ಲಾಭಗಳು:
- ಪಾಲಿಸಿಯಲ್ಲಿ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ಔಟ್ಲೈಯರ್ಗಳು, ಮಾನ್ಯತೆ ಮತ್ತು ಡೇಟಾ ಗುಣಮಟ್ಟದ ಸಮಸ್ಯೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಬೆಂಬಲದೊಂದಿಗೆ ಡೇಟಾವನ್ನು ಹಾನಿಗೊಳಿಸುವುದು ಮತ್ತು ತಿದ್ದುಪಡಿ ಕರಡು ತಯಾರಿಸುವುದು
- ಫೀಚರ್ ಇಂಜಿನಿಯರಿಂಗ್ (ಹೊಸ ವೇರಿಯೇಬಲ್ ಡಿರೈವೇಶನ್, ಗ್ರೂಪಿಂಗ್, ಕೋಡಿಂಗ್) ಮತ್ತು ಸರಿಯಾದ ಸಂದರ್ಭದೊಂದಿಗೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಣ
- ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯಿಂದ ಸೂಚಿಸಲಾದ ಡೇಟಾ ರೂಪಾಂತರಗಳನ್ನು ಡೇಟಾ ಸೋರಿಕೆ ಮತ್ತು ಗುಪ್ತ ಪಕ್ಷಪಾತದ ಅಪಾಯದ ವಿರುದ್ಧ ವಿಮಾಗಣಕದಿಂದ ಆಡಿಟ್ ಮಾಡಬೇಕು ಎಂದು ಅರ್ಥಮಾಡಿಕೊಳ್ಳಿ.
ಆಕ್ಚುರಿಯಲ್ ಕೆಲಸದ ಬಗ್ಗೆ ಕಡಿಮೆ ಮಾತನಾಡುವ ಆದರೆ ಹೆಚ್ಚು ಸಮಯ ತೆಗೆದುಕೊಳ್ಳುವ ಭಾಗವೆಂದರೆ ಡೇಟಾ ತಯಾರಿಕೆ. ಮಾಡೆಲಿಂಗ್ ಪ್ರಾಜೆಕ್ಟ್ನ ಹೆಚ್ಚಿನ ಸಮಯವನ್ನು ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಲು, ಸಂಯೋಜಿಸಲು ಮತ್ತು ಸರಿಪಡಿಸಲು ಖರ್ಚು ಮಾಡಲಾಗುತ್ತದೆ ಎಂದು ಅನುಭವಿ ವಿಮಾಗಣಕರು ತಿಳಿದಿದ್ದಾರೆ. ಎಷ್ಟೇ ಸೊಗಸಾದ ಮಾದರಿಯಾಗಿದ್ದರೂ, ಇನ್ಪುಟ್ ಡೇಟಾ ಭ್ರಷ್ಟವಾಗಿದ್ದರೆ, ಔಟ್ಪುಟ್ ಭ್ರಷ್ಟವಾಗಿರುತ್ತದೆ-ಸಂಕ್ಷಿಪ್ತವಾಗಿ, “ಕಸ ಇನ್, ಕಸದ ಹೊರಗೆ.” ಈ ಘಟಕದಲ್ಲಿ, ನಾವು ನೀತಿ ಮತ್ತು ಕ್ಲೈಮ್ಗಳ ಡೇಟಾದ ವಿಶಿಷ್ಟ ಸಮಸ್ಯೆಗಳು, ಅವುಗಳನ್ನು AI ಯೊಂದಿಗೆ ಹೇಗೆ ಪತ್ತೆ ಮಾಡುವುದು ಮತ್ತು ಸರಿಪಡಿಸುವುದು ಮತ್ತು ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ (ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಡೇಟಾದಿಂದ ಹೆಚ್ಚು ತಿಳಿವಳಿಕೆ ಹೊಂದಿರುವ ಹೊಸ ವೇರಿಯಬಲ್ಗಳನ್ನು ಪಡೆಯಲಾಗಿದೆ) ವಿಧಾನವನ್ನು ನೋಡುತ್ತೇವೆ.
ಆರಂಭದಿಂದಲೂ ಒಂದು ಎಚ್ಚರಿಕೆ: ಡೇಟಾ ತಯಾರಿಕೆಯು ತೋರಿಕೆಯಲ್ಲಿ ತಾಂತ್ರಿಕ ಮತ್ತು ಮುಗ್ಧ ಹಂತವಾಗಿದೆ, ಆದರೆ ಇಲ್ಲಿ ಅತ್ಯಂತ ಅಪಾಯಕಾರಿ ದೋಷಗಳು ಅಡಗಿಕೊಳ್ಳುತ್ತವೆ. ತಪ್ಪಾದ ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಣ, ಗುಪ್ತ ಡೇಟಾ ಸೋರಿಕೆ ಅಥವಾ ತಿಳಿಯದೆ ಪರಿಚಯಿಸಲಾದ ಪಕ್ಷಪಾತವು ಎಲ್ಲಾ ನಂತರದ ಮಾದರಿಗಳನ್ನು ಮೌನವಾಗಿ ಭ್ರಷ್ಟಗೊಳಿಸುತ್ತದೆ. AI ಈ ಹಂತವನ್ನು ಹೆಚ್ಚು ವೇಗಗೊಳಿಸುತ್ತದೆ, ಆದರೆ ಅನಿಯಂತ್ರಿತವಾಗಿ ಬಿಟ್ಟರೆ, ಇದು ಅಪಾಯವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಆಕ್ಚುರಿಯಲ್ ಡೇಟಾದ ವಿಶಿಷ್ಟ ಸಮಸ್ಯೆಗಳು
ನೀತಿ ಮತ್ತು ಕ್ಲೈಮ್ಗಳ ಡೇಟಾ ಬಹುತೇಕ ಕ್ಲೀನ್ ಆಗುವುದಿಲ್ಲ. ಸಾಮಾನ್ಯ ಸಮಸ್ಯೆಗಳೆಂದರೆ: ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು: ಕೆಲವು ನೀತಿಗಳು ಖಾಲಿ ವಾಹನದ ವಯಸ್ಸು, ಉದ್ಯೋಗ ಅಥವಾ ಪ್ರದೇಶವನ್ನು ಹೊಂದಿವೆ. ಕುರುಡಾಗಿ ಇವುಗಳನ್ನು ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬುವುದು ಪಕ್ಷಪಾತವನ್ನು ಉಂಟುಮಾಡಬಹುದು; ಕೊರತೆಯು ಕೆಲವೊಮ್ಮೆ ಮಾಹಿತಿಯನ್ನು ಹೊಂದಿರುತ್ತದೆ (ಕಾಣೆಯಾದವರು ಬೇರೆ ಗುಂಪು). ಔಟ್ಲೈಯರ್ಗಳು: ಋಣಾತ್ಮಕ ಪ್ರೀಮಿಯಂ, 200-ವರ್ಷ-ಹಳೆಯ ವಿಮಾದಾರ, ಶೂನ್ಯ-ಎಕ್ಸ್ಪೋಸರ್ ಪಾಲಿಸಿಯಂತಹ ತರ್ಕಬದ್ಧ ದಾಖಲೆಗಳು. ಇವು ಡೇಟಾ ದೋಷಗಳು ಅಥವಾ ನೈಜ ಅಂಚಿನ ಪ್ರಕರಣಗಳು ಎಂಬುದನ್ನು ಪ್ರತ್ಯೇಕಿಸಬೇಕು. ಅಸಂಗತತೆ: ಒಂದೇ ಪ್ರದೇಶದ ವಿಭಿನ್ನ ಕಾಗುಣಿತಗಳು ("ಇಸ್ತಾನ್ಬುಲ್", "ಇಸ್ತಾನ್ಬುಲ್", "34"), ದಿನಾಂಕ ಸ್ವರೂಪದ ಗೊಂದಲ. ನಕಲಿ ನಮೂದುಗಳು: ಎರಡು ಬಾರಿ ಒಂದೇ ಹಾನಿಯ ಪ್ರವೇಶ.
ಆದರೆ ಆಕ್ಚುರಿಯಲ್ಗೆ ನಿರ್ದಿಷ್ಟವಾದ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಸಮಸ್ಯೆಯೆಂದರೆ ಮಾನ್ಯತೆ. ಒಂದು ಪಾಲಿಸಿಯು ವರ್ಷದ ಮಧ್ಯದಲ್ಲಿ ಪ್ರಾರಂಭವಾದರೆ, ಅದು ಆ ವರ್ಷಕ್ಕೆ ಭಾಗಶಃ ಮಾನ್ಯತೆಯನ್ನು (ಉದಾ. 0.5 ವರ್ಷಗಳು) ಒದಗಿಸುತ್ತದೆ, ಪೂರ್ಣ "ನೀತಿ-ವರ್ಷ" ಅಲ್ಲ. ಆವರ್ತನ ಮತ್ತು ಹಾನಿ ದರಗಳನ್ನು ಯಾವಾಗಲೂ ಒಡ್ಡುವಿಕೆಗೆ ಸಾಮಾನ್ಯಗೊಳಿಸಬೇಕು; ಇಲ್ಲದಿದ್ದರೆ ಅಲ್ಪಾವಧಿಯ ನೀತಿಗಳು ಹೆಚ್ಚಿನ ಅಪಾಯವನ್ನು ತೋರುತ್ತವೆ. AI ಮಾನ್ಯತೆ ಲೆಕ್ಕಾಚಾರವನ್ನು ಕೋಡ್ ಮಾಡಬಹುದು, ಆದರೆ ನೀವು ವ್ಯಾಖ್ಯಾನ ಮತ್ತು ವ್ಯವಹಾರ ನಿಯಮವನ್ನು ಒದಗಿಸಬೇಕು.
ಕೆಳಗಿನ ಕೋಷ್ಟಕವು ವಿಶಿಷ್ಟ ಸಮಸ್ಯೆಗಳನ್ನು ಮತ್ತು ಸರಿಯಾದ ವಿಧಾನವನ್ನು ಸಾರಾಂಶಗೊಳಿಸುತ್ತದೆ:
ಸಮಸ್ಯೆ
ತಪ್ಪು ವಿಧಾನ
ಸರಿಯಾದ ವಿಧಾನ
ಕಾಣೆಯಾದ ಮೌಲ್ಯ
ಎಲ್ಲವನ್ನೂ ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬಿಸಿ
ಕೊರತೆಯನ್ನು ವಿಶ್ಲೇಷಿಸಿ; ಕೆಲವೊಮ್ಮೆ ಪ್ರತ್ಯೇಕ ವರ್ಗವನ್ನು ತೆರೆಯಿರಿ
ಹೊರಗಿನ
ಸ್ವಯಂ ಅಳಿಸುವಿಕೆ
ಡೇಟಾ ದೋಷ ಮತ್ತು ನೈಜ ಸೀಸದ ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಗುರುತಿಸಿ
ಮಾನ್ಯತೆ
1 ವರ್ಷಕ್ಕೆ ಎಲ್ಲಾ ನೀತಿಗಳನ್ನು ಎಣಿಸಿ
ಭಾಗಶಃ ಮಾನ್ಯತೆ ಲೆಕ್ಕಾಚಾರ
ವರ್ಗ ಅಸಂಗತತೆ
ನಿರ್ಲಕ್ಷಿಸಿ
ಪ್ರಮಾಣಿತ ನಿಘಂಟಿನೊಂದಿಗೆ ಹೊಂದಿಸಿ
ಮರುಕಳಿಸುವ ಹಾನಿ
ಗಮನಿಸಬೇಡ
ಪ್ರಮುಖ ಕ್ಷೇತ್ರಗಳೊಂದಿಗೆ ನಕಲು ಮಾಡಿ
ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್: ಡೇಟಾದಿಂದ ಜ್ಞಾನವನ್ನು ಪಡೆಯುವುದು
ಫೀಚರ್ ಇಂಜಿನಿಯರಿಂಗ್ ಎನ್ನುವುದು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕಚ್ಚಾ ವೇರಿಯೇಬಲ್ಗಳಿಂದ ಮಾದರಿಗೆ ಹೆಚ್ಚು ಉಪಯುಕ್ತವಾದ ಹೊಸ ಅಸ್ಥಿರಗಳನ್ನು ಪಡೆಯುವ ಕಲೆಯಾಗಿದೆ. ಉದಾಹರಣೆಗಳು: ಹುಟ್ಟಿದ ದಿನಾಂಕದಿಂದ "ವಯಸ್ಸು", ವಯಸ್ಸಿನಿಂದ "ವಯಸ್ಸು" (ಬಿನ್ನಿಂಗ್), ವಾಹನ ತಯಾರಿಕೆ-ಮಾದರಿಯಿಂದ "ಅಪಾಯ ವಿಭಾಗ", ವಿಳಾಸ-ನೀತಿ ಸಂಯೋಜನೆಯಿಂದ "ವಾರ್ಷಿಕ ಮೈಲೇಜ್ ಅಂದಾಜು". ಉತ್ತಮ ವೈಶಿಷ್ಟ್ಯವು ಕಚ್ಚಾ ಡೇಟಾಕ್ಕಿಂತ ಬಲವಾದ ಸಂಕೇತವನ್ನು ಹೊಂದಿರುತ್ತದೆ ಮತ್ತು ಮಾದರಿಯ ನಿಖರತೆ ಮತ್ತು ವ್ಯಾಖ್ಯಾನ ಎರಡನ್ನೂ ಹೆಚ್ಚಿಸುತ್ತದೆ.
ಆಕ್ಚುರಿಯಲ್ ಕೆಲಸದಲ್ಲಿ ಮೂರು ತಂತ್ರಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಬೈಂಡಿಂಗ್: ನಿರಂತರ ವೇರಿಯಬಲ್ (ವಯಸ್ಸು) ಅನ್ನು ಅರ್ಥಪೂರ್ಣ ಗುಂಪುಗಳಾಗಿ ಬೇರ್ಪಡಿಸುವುದು; ಇದು ರೇಖಾತ್ಮಕವಲ್ಲದ ಸಂಬಂಧಗಳನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ ಮತ್ತು ಸುಂಕವನ್ನು ಓದುವಂತೆ ಮಾಡುತ್ತದೆ. ಎನ್ಕೋಡಿಂಗ್: ವರ್ಗೀಯ ಅಸ್ಥಿರಗಳನ್ನು (ಪ್ರದೇಶ) ಮಾದರಿಗೆ ಸೂಕ್ತವಾದ ಸಂಖ್ಯಾತ್ಮಕ ಸ್ವರೂಪಕ್ಕೆ ಪರಿವರ್ತಿಸುವುದು; ಅಪಾಯ-ಆಧಾರಿತ ಕೋಡಿಂಗ್ (ಪ್ರತಿ ವರ್ಗವನ್ನು ತನ್ನದೇ ಆದ ಹಾನಿ ದರದೊಂದಿಗೆ ಪ್ರತಿನಿಧಿಸುವುದು) ಸಾಮಾನ್ಯವಾಗಿದೆ ಆದರೆ ಎಚ್ಚರಿಕೆಯಿಂದ ಮಾಡಬೇಕು. ಸಾಮಾನ್ಯೀಕರಣ: ಎಲ್ಲವನ್ನೂ ಅದರ ಮಾನ್ಯತೆಯಿಂದ ಭಾಗಿಸುವ ಮೂಲಕ ಹೋಲಿಸಬಹುದು. AI ತ್ವರಿತವಾಗಿ ಈ ರೂಪಾಂತರಗಳಿಗಾಗಿ ಕೋಡ್ ಅನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದರೆ ಪ್ರತಿ ರೂಪಾಂತರದ ತರ್ಕವನ್ನು ನೀವು ಅನುಮೋದಿಸಬೇಕು.
ಸಲಹೆ: ಟಾರ್ಗೆಟ್ ಎನ್ಕೋಡಿಂಗ್ ಶಕ್ತಿಯುತವಾಗಿದೆ ಆದರೆ ಡೇಟಾ ಸೋರಿಕೆಗೆ ಗುರಿಯಾಗುತ್ತದೆ: ವರ್ಗದ ಸರಾಸರಿ ಹಾನಿಯನ್ನು ಲೆಕ್ಕಾಚಾರ ಮಾಡುವಾಗ ನೀವು ಸಾಲಿನ ಸ್ವಂತ ಹಾನಿಯನ್ನು ಸೇರಿಸಿದರೆ ಮಾದರಿ "ಚೀಟ್ಸ್". ಇದನ್ನು ಯಾವಾಗಲೂ ತರಬೇತಿ ಡೇಟಾದಲ್ಲಿ, ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಮಾದರಿಯಲ್ಲಿ ಮಾಡಿ.
ಅತ್ಯಂತ ಕಪಟ ಅಪಾಯ: ಡೇಟಾ ಸೋರಿಕೆಗಳು ಮತ್ತು ಸೂಚ್ಯ ಪಕ್ಷಪಾತ
ಡೇಟಾ ಸೋರಿಕೆಯು ಭವಿಷ್ಯವಾಣಿಯ ಸಮಯದಲ್ಲಿ ನಿಜವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಮಾದರಿಯಲ್ಲಿ ಮಾಹಿತಿಯನ್ನು ಪರಿಚಯಿಸುವುದು. ಕ್ಲಾಸಿಕ್ ಉದಾಹರಣೆ: ಕ್ಲೈಮ್ ಮೊತ್ತವನ್ನು ಊಹಿಸುವ ಮಾದರಿಯಲ್ಲಿ "ಪಾವತಿಸಲಾದ ಕ್ಲೈಮ್ಗಳಂತಹ" ಫಲಿತಾಂಶವನ್ನು ಹೊಂದಿರುವ ವೇರಿಯಬಲ್ ಅನ್ನು ಪರಿಚಯಿಸುವುದು. ಮಾದರಿಯು ಪರೀಕ್ಷಾ ಡೇಟಾದಲ್ಲಿ ಪರಿಪೂರ್ಣವಾಗಿ ಕಾಣುತ್ತದೆ ಆದರೆ ನೈಜ ಜಗತ್ತಿನಲ್ಲಿ ನಿಷ್ಪ್ರಯೋಜಕವಾಗಿದೆ ಏಕೆಂದರೆ ಆ ಮಾಹಿತಿಯು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲ. ಸೋರಿಕೆಯನ್ನು ಹೆಚ್ಚಾಗಿ ಮರೆಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಎಚ್ಚರಿಕೆಯ ವಾಸ್ತವಿಕ ತಾರ್ಕಿಕತೆಯಿಂದ ಮಾತ್ರ ಹಿಡಿಯಲಾಗುತ್ತದೆ - AI ಸಾಮಾನ್ಯವಾಗಿ ಗಮನಿಸುವುದಿಲ್ಲ, ಕೆಲವೊಮ್ಮೆ ಸೋರುವ ವೇರಿಯಬಲ್ ಅನ್ನು "ಅತ್ಯಂತ ಶಕ್ತಿಯುತ ಮುನ್ಸೂಚಕ" ಎಂದು ಹೊಗಳುತ್ತದೆ.
ಎರಡನೆಯ ಕಪಟ ಅಪಾಯವೆಂದರೆ ಸೂಚ್ಯ ಪಕ್ಷಪಾತ. ಐತಿಹಾಸಿಕ ಡೇಟಾವು ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪನ್ನು ಅನ್ಯಾಯವಾಗಿ ಪ್ರತಿನಿಧಿಸಿದರೆ (ಉದಾಹರಣೆಗೆ, ಒಂದು ಪ್ರದೇಶವು ಐತಿಹಾಸಿಕವಾಗಿ ಹಲವಾರು ನೀತಿಗಳನ್ನು ನಿರಾಕರಿಸಲಾಗಿದೆ), ಆ ಡೇಟಾದಿಂದ ಪಡೆದ ವೈಶಿಷ್ಟ್ಯಗಳು ಆ ಪಕ್ಷಪಾತವನ್ನು ಹೊಂದಿವೆ ಮತ್ತು ಮಾದರಿಯು ಅದನ್ನು ಭವಿಷ್ಯದಲ್ಲಿ ಪುನರಾವರ್ತಿಸುತ್ತದೆ. ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ ಹಂತವು ಈ ಪಕ್ಷಪಾತವನ್ನು ಗುರುತಿಸುವ ಮತ್ತು ಸರಿಪಡಿಸುವ ಅತ್ಯಂತ ನಿರ್ಣಾಯಕ ಕ್ಷಣವಾಗಿದೆ.
ಎಚ್ಚರಿಕೆ: ಒಂದು ವೇರಿಯೇಬಲ್ "ಮುನ್ಸೂಚಕ ಶಕ್ತಿಯನ್ನು ಮಹತ್ತರವಾಗಿ ಸುಧಾರಿಸಿದಾಗ" ನೀವು ಸಂತೋಷಪಡುವ ಮೊದಲು, ಕೇಳಿ: ಈ ವೇರಿಯಬಲ್ ಭವಿಷ್ಯವಾಣಿಯ ಸಮಯದಲ್ಲಿ ನಿಜವಾಗಿ ಇದೆಯೇ ಅಥವಾ ಅದು ಭವಿಷ್ಯವನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆಯೇ? ತುಂಬಾ ಚೆನ್ನಾಗಿ ಕಾಣುವ ಫಲಿತಾಂಶವು ಸಾಮಾನ್ಯವಾಗಿ ಸೋರಿಕೆಯ ಸಂಕೇತವಾಗಿದೆ.
ಡೇಟಾ ತಯಾರಿಕೆಯಲ್ಲಿ AI ಅನ್ನು ಹೇಗೆ ಬಳಸುವುದು
1) ಡೇಟಾ ಗುಣಮಟ್ಟದ ಸ್ಕ್ರೀನಿಂಗ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಡೇಟಾ ಗುಣಮಟ್ಟದ ಸಹಾಯಕ. ನೀವು ಆಕ್ಚುರಿಯಲ್ ಪಾಲಿಸಿ ಇಳುವರಿಯನ್ನು ಹೊಂದಿದ್ದೀರಿ. ಕಾಲಮ್ಗಳು: ಪಾಲಿಸಿ_ಐಡಿ, ಪ್ರಾರಂಭ_ದಿನಾಂಕ, ಅಂತಿಮ_ದಿನಾಂಕ, ವಯಸ್ಸು, ಪ್ರದೇಶ, ವಾಹನ_ವಯಸ್ಸು, ಪ್ರೀಮಿಯಂ, ಕ್ಲೈಮ್_ಎಣಿಕೆ, ಕ್ಲೈಮ್_ಮೊತ್ತ. ನನಗೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ ಮತ್ತು ಪೈಥಾನ್ (ಪಾಂಡಾಗಳು) ಕೋಡ್ ಸ್ಕೆಚ್ ನೀಡಿ:- ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಕಾಲಮ್ನಿಂದ ಎಣಿಸಿ.- ಫ್ಲ್ಯಾಗ್ ಅಸಮಂಜಸ ಮೌಲ್ಯಗಳು (ನಕಾರಾತ್ಮಕ ಪ್ರೀಮಿಯಂ > 1 ಕ್ಯಾಲ್ 06, ವಯಸ್ಸು <06 ಕ್ಯಾಲ್, 1 ವರ್ಷ). ಆರಂಭ/ಅಂತ್ಯದಿಂದ ಭಾಗಶಃ ಮಾನ್ಯತೆ (ವರ್ಷಗಳಲ್ಲಿ) ಅಳಿಸಬೇಡಿ; ಅದನ್ನು ವರದಿ ಮಾಡಿ ಹಾಗಾಗಿ ನಾನು ನಿರ್ಧರಿಸಬಹುದು.
2) ವೈಶಿಷ್ಟ್ಯದ ವ್ಯುತ್ಪತ್ತಿ:
ನನ್ನ ಟ್ರಾಫಿಕ್ ಡೇಟಾದಿಂದ ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಪಡೆಯಲು ನಾನು ಬಯಸುತ್ತೇನೆ. ಲಭ್ಯವಿದೆ: ವಯಸ್ಸು, ವಾಹನ_ವಯಸ್ಸು, ಪ್ರದೇಶ, ವಾರ್ಷಿಕ_ಕಿಮೀ, ಬಳಕೆಯ_ಪ್ರಕಾರ.- ನೀವು ಯಾವ ವಯಸ್ಸು ಮತ್ತು ಕಿಮೀ ಗುಂಪುಗಳನ್ನು (ಬಿನ್ನಿಂಗ್) ಶಿಫಾರಸು ಮಾಡುತ್ತೀರಿ, ಏಕೆ?- ಡೇಟಾ ಸೋರಿಕೆ ಇಲ್ಲದೆ 'ಪ್ರದೇಶ'ಕ್ಕೆ ಅಪಾಯ-ಆಧಾರಿತ ಕೋಡಿಂಗ್ ಅನ್ನು ನಾನು ಹೇಗೆ ಮಾಡಬಹುದು?- ಪ್ರಯತ್ನಿಸಲು ಯೋಗ್ಯವಾದ 3 ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸೂಚಿಸಿ ಮತ್ತು ಪ್ರತಿಯೊಂದಕ್ಕೂ ವಾಸ್ತವಿಕ ಸಮರ್ಥನೆಯನ್ನು ಬರೆಯಿರಿ. ನಾನು ನಿರ್ಧರಿಸುತ್ತೇನೆ.
3) ಸೋರಿಕೆ ತಪಾಸಣೆ:
ನನ್ನ ಮಾದರಿಯು ಈ ಕೆಳಗಿನ ವೇರಿಯಬಲ್ಗಳೊಂದಿಗೆ ಹಾನಿಯ ಸಾಧ್ಯತೆಯನ್ನು ಊಹಿಸುತ್ತದೆ: ವಯಸ್ಸು, ಪ್ರದೇಶ, ವಾಹನ_ವಯಸ್ಸು, PAID_CLAIM_FLAG, SETTLEMENT_DAYS. ಇವುಗಳಲ್ಲಿ ಯಾವುದು ಡೇಟಾ ಸೋರಿಕೆಯ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ? ಪ್ರತಿಯೊಂದಕ್ಕೂ, ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಅದು ಲಭ್ಯವಿರುತ್ತದೆಯೇ ಎಂದು ಮೌಲ್ಯಮಾಪನ ಮಾಡಿ. ಅನುಮಾನಾಸ್ಪದವಾದವುಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ ಮತ್ತು ಏಕೆ.
4) ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಣ:
ನನ್ನ ಕೆಲವು ನೀತಿಗಳು ವರ್ಷದ ಮಧ್ಯದಲ್ಲಿ ಪ್ರಾರಂಭವಾಗುತ್ತವೆ. ಆವರ್ತನವನ್ನು ಸರಿಯಾಗಿ ಲೆಕ್ಕಾಚಾರ ಮಾಡಲು ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಣವನ್ನು ವಿವರಿಸಿ ಮತ್ತು ಕೋಡ್ ಮಾಡಿ: ಆವರ್ತನ = ಒಟ್ಟು ಹಕ್ಕು_ಎಣಿಕೆ / ಒಟ್ಟು ಮಾನ್ಯತೆ (ನೀತಿ-ವರ್ಷ). ವರ್ಷದ ಮಧ್ಯದಲ್ಲಿ ಪ್ರಾರಂಭವಾಗುವ ಪಾಲಿಸಿಯ ಮಾನ್ಯತೆಯನ್ನು ಹೇಗೆ ಲೆಕ್ಕ ಹಾಕಬೇಕು ಎಂಬುದನ್ನು ಉದಾಹರಣೆಯೊಂದಿಗೆ ತೋರಿಸಿ.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ಡೇಟಾವನ್ನು ಸ್ವಚ್ಛಗೊಳಿಸಿ ಮತ್ತು ಮಾದರಿಗೆ ಸಿದ್ಧಗೊಳಿಸಿ.
AI ಗೆ ಯಾವ ಕಾಲಮ್ ಗೊತ್ತಿಲ್ಲ, ವ್ಯಾಪಾರ ನಿಯಮಗಳು, ಮಾನ್ಯತೆ ವ್ಯಾಖ್ಯಾನ; ಇದು ಕುರುಡಾಗಿ ಡೇಟಾವನ್ನು ಅಳಿಸಬಹುದು ಮತ್ತು ಭರ್ತಿ ಮಾಡಬಹುದು ಮತ್ತು ಭ್ರಷ್ಟಗೊಳಿಸಬಹುದು.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಆಕ್ಚುರಿಯಲ್ ಡೇಟಾ ತಯಾರಿ ಸಹಾಯಕ. ಡೇಟಾ ಡಿಕ್ಷನರಿ: ಪಾಲಿಸಿ_ಐಡಿ (ಗುರುತಿನ), ಪ್ರಾರಂಭ/ಅಂತ್ಯ_ದಿನಾಂಕ (ನೀತಿ ಅವಧಿ), ವಯಸ್ಸು (ನಿರೀಕ್ಷಿತ 16-90), ಪ್ರೀಮಿಯಂ (>0 ಆಗಿರಬೇಕು), ಕ್ಲೈಮ್_ಎಣಿಕೆ (>=0), ಕ್ಲೈಮ್_ಮೊತ್ತ (>=0). ಕಾರ್ಯ: 1) ಪ್ರತಿ ಕಾಲಮ್ಗಳಿಗೆ ಸಮಂಜಸತೆಯ ನಿಯಮವನ್ನು ಬರೆಯಿರಿ (ಪ್ರತಿ ಕಾಲಮ್ಗೆ ಸಮಂಜಸತೆಯ ನಿಯಮವನ್ನು ಬರೆಯಿರಿ). exposure.3) ಕಾಣೆಯಾದ 'ವಯಸ್ಸಿಗೆ' 3 ವಿಭಿನ್ನ ತಂತ್ರಗಳು (ಅಳಿಸು). / ಸರಾಸರಿ / ಪ್ರತ್ಯೇಕ ವರ್ಗ) ಪ್ಲಸ್-ಮೈನಸ್ನೊಂದಿಗೆ ಇರುತ್ತದೆ; ನಿರ್ಧಾರವನ್ನು ನನಗೆ ಬಿಡಿ. 4) ಸೋರಿಕೆಯ ಅಪಾಯವನ್ನು ಉಂಟುಮಾಡುವ ಕಾಲಮ್ ಇದ್ದರೆ ಎಚ್ಚರಿಕೆ ನೀಡಿ. ಯಾವುದೇ ದಾಖಲೆಯ ಸ್ವಯಂಚಾಲಿತ ಅಳಿಸುವಿಕೆ; ನಾನು ಪ್ರತಿ ನಿರ್ಧಾರವನ್ನು ಅನುಮೋದಿಸುತ್ತೇನೆ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಮಾನ್ಯತೆ ದೋಷ. ಒಂದು ಪೋರ್ಟ್ಫೋಲಿಯೊದಲ್ಲಿ, ಅಲ್ಪಾವಧಿಯ (3-ತಿಂಗಳು) ಪ್ರಯಾಣ ನೀತಿಗಳನ್ನು ಪೂರ್ಣ ವರ್ಷಗಳು ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ, ಆದ್ದರಿಂದ ಆವರ್ತನವು ನಿಜವಾಗಿ ಇರುವುದಕ್ಕಿಂತ ನಾಲ್ಕು ಪಟ್ಟು ಕಡಿಮೆಯಾಗಿದೆ; ಬೆಲೆ ತಪ್ಪಾಗಿ ಕುಸಿದಿದೆ. ವಿಮಾಗಣಕವು ಮಾನ್ಯತೆಯನ್ನು ಒಂದು ಭಾಗವಾಗಿ (0.25 ಪಾಲಿಸಿ-ವರ್ಷ) ಲೆಕ್ಕ ಹಾಕಿದಾಗ, ನೈಜ ಆವರ್ತನವನ್ನು ಬಹಿರಂಗಪಡಿಸಲಾಯಿತು ಮತ್ತು ಸುಂಕವನ್ನು ಸರಿಪಡಿಸಲಾಯಿತು. AI ಫ್ರಾಕ್ಷನಲ್ ಎಕ್ಸ್ಪೋಸರ್ ಕೋಡ್ ಅನ್ನು ರಚಿಸಿದೆ; ಆಕ್ಚುರಿ ವ್ಯಾಖ್ಯಾನವನ್ನು ನೀಡಿದೆ.
ಪ್ರಕರಣ 2 - ಸುಪ್ತ ಸೋರಿಕೆ. ಹಾನಿ ಸಂಭವನೀಯತೆಯ ಮಾದರಿಗೆ ಸಹಾಯಕ "ಫೈಲ್ ಮುಚ್ಚುವ ಸಮಯ" ವೇರಿಯೇಬಲ್ ಅನ್ನು ಸೇರಿಸಿದಾಗ, ನಿಖರತೆಯು ನಾಟಕೀಯವಾಗಿ ಹೆಚ್ಚಾಯಿತು. ಸಂತೋಷವು ಅಲ್ಪಾವಧಿಯದ್ದಾಗಿತ್ತು: ಹಾನಿ ಸಂಭವಿಸಿದ ನಂತರವೇ ಈ ವೇರಿಯಬಲ್ ಅನ್ನು ತಿಳಿಯಬಹುದು, ಅಂದರೆ ಅದು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿರಲಿಲ್ಲ. ಸೋರುವ ವೇರಿಯಬಲ್ ಅನ್ನು ತೆಗೆದುಹಾಕಿದಾಗ, ಮಾದರಿಯು ವಾಸ್ತವಿಕ ಮಟ್ಟಕ್ಕೆ ಕಡಿಮೆಯಾಯಿತು. ಅವರು AI ವೇರಿಯೇಬಲ್ ಅನ್ನು "ಶಕ್ತಿಯುತ ಮುನ್ಸೂಚಕ" ಎಂದು ಹೊಗಳಿದರು; ಆಕ್ಚುರಿಯ ತೀರ್ಪು ಬಲೆಗೆ ಸಿಕ್ಕಿತು.
ಪ್ರಕರಣ 3 - ಪಕ್ಷಪಾತದ ಪ್ರತಿರೂಪ. ಒಂದು ಕಂಪನಿಯು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಿಂದ "ಅಪ್ಲಿಕೇಶನ್ ನಿರಾಕರಣೆ" ಮಾದರಿಯನ್ನು ಪಡೆದುಕೊಂಡಿದೆ ಮತ್ತು ಅದನ್ನು ಹೊಸ ಮಾದರಿಯಲ್ಲಿ ಇರಿಸಿದೆ. ಹಿಂದಿನ ನಿರಾಕರಣೆಗಳು ನಿರ್ದಿಷ್ಟ ನೆರೆಹೊರೆಯಲ್ಲಿ ಅಸಮಾನವಾಗಿ ಕೇಂದ್ರೀಕೃತವಾಗಿವೆ ಎಂದು ವಿಶ್ಲೇಷಣೆ ತೋರಿಸಿದೆ, ಅಂದರೆ ಐತಿಹಾಸಿಕ ಪಕ್ಷಪಾತವಿದೆ. ಈ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಮಾದರಿಯಿಂದ ತೆಗೆದುಹಾಕಲಾಗಿದೆ ಮತ್ತು ಹೆಚ್ಚು ತಟಸ್ಥ ಅಪಾಯ ಸೂಚಕಗಳೊಂದಿಗೆ ಬದಲಾಯಿಸಲಾಗಿದೆ. AI ನೆರೆಹೊರೆಯೊಂದಿಗೆ ಮಾದರಿಯ ಅತಿಕ್ರಮಣವನ್ನು ಅಳೆಯುವ ವಿಶ್ಲೇಷಣೆಯನ್ನು ತಯಾರಿಸಿತು; ಆಕ್ಚುರಿ ಮತ್ತು ಅನುಸರಣೆ ಘಟಕದಿಂದ ನೈತಿಕ ನಿರ್ಧಾರವನ್ನು ಮಾಡಲಾಗಿದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಯೋಚಿಸದೆ ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬುವುದು. ಕೊರತೆಯೇ ಜ್ಞಾನವಾಗಿರಬಹುದು; ಅದನ್ನು ಕುರುಡಾಗಿ ತುಂಬುವುದು ಪೂರ್ವಾಗ್ರಹವನ್ನು ಸೃಷ್ಟಿಸುತ್ತದೆ.
- ಹೊರಗಿನವರನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಳಿಸಿ. ಕೆಲವು ನಿಜವಾದ ಅಂಚಿನ ಪ್ರಕರಣಗಳಾಗಿವೆ; ದೋಷಗಳಿಂದ ಬೇರ್ಪಡಿಸದೆ ಡೇಟಾವನ್ನು ಅಳಿಸುವುದು ಮಾಹಿತಿಯನ್ನು ನಾಶಪಡಿಸುತ್ತದೆ.
- ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಿಸುತ್ತಿಲ್ಲ. ಸಣ್ಣ ನೀತಿಗಳನ್ನು ಪೂರ್ಣ ವರ್ಷಗಳಂತೆ ಎಣಿಸುವುದು ಆವರ್ತನವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ ಮತ್ತು ಬೆಲೆಯನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ.
- ಡೇಟಾ ಸೋರಿಕೆಯನ್ನು ಗಮನಿಸುತ್ತಿಲ್ಲ. ತುಂಬಾ ಒಳ್ಳೆಯ ಫಲಿತಾಂಶವು ಭವಿಷ್ಯವನ್ನು ಒಳಗೊಂಡ ವೇರಿಯಬಲ್ನ ಸಂಕೇತವಾಗಿದೆ; ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಪ್ರತಿ ವೇರಿಯಬಲ್ ಇದೆಯೇ ಎಂದು ಪ್ರಶ್ನಿಸಿ.
- ಭವಿಷ್ಯದಲ್ಲಿ ಸೂಚ್ಯ ಪಕ್ಷಪಾತವನ್ನು ತರುವುದು. ಐತಿಹಾಸಿಕ ಡೇಟಾದಲ್ಲಿನ ಅನ್ಯಾಯವು ಪಡೆದ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸೋರಿಕೆಯಾಗಬಹುದು; ವೈಶಿಷ್ಟ್ಯದ ಹಂತದಲ್ಲಿ ಅದನ್ನು ಪರಿಶೀಲಿಸಿ.
ಸಾರಾಂಶದಲ್ಲಿ
ಆಕ್ಚುರಿಯಲ್ ಮಾಡೆಲಿಂಗ್ ಹೆಚ್ಚಾಗಿ ಡೇಟಾವನ್ನು ಸಿದ್ಧಪಡಿಸುವುದು; ಇನ್ಪುಟ್ ಭ್ರಷ್ಟವಾಗಿದ್ದರೆ, ಔಟ್ಪುಟ್ ಕೂಡ ಭ್ರಷ್ಟವಾಗಿದೆ. ವಿಶಿಷ್ಟ ಸಮಸ್ಯೆಗಳು ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳು, ಔಟ್ಲೈಯರ್ಗಳು, ಅಸಂಗತತೆಗಳು ಮತ್ತು ನಕಲು; ನಿರ್ಣಾಯಕ ವಾಸ್ತವಿಕ ಸಮಸ್ಯೆಯು ಮಾನ್ಯತೆ ಸಾಮಾನ್ಯೀಕರಣವಾಗಿದೆ. ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ - ಗುಂಪುಗಾರಿಕೆ, ಕೋಡಿಂಗ್, ಸಾಮಾನ್ಯೀಕರಣ - ಡೇಟಾದಿಂದ ಬಲವಾದ ಸಂಕೇತಗಳನ್ನು ಪಡೆಯುತ್ತದೆ. ಅತ್ಯಂತ ಕಪಟ ಅಪಾಯಗಳೆಂದರೆ ಡೇಟಾ ಸೋರಿಕೆ ಮತ್ತು ಸೂಚ್ಯ ಪಕ್ಷಪಾತ; ಎರಡನ್ನೂ ವಾಸ್ತವಿಕ ತಾರ್ಕಿಕತೆಯಿಂದ ಮಾತ್ರ ಸೆರೆಹಿಡಿಯಲಾಗುತ್ತದೆ. AI ಈ ಹಂತವನ್ನು ಹೆಚ್ಚು ವೇಗಗೊಳಿಸುತ್ತದೆ: ಸ್ಕ್ಯಾನಿಂಗ್ ಕೋಡ್ ಮತ್ತು ಶಿಫಾರಸುಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ. ಆದರೆ ಯಾವುದೇ ದಾಖಲೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಳಿಸಬೇಡಿ, ಸೋರಿಕೆಗಳು ಮತ್ತು ಪಕ್ಷಪಾತವನ್ನು ಪರಿಶೀಲಿಸಲು ಮಾನವರಿಗೆ ಅವಕಾಶ ಮಾಡಿಕೊಡಿ ಮತ್ತು ಪ್ರತಿ ಪರಿವರ್ತನೆಯನ್ನು ಅನುಮೋದಿಸಿ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ಸಣ್ಣ ಅನಾಮಧೇಯ ನೀತಿ ಡೇಟಾ ನಿಘಂಟನ್ನು ತಯಾರಿಸಿ (5-7 ಕಾಲಮ್ಗಳು, ಪ್ರತಿಯೊಂದರ ಸಮಂಜಸವಾದ ಶ್ರೇಣಿ). (ಎ) ಪ್ರತಿ ಕಾಲಮ್ಗೆ ಸಮಂಜಸತೆಯ ನಿಯಮ ಮತ್ತು ಉಲ್ಲಂಘನೆ ವರದಿ ಕೋಡ್, (ಬಿ) ಫ್ರಾಕ್ಷನಲ್ ಎಕ್ಸ್ಪೋಶರ್ ಲೆಕ್ಕಾಚಾರ, (ಸಿ) ಪ್ರಯತ್ನಿಸಲು 3 ಹೊಸ ವೈಶಿಷ್ಟ್ಯಗಳಿಗೆ ಸಲಹೆಗಳಿಗಾಗಿ AI ಅನ್ನು ಕೇಳಿ. ನಂತರ ಪಟ್ಟಿಗೆ ಉದ್ದೇಶಪೂರ್ವಕ "ಸೋರಿಕೆ ಬಲೆ" ವೇರಿಯೇಬಲ್ ಅನ್ನು ಸೇರಿಸಿ (ಉದಾ. "ಪರಿಹಾರ ಪಾವತಿಸಲಾಗಿದೆ") ಮತ್ತು AI ಅದನ್ನು ಸೋರಿಕೆಯಾಗಿ ಹಿಡಿಯುತ್ತದೆಯೇ ಎಂದು ಪರೀಕ್ಷಿಸಿ.
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ಕಾಣೆಯಾದ ಮತ್ತು ಔಟ್ಲೈಯರ್ಗಳನ್ನು ಅಳಿಸುವ ಮೊದಲು ಏಕೆ ಎಂದು ನಾನು ವಿಶ್ಲೇಷಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಮಾನ್ಯತೆಯನ್ನು ಸರಿಯಾಗಿ ವಿಂಗಡಿಸಿದ್ದೇನೆ ಮತ್ತು ಸಾಮಾನ್ಯಗೊಳಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಪ್ರತಿ ಹೊಸದಾಗಿ ಪಡೆದ ವೈಶಿಷ್ಟ್ಯಕ್ಕೆ ವಾಸ್ತವಿಕ ಸಮರ್ಥನೆಯನ್ನು ಬರೆದಿದ್ದೇನೆಯೇ?
- [ ] ಭವಿಷ್ಯ ಹೇಳುವ ಸಮಯದಲ್ಲಿ ಪ್ರತಿ ವೇರಿಯಬಲ್ ನಿಜವಾಗಿ (ಸೋರಿಕೆ) ಇದೆಯೇ ಎಂದು ನಾನು ಪ್ರಶ್ನಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಪಡೆದ ವೈಶಿಷ್ಟ್ಯಗಳಲ್ಲಿ ಸೂಚ್ಯ ಪಕ್ಷಪಾತಕ್ಕಾಗಿ ಸ್ಕ್ಯಾನ್ ಮಾಡಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಯಾವುದೇ ದಾಖಲೆಗಳನ್ನು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅಳಿಸಲು ಮತ್ತು ಪ್ರತಿ ನಿರ್ಧಾರವನ್ನು ನಾನೇ ಅನುಮೋದಿಸಲು AI ಹೊಂದಿಲ್ಲವೇ?