ധാർമ്മികവും ഉത്തരവാദിത്തമുള്ളതുമായ AI

നേട്ടങ്ങൾ:

• ഉത്തരവാദിത്തമുള്ള AI തത്വങ്ങളെ (ന്യായം, സുതാര്യത, ഉത്തരവാദിത്തം, സ്വകാര്യത, മാനുഷിക മേൽനോട്ടം, സുരക്ഷ, സുസ്ഥിരത) കൃത്യമായ തീരുമാനങ്ങളുമായി ബന്ധിപ്പിക്കാനുള്ള കഴിവ്
• നിയമപരമായ അനുസരണത്തിൽ നിന്ന് നൈതികതയെ വേർതിരിച്ച് 'നമുക്ക് കഴിയും', 'നമുക്ക് ചെയ്യണം' എന്നിവ തമ്മിൽ വേർതിരിച്ച് ബാധിച്ച കക്ഷികളെയും പക്ഷപാതത്തെയും പരീക്ഷിക്കാനുള്ള കഴിവ്
• രൂപകല്പനയിൽ സുതാര്യത, മാനുഷിക നിരീക്ഷണം, അപ്പീൽ എന്നിവ ഉൾപ്പെടുത്തി ദുരുപയോഗ സാഹചര്യങ്ങൾ മുൻകൂട്ടി കുറയ്ക്കാനുള്ള കഴിവ്

ഒരു AI സ്റ്റാർട്ടപ്പ് സാങ്കേതികമായി തികഞ്ഞതും സാമ്പത്തികമായി ലാഭകരവും നിയമപരമായി ലാഭകരവുമാകാം; പക്ഷേ അത് ഇപ്പോഴും തെറ്റായിരിക്കാം. "നമുക്ക് കഴിയും", "നമുക്ക് ചെയ്യണം" എന്നിവ തമ്മിലുള്ള വ്യത്യാസമാണ് ധാർമ്മികത. ഒരു സീനിയർ മാനേജർക്ക്, ധാർമ്മികത അലങ്കാരത്തിൻ്റെയോ പബ്ലിക് റിലേഷൻസിൻ്റെയോ കാര്യമല്ല; സ്ഥാപനത്തിൻ്റെ ദീർഘകാല വിശ്വാസ്യതയും പ്രശസ്തിയും സാമൂഹിക നിയമസാധുതയും നിലനിർത്തുന്ന അടിത്തറയാണിത്. ഈ യൂണിറ്റിൽ, ഉത്തരവാദിത്തമുള്ള AI യുടെ തത്ത്വങ്ങളും (നിർമ്മിത ബുദ്ധി വികസിപ്പിക്കുന്നതിനും ഉപയോഗിക്കുന്നതിനുമുള്ള ഒരു സമീപനം ന്യായവും സുതാര്യവും ഉത്തരവാദിത്തമുള്ളതും മാനുഷിക അന്തസ്സിനെ മാനിക്കുന്നതും) ദൈനംദിന തീരുമാനങ്ങളിൽ അവ എങ്ങനെ പ്രതിഫലിപ്പിക്കാമെന്നും നിങ്ങൾ പഠിക്കും.

ഉത്തരവാദിത്തമുള്ള AI യുടെ അടിസ്ഥാന തത്വങ്ങൾ

വ്യത്യസ്‌ത ചട്ടക്കൂടുകൾ സമാന തത്ത്വങ്ങൾ പാലിക്കുന്നു. ഒരു മാനേജർക്കുള്ള പ്രായോഗിക സംഗ്രഹം:

തത്വം

നിങ്ങൾ എന്താണ് ഉദ്ദേശിക്കുന്നത്?

അഡ്മിൻ ചോദ്യം

നീതി

വിവേചനരഹിതം

ഇത് ഒരു ഗ്രൂപ്പിനെ അന്യായമായി ബാധിക്കുമോ?

സുതാര്യത

മനസ്സിലാക്കാവുന്നതേയുള്ളൂ

തീരുമാനത്തിൻ്റെ കാരണം വിശദമാക്കാമോ?

ഉത്തരവാദിത്തം

ആരാണ് ഉത്തരവാദിയെന്ന് തിരിച്ചറിയൽ

ഒരു പിശക് സംഭവിച്ചാൽ ആരാണ് ഉത്തരവാദി?

സ്വകാര്യത

വ്യക്തിഗത ഡാറ്റയോടുള്ള ബഹുമാനം

ഡാറ്റ ഉപയോഗിക്കാൻ ഞങ്ങൾക്ക് അവകാശമുണ്ടോ?

മനുഷ്യ നിരീക്ഷണം

നിയന്ത്രണത്തിൽ തുടരുന്നു

ഒരാൾക്ക് എതിർത്ത് നിർത്താൻ കഴിയുമോ?

സുരക്ഷ

ഉപദ്രവിക്കരുത്

ഇത് ദുരുപയോഗം ചെയ്യപ്പെടുമോ?

സുസ്ഥിരത

പരിസ്ഥിതി/സാമൂഹിക ആഘാതം

ഞങ്ങൾ ആരോടാണ് ചെലവ് ചുമത്തുക?

ഈ തത്വങ്ങൾ അമൂർത്തമല്ല; അവ ഓരോന്നും കൃത്യമായ തീരുമാനവുമായി ബന്ധിപ്പിക്കാൻ കഴിയും. ഉദാഹരണത്തിന്, "സുതാര്യത" എന്നാൽ ഉപഭോക്താവിനെ അവർ AI-യുമായി സംസാരിക്കുന്നുവെന്ന് അറിയിക്കുക എന്നാണ് അർത്ഥമാക്കുന്നത്; "മനുഷ്യൻ്റെ മേൽനോട്ടം" എന്നാൽ ഒരു ലോൺ നിഷേധത്തെക്കുറിച്ച് ഒരു മനുഷ്യൻ അവലോകനം ചെയ്യുകയും അപ്പീലിനായി അത് തുറന്നിടുകയും ചെയ്യുക എന്നാണ് അർത്ഥമാക്കുന്നത്.

നുറുങ്ങ്: ഉയർന്ന സ്വാധീനം ചെലുത്തുന്ന എല്ലാ AI തീരുമാനങ്ങളിലും, ഒരു ചോദ്യം ചോദിക്കുക: "ഏറ്റവും പ്രതികൂലമായി ബാധിച്ച വ്യക്തിയോട് എനിക്ക് വ്യക്തമായി വിശദീകരിക്കാനും ഈ തീരുമാനത്തിന് പിന്നിൽ നിൽക്കാനും കഴിയുമോ?" പ്രതികരണം കുറ്റകരമാണെങ്കിൽ, ഒരു ധാർമ്മിക പ്രശ്നമുണ്ട്.

ധാർമ്മികത നിയമത്തിൽ നിന്ന് വ്യത്യസ്തമാണ്

ഒരു നിർണായക വ്യത്യാസം: നിയമപരമായ അനുസരണം (യൂണിറ്റ് 9) ഏറ്റവും കുറഞ്ഞതാണ്; ധാർമ്മികത ഒരു ഉയർന്ന രേഖയാണ്. ചിലത് നിയമപരമായിരിക്കാം എന്നാൽ അധാർമ്മികമായിരിക്കാം. ഉദാഹരണത്തിന്, ഉപയോക്തൃ പെരുമാറ്റം കൈകാര്യം ചെയ്യാൻ ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കുന്നതിൽ നിന്ന് ഒരു ആപ്പിനെ നിരോധിക്കണമെന്നില്ല, എന്നാൽ അത് അധാർമികമാണ്. ഉത്തരവാദിത്തമുള്ള സ്ഥാപനങ്ങൾ "ഇത് നിഷിദ്ധമാണോ?" അല്ല "ഇത് സത്യമാണോ?" അവൻ ചോദിക്കുന്നു.

ഘട്ടം ഘട്ടമായി: തീരുമാനത്തിൽ ധാർമ്മികത ഉൾപ്പെടുത്തൽ

1. ബാധിച്ച കക്ഷികളെ തിരിച്ചറിയുക. ഈ സംരംഭം ആരെയാണ് ബാധിക്കുന്നത്? (ഉപഭോക്താവ്, ജീവനക്കാരൻ, സമൂഹം, പിന്നാക്ക വിഭാഗങ്ങൾ)

2. പോളിസികൾ ഉപയോഗിച്ച് സ്കാൻ ചെയ്യുക. മേൽപ്പറഞ്ഞ ഓരോ തത്ത്വങ്ങളുടെയും അടിസ്ഥാനത്തിൽ സംരംഭത്തെ ചോദ്യം ചെയ്യുക.

3. പക്ഷപാതത്തിനും ദോഷത്തിനും വേണ്ടിയുള്ള പരിശോധന. മാതൃക അന്യായമായി ചില ഗ്രൂപ്പുകളെ ബാധിക്കുമോ? ദുരുപയോഗത്തിൻ്റെ സാഹചര്യങ്ങൾ എന്തൊക്കെയാണ്?

4. സുതാര്യതയും മേൽനോട്ടവും ചേർക്കുക. മനുഷ്യൻ്റെ എതിർപ്പിന് വഴിയില്ലാതെ കൃത്രിമബുദ്ധിയുടെ ഉപയോഗം റിപ്പോർട്ട് ചെയ്യുക.

5. പ്രമാണങ്ങളും അവലോകനവും. ധാർമ്മിക വിലയിരുത്തൽ സംരക്ഷിക്കുക; ഇടയ്ക്കിടെ പരിശോധിക്കുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - നിയമപരമാണെങ്കിലും തെറ്റാണ്. ഉപയോക്താക്കളെ കൂടുതൽ നേരം ആപ്പിൽ നിർത്താൻ ആസക്തിയുള്ള അറിയിപ്പുകൾ സൃഷ്ടിക്കാൻ ഒരു ആപ്പ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിച്ചു. നിയമതടസ്സമൊന്നും ഉണ്ടായിരുന്നില്ല, പക്ഷേ പത്രങ്ങളിൽ വാർത്ത വന്നപ്പോൾ ഗുരുതരമായ പ്രശസ്തി നഷ്ടപ്പെട്ടു; പ്രത്യേകിച്ച് യുവ ഉപയോക്താക്കളെ ലക്ഷ്യം വെക്കുന്നത് വിമർശനത്തിന് ഇടയാക്കി. കമ്പനി ഫീച്ചർ നീക്കം ചെയ്തു. ധാർമ്മിക ഫിൽട്ടർ തുടക്കം മുതൽ ഉണ്ടായിരുന്നെങ്കിൽ, ഈ അപകടസാധ്യത കാണപ്പെടും.

കേസ് 2 - ഫെയർനസ് ടെസ്റ്റിൻ്റെ മൂല്യം. ഒരു ബാങ്കിൻ്റെ ക്രെഡിറ്റ് സ്കോറിംഗ് മോഡൽ വ്യവസ്ഥാപിതമായി സംരക്ഷിത ഗ്രൂപ്പുകളിൽ നിന്നുള്ള അപേക്ഷകൾക്ക് കുറഞ്ഞ സ്കോറുകൾ നൽകി. ഇത് നീതിന്യായ ഓഡിറ്റിങ്ങിൽ കുടുങ്ങി. അതിൻ്റെ ഫലങ്ങളിൽ ഇൻ്റർഗ്രൂപ്പ് ഇക്വിറ്റി ഉറപ്പാക്കാൻ മോഡൽ പുനർരൂപകൽപ്പന ചെയ്യുകയും പതിവായി പരീക്ഷിക്കുകയും ചെയ്തു. ധാർമ്മിക തത്വം (നീതി) ഒരു മൂർത്തമായ പരീക്ഷണമായി മാറുകയും യഥാർത്ഥ ദോഷം തടയുകയും ചെയ്തു.

കേസ് 3 - സുതാര്യത കെട്ടിപ്പടുത്ത വിശ്വാസം. ഒരു ഇ-കൊമേഴ്‌സ് കമ്പനി അതിൻ്റെ ഉപഭോക്തൃ പിന്തുണ ചാറ്റ്‌ബോട്ടിൻ്റെ തുടക്കത്തിൽ "ഒരു ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് അസിസ്റ്റൻ്റ് നിങ്ങളെ സഹായിക്കുന്നു, നിങ്ങൾക്ക് എപ്പോൾ വേണമെങ്കിലും ഒരു മനുഷ്യ പ്രതിനിധിയുമായി ബന്ധപ്പെടാം" എന്ന വാചകം ഇട്ടിട്ടുണ്ട്. സുതാര്യതയും മാനുഷികമായ എക്സിറ്റും സംതൃപ്തി കുറച്ചില്ല; നേരെമറിച്ച്, അത് ആത്മവിശ്വാസം വർദ്ധിപ്പിക്കുകയും പരാതികൾ 15% കുറയുകയും ചെയ്തു. ശരിയായി ചെയ്ത സുതാര്യത മൂല്യമായിരുന്നു, വിലയല്ല.

പകർത്താവുന്ന നാല് ടെംപ്ലേറ്റുകൾ

1) നൈതിക സ്ക്രീനിംഗ്:

നിങ്ങളുടെ റോൾ: ഉത്തരവാദിത്തമുള്ള AI കൺസൾട്ടൻ്റ്. 7 തത്വങ്ങൾക്കായി ഈ സംരംഭം സ്കാൻ ചെയ്യുക: നീതി, സുതാര്യത, ഉത്തരവാദിത്തം, സ്വകാര്യത, മാനുഷിക മേൽനോട്ടം, സുരക്ഷ, സുസ്ഥിരത. ഓരോ പോളിസിക്കും, ഒരു റിസ്കും ഒരു ശുപാർശയും എഴുതുക. സംരംഭം: [ടെക്സ്റ്റ്]

2) ബാധിച്ച പാർട്ടി വിശകലനം:

ഈ AI സംരംഭം (ഉപഭോക്താവ്, ജീവനക്കാരൻ, സമൂഹം, പിന്നാക്ക വിഭാഗങ്ങൾ) ബാധിച്ച എല്ലാ കക്ഷികളെയും പട്ടികപ്പെടുത്തുക. ഓരോ കക്ഷിക്കും സാധ്യമായ പോസിറ്റീവ്, നെഗറ്റീവ് ഇഫക്റ്റുകൾ എഴുതുക; ഏറ്റവും കൂടുതൽ ഉപദ്രവിക്കപ്പെടാൻ സാധ്യതയുള്ള ഗ്രൂപ്പിനെ അടയാളപ്പെടുത്തുക. സംരംഭം: [ടെക്സ്റ്റ്]

3) ദുരുപയോഗ രംഗം:

ഇനിപ്പറയുന്ന AI ഫീച്ചർ ദുരുപയോഗം ചെയ്യപ്പെടാവുന്ന 5 സാഹചര്യങ്ങൾ സൃഷ്ടിക്കുക (മാനിപ്പുലേഷൻ, വിവേചനം, സ്വകാര്യത ലംഘനം, വഞ്ചന എന്നിവ ഉൾപ്പെടെ). ഓരോ സാഹചര്യത്തിനും ഒരു പ്രതിരോധ ഡിസൈൻ തീരുമാനം നിർദ്ദേശിക്കുക. ആട്രിബ്യൂട്ട്: [ടെക്സ്റ്റ്]

4) സുതാര്യതയും നിരീക്ഷണ നിയന്ത്രണവും:

ഉപഭോക്താവിനെ അഭിമുഖീകരിക്കുന്ന AI-യ്‌ക്കായി ഒരു സുതാര്യതയും മാനുഷിക മേൽനോട്ട പദ്ധതിയും എഴുതുക: ഉപയോക്താവിന് എന്ത് ആശയവിനിമയം നടത്തും, എങ്ങനെ; ഇത് എങ്ങനെ മനുഷ്യരിലേക്ക് പകരും? ആ തീരുമാനത്തെ എങ്ങനെ എതിർക്കും? ഉപയോഗം: [ടെക്സ്റ്റ്]

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായത്: "ഇത് AI ധാർമ്മികമാണോ?"

ഫലം: ഉപരിപ്ലവമായ "അതെ/ഇല്ല"; ഏത് തത്വം, ആരെയാണ് ബാധിക്കുന്നത്, എന്ത് അളവുകോൽ അവ്യക്തമാണ്.

ശക്തമായത്: "ഒരു റിക്രൂട്ട്‌മെൻ്റ് പ്രീ-സ്‌ക്രീനിംഗ് ടൂളിൽ AI ഉപയോഗിക്കുന്നത് ഞങ്ങൾ പരിഗണിക്കുന്നു (മനുഷ്യൻ അന്തിമ തീരുമാനം എടുക്കും). നീതി, സുതാര്യത, ഉത്തരവാദിത്തം, മാനുഷിക മേൽനോട്ടം എന്നിവയുടെ തത്ത്വങ്ങൾക്കായി ഇത് സ്‌ക്രീൻ ചെയ്യുക. ഏതൊക്കെ ഉദ്യോഗാർത്ഥികളെ അന്യായമായി ബാധിച്ചേക്കാം, ഞാൻ എന്ത് പക്ഷപാത പരിശോധനകൾ നടത്തണം, തീരുമാനത്തിനെതിരെ കാൻഡിഡേറ്റുകൾ എങ്ങനെ അപ്പീൽ ചെയ്യാം."

ഫലം: ബാധിച്ച കക്ഷിയെ തിരിച്ചറിയുകയും പരിശോധനയും അപ്പീലും നിർദ്ദേശിക്കുകയും ചെയ്യുന്ന തത്വാധിഷ്ഠിതവും പ്രായോഗികവുമായ വിലയിരുത്തൽ.

സാധാരണ തെറ്റുകൾ

• ധാർമ്മികതയെ നിയമപരമായ അനുസരണവുമായി ആശയക്കുഴപ്പത്തിലാക്കുന്നു. നിയമാനുസൃതമായതെല്ലാം ധാർമ്മികമല്ല; ധാർമ്മികത ഒരു ഉയർന്ന രേഖയാണ്.
• ധാർമ്മികത നിലനിൽക്കാൻ വിടുന്നു. രൂപകൽപ്പനയ്ക്ക് ശേഷം "ധാർമ്മിക അംഗീകാരം" നേടുന്നത് വളരെ വൈകിയാണ്; ധാർമ്മികത ആദ്യം മുതൽ ഡിസൈനിൽ ഉൾപ്പെടുത്തിയിരിക്കണം.
• നീതിയെ പരീക്ഷിക്കുന്നില്ല. "ഞങ്ങളുടെ മാതൃക നിഷ്പക്ഷമാണ്" എന്ന അനുമാനം അപകടകരമാണ്; അളക്കാതെ അറിയാൻ കഴിയില്ല.
• ചെലവിൻ്റെ സുതാര്യത തെറ്റിദ്ധരിക്കുന്നു. ശരിയായി ചെയ്യുന്ന സുതാര്യത വിശ്വാസവും മൂല്യവും വർദ്ധിപ്പിക്കുന്നു.
• ബാധിച്ച വശങ്ങൾ ഇടുങ്ങിയതായി നിലനിർത്തുക. ഉപഭോക്താവിനെ കുറിച്ച് മാത്രം ചിന്തിക്കുകയും ജീവനക്കാരനെയും സമൂഹത്തെയും അവശതയുള്ള വിഭാഗങ്ങളെയും അവഗണിക്കുകയും ചെയ്യുന്നത് അന്ധത സൃഷ്ടിക്കുന്നു.

മുന്നറിയിപ്പ്: ധാർമ്മിക മൂല്യനിർണ്ണയം പൂർണ്ണമായും കൃത്രിമബുദ്ധിയിലേക്ക് വിടുന്നത് പരസ്പരവിരുദ്ധവും അപകടകരവുമാണ്. ധാർമ്മിക ചോദ്യങ്ങൾ ഉയർത്താൻ AI-ക്ക് കഴിയും, എന്നാൽ മൂല്യനിർണ്ണയം, സാംസ്കാരിക പശ്ചാത്തലം, ആത്യന്തിക ധാർമ്മിക ഉത്തരവാദിത്തം എന്നിവ മനുഷ്യനിൽ നിക്ഷിപ്തമാണ്. ഒരു ഓർഗനൈസേഷൻ്റെ ധാർമ്മിക നിലപാട് നിർണ്ണയിക്കുന്നത് ആളുകളുടെ ബോധപൂർവമായ തിരഞ്ഞെടുപ്പുകളാണ്, അല്ലാതെ "AI അങ്ങനെ പറഞ്ഞു" എന്നതല്ല.

ചുരുക്കത്തിൽ

"നമുക്ക് കഴിയും", "ഞങ്ങൾ ചെയ്യണം" എന്നിവ തമ്മിലുള്ള വ്യത്യാസമാണ് ധാർമ്മികത, കൂടാതെ സ്ഥാപനത്തിൻ്റെ ദീർഘകാല വിശ്വാസ്യത സംരക്ഷിക്കുകയും ചെയ്യുന്നു. ഉത്തരവാദിത്തമുള്ള AI; നീതി, സുതാര്യത, ഉത്തരവാദിത്തം, സ്വകാര്യത, മനുഷ്യ മേൽനോട്ടം, സുരക്ഷ, സുസ്ഥിരത എന്നീ തത്വങ്ങളെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് ഇത്. ഈ തത്വങ്ങൾ അമൂർത്തമല്ല; ബാധിത കക്ഷികളെ തിരിച്ചറിയുക, പക്ഷപാതിത്വത്തിനായി പരീക്ഷിക്കുക, സുതാര്യത നൽകുക, മനുഷ്യ മേൽനോട്ടം ചേർക്കുക എന്നിങ്ങനെയുള്ള മൂർത്തമായ തീരുമാനങ്ങളിലേക്ക് ഇത് വിവർത്തനം ചെയ്യുന്നു. ധാർമ്മികത നിയമത്തിൽ നിന്ന് വ്യത്യസ്തമാണ്, അത് ഉയർന്ന രേഖയാണ്; ഇത് അവസാനം വരെ ഉപേക്ഷിക്കാൻ കഴിയില്ല, അത് ഡിസൈനിൽ ഉൾപ്പെടുത്തിയിരിക്കണം. അടുത്ത യൂണിറ്റിൽ, നൈതികതയുടെ നിയമപരമായ തുല്യത, പ്രത്യേകിച്ച് EU AI നിയമം, KVKK എന്നിവ പാലിക്കുന്നതിനെക്കുറിച്ച് ഞങ്ങൾ ചർച്ച ചെയ്യും.

ആപ്ലിക്കേഷൻ ടാസ്ക്

ഉയർന്ന സ്വാധീനമുള്ള AI സ്റ്റാർട്ടപ്പ് തിരഞ്ഞെടുക്കുക. ടെംപ്ലേറ്റ് 2 ഉപയോഗിച്ച്, ബാധിതരായ എല്ലാ കക്ഷികളെയും പട്ടികപ്പെടുത്തുക, ഏറ്റവും കൂടുതൽ ഉപദ്രവിക്കപ്പെടാൻ സാധ്യതയുള്ള ഗ്രൂപ്പിനെ അടയാളപ്പെടുത്തുക. ടെംപ്ലേറ്റ് 1 ഉപയോഗിച്ച്, ഏഴ് തത്വങ്ങൾക്കായി മുൻകൈ സ്കാൻ ചെയ്യുക. ഏറ്റവും നിർണായകമായ രണ്ട് നൈതിക അപകടസാധ്യതകൾക്കായി ഒരു മൂർത്തമായ അളവ് (ഫെയർനസ് ടെസ്റ്റ്, സുതാര്യത അറിയിപ്പ്, അപ്പീൽ റൂട്ട് മുതലായവ) നിർവ്വചിക്കുക. അവസാനമായി, "ഏറ്റവും പ്രതികൂലമായി ബാധിച്ച വ്യക്തിയോട് എനിക്ക് ഈ തീരുമാനം വിശദീകരിക്കാമോ?" ചോദ്യത്തിന് സത്യസന്ധമായി ഉത്തരം നൽകുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ബാധിച്ച എല്ലാ കക്ഷികളെയും ഞാൻ തിരിച്ചറിഞ്ഞിട്ടുണ്ട്.
• [ ] ഉത്തരവാദിത്തമുള്ള AI യുടെ ഏഴ് തത്വങ്ങൾ ഉപയോഗിച്ചാണ് ഞാൻ സ്റ്റാർട്ടപ്പ് സ്ക്രീൻ ചെയ്തത്.
• [ ] ഞാൻ പക്ഷപാത/നീതിക്കായി ഒരു ടെസ്റ്റ് പ്ലാൻ ചെയ്തു.
• [ ] ഞാൻ സുതാര്യത പ്രസ്‌താവന രൂപകൽപ്പന ചെയ്‌തു.
• [ ] മനുഷ്യൻ്റെ മേൽനോട്ടത്തിനും അപ്പീലിനും ഞാൻ ഒരു വഴിയും അവശേഷിപ്പിച്ചില്ല.
• [ ] ദുരുപയോഗ സാഹചര്യങ്ങളെക്കുറിച്ച് ഞാൻ ചിന്തിച്ചു.
• [ ] "ഏറ്റവും പ്രതികൂലമായി ബാധിച്ച ഒരാളോട് എനിക്ക് അത് വിശദീകരിക്കാമോ?" ഞാൻ പരീക്ഷ പാസായി.