ഹാലുസിനേഷൻ, സാധാരണ ഗണിതശാസ്ത്ര പിശകുകൾ, സ്ഥിരീകരണത്തിൻ്റെ അച്ചടക്കം

നേട്ടങ്ങൾ:

• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഗണിതശാസ്ത്രത്തിൽ (ഒരു ഭാഷാ മാതൃകയായതിനാൽ, ലോജിക് പരിശോധിക്കാത്തത്) തെറ്റുകൾ വരുത്തുന്നത് എന്തുകൊണ്ടാണെന്നും ഏഴ് പ്രധാന തരത്തിലുള്ള പിശകുകളും തിരിച്ചറിയാൻ കഴിയും.
• ഗണിതശാസ്ത്രത്തിൽ പിശക് പ്രചരിപ്പിക്കപ്പെടുന്നുവെന്നും കൃത്യത ബൈനറി ആണെന്നും മനസ്സിലാക്കി ഓരോ ഘട്ടവും പരിശോധിക്കേണ്ടത് അനിവാര്യമായിരിക്കുന്നത് എന്തുകൊണ്ടാണെന്ന് വിശദീകരിക്കാനുള്ള കഴിവ്.
• സാമാന്യബുദ്ധി പരിശോധന, മാഗ്നിറ്റ്യൂഡ് ചെക്കിംഗ് ക്രമം, ചെക്ക്സം, ക്രോസ് ചെക്കിംഗ്, സ്വതന്ത്ര രീതികൾ എന്നിവയിലൂടെ ഒരു മൾട്ടി-ലേയേർഡ് വെരിഫിക്കേഷൻ ഡിസിപ്ലിൻ പ്രയോഗിക്കാനുള്ള കഴിവ്

ഈ യൂണിറ്റ് മൊഡ്യൂളിൻ്റെ ഹൃദയഭാഗത്തുള്ള ആശയത്തെ ആഴത്തിലാക്കുന്നു: ഗണിതശാസ്ത്രത്തിൽ AI എന്തുകൊണ്ട്, എങ്ങനെ തെറ്റുകൾ വരുത്തുന്നു, ഈ തെറ്റുകളുടെ തരങ്ങൾ എന്തൊക്കെയാണ്, അവയെ എങ്ങനെയാണ് നമ്മൾ വ്യവസ്ഥാപിതമായി പിടികൂടുന്നത്? മുമ്പത്തെ യൂണിറ്റുകളിൽ, ഓരോ വിഷയത്തിനും ഞങ്ങൾ സ്ഥിരീകരണ രീതികൾ കണ്ടു; പിശകുകളുടെ ശരീരഘടന ഞങ്ങൾ ഇവിടെ ഒരു മേൽക്കൂരയിൽ ശേഖരിക്കുന്നു. നിങ്ങൾ ഒരു AI ഔട്ട്‌പുട്ട് നോക്കുമ്പോൾ "ഇവിടെ ഒരു തെറ്റ് എന്തായിരിക്കാം?" പ്രതിഫലനപരമായി ചിന്തിക്കുന്ന ഒരു സാധൂകരണ മാനസികാവസ്ഥ നേടാനാണ്.

ഓർമ്മപ്പെടുത്തൽ: യഥാർത്ഥത്തിൽ സത്യമല്ലാത്ത വിവരങ്ങൾ ഒരു AI ആത്മവിശ്വാസത്തോടെ ഉൽപ്പാദിപ്പിക്കുമ്പോൾ ഒരു ഹാലുസിനേഷൻ. ഗണിതശാസ്ത്രത്തിൽ, ഹാലുസിനേഷൻ പലപ്പോഴും "പ്രേരണാത്മകവും എന്നാൽ തെറ്റായതും" എന്ന രൂപത്തിൽ പ്രത്യക്ഷപ്പെടുന്നു. എന്തുകൊണ്ടാണ് AI തെറ്റുകൾ വരുത്തുന്നത്? കാരണം ഇത് ഒരു ലോജിക് എഞ്ചിൻ അല്ല, ഒരു ഭാഷാ മോഡലാണ് - അതായത്, ഇത് സ്റ്റാറ്റിസ്റ്റിക്കൽ പാറ്റേണുകളുള്ള വാചകം നിർമ്മിക്കുന്നു, ഇത് ഘട്ടങ്ങളുടെ ലോജിക്കൽ സാധുത പരിശോധിക്കുന്നില്ല. ഒരു "3-അക്ക ഗുണനവും" ഒരു "സാധുവായ തെളിവും" അവനെ സംബന്ധിച്ചിടത്തോളം ഒരേ തരത്തിലുള്ള വാചകം നിർമ്മിക്കാനുള്ള ചുമതലയാണ്; കൃത്യത ഉറപ്പുനൽകാൻ ഇതിന് ആന്തരിക സംവിധാനമില്ല.

ഗണിതശാസ്ത്ര പിശകുകളുടെ അനാട്ടമി: ഏഴ് തരം

AI ഔട്ട്‌പുട്ടിൽ നിങ്ങൾ നേരിടുന്ന ഏറ്റവും സാധാരണമായ പിശകുകളും ഓരോന്നിനുമുള്ള മറുമരുന്നും ഇനിപ്പറയുന്ന തരങ്ങളുടെ പട്ടിക സംഗ്രഹിക്കുന്നു.

പിശക് തരം

അത് എങ്ങനെയിരിക്കും

മറുമരുന്ന്

ഗണിത പിശക്

7×8=54 പോലെയുള്ള നമ്പർ പിശക്

കാൽക്കുലേറ്റർ/സിംപി

അടയാള പിശക്

−(a−b)=-a−b

എൻ്റെ പേര് നേരിട്ട് തുറക്കുക

തയ്യാറാക്കിയ സിദ്ധാന്തം

നിലവിലില്ലാത്ത സിദ്ധാന്തത്തിൻ്റെ പേര്

ഉറവിടത്തിൽ നിന്നുള്ള സ്ഥിരീകരണം

നിയമത്തിൻ്റെ തെറ്റായ പ്രയോഗം

ചെയിൻ റൂൾ മറക്കരുത്

"ഏത് ഭരണം?" ചോദ്യം

സ്റ്റാറ്റസ് ഒഴിവാക്കി

നെഗറ്റീവ് റൂട്ട് അവഗണിക്കുക

എല്ലാ സ്റ്റാറ്റസുകളും ലിസ്റ്റ് ചെയ്യുക

തെളിവിൻ്റെ വിടവ്

"അതിനാൽ" ന്യായീകരണമില്ലാതെ

ഓരോ പാസ്സിലും ചോദ്യം ചെയ്യുന്നു

പഴയ/തെറ്റായ ഡാറ്റ

കാലഹരണപ്പെട്ട വിവരങ്ങൾ

ഉറവിടം

ഗണിതത്തിന് പ്രത്യേക ശ്രദ്ധ ആവശ്യമായിരിക്കുന്നത് എന്തുകൊണ്ട്?

മിക്ക മേഖലകളിലും, ഒരു ചെറിയ തെറ്റ് ഒരു ചെറിയ അനന്തരഫലമാണ് ഉണ്ടാക്കുന്നത്. ഗണിതശാസ്ത്രത്തിൽ, പിശക് വ്യാപിക്കുകയും വളരുകയും ചെയ്യുന്നു. ഒരു സമവാക്യത്തിൻ്റെ ആദ്യ വരിയിലെ ഒരു ചിഹ്ന പിശക് അടുത്ത പത്ത് വരികളും അന്തിമഫലവും പൂർണ്ണമായും തെറ്റാക്കും. ഒരു തെളിവിൻ്റെ നടുവിലുള്ള വിടവ് മുഴുവൻ തെളിവും അസാധുവാക്കുന്നു. ഈ "ദുർബലത" ഗണിതത്തിലെ ഓരോ ഘട്ടവും പരിശോധിക്കേണ്ടത് അനിവാര്യമാക്കുന്നു - "സാധാരണയായി പറഞ്ഞാൽ ശരിയാണെന്ന് തോന്നുന്നു" പോരാ.

മാത്രമല്ല, ഗണിതത്തിലെ സത്യം ബൈനറിയാണ്: ഫലം ഒന്നുകിൽ ശരിയോ തെറ്റോ ആണ്, അതിനിടയിൽ ഒന്നുമില്ല. "എൺപത് ശതമാനം കൃത്യത" എന്നത് ഒരു വാചക സംഗ്രഹത്തിൽ സ്വീകാര്യമായി കണക്കാക്കാം; ഒരു അവിഭാജ്യത്തിൽ "എൺപത് ശതമാനം ശരി" ​​എന്നൊന്നില്ല - ഒന്നുകിൽ അത് ശരിയായ ഫലമാണ് അല്ലെങ്കിൽ അല്ല. ഈ ഇരട്ട സ്വഭാവം സ്ഥിരീകരണത്തെ കൂടുതൽ നിർണായകവും (ഭാഗ്യവശാൽ) കൂടുതൽ സാധ്യമാക്കുന്നു: ഫലം ഒന്നുകിൽ സ്ഥിരീകരണം കടന്നുപോകുന്നു അല്ലെങ്കിൽ ഇല്ല.

ഘട്ടം ഘട്ടമായി: ചിട്ടയായ പരിശോധനയുടെ അച്ചടക്കം

1. ഓരോ സംഖ്യാ ഫലവും ഒരു ടൂൾ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കുക. AI-യെ ആശ്രയിക്കാൻ ഗണിതശാസ്ത്രം ഒരിക്കലും ഉപേക്ഷിക്കരുത്; സിംപി, കാൽക്കുലേറ്റർ അല്ലെങ്കിൽ കൈകൊണ്ട്.

2. SymPy ഉപയോഗിച്ച് ഓരോ പ്രതീകാത്മക ഫലവും പരിശോധിക്കുക. ഇൻ്റഗ്രൽ, ഡെറിവേറ്റീവ്, ലളിതമാക്കൽ, സമവാക്യം-എല്ലാം SymPy ഉപയോഗിച്ച് പരിശോധിക്കാവുന്നതാണ്.

3. ഉറവിടത്തിൽ നിന്ന് ഓരോ സിദ്ധാന്തവും/സൂത്രവാക്യവും സ്ഥിരീകരിക്കുക. പേരും പ്രയോഗവും ശരിയാണോ? ഉണ്ടാക്കിയ സിദ്ധാന്തങ്ങളാണ് ഏറ്റവും വഞ്ചനാപരമായ കെണി.

4. എല്ലാ തെളിവുകളിലും എല്ലാ സംഭവങ്ങളെയും ചോദ്യം ചെയ്യുക. "ഇത് യഥാർത്ഥത്തിൽ മുമ്പത്തെ ഘട്ടത്തിൽ നിന്ന് പിന്തുടരുന്നുണ്ടോ?" അടിസ്ഥാന കേസ്, പരോക്ഷമായ അനുമാനം, വിടവ് പരിശോധന.

5. ചെക്ക് ആൻഡ് കൗണ്ടർ ചെക്ക്. വിപരീത പ്രവർത്തനം, പകരം വയ്ക്കൽ, പരിധി സംസ്ഥാനങ്ങൾ, ഡൈമൻഷണൽ വിശകലനം.

6. സാമാന്യബുദ്ധി പരീക്ഷിക്കുക. ഫലം ന്യായമാണോ? ഒരു പ്രോബബിലിറ്റി 1-ൽ കൂടുതലാണെങ്കിൽ, ദൈർഘ്യം നെഗറ്റീവ് ആണെങ്കിൽ ഒരു പിശകുണ്ട്.

സൂചന: ഏറ്റവും വേഗത്തിലുള്ള സാമാന്യബുദ്ധി പരിശോധന "മാഗ്നിറ്റ്യൂഡിൻ്റെ ക്രമം" പരിശോധനയാണ്. ഫലം ഏകദേശം പ്രതീക്ഷിച്ച പരിധിക്കുള്ളിലാണോ? ഒരു ക്ലാസ് ശരാശരി 250 ആണെങ്കിൽ (100 ൽ), അല്ലെങ്കിൽ ഒരു പ്രോബബിലിറ്റി 3.5 ആണെങ്കിൽ, വിശദാംശങ്ങൾ നോക്കാതെ തന്നെ ഒരു പിശക് ഉണ്ടെന്ന് നിങ്ങൾക്കറിയാം. ഈ 5-സെക്കൻഡ് പരിശോധന മുകുളത്തിലെ പല പരിഹാസ്യ ഫലങ്ങളും ഇല്ലാതാക്കുന്നു.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - ചെയിൻ ചിഹ്ന പിശക്. 8-വരി ബീജഗണിത ലളിതവൽക്കരണത്തിൽ, വരി 2-ൽ AI വരുത്തിയ ഒരു അടയാള പിശക് അടുത്ത 6 വരികളിലേക്ക് പ്രചരിപ്പിക്കുന്നതായി ഒരു വിദ്യാർത്ഥി കണ്ടെത്തി. അന്തിമഫലം പൂർണ്ണമായും തെറ്റായിരുന്നു, പക്ഷേ AI അത് പൂർണ്ണ ആത്മവിശ്വാസത്തോടെ അവതരിപ്പിച്ചു. വിദ്യാർത്ഥി ആദ്യം മുതൽ SymPy ഉപയോഗിച്ച് ലളിതമാക്കിയപ്പോൾ, ശരിയായ ഫലം ലഭിക്കുകയും രണ്ടാമത്തെ വരിയിലെ പിശക് കണ്ടെത്താൻ AI-യെ അനുവദിക്കുകയും ചെയ്തു. ഒരൊറ്റ അടയാളം 6 വരികൾ നിരാകരിച്ചു.

കേസ് 2 - സാമാന്യബുദ്ധി പരീക്ഷയെ രക്ഷിച്ചു. ഒരു അധ്യാപകന് ഒരു AI ഉണ്ടായിരുന്നു, ഒരു പ്രോബബിലിറ്റി പ്രശ്നം പരിഹരിക്കുന്നു; ഫലം 1.4 ആയിരുന്നു. വിശദാംശങ്ങൾ നോക്കാതെ, "സംഭാവ്യത 1-ൽ കൂടുതലാകാൻ പാടില്ല" എന്ന് ടീച്ചർ പറഞ്ഞു, പിശക് അന്വേഷിച്ചു: AI വ്യതിരിക്തമല്ലാത്ത ഇവൻ്റുകൾ വ്യതിരിക്തമായത് പോലെ ശേഖരിച്ചു. ഒരു സാമാന്യബുദ്ധി പരീക്ഷ നിമിഷങ്ങൾക്കുള്ളിൽ പിശക് ചൂണ്ടിക്കാണിച്ചു.

കേസ് 3 - നിർമ്മിച്ച ഫോർമുല. ഒരു എഞ്ചിനീയർ AI-യോട് ഒരു സീരീസ് തുകയ്ക്കായി "ക്ലോസ്ഡ് ഫോർമുല" ആവശ്യപ്പെട്ടു. AI ഒരു ബോധ്യപ്പെടുത്തുന്ന ഫോർമുല നൽകിയിട്ടുണ്ട്. എഞ്ചിനീയർ n (n=3) ൻ്റെ ഒരു ചെറിയ മൂല്യത്തിനായുള്ള ഫോർമുല ഫോർമുലയിലൂടെയും കൈ സങ്കലനത്തിലൂടെയും പരീക്ഷിച്ചു; ഫലങ്ങൾ പൊരുത്തപ്പെടുന്നില്ല. ഫോർമുല ഉണ്ടാക്കി. ഒരു ചെറിയ ട്വീക്കിംഗ് മണിക്കൂറുകളോളം ദുരുപയോഗം തടഞ്ഞു.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) മൾട്ടി-ലെയർ സ്ഥിരീകരണ അഭ്യർത്ഥന:

നിങ്ങൾ കണ്ടെത്തി: [ഫലം]. ഇപ്പോൾ ഇത് മൂന്ന് വ്യത്യസ്ത വഴികളിൽ പരിശോധിച്ചുറപ്പിക്കുക: (1) ഇത് വിപരീതമായി ഹാഷ് ചെയ്യുക, (2) ഒരു ലളിതമായ ഇഷ്‌ടാനുസൃത മൂല്യം പരിശോധിക്കുക, (3) SymPy ഉപയോഗിച്ച് പരിശോധിക്കാനുള്ള ചില കോഡ് (ഞാൻ ഔട്ട്‌പുട്ട് കാണും). മൂന്ന് വഴികളും സ്ഥിരതയുള്ളതാണോ എന്ന് എന്നോട് പറയുക; ഇല്ലെങ്കിൽ, ഏത് ഘട്ടത്തിലാണ് പിശക് ഉള്ളതെന്ന് കാണിക്കുക.

2) സാമാന്യബുദ്ധി/റാങ്ക് ടെസ്റ്റ്:

നിങ്ങൾ കണ്ടെത്തി: [ഫലം]. ഈ ഫലം യുക്തിസഹമാണോ എന്നറിയാൻ സാമാന്യബുദ്ധി പരീക്ഷയിൽ ഇടുക: പ്രതീക്ഷിച്ച അളവിലുള്ള ക്രമം എന്താണ്, ചിഹ്നം ശരിയാണോ, അത് പരിധിക്കുള്ളിലാണോ (ഉദാ. സാധ്യത 0-1)? യുക്തിസഹമല്ലെങ്കിൽ എവിടെയാണ് പിഴവ് സംഭവിച്ചതെന്ന് അന്വേഷിക്കുക.

3) സിദ്ധാന്തം/സൂത്രം സ്ഥിരീകരണം:

നിങ്ങൾ ഉപയോഗിക്കുന്ന [സിദ്ധാന്തം/സൂത്രം] ശരിക്കും സ്റ്റാൻഡേർഡ് ആണോ ശരിയാണോ? അതിൻ്റെ സ്റ്റാൻഡേർഡ് എക്സ്പ്രഷനും വ്യവസ്ഥകളും എഴുതുക. ഒരു ചെറിയ സാമ്പിൾ ഉപയോഗിച്ച് ഇത് പരിശോധിക്കുന്ന ഒരു അക്കൗണ്ട് കാണിക്കുക (ഉദാ. n=3). ഇത് ഒരു നിർമ്മിത ഫോർമുലയോ അല്ലെങ്കിൽ നിങ്ങൾക്ക് ഉറപ്പില്ലാത്ത മറ്റെന്തെങ്കിലും ആണെങ്കിൽ, അത് വ്യക്തമായി പറയുക.

4) പിശക് മോഡ് രോഗനിർണയം:

ചുവടെയുള്ള പരിഹാരത്തിൽ ഒരു ബഗ് ഉണ്ടെന്ന് എനിക്കറിയാം. ഈ പിശക് തരങ്ങൾ ഓരോന്നായി പരിശോധിക്കുക: ഗണിതശാസ്ത്രം, അടയാളം, തെറ്റായ നിയമം, ഒഴിവാക്കിയ അവസ്ഥ, ഡൊമെയ്ൻ. ഇത് ഏത് തരത്തിലുള്ള പിശകാണെന്നും ഏത് ഘട്ടത്തിലാണെന്നും എന്നോട് പറയുക. പരിഹാരം: [ഇവിടെ]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലൻ: "ഈ നിഗമനം ശരിയാണോ?" [ഫലം ഒട്ടിക്കുക]

ഫലം: AI പലപ്പോഴും "അതെ ശരി" ​​എന്ന് പറയുന്നു (സ്വന്തം ഔട്ട്പുട്ട് സ്ഥിരീകരിക്കാനുള്ള പ്രവണത); സ്വതന്ത്രമായ ഓഡിറ്റ് ഇല്ലാത്തതിനാൽ വിശ്വസനീയമല്ല.

ശക്തമായത്: "സ്വതന്ത്രമായ രീതിയിൽ ഈ ഫലം പരിശോധിക്കുക: മറ്റൊരു പരിഹാരമാർഗം ഉപയോഗിക്കുക അല്ലെങ്കിൽ SymPy കോഡ് ഉപയോഗിച്ച് പരിശോധിക്കുക (ഞാൻ കോഡ് പ്രവർത്തിപ്പിക്കും). 'ശരി/തെറ്റ്' എന്ന് മാത്രം പറയരുത്; ഏത് പരിശോധനയാണ് നിങ്ങൾ ചെയ്തതെന്നും ഫലവും കാണിക്കൂ. ചെക്ക്സം പരാജയപ്പെട്ടാൽ, പിശക് കണ്ടെത്തുക."

ഫലം: ഒരു സ്വതന്ത്ര നിയന്ത്രണ രീതി വെല്ലുവിളിക്കപ്പെടുന്നു; സ്വന്തം ഔട്ട്‌പുട്ട് അന്ധമായി അംഗീകരിക്കുന്നതിൽ നിന്ന് AI തടഞ്ഞിരിക്കുന്നു.

സാധാരണ തെറ്റുകൾ

• സ്വന്തം ഔട്ട്പുട്ട് സാധൂകരിക്കാൻ AI-യെ ലഭ്യമാക്കുന്നു. "ഇത് സത്യമാണോ?" AI പലപ്പോഴും സ്വന്തം തെറ്റ് സ്ഥിരീകരിക്കുന്നു; സ്വതന്ത്രമായ രീതി ആവശ്യമാണ്.
• സാമാന്യബുദ്ധി പരീക്ഷ ഒഴിവാക്കുന്നു. പ്രോബബിലിറ്റി 1-ൽ കൂടുതൽ, ദൈർഘ്യം നെഗറ്റീവ് എന്നിങ്ങനെയുള്ള അസംബന്ധങ്ങൾ വിശദാംശങ്ങൾ നോക്കാതെ തന്നെ പിടികൂടാം.
• ഒരൊറ്റ സ്ഥിരീകരണത്തെ ആശ്രയിക്കുന്നു. നിർണായക ഫലങ്ങളിൽ ഒന്നിലധികം സ്വതന്ത്ര പാതകൾ (ഹാഷുകൾ + SymPy + ഇഷ്‌ടാനുസൃത മൂല്യം) ഉപയോഗിക്കുക.
• ചെറിയ സാമ്പിളുകൾ ഉപയോഗിച്ച് ഫോർമുലകൾ പരിശോധിക്കുന്നില്ല. തയ്യാറാക്കിയ സൂത്രവാക്യങ്ങൾ n=2, n=3 പോലുള്ള ചെറിയ മൂല്യങ്ങളിൽ ഉടനടി തകരുന്നു.
• ബഗ് പ്രചരിപ്പിക്കുന്നത് മറക്കുന്നു. ആദ്യ വരിയിലെ ഒരു പിശക് മുഴുവൻ ഫലത്തെയും നശിപ്പിക്കുന്നു; നിങ്ങൾ ഒരു പിശക് കണ്ടെത്തിയാൽ, അത് ആദ്യം മുതൽ പരിശോധിക്കുക.

മുന്നറിയിപ്പ്: AI-യുടെ ആത്മവിശ്വാസവും അതിൻ്റെ കൃത്യതയും തമ്മിൽ യാതൊരു ബന്ധവുമില്ല. ഏറ്റവും നിശ്ചയദാർഢ്യമുള്ളതും, ഏറ്റവും ഒഴുക്കുള്ളതും, ഏറ്റവും "ഉറപ്പുള്ളതും" എന്ന് തോന്നുന്ന വാചകം പൂർണ്ണമായും തെറ്റായിരിക്കാം. ടോണിനെയല്ല, സ്വതന്ത്രമായ സ്ഥിരീകരണത്തെ വിശ്വസിക്കുക. നിങ്ങൾ കൈകൊണ്ടോ ഒരു നിർണ്ണായക ഉപകരണം ഉപയോഗിച്ചോ സ്ഥിരീകരിക്കുമ്പോൾ മാത്രം ഫലം "ശരി" എന്ന് പരിഗണിക്കുക - AI "തീർച്ചയായും" പറയുന്നതുകൊണ്ടല്ല.

ചുരുക്കത്തിൽ

AI ഗണിതശാസ്ത്രത്തിൽ തെറ്റുകൾ വരുത്തുന്നു, കാരണം അത് സ്റ്റാറ്റിസ്റ്റിക്കൽ ടെക്സ്റ്റ് നിർമ്മിക്കുന്ന ഒരു ഭാഷാ മാതൃകയാണ്, യുക്തിയെ നിയന്ത്രിക്കുന്ന ഒരു എഞ്ചിനല്ല. പിശകുകൾ ഏഴ് പ്രധാന തരങ്ങളായി തിരിച്ചിരിക്കുന്നു: ഗണിതശാസ്ത്രം, അടയാളം, നിർമ്മിത സിദ്ധാന്തം, റൂൾ തെറ്റായ പ്രയോഗം, ഒഴിവാക്കിയ കേസ്, തെളിവ് വിടവ്, പഴകിയ ഡാറ്റ. ഗണിതശാസ്ത്രത്തിൽ, പിശക് പടരുകയും വളരുകയും ചെയ്യുന്നു, സത്യം ബൈനറിയാണ് - അതിനാൽ ഓരോ ഘട്ടവും പരിശോധിക്കേണ്ടതുണ്ട്. വ്യവസ്ഥാപിതമായ അച്ചടക്കം: ഓരോ സംഖ്യാ ഉപകരണവും, സിംപി ഉപയോഗിച്ച് ഓരോ പ്രതീകാത്മക ഫലവും, ഉറവിടത്തിൽ നിന്നുള്ള ഓരോ സിദ്ധാന്തവും, എല്ലാ തെളിവുകളും ചോദ്യം ചെയ്യുന്നതിലൂടെ കടന്നുപോകുന്നു; ചെക്ക്, കൌണ്ടർ ചെക്ക്, കോമൺസെൻസ് ടെസ്റ്റിംഗ് എന്നിവ പ്രയോഗിക്കുക. AI-യുടെ ആത്മവിശ്വാസം കൃത്യതയുടെ തെളിവല്ല.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഇടത്തരം നീളമുള്ള (കുറഞ്ഞത് 6-8 ഘട്ടങ്ങളെങ്കിലും) ഒരു പ്രശ്‌നം തിരഞ്ഞെടുത്ത് അത് പരിഹരിക്കാൻ AI ആവശ്യപ്പെടുക. തുടർന്ന് ഈ യൂണിറ്റിൽ നിന്നുള്ള പാറ്റേണുകൾ 1, 4 എന്നിവ ഉപയോഗിച്ച് മൾട്ടി-ലെയർ വെരിഫിക്കേഷൻ നടത്തുക: (എ) സാമാന്യബുദ്ധി/റാങ്ക് പരിശോധന, (ബി) സിംപി ഉപയോഗിച്ച് പരിശോധിക്കൽ, (സി) ഒരു പ്രത്യേക മൂല്യത്തിലുള്ള പരിശോധന. തുടർന്ന് ബോധപൂർവമായ “ബഗ് ഹണ്ട്” കണ്ണ് ഉപയോഗിച്ച് സൊല്യൂഷൻ ലൈനിലൂടെ പോയി ഏഴ് തരത്തിലുള്ള പിശകുകളിൽ ഏതാണ് സംഭവിക്കുന്നതെന്ന് പരിശോധിക്കുക. നിങ്ങൾ കണ്ടെത്തുന്ന ഓരോ പിശകും അതിൻ്റെ തരം സഹിതം രേഖപ്പെടുത്തുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഓരോ സംഖ്യാ ഫലവും ഒരു ഡിറ്റർമിനിസ്റ്റിക് ടൂൾ ഉപയോഗിച്ച് സ്ഥിരീകരിച്ചു.
• [ ] ഞാൻ SymPy ഉപയോഗിച്ച് ഓരോ പ്രതീകാത്മക ഫലവും പരിശോധിച്ചു.
• [ ] ഉറവിടത്തിൽ നിന്നോ ചെറിയ ഉദാഹരണം ഉപയോഗിച്ചോ ഞാൻ സിദ്ധാന്തം/സൂത്രവാക്യം പരിശോധിച്ചു.
• [ ] ഞാൻ സാമാന്യബുദ്ധി/മാഗ്നിറ്റ്യൂഡ് ടെസ്റ്റിൻ്റെ ക്രമം പ്രയോഗിച്ചു.
• [ ] ഞാൻ ഇത് ഒരു സ്വതന്ത്രമായ രീതിയിൽ ഓഡിറ്റ് ചെയ്തു (AI യുടെ സ്വന്തം അംഗീകാരത്തെ ആശ്രയിക്കാതെ).
• [ ] ഞാൻ ഒരു പിശക് കണ്ടെത്തിയപ്പോൾ, ഞാൻ ആദ്യം മുതൽ പരിഹാരം വീണ്ടും പരിശോധിച്ചു.