ರದೇಶ
AI ನ ವಿಶಿಷ್ಟ ಕೊಡುಗೆ
ಅಪಾಯದ ಮಟ್ಟ
ಕಡ್ಡಾಯ ಪರಿಶೀಲನೆ
ಡೇಟಾ ಕ್ಲೀನಿಂಗ್ / ವರದಿ
ಹೆಚ್ಚಿನ, ಸುರಕ್ಷಿತ
ಕಡಿಮೆ
ಮೂಲ ಡೇಟಾದೊಂದಿಗೆ ಹೋಲಿಕೆ
ಪ್ಯಾರಾಮೀಟರ್ ವ್ಯಾಖ್ಯಾನ
ಮಧ್ಯಮ-ಎತ್ತರದ
ಮಧ್ಯಮ
ಉಸ್ಟರ್/ಲ್ಯಾಬ್ ಪರೀಕ್ಷೆ, ಪ್ರಕ್ರಿಯೆ ಭೌತಶಾಸ್ತ್ರ
ದೋಷ ಪತ್ತೆ (ಚಿತ್ರ)
ಹೆಚ್ಚು
ಮಧ್ಯಮ-ಎತ್ತರದ
ಮಾನವ ತಪಾಸಣೆ, ದೈಹಿಕ ತಪಾಸಣೆ
ಡೈ ಪಾಕವಿಧಾನ
ಮಧ್ಯಮ
ಹೆಚ್ಚು
ಪ್ರಯೋಗಾಲಯದ ಬಣ್ಣ + ಸ್ಪೆಕ್ಟ್ರೋಫೋಟೋಮೀಟರ್
ಮಾದರಿ/ಸಂಗ್ರಹ
ಉನ್ನತ (ಕಲ್ಪನೆ)
ಮಧ್ಯಮ (ಹಕ್ಕುಸ್ವಾಮ್ಯ)
ದೃಢೀಕರಣ/ಉಲ್ಲಂಘನೆ ಪರಿಶೀಲನೆ
ಸಾಮರ್ಥ್ಯ/ಸುರಕ್ಷತೆಯ ಲೆಕ್ಕಾಚಾರ
ಕಡಿಮೆ (ಡ್ರಾಫ್ಟ್ ಮಾತ್ರ)
ತುಂಬಾ ಹೆಚ್ಚು
ಸಮರ್ಥ ಎಂಜಿನಿಯರ್ + ದೈಹಿಕ ಪರೀಕ್ಷೆ
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ನಿಖರತೆಗಾಗಿ ನಿರರ್ಗಳತೆಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಪಠ್ಯ ಸರಿಯಾಗಿದೆ ಎಂದ ಮಾತ್ರಕ್ಕೆ ಸಂಖ್ಯೆ ಸರಿಯಾಗಿದೆ ಎಂದು ಅರ್ಥವಲ್ಲ.
- ಒಂದು ಮೂಲವನ್ನು ಕೇಳದೆ ಸ್ವೀಕರಿಸುವುದು. "ನೀವು ಯಾವ ಡೇಟಾವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತೀರಿ?" ಪ್ರತಿ ಕಾಮೆಂಟ್ ಅಡಿಯಲ್ಲಿ ಪ್ರಶ್ನೆಯನ್ನು ಇರಿಸಬೇಕು.
- ಗೌಪ್ಯ ಡೇಟಾವನ್ನು ಹಾಗೆಯೇ ಕಳುಹಿಸಲಾಗುತ್ತಿದೆ. ಗ್ರಾಹಕರು, ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್ ಮತ್ತು ಬೆಲೆ ಮಾಹಿತಿಯನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸದೆ ಹಂಚಿಕೊಳ್ಳಬಾರದು.
- ಒಂದು ಆಂಕರ್ ಮೇಲೆ ಅವಲಂಬಿತವಾಗಿದೆ. ಕೇವಲ ಶ್ರೇಷ್ಠತೆ ಅಥವಾ ಸಮಂಜಸತೆ ಮಾತ್ರ ಸಾಕಾಗುವುದಿಲ್ಲ; ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ ದೈಹಿಕ ಪರೀಕ್ಷೆ ಅತ್ಯಗತ್ಯ.
- ನಿರ್ಧಾರ ತೆಗೆದುಕೊಳ್ಳಲು AI ಅನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. ಮಾದರಿಯು ಊಹೆಗಳನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ; ಎಂಜಿನಿಯರ್ ನಿರ್ಧಾರ ಮತ್ತು ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊರುತ್ತಾರೆ.
ಸಲಹೆ: "ಮೂಲವನ್ನು ಕ್ರೆಡಿಟ್ ಮಾಡಿ ಮತ್ತು ನಿಮಗೆ ಖಚಿತವಿಲ್ಲದಿದ್ದರೆ ನನಗೆ ತಿಳಿಸಿ" ಎಂಬ ಸೂಚನೆಯೊಂದಿಗೆ ಪ್ರತಿ AI ಸೆಶನ್ ಅನ್ನು ಪ್ರಾರಂಭಿಸುವುದು ಎಲ್ಲಾ ನಂತರದ ಔಟ್ಪುಟ್ನ ಪರಿಶೀಲನೆಯನ್ನು ಆಮೂಲಾಗ್ರವಾಗಿ ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಎಚ್ಚರಿಕೆ: ಔಟ್ಪುಟ್ನ ಅಪಾಯವು ಆ ಔಟ್ಪುಟ್ ದೋಷಪೂರಿತವಾಗಿದ್ದರೆ ಅದು ಉಂಟುಮಾಡುವ ಹಾನಿಗೆ ಸಮಾನವಾಗಿರುತ್ತದೆ. ಮೂಡ್ಬೋರ್ಡ್ ಕಲ್ಪನೆಯಲ್ಲಿನ ತಪ್ಪು ನಿರುಪದ್ರವವಾಗಿದ್ದರೂ, ಪೇಂಟ್ ರೆಸಿಪಿ ತಪ್ಪು ಟನ್ಗಳಷ್ಟು ವ್ಯರ್ಥ ಮತ್ತು ಒಪ್ಪಂದದ ಪೆನಾಲ್ಟಿಗಳಿಗೆ ಕಾರಣವಾಗಬಹುದು; ಅದಕ್ಕೆ ಅನುಗುಣವಾಗಿ ನಿಮ್ಮ ಪರಿಶೀಲನೆಯ ತೀವ್ರತೆಯನ್ನು ಅಳೆಯಿರಿ.
ಸಾರಾಂಶದಲ್ಲಿ
ಜವಳಿ ಸರಪಳಿಯಲ್ಲಿನ ಪ್ರತಿಯೊಂದು ಡೇಟಾ-ಇಂಟೆನ್ಸಿವ್ ಲಿಂಕ್ನಲ್ಲಿ AI ಶಕ್ತಿಯುತ ವೇಗವರ್ಧಕವಾಗಿದೆ, ಆದರೆ ಅದರ ದ್ರವ ಭಾಷೆ ದೋಷಗಳನ್ನು ಮರೆಮಾಡಬಹುದು. ಇದು ಡೇಟಾ ತಯಾರಿಕೆ ಮತ್ತು ಕರಡು ಕೆಲಸದಲ್ಲಿ ಸುರಕ್ಷಿತ ರೀತಿಯಲ್ಲಿ ಮೌಲ್ಯವನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ನಿರ್ಣಾಯಕ ನಿರ್ಧಾರಗಳಲ್ಲಿ, ಅವನು ಕೇವಲ ಊಹೆಯ ಜನರೇಟರ್. ಮೂರು ಆಂಕರ್ಗಳು-ಆರ್ಡರ್ ಆಫ್ ಮ್ಯಾಗ್ನಿಟ್ಯೂಡ್, ಪ್ರಕ್ರಿಯೆ/ಭೌತಶಾಸ್ತ್ರದ ಪ್ಲಾಸಿಬಿಲಿಟಿ, ಫಿಸಿಕಲ್ ಟೆಸ್ಟಿಂಗ್-ಇವು ಪ್ರತಿ ಔಟ್ಪುಟ್ ಹಾದುಹೋಗಬೇಕಾದ ಫಿಲ್ಟರ್. ನಿರ್ಧಾರ ಮತ್ತು ಜವಾಬ್ದಾರಿ ಯಾವಾಗಲೂ ಎಂಜಿನಿಯರ್ ಬಳಿ ಇರುತ್ತದೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನಿಮ್ಮ ಸ್ವಂತ (ಅಥವಾ ಕಾಲ್ಪನಿಕ) ಜವಳಿ ವ್ಯಾಪಾರದಿಂದ ಒಂದು ವಾರದ ವಿಶಿಷ್ಟ ಕಾರ್ಯಗಳ ಪಟ್ಟಿಯನ್ನು ಮಾಡಿ. ಪ್ರತಿ ಕೆಲಸವನ್ನು "ಡೇಟಾ ತಯಾರಿ / ವ್ಯಾಖ್ಯಾನ-ವಿಶ್ಲೇಷಣೆ / ಸಂವಹನ" ಎಂದು ಲೇಬಲ್ ಮಾಡಿ. ನಂತರ ಪ್ರತಿ ಕಾರ್ಯಕ್ಕೆ ಅಪಾಯದ ಮಟ್ಟವನ್ನು (ಕಡಿಮೆ/ಮಧ್ಯಮ/ಹೆಚ್ಚು) ನೀಡಿ ಮತ್ತು ಹೆಚ್ಚಿನ ಅಪಾಯದ ವಿಷಯಗಳ ಪಕ್ಕದಲ್ಲಿ ಯಾವ ಭೌತಿಕ ಪರೀಕ್ಷೆ/ಅನುಮೋದನೆ ಅಗತ್ಯವಿದೆ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ. AI ಅನ್ನು ಈ ಘಟಕದಲ್ಲಿ ಟೆಂಪ್ಲೇಟ್ 4 ನೊಂದಿಗೆ ಈ ಪಟ್ಟಿಯನ್ನು ಮಾಡಿ ("ನಿರ್ಧಾರ/ಬೆಂಬಲ ವ್ಯತ್ಯಾಸ") ಮತ್ತು ಅದನ್ನು ನಿಮ್ಮ ಸ್ವಂತ ವ್ಯತ್ಯಾಸದೊಂದಿಗೆ ಹೋಲಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಪ್ರತಿ AI ಅಧಿವೇಶನವನ್ನು ಮೂಲ ಮತ್ತು ಅನಿಶ್ಚಿತತೆಯ ಸೂಚನೆಯೊಂದಿಗೆ ಪ್ರಾರಂಭಿಸುತ್ತೇನೆ.
- [ ] ನಾನು ಔಟ್ಪುಟ್ಗಳನ್ನು ಮೂರು ಆಂಕರ್ಗಳ ಮೂಲಕ ರವಾನಿಸುತ್ತೇನೆ: ಪರಿಮಾಣದ ಕ್ರಮ, ಪ್ರಕ್ರಿಯೆಯ ಸಮಂಜಸತೆ, ಭೌತಿಕ ಪರೀಕ್ಷೆ.
- [ ] ನಾನು ಗೌಪ್ಯ ಗ್ರಾಹಕ/ಪ್ರಿಸ್ಕ್ರಿಪ್ಷನ್/ಬೆಲೆ ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸುತ್ತೇನೆ.
- [ ] ನಾನು ಅಪಾಯದ ಮಟ್ಟಕ್ಕೆ ಅನುಗುಣವಾಗಿ ಕಾರ್ಯಗಳನ್ನು ಪ್ರತ್ಯೇಕಿಸುತ್ತೇನೆ ಮತ್ತು ನಿರ್ಣಾಯಕವಾದವುಗಳಿಗೆ ಇಂಜಿನಿಯರ್ ಅನುಮೋದನೆಯನ್ನು ಪಡೆಯುತ್ತೇನೆ.
- [ ] ನಾನು AI ಅನ್ನು ಊಹೆಗಳು ಮತ್ತು ಬ್ಲೂಪ್ರಿಂಟ್ಗಳ ಜನರೇಟರ್ ಆಗಿ ಇರಿಸುತ್ತೇನೆ, ನಿರ್ಧಾರ ತಯಾರಕನಲ್ಲ.