നേട്ടങ്ങൾ:
- സമയ ശ്രേണി, ത്രെഷോൾഡ് ക്രോസിംഗ്, സെൻസർ ഗുണനിലവാര നിയന്ത്രണം (QA/QC) ആശയങ്ങൾ പ്രയോഗിക്കാനുള്ള കഴിവ്
- AI ഉപയോഗിച്ച് അപാകത സ്കാനിംഗ്, ട്രെൻഡ് സംഗ്രഹം, നഷ്ടമായ ഡാറ്റ സ്ട്രാറ്റജി എന്നിവ സൃഷ്ടിക്കാനുള്ള കഴിവ്
- അസംസ്കൃത ഡാറ്റയും കാലിബ്രേഷനും ഉപയോഗിച്ച് AI ചൂണ്ടിക്കാണിച്ച അതിരുകടന്നതും അപാകതകളും പരിശോധിക്കാനുള്ള കഴിവ്
നിങ്ങൾ ഒരു സംഘടിത വ്യവസായ മേഖലയിലെ മലിനജല ശുദ്ധീകരണ പ്ലാൻ്റിലെ ഷിഫ്റ്റ് എഞ്ചിനീയറാണ്. ഔട്ട്ലെറ്റിൽ സ്ഥിതി ചെയ്യുന്ന ഒരു തുടർച്ചയായ നിരീക്ഷണ സ്റ്റേഷൻ ഓരോ 15 മിനിറ്റിലും അലിഞ്ഞുപോയ ഓക്സിജൻ (DO), pH, ചാലകത, കെമിക്കൽ ഓക്സിജൻ ഡിമാൻഡ് (COD) എന്നിവ രേഖപ്പെടുത്തുന്നു. പുലർച്ചെ 03:40-ന്, SCADA സ്ക്രീനിലെ COD മൂല്യം 1,240 mg/L ആയി കുതിക്കുകയും സിസ്റ്റം ഒരു അലാറം ഉയർത്തുകയും ചെയ്യുന്നു. ഡിസ്ചാർജ് പരിധി 250 mg/L. നിങ്ങൾ പരിഭ്രാന്തരാകുന്നതിന് മുമ്പ് നിങ്ങൾ ചോദിക്കേണ്ട ചോദ്യം ഇതാണ്: ഇതൊരു യഥാർത്ഥ മലിനീകരണ സംഭവമാണോ അതോ സെൻസർ റെക്കോർഡിംഗാണോ? ഈ യൂണിറ്റിൽ, ടൈം സീരീസ് ഡാറ്റ സ്കാൻ ചെയ്യുന്നതിനും അപാകതകൾ അടയാളപ്പെടുത്തുന്നതിനും ട്രെൻഡ് സംഗ്രഹങ്ങൾ സൃഷ്ടിക്കുന്നതിനും "ഫസ്റ്റ് റീഡിംഗ് അസിസ്റ്റൻ്റ്" ആയി ഒരു ഭാഷാ മോഡൽ (LLM) എങ്ങനെ ഉപയോഗിക്കാമെന്ന് നിങ്ങൾ പഠിക്കും; പക്ഷേ, എന്തുകൊണ്ടാണ് അവൻ അന്തിമ തീരുമാനം അവൾക്ക് വിട്ടുകൊടുക്കാത്തതെന്ന് ഞങ്ങൾ ചർച്ച ചെയ്യുന്നു.
തുടർച്ചയായ നിരീക്ഷണ ഡാറ്റയുടെ ശരീരഘടന
കൃത്യമായ സമയ ഇടവേളകളിൽ ശേഖരിക്കുന്ന സമയ ശ്രേണിയാണ് പരിസ്ഥിതി നിരീക്ഷണ ഡാറ്റ. ഓരോ മെഷർമെൻ്റ് പോയിൻ്റും ഒരു ടൈംസ്റ്റാമ്പും മൂല്യവും ഗുണനിലവാരമുള്ള ഒരു പതാകയും ഉൾക്കൊള്ളുന്നു. അസംസ്കൃത ഡാറ്റ മനസ്സിലാക്കാൻ, നിങ്ങൾ മൂന്ന് ആശയങ്ങൾ വേർതിരിച്ചറിയണം:
- ട്രെൻഡ്: ദീർഘകാല പ്രവണത (ഉദാ. ചാലകതയിലെ സീസണൽ വർദ്ധനവ്).
- സീസണലിറ്റി/സൈക്കിൾ: ദിവസത്തിലോ വർഷത്തിലോ ആവർത്തിക്കുന്ന പാറ്റേണുകൾ (ഉദാ. പകൽ സമയ ഫോട്ടോസിന്തസിസ് വഴി DO യുടെ ഉയർച്ച).
- അപാകത: പ്രതീക്ഷിക്കുന്ന പാറ്റേണിൽ നിന്ന് സ്ഥിതിവിവരക്കണക്കനുസരിച്ച് വ്യതിചലിക്കുന്ന ഏകവചനമോ ഹ്രസ്വകാലമോ ആയ മൂല്യങ്ങൾ.
പരാമീറ്റർ
സാധാരണ നിരീക്ഷണ ശ്രേണി
സാമ്പിൾ പരിധി (ഡിസ്ചാർജ്)
സാധാരണ സെൻസർ പ്രശ്നം
പി.എച്ച്
1-5 മിനിറ്റ്
6-9 (യൂണിറ്റില്ലാത്തത്)
റഫറൻസ് ഇലക്ട്രോഡ് ഷിഫ്റ്റ്
അലിഞ്ഞുപോയ ഓക്സിജൻ (DO)
5-15 മിനിറ്റ്
≥ 5 mg/L (സ്വീകരിക്കുന്ന മീഡിയം)
മെംബ്രൻ ഫൗളിംഗ് (ബയോഫൗളിംഗ്)
ചാലകത
5-15 മിനിറ്റ്
ക്ലാസ് ആശ്രിതത്വം, µS/cm
കാലിബ്രേഷൻ ഡ്രിഫ്റ്റ്
COD (തുടർച്ചയുള്ള അനലൈസർ)
15-60 മിനിറ്റ്
250mg/L
റീജൻ്റ് ക്ഷീണം, തടസ്സം
PM10 (വായു)
1 മണിക്കൂർ
50 µg/m³ (24 മണിക്കൂർ)
ഈർപ്പം/കണ്ടൻസേഷൻ പ്രഭാവം
എന്തുകൊണ്ട് QA/QC പതാകകൾ പ്രധാനമാണ്?
QA/QC (ഗുണനിലവാര ഉറപ്പ് / ഗുണനിലവാര നിയന്ത്രണം) എന്നത് ഓരോ അളവെടുപ്പിനും ഒരു ട്രസ്റ്റ് ലേബൽ ഘടിപ്പിക്കുന്നതാണ്. ഒരു മൂല്യം "ഓവർഷൂട്ട്" ആണെന്ന് സ്ഥിതിവിവരക്കണക്കിൽ ദൃശ്യമായാലും, അത് കാലിബ്രേഷൻ വിൻഡോയ്ക്ക് പുറത്താണ് എടുത്തതെങ്കിൽ അല്ലെങ്കിൽ സെൻസർ അറ്റകുറ്റപ്പണിയിലാണെങ്കിൽ അത് അസാധുവാണ്. സാധാരണ ഫ്ലാഗ് കോഡുകൾ:
ഫ്ലാഗ് അർത്ഥം ---------------------------------- ജി നല്ലത് — സാധുവായ, സ്വീകാര്യമായ അളവുകൾ സംശയിക്കുന്നു — സംശയാസ്പദമാണ്, സ്ഥിരീകരണം ആവശ്യമാണ്M നഷ്ടമായി — കാണുന്നില്ല / ശൂന്യമായ റെക്കോർഡ് സി കാലിബ്രേഷൻ — കാലിബ്രേഷൻ/അറ്റകുറ്റപ്പണി വിൻഡോ, ഡാറ്റ അസാധുവാണ്E എസ്റ്റിമേറ്റ് — കണക്കാക്കിയ മൂല്യം
നുറുങ്ങ്: അതിരുകടന്ന വിശകലനം ആരംഭിക്കുന്നതിന് മുമ്പ് എല്ലായ്പ്പോഴും കാലിബ്രേഷൻ, മെയിൻ്റനൻസ് ലോഗുകൾ തുറക്കുക. 03:40-ലെ COD ജമ്പ് ഓട്ടോമാറ്റിക് ഓവർനൈറ്റ് കാലിബ്രേഷൻ അല്ലെങ്കിൽ റിയാജൻ്റ് മാറ്റവുമായി പൊരുത്തപ്പെടുന്നെങ്കിൽ, ഇതൊരു "C" ഫ്ലാഗ് ഡാറ്റയാണ്; ഇത് അലാറത്തിനുള്ള വിഷയമല്ല, ഡാറ്റ ക്ലീനിംഗിനുള്ളതാണ്.
AI ഉപയോഗിച്ചുള്ള അനോമലി സ്കാനിംഗും ട്രെൻഡ് സംഗ്രഹവും
ടാബുലാർ ഡാറ്റ വേഗത്തിൽ അവലോകനം ചെയ്യാൻ നിങ്ങൾക്ക് LLM ഉപയോഗിക്കാം, മനുഷ്യൻ്റെ കണ്ണിന് നഷ്ടമായേക്കാവുന്ന ഫ്ലാഗ് പാറ്റേണുകൾ, പ്രാരംഭ അനുമാനങ്ങൾ ക്രമീകരിക്കുക. നിർണായക പോയിൻ്റ്: മോഡലിന് റോ ഡാറ്റയും യൂണിറ്റുകളും ലിമിറ്റും ഒരുമിച്ച് നൽകുകയും അതിൽ നിന്ന് പരിശോധിക്കാവുന്ന നിരീക്ഷണങ്ങൾ ആവശ്യപ്പെടുകയും ചെയ്യുന്നു.
ദുർബലമായ നിർദ്ദേശം: "ഈ ജലത്തിൻ്റെ ഗുണനിലവാര ഡാറ്റയിൽ എന്തെങ്കിലും പ്രശ്നമുണ്ടോ?" ശക്തമായ നിർദ്ദേശം: "ഒരു മലിനജല ഡിസ്ചാർജ് പോയിൻ്റിൻ്റെ 15 മിനിറ്റ് നിരീക്ഷണ ഡാറ്റയാണ് ചുവടെയുള്ളത് (നിരകൾ: സമയം, COD [mg/L], ചാലകത [µS/cm], pH, QA ഫ്ലാഗ്). ഡിസ്ചാർജ് COD പരിധി 250 mg/L ആണ്, pH പരിധി 6-9 ആണ്. നിങ്ങളുടെ ടാസ്ക്: 1) ലിസ്റ്റ് ടൈംസ്റ്റാമ്പുകൾ പരിധിയിൽ അധികമാണ്. ഫ്ലാഗുകൾ; C/M/S ഫ്ലാഗുകളുള്ളവയെ പ്രത്യേകം 'പരിശോധിപ്പിക്കേണ്ടതുണ്ട്' ലിസ്റ്റിലേക്ക് വേർതിരിക്കുക 3) ഓരോ ഓവർഷൂട്ടിനും ഇത് ഒരു ഏകവചനമായോ (>= തുടർച്ചയായി 3 വരികൾ) 4) ചാലകതയും pH മാറ്റവും നിങ്ങൾക്ക് അനുകൂലമായിരിക്കില്ലേ എന്ന കാര്യം ശ്രദ്ധിക്കുക ഡാറ്റ ഉപയോഗിച്ച് പരിശോധിച്ചുറപ്പിച്ചു; പകരം 'റോ ഡാറ്റ ഉപയോഗിച്ച് സ്ഥിരീകരിക്കണം' എന്ന് എഴുതുക.
ശക്തമായ പ്രോംപ്റ്റ് മോഡലിനെ ഒരു മൂർത്തമായ നടപടിക്രമവുമായി ബന്ധിപ്പിക്കുന്നു, ഫ്ലാഗുകൾ പാഴ്സ് ചെയ്യുന്നു, കൂടാതെ ഭ്രമാത്മകത പരിമിതപ്പെടുത്തുന്നതിനുള്ള വ്യക്തമായ "നിങ്ങൾക്ക് ഉറപ്പില്ലെങ്കിൽ പറയരുത്" എന്ന നിർദ്ദേശവും ഉൾപ്പെടുന്നു (നിർമ്മിത വ്യാഖ്യാനം).
മുന്നറിയിപ്പ്: സംഖ്യാ പരിധി താരതമ്യത്തിൽ LLM പിശകുകൾ വരുത്തിയേക്കാം; 248 mg/L "അധികം" അല്ലെങ്കിൽ 252 mg/L "പരിധിക്കുള്ളിൽ" എന്ന് തെറ്റായി ലേബൽ ചെയ്യാം. റോ ടേബിളിൽ നിന്നോ ഫോർമുല ഉപയോഗിച്ചോ (ഉദാ. മൂല്യം > 250) മോഡൽ ലിസ്റ്റുകളിലെ ഓരോ അതിരുകടന്നതും വീണ്ടും പരിശോധിക്കുക. മോഡൽ സ്കാൻ ചെയ്യുന്നു; പരിധി നിങ്ങൾ തീരുമാനിക്കുക.
ഡാറ്റാ സ്ട്രാറ്റജി വിട്ടുപോയിരിക്കുന്നു (ഇംപ്യൂട്ടേഷൻ)
സെൻസറുകൾ അടഞ്ഞുപോകുന്നു, വൈദ്യുതി പോകും, ആശയവിനിമയം തകരാറിലാകുന്നു. നഷ്ടമായ ഡാറ്റ നിങ്ങൾ എങ്ങനെ പൂരിപ്പിക്കുന്നു എന്നത് നിങ്ങളുടെ പ്രവണതയെയും അതിരുകടന്ന വിശകലനത്തെയും നേരിട്ട് ബാധിക്കുന്നു. തെറ്റായ ആക്ഷേപത്തിന് നിലവിലില്ലാത്ത ഒരു ഓവർഷൂട്ട് "സൃഷ്ടിക്കാൻ" കഴിയും അല്ലെങ്കിൽ യഥാർത്ഥ ഓവർഷൂട്ട് മറയ്ക്കാൻ കഴിയും.
np# 15 മിനിറ്റ് COD സീരീസ് ആയി pdimport numpy ആയി പാണ്ടകളെ ഇറക്കുമതി ചെയ്യുക; -999 ഉപകരണ കോഡ് "ഡാറ്റ ഇല്ല" "ഫ്ലാഗ്": ["G", "G", "M", "M", "G", "S", "G", "G"],})# 1) ഉപകരണ കോഡുകൾ യഥാർത്ഥ വിട്ടുപോയ മൂല്യത്തിലേക്ക് പരിവർത്തനം ചെയ്യുക. 2 ഘട്ടങ്ങൾ); ഫ്ലാഗ് imputationgap = df["koi"].isna()df["koi_full"] = df["koi"].interpolate(limit=2)df.loc[gap & df["koi_full"].notna(), "flag"] = "E" # സ്കാനിംഗിനായി കണക്കാക്കിയ പരിധി # 3 പരിധി കവിയുന്നു) — കണക്കാക്കിയ പരിധി # 3 മൂല്യങ്ങൾ മാത്രം = df[(df["koi_full"] > 250) & (df["flag"] == "G")]print(asyms[["ts", "koi_full", "flag"]])
ഈ സമീപനത്തിൽ, ചെറിയ വിടവുകൾ നികത്തപ്പെടുന്നു, എന്നാൽ പൂരിപ്പിച്ച മൂല്യങ്ങൾ E ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുകയും ഓവർഷൂട്ട് തീരുമാനം യഥാർത്ഥ അളവെടുപ്പിൽ (G) നിന്ന് മാത്രമേ എടുക്കുകയുള്ളൂ. 1240 mg/L ൻ്റെ മൂല്യം S (സംശയാസ്പദം) ആയി ഫ്ലാഗുചെയ്തിരിക്കുന്നതിനാൽ, ഇത് സ്വയമേവയുള്ള അതിരുകടന്ന പട്ടികയിൽ ഉൾപ്പെടുത്തിയിട്ടില്ല; ആദ്യം പരിശോധിച്ചു.
സെൻസർ ഡ്രിഫ്റ്റും കാലിബ്രേഷനും വഴിയുള്ള സ്ഥിരീകരണം
ഒരു ഓവർഷൂട്ട് യഥാർത്ഥമാണോ സെൻസർ ഡ്രിഫ്റ്റാണോ എന്ന് നിർണ്ണയിക്കുന്നതിനുള്ള സ്വർണ്ണ നിലവാരം ഒരു കൺകറൻ്റ് ഗ്രാബ് സാമ്പിളിൻ്റെ ലബോറട്ടറി ഫലമാണ്. ഉദാഹരണത്തിന്, തുടർച്ചയായ അനലൈസർ 03:40-ന് 1240 mg/L കാണിക്കുകയും, ആ സമയത്ത് എടുത്ത സാമ്പിളിൻ്റെ ലബോറട്ടറി അളന്ന മൂല്യം 205 mg/L ആണെങ്കിൽ, പ്രശ്നം സെൻസറിലായിരിക്കും; ഡിസ്ചാർജ് അല്ല. ഫീൽഡും ലബോറട്ടറിയും ഉള്ള AI ഔട്ട്പുട്ട് അല്ലെങ്കിൽ SCADA അലാറത്തിൻ്റെ ത്രികോണമാണിത്.
മിനി കേസ്
കുടിവെള്ള തടത്തിലെ ടർബിഡിറ്റി സെൻസർ മൂന്ന് ദിവസമായി ക്രമാനുഗതമായി വർദ്ധിക്കുന്ന പ്രവണത കാണിക്കുന്നു. ഷിഫ്റ്റ് ടീം പ്രതിവാര ഡാറ്റ LLM-ന് നൽകി; "മഴയ്ക്ക് ശേഷമുള്ള ഒഴുക്ക് മൂലം പ്രക്ഷുബ്ധതയിൽ യഥാർത്ഥ വർദ്ധനവ് സാധ്യമാണ്," മോഡൽ പറഞ്ഞു. എന്നാൽ, എൻജിനീയർ കാലാവസ്ഥാ രേഖകൾ പരിശോധിച്ചപ്പോൾ, ആ ആഴ്ച്ച മേഖലയിൽ മഴ പെയ്തില്ല. ഫീൽഡ് പരിശോധനയിൽ, സെൻസർ ഒപ്റ്റിക്കൽ വിൻഡോയിൽ ബയോഫൗളിംഗ് രൂപപ്പെട്ടതായി മനസ്സിലായി; വൃത്തിയാക്കലിനും കാലിബ്രേഷനും ശേഷം, മൂല്യങ്ങൾ സാധാരണ നിലയിലേക്ക് മടങ്ങി. "സാധ്യമായ യഥാർത്ഥ സംഭവത്തെ" കുറിച്ചുള്ള LLM ൻ്റെ വ്യാഖ്യാനം ബാഹ്യ ഡാറ്റയും (മഴ റെക്കോർഡ്) ഫീൽഡ് നിയന്ത്രണവും നിരാകരിച്ചു. പാഠം: മോഡൽ വിശ്വസനീയവും എന്നാൽ തെറ്റായതുമായ ഒരു കഥ സൃഷ്ടിച്ചേക്കാം; സ്ഥിരീകരണ ശൃംഖല അത് പിടിക്കുന്നു.
സാധാരണ തെറ്റുകൾ
- കാലിബ്രേഷൻ/മെയിൻ്റനൻസ് വിൻഡോയിലെ (ഫ്ലാഗ് സി) ഡാറ്റയെ യഥാർത്ഥ അതിരുകടന്നതിന് തെറ്റിദ്ധരിപ്പിക്കുന്നു.
- നഷ്ടമായ ഡാറ്റ നിശബ്ദമായി പൂരിപ്പിക്കുകയും കണക്കാക്കിയ മൂല്യങ്ങൾ യഥാർത്ഥ അളവുകളായി റിപ്പോർട്ട് ചെയ്യുകയും ചെയ്യുന്നു.
- ഒരു ഏകവചനമായ ബൗൺസ് (സിംഗിൾ ലൈൻ, ഒരു പക്ഷേ വൈദ്യുത ശബ്ദം) തുടർച്ചയായ ഇവൻ്റിനായി തെറ്റിദ്ധരിക്കുന്നു.
- LLM-ൻ്റെ ബ്രേക്ക്പോയിൻ്റ് താരതമ്യങ്ങളെ അന്ധമായി വിശ്വസിക്കുന്നു (248 vs 250).
- ഒരേസമയം പാരാമീറ്ററുകൾ (pH + ചാലകത + COD) ക്രോസ്-ചെക്ക് ചെയ്യാതെ ഒരൊറ്റ പാരാമീറ്ററിനെ അടിസ്ഥാനമാക്കി തീരുമാനങ്ങൾ എടുക്കുന്നു.
- ഗ്രാബ് സാമ്പിൾ/ലബോറട്ടറി സ്ഥിരീകരണത്തോടെ സെൻസർ ഡ്രിഫ്റ്റ് ഒഴിവാക്കാതെ അലാറം "യഥാർത്ഥം" എന്ന് പ്രഖ്യാപിക്കുന്നു.
- പ്രാദേശിക സമയം/UTC, വേനൽക്കാല സമയ ഷിഫ്റ്റുകൾ എന്നിവ അവഗണിക്കുകയും ഇവൻ്റുകൾ തെറ്റായ സമയത്തിന് ആട്രിബ്യൂട്ട് ചെയ്യുകയും ചെയ്യുന്നു.
ചുരുക്കത്തിൽ
- പരിസ്ഥിതി നിരീക്ഷണ ഡാറ്റ ഒരു സമയ ശ്രേണിയാണ്; പ്രവണത, ഋതുഭേദം, അപാകത എന്നിവ വേർതിരിച്ചറിയാതെ അതിനെ വ്യാഖ്യാനിക്കാൻ കഴിയില്ല.
- QA/QC ഫ്ലാഗുകളാണ് ഡാറ്റയുടെ ട്രസ്റ്റ് ടാഗ്; സാധുവായ (ജി) ഡാറ്റയിൽ നിന്ന് മാത്രമാണ് തീരുമാനങ്ങൾ എടുക്കുന്നത്.
- അനോമലി സ്കാനിംഗ്, അതിരുകടന്ന ലിസ്റ്റിംഗ്, ട്രെൻഡ് സംഗ്രഹം എന്നിവയ്ക്കായുള്ള വേഗത്തിലുള്ള ഫസ്റ്റ് റീഡ് അസിസ്റ്റൻ്റാണ് LLM, ഒരു തീരുമാനമെടുക്കുന്നയാളല്ല.
- നഷ്ടപ്പെട്ട ഡാറ്റാ തന്ത്രം (ഇംപ്യൂട്ടേഷൻ) സുതാര്യമായിരിക്കണം; പൂരിപ്പിച്ച മൂല്യങ്ങൾ അടയാളപ്പെടുത്തിയിരിക്കുന്നു, അവ അതിരുകടന്ന തീരുമാനത്തിൻ്റെ അടിസ്ഥാനമായി എടുക്കുന്നില്ല.
- സെൻസർ ഡ്രിഫ്റ്റ്, ബയോഫൗളിംഗ്, കാലിബ്രേഷൻ ഡ്രിഫ്റ്റ് എന്നിവ "സ്പ്യൂറിയസ് ഓവർഷൂട്ട്" ഉണ്ടാക്കുന്നു; ഗ്രാബ് സാമ്പിളും ലബോറട്ടറി സ്ഥിരീകരണവും വേർതിരിക്കുന്നു.
- AI ഔട്ട്പുട്ട് ഒരു സിദ്ധാന്തമാണ്; കാലിബ്രേഷൻ റെക്കോർഡ്, ഫീൽഡ് കൺട്രോൾ എന്നിവ പരിശോധിച്ചുറപ്പിക്കാതെ റോ ഡാറ്റ ഔദ്യോഗിക റിപ്പോർട്ടിൽ പ്രവേശിക്കുന്നില്ല.
ആപ്ലിക്കേഷൻ ടാസ്ക്
നിങ്ങളുടെ പക്കലുള്ള (അല്ലെങ്കിൽ കൃത്രിമമായി ജനറേറ്റുചെയ്യുന്ന) 24-മണിക്കൂർ, 15 മിനിറ്റ് നിരീക്ഷണ ഡാറ്റാസെറ്റ് എടുക്കുക (കുറഞ്ഞത് ഒരു പാരാമീറ്റർ: COD, pH, അല്ലെങ്കിൽ PM10) കൂടാതെ QA/QC ഫ്ലാഗുകളും ലിസ്റ്റ് പരിധി കവിയുന്നതുമായ ഒരു റൺ സൃഷ്ടിക്കുക. ആദ്യം, ശക്തമായ ഒരു പ്രോംപ്റ്റ് എഴുതുകയും അസാധാരണത്വവും അതിരുകടന്ന സ്കാനിംഗും LLM-നോട് ആവശ്യപ്പെടുകയും ചെയ്യുക; പൈത്തണിലെ മൂല്യം > പരിധി ഫിൽട്ടർ ഉപയോഗിച്ച് അതേ അതിരുകടന്നവ സ്വതന്ത്രമായി പരിശോധിക്കുക. ചുരുങ്ങിയത് ഒരു ഇംപ്യൂട്ടേഷൻ ഉദാഹരണം ഉണ്ടാക്കി പൂരിപ്പിച്ച മൂല്യങ്ങൾ E ഉപയോഗിച്ച് അടയാളപ്പെടുത്തുക. ഓരോ "ഓവർഷൂട്ടിനും" നിങ്ങൾ "ഗ്രാബ് സാമ്പിൾ/കാലിബ്രേഷൻ റെക്കോർഡ് ഉപയോഗിച്ച് ഇത് എങ്ങനെ പരിശോധിക്കും?" ഒരു വാചകത്തിൽ ചോദ്യത്തിന് ഉത്തരം നൽകുക. ആത്യന്തികമായി, LLM ഫ്ലാഗ് ചെയ്ത അപാകതകളിൽ എത്രയെണ്ണം യഥാർത്ഥ സംഭവങ്ങളാണെന്നും എത്ര സെൻസർ/ഡാറ്റ പ്രശ്നങ്ങളാണെന്നും ന്യായീകരണങ്ങളോടെ പട്ടികപ്പെടുത്തുക.