ಲಾಭಗಳು:
- MLOps ಹಂತಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯ (ಬಿಡುಗಡೆ, ನಿಯೋಜನೆ, ಮೇಲ್ವಿಚಾರಣೆ, ಮರುತರಬೇತಿ, ರೋಲ್ಬ್ಯಾಕ್) ಮತ್ತು ಮಾದರಿ ಡ್ರಿಫ್ಟ್ ಮತ್ತು ಮೇಲ್ವಿಚಾರಣೆಯ ನಿಯೋಜನೆಯನ್ನು ಯೋಜಿಸುವುದು
- ಮಾದರಿ ನ್ಯಾಯೋಚಿತತೆ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ತತ್ವಗಳನ್ನು ಅನ್ವಯಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ನೈತಿಕ ಸ್ವೀಕಾರಾರ್ಹತೆಯಿಂದ ಅಂಕಿಅಂಶಗಳ ನಿಖರತೆಯನ್ನು ಪ್ರತ್ಯೇಕಿಸುವ ಸಾಮರ್ಥ್ಯ
- KVKK/GDPR ತತ್ವಗಳೊಂದಿಗೆ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುವ ಸಾಮರ್ಥ್ಯ ಮತ್ತು ಹೆಚ್ಚಿನ ಪರಿಣಾಮದ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಮಾನವನಿಗೆ ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯನ್ನು ನಿಯೋಜಿಸುವ ಸಾಮರ್ಥ್ಯ
ಮಾದರಿಯ ತರಬೇತಿ ಮತ್ತು ಹೆಚ್ಚಿನ ಅಂಕಗಳನ್ನು ಪಡೆಯುವುದು ಅಂತ್ಯವಲ್ಲ, ಆದರೆ ಮಧ್ಯಮ. ಮಾದರಿಯನ್ನು ಉತ್ಪಾದನೆಗೆ ಒಳಪಡಿಸಿದಾಗ ಮತ್ತು ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಕೆಲಸ ಮಾಡುವಾಗ ನಿಜವಾದ ಮೌಲ್ಯವು ಬರುತ್ತದೆ, ಕಾಲಾನಂತರದಲ್ಲಿ ಕ್ಷೀಣಿಸದೆ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ ಮತ್ತು ಸಂಪೂರ್ಣ ಪ್ರಕ್ರಿಯೆಯನ್ನು ನೈತಿಕ ಮತ್ತು ಕಾನೂನು ಗಡಿಗಳಲ್ಲಿ ನಡೆಸಲಾಗುತ್ತದೆ. ಈ ಮುಚ್ಚುವ ಘಟಕವು ಮೂರು ವಿಷಯಗಳನ್ನು ಸಂಯೋಜಿಸುತ್ತದೆ: MLOps (ಲೈವ್ಗೆ ಹೋಗುವ ಶಿಸ್ತು, ಮಾದರಿಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವುದು ಮತ್ತು ನಿರ್ವಹಿಸುವುದು), ನೈತಿಕತೆ (ನ್ಯಾಯ, ಪಾರದರ್ಶಕತೆ, ದುರುಪಯೋಗಪಡಿಸಿಕೊಳ್ಳದಿರುವುದು) ಮತ್ತು ಗೌಪ್ಯತೆ (ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುವುದು). AI ಈ ಪ್ರದೇಶಗಳಲ್ಲಿ ಕೋಡ್, ಚೆಕ್ಲಿಸ್ಟ್ಗಳು ಮತ್ತು ಬ್ಲೂಪ್ರಿಂಟ್ಗಳನ್ನು ಉತ್ಪಾದಿಸುತ್ತದೆ; ಆದರೆ ಮಾದರಿಯು ಲೈವ್ ಆಗುತ್ತದೆಯೇ, ಯಾರು ಪ್ರಭಾವಿತರಾಗುತ್ತಾರೆ ಮತ್ತು ಯಾವ ಡೇಟಾವನ್ನು ಬಳಸಬಹುದು ಎಂಬುದನ್ನು ಮನುಷ್ಯರು ನಿರ್ಧರಿಸುತ್ತಾರೆ. ಈ ನಿರ್ಧಾರಗಳು ತಾಂತ್ರಿಕವಲ್ಲ, ಆದರೆ ಜವಾಬ್ದಾರಿ ನಿರ್ಧಾರಗಳು.
MLOps: ಮಾದರಿಯು ಉತ್ಪನ್ನದಂತೆ ಜೀವಿಸುತ್ತದೆ
MLOps (ಮೆಷಿನ್ ಲರ್ನಿಂಗ್ ಕಾರ್ಯಾಚರಣೆಗಳು - ಉತ್ಪಾದನೆಯಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ಚಾಲನೆ ಮಾಡುವ, ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡುವ ಮತ್ತು ನವೀಕರಿಸುವ ಅಭ್ಯಾಸ) ಸಾಫ್ಟ್ವೇರ್ ಅಭಿವೃದ್ಧಿಯಲ್ಲಿ ಡೇಟಾ ವಿಜ್ಞಾನಕ್ಕೆ DevOps ಅನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವುದು. ಮೂಲ ಕಲ್ಪನೆ: ಒಂದು ಮಾದರಿಯು ಒಮ್ಮೆ ತರಬೇತಿ ಪಡೆದ ಮತ್ತು ಮರೆತುಹೋದ ಫೈಲ್ ಅಲ್ಲ, ಆದರೆ ನಿರಂತರ ನಿರ್ವಹಣೆ ಅಗತ್ಯವಿರುವ ಜೀವಂತ ಉತ್ಪನ್ನವಾಗಿದೆ. ಪ್ರಮುಖ ಹಂತಗಳು:
1. ಆವೃತ್ತಿ: ಕೋಡ್ (Git), ಡೇಟಾ ಮತ್ತು ಮಾದರಿಯನ್ನು ಒಟ್ಟಿಗೆ ಆವೃತ್ತಿ ಮಾಡಲಾಗಿದೆ; ಯಾವ ಮಾದರಿಯನ್ನು ಯಾವ ಡೇಟಾ ಮತ್ತು ಕೋಡ್ನೊಂದಿಗೆ ಉತ್ಪಾದಿಸಲಾಗಿದೆ ಎಂಬುದನ್ನು ದಾಖಲಿಸಲಾಗಿದೆ.
2. ನಿಯೋಜನೆ: ಮಾದರಿಯನ್ನು API ಅಥವಾ ಬ್ಯಾಚ್ ಕೆಲಸದಂತೆ ಲೈವ್ನಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ. ಇದನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ಸಣ್ಣ ಪ್ರೇಕ್ಷಕರಿಗೆ ಮೊದಲು ನೀಡಲಾಗುತ್ತದೆ (ನೆರಳು/ಕ್ಯಾನರಿ ವಿತರಣೆ).
3. ಮಾನಿಟರಿಂಗ್: ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ಇನ್ಪುಟ್ ಡೇಟಾವನ್ನು ನಿರಂತರವಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಲಾಗುತ್ತದೆ.
4. ಮರುತರಬೇತಿ: ಕಾರ್ಯಕ್ಷಮತೆ ಕಡಿಮೆಯಾದಾಗ, ನವೀಕರಿಸಿದ ಡೇಟಾದೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ಮರುತರಬೇತಿಗೊಳಿಸಲಾಗುತ್ತದೆ.
ಪ್ಯಾಟರ್ನ್ ಶಿಫ್ಟ್: ಮೂಕ ವಿರೂಪ
ಉತ್ಪಾದನೆಯಲ್ಲಿ ದೊಡ್ಡ ಅಪಾಯವೆಂದರೆ ಮಾದರಿ ಡ್ರಿಫ್ಟ್ (ಮಾದರಿ ಡ್ರಿಫ್ಟ್ / ಡೇಟಾ ಡ್ರಿಫ್ಟ್). ಜಗತ್ತು ಬದಲಾಗುತ್ತದೆ; ನಿಮ್ಮ ಮಾದರಿಯನ್ನು (ಗ್ರಾಹಕರ ನಡವಳಿಕೆ, ಬೆಲೆಗಳು, ಋತು, ಶಾಸನ) ನೀವು ತರಬೇತಿ ನೀಡಿದ ಪರಿಸ್ಥಿತಿಗಳು ಕಾಲಾನಂತರದಲ್ಲಿ ಬದಲಾಗುತ್ತವೆ ಮತ್ತು ಮಾದರಿಯು ಬಳಕೆಯಲ್ಲಿಲ್ಲದಂತಾಗುತ್ತದೆ. ಉದಾಹರಣೆಗೆ, ಸಾಂಕ್ರಾಮಿಕ ರೋಗದ ಮೊದಲು ತರಬೇತಿ ಪಡೆದ ಬೇಡಿಕೆ ಮಾದರಿಯು ಸಾಂಕ್ರಾಮಿಕ ಸಮಯದಲ್ಲಿ ಸಂಪೂರ್ಣವಾಗಿ ತಪ್ಪಾಗಿದೆ. ಡ್ರಿಫ್ಟ್ ಎರಡು ರೂಪಗಳಲ್ಲಿ ಸಂಭವಿಸುತ್ತದೆ: ಡೇಟಾ ಡ್ರಿಫ್ಟ್ (ಇನ್ಪುಟ್ ಡೇಟಾ ಬದಲಾವಣೆಗಳ ವಿತರಣೆ) ಮತ್ತು ಪರಿಕಲ್ಪನೆಯ ಡ್ರಿಫ್ಟ್ (ಇನ್ಪುಟ್ ಮತ್ತು ಗುರಿ ಬದಲಾವಣೆಗಳ ನಡುವಿನ ಸಂಬಂಧ). ಇವುಗಳನ್ನು ಸೆರೆಹಿಡಿಯುವ ವಿಧಾನವೆಂದರೆ ಮೇಲ್ವಿಚಾರಣೆ: ಇನ್ಪುಟ್ ವಿತರಣೆ, ಭವಿಷ್ಯ ವಿತರಣೆ ಮತ್ತು (ಸಾಧ್ಯವಾದರೆ) ನೈಜ ಫಲಿತಾಂಶಕ್ಕೆ ಹೋಲಿಸಿದರೆ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ನಿರಂತರವಾಗಿ ಟ್ರ್ಯಾಕ್ ಮಾಡಿ.
ಎಚ್ಚರಿಕೆ: ಉತ್ಪಾದನೆಗೆ ಹಾಕಲಾದ ಮಾದರಿಯು ತನ್ನದೇ ಆದ ಮೇಲೆ ಹದಗೆಡುತ್ತದೆ; ಇದು "ವೇಳೆ" ಆದರೆ "ಯಾವಾಗ" ಎಂಬ ವಿಷಯವಲ್ಲ. ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಹೊಂದಿಸದೆ ಮಾದರಿಗಳನ್ನು ನಿಯೋಜಿಸುವುದು ಅದರ ಎಂಜಿನ್ ಅನ್ನು ಎಂದಿಗೂ ನಿಯಂತ್ರಿಸದೆ ಕಾರನ್ನು ಚಾಲನೆ ಮಾಡುವಂತಿದೆ; ಒಂದು ದಿನ ಅದು ಸದ್ದಿಲ್ಲದೆ ಕುಳಿತಿದೆ ಮತ್ತು ನೀವು ಗಮನಿಸುವುದಿಲ್ಲ.
MLOps ಅಂಶ
ಉದ್ದೇಶ
ನಿರ್ಲಕ್ಷ್ಯ ಮಾಡಿದರೆ
ಆವೃತ್ತಿ
ಏನನ್ನು ಉತ್ಪಾದಿಸಲಾಗುತ್ತದೆ ಎಂದು ತಿಳಿಯುವುದು
ಪುನರುತ್ಪಾದಿಸಲಾಗದ, ಪತ್ತೆಹಚ್ಚಲಾಗದ
ಮಾನಿಟರಿಂಗ್
ಬೇಗ ಸ್ಲಿಪ್ ನೋಡಿದ
ಮಾದರಿ ಮೌನವಾಗಿ ಒಡೆಯುತ್ತದೆ
ಮರುತರಬೇತಿ
ನವೀಕೃತವಾಗಿರಿ
ಭವಿಷ್ಯವಾಣಿಗಳು ಹಳೆಯದಾಗುತ್ತವೆ
ರೋಲ್ಬ್ಯಾಕ್
ಕೆಟ್ಟ ಮಾದರಿಗೆ ಹಿಂತಿರುಗಿ
ದೋಷಪೂರಿತ ಮಾದರಿಯು ಲೈವ್ ಆಗಿ ಉಳಿದಿದೆ
ದಾಖಲೀಕರಣ
ಪಾರದರ್ಶಕತೆ, ವಹಿವಾಟು
ಮಾಹಿತಿಯು ಒಬ್ಬ ವ್ಯಕ್ತಿಯಲ್ಲಿ ಸಿಲುಕಿಕೊಳ್ಳುತ್ತದೆ
ನೀತಿಶಾಸ್ತ್ರ: ಮಾದರಿ ನಿರ್ಧಾರಗಳು ಜನರ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತವೆ
ಜನರ ಜೀವನದ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುವ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಡೇಟಾ ಮಾದರಿಗಳನ್ನು ಹೆಚ್ಚಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ: ಕ್ರೆಡಿಟ್, ನೇಮಕ, ವಿಮೆ, ನ್ಯಾಯ. ಈ ಶಕ್ತಿಯೊಂದಿಗೆ ಜವಾಬ್ದಾರಿ ಬರುತ್ತದೆ. ಪ್ರಮುಖ ನೈತಿಕ ಅಪಾಯಗಳು:
ಪಕ್ಷಪಾತ ಮತ್ತು ತಾರತಮ್ಯ: ಮಾದರಿಯು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಲ್ಲಿನ ಅನ್ಯಾಯಗಳನ್ನು ಕಲಿಯಬಹುದು ಮತ್ತು ಶಾಶ್ವತಗೊಳಿಸಬಹುದು. ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪಿಗೆ ಹಿಂದೆ ಕಡಿಮೆ ಕ್ರೆಡಿಟ್ ನೀಡಿದ್ದರೆ, ಮಾದರಿಯು ಇದು "ನಿಯಮ" ಎಂದು ಊಹಿಸುತ್ತದೆ ಮತ್ತು ತಾರತಮ್ಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ. ಅದಕ್ಕಾಗಿಯೇ ನ್ಯಾಯೋಚಿತ ವಿಶ್ಲೇಷಣೆ - ಮಾದರಿಯು ವಿಭಿನ್ನ ಗುಂಪುಗಳಿಗೆ (ಲಿಂಗ, ವಯಸ್ಸು, ಪ್ರದೇಶ) ಒಂದೇ ರೀತಿ ಕಾರ್ಯನಿರ್ವಹಿಸುತ್ತದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು ಅತ್ಯಗತ್ಯ.
ಪಾರದರ್ಶಕತೆ ಮತ್ತು ವಿವರಣೆ: ಮಾದರಿಯು ವ್ಯಕ್ತಿಯನ್ನು ಏಕೆ ತಿರಸ್ಕರಿಸಿದೆ ಎಂಬುದನ್ನು ವಿವರಿಸಲು ನಿಮಗೆ ಸಾಧ್ಯವಾಗುತ್ತದೆ. "ಕಪ್ಪು ಪೆಟ್ಟಿಗೆ ಹೀಗೆ ಹೇಳಿದೆ" ನೈತಿಕವಾಗಿ ಮತ್ತು ಸಾಮಾನ್ಯವಾಗಿ ಕಾನೂನುಬದ್ಧವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ. ಅದಕ್ಕಾಗಿಯೇ ವಿವರಿಸುವ ಸಾಧನಗಳು (ವೈಶಿಷ್ಟ್ಯ ಪ್ರಾಮುಖ್ಯತೆ, SHAP ಮೌಲ್ಯಗಳು) ಮೌಲ್ಯಯುತವಾಗಿವೆ.
ಹೊಣೆಗಾರಿಕೆ: ಮಾದರಿಯು ತಪ್ಪು ನಿರ್ಧಾರವನ್ನು ಮಾಡಿದರೆ ಯಾರು ಜವಾಬ್ದಾರರು? ಉತ್ತರ ಯಾವಾಗಲೂ ವ್ಯಕ್ತಿ/ಸಂಸ್ಥೆಯೇ ಹೊರತು ಮಾದರಿಯಲ್ಲ. ಮಾನವನ ಮೇಲ್ವಿಚಾರಣೆ (ಹ್ಯೂಮನ್-ಇನ್-ದ-ಲೂಪ್ - ಅಂತಿಮ ನಿರ್ಧಾರವನ್ನು ಅನುಮೋದಿಸುವ ಮಾನವ) ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಸಂರಕ್ಷಿಸಬೇಕು.
ಎಚ್ಚರಿಕೆ: ಒಂದು ಮಾದರಿಯು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ "ಸರಿಯಾದ" ಆದರೆ ನೈತಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ. ಒಂದು ಗುಂಪಿಗೆ ವ್ಯವಸ್ಥಿತವಾಗಿ ಅನನುಕೂಲಗಳನ್ನು ಉಂಟುಮಾಡುವ ಅತ್ಯಂತ ನಿಖರವಾದ ಮಾದರಿಯು ಉತ್ತಮ ಮಾದರಿಯಲ್ಲ. ಪ್ರಾಮಾಣಿಕತೆ ನ್ಯಾಯಕ್ಕೆ ಪರ್ಯಾಯವಲ್ಲ.
ಗೌಪ್ಯತೆ: ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ರಕ್ಷಿಸಲಾಗಿದೆ
ಡೇಟಾ ವಿಜ್ಞಾನದ ಕಚ್ಚಾ ವಸ್ತುವು ಸಾಮಾನ್ಯವಾಗಿ ವೈಯಕ್ತಿಕ ಡೇಟಾವಾಗಿದೆ, ಮತ್ತು ಈ ಡೇಟಾವನ್ನು ಕಾನೂನಿನಿಂದ ರಕ್ಷಿಸಲಾಗಿದೆ: Türkiye ನಲ್ಲಿ KVKK, ಯುರೋಪ್ನಲ್ಲಿ GDPR. ಮೂಲಭೂತ ತತ್ವಗಳೆಂದರೆ: ಉದ್ದೇಶದ ಮಿತಿ (ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾದ ಉದ್ದೇಶವನ್ನು ಹೊರತುಪಡಿಸಿ ಇತರ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಬಳಸಲಾಗುವುದಿಲ್ಲ), ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆ (ಅಗತ್ಯಕ್ಕಿಂತ ಹೆಚ್ಚಿನ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸಲಾಗುವುದಿಲ್ಲ/ಉಳಿಸಲಾಗುವುದಿಲ್ಲ), ಅನಾಮಧೇಯಗೊಳಿಸುವಿಕೆ (ಮಾಹಿತಿಯನ್ನು ಗುರುತಿಸುವುದು ತೆಗೆದುಹಾಕಲಾಗುತ್ತದೆ) ಮತ್ತು ಭದ್ರತೆ (ಡೇಟಾವನ್ನು ಎನ್ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾಗಿದೆ ಮತ್ತು ಪ್ರವೇಶವನ್ನು ನಿರ್ಬಂಧಿಸಲಾಗಿದೆ). AI ಪರಿಕರಗಳೊಂದಿಗೆ ಕೆಲಸ ಮಾಡುವಾಗ ನಿರ್ಣಾಯಕ ನಿಯಮ: ಸಾರ್ವಜನಿಕ AI ಉಪಕರಣದಲ್ಲಿ ನೈಜ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಎಂದಿಗೂ ಅಂಟಿಸಬೇಡಿ. ಹೆಚ್ಚಿನ ಸಮಯ, ರೇಖಾಚಿತ್ರ ಮತ್ತು ಅನಾಮಧೇಯ/ಸಂಶ್ಲೇಷಿತ ಮಾದರಿಯು ವಿಶ್ಲೇಷಣೆಗೆ ಸಾಕಾಗುತ್ತದೆ.
ಮಾಹಿತಿ ಭದ್ರತೆಯ ಸಂದರ್ಭದಲ್ಲಿ ಹೆಚ್ಚುವರಿ ಒತ್ತು: ರಕ್ಷಣಾತ್ಮಕ ಮತ್ತು ಕಾನೂನುಬದ್ಧ ವಿಶ್ಲೇಷಣೆ ಉದ್ದೇಶಗಳಿಗಾಗಿ ನೀವು ಅಧಿಕಾರ ಹೊಂದಿರುವ ಡೇಟಾ ಮತ್ತು ಸಿಸ್ಟಮ್ಗಳಲ್ಲಿ ಮಾತ್ರ ಡೇಟಾ ವಿಜ್ಞಾನ ಪರಿಕರಗಳು ಮತ್ತು ತಂತ್ರಗಳನ್ನು ಬಳಸಿ. ಬೇರೊಬ್ಬರ ಡೇಟಾಗೆ ಅನಧಿಕೃತ ಪ್ರವೇಶ, ವ್ಯಕ್ತಿಗಳ ಮರು-ಗುರುತಿಸುವಿಕೆ (ಅನಾಮಧೇಯ ಡೇಟಾದಿಂದ ಗುರುತನ್ನು ಹೊರತೆಗೆಯುವುದು) ಅಥವಾ ಅನಧಿಕೃತ ಪ್ರೊಫೈಲಿಂಗ್ ಕಾನೂನುಬಾಹಿರ ಮತ್ತು ಅನೈತಿಕವಾಗಿದೆ.
ಮೂರು ಸಣ್ಣ ಪ್ರಕರಣಗಳು
ಪ್ರಕರಣ 1 - ಟ್ರ್ಯಾಕ್ ಮಾಡದ ಕುಸಿತ. ಇ-ಕಾಮರ್ಸ್ ಕಂಪನಿಯು ಅದರ ಶಿಫಾರಸು ಮಾದರಿಯೊಂದಿಗೆ ನೇರಪ್ರಸಾರ ಮಾಡಿದೆ ಮತ್ತು ಟ್ರ್ಯಾಕಿಂಗ್ ಅನ್ನು ಹೊಂದಿಸಲಿಲ್ಲ. 4 ತಿಂಗಳ ನಂತರ ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ ಬಹಳವಾಗಿ ಬದಲಾಗಿದೆ; ಮಾದರಿಯು ಹಳೆಯ ಉತ್ಪನ್ನಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದನ್ನು ಮುಂದುವರೆಸಿತು ಮತ್ತು ಪರಿವರ್ತನೆ ದರವು ಸದ್ದಿಲ್ಲದೆ 30% ರಷ್ಟು ಕುಸಿಯಿತು. ತಿಂಗಳುಗಟ್ಟಲೆ ಯಾರೂ ಗಮನಿಸಿರಲಿಲ್ಲ. ಪಾಠ: ಮೇಲ್ವಿಚಾರಣೆ ಇಲ್ಲದೆ ನಿಯೋಜನೆಯು ಕುರುಡಾಗುತ್ತಿದೆ.
ಪ್ರಕರಣ 2 - ಗುಪ್ತ ತಾರತಮ್ಯ. ನೇಮಕಾತಿ ಸ್ಕ್ರೀನಿಂಗ್ ಮಾದರಿಯು ಐತಿಹಾಸಿಕ ದತ್ತಾಂಶದಲ್ಲಿ ಲಿಂಗ ಅಸಮತೋಲನದ ಬಗ್ಗೆ ಮತ್ತು ವ್ಯವಸ್ಥಿತವಾಗಿ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡಿದ ಮಹಿಳಾ ಅಭ್ಯರ್ಥಿಗಳ ಬಗ್ಗೆ ಕಲಿತಿದೆ. ನ್ಯಾಯಸಮ್ಮತ ವಿಶ್ಲೇಷಣೆ ಇಲ್ಲದ ಕಾರಣ ಅದು ಗಮನಕ್ಕೆ ಬರಲಿಲ್ಲ; ಇದು ಲೆಕ್ಕಪರಿಶೋಧನೆಯಲ್ಲಿ ಬಹಿರಂಗವಾಯಿತು ಮತ್ತು ಸಂಸ್ಥೆಯು ಗಂಭೀರವಾದ ಖ್ಯಾತಿ/ಕಾನೂನು ಅಪಾಯವನ್ನು ಎದುರಿಸುತ್ತಿದೆ. ಪಾಠ: ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ಮಾದರಿಗಳಲ್ಲಿ ಗುಂಪು-ಆಧಾರಿತ ನ್ಯಾಯೋಚಿತ ನಿಯಂತ್ರಣ ಅತ್ಯಗತ್ಯ.
ಪ್ರಕರಣ 3 - ಗೌಪ್ಯತೆಯ ಉಲ್ಲಂಘನೆ. ಒಬ್ಬ ವಿಶ್ಲೇಷಕರು ನೈಜ ಗ್ರಾಹಕ ಇಮೇಲ್ಗಳು ಮತ್ತು ಖರೀದಿ ಇತಿಹಾಸವನ್ನು ಒಳಗೊಂಡಿರುವ ಫೈಲ್ ಅನ್ನು ಸಾರ್ವಜನಿಕ AI ಉಪಕರಣಕ್ಕೆ ಲೋಡ್ ಮಾಡಿದ್ದಾರೆ ಮತ್ತು "ವಿಭಾಗಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ" ಎಂದು ಹೇಳಿದರು. ವೈಯಕ್ತಿಕ ಡೇಟಾವು ಸಂಸ್ಥೆಯನ್ನು ತೊರೆದಿದೆ; KVKK ಪ್ರಕ್ರಿಯೆ ಪ್ರಾರಂಭವಾಗಿದೆ. ಗುರುತಿನ ಕ್ಷೇತ್ರಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು ಮತ್ತು ಅನಾಮಧೇಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳುವುದು ಸರಿಯಾದ ಮಾರ್ಗವಾಗಿದೆ. ಪಾಠ: ನಿಜವಾದ ವೈಯಕ್ತಿಕ ಡೇಟಾ ತೆರೆದ ಉಪಕರಣವನ್ನು ನಮೂದಿಸುವುದಿಲ್ಲ.
ನಾಲ್ಕು ನಕಲಿಸಬಹುದಾದ ಟೆಂಪ್ಲೇಟ್ಗಳು
1) ಪೂರ್ವ ನಿಯೋಜನೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ:
ನಿಮ್ಮ ಪಾತ್ರ: MLOps ಸಲಹೆಗಾರ. ಉತ್ಪಾದನೆಗೆ ಮಾದರಿಯನ್ನು ಹಾಕುವ ಮೊದಲು ನಾನು ಪರಿಶೀಲಿಸಬೇಕಾದ ವಿಷಯಗಳನ್ನು ಪಟ್ಟಿ ಮಾಡಿ: ಆವೃತ್ತಿ, ಮಾನಿಟರಿಂಗ್ ಮೆಟ್ರಿಕ್ಗಳು, ರೋಲ್ಬ್ಯಾಕ್ ಯೋಜನೆ, ಕಾರ್ಯಕ್ಷಮತೆಯ ಮಿತಿ, ಡೇಟಾ ಡ್ರಿಫ್ಟ್ ಎಚ್ಚರಿಕೆ, ಜವಾಬ್ದಾರಿಯುತ ವ್ಯಕ್ತಿ. ಪ್ರತಿ ಐಟಂಗೆ ಒಂದು ವಾಕ್ಯದ ವಿವರಣೆಯನ್ನು "ಏಕೆ ಇದು ಮುಖ್ಯವಾದುದು" ಸೇರಿಸಿ. ನಾನು ನಿರ್ಧರಿಸುತ್ತೇನೆ.
2) ಮಾದರಿ ಶಿಫ್ಟ್ ಟ್ರ್ಯಾಕಿಂಗ್ ವಿನ್ಯಾಸ:
ಉತ್ಪಾದನೆಯಲ್ಲಿ ವರ್ಗೀಕರಣ ಮಾದರಿಗಾಗಿ ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಯೋಜನೆಯನ್ನು ಸೂಚಿಸಿ: (1) ನಾನು ಯಾವ ಇನ್ಪುಟ್ ವಿತರಣೆಗಳನ್ನು ಮೇಲ್ವಿಚಾರಣೆ ಮಾಡಬೇಕು, (2) ಮುನ್ಸೂಚನೆ ವಿತರಣೆಗಾಗಿ ಯಾವ ಎಚ್ಚರಿಕೆ, (3) ನೈಜ ಫಲಿತಾಂಶ ಬಂದಾಗ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವುದು ಹೇಗೆ, (4) ಯಾವ ಮಿತಿಯಲ್ಲಿ ಮರುತರಬೇತಿಯನ್ನು ಪ್ರಚೋದಿಸಬೇಕು. ಕೋಡ್ ಅಸ್ಥಿಪಂಜರವನ್ನು ಸಹ ಒದಗಿಸಿ.
3) ನ್ಯಾಯಯುತ ನಿಯಂತ್ರಣ:
ವಿಭಿನ್ನ ಗುಂಪುಗಳಿಗೆ ನನ್ನ ಮಾದರಿಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೋಲಿಸುವ ಕೋಡ್ ಬರೆಯಿರಿ (ಉದಾ. ವಯಸ್ಸಿನ ಬ್ಯಾಂಡ್, ಪ್ರದೇಶ): ಪ್ರತಿ ಗುಂಪಿಗೆ ಮರುಪಡೆಯುವಿಕೆ/ನಿಖರತೆ ಮತ್ತು ಧನಾತ್ಮಕ ನಿರ್ಧಾರ ದರ. ಗುಂಪುಗಳ ನಡುವೆ ಗಮನಾರ್ಹ ವ್ಯತ್ಯಾಸವಿದ್ದರೆ ಎಚ್ಚರಿಕೆ ನೀಡಿ. ಸಾಂದರ್ಭಿಕ/ರಾಜಕೀಯ ವ್ಯಾಖ್ಯಾನಗಳನ್ನು ಮಾಡುವುದು; ನನಗೆ ವ್ಯತ್ಯಾಸಗಳನ್ನು ತೋರಿಸಿ ಮತ್ತು ನಾನು ನಿರ್ಧಾರವನ್ನು ಪರಿಗಣಿಸುತ್ತೇನೆ.
4) ಗೌಪ್ಯತೆ ಪೂರ್ವ ಪರಿಶೀಲನೆ:
AI ಉಪಕರಣಕ್ಕೆ ಡೇಟಾವನ್ನು ನೀಡುವ ಮೊದಲು, ಪರಿಶೀಲಿಸಿ: ಕೆಳಗಿನ ಕಾಲಮ್ ಪಟ್ಟಿಯಲ್ಲಿ ವೈಯಕ್ತಿಕ/ಗುರುತಿನ ಡೇಟಾ (ಹೆಸರು, ಇಮೇಲ್, ID, ಫೋನ್, ವಿಳಾಸ, IP) ಇದೆಯೇ? ಹಾಗಿದ್ದಲ್ಲಿ, ಯಾವುದನ್ನು ತೆಗೆದುಹಾಕಬೇಕು ಅಥವಾ ಅನಾಮಧೇಯಗೊಳಿಸಬೇಕು ಎಂಬುದನ್ನು ಪಟ್ಟಿ ಮಾಡಿ. ಕಾಲಮ್ಗಳು: [ಪಟ್ಟಿ]. ಉದ್ದೇಶ: ಅನಾಮಧೇಯ ಸ್ಕೀಮಾವನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳಲು.
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್ / ಬಲವಾದ ಪ್ರಾಂಪ್ಟ್
ದುರ್ಬಲ ಪ್ರಾಂಪ್ಟ್:
ನನ್ನ ಮಾದರಿ ಸಿದ್ಧವಾಗಿದೆ, ಲೈವ್ಗೆ ಹೋಗಿ.
ನಿಯೋಜನೆ ಒಂದೇ ಹಂತವಲ್ಲ; ಮೇಲ್ವಿಚಾರಣೆ, ರೋಲ್ಬ್ಯಾಕ್, ನ್ಯಾಯಸಮ್ಮತತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯ ನಿಯಂತ್ರಣವಿಲ್ಲದೆ ಲೈವ್ಗೆ ಹೋಗುವುದು ವಿಪತ್ತಿಗೆ ಮೂಕ ಆಹ್ವಾನವಾಗಿದೆ.
ಶಕ್ತಿಯುತ ಪ್ರಾಂಪ್ಟ್:
ನಿಮ್ಮ ಪಾತ್ರ: ಜವಾಬ್ದಾರಿಯುತ MLOps ಸಲಹೆಗಾರ. ನನ್ನ ಮಾದರಿಗೆ ತರಬೇತಿ ನೀಡಲಾಗಿದೆ, ಲೈವ್ಗೆ ಹೋಗುವ ಮೊದಲು ನನಗೆ ಸಂಪೂರ್ಣ ಸಿದ್ಧತೆ ಬೇಕು. ರಚಿಸಿ: (1) ಪೂರ್ವ ನಿಯೋಜನೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ, (2) ಡ್ರಿಫ್ಟ್ ಮಾನಿಟರಿಂಗ್ ಯೋಜನೆ, (3) ಗುಂಪು ಆಧಾರಿತ ಫೇರ್ನೆಸ್ ಚೆಕ್ ಕೋಡ್, (4) ಗೌಪ್ಯತೆ ಪರಿಶೀಲನೆ (ವೈಯಕ್ತಿಕ ಡೇಟಾ ಇದೆಯೇ). ಹೆಚ್ಚಿನ ಪರಿಣಾಮದ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಮಾನವ ಒಪ್ಪಿಗೆಯನ್ನು ಹೇಗೆ ರಕ್ಷಿಸಬೇಕು ಎಂಬುದನ್ನು ಸಹ ಸೂಚಿಸಿ. ಅಂತಿಮ ನಿರ್ಧಾರಗಳು ನನ್ನದೇ.
ಇಲ್ಲಿ ವಿತರಣೆ, ಮೇಲ್ವಿಚಾರಣೆ, ನ್ಯಾಯಸಮ್ಮತತೆ ಮತ್ತು ಗೌಪ್ಯತೆಯನ್ನು ಒಂದೇ ಜವಾಬ್ದಾರಿಯುತ ಪ್ರಕ್ರಿಯೆ ಎಂದು ಪರಿಗಣಿಸಲಾಗುತ್ತದೆ.
ಸಾಮಾನ್ಯ ತಪ್ಪುಗಳು
- ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಹೊಂದಿಸದೆಯೇ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸಲಾಗುತ್ತಿದೆ. ಮಾದರಿ ಮೌನವಾಗಿ ಸ್ಲಿಪ್ಸ್ ಮತ್ತು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ; ಇದನ್ನು ಗಮನಿಸಲು ತಿಂಗಳುಗಳು ತೆಗೆದುಕೊಳ್ಳಬಹುದು.
- ನ್ಯಾಯ ಪರಿಶೀಲನೆಯನ್ನು ಬೈಪಾಸ್ ಮಾಡುವುದು. ಉನ್ನತ-ನಿಷ್ಠೆಯ ಮಾದರಿಯು ವ್ಯವಸ್ಥಿತವಾಗಿ ಗುಂಪಿಗೆ ಅನಾನುಕೂಲವನ್ನು ಉಂಟುಮಾಡಬಹುದು.
- ವಿವರಿಸಲಾಗದ ಕಪ್ಪು ಪೆಟ್ಟಿಗೆಯ ನಿರ್ಧಾರವನ್ನು ಮಾಡುವುದು. ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ನಿರ್ಧಾರಗಳು ವಿವರಿಸಬಹುದಾದಂತಿರಬೇಕು; "ಮಾದರಿ ಹೇಳಿದ್ದು" ಸಾಕಾಗುವುದಿಲ್ಲ.
- AI ಉಪಕರಣವನ್ನು ತೆರೆಯಲು ನೈಜ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ನೀಡುವುದು. KVKK/GDPR ಉಲ್ಲಂಘನೆ; ರೇಖಾಚಿತ್ರ ಮತ್ತು ಅನಾಮಧೇಯ ಉದಾಹರಣೆ ಸಾಕು.
- ನಿರ್ಧಾರವನ್ನು ಮಾದರಿಗೆ ನಿಯೋಜಿಸುವುದು. ಜವಾಬ್ದಾರಿ ಯಾವಾಗಲೂ ಒಬ್ಬ ವ್ಯಕ್ತಿಯ ಮೇಲಿರುತ್ತದೆ; ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ಮಾನವ ಕಣ್ಗಾವಲು ನಿರ್ವಹಿಸಲಾಗುತ್ತದೆ.
ಸಲಹೆ: ನೀವು ಪ್ರತಿ ಮಾದರಿಯೊಂದಿಗೆ ಲೈವ್ಗೆ ಹೋಗುವ ಮೊದಲು, ಒಂದು ಪ್ರಶ್ನೆಯನ್ನು ಜೋರಾಗಿ ಕೇಳಿ: "ಈ ಮಾದರಿಯು ನಾಳೆ ಸದ್ದಿಲ್ಲದೆ ಮುರಿದರೆ ಅಥವಾ ಗುಂಪಿಗೆ ಅನ್ಯಾಯವಾಗಿ ದಂಡ ವಿಧಿಸಿದರೆ, ನಾನು ಅದನ್ನು ಹೇಗೆ ಗಮನಿಸಬಹುದು ಮತ್ತು ಅದನ್ನು ಹಿಂತಿರುಗಿಸುವುದು ಹೇಗೆ?" ಈ ಪ್ರಶ್ನೆಗೆ ನೀವು ಸ್ಪಷ್ಟ ಉತ್ತರವನ್ನು ಹೊಂದಿಲ್ಲದಿದ್ದರೆ, ಮಾದರಿಯು ಇನ್ನೂ ಉತ್ಪಾದನೆಗೆ ಸಿದ್ಧವಾಗಿಲ್ಲ.
ಸಾರಾಂಶದಲ್ಲಿ
ಮಾದರಿಯ ಕೆಲಸವು ಹೆಚ್ಚಿನ ಸ್ಕೋರ್ನೊಂದಿಗೆ ಕೊನೆಗೊಳ್ಳುವುದಿಲ್ಲ, ಆದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಮತ್ತು ಜವಾಬ್ದಾರಿಯುತವಾಗಿ ಕೆಲಸ ಮಾಡುವುದರೊಂದಿಗೆ. MLOps ಎನ್ನುವುದು ಲೈವ್ಗೆ ಹೋಗುವ ಶಿಸ್ತು, ಡ್ರಿಫ್ಟ್ಗಾಗಿ ಮೇಲ್ವಿಚಾರಣೆ, ಮರುತರಬೇತಿ ಮತ್ತು ಮಾದರಿಯನ್ನು ಹಿಂದಕ್ಕೆ ತಿರುಗಿಸುವುದು; ಟ್ರ್ಯಾಕಿಂಗ್ ಇಲ್ಲದೆ ನಿಯೋಜನೆ ಮೌನ ಕುಸಿತವಾಗಿದೆ. ನೀತಿಶಾಸ್ತ್ರಕ್ಕೆ ಮಾದರಿಯ ನ್ಯಾಯ, ಪಾರದರ್ಶಕತೆ ಮತ್ತು ಹೊಣೆಗಾರಿಕೆಯ ಅಗತ್ಯವಿದೆ; ಅಂಕಿಅಂಶಗಳ ನಿಖರತೆಯು ನೈತಿಕ ಸ್ವೀಕಾರಾರ್ಹತೆಗೆ ಪರ್ಯಾಯವಾಗಿಲ್ಲ. ಗೌಪ್ಯತೆ ಎಂದರೆ KVKK/GDPR ತತ್ವಗಳೊಂದಿಗೆ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸುವುದು ಮತ್ತು ತೆರೆದ ಪರಿಕರಗಳಿಂದ ನೈಜ ಡೇಟಾವನ್ನು ದೂರವಿಡುವುದು. ಈ ಎಲ್ಲಾ ನಿರ್ಧಾರಗಳು ತಾಂತ್ರಿಕವಲ್ಲ ಆದರೆ ಜವಾಬ್ದಾರಿ ನಿರ್ಧಾರಗಳು ಮತ್ತು ಯಾವಾಗಲೂ ಮನುಷ್ಯನಿಗೆ ಸೇರಿರುತ್ತವೆ.
ಅಪ್ಲಿಕೇಶನ್ ಕಾರ್ಯ
ನೀವು ನಿರ್ಮಿಸಿದ (ಅಥವಾ ಕಾಲ್ಪನಿಕ) ಮಾದರಿಯನ್ನು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರಿಸಲು ಮತ್ತು ನಾಲ್ಕು ಪಟ್ಟಿಗಳನ್ನು ಭರ್ತಿ ಮಾಡಲು ಹೊರಟಿರುವಂತೆ ಯೋಚಿಸಿ: (1) ಪೂರ್ವ ನಿಯೋಜನೆ ಪರಿಶೀಲನಾಪಟ್ಟಿ, (2) ನೀವು ಟ್ರ್ಯಾಕ್ ಮಾಡುವ ಡ್ರಿಫ್ಟ್ ಮೆಟ್ರಿಕ್ಗಳು, (3) ಗುಂಪು ಆಧಾರಿತ ನ್ಯಾಯೋಚಿತ ನಿಯಂತ್ರಣ ಯೋಜನೆ, (4) ಗೌಪ್ಯತೆ ನಿಯಂತ್ರಣ. ನಂತರ ಪ್ರಶ್ನೆಗೆ ಕಾಂಕ್ರೀಟ್ ಉತ್ತರವನ್ನು ಬರೆಯಿರಿ "ನಾಳೆ ಅದು ಮೌನವಾಗಿ ಮುರಿದರೆ ಮತ್ತು ಅದನ್ನು ಮರಳಿ ಪಡೆದರೆ ನಾನು ಹೇಗೆ ಗಮನಿಸುತ್ತೇನೆ?"
ಪರಿಶೀಲನಾಪಟ್ಟಿ
- [ ] ನಾನು ಮಾನಿಟರಿಂಗ್ (ಸ್ಲಿಪ್ ಅಲರ್ಟ್) ಮತ್ತು ರೋಲ್ಬ್ಯಾಕ್ ಯೋಜನೆಯೊಂದಿಗೆ ಮಾದರಿಯನ್ನು ನಿಯೋಜಿಸುತ್ತಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ವಿವಿಧ ಗುಂಪುಗಳಿಗೆ ನ್ಯಾಯೋಚಿತತೆ/ಕಾರ್ಯಕ್ಷಮತೆಯ ಅಂತರವನ್ನು ಪರಿಶೀಲಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ನಿರ್ಧಾರಗಳಲ್ಲಿ ಮಾನವ-ಇನ್-ದ-ಲೂಪ್ ಅನ್ನು ನಿರ್ವಹಿಸಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು KVKK/GDPR ತತ್ವಗಳೊಂದಿಗೆ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ರಕ್ಷಿಸಿದ್ದೇನೆ ಮತ್ತು ಅವುಗಳನ್ನು ತೆರೆದ ಪರಿಕರಗಳಿಂದ ದೂರವಿಟ್ಟಿದ್ದೇನೆಯೇ?
- [ ] ನಾನು ಮಾನವನ ಮೇಲೆ ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯನ್ನು ಹೊರಿಸಿದ್ದೇನೆಯೇ ಹೊರತು ಮಾದರಿಯಲ್ಲವೇ?
ಮಾಡ್ಯೂಲ್ ಪರೀಕ್ಷೆ
1. ದತ್ತಾಂಶ ವಿಜ್ಞಾನಿಯೊಬ್ಬರು ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಯನ್ನು ಕೇಳುತ್ತಾರೆ, "ಈ ಡೇಟಾದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯ ಎಷ್ಟು ನಿಖರವಾಗಿದೆ?" ಮಾದರಿಯನ್ನು ತರಬೇತಿ ಮಾಡದೆಯೇ, ಮತ್ತು ನೇರವಾಗಿ "89%" ಉತ್ತರವನ್ನು ಪ್ರಸ್ತುತಿಯಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಈ ವಿಧಾನದಲ್ಲಿ ಮೂಲಭೂತ ತಪ್ಪು ಏನು?
- ಎ) ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆಗೆ ಡೇಟಾ ಮತ್ತು ಮಾದರಿಗಳನ್ನು ನೀಡದೆ ಮೆಟ್ರಿಕ್ಗಳಿಗಾಗಿ ಕಾಯುವುದು; ಅದು ಉತ್ಪಾದಿಸುವ ಸಂಖ್ಯೆ ನಕಲಿ ಎಂದು ನಿರ್ಲಕ್ಷಿಸುವುದು ಮತ್ತು ನಿಜವಾದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷೆಯ ಮೂಲಕ ಮಾತ್ರ ಕಂಡುಹಿಡಿಯಬಹುದು ✔
- ಬಿ) ಯಾದೃಚ್ಛಿಕ ಅರಣ್ಯದ ಬದಲಿಗೆ ಲಾಜಿಸ್ಟಿಕ್ ರಿಗ್ರೆಶನ್ ಅನ್ನು ಬಳಸಬೇಕು
- ಸಿ) ನಿಖರತೆಯ ದರವು ಯಾವಾಗಲೂ 90% ಕ್ಕಿಂತ ಹೆಚ್ಚಿರಬೇಕು.
- ಡಿ) ಪ್ರಸ್ತುತಿಯಲ್ಲಿ ಮೆಟ್ರಿಕ್ಗಳನ್ನು ಸೇರಿಸುವುದನ್ನು ಕಟ್ಟುನಿಟ್ಟಾಗಿ ನಿಷೇಧಿಸಲಾಗಿದೆ
ವಿವರಣೆ: ಮಾದರಿ ಮತ್ತು ಡೇಟಾವನ್ನು ಪ್ರವೇಶಿಸದೆ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಉತ್ಪಾದಿಸಲು ಸಾಧ್ಯವಿಲ್ಲ; ಅವನು ನೀಡುವ ಸಂಖ್ಯೆಯು ಭ್ರಮೆಯಾಗಿದೆ (ಫ್ಯಾಬ್ರಿಕೇಟೆಡ್). ಮಾದರಿಯನ್ನು ವಾಸ್ತವವಾಗಿ ತರಬೇತಿ ಮತ್ತು ಪರೀಕ್ಷಿಸಿದ ನಂತರವೇ ಡೇಟಾ ವಿಜ್ಞಾನಿಗಳ ಸ್ವಂತ ಲೆಕ್ಕಾಚಾರದಿಂದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ಪಡೆಯಲಾಗುತ್ತದೆ. ಪರಿಶೀಲಿಸದ ಔಟ್ಪುಟ್ ಸಹಿ ಮಾಡದ ವರದಿಯಂತಿದೆ.
2. ಮಂಥನ ಮುನ್ಸೂಚನೆಗಾಗಿ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವಾಗ 'ಖಾತೆ ಮುಚ್ಚುವಿಕೆಗೆ ಕಾರಣ' ಕಾಲಮ್ ಅನ್ನು ಸೇರಿಸಲಾಗಿದೆ; ಗ್ರಾಹಕರು ಹೋದ ನಂತರವೇ ಈ ಅಂಕಣವನ್ನು ತುಂಬಲಾಗುತ್ತದೆ. ಮಾದರಿಯು ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ 97% ನೀಡುತ್ತದೆ, ಆದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಕೆಲಸ ಮಾಡುವುದಿಲ್ಲ. ಈ ಸ್ಥಿತಿಯ ಹೆಸರು ಮತ್ತು ಕಾರಣವೇನು?
- ಎ) ಅತಿಯಾದ ಕಲಿಕೆ; ಮಾದರಿಯು ತುಂಬಾ ಸಂಕೀರ್ಣವಾಗಿದೆ
- ಬಿ) ಡೇಟಾ ಸೋರಿಕೆ; ✔ ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಲಭ್ಯವಿಲ್ಲದ ಮಾಹಿತಿಯನ್ನು ಬಳಸುವುದು, ಆದರೆ ಗುರಿಯ ಫಲಿತಾಂಶವಾಗಿದೆ, ವೈಶಿಷ್ಟ್ಯವಾಗಿ
- ಸಿ) ಸಾಕಷ್ಟಿಲ್ಲದ ಕಲಿಕೆ; ಮಾದರಿ ತುಂಬಾ ಸರಳವಾಗಿದೆ
- ಡಿ) ಆಯ್ಕೆ ಪಕ್ಷಪಾತ; ಸಣ್ಣ ಮಾದರಿ ಗಾತ್ರ
ವಿವರಣೆ: ಇದು ಕ್ಲಾಸಿಕ್ ಡೇಟಾ ಸೋರಿಕೆಯಾಗಿದೆ: 'ಮುಚ್ಚುವ ಕಾರಣ' ಗುರಿಯ ಫಲಿತಾಂಶವಾಗಿದೆ ಮತ್ತು ಮುನ್ಸೂಚನೆಯ ಸಮಯದಲ್ಲಿ ಇನ್ನೂ ಖಾಲಿಯಾಗಿರುತ್ತದೆ. ಈ ಭವಿಷ್ಯದ ಜ್ಞಾನದೊಂದಿಗೆ ಮಾದರಿಯು ಟ್ರಿಕ್ ಮಾಡುತ್ತದೆ, ಇದು ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ ಉತ್ತಮವಾಗಿ ಕಾಣುತ್ತದೆ ಆದರೆ ಆ ಕಾಲಮ್ ಖಾಲಿಯಾಗಿರುವ ಕಾರಣ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಕ್ರ್ಯಾಶ್ ಆಗುತ್ತದೆ. ಪ್ರತಿ ಅಂಕಣಕ್ಕೂ 'ಭವಿಷ್ಯದ ಸಮಯದಲ್ಲಿ ನನ್ನ ಬಳಿ ಇದೆಯೇ' ಎಂಬ ಪ್ರಶ್ನೆಯನ್ನು ಕೇಳಬೇಕು.
3. ವಿಶ್ಲೇಷಕನು ಆದಾಯ ಕಾಲಮ್ನಲ್ಲಿ ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬುತ್ತಾನೆ; ಆದರೆ ಕಾಣೆಯಾದ ಜನರು ವಾಸ್ತವವಾಗಿ ಆದಾಯವನ್ನು ಘೋಷಿಸದ ಕಡಿಮೆ-ಆದಾಯದ ವಿಭಾಗಕ್ಕೆ ಸೇರಿದ್ದಾರೆ (ವ್ಯವಸ್ಥಿತ ಕಾಣೆಯಾಗಿದೆ). ಈ ಭರ್ತಿ ಏಕೆ ತಪ್ಪಾಗಿದೆ?
- ಎ) ಸರಾಸರಿ ಯಾವಾಗಲೂ ಸರಾಸರಿಗಿಂತ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ, ಆದ್ದರಿಂದ ಇದು ತಪ್ಪಾಗಿದೆ
- ಬಿ) ಕಾಣೆಯಾದ ಮೌಲ್ಯಗಳನ್ನು ಎಂದಿಗೂ ಭರ್ತಿ ಮಾಡಬಾರದು, ಅವುಗಳನ್ನು ಯಾವಾಗಲೂ ಅಳಿಸಬೇಕು
- ಸಿ) ವ್ಯವಸ್ಥಿತ ಅಂತರವನ್ನು ಸರಾಸರಿಯೊಂದಿಗೆ ತುಂಬುವುದು ಆ ಗುಂಪನ್ನು ಕೃತಕವಾಗಿ ಪ್ರತಿನಿಧಿಸುವ ಮೂಲಕ ಡೇಟಾವನ್ನು ವಿರೂಪಗೊಳಿಸುತ್ತದೆ; ‘ಯಾಕೆ ಖಾಲಿಯಾಗಿದೆ?’ ಎಂಬ ಪ್ರಶ್ನೆ ಕೇಳದೆಯೇ ಭರ್ತಿ ಮಾಡಲಾಯಿತು. ✔
- ಡಿ) ಸರಾಸರಿ ಲೆಕ್ಕಾಚಾರವು ಕಾರ್ಯಕ್ಷಮತೆಯ ಸಮಸ್ಯೆಯನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಏಕೆಂದರೆ ಅದು ತುಂಬಾ ನಿಧಾನವಾಗಿರುತ್ತದೆ
ವಿವರಣೆ: ಕೊರತೆಯ ಕಾರಣವು ಪರಿಹಾರವನ್ನು ನಿರ್ಧರಿಸುತ್ತದೆ. ವ್ಯವಸ್ಥಿತವಾಗಿ ಕಾಣೆಯಾದಾಗ (ಒಂದು ನಿರ್ದಿಷ್ಟ ಗುಂಪಿನಲ್ಲಿ ಕೇಂದ್ರೀಕೃತವಾಗಿರುವ ಅಂತರ) ಸರಾಸರಿಯಿಂದ ತುಂಬಿದಾಗ, ಆ ಗುಂಪು ಕೃತಕವಾಗಿ 'ಸರಾಸರಿ ಆದಾಯ' ಆಗುತ್ತದೆ ಮತ್ತು ಡೇಟಾ ವಿರೂಪಗೊಳ್ಳುತ್ತದೆ. ಅದನ್ನು ತುಂಬುವ ಮುನ್ನ ‘ಏಕೆ ಖಾಲಿಯಾಗಿದೆ’ ಎಂಬ ಪ್ರಶ್ನೆ ಕೇಳಬೇಕು; ವ್ಯವಸ್ಥಿತ/ಮಹತ್ವದ ಮಿಸ್ಸಿಂಗ್ ಮೀನ್ ಅನ್ನು ಭರ್ತಿ ಮಾಡಬಾರದು.
4. ಒಂದು ತಂಡವು 'ಜಾಹೀರಾತು ಖರ್ಚು' ಮತ್ತು 'ಮಾರಾಟ'ಗಳ ನಡುವೆ 0.78 ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಕಂಡುಕೊಳ್ಳುತ್ತದೆ ಮತ್ತು ಬಜೆಟ್ ಅನ್ನು ದ್ವಿಗುಣಗೊಳಿಸುತ್ತದೆ; ಆದಾಗ್ಯೂ, ವಾಸ್ತವವಾಗಿ ಎರಡನ್ನೂ ಪ್ರಚೋದಿಸುವುದು ಋತುಮಾನದ ಪ್ರಚಾರಗಳು. ಅಂಕಿಅಂಶಗಳಲ್ಲಿನ ಯಾವ ತತ್ವವು ಈ ದೋಷವನ್ನು ವಿವರಿಸುತ್ತದೆ?
- ಎ) ಪರಸ್ಪರ ಸಂಬಂಧವು ಕಾರಣವಲ್ಲ; ಗುಪ್ತ ಮೂರನೇ ವೇರಿಯೇಬಲ್ ಎರಡೂ ವೇರಿಯೇಬಲ್ಗಳ ಮೇಲೆ ಪರಿಣಾಮ ಬೀರುತ್ತಿರಬಹುದು ✔
- ಬಿ) 0.78 ರ ಪರಸ್ಪರ ಸಂಬಂಧವು ತುಂಬಾ ಕಡಿಮೆಯಿರುವುದರಿಂದ, ಸಂಬಂಧವನ್ನು ನಿರ್ಲಕ್ಷಿಸಬೇಕು
- ಸಿ) ಪರಸ್ಪರ ಸಂಬಂಧವು ಯಾವಾಗಲೂ ಕಾರಣವನ್ನು ಸಾಬೀತುಪಡಿಸುತ್ತದೆ, ತಂಡವು ಅದನ್ನು ಸರಿಯಾಗಿ ಪಡೆದುಕೊಂಡಿದೆ
- ಡಿ) ಜಾಹೀರಾತು ಮತ್ತು ಮಾರಾಟದ ನಡುವಿನ ಪರಸ್ಪರ ಸಂಬಂಧವನ್ನು ಗಣಿತದ ಮೂಲಕ ಲೆಕ್ಕ ಹಾಕಲಾಗುವುದಿಲ್ಲ.
ವಿವರಣೆ: ಪರಸ್ಪರ ಸಂಬಂಧವು ಕಾರಣವಲ್ಲ. ಎರಡು ಅಸ್ಥಿರಗಳು ಒಟ್ಟಿಗೆ ಕಾರ್ಯನಿರ್ವಹಿಸಬಹುದು ಏಕೆಂದರೆ ಗುಪ್ತ ಮೂರನೇ ವೇರಿಯಬಲ್ (ಇಲ್ಲಿ ಋತುಮಾನದ ಪ್ರಚಾರಗಳು) ಇವೆರಡನ್ನೂ ಪರಿಣಾಮ ಬೀರುತ್ತದೆ. ಪ್ರಯೋಗ ಮತ್ತು ಕ್ಷೇತ್ರ ಜ್ಞಾನದ ಮೂಲಕ ಮಾತ್ರ ಇನ್ನೊಂದು ಕಾರಣವನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ ಎಂಬ ತೀರ್ಮಾನವನ್ನು ಸ್ಥಾಪಿಸಬಹುದು; ಪರಸ್ಪರ ಸಂಬಂಧಗಳ ಸಂಖ್ಯೆ ಮಾತ್ರ ಕಾರಣದ ಪುರಾವೆಯಲ್ಲ.
5. ವಂಚನೆ ಪತ್ತೆ ಮಾದರಿಯು 99.2% ನಿಖರತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ ಮತ್ತು ತಂಡವು ಆಚರಿಸುತ್ತದೆ; ಆದಾಗ್ಯೂ, ಡೇಟಾದಲ್ಲಿನ ನಕಲಿ ವಹಿವಾಟು ದರವು ಕೇವಲ 0.8% ಮತ್ತು ಮಾದರಿಯ ಮರುಪಡೆಯುವಿಕೆ 6% ಆಗಿದೆ. ಈ ಟೇಬಲ್ ಏನು ತೋರಿಸುತ್ತದೆ?
- ಎ) ಮಾದರಿಯು ಪರಿಪೂರ್ಣವಾಗಿದೆ ಏಕೆಂದರೆ ನಿಖರತೆ 99% ಕ್ಕಿಂತ ಹೆಚ್ಚಿದೆ
- ಬಿ) ಅಸಮತೋಲಿತ ಡೇಟಾದೊಂದಿಗೆ ನಿಖರತೆಯು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ಮಾದರಿಯು ಬಹುತೇಕ ಎಲ್ಲಾ ನಕಲಿಗಳನ್ನು ತಪ್ಪಿಸುತ್ತದೆ (ಕಡಿಮೆ ಮರುಸ್ಥಾಪನೆ), ಸೂಕ್ತವಾದ ಮೆಟ್ರಿಕ್ ಅನ್ನು ನೋಡಬೇಕು ✔
- ಸಿ) ಮಾದರಿಯ ಹಿಂಪಡೆಯುವಿಕೆ ಹೆಚ್ಚಿರುವುದರಿಂದ ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ
- ಡಿ) ನಕಲಿ ದರ ಕಡಿಮೆ ಇದ್ದ ಕಾರಣ ಮಾದರಿ ನಿರ್ಮಿಸುವ ಅಗತ್ಯವಿರಲಿಲ್ಲ
ವಿವರಣೆ: ಅಸಮತೋಲಿತ ಡೇಟಾದಲ್ಲಿ 'ನಿಖರತೆ' ತಪ್ಪುದಾರಿಗೆಳೆಯುತ್ತಿದೆ. ಮಾದರಿಯು ಪ್ರತಿಯೊಂದು ವಹಿವಾಟನ್ನು 'ಕ್ಲೀನ್' ಎಂದು ಕರೆದಾಗ, ಅದು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಪಡೆಯುತ್ತದೆ ಏಕೆಂದರೆ ನಕಲಿಗಳು ಬಹಳ ಕಡಿಮೆ, ಆದರೆ ಇದು ನಕಲಿಗಳನ್ನು ಹಿಡಿಯಲು ವಿಫಲವಾಗಿದೆ, ಇದು ಅದರ ಮುಖ್ಯ ಉದ್ದೇಶವಾಗಿದೆ (6% ಮರುಪಡೆಯಿರಿ). ಆದ್ದರಿಂದ, ಅಸಮತೋಲಿತ ಸಮಸ್ಯೆಗಳಲ್ಲಿ, ಗಮನವು ನಿಖರತೆಯ ಮೇಲೆ ಅಲ್ಲ, ಆದರೆ ಮರುಸ್ಥಾಪನೆ/ನಿಖರತೆಯಂತಹ ಕೆಲಸದ ಉದ್ದೇಶಕ್ಕೆ ಸೂಕ್ತವಾದ ಗೊಂದಲದ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಮತ್ತು ಮೆಟ್ರಿಕ್ಗಳ ಮೇಲೆ ಕೇಂದ್ರೀಕರಿಸುತ್ತದೆ.
6. ಬೇಡಿಕೆಯ ಮುನ್ಸೂಚನೆ ಯೋಜನೆಯಲ್ಲಿ, ಸಮಯ-ಅವಲಂಬಿತ ಡೇಟಾವನ್ನು ಯಾದೃಚ್ಛಿಕವಾಗಿ ತರಬೇತಿ/ಪರೀಕ್ಷೆಯಾಗಿ ವಿಭಜಿಸಲಾಗುತ್ತದೆ. ಮಾದರಿಯು 93% ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ ಆದರೆ ಉತ್ಪಾದನೆಯಲ್ಲಿ ಕ್ರ್ಯಾಶ್ ಆಗುತ್ತದೆ. ಸರಿಯಾದ ವಿಭಜನೆಯ ವಿಧಾನ ಹೇಗಿರಬೇಕು?
- ಎ) ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ವಿಸ್ತರಿಸುವುದು, ಉದಾ. ವಿಭಜನೆ 50%/50%
- ಬಿ) ಹೆಚ್ಚು ಸಂಕೀರ್ಣ ಮಾದರಿಯನ್ನು ಬಳಸುವುದು
- ಸಿ) ವಿಭಾಗವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ತೆಗೆದುಹಾಕಿ ಮತ್ತು ಎಲ್ಲಾ ಡೇಟಾದೊಂದಿಗೆ ತರಬೇತಿ ನೀಡಿ
- D) ಕಾಲಾನುಕ್ರಮದ ವಿಭಜನೆ: ಹಳೆಯ ಅವಧಿಯೊಂದಿಗೆ ತರಬೇತಿ ಮತ್ತು ಹೊಸ ಅವಧಿಯೊಂದಿಗೆ ಪರೀಕ್ಷೆ, ಹೀಗೆ ಮಾದರಿಯು ಭವಿಷ್ಯವನ್ನು ನೋಡುವುದನ್ನು ತಡೆಯುತ್ತದೆ ✔
ವಿವರಣೆ: ಸಮಯ ಸರಣಿಯ ಡೇಟಾದಲ್ಲಿ ಯಾದೃಚ್ಛಿಕ ವಿಭಜನೆಯನ್ನು ಮಾಡಿದರೆ, ಮಾದರಿಯು ಭವಿಷ್ಯವನ್ನು ನೋಡುತ್ತದೆ ಮತ್ತು ತರಬೇತಿಯಲ್ಲಿ ಹಿಂದಿನದನ್ನು ಊಹಿಸುತ್ತದೆ; ಇದು ಸೋರಿಕೆಯಾಗಿದೆ ಮತ್ತು ವಾಸ್ತವವಾಗಿ ಅಸ್ತಿತ್ವದಲ್ಲಿಲ್ಲದ ಯಶಸ್ಸನ್ನು ಉಂಟುಮಾಡುತ್ತದೆ. ಸರಿಯಾದ ವಿಧಾನವೆಂದರೆ ಕಾಲಾನುಕ್ರಮದ ವಿಭಜನೆ: ಹಳೆಯ ಅವಧಿಯೊಂದಿಗೆ ತರಬೇತಿ ಮತ್ತು ಹೊಸ ಅವಧಿಯೊಂದಿಗೆ ಪರೀಕ್ಷೆ, ಉತ್ಪಾದನೆಯಲ್ಲಿ ನೈಜ ಪರಿಸ್ಥಿತಿಯನ್ನು ಅನುಕರಿಸುವುದು (ಹಿಂದಿನಿಂದ ಭವಿಷ್ಯದವರೆಗೆ ಊಹಿಸುವುದು).
7. ವೈಶಿಷ್ಟ್ಯ ಎಂಜಿನಿಯರಿಂಗ್ನಲ್ಲಿ ಯಾವ ಡೇಟಾದಿಂದ ಸ್ಕೇಲಿಂಗ್ (ಸ್ಟ್ಯಾಂಡರ್ಡ್ಸ್ಕೇಲರ್) ನಿಯತಾಂಕಗಳನ್ನು ಲೆಕ್ಕ ಹಾಕಬೇಕು ಮತ್ತು ಅವುಗಳನ್ನು ಹೇಗೆ ಅನ್ವಯಿಸಬೇಕು?
- ಎ) ಇದನ್ನು ಎಲ್ಲಾ ಡೇಟಾದಿಂದ (ತರಬೇತಿ + ಪರೀಕ್ಷೆ ಒಟ್ಟಿಗೆ) ಲೆಕ್ಕ ಹಾಕಬೇಕು ಇದರಿಂದ ಅದು ಹೆಚ್ಚು ನಿಖರವಾಗಿರುತ್ತದೆ
- ಬಿ) ಪ್ರತಿ ಸಾಲಿಗೆ ಆ ಸಾಲಿನ ಸ್ವಂತ ಮೌಲ್ಯದಿಂದ ಪ್ರತ್ಯೇಕವಾಗಿ ಲೆಕ್ಕ ಹಾಕಬೇಕು
- ಸಿ) ಪರೀಕ್ಷಾ ಡೇಟಾದಿಂದ ಮಾತ್ರ ಲೆಕ್ಕ ಹಾಕಬೇಕು
- ಡಿ) ಇದನ್ನು ತರಬೇತಿ ಡೇಟಾದಿಂದ ಮಾತ್ರ ಲೆಕ್ಕ ಹಾಕಬೇಕು, ನಂತರ ಅದೇ ನಿಯತಾಂಕಗಳನ್ನು ಪರೀಕ್ಷಾ ಡೇಟಾಗೆ ಅನ್ವಯಿಸಬೇಕು; ಇಲ್ಲದಿದ್ದರೆ ಅದು ಸೋರಿಕೆಯಾಗುತ್ತದೆ ✔
ವಿವರಣೆ: ಸ್ಕೇಲಿಂಗ್, ಎನ್ಕೋಡಿಂಗ್ ಮತ್ತು ಪ್ಯಾಡಿಂಗ್ನಂತಹ ಎಲ್ಲಾ ರೂಪಾಂತರಗಳ (ಸರಾಸರಿ, ಪ್ರಮಾಣಿತ ವಿಚಲನ, ಇತ್ಯಾದಿ) ನಿಯತಾಂಕಗಳನ್ನು ತರಬೇತಿ ಡೇಟಾದಿಂದ ಮಾತ್ರ ಕಲಿಯಬೇಕು, ನಂತರ ಅದನ್ನು ಪರೀಕ್ಷಾ ಡೇಟಾಗೆ ಅನ್ವಯಿಸಬೇಕು. ಪರೀಕ್ಷಾ ಡೇಟಾವನ್ನು ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳುವುದರಿಂದ ಪರೀಕ್ಷಾ ಮಾಹಿತಿಯು ತರಬೇತಿಗೆ ಅಡ್ಡಿಪಡಿಸುತ್ತದೆ, ಅಂದರೆ ಸೋರಿಕೆ, ಮತ್ತು ಮಾದರಿಯು ಅದಕ್ಕಿಂತ ಉತ್ತಮವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡುತ್ತದೆ. ಪೈಪ್ಲೈನ್ ಅನ್ನು ಬಳಸುವುದು ಇದನ್ನು ಖಚಿತಪಡಿಸುತ್ತದೆ.
8. ಮಾದರಿಯು ತರಬೇತಿ ಸೆಟ್ನಲ್ಲಿ 98% ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ ಮತ್ತು ಪರೀಕ್ಷಾ ಸೆಟ್ನಲ್ಲಿ 72% ನಿಖರತೆಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ರೋಗಲಕ್ಷಣವು ಏನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಏನು ಮಾಡಬೇಕು?
- ಎ) ಸಾಕಷ್ಟು ಕಲಿಕೆಯ ಕೊರತೆ; ಮಾದರಿಯನ್ನು ಹೆಚ್ಚು ಸಂಕೀರ್ಣಗೊಳಿಸಬೇಕು
- ಬಿ) ಡೇಟಾ ಸೋರಿಕೆ; ಪರೀಕ್ಷಾ ಸೆಟ್ ಅನ್ನು ಬದಲಾಯಿಸಬೇಕು
- ಸಿ) ಓವರ್ ಫಿಟ್ಟಿಂಗ್; ಮಾದರಿಯನ್ನು ಸರಳಗೊಳಿಸಬೇಕು, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವನ್ನು ಅನ್ವಯಿಸಬೇಕು ✔
- ಡಿ) ಸಾಮಾನ್ಯ ಪರಿಸ್ಥಿತಿ; ಶಿಕ್ಷಣ ಸ್ಕೋರ್ ಯಾವಾಗಲೂ ಹೆಚ್ಚಾಗಿರುತ್ತದೆ, ಮುನ್ನೆಚ್ಚರಿಕೆಗಳು ಅನಗತ್ಯ
ವಿವರಣೆ: ತರಬೇತಿಯಲ್ಲಿ ಅತಿ ಹೆಚ್ಚು ಸ್ಕೋರ್ ಮತ್ತು ಪರೀಕ್ಷೆಯಲ್ಲಿ ಗಣನೀಯವಾಗಿ ಕಡಿಮೆ ಸ್ಕೋರ್ ಅತಿಯಾದ ಫಿಟ್ಟಿಂಗ್ನ ಒಂದು ಶ್ರೇಷ್ಠ ಲಕ್ಷಣವಾಗಿದೆ: ಮಾದರಿಯು ನೈಜ ಮಾದರಿಗಿಂತ ತರಬೇತಿ ಡೇಟಾದ ಶಬ್ದವನ್ನು ಕಂಠಪಾಠ ಮಾಡಿದೆ. ಪರಿಹಾರಗಳು ಮಾದರಿಯನ್ನು ಸರಳಗೊಳಿಸುವುದು, ಹೆಚ್ಚಿನ ಡೇಟಾ, ಕ್ರಮಬದ್ಧಗೊಳಿಸುವಿಕೆ ಮತ್ತು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನದೊಂದಿಗೆ ಸ್ಥಿತಿಯನ್ನು ಪರಿಶೀಲಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಶಿಕ್ಷಣದ ಅಂಕಗಳ ಮೇಲೆ ಮಾತ್ರ ಅವಲಂಬಿತರಾಗಿರುವುದು ಈ ಅಪಾಯವನ್ನು ಮರೆಮಾಚುತ್ತದೆ.
9. ನಿರ್ವಹಣಾ ಪ್ರಸ್ತುತಿಯಲ್ಲಿ, 1,000 ರಿಂದ 1,020 ಕ್ಕೆ ಮಾರಾಟವನ್ನು ಹೆಚ್ಚಿಸುವ ಬಾರ್ ಚಾರ್ಟ್ನ y-ಅಕ್ಷವು ಹೆಚ್ಚಳವನ್ನು ದೊಡ್ಡದಾಗಿ ಕಾಣುವಂತೆ ಮಾಡಲು 980 ನಲ್ಲಿ ಪ್ರಾರಂಭಿಸಲಾಗಿದೆ. ನಿಜವಾದ ಹೆಚ್ಚಳವು 2% ಆಗಿದೆ. ಇದು ನೈತಿಕ ಸಮಸ್ಯೆ ಏಕೆ?
- ಎ) ಮೊಟಕುಗೊಳಿಸಿದ ವೈ-ಅಕ್ಷವು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ಸಣ್ಣ ವ್ಯತ್ಯಾಸವನ್ನು ಉತ್ಪ್ರೇಕ್ಷಿಸುತ್ತದೆ ಮತ್ತು ವೀಕ್ಷಕರನ್ನು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ; ನ್ಯಾಯಸಮ್ಮತತೆಗಾಗಿ, ಹೋಲಿಕೆ ಬಾರ್ಗಳಲ್ಲಿನ ಅಕ್ಷವು 0 ✔ ರಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು
- ಬಿ) ಬಾರ್ ಚಾರ್ಟ್ಗಳನ್ನು ಮಾರಾಟದ ಡೇಟಾಕ್ಕಾಗಿ ಎಂದಿಗೂ ಬಳಸಲಾಗುವುದಿಲ್ಲ
- ಸಿ) ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ; ಚಾರ್ಟ್ ಅನ್ನು ಆಕರ್ಷಕವಾಗಿ ಕಾಣುವಂತೆ ಮಾಡುವುದು ಯಾವಾಗಲೂ ಒಳ್ಳೆಯದು
- D) Y- ಅಕ್ಷವು ಯಾವಾಗಲೂ ಡೇಟಾದ ದೊಡ್ಡ ಮೌಲ್ಯದಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು
ವಿವರಣೆ: ತುಲನಾತ್ಮಕ ಉದ್ದೇಶಗಳಿಗಾಗಿ ಬಾರ್ ಚಾರ್ಟ್ಗಳಲ್ಲಿ, y-ಅಕ್ಷವು ಸಾಮಾನ್ಯವಾಗಿ 0 ರಿಂದ ಪ್ರಾರಂಭವಾಗಬೇಕು. ಅಕ್ಷವನ್ನು ಕತ್ತರಿಸುವುದು ಮತ್ತು 980 ರಿಂದ ಪ್ರಾರಂಭವಾಗುವುದು ಸಣ್ಣ 2% ವ್ಯತ್ಯಾಸವನ್ನು ದೃಷ್ಟಿಗೋಚರವಾಗಿ ದೊಡ್ಡದಾಗಿ ತೋರುತ್ತದೆ ಮತ್ತು ವೀಕ್ಷಕರನ್ನು ದಾರಿ ತಪ್ಪಿಸುತ್ತದೆ. ಡೇಟಾ ವೃತ್ತಿಪರರ ನೈತಿಕ ಹೊಣೆಗಾರಿಕೆಯು ಡೇಟಾವನ್ನು ಅತಿಯಾಗಿ ಹೇಳದ ಅಥವಾ ಕಡಿಮೆ ಅಂದಾಜು ಮಾಡದ ಪ್ರಾಮಾಣಿಕ ಗ್ರಾಫ್ಗಳನ್ನು ಸೆಳೆಯುವುದು.
10. ಉತ್ಪನ್ನ ಕೋಷ್ಟಕದೊಂದಿಗೆ ಆದೇಶಗಳನ್ನು ಸೇರಿದ ನಂತರ ವಿಶ್ಲೇಷಕರು ಒಟ್ಟು ವಹಿವಾಟನ್ನು 3 ಬಾರಿ ಕಂಡುಕೊಳ್ಳುತ್ತಾರೆ; ಸಾಲುಗಳ ಸಂಖ್ಯೆ 240 ಸಾವಿರದಿಂದ 690 ಸಾವಿರಕ್ಕೆ ಏರಿತು. ಈ ಮೂಕ ದೋಷವನ್ನು ತಡೆಯಲು ಏನು ಮಾಡಬೇಕಿತ್ತು?
- ಎ) ಒಟ್ಟು ವಹಿವಾಟನ್ನು 3 ರಿಂದ ಭಾಗಿಸಿ
- B) ಯಾವಾಗಲೂ JOIN ಬದಲಿಗೆ ಪ್ರತ್ಯೇಕ ಪ್ರಶ್ನೆಗಳನ್ನು ಬಳಸಿ
- ಸಿ) ಉತ್ಪನ್ನ ಕೋಷ್ಟಕವನ್ನು ಸಂಪೂರ್ಣವಾಗಿ ಅಳಿಸುವುದು
- ಡಿ) ವಿಲೀನ/ಸೇರುವಿಕೆಯ ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಅವುಗಳನ್ನು ಸರಿಯಾದ ಕೀಲಿಯಿಂದ ಸೇರಲಾಗಿದೆಯೇ ಎಂದು ಪರಿಶೀಲಿಸುವುದು; ಪ್ರತಿಕೃತಿಯನ್ನು ಮೊದಲೇ ಹಿಡಿಯಲಾಗುತ್ತಿದೆ ✔
ವಿವರಣೆ: ಉತ್ಪನ್ನದ ಕೋಷ್ಟಕದಲ್ಲಿ ಪ್ರತಿ ಉತ್ಪನ್ನಕ್ಕೆ (ವಿಭಿನ್ನ ಬಣ್ಣ, ಉದಾಹರಣೆಗೆ) ಬಹು ಸಾಲುಗಳಿರುವಾಗ, ತಪ್ಪಾದ ಕೀ ಮೂಲಕ ಸೇರಿಕೊಳ್ಳುವುದು ಪ್ರತಿ ಆದೇಶವನ್ನು ನಕಲು ಮಾಡುತ್ತದೆ ಮತ್ತು ಮೊತ್ತವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಕೋಡ್ ದೋಷಗಳಿಲ್ಲದೆ ಚಲಿಸುತ್ತದೆ ಆದರೆ ಫಲಿತಾಂಶವು ತಪ್ಪಾಗಿದೆ. ಇದನ್ನು ತಪ್ಪಿಸುವ ಮಾರ್ಗವೆಂದರೆ ಪ್ರತಿ ವಿಲೀನ/ಸೇರುವಿಕೆಯ ನಂತರ ಸಾಲುಗಳ ಸಂಖ್ಯೆಯನ್ನು ಪರಿಶೀಲಿಸುವುದು ಮತ್ತು ಸರಿಯಾದ ಕೀಲಿಯೊಂದಿಗೆ ವಿಲೀನಗೊಳಿಸುವುದು.
11. ನೇಮಕಾತಿ ಸ್ಕ್ರೀನಿಂಗ್ ಮಾದರಿಯು ಐತಿಹಾಸಿಕ ಡೇಟಾದಲ್ಲಿ ಲಿಂಗ ಅಸಮತೋಲನದ ಬಗ್ಗೆ ಮತ್ತು ವ್ಯವಸ್ಥಿತವಾಗಿ ಮಹಿಳಾ ಅಭ್ಯರ್ಥಿಗಳ ಅಂಕಗಳ ಅಡಿಯಲ್ಲಿ ಕಲಿಯುತ್ತದೆ, ಆದರೆ ಅದರ ಒಟ್ಟಾರೆ ನಿಖರತೆ ಹೆಚ್ಚು. ಇದರ ಅರ್ಥವೇನು?
- ಎ) ಮಾದರಿಯು ಹೆಚ್ಚಿನ ನಿಖರತೆಯನ್ನು ಹೊಂದಿರುವುದರಿಂದ ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ
- ಬಿ) ಅಂಕಿಅಂಶಗಳ ನಿಖರತೆಯು ನೈತಿಕ ಸ್ವೀಕಾರಾರ್ಹತೆಗೆ ಬದಲಿಯಾಗಿಲ್ಲ; ಮಾದರಿಯು ಹಿಂದಿನ ತಾರತಮ್ಯದ ಬಗ್ಗೆ ಕಲಿತಿದೆ, ಗುಂಪು ಆಧಾರಿತ ನ್ಯಾಯೋಚಿತ ಪರಿಶೀಲನೆ ಅಗತ್ಯವಿದೆ ✔
- ಸಿ) ಮಾದರಿಯ ನಿಖರತೆಯನ್ನು ಮತ್ತಷ್ಟು ಹೆಚ್ಚಿಸುವುದು ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುತ್ತದೆ
- ಡಿ) ನ್ಯಾಯೋಚಿತತೆಯು ಡೇಟಾ ವಿಜ್ಞಾನದ ವ್ಯಾಪ್ತಿಯಿಂದ ಹೊರಗಿದೆ
ವಿವರಣೆ: ಒಂದು ಮಾದರಿಯು ಸಂಖ್ಯಾಶಾಸ್ತ್ರೀಯವಾಗಿ ಸರಿಯಾಗಿದ್ದರೂ, ಅದು ನೈತಿಕವಾಗಿ ಸ್ವೀಕಾರಾರ್ಹವಲ್ಲ. ಮಾದರಿಯು ಹಿಂದಿನ ಡೇಟಾದಲ್ಲಿನ ಅನ್ಯಾಯವನ್ನು ಕಲಿಯುತ್ತದೆ ಮತ್ತು ತಾರತಮ್ಯವನ್ನು ಸ್ವಯಂಚಾಲಿತಗೊಳಿಸುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸಮಗ್ರತೆಯು ನ್ಯಾಯಕ್ಕೆ ಪರ್ಯಾಯವಲ್ಲ; ಹೆಚ್ಚಿನ ಪ್ರಭಾವದ ಮಾದರಿಗಳಲ್ಲಿ, ವಿಭಿನ್ನ ಗುಂಪುಗಳಿಗೆ ಕಾರ್ಯಕ್ಷಮತೆ/ನಿರ್ಧಾರದ ವ್ಯತ್ಯಾಸವನ್ನು ಅಳೆಯುವ ನ್ಯಾಯೋಚಿತ ನಿಯಂತ್ರಣವು ಅತ್ಯಗತ್ಯವಾಗಿರುತ್ತದೆ ಮತ್ತು ಅಂತಿಮ ಜವಾಬ್ದಾರಿಯು ಮಾನವನ ಮೇಲಿರುತ್ತದೆ.
12. ಉದ್ಯೋಗಿಯು ನೈಜ ಗ್ರಾಹಕ ಇಮೇಲ್ಗಳು ಮತ್ತು ಖರೀದಿ ಇತಿಹಾಸವನ್ನು ಒಳಗೊಂಡಿರುವ ಫೈಲ್ ಅನ್ನು ಸಾರ್ವಜನಿಕ AI ಉಪಕರಣಕ್ಕೆ ಅಪ್ಲೋಡ್ ಮಾಡುತ್ತಾನೆ ಮತ್ತು 'ವಿಭಾಗಗಳನ್ನು ಸಾರಾಂಶಗೊಳಿಸಿ' ಎಂದು ಹೇಳುತ್ತಾನೆ. ಇದು ಏಕೆ ಗಂಭೀರ ತಪ್ಪು ಮತ್ತು ಸರಿಯಾದ ಮಾರ್ಗ ಯಾವುದು?
- ಎ) ಯಾವುದೇ ಸಮಸ್ಯೆ ಇಲ್ಲ; AI ಉಪಕರಣಗಳು ಎಂದಿಗೂ ಡೇಟಾವನ್ನು ಸಂಗ್ರಹಿಸುವುದಿಲ್ಲ
- ಬಿ) ದೋಷವೆಂದರೆ ಫೈಲ್ ತುಂಬಾ ದೊಡ್ಡದಾಗಿದೆ; ಕಡಿಮೆ ಮಾಡಬೇಕಿತ್ತು
- ಸಿ) ತೆರೆದ ಸಾಧನಕ್ಕೆ ನೈಜ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು ಒದಗಿಸುವುದು KVKK/GDPR ಉಲ್ಲಂಘನೆಯಾಗಿದೆ; ಗುರುತಿನ ಕ್ಷೇತ್ರಗಳನ್ನು ತೆಗೆದುಹಾಕಬೇಕು ಮತ್ತು ಅನಾಮಧೇಯ ಸ್ಕೀಮಾ/ಆಸ್ತಿಯನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳಬೇಕು ✔
- ಡಿ) ಕೇವಲ ಎಕ್ಸೆಲ್ ಬದಲಿಗೆ CSV ಬಳಸಬೇಕಿತ್ತು
ವಿವರಣೆ: ಸಾರ್ವಜನಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಕೃತಕ ಬುದ್ಧಿಮತ್ತೆ ಸಾಧನಕ್ಕೆ ನೈಜ ವೈಯಕ್ತಿಕ ಡೇಟಾವನ್ನು (ಇ-ಮೇಲ್, ಹೆಸರು, ಇತ್ಯಾದಿ) ನೀಡಿದಾಗ, KVKK / GDPR ವ್ಯಾಪ್ತಿಯಲ್ಲಿ ಗೌಪ್ಯತೆಯ ಉಲ್ಲಂಘನೆ ಇರುತ್ತದೆ; ಡೇಟಾ ಸಂಸ್ಥೆಯನ್ನು ಬಿಡುತ್ತದೆ. ಹೆಚ್ಚಿನ ಸಮಯ, ರೇಖಾಚಿತ್ರ ಮತ್ತು ಅನಾಮಧೇಯ/ಸಂಶ್ಲೇಷಿತ ಮಾದರಿಯು ವಿಶ್ಲೇಷಣೆಗೆ ಸಾಕಾಗುತ್ತದೆ. ಗುರುತಿನ ಕ್ಷೇತ್ರಗಳನ್ನು ತೆಗೆದುಹಾಕುವುದು ಮತ್ತು ಅನಾಮಧೇಯ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಮಾತ್ರ ಹಂಚಿಕೊಳ್ಳುವುದು ಸರಿಯಾದ ಮಾರ್ಗವಾಗಿದೆ.
13. ಶಿಫಾರಸ್ಸು ಮಾದರಿಯನ್ನು ಉತ್ಪಾದನೆಯಲ್ಲಿ ಇರಿಸಲಾಗಿದೆ ಆದರೆ ಟ್ರ್ಯಾಕಿಂಗ್ ಅನ್ನು ಸ್ಥಾಪಿಸಲಾಗಿಲ್ಲ; 4 ತಿಂಗಳ ನಂತರ ಉತ್ಪನ್ನ ಕ್ಯಾಟಲಾಗ್ ಬದಲಾದಾಗ, ಮಾದರಿಯು ಹಳೆಯ ಉತ್ಪನ್ನಗಳನ್ನು ಶಿಫಾರಸು ಮಾಡುವುದನ್ನು ಮುಂದುವರೆಸುತ್ತದೆ ಮತ್ತು ಪರಿವರ್ತನೆ ದರವು ಮೌನವಾಗಿ 30% ರಷ್ಟು ಇಳಿಯುತ್ತದೆ. ಈ ವಿದ್ಯಮಾನದ ಹೆಸರೇನು?
- ಎ) ಅತಿಯಾದ ಕಲಿಕೆ; ಮಾದರಿಯು ತರಬೇತಿ ಸೆಟ್ ಅನ್ನು ನೆನಪಿಟ್ಟುಕೊಳ್ಳುತ್ತದೆ
- ಬಿ) ಮಾದರಿ ಡ್ರಿಫ್ಟ್; ಪ್ರಪಂಚವು ಬದಲಾದಂತೆ, ಮಾನಿಟರಿಂಗ್ ಅನ್ನು ಸ್ಥಾಪಿಸದ ಕಾರಣ ಮಾದರಿಯು ಮೌನವಾಗಿ ಬಳಕೆಯಲ್ಲಿಲ್ಲ, ಗಮನಿಸುವುದಿಲ್ಲ ✔
- ಸಿ) ಆಯ್ಕೆ ಪಕ್ಷಪಾತ; ಮಾದರಿ ಪಕ್ಷಪಾತ
- ಡಿ) ಡೇಟಾ ಕಡಿಮೆಗೊಳಿಸುವಿಕೆ ಉಲ್ಲಂಘನೆ
ವಿವರಣೆ: ಇದು ಮಾದರಿ ಡ್ರಿಫ್ಟ್ (ಮಾದರಿ/ಡೇಟಾ ಡ್ರಿಫ್ಟ್): ಪ್ರಪಂಚವು ಬದಲಾದಾಗ (ಕ್ಯಾಟಲಾಗ್, ನಡವಳಿಕೆ, ಋತು) ಮಾದರಿಯು ತರಬೇತಿ ಪಡೆದ ಪರಿಸ್ಥಿತಿಗಳು ಬದಲಾಗುತ್ತವೆ ಮತ್ತು ಮಾದರಿಯು ಮೌನವಾಗಿ ಒಡೆಯುತ್ತದೆ. ಉತ್ಪಾದನೆಗೆ ಹಾಕಲಾದ ಮಾದರಿಯು ತನ್ನದೇ ಆದ ಮೇಲೆ ಹದಗೆಡುತ್ತದೆ; ಇದು 'ಯಾವಾಗ' ಎಂಬ ವಿಷಯ. ಮೇಲ್ವಿಚಾರಣೆ ಇಲ್ಲದೆ ನಿಯೋಜನೆ (ಟ್ರ್ಯಾಕಿಂಗ್ ಇನ್ಪುಟ್ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆ) ಅವನತಿಯನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಅಸಾಧ್ಯವಾಗುತ್ತದೆ.
14. ಒಂದೇ ತರಬೇತಿ/ಪರೀಕ್ಷೆಯ ವಿಭಜನೆಯಲ್ಲಿ 88% ನಿಖರತೆಯನ್ನು ಪಡೆಯುವ ಮಾದರಿಯು 88%, 71%, 83%, 64%, 79% ರ 5-ಪಟ್ಟು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಸ್ಕೋರ್ಗಳನ್ನು ಹೊಂದಿದೆ. ಇದು ಏನನ್ನು ಸೂಚಿಸುತ್ತದೆ ಮತ್ತು ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಏಕೆ ಮುಖ್ಯವಾಗಿದೆ?
- ಎ) ಮಾದರಿ ಸ್ಥಿರವಾಗಿದೆ; 88% ನೈಜ ಕಾರ್ಯಕ್ಷಮತೆಯಾಗಿದೆ
- ಬಿ) ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನ ಅನಗತ್ಯ; ಒಂದು ಕಂಪಾರ್ಟ್ಮೆಂಟ್ ಸಾಕು
- ಸಿ) ಅಂಕಗಳ ದೊಡ್ಡ ಚಂಚಲತೆಯು ಮಾದರಿಯು ಅಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ; ಅಡ್ಡ-ಮೌಲ್ಯಮಾಪನವು ಬಹು ಬಿನ್ಗಳ ಸರಾಸರಿ ಮತ್ತು ವಿತರಣೆಯ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಆಧರಿಸಿದೆ, ಒಂದೇ ಒಂದು ಲಕ್ಕಿ ಬಿನ್ ಅಲ್ಲ ✔
- ಡಿ) ಅತ್ಯಧಿಕ ಸ್ಕೋರ್ (88%) ವರದಿ ಮಾಡುವುದು ಉತ್ತಮ
ವಿವರಣೆ: ಒಂದೇ ವಿಭಾಗವು ಅದೃಷ್ಟ ಅಥವಾ ದುರದೃಷ್ಟಕರವಾಗಿರಬಹುದು; 88% ಆ ಸುಲಭ ವಿಭಜನೆಯ ಫಲಿತಾಂಶವಾಗಿದೆ. ಕ್ರಾಸ್-ಮೌಲ್ಯಮಾಪನವು ಡೇಟಾವನ್ನು ಅನೇಕ ಬಾರಿ ವಿಭಜಿಸುತ್ತದೆ, ಸರಾಸರಿ (ಇಲ್ಲಿ ~77%) ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಆಧರಿಸಿದೆ ಮತ್ತು ಅಂಕಗಳ ಚಂಚಲತೆಯನ್ನು ತೋರಿಸುತ್ತದೆ. ಇಲ್ಲಿ ಹೆಚ್ಚಿನ ಚಂಚಲತೆಯು ಮಾದರಿಯು ಅಸ್ಥಿರವಾಗಿದೆ ಎಂದು ಸೂಚಿಸುತ್ತದೆ; ಒಂದೇ ಕಂಪಾರ್ಟ್ಮೆಂಟ್ ಅನ್ನು ಅವಲಂಬಿಸಿರುವುದು ದಾರಿತಪ್ಪಿಸುತ್ತದೆ.