ಡೇಟಾ ಅನಾಲಿಟಿಕ್ಸ್‌ನೊಂದಿಗೆ ಪೂರ್ಣ ಜನಸಂಖ್ಯೆ ಪರೀಕ್ಷೆ: ಮಾದರಿಯಿಂದ ಸಂಪೂರ್ಣ

ಲಾಭಗಳು:

• ಮಾದರಿ ಅಪಾಯ ಮತ್ತು ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯ ತರ್ಕವನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ (100% ಪರೀಕ್ಷೆ) ಮತ್ತು ಡೇಟಾ ತಯಾರಿಕೆ, ನಿಯಮ ಬರವಣಿಗೆ ಮತ್ತು ಫಲಿತಾಂಶದ ವ್ಯಾಖ್ಯಾನಕ್ಕಾಗಿ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಬಳಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ.
• ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬೆಂಬಲದೊಂದಿಗೆ ದೊಡ್ಡ ಡೇಟಾ ಸೆಟ್‌ಗಳಲ್ಲಿ ಹೊಂದಾಣಿಕೆ, ಸಂಪೂರ್ಣತೆ ಮತ್ತು ನಿಖರತೆಯ ಪರೀಕ್ಷೆಗಳನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸುವ ಮತ್ತು ಕಾರ್ಯಗತಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ
• ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯಲ್ಲಿನ ವಿನಾಯಿತಿ ಪಟ್ಟಿಯು ಫಲಿತಾಂಶವಲ್ಲ, ಆದರೆ ಲೆಕ್ಕಪರಿಶೋಧಕರು ಪರಿಶೀಲಿಸುವ ಒಂದು ಆರಂಭ ಮತ್ತು ಅಂತಿಮ ಮೌಲ್ಯಮಾಪನವು ಲೆಕ್ಕಪರಿಶೋಧಕರಿಗೆ ಸೇರಿದೆ ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ.

ಲೆಕ್ಕಪರಿಶೋಧಕ ವೃತ್ತಿಯ ಅತ್ಯಂತ ಮೂಲಭೂತ ಮಿತಿಗಳಲ್ಲಿ ಒಂದೆಂದರೆ, ಲೆಕ್ಕಪರಿಶೋಧಕನು ಅನೇಕ ವರ್ಷಗಳಿಂದ ಮಾದರಿಯೊಂದಿಗೆ ಕೆಲಸ ಮಾಡಬೇಕಾಗಿತ್ತು. ಒಂದು ವರ್ಷದಲ್ಲಿ ವ್ಯಾಪಾರ ಸಮಸ್ಯೆಗಳ 180,000 ಇನ್‌ವಾಯ್ಸ್‌ಗಳನ್ನು ನೀವು ಹಸ್ತಚಾಲಿತವಾಗಿ ಪರಿಶೀಲಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ; ಆದ್ದರಿಂದ ನೀವು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯ ಅಥವಾ ತೀರ್ಪಿನ ವಿಧಾನವನ್ನು ಬಳಸಿಕೊಂಡು ಕೆಲವು ನೂರು ದಾಖಲೆಗಳನ್ನು ಆಯ್ಕೆ ಮಾಡಿ, ಅವುಗಳನ್ನು ಪರೀಕ್ಷಿಸಿ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಗೆ ಸಾಮಾನ್ಯೀಕರಿಸಿ. ಮಾದರಿಯು ಶಕ್ತಿಯುತ ಮತ್ತು ಕಾನೂನುಬದ್ಧ ತಂತ್ರವಾಗಿದೆ, ಆದರೆ ಇದು ಅಂತರ್ಗತ ಅಪಾಯವನ್ನು ಹೊಂದಿದೆ: ಮಾದರಿ ಅಪಾಯ - ನೀವು ಆಯ್ಕೆ ಮಾಡಿದ ಮಾದರಿಯು ಜನಸಂಖ್ಯೆಯ ಪ್ರತಿನಿಧಿಯಾಗಿರದೇ ಇರಬಹುದು ಮತ್ತು ಅದರಲ್ಲಿನ ನಿಜವಾದ ದೋಷವು ನೀವು ನೋಡುತ್ತಿರುವ ಸ್ಥಳದಲ್ಲಿ ನಿಖರವಾಗಿ ಬೀಳದಿರಬಹುದು.

ಡೇಟಾ ಅನಾಲಿಟಿಕ್ಸ್ ಮತ್ತು AI ಈ ಚಿತ್ರವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ: ನೀವು ಈಗ ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯನ್ನು ಪರೀಕ್ಷಿಸಬಹುದು, ಅಂದರೆ 100%. ಇದನ್ನು ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆ ಪರೀಕ್ಷೆ ಎಂದು ಕರೆಯಲಾಗುತ್ತದೆ. "ಮಾದರಿಯಿಂದ ಸಂಪೂರ್ಣ" ಪರಿವರ್ತನೆಯನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಲು ನಾವು ಈ ಘಟಕವನ್ನು ವಿನಿಯೋಗಿಸುತ್ತೇವೆ, ಅದು ತರುವ ಶಕ್ತಿ ಮತ್ತು ಅನೇಕ ಜನರು ಕಡೆಗಣಿಸುವ ಹೊಸ ಜವಾಬ್ದಾರಿಗಳನ್ನು. ಏಕೆಂದರೆ ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯು ತಪಾಸಣೆಗೆ ಅನುಕೂಲವಾಗುವುದಿಲ್ಲ; ಇದು ಪರೀಕ್ಷೆಯ ಸ್ವರೂಪವನ್ನು ಬದಲಾಯಿಸುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಕರ ಮೇಲೆ ಹೊಸ ಹೊರೆಗಳನ್ನು ಹಾಕುತ್ತದೆ.

ಮಾದರಿ ಮತ್ತು ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯ ನಡುವಿನ ವ್ಯತ್ಯಾಸ

ಶಾಸ್ತ್ರೀಯ ಮಾದರಿಯಲ್ಲಿ, ತರ್ಕವು ಹೀಗಿದೆ: "ಚಿಕ್ಕ ಆದರೆ ಪ್ರಾತಿನಿಧಿಕ ಗುಂಪನ್ನು ನಾನು ಸಂಪೂರ್ಣವಾಗಿ ಪರೀಕ್ಷಿಸುತ್ತೇನೆ ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಒಟ್ಟಾರೆಯಾಗಿ ಅರ್ಥೈಸುತ್ತೇನೆ." ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯಲ್ಲಿ, ತರ್ಕವು ವ್ಯತಿರಿಕ್ತವಾಗಿದೆ: "ಕೆಲವು ನಿಯಮಗಳ ಪ್ರಕಾರ ನಾನು ಸಂಪೂರ್ಣ ಸ್ಕ್ಯಾನ್ ಮಾಡುತ್ತೇನೆ, ನಿಯಮದ ಹೊರಗಿರುವ ವಿನಾಯಿತಿಗಳನ್ನು ಕಂಡುಹಿಡಿಯುತ್ತೇನೆ ಮತ್ತು ಅವುಗಳನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಪರಿಶೀಲಿಸುತ್ತೇನೆ." ಮೊದಲ ವಿಧಾನದಲ್ಲಿ, ಅಪಾಯವು "ತಪ್ಪಾದ ಮಾದರಿಯನ್ನು ಆರಿಸುವುದು"; ಎರಡನೆಯದರಲ್ಲಿ, ಅಪಾಯವು "ತಪ್ಪು ನಿಯಮವನ್ನು ಬರೆಯುವುದು" ಮತ್ತು "ಅಪೂರ್ಣ/ತಪ್ಪಾದ ಡೇಟಾದೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವುದು".

ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ಎರಡು ವಿಧಾನಗಳನ್ನು ಹೋಲಿಸುತ್ತದೆ:

ಗಾತ್ರ

ಮಾದರಿ

ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆ ಪರೀಕ್ಷೆ (100%)

ವ್ಯಾಪ್ತಿ

ಜನಸಂಖ್ಯೆಯ ಭಾಗ

ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆ

ಮುಖ್ಯ ಅಪಾಯ

ಮಾದರಿ ಅಪಾಯ (ಪ್ರಾತಿನಿಧ್ಯ ದೋಷ)

ನಿಯಮ ದೋಷ + ಡೇಟಾ ಸಮಗ್ರತೆಯ ದೋಷ

ಔಟ್ಪುಟ್

ಸೀಮಿತ ಸಂಖ್ಯೆಯ ಪರೀಕ್ಷಾ ಫಲಿತಾಂಶಗಳು

ನಿಯಮವನ್ನು ಅನುಸರಿಸದ ವಿನಾಯಿತಿಗಳ ಪಟ್ಟಿ

ಲೆಕ್ಕ ಪರಿಶೋಧಕರ ಹೊರೆ

ಆಯ್ಕೆ + ಪರೀಕ್ಷೆ

ನಿಯಮ ವಿನ್ಯಾಸ + ವಿನಾಯಿತಿ ಮೌಲ್ಯಮಾಪನ

AI ನ ಪಾತ್ರ

ಮಾದರಿ ಆಯ್ಕೆಗೆ ಸಹಾಯ ಮಾಡಿ

ಡೇಟಾ ತಯಾರಿಕೆ, ನಿಯಮ ಬರವಣಿಗೆ, ವಿನಾಯಿತಿ ಗುರುತು

ಗಮನಿಸಿ: ಪೂರ್ಣ ಜನಸಂಖ್ಯೆ ಪರೀಕ್ಷೆ ಎಂದರೆ "ನಾನು ಎಲ್ಲವನ್ನೂ ಪರೀಕ್ಷಿಸಿದ್ದೇನೆ, ಕೆಲಸ ಮಾಡಿದೆ" ಎಂದಲ್ಲ. ಇದಕ್ಕೆ ತದ್ವಿರುದ್ಧವಾಗಿ, ಇದು ಸಾಮಾನ್ಯವಾಗಿ ನಿಮಗೆ ಪರೀಕ್ಷಿಸಲು ಹೆಚ್ಚಿನ ವಸ್ತುಗಳನ್ನು ನೀಡುತ್ತದೆ. ದಿನಾಂಕ-ಮೊತ್ತ-ಅನುಮೋದನೆಯ ನಿಯಮದ ಮೂಲಕ ನೀವು ಎಲ್ಲಾ 180,000 ಇನ್‌ವಾಯ್ಸ್‌ಗಳನ್ನು ರನ್ ಮಾಡಿದಾಗ, ನೀವು ಬಹುಶಃ 900 ವಿನಾಯಿತಿಗಳನ್ನು ಕಾಣಬಹುದು. ಇವುಗಳಲ್ಲಿ ಒಂದೊಂದು ಪ್ರಶ್ನೆ; ಉತ್ತರವಲ್ಲ. ಇಲ್ಲಿ ಆಡಿಟ್ ನ್ಯಾಯಾಂಗವು ಕಾರ್ಯರೂಪಕ್ಕೆ ಬರುತ್ತದೆ.

ಡೇಟಾ ಸಂಪೂರ್ಣತೆ: ಪರೀಕ್ಷೆಯ ಅದೃಶ್ಯ ಆಧಾರ

ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯ ದೊಡ್ಡ ಅಪಾಯವೆಂದರೆ ಪರೀಕ್ಷೆಯ ಗುಣಮಟ್ಟವು ಡೇಟಾದ ಗುಣಮಟ್ಟವನ್ನು ಅವಲಂಬಿಸಿರುತ್ತದೆ. "ನಾನು 100% ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇನೆ" ನೀವು ಹೊಂದಿರುವ ಡೇಟಾವು ವಾಸ್ತವವಾಗಿ ಜನಸಂಖ್ಯೆಯ 100% ಆಗಿದ್ದರೆ ಮಾತ್ರ ಅರ್ಥವಾಗುತ್ತದೆ. ಸಿಸ್ಟಂನಿಂದ ಡೇಟಾವನ್ನು ಎಳೆಯುವಾಗ ಫಿಲ್ಟರ್ ತಪ್ಪಾಗಿದ್ದರೆ, ಕೆಲವು ದಾಖಲೆಗಳನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟರೆ ಅಥವಾ ಮೊತ್ತದ ಕಾಲಮ್ ಅನ್ನು ದಶಮಾಂಶ ದೋಷದೊಂದಿಗೆ ವರ್ಗಾಯಿಸಿದರೆ, ನಿಮ್ಮ "ಪೂರ್ಣ" ಪರೀಕ್ಷೆಯನ್ನು ವಾಸ್ತವವಾಗಿ ಅಪೂರ್ಣ ಅಥವಾ ಭ್ರಷ್ಟ ಡೇಟಾದಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತದೆ. ಆದ್ದರಿಂದ, ಡೇಟಾ ಸಂಪೂರ್ಣತೆ ಮತ್ತು ನಿಖರತೆಯ ದೃಢೀಕರಣವು ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯಲ್ಲಿ ಮೊದಲ ಮತ್ತು ಅನಿವಾರ್ಯ ಹಂತವಾಗಿದೆ.

ಸಂಪೂರ್ಣತೆ ಪರಿಶೀಲನೆಗಾಗಿ ಪ್ರಾಯೋಗಿಕ ಪರಿಶೀಲನೆಗಳು:

• ರೆಕಾರ್ಡ್ ಎಣಿಕೆ ಸಮನ್ವಯ: ನೀವು ಎಳೆದ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯು ಸಿಸ್ಟಮ್‌ನಲ್ಲಿನ ಒಟ್ಟು ದಾಖಲೆಗಳ ಸಂಖ್ಯೆಗೆ ಹೊಂದಿಕೆಯಾಗುತ್ತದೆಯೇ?
• ಮೊತ್ತದ ಸಮನ್ವಯ: ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿನ ಒಟ್ಟು ಮೊತ್ತವು ಪ್ರಾಯೋಗಿಕ ಬಾಕಿ/ಅಂಗಸಂಸ್ಥೆಯಲ್ಲಿನ ಸಂಬಂಧಿತ ಖಾತೆಯ ಒಟ್ಟು ಮೊತ್ತದೊಂದಿಗೆ ಸಮನ್ವಯಗೊಳ್ಳುತ್ತದೆಯೇ?
• ದಿನಾಂಕ ವ್ಯಾಪ್ತಿ: ಡೇಟಾದಲ್ಲಿ ಒಳಗೊಂಡಿರುವ ಅವಧಿಯ ಮೊದಲ ಮತ್ತು ಕೊನೆಯ ದಿನಗಳು; ಕಾಣೆಯಾದ ತಿಂಗಳು/ದಿನವಿದೆಯೇ?
• ಖಾಲಿ ಮತ್ತು ಕೆಟ್ಟ ಸ್ಪೇಸ್ ಸ್ಕ್ಯಾನಿಂಗ್: ಅಗತ್ಯವಿರುವ ಕ್ಷೇತ್ರಗಳಲ್ಲಿ (ದಿನಾಂಕ, ಮೊತ್ತ, ಖಾತೆ ಕೋಡ್) ಯಾವುದೇ ಸ್ಥಳಗಳು ಅಥವಾ ಅರ್ಥಹೀನ ಮೌಲ್ಯಗಳಿವೆಯೇ?

ಈ ಎಲ್ಲಾ ತಪಾಸಣೆಗಳಿಗೆ AI ಸಹಾಯ ಮಾಡುತ್ತದೆ: ಡೇಟಾವನ್ನು ಕ್ರಾಲ್ ಮಾಡುತ್ತದೆ, ಮೊತ್ತವನ್ನು ಪಡೆಯುತ್ತದೆ, ಖಾಲಿ ಜಾಗಗಳನ್ನು ಎಣಿಸುತ್ತದೆ, ದಿನಾಂಕ ಶ್ರೇಣಿಯನ್ನು ವರದಿ ಮಾಡುತ್ತದೆ. ಆದರೆ ಒಪ್ಪಂದವು "ಹೊಂದಿದೆ" ಎಂಬುದನ್ನು ನಿರ್ಧರಿಸುವ ಲೆಕ್ಕಪರಿಶೋಧಕ, ವ್ಯತ್ಯಾಸವನ್ನು ತನಿಖೆ ಮಾಡಿ ಮತ್ತು ಲೆಕ್ಕಪರಿಶೋಧನೆಯ ಉದ್ದೇಶಕ್ಕಾಗಿ ಡೇಟಾ ಸೂಕ್ತವಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.

ಎಚ್ಚರಿಕೆ: ಡೇಟಾ ಸಂಪೂರ್ಣತೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ವರ್ಕ್‌ಶೀಟ್‌ನಲ್ಲಿ "ನಾನು ಎಲ್ಲಾ ಡೇಟಾವನ್ನು ಪರೀಕ್ಷಿಸಿದ್ದೇನೆ" ಎಂದು ಬರೆಯಬೇಡಿ. ಕಾಣೆಯಾದ ಡೇಟಾದ ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯು ತೋರಿಕೆಯಲ್ಲಿ ಸಂಪೂರ್ಣ ಆದರೆ ತಪ್ಪುದಾರಿಗೆಳೆಯುವ ಭರವಸೆಯನ್ನು ನೀಡುತ್ತದೆ.

AI ಯೊಂದಿಗೆ ಪೂರ್ಣ ಜನಸಂಖ್ಯೆ ಪರೀಕ್ಷೆ: ಹಂತ ಹಂತವಾಗಿ

1. ಡೇಟಾವನ್ನು ಸುರಕ್ಷಿತವಾಗಿ ತಯಾರಿಸಿ. ವೈಯಕ್ತಿಕ/ಖಾಸಗಿ ಕ್ಷೇತ್ರಗಳನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿ ಅಥವಾ ಅವುಗಳನ್ನು ಪ್ಲೇಸ್‌ಹೋಲ್ಡರ್‌ಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸಿ. ಸಾಧ್ಯವಾದರೆ, ಕಾರ್ಪೊರೇಟ್, ಒಪ್ಪಂದದ ವಾಹನವನ್ನು ಬಳಸಿ.
2. ಸಂಪೂರ್ಣತೆಯನ್ನು ದೃಢೀಕರಿಸಿ. ದಾಖಲೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಮೊತ್ತವನ್ನು ಸಮನ್ವಯಗೊಳಿಸಿ.
3. ಪರೀಕ್ಷಾ ನಿಯಮವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸಿ. "ಎಕ್ಸೆಪ್ಶನ್" ಎಂದು ಏನು ಪರಿಗಣಿಸುತ್ತದೆ? (ಉದಾಹರಣೆಗೆ: ಅನುಮೋದಿತವಲ್ಲದ ಸರಕುಪಟ್ಟಿ, ವಾರಾಂತ್ಯದಲ್ಲಿ ನೀಡಲಾದ ಸರಕುಪಟ್ಟಿ, ದೊಡ್ಡ ಸುತ್ತಿನ ಪಾವತಿ, ಕಟ್-ಆಫ್ ದಿನಾಂಕದ ನಂತರ ದಾಖಲಾದ ಆದಾಯ.)
4. AI ಜೊತೆಗೆ ನಿಯಮವನ್ನು ಅನ್ವಯಿಸಿ. AI ನಿಯಮವನ್ನು ಡೇಟಾಗೆ ಅನ್ವಯಿಸುತ್ತದೆ ಮತ್ತು ವಿನಾಯಿತಿಗಳ ಪಟ್ಟಿಯನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ನಿಯಮವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ಬರೆಯಿರಿ ಇದರಿಂದ ಅದನ್ನು ಆಡಿಟ್ ಮಾಡಬಹುದು.
5. ವಿನಾಯಿತಿಗಳನ್ನು ಆದ್ಯತೆ ನೀಡಿ ಮತ್ತು ಪರಿಶೀಲಿಸಿ. ಪುರಾವೆಗಳೊಂದಿಗೆ ಪ್ರತಿ ವಿನಾಯಿತಿಯನ್ನು ತನಿಖೆ ಮಾಡಿ; ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಪರಿಹರಿಸಿ, ನಿಜವಾದ ಸಂಶೋಧನೆಗಳನ್ನು ಸಮರ್ಥಿಸಿ.
6. ಫಲಿತಾಂಶವನ್ನು ದಾಖಲಿಸಿ. ವರ್ಕ್‌ಶೀಟ್‌ಗೆ ನಿಯಮ, ವಿನಾಯಿತಿಗಳ ಸಂಖ್ಯೆ, ಪರಿಶೀಲಿಸಿದ ಐಟಂಗಳು ಮತ್ತು ತೀರ್ಮಾನವನ್ನು ಲಿಂಕ್ ಮಾಡಿ.

ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು

ಪ್ರಕರಣ 1 - ಕತ್ತರಿಸುವ ಪರೀಕ್ಷೆ. ವರ್ಷಾಂತ್ಯದ ಆದಾಯ ಕಡಿತವನ್ನು ಪರೀಕ್ಷಿಸಲು ಆಡಿಟರ್ ಬಯಸಿದ್ದರು. ಅವರು ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯಂತೆ 42,000 ಮಾರಾಟದ ಇನ್‌ವಾಯ್ಸ್‌ಗಳನ್ನು ತೆಗೆದುಕೊಂಡರು ಮತ್ತು AI ಅನ್ನು "ಡಿಸೆಂಬರ್ 31 ರೊಳಗೆ ಸರಕುಪಟ್ಟಿ ದಿನಾಂಕಗಳೊಂದಿಗೆ ಪಟ್ಟಿ ದಾಖಲೆಗಳನ್ನು ಜಾರಿಗೊಳಿಸಿದರು, ಆದರೆ ಶಿಪ್ಪಿಂಗ್/ವಿತರಣಾ ದಿನಾಂಕಗಳು ಜನವರಿ 1 ಅಥವಾ ನಂತರ". YZ 118 ದಾಖಲೆಗಳನ್ನು ಗುರುತಿಸಿದೆ. ಲೆಕ್ಕಪರಿಶೋಧಕರು ಇವುಗಳನ್ನು ಪರಿಶೀಲಿಸಿದರು: 96 ಯಾವುದೇ ಸಮಯದ ವ್ಯತ್ಯಾಸಗಳಿಲ್ಲದ ಕಾನೂನುಬದ್ಧ ವಹಿವಾಟುಗಳು (ಅದೇ ದಿನದ ವಿತರಣೆ), 22 ವಾಸ್ತವವಾಗಿ ಮುಂದಿನ ವರ್ಷಕ್ಕೆ ಆದಾಯ ಮತ್ತು ಹಿಂದಿನ ಅವಧಿಯಲ್ಲಿ ದಾಖಲಾಗಿವೆ. ಈ 22 ಐಟಂಗಳನ್ನು ವರದಿ ಮಾಡಲಾಗಿದೆ ಏಕೆಂದರೆ ಅವುಗಳು ಪ್ರಾಮುಖ್ಯತೆಗಿಂತ ಕಡಿಮೆಯಿದ್ದರೂ ಮಾದರಿಯನ್ನು ತೋರಿಸಿವೆ. AI 118 ಪ್ರಶ್ನೆಗಳನ್ನು ಕೇಳಿದೆ; ಲೆಕ್ಕ ಪರಿಶೋಧಕರು 22 ಉತ್ತರಗಳನ್ನು ಕಂಡುಕೊಂಡಿದ್ದಾರೆ.

ಪ್ರಕರಣ 2 - ಸಂಪೂರ್ಣತೆಯನ್ನು ಬಿಟ್ಟುಬಿಟ್ಟಾಗ. ಒಬ್ಬ ತಂಡದ ಸದಸ್ಯರು ಅವರು 180,000 ಇನ್‌ವಾಯ್ಸ್‌ಗಳಲ್ಲಿ ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯನ್ನು ಮಾಡಿದ್ದಾರೆ ಎಂದು ಹೇಳಿದರು; ಯಾವುದೇ ವಿನಾಯಿತಿಗಳಿಲ್ಲ ಮತ್ತು ಅವರು ನಿರಾಳರಾದರು. ಜವಾಬ್ದಾರಿಯುತ ವ್ಯಕ್ತಿ ಡೇಟಾಸೆಟ್‌ನ ಒಟ್ಟು ಮೊತ್ತವನ್ನು ಪ್ರಾಯೋಗಿಕ ಬಾಕಿಯೊಂದಿಗೆ ಹೋಲಿಸಿದ್ದಾರೆ: ಡೇಟಾ 155 ಮಿಲಿಯನ್ ಟಿಎಲ್, ಟ್ರಯಲ್ ಬ್ಯಾಲೆನ್ಸ್ 210 ಮಿಲಿಯನ್ ಟಿಎಲ್. ಸಿಸ್ಟಮ್‌ನಿಂದ ಡೇಟಾವನ್ನು ಎಳೆಯುವಾಗ, ಒಂದು ಶಾಖೆಯನ್ನು ಫಿಲ್ಟರ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಬಿಡಲಾಗಿದೆ ಎಂದು ಅದು ತಿರುಗುತ್ತದೆ. "ಪೂರ್ಣ" ಪರೀಕ್ಷೆಯು ವಾಸ್ತವವಾಗಿ ಡೇಟಾದ ಕಾಲು ಭಾಗವನ್ನು ತಪ್ಪಿಸಿಕೊಂಡಿದೆ. ಸರಿಯಾದ ಡೇಟಾದೊಂದಿಗೆ ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸಲಾಯಿತು. ಪಾಠ: ಸಂಪೂರ್ಣತೆಯ ದೃಢೀಕರಣವಿಲ್ಲದೆ ಸಂಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆ ಇಲ್ಲ.

ಪ್ರಕರಣ 3 - ನಿಯಮಗಳ ದೋಷ. ಲೆಕ್ಕ ಪರಿಶೋಧಕರು AI ನಿಯಮವನ್ನು "50,000 TL ಗಿಂತ ಹೆಚ್ಚಿನ ಅನುಮೋದಿತವಲ್ಲದ ಪಾವತಿಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ" ಎಂದು ಬರೆದಿದ್ದಾರೆ, ಆದರೆ "ಅನುಮೋದನೆ" ಕ್ಷೇತ್ರವನ್ನು ಸಿಸ್ಟಮ್‌ನಲ್ಲಿ ಎರಡು ವಿಭಿನ್ನ ಕಾಲಮ್‌ಗಳಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ ಎಂದು ತಿಳಿದಿರಲಿಲ್ಲ (ಎಲೆಕ್ಟ್ರಾನಿಕ್ ಅನುಮೋದನೆ ಮತ್ತು ಹಸ್ತಚಾಲಿತ ಅನುಮೋದನೆ). AI 300 ಪಾವತಿಗಳನ್ನು "ಅಸಮ್ಮತಿಯಿಲ್ಲ" ಎಂದು ಗುರುತಿಸಿದೆ ಏಕೆಂದರೆ ಅದು ಒಂದನ್ನು ಮಾತ್ರ ನೋಡಿದೆ; ಪರಿಶೀಲಿಸಿದಾಗ ಹೆಚ್ಚಿನವು ಇತರ ಅಂಕಣದಲ್ಲಿ ಅನುಮೋದನೆ ಪಡೆದಿರುವುದು ಕಂಡುಬಂದಿದೆ. ತಪ್ಪು ನಿಯಮವು ನೂರಾರು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ಉಂಟುಮಾಡಿತು. ಲೆಕ್ಕ ಪರಿಶೋಧಕರು ಎರಡೂ ಕಾಲಂಗಳನ್ನು ಸೇರಿಸಲು ನಿಯಮವನ್ನು ಸರಿಪಡಿಸಿದ್ದಾರೆ. ಪಾಠ: ನಿಯಮವು ಡೇಟಾ ಮತ್ತು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗೆ ಅನುಗುಣವಾಗಿದೆ ಎಂದು ಲೆಕ್ಕಪರಿಶೋಧಕರು ಪರಿಶೀಲಿಸುತ್ತಾರೆ.

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್

ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:

ಈ ಇನ್‌ವಾಯ್ಸ್ ಡೇಟಾದಲ್ಲಿ ಸಮಸ್ಯಾತ್ಮಕ ದಾಖಲೆಗಳನ್ನು ಹುಡುಕಿ.

ಸಮಸ್ಯೆ: "ಸಮಸ್ಯೆಯ" ವ್ಯಾಖ್ಯಾನವಿಲ್ಲ AI ಗೆ ಯಾವುದನ್ನು ಅಪವಾದವಾಗಿ ಪರಿಗಣಿಸಬೇಕೆಂದು ತಿಳಿದಿಲ್ಲ; ಅವನು ಯಾದೃಚ್ಛಿಕ ಸಂಕೇತಗಳ ಪ್ರಕಾರ ಅಥವಾ ಅವನು ರೂಪಿಸಿದ ಮಾನದಂಡದ ಪ್ರಕಾರ ಕೆಲಸ ಮಾಡುತ್ತಾನೆ. ಇದು ಪುನರಾವರ್ತಿತ ಮತ್ತು ಆಡಿಟ್ ಮಾಡಲಾಗುವುದಿಲ್ಲ.

ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:

ನಿಮ್ಮ ಪಾತ್ರ: ನೀವು ಸ್ವತಂತ್ರ ಲೆಕ್ಕಪರಿಶೋಧಕರಿಗೆ ಡೇಟಾ ವಿಶ್ಲೇಷಣೆ ಸಹಾಯಕರು. ತೀರ್ಪು ನನ್ನದು; ನೀವು ನಿಯಮವನ್ನು ಅನ್ವಯಿಸುತ್ತೀರಿ ಮತ್ತು ವಿನಾಯಿತಿ ಪಟ್ಟಿಯನ್ನು ರಚಿಸುತ್ತೀರಿ. ಸಂದರ್ಭ: ಕೆಳಗೆ ಅನಾಮಧೇಯ ಮಾರಾಟದ ಸರಕುಪಟ್ಟಿ ಡೇಟಾ (ಕಾಲಮ್‌ಗಳು: ಇನ್‌ವಾಯ್ಸ್_ನೋ, ಇನ್‌ವಾಯ್ಸ್_ಡೇಟ್, ಡೆಲಿವರಿ_ಡೇಟ್, ಮೊತ್ತ, ಅನುಮೋದನೆ_ಸ್ಥಿತಿ, ಶಾಖೆ). ವರ್ಷಾಂತ್ಯ: 31.12.STEP 1 - ಸಂಪೂರ್ಣತೆ: ಒಟ್ಟು ದಾಖಲೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಒಟ್ಟು ಮೊತ್ತವನ್ನು ನೀಡಿ ಇದರಿಂದ ನಾನು ಅದನ್ನು ಪ್ರಯೋಗದ ಬಾಕಿಯೊಂದಿಗೆ ಹೋಲಿಸಬಹುದು. ಯಾವುದೇ ಖಾಲಿ/ಕಾಣೆಯಾದ ಸ್ಥಳವಿದ್ದರೆ ವರದಿ ಮಾಡಿ. ಹಂತ 2 - ಕಟಿಂಗ್ ಪರೀಕ್ಷಾ ನಿಯಮ: ಇನ್‌ವಾಯ್ಸ್_ದಿನಾಂಕ <= 31.12 ಮತ್ತು ವಿತರಣೆ_ದಿನಾಂಕ >= 01.01 ಜೊತೆಗೆ ದಾಖಲೆಗಳನ್ನು "ಕಟ್ಆಫ್ ವಿನಾಯಿತಿ" ಎಂದು ಪಟ್ಟಿ ಮಾಡಿ. ಹಂತ 3 - ನಿಯಮವನ್ನು ಸರಳ ಪಠ್ಯದಲ್ಲಿ ಬರೆಯಿರಿ (ನೀವು ಯಾವ ಷರತ್ತು ಅನ್ವಯಿಸಿದ್ದೀರಿ:) ನಾನು ಅದನ್ನು ಬದಲಾಯಿಸಬಹುದು. ನೀವು ಫ್ಲ್ಯಾಗ್ ಮಾಡುವ ದಾಖಲೆಗಳನ್ನು "ಪರಿಶೀಲನೆಗಾಗಿ ವಿನಾಯಿತಿಗಳು" ಎಂದು ಸಲ್ಲಿಸಿ; "ದೋಷ/ಶೋಧನೆ" ಎಂದು ಹೇಳಬೇಡಿ. ಡೇಟಾದಿಂದ ನೀವು ಏನನ್ನು ಕಳೆಯಲು ಸಾಧ್ಯವಿಲ್ಲವೋ ಅದನ್ನು ಮಾಡಬೇಡಿ.

ಈ ವಿನಂತಿಯು ಶಕ್ತಿಯುತವಾಗಿದೆ ಏಕೆಂದರೆ ಇದು ಮೊದಲು ಸಂಪೂರ್ಣತೆಯನ್ನು ದೃಢೀಕರಿಸುತ್ತದೆ, ವಿನಾಯಿತಿ ನಿಯಮವನ್ನು ಸ್ಪಷ್ಟವಾಗಿ ವ್ಯಾಖ್ಯಾನಿಸುತ್ತದೆ, ನಿಯಮದ ಸರಳ ಪಠ್ಯದ ಅಗತ್ಯವಿರುತ್ತದೆ (ಪರಿಶೋಧನೆ) ಮತ್ತು ಔಟ್‌ಪುಟ್ ಅನ್ನು "ಎಕ್ಸೆಪ್ಶನ್" ಎಂದು ಇರಿಸುತ್ತದೆ.

ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು

• ಸಂಪೂರ್ಣತೆ ಪರಿಶೀಲನೆಯನ್ನು ಬಿಟ್ಟುಬಿಡಲಾಗುತ್ತಿದೆ. ಅಪೂರ್ಣ/ಭ್ರಷ್ಟ ಡೇಟಾದ ಮೇಲೆ "ಪೂರ್ಣ" ಪರೀಕ್ಷೆಯನ್ನು ನಡೆಸುವುದು ಮತ್ತು ತಪ್ಪು ಭರವಸೆ ನೀಡುವುದು.
• ಅನ್ವೇಷಣೆಗಾಗಿ ವಿನಾಯಿತಿಯನ್ನು ತಪ್ಪಾಗಿ ಗ್ರಹಿಸುವುದು. AI ಗುರುತಿಸಿದ ದಾಖಲೆಯನ್ನು ಪರಿಶೀಲಿಸದೆ ದೋಷಗಳನ್ನು ಎಣಿಸುವುದು; ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ತೆಗೆದುಹಾಕುವುದನ್ನು ತಪ್ಪಿಸುವುದು.
• ನಿಯಮ ಪರಿಶೀಲಿಸುತ್ತಿಲ್ಲ. ನಿಯಮವು ಡೇಟಾ ಮತ್ತು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಗೆ ಅನುಗುಣವಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸದೆ ನೂರಾರು ಸುಳ್ಳು ಫ್ಲ್ಯಾಗ್‌ಗಳನ್ನು ರಚಿಸುವುದು.
• ಅಸ್ಪಷ್ಟ ನಿಯಮಗಳನ್ನು ಬರೆಯುವುದು. "ಸಮಸ್ಯಾತ್ಮಕ ದಾಖಲೆಗಳನ್ನು ಹುಡುಕಿ" ನಂತಹ ವಿವರಿಸಲಾಗದ ಪ್ರಾಂಪ್ಟ್‌ಗಳೊಂದಿಗೆ ಪುನರಾವರ್ತಿಸಲಾಗದ ಫಲಿತಾಂಶಗಳನ್ನು ಪಡೆಯುವುದು.
• ಒಂದೇ ಆರಂಭದಿಂದ ತೃಪ್ತರಾಗಿರುವುದು. ವಿನಾಯಿತಿಗಳ ಸಂಖ್ಯೆಯು ನಿರೀಕ್ಷೆಗಿಂತ ಭಿನ್ನವಾಗಿದ್ದರೆ ನಿಯಮ ಅಥವಾ ಡೇಟಾವನ್ನು ಪ್ರಶ್ನಿಸುವುದಿಲ್ಲ.

ಸಲಹೆ: ವಿನಾಯಿತಿಗಳ ಸಂಖ್ಯೆಯು ತುಂಬಾ ಚಿಕ್ಕದಾಗಿದ್ದರೆ (ಶೂನ್ಯಕ್ಕೆ ಹತ್ತಿರ) ಅಥವಾ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದ್ದರೆ ಗಾಬರಿಯಾಗಿರಿ. ಶೂನ್ಯ ಎಂದರೆ ಸಾಮಾನ್ಯವಾಗಿ "ತಪ್ಪಾಗಿ ಬರೆಯಲಾದ ನಿಯಮ" ಅಥವಾ "ಡೇಟಾ ಕಾಣೆಯಾಗಿದೆ"; ಅತ್ಯಂತ ದೊಡ್ಡ ಸಂಖ್ಯೆಯು ನಿಯಮವು ತುಂಬಾ ವಿಶಾಲವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ. ಒಬ್ಬ ಉತ್ತಮ ಲೆಕ್ಕ ಪರಿಶೋಧಕರು "ಅಪವಾದಗಳಿಲ್ಲ" ಮತ್ತು "ಎಲ್ಲವೂ ವಿನಾಯಿತಿಗಳು" ಎರಡನ್ನೂ ಅನುಮಾನಿಸುತ್ತಾರೆ.

ಸಾರಾಂಶದಲ್ಲಿ

ಪೂರ್ಣ ಜನಸಂಖ್ಯೆಯ ಪರೀಕ್ಷೆಯು ಲೆಕ್ಕಪರಿಶೋಧನೆಯಲ್ಲಿ ಒಂದು ದೊಡ್ಡ ಪ್ರಗತಿಯಾಗಿದೆ: ಇದು ಮಾದರಿ ಅಪಾಯವನ್ನು ನಿವಾರಿಸುತ್ತದೆ, 100% ಡೇಟಾವನ್ನು ಸ್ಕ್ರೀನಿಂಗ್ ಮಾಡುತ್ತದೆ. ಆದರೆ ಇದು ಉಚಿತವಲ್ಲ. ಇದು ಎರಡು ಹೊಸ ಜವಾಬ್ದಾರಿಗಳನ್ನು ತರುತ್ತದೆ: (1) ಡೇಟಾ ಸಂಪೂರ್ಣತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು, (2) ಉದ್ಭವಿಸುವ ವೈಯಕ್ತಿಕ ವಿನಾಯಿತಿಗಳನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು. AI ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುತ್ತದೆ, ನಿಯಮವನ್ನು ಅನ್ವಯಿಸುತ್ತದೆ, ವಿನಾಯಿತಿಯನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸ್ಕ್ಯಾನಿಂಗ್ ಸಮಯವನ್ನು ಸೆಕೆಂಡುಗಳಿಗೆ ಕಡಿಮೆ ಮಾಡುತ್ತದೆ; ಆದರೆ ನಿಯಮದ ನಿಖರತೆ, ಡೇಟಾದ ಸಂಪೂರ್ಣತೆ ಮತ್ತು ವಿನಾಯಿತಿಗಳ ಮೌಲ್ಯಮಾಪನವು ಆಡಿಟರ್ಗೆ ಸೇರಿದೆ. ವಿನಾಯಿತಿ ಒಂದು ಫಲಿತಾಂಶವಲ್ಲ, ಇದು ಪ್ರಾರಂಭವಾಗಿದೆ.

ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ

ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ (ಅಥವಾ ಕಾಲ್ಪನಿಕ) ವಹಿವಾಟು ಡೇಟಾಸೆಟ್ ಅನ್ನು ಪರಿಗಣಿಸಿ. ಮೊದಲು ಎರಡು ಸಂಪೂರ್ಣತೆಯ ಪರಿಶೀಲನೆಗಳನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ (ದಾಖಲೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಮೊತ್ತದ ಸಮನ್ವಯ). ನಂತರ ಲೆಕ್ಕಪರಿಶೋಧನೆಯ ಉದ್ದೇಶಕ್ಕಾಗಿ ಸ್ಪಷ್ಟವಾದ ವಿನಾಯಿತಿ ನಿಯಮವನ್ನು ಬರೆಯಿರಿ (ಉದಾ. ವಾರಾಂತ್ಯದಲ್ಲಿ ನೀಡಲಾದ ಇನ್‌ವಾಯ್ಸ್‌ಗಳು ಅಥವಾ ಕಡಿತದ ವಿನಾಯಿತಿಗಳು). ಮೇಲಿನ ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್ ಮಾದರಿಯೊಂದಿಗೆ, AI ಅನ್ನು ಮೊದಲು ಸಂಪೂರ್ಣತೆ ಮತ್ತು ನಂತರ ನಿಯಮವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಿ. ಕಾಣಿಸಿಕೊಳ್ಳುವ ಮೊದಲ 10 ವಿನಾಯಿತಿಗಳು "ನೈಜ ಸಂಶೋಧನೆಗಳು ಅಥವಾ ತಪ್ಪು ಧನಾತ್ಮಕತೆಗಳು?" ಕೆಳಗಿನಂತೆ ವರ್ಗೀಕರಿಸುವುದನ್ನು ಅಭ್ಯಾಸ ಮಾಡಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ನೀವು ಯಾವ ಪುರಾವೆಗಳನ್ನು ಹುಡುಕುತ್ತೀರಿ ಎಂಬುದನ್ನು ಬರೆಯಿರಿ.

ಪರಿಶೀಲನಾಪಟ್ಟಿ

• [ ] ನಾನು ಡೇಟಾವನ್ನು ಅನಾಮಧೇಯಗೊಳಿಸಿದೆ ಮತ್ತು ಸುರಕ್ಷಿತವಾಗಿ ಓಡಿಸಿದೆ.
• [ ] ನಾನು ದಾಖಲೆಗಳ ಸಂಖ್ಯೆ ಮತ್ತು ಮೊತ್ತವನ್ನು ಸಮನ್ವಯಗೊಳಿಸುವ ಮೂಲಕ ಡೇಟಾ ಸಂಪೂರ್ಣತೆಯನ್ನು ದೃಢಪಡಿಸಿದೆ.
• [ ] ನಾನು ಉಚಿತ/ಕೆಟ್ಟ ಸ್ಥಳಕ್ಕಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ್ದೇನೆ.
• [ ] ನಾನು ವಿನಾಯಿತಿ ನಿಯಮವನ್ನು ಸ್ಪಷ್ಟ, ಪುನರಾವರ್ತಿತ ರೀತಿಯಲ್ಲಿ ವ್ಯಾಖ್ಯಾನಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು AI ನಿಂದ ನಿಯಮದ ಸರಳ ಪಠ್ಯವನ್ನು ಸ್ವೀಕರಿಸಿದ್ದೇನೆ ಮತ್ತು ಡೇಟಾ ಮತ್ತು ವ್ಯವಹಾರ ಪ್ರಕ್ರಿಯೆಯೊಂದಿಗೆ ಅದರ ಅನುಸರಣೆಯನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆ.
• [ ] ನಾನು ವಿನಾಯಿತಿಗಳ ಸಂಖ್ಯೆಯ ಸಮಂಜಸತೆಯನ್ನು ಪ್ರಶ್ನಿಸಿದೆ (ತುಂಬಾ ಕಡಿಮೆ / ತುಂಬಾ ಅಲ್ಲ).
• [ ] ನಾನು ಪ್ರತಿ ಎಕ್ಸೆಪ್ಶನ್ ಅನ್ನು ಪರೀಕ್ಷಿಸಬೇಕಾದ ಪ್ರಶ್ನೆಯಾಗಿ ಪರಿಗಣಿಸಿದ್ದೇನೆ, ಶೋಧನೆಯಾಗಿಲ್ಲ; ನಾನು ತಪ್ಪು ಧನಾತ್ಮಕತೆಯನ್ನು ತೊಡೆದುಹಾಕಿದೆ.