പുനരുൽപ്പാദനക്ഷമതയും സുതാര്യമായ ഗവേഷണവും

നേട്ടങ്ങൾ:

• രീതിശാസ്ത്രപരമായ തീരുമാനങ്ങൾ, നിർദ്ദേശങ്ങൾ, മോഡൽ വിവരങ്ങൾ എന്നിവ രേഖപ്പെടുത്തി ഗവേഷണം കണ്ടെത്താനുള്ള കഴിവ്
• പ്രോസസ്സ് ചെയ്ത ഡാറ്റയിൽ നിന്ന് റോ ഡാറ്റ വേർതിരിക്കാനും എല്ലാ പരിവർത്തന ഘട്ടങ്ങളും രേഖപ്പെടുത്താനുമുള്ള കഴിവ്
• മെത്തേഡ് വിഭാഗത്തിൽ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസിൻ്റെ പങ്ക് സുതാര്യമായി പ്രഖ്യാപിക്കാനും 'ഇത് പുനരുൽപ്പാദിപ്പിക്കാൻ കഴിയുമോ' ടെസ്റ്റ് പ്രയോഗിക്കാനും കഴിയും

ശാസ്ത്രത്തിൻ്റെ ഏറ്റവും അടിസ്ഥാനപരമായ സവിശേഷത ഒരു കണ്ടെത്തൽ ഒരു വ്യക്തിയുടെ വാക്കിനെ അടിസ്ഥാനമാക്കിയുള്ളതല്ല, മറിച്ച് മറ്റുള്ളവർക്ക് പരിശോധിക്കാൻ കഴിയുന്ന ഒരു പ്രക്രിയയെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് എന്നതാണ്. പുനരുൽപാദനക്ഷമത എന്നത് മറ്റൊരു ഗവേഷകൻ്റെ, ഒരു പഠനത്തിൻ്റെ ഡാറ്റയും രീതിയും എടുത്ത്, അതേ ഘട്ടങ്ങൾ പിന്തുടർന്ന് അതേ ഫലത്തിൽ എത്തിച്ചേരാനുള്ള കഴിവാണ്. സമാനമായ ഒരു ആശയം സുതാര്യതയാണ്: ഗവേഷകൻ താൻ എന്താണ് ചെയ്തതെന്നും എന്തുകൊണ്ടാണ് അവൻ ഏത് തീരുമാനമെടുത്തതെന്നും വ്യക്തമായി രേഖപ്പെടുത്തുന്നു. AI യുഗത്തിൽ, ഈ രണ്ട് ആശയങ്ങളും എളുപ്പവും കൂടുതൽ നിർണായകവുമാണ്. എളുപ്പം, കാരണം AI ഡോക്യുമെൻ്റ് പ്രക്രിയകളെ സഹായിക്കുന്നു; നിർണ്ണായകമാണ്, കാരണം നിങ്ങൾ AI-യുടെ തീരുമാനങ്ങളുടെ ഒരു സൂചനയും അവശേഷിപ്പിച്ചില്ലെങ്കിൽ, ആർക്കും - നിങ്ങൾക്ക് പോലും - നിങ്ങളുടെ ജോലി പുനർനിർമ്മിക്കാൻ കഴിയില്ല. ഈ യൂണിറ്റിൽ നിങ്ങളുടെ ഗവേഷണം എങ്ങനെ പുനർനിർമ്മിക്കാവുന്നതും സുതാര്യവുമാക്കാമെന്ന് നിങ്ങൾ പഠിക്കും.

പ്രശ്‌നത്തിൻ്റെ കാതൽ ഇതാണ്: നിങ്ങൾ AI-യുമായി പ്രവർത്തിക്കുമ്പോൾ, നിങ്ങൾ ധാരാളം ചെറിയ തീരുമാനങ്ങൾ എടുക്കുന്നു - ഏത് നിർദ്ദേശമാണ് നിങ്ങൾ ഉപയോഗിച്ചത്, ഏത് മോഡൽ, ഏത് ക്രമീകരണങ്ങൾ, ഏത് ഔട്ട്‌പുട്ട് നിങ്ങൾ സ്വീകരിച്ചു, നിങ്ങൾ നിരസിച്ചു. ഈ തീരുമാനങ്ങൾ ഡോക്യുമെൻ്റ് ചെയ്തിട്ടില്ലെങ്കിൽ, നിങ്ങൾ മറ്റൊരു ദിവസം ഒരേ പ്രോംപ്റ്റ് പ്രവർത്തിപ്പിക്കുമ്പോൾ നിങ്ങൾക്ക് മറ്റൊരു ഔട്ട്പുട്ട് ലഭിച്ചേക്കാം (ഭാഷാ മോഡലുകൾ എല്ലാ സമയത്തും ഒരേ പ്രതികരണം നൽകുന്നില്ല). "നിങ്ങൾ എങ്ങനെയാണ് ഈ തീം വിശകലനത്തിൽ എത്തിച്ചേർന്നത്" എന്ന് ഒരു നിരൂപകനോ സഹപ്രവർത്തകനോ ചോദിക്കുമ്പോൾ, "AI അങ്ങനെ പറഞ്ഞു" എന്നത് ശാസ്ത്രീയമായ ഉത്തരമല്ല. ഈ "ബ്ലാക്ക് ബോക്‌സ്" തുറന്ന് ഈ പ്രക്രിയയെ കണ്ടെത്താനാകുന്ന തരത്തിലാണ് സുതാര്യത.

ഘട്ടം ഘട്ടമായി: കണ്ടെത്താവുന്ന ഗവേഷണം സ്ഥാപിക്കുക

1. ഒരു തീരുമാന ഡയറി സൂക്ഷിക്കുക. എല്ലാ പ്രധാനപ്പെട്ട രീതിശാസ്ത്രപരമായ തീരുമാനങ്ങളും-എന്തുകൊണ്ട് ഈ സാമ്പിൾ, എന്തുകൊണ്ട് ഈ കോഡ്, എന്തുകൊണ്ടാണ് നിങ്ങൾ ഈ AI നിർദ്ദേശം സ്വീകരിച്ചത്-ഒരു തീയതി രേഖപ്പെടുത്തിയ ജേണലിൽ എഴുതുക. ഈ ലോഗ് സംഘടിപ്പിക്കാൻ AI സഹായിക്കുന്നു.

2. പ്രോംപ്റ്റുകളും മോഡൽ വിവരങ്ങളും സംരക്ഷിക്കുക. നിങ്ങൾ ഉപയോഗിച്ച ഓരോ പ്രോംപ്റ്റിൻ്റെയും റെക്കോർഡ് സൂക്ഷിക്കുക, ഏത് AI മോഡലിലാണ് നിങ്ങൾ അത് പ്രവർത്തിപ്പിച്ചത്, ഏത് തീയതിയിലാണ്. ഇതാണ് നിങ്ങളുടെ ജോലിക്കുള്ള "മെറ്റീരിയൽ ലിസ്റ്റ്".

3. പ്രോസസ്സ് ചെയ്ത ഡാറ്റയിൽ നിന്ന് റോ ഡാറ്റ വേർതിരിക്കുക. യഥാർത്ഥ ഡാറ്റ മാറ്റമില്ലാതെ സൂക്ഷിക്കുക; എല്ലാ പരിവർത്തനങ്ങളും (ക്ലീനിംഗ്, എൻകോഡിംഗ്) ഡോക്യുമെൻ്റഡ് സ്റ്റെപ്പുകൾ ഉപയോഗിച്ച് വെവ്വേറെ ചെയ്യുക. അതിനാൽ എല്ലാവർക്കും തുടക്കം മുതൽ കാണാൻ കഴിയും.

4. AI-യുടെ പങ്ക് വ്യക്തമായി എഴുതുക. മെത്തേഡ് വിഭാഗത്തിൽ, ഏതൊക്കെ ടാസ്‌ക്കുകളിൽ നിങ്ങൾ AI എങ്ങനെ ഉപയോഗിച്ചുവെന്ന് സത്യസന്ധമായി പറയുക. മിക്ക ജേണലുകളും സ്ഥാപനങ്ങളും ഇപ്പോൾ ഇത് ആവശ്യപ്പെടുന്നു.

5. സാധ്യമെങ്കിൽ ഡാറ്റയും കോഡും പങ്കിടുക. ധാർമ്മികതയും സ്വകാര്യതയും അനുവദിക്കുമ്പോൾ, ഓപ്പൺ റിപ്പോസിറ്ററികളിൽ അജ്ഞാത ഡാറ്റയും അനലിറ്റിക്‌സ് കോഡും പങ്കിടുന്നത് സുതാര്യതയുടെ പരകോടിയാണ്.

നുറുങ്ങ്: ഒരു ലളിതമായ പരിശോധന: "6 മാസത്തിനുള്ളിൽ എനിക്ക് ഈ ഗവേഷണം വീണ്ടും ചെയ്യാൻ കഴിയുമോ?" നിങ്ങളുടെ നിർദ്ദേശങ്ങൾ, തീരുമാനങ്ങൾ, ഘട്ടങ്ങൾ എന്നിവ രേഖപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, ഉത്തരം "ഇല്ല" എന്നായിരിക്കും. നിങ്ങൾക്കായി അത് ഉൽപ്പാദിപ്പിക്കുക; അപ്പോൾ അത് മറ്റൊരാൾക്കും സംഭവിക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ട്രെയ്സ്ലെസ് വിശകലനം തകർന്നു. ഒരു ഗവേഷകൻ AI ഉപയോഗിച്ച് ഒരു തീം വിശകലനം നടത്തി, എന്നാൽ ഏത് പ്രോംപ്റ്റാണ് അദ്ദേഹം ഉപയോഗിച്ചതെന്ന് രേഖപ്പെടുത്തിയില്ല. റഫറി ചോദിച്ചപ്പോൾ "നിങ്ങൾ എങ്ങനെയാണ് ഈ തീമുകളിൽ എത്തിയത്?" അവൻ പ്രക്രിയ കാണിക്കാൻ കഴിഞ്ഞില്ല; ഈ സമയം ഒരു ഡയറി സൂക്ഷിച്ചുകൊണ്ട് അദ്ദേഹത്തിന് വിശകലനം വീണ്ടും ആവർത്തിക്കേണ്ടിവന്നു. രണ്ടാഴ്ച നഷ്ടപ്പെട്ടു.

കേസ് 2 - തീരുമാന ലോഗ് ചർച്ച അവസാനിപ്പിക്കുന്നു. "എന്തുകൊണ്ടാണ് ഞങ്ങൾ ഈ കോഡുകൾ സംയോജിപ്പിച്ചത്?" എന്ന് ചോദിച്ച് ഒരു ടീമിൽ അഭിപ്രായവ്യത്യാസമുണ്ടായി. എന്നാൽ തീരുമാന രേഖയിൽ ഓരോ ലയന തീരുമാനത്തിൻ്റെയും തീയതിയും ന്യായീകരണവും ഉണ്ടായിരുന്നു. AI ലോഗ് സംഗ്രഹിക്കുകയും കാലക്രമത്തിൽ പ്രദർശിപ്പിക്കുകയും ചെയ്തപ്പോൾ മിനിറ്റുകൾക്കുള്ളിൽ വാദം പരിഹരിച്ചു.

കേസ് 3 - സുതാര്യമായ വെളിപ്പെടുത്തൽ കെട്ടിപ്പടുത്ത വിശ്വാസം. ഒരു ലേഖനത്തിൽ, "ട്രാൻസ്‌ക്രിപ്റ്റ് എഡിറ്റിംഗിനും പ്രാരംഭ കോഡ് നിർദ്ദേശത്തിനും ഞങ്ങൾ AI ഉപയോഗിച്ചു, രണ്ട് ഗവേഷകർ എല്ലാ കോഡുകളും സ്വമേധയാ പരിശോധിക്കുന്നു" എന്ന് രചയിതാക്കൾ വ്യക്തമായി എഴുതി. നിരൂപകർ ഈ സുതാര്യത പോസിറ്റീവായി കണ്ടെത്തി; ക്ലോക്ക്ഡ് AI ഉപയോഗിക്കുന്നതിനേക്കാൾ കൂടുതൽ വിശ്വസനീയമാണെന്ന് കണ്ടെത്തി.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) തീരുമാന ലോഗ് ടെംപ്ലേറ്റ്:

ഒരു രീതിശാസ്ത്രപരമായ തീരുമാന ലോഗ് പട്ടിക സൃഷ്ടിക്കുക. കോളങ്ങൾ: തീയതി, തീരുമാനം, യുക്തി, ഇതരമാർഗങ്ങൾ, AI യുടെ പങ്ക് (എന്തെങ്കിലും ഉണ്ടെങ്കിൽ), ആരാണ് ഇത് അംഗീകരിച്ചത്. ചുവടെയുള്ള എൻ്റെ തീരുമാന കുറിപ്പുകൾ ഈ പട്ടികയിലേക്ക് തിരുകുക കൂടാതെ നഷ്‌ടമായ ഏതെങ്കിലും യുക്തികൾ "പൂർത്തിയാക്കണം" എന്ന് അടയാളപ്പെടുത്തുക. കുറിപ്പുകൾ: [ഇവിടെ]

2) ഡ്രാഫ്റ്റ് AI ഉപയോഗ പ്രസ്താവന:

രീതികൾ വിഭാഗത്തിൽ ഉൾപ്പെടുത്താൻ AI-യുടെ എൻ്റെ ഉപയോഗം സുതാര്യമായി വിശദീകരിക്കുന്ന ഒരു ഖണ്ഡിക തയ്യാറാക്കുക. ഈ ടാസ്ക്കുകളിൽ ഞാൻ ഇത് ഉപയോഗിച്ചു: [ലിസ്റ്റ്]. ഇനിപ്പറയുന്ന ടാസ്ക്കുകളിൽ ഞാൻ ഇത് ഉപയോഗിച്ചിട്ടില്ല: [ലിസ്റ്റ്]. ഞാൻ എല്ലാ ഔട്ട്‌പുട്ടുകളും സ്വമേധയാ പരിശോധിച്ചു. മോഡലും തീയതിയും: [x]. സത്യസന്ധമായ, അടിവരയിട്ട, അക്കാദമിക് ഭാഷ ഉപയോഗിക്കുക.

3) പുനരുൽപ്പാദന പരിശോധന:

ഞാൻ എൻ്റെ ഗവേഷണ പ്രക്രിയ വിവരിക്കുന്നു: [സംഗ്രഹം]. മറ്റൊരു ഗവേഷകന് ഇത് പുനർനിർമ്മിക്കാൻ കഴിയുമോ? രേഖകളില്ലാത്തതോ വ്യക്തമല്ലാത്തതോ കണ്ടെത്താനാകാത്തതോ ആയ ഘട്ടങ്ങൾ പട്ടികപ്പെടുത്തുക: ഏത് ഡാറ്റ, ഏത് പരിവർത്തനം, ഏത് പ്രോംപ്റ്റ്, ഏത് തീരുമാനം നഷ്‌ടമായി? ഓരോ സ്ഥലത്തിനും എന്താണ് രേഖപ്പെടുത്തേണ്ടതെന്ന് എന്നോട് പറയുക.

4) ഡാറ്റ പ്രൊവെനൻസ് മാപ്പ്:

റോ ഡാറ്റ മുതൽ എൻ്റെ അന്തിമ കണ്ടെത്തൽ വരെയുള്ള എല്ലാ പരിവർത്തന ഘട്ടങ്ങളും ഒരു ഫ്ലോ ആയി ലിസ്റ്റ് ചെയ്യുക: റോ ഡാറ്റ → ക്ലീനിംഗ് → കോഡിംഗ് → വിശകലനം → കണ്ടെത്തൽ. ഓരോ ഘട്ടത്തിലും എന്താണ് ചെയ്തതെന്ന് കാണിക്കുക, ഏത് ഉപകരണം ഉപയോഗിച്ച് ഏത് തീരുമാനത്തോടെ. ട്രാക്ക് ചെയ്യാനാവാത്ത ഘട്ടം അടയാളപ്പെടുത്തുക. പ്രക്രിയ: [ഇവിടെ]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ വിശകലനത്തിൻ്റെ രീതി ഒരു ഖണ്ഡികയിൽ എഴുതുക.

പ്രക്രിയ രേഖപ്പെടുത്താതെ തന്നെ AI ഒരു ജനറിക് മെത്തേഡ് പാരഗ്രാഫ് നിർമ്മിക്കുന്നു; എങ്ങനെയാണ് തീരുമാനം എടുത്തതെന്നും എഐ എവിടെയാണ് ഉപയോഗിച്ചതെന്നും വ്യക്തമല്ല. ഇത് നിർമ്മിക്കാവുന്നതല്ല.

ശക്തമായ നിർദ്ദേശം:

രീതി വിഭാഗത്തിനായി ഒരു ഉൽപ്പാദിപ്പിക്കാവുന്ന വിവരണം എഴുതുക. ഇനിപ്പറയുന്ന വിവരങ്ങൾ ഉപയോഗിക്കുക: ഡാറ്റ ഉറവിടം [x], സാമ്പിൾ [y], വിശകലന ഘട്ടങ്ങൾ [z], ഞാൻ ഉപയോഗിച്ച AI മോഡലും അതിൻ്റെ തീയതിയും [t], AI [r] യുടെ കൃത്യമായ പങ്ക്, മനുഷ്യ പരിശോധന പ്രക്രിയ [d]. മറ്റൊരാൾക്ക് ഈ ഘട്ടങ്ങൾ പിന്തുടരാനും അവ പുനർനിർമ്മിക്കാനും കഴിയുന്ന തരത്തിൽ വ്യക്തമായി എഴുതുക. ഞാൻ വിട്ടുപോയ എന്തെങ്കിലും വിവരങ്ങൾ എന്നോട് ചോദിക്കുക.

വ്യത്യാസം: രണ്ടാമത്തെ സമീപനം പ്രക്രിയയെ മൂർച്ചയുള്ളതും കണ്ടെത്താവുന്നതും യഥാർത്ഥത്തിൽ പുനരുൽപ്പാദിപ്പിക്കാവുന്നതുമാക്കുന്നു.

സുതാര്യത പാളികൾ

പാളി

എന്താണ് രേഖപ്പെടുത്തിയിരിക്കുന്നത്

എന്തുകൊണ്ട് അത് പ്രധാനമാണ്?

തീരുമാന ഡയറി

രീതിശാസ്ത്രപരമായ തീരുമാനങ്ങൾ + യുക്തി

ജുഡീഷ്യറിയെ പ്രതിരോധിക്കുന്നു

പെട്ടെന്നുള്ള രജിസ്ട്രേഷൻ

ഉപയോഗിച്ച പ്രോംപ്റ്റ്, മോഡൽ, തീയതി

AI ട്രാക്റ്റബിൾ ആക്കുന്നു

ഡാറ്റ ഉത്ഭവം

റോ → പ്രോസസ്സ് ചെയ്ത പരിവർത്തനങ്ങൾ

ഘട്ടങ്ങൾ തുറക്കുന്നു

AI പ്രസ്താവന

AI-യുടെ റോളും പരിധിയും

സത്യസന്ധത

പങ്കുവയ്ക്കുന്നു

അജ്ഞാത ഡാറ്റ + കോഡ്

ആത്യന്തിക സുതാര്യത

സാധാരണ തെറ്റുകൾ

• നിർദ്ദേശങ്ങൾ സംരക്ഷിക്കുന്നില്ല. നിങ്ങൾ ഉപയോഗിച്ച നിർദ്ദേശങ്ങൾ പാലിക്കുന്നില്ലെങ്കിൽ, നിങ്ങൾക്ക് പ്രക്രിയ പ്രദർശിപ്പിക്കാൻ കഴിയില്ല.
• അതിനർത്ഥം "AI അങ്ങനെ പറഞ്ഞു" എന്നാണ്. ശാസ്ത്രീയമായ ന്യായീകരണം പ്രക്രിയയും വിധിയുമാണ്, മാതൃകയുടെ വാക്കല്ല.
• റോ ഡാറ്റ പുനരാലേഖനം ചെയ്യുന്നു. ഒറിജിനൽ സൂക്ഷിക്കുക; പരിവർത്തനങ്ങൾ പ്രത്യേകം രേഖപ്പെടുത്തുകയും രേഖപ്പെടുത്തുകയും ചെയ്യുക.
• AI യുടെ ഉപയോഗം മറയ്ക്കുന്നു. സുതാര്യമായ പ്രസ്താവന വിശ്വാസം വളർത്തുന്നു; ഒളിച്ചിരിക്കുന്നത് പ്രശസ്തി നഷ്ടപ്പെടുത്തുന്നു.
• നിങ്ങൾക്കുപോലും അത് ഉൽപ്പാദിപ്പിക്കാനാവാത്തവിധം ഉപേക്ഷിക്കുക. 6 മാസത്തിനുശേഷം നിങ്ങൾക്ക് വീണ്ടും ചെയ്യാൻ കഴിയാത്ത ഒരു ജോലി ശാസ്ത്രമല്ല.

ചുരുക്കത്തിൽ

പുനരുൽപാദനക്ഷമതയും സുതാര്യതയും ഒരു വ്യക്തിയുടെ വാക്കിൽ നിന്ന് ആർക്കും പരീക്ഷിക്കാവുന്ന ഒരു ശാസ്ത്രമാക്കി മാറ്റുന്നു. AI-യുമായി പ്രവർത്തിക്കുമ്പോൾ ഇത് കൂടുതൽ നിർണായകമാണ്, കാരണം മോഡലിൻ്റെ തീരുമാനങ്ങൾ പാലിക്കുന്നില്ലെങ്കിൽ, പ്രക്രിയ ഒരു ബ്ലാക്ക് ബോക്സായി മാറുന്നു. ഒരു തീരുമാന ലോഗ് സൂക്ഷിക്കുക, പ്രോംപ്റ്റുകളും മോഡൽ വിവരങ്ങളും രേഖപ്പെടുത്തുക, പ്രോസസ്സ് ചെയ്തതിൽ നിന്ന് റോ ഡാറ്റ വേർതിരിക്കുക, AI-യുടെ പങ്ക് സത്യസന്ധമായി പ്രഖ്യാപിക്കുക, ധാർമ്മികത അനുവദിക്കുമ്പോൾ ഡാറ്റയും കോഡും പങ്കിടുക. "6 മാസത്തിന് ശേഷം എനിക്ക് സ്വയം പുനർനിർമ്മിക്കാൻ കഴിയുമോ" എന്ന പരീക്ഷയിൽ വിജയിക്കുന്ന ഒരു പഠനം മറ്റുള്ളവർക്ക് വിശ്വസനീയമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങൾ ചെയ്യുന്നതോ ആസൂത്രണം ചെയ്യുന്നതോ ആയ ഒരു ചെറിയ വിശകലനത്തിനായി, "ഡിസിഷൻ ജേണൽ ടെംപ്ലേറ്റ്" ഉപയോഗിച്ച് ന്യായീകരണങ്ങളോടെ കുറഞ്ഞത് 5 രീതിശാസ്ത്രപരമായ തീരുമാനങ്ങളെങ്കിലും രേഖപ്പെടുത്തുക. നിങ്ങൾ ഉപയോഗിക്കുന്ന നിർദ്ദേശങ്ങൾ, മോഡൽ, തീയതി എന്നിവ ഒരു പ്രത്യേക ഫയലിൽ സൂക്ഷിക്കുക. നിങ്ങളുടെ പ്രക്രിയയിൽ രേഖപ്പെടുത്താത്ത വിടവുകൾ AI കണ്ടെത്തി ഓരോ വിടവുകളും അടയ്ക്കുന്നതിന് "പുനർനിർമ്മാണ ഓഡിറ്റ്" ടെംപ്ലേറ്റ് ഉപയോഗിക്കുക. അവസാനമായി, "AI ഉപയോഗ പ്രസ്താവന"യുടെ ഒരു രൂപരേഖയും രീതികൾ വിഭാഗത്തിൽ സ്ഥാപിക്കേണ്ട സുതാര്യമായ ഒരു ഖണ്ഡികയും എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഓരോ പ്രധാന രീതിശാസ്ത്രപരമായ തീരുമാനത്തിൻ്റെയും കാരണങ്ങൾ ഞാൻ ജേണലിൽ എഴുതി.
• [ ] ഞാൻ ഉപയോഗിച്ച നിർദ്ദേശങ്ങളും മോഡലും തീയതിയും ഞാൻ രേഖപ്പെടുത്തി.
• [ ] ഞാൻ റോ ഡാറ്റ മാറ്റമില്ലാതെ സൂക്ഷിക്കുകയും പരിവർത്തനങ്ങൾ രേഖപ്പെടുത്തുകയും ചെയ്തു.
• [ ] ഞാൻ രീതി വിഭാഗത്തിൽ AI യുടെ പങ്ക് സത്യസന്ധമായി പ്രഖ്യാപിച്ചു.
• [ ] ഞാൻ "6 മാസത്തിന് ശേഷം പുനർനിർമ്മിക്കാൻ കഴിയുമോ" എന്ന പരിശോധന പ്രയോഗിച്ചു.