ഡാറ്റാ അനലിറ്റിക്‌സ് ഉപയോഗിച്ച് പൂർണ്ണ ജനസംഖ്യാ പരിശോധന: സാമ്പിളിൽ നിന്ന് മൊത്തത്തിലേക്ക്

നേട്ടങ്ങൾ:

• സാമ്പിൾ അപകടസാധ്യതയും പൂർണ്ണ പോപ്പുലേഷൻ ടെസ്റ്റിംഗിൻ്റെ യുക്തിയും മനസ്സിലാക്കുക (100% പരിശോധന) കൂടാതെ ഡാറ്റ തയ്യാറാക്കുന്നതിനും നിയമങ്ങൾ എഴുതുന്നതിനും ഫല വ്യാഖ്യാനത്തിനും ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് ഉപയോഗിക്കാൻ കഴിയും.
• ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ് പിന്തുണയോടെ വലിയ ഡാറ്റാ സെറ്റുകളിൽ പൊരുത്തപ്പെടുത്തൽ, പൂർണ്ണത, കൃത്യത എന്നിവയുടെ പരിശോധനകൾ രൂപകൽപ്പന ചെയ്യാനും നടപ്പിലാക്കാനുമുള്ള കഴിവ്
• മുഴുവൻ പോപ്പുലേഷൻ ടെസ്റ്റിലെ ഒഴിവാക്കൽ പട്ടിക ഒരു ഫലമല്ല, മറിച്ച് ഓഡിറ്റർ പരിശോധിക്കുന്ന ഒരു തുടക്കമാണെന്നും അന്തിമ മൂല്യനിർണ്ണയം ഓഡിറ്ററുടേതാണെന്നും മനസ്സിലാക്കാനുള്ള കഴിവ്.

ഓഡിറ്റിംഗ് പ്രൊഫഷൻ്റെ ഏറ്റവും അടിസ്ഥാനപരമായ പരിമിതികളിലൊന്ന്, ഓഡിറ്റർ വർഷങ്ങളോളം സാമ്പിളുമായി പ്രവർത്തിക്കേണ്ടി വന്നു എന്നതാണ്. ഒരു വർഷത്തിനുള്ളിൽ 180,000 ഇൻവോയ്‌സുകൾ ഒരു ബിസിനസ് പ്രശ്‌നങ്ങൾ നിങ്ങൾക്ക് നേരിട്ട് അവലോകനം ചെയ്യാൻ കഴിയില്ല; അതിനാൽ നിങ്ങൾ ഒരു സ്റ്റാറ്റിസ്റ്റിക്കൽ അല്ലെങ്കിൽ വിധിന്യായ രീതി ഉപയോഗിച്ച് നൂറുകണക്കിന് റെക്കോർഡുകൾ തിരഞ്ഞെടുത്ത്, അവ പരീക്ഷിച്ച്, ഫലം മുഴുവൻ ജനങ്ങളിലേക്കും സാമാന്യവൽക്കരിക്കുക. സാംപ്ലിംഗ് ശക്തവും നിയമാനുസൃതവുമായ ഒരു സാങ്കേതികതയാണ്, എന്നാൽ ഇത് ഒരു അന്തർലീനമായ അപകടസാധ്യത വഹിക്കുന്നു: സാമ്പിൾ റിസ്ക് - നിങ്ങൾ തിരഞ്ഞെടുക്കുന്ന സാമ്പിൾ ജനസംഖ്യയുടെ പ്രതിനിധി ആയിരിക്കണമെന്നില്ല, അതിലെ യഥാർത്ഥ പിശക് നിങ്ങൾ നോക്കുന്നിടത്ത് കൃത്യമായി വീഴാനിടയില്ല.

ഡാറ്റ അനലിറ്റിക്‌സും AI-യും ഈ ചിത്രം മാറ്റുന്നു: നിങ്ങൾക്ക് ഇപ്പോൾ മുഴുവൻ ജനസംഖ്യയും, അതായത് 100% പരിശോധിക്കാം. ഇതിനെ സമ്പൂർണ്ണ ജനസംഖ്യാ പരിശോധന എന്ന് വിളിക്കുന്നു. "സാമ്പിൾ" എന്നതിൽ നിന്ന് മൊത്തത്തിലുള്ള പരിവർത്തനം, അത് കൊണ്ടുവരുന്ന ശക്തി, പലരും അവഗണിക്കുന്ന പുതിയ ഉത്തരവാദിത്തങ്ങൾ എന്നിവ മനസ്സിലാക്കാൻ ഞങ്ങൾ ഈ യൂണിറ്റ് സമർപ്പിക്കുന്നു. കാരണം മുഴുവൻ ജനസംഖ്യാ പരിശോധനയും പരിശോധനയെ സുഗമമാക്കുന്നില്ല; ഇത് പരീക്ഷയുടെ സ്വഭാവം മാറ്റുകയും പരീക്ഷകൻ്റെ മേൽ പുതിയ ഭാരം ചുമത്തുകയും ചെയ്യുന്നു.

സാംപ്ലിംഗും പൂർണ്ണ ജനസംഖ്യാ പരിശോധനയും തമ്മിലുള്ള വ്യത്യാസം

ക്ലാസിക്കൽ സാമ്പിളിൽ, ലോജിക് ഇതാണ്: "ചെറിയതും എന്നാൽ പ്രാതിനിധ്യമുള്ളതുമായ ഒരു ഗ്രൂപ്പിനെ ഞാൻ നന്നായി പരിശോധിക്കട്ടെ, ഫലം മൊത്തത്തിൽ വ്യാഖ്യാനിക്കാം." പൂർണ്ണ ജനസംഖ്യാ പരിശോധനയിൽ, യുക്തി വിപരീതമാണ്: "ചില നിയമങ്ങൾക്കനുസൃതമായി ഞാൻ മുഴുവനും സ്കാൻ ചെയ്യട്ടെ, നിയമത്തിന് പുറത്തുള്ള ഒഴിവാക്കലുകൾ കണ്ടെത്തി അവയെ സമഗ്രമായി പരിശോധിക്കുക." ആദ്യ സമീപനത്തിൽ, അപകടസാധ്യത "തെറ്റായ സാമ്പിൾ തിരഞ്ഞെടുക്കുന്നതാണ്"; രണ്ടാമത്തേതിൽ, "തെറ്റായ നിയമം എഴുതുക", "അപൂർണ്ണമായ/തെറ്റായ ഡാറ്റയിൽ പ്രവർത്തിക്കുക" എന്നിവയാണ് അപകടസാധ്യത.

ഇനിപ്പറയുന്ന പട്ടിക രണ്ട് സമീപനങ്ങളെയും താരതമ്യം ചെയ്യുന്നു:

വലിപ്പം

സാമ്പിൾ

പൂർണ്ണ ജനസംഖ്യാ പരിശോധന (100%)

വ്യാപ്തി

ജനസംഖ്യയുടെ ഭാഗം

മുഴുവൻ ജനസംഖ്യയും

പ്രധാന അപകടസാധ്യത

സാമ്പിൾ റിസ്ക് (പ്രാതിനിധ്യ പിശക്)

റൂൾ പിശക് + ഡാറ്റ സമഗ്രത പിശക്

ഔട്ട്പുട്ട്

പരിശോധനാ ഫലങ്ങളുടെ പരിമിതമായ എണ്ണം

നിയമത്തിന് അനുസൃതമല്ലാത്ത ഒഴിവാക്കലുകളുടെ പട്ടിക

ഓഡിറ്ററുടെ ഭാരം

ചോയ്സ് + ടെസ്റ്റ്

റൂൾ ഡിസൈൻ + ഒഴിവാക്കൽ മൂല്യനിർണ്ണയം

AI യുടെ പങ്ക്

സാമ്പിൾ തിരഞ്ഞെടുക്കുന്നതിൽ സഹായിക്കുക

ഡാറ്റ തയ്യാറാക്കൽ, നിയമങ്ങൾ എഴുതൽ, ഒഴിവാക്കൽ അടയാളപ്പെടുത്തൽ

ശ്രദ്ധിക്കുക: പൂർണ്ണ ജനസംഖ്യാ പരിശോധന എന്നാൽ "ഞാൻ എല്ലാം പരീക്ഷിച്ചു, ജോലി ചെയ്തു" എന്നല്ല. നേരെമറിച്ച്, ഇത് സാധാരണയായി നിങ്ങൾക്ക് പരിശോധിക്കാൻ കൂടുതൽ ഇനങ്ങൾ നൽകുന്നു. നിങ്ങൾ എല്ലാ 180,000 ഇൻവോയ്സുകളും ഒരു തീയതി-തുക-അംഗീകാരം നിയമത്തിലൂടെ പ്രവർത്തിപ്പിക്കുമ്പോൾ, നിങ്ങൾക്ക് 900 ഒഴിവാക്കലുകൾ കണ്ടെത്താം. ഇവ ഓരോന്നും ഓരോ ചോദ്യമാണ്; ഒരു ഉത്തരമല്ല. ഇവിടെയാണ് ഓഡിറ്റ് ജുഡീഷ്യറിയുടെ പ്രസക്തി.

ഡാറ്റ സമ്പൂർണ്ണത: പരിശോധനയുടെ അദൃശ്യമായ അടിസ്ഥാനം

മുഴുവൻ പോപ്പുലേഷൻ ടെസ്റ്റിംഗിലെ ഏറ്റവും വലിയ പോരായ്മ, ടെസ്റ്റിൻ്റെ ഗുണനിലവാരം ഡാറ്റയുടെ ഗുണനിലവാരത്തെ ആശ്രയിച്ചിരിക്കുന്നു എന്നതാണ്. "ഞാൻ ഡാറ്റയുടെ 100% പരീക്ഷിച്ചു" എന്നത് നിങ്ങളുടെ പക്കലുള്ള ഡാറ്റ യഥാർത്ഥത്തിൽ ജനസംഖ്യയുടെ 100% ആണെങ്കിൽ മാത്രമേ അർത്ഥമാക്കൂ. സിസ്റ്റത്തിൽ നിന്ന് ഡാറ്റ വലിക്കുമ്പോൾ ഒരു ഫിൽട്ടർ തെറ്റാണെങ്കിൽ, ചില രേഖകൾ ഒഴിവാക്കപ്പെടുകയോ അല്ലെങ്കിൽ തുക കോളം ഒരു ദശാംശ പിശക് ഉപയോഗിച്ച് കൈമാറ്റം ചെയ്യുകയോ ചെയ്താൽ, നിങ്ങളുടെ "പൂർണ്ണ" പരിശോധന യഥാർത്ഥത്തിൽ അപൂർണ്ണമോ കേടായതോ ആയ ഡാറ്റയിൽ നടത്തും. അതിനാൽ, പൂർണ്ണ ജനസംഖ്യാ പരിശോധനയിലെ ആദ്യത്തേതും അനിവാര്യവുമായ ഘട്ടമാണ് ഡാറ്റയുടെ സമ്പൂർണ്ണതയും കൃത്യതയും സ്ഥിരീകരിക്കുന്നത്.

പൂർണ്ണത പരിശോധിക്കുന്നതിനുള്ള പ്രായോഗിക പരിശോധനകൾ:

• റെക്കോർഡ് കൗണ്ട് അനുരഞ്ജനം: നിങ്ങൾ വലിച്ചിട്ട ഡാറ്റാസെറ്റിലെ വരികളുടെ എണ്ണം സിസ്റ്റത്തിലെ മൊത്തം റെക്കോർഡുകളുടെ എണ്ണവുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ?
• തുക അനുരഞ്ജനം: ഡാറ്റാസെറ്റിലെ മൊത്തം തുക ട്രയൽ ബാലൻസ്/സബ്‌സിഡിയറിയിലെ പ്രസക്തമായ അക്കൗണ്ട് മൊത്തവുമായി പൊരുത്തപ്പെടുന്നുണ്ടോ?
• തീയതി ശ്രേണി: ഡാറ്റയിൽ ഉൾപ്പെടുത്തിയിരിക്കുന്ന കാലയളവിലെ ആദ്യത്തേയും അവസാനത്തേയും ദിവസങ്ങളാണോ; കാണാതായ മാസം/ദിവസം ഉണ്ടോ?
• ശൂന്യവും മോശം സ്പേസ് സ്കാനിംഗ്: ആവശ്യമായ ഫീൽഡുകളിൽ (തീയതി, തുക, അക്കൗണ്ട് കോഡ്) എന്തെങ്കിലും സ്പെയ്സുകളോ അർത്ഥശൂന്യമായ മൂല്യങ്ങളോ ഉണ്ടോ?

ഈ എല്ലാ പരിശോധനകളിലും AI സഹായിക്കുന്നു: ഡാറ്റ ക്രാൾ ചെയ്യുന്നു, ആകെത്തുകകൾ ലഭിക്കുന്നു, ശൂന്യമായ ഇടങ്ങൾ കണക്കാക്കുന്നു, തീയതി ശ്രേണി റിപ്പോർട്ടുചെയ്യുന്നു. എന്നാൽ കരാർ "നിലനിൽക്കുന്നുണ്ടോ" എന്ന് തീരുമാനിക്കുന്നതും വ്യത്യാസം അന്വേഷിക്കുന്നതും ഡാറ്റ ഓഡിറ്റ് ആവശ്യത്തിന് അനുയോജ്യമാണോ എന്ന് സ്ഥിരീകരിക്കുന്നതും ഓഡിറ്ററാണ്.

മുന്നറിയിപ്പ്: ഡാറ്റയുടെ പൂർണത പരിശോധിക്കാതെ വർക്ക്ഷീറ്റിൽ "ഞാൻ എല്ലാ ഡാറ്റയും പരീക്ഷിച്ചു" എന്ന് എഴുതരുത്. നഷ്‌ടമായ ഡാറ്റയെക്കുറിച്ചുള്ള ഒരു പൂർണ്ണ പോപ്പുലേഷൻ ടെസ്റ്റ് പൂർണ്ണമായി തോന്നിക്കുന്നതും എന്നാൽ തെറ്റിദ്ധരിപ്പിക്കുന്നതുമായ ഉറപ്പ് നൽകുന്നു.

AI ഉപയോഗിച്ച് പൂർണ്ണ ജനസംഖ്യാ പരിശോധന: ഘട്ടം ഘട്ടമായി

1. സുരക്ഷിതമായി ഡാറ്റ തയ്യാറാക്കുക. വ്യക്തിഗത/സ്വകാര്യ ഫീൽഡുകൾ അജ്ഞാതമാക്കുക അല്ലെങ്കിൽ അവയെ പ്ലെയ്‌സ്‌ഹോൾഡറുകൾ ഉപയോഗിച്ച് മാറ്റിസ്ഥാപിക്കുക. സാധ്യമെങ്കിൽ, ഒരു കോർപ്പറേറ്റ്, കരാർ ഉള്ള വാഹനം ഉപയോഗിക്കുക.
2. പൂർണ്ണത സ്ഥിരീകരിക്കുക. രേഖകളുടെ എണ്ണവും തുകയും യോജിപ്പിക്കുക.
3. ടെസ്റ്റ് റൂൾ വ്യക്തമായി നിർവചിക്കുക. ഒരു "അപവാദം" ആയി കണക്കാക്കുന്നത് എന്താണ്? (ഉദാഹരണത്തിന്: അംഗീകൃതമല്ലാത്ത ഇൻവോയ്‌സ്, വാരാന്ത്യത്തിൽ നൽകിയ ഇൻവോയ്‌സ്, വലിയ റൗണ്ട് പേയ്‌മെൻ്റ്, കട്ട്-ഓഫ് തീയതിക്ക് ശേഷം രേഖപ്പെടുത്തിയ വരുമാനം.)
4. AI ഉപയോഗിച്ച് നിയമം പ്രയോഗിക്കുക. AI ഡാറ്റയിൽ നിയമം പ്രയോഗിക്കുകയും ഒഴിവാക്കലുകളുടെ ഒരു ലിസ്റ്റ് നിർമ്മിക്കുകയും ചെയ്യുന്നു; റൂൾ വ്യക്തമായി എഴുതുക, അങ്ങനെ അത് ഓഡിറ്റ് ചെയ്യാൻ കഴിയും.
5. ഒഴിവാക്കലുകൾക്ക് മുൻഗണന നൽകുകയും അവലോകനം ചെയ്യുകയും ചെയ്യുക. എല്ലാ അപവാദങ്ങളും തെളിവുകൾ സഹിതം അന്വേഷിക്കുക; തെറ്റായ പോസിറ്റീവുകളെ അഭിസംബോധന ചെയ്യുക, യഥാർത്ഥ കണ്ടെത്തലുകളെ ന്യായീകരിക്കുക.
6. ഫലം രേഖപ്പെടുത്തുക. നിയമം, ഒഴിവാക്കലുകളുടെ എണ്ണം, പരിശോധിച്ച ഇനങ്ങൾ, ഉപസംഹാരം എന്നിവ വർക്ക്ഷീറ്റിലേക്ക് ലിങ്ക് ചെയ്യുക.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - കട്ടിംഗ് ടെസ്റ്റ്. ഒരു ഓഡിറ്റർ വർഷാവസാന വരുമാന കട്ട്ഓഫ് പരിശോധിക്കാൻ ആഗ്രഹിച്ചു. മൊത്തം ജനസംഖ്യയായി 42,000 വിൽപ്പന ഇൻവോയ്‌സുകൾ അദ്ദേഹം എടുക്കുകയും "ഡിസംബർ 31-നകം ഇൻവോയ്‌സ് തീയതികളുള്ള ലിസ്റ്റ് റെക്കോർഡുകൾ AI നടപ്പിലാക്കുകയും ചെയ്തു, എന്നാൽ ഷിപ്പിംഗ്/ഡെലിവറി തീയതികൾ ജനുവരി 1-നോ അതിനു ശേഷമോ ആണ്". YZ 118 റെക്കോർഡുകൾ അടയാളപ്പെടുത്തി. ഓഡിറ്റർ ഇവ പരിശോധിച്ചു: 96 സമയവ്യത്യാസങ്ങളില്ലാത്ത നിയമാനുസൃതമായ ഇടപാടുകളാണ് (അതേ ദിവസത്തെ ഡെലിവറി), 22 യഥാർത്ഥത്തിൽ അടുത്ത വർഷത്തെ വരുമാനവും മുൻ കാലയളവിൽ രേഖപ്പെടുത്തിയവയുമാണ്. ഈ 22 ഇനങ്ങൾ റിപ്പോർട്ടുചെയ്‌തത് അവ പ്രാധാന്യത്തിന് താഴെയാണെങ്കിലും ഒരു പാറ്റേൺ കാണിച്ചതിനാലാണ്. AI 118 ചോദ്യങ്ങൾ ചോദിച്ചു; ഓഡിറ്റർ 22 ഉത്തരങ്ങൾ കണ്ടെത്തി.

കേസ് 2 - പൂർണ്ണത ഒഴിവാക്കുമ്പോൾ. 180,000 ഇൻവോയ്സുകളിൽ മുഴുവൻ ജനസംഖ്യാ പരിശോധന നടത്തിയതായി ഒരു ടീം അംഗം പറഞ്ഞു; അപവാദങ്ങളൊന്നും ഉണ്ടായിരുന്നില്ല, അവൻ ആശ്വസിച്ചു. ഉത്തരവാദിത്തമുള്ള വ്യക്തി ഡാറ്റാസെറ്റിൻ്റെ മൊത്തം തുക ട്രയൽ ബാലൻസുമായി താരതമ്യം ചെയ്തു: ഡാറ്റ 155 ദശലക്ഷം TL, ട്രയൽ ബാലൻസ് 210 ദശലക്ഷം TL. സിസ്റ്റത്തിൽ നിന്ന് ഡാറ്റ പിൻവലിക്കുമ്പോൾ, ഒരു ബ്രാഞ്ച് ഫിൽട്ടർ ചെയ്യുകയും പുറത്തുപോകുകയും ചെയ്തുവെന്ന് ഇത് മാറുന്നു. "പൂർണ്ണമായ" പരിശോധനയിൽ യഥാർത്ഥത്തിൽ ഡാറ്റയുടെ നാലിലൊന്ന് നഷ്ടമായി. ശരിയായ ഡാറ്റ ഉപയോഗിച്ച് പരിശോധന നടത്തി. പാഠം: പൂർണ്ണത സ്ഥിരീകരിക്കാതെ സമ്പൂർണ്ണ ജനസംഖ്യാ പരിശോധനയില്ല.

കേസ് 3 - നിയമങ്ങളുടെ പിശക്. "50,000 TL-ന് മുകളിലുള്ള അംഗീകൃതമല്ലാത്ത പേയ്‌മെൻ്റുകൾ ലിസ്റ്റ് ചെയ്യുക" എന്ന നിയമം AI എഴുതാൻ ഒരു ഓഡിറ്റർ നിർദ്ദേശിച്ചു, എന്നാൽ "അംഗീകാരം" ഫീൽഡ് സിസ്റ്റത്തിൽ രണ്ട് വ്യത്യസ്ത കോളങ്ങളിലാണ് (ഇലക്‌ട്രോണിക് അംഗീകാരവും മാനുവൽ അംഗീകാരവും) സൂക്ഷിച്ചിരിക്കുന്നതെന്ന് മനസ്സിലായില്ല. AI 300 പേയ്‌മെൻ്റുകൾ "അംഗീകരിക്കാത്തത്" എന്ന് അടയാളപ്പെടുത്തി, കാരണം അത് ഒന്ന് മാത്രം നോക്കി; പരിശോധിച്ചപ്പോൾ കണ്ടത് മിക്കവയും മറ്റേ കോളത്തിൽ അപ്രൂവ് ചെയ്തവയാണ്. തെറ്റായ ഭരണം നൂറുകണക്കിന് തെറ്റായ പോസിറ്റീവുകൾ സൃഷ്ടിച്ചു. രണ്ട് കോളങ്ങളും ഉൾപ്പെടുത്താൻ ഓഡിറ്റർ ചട്ടം തിരുത്തി. പാഠം: റൂൾ ഡാറ്റയ്ക്കും ബിസിനസ്സ് പ്രക്രിയയ്ക്കും അനുസൃതമാണെന്ന് ഓഡിറ്റർ പരിശോധിക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

ദുർബലമായ പ്രോംപ്റ്റ്:

ഈ ഇൻവോയ്സ് ഡാറ്റയിൽ പ്രശ്നമുള്ള രേഖകൾ കണ്ടെത്തുക.

പ്രശ്നം: "പ്രശ്നമുള്ളത്" എന്നതിന് നിർവചനമില്ല ഒരു അപവാദമായി എന്ത് പരിഗണിക്കണമെന്ന് AI-ക്ക് അറിയില്ല; അവൻ ക്രമരഹിതമായ സിഗ്നലുകൾ അനുസരിച്ചോ അല്ലെങ്കിൽ അവൻ ഉണ്ടാക്കിയ ഒരു മാനദണ്ഡം അനുസരിച്ചോ പ്രവർത്തിക്കുന്നു. ഇത് ആവർത്തിക്കാവുന്നതും ഓഡിറ്റ് ചെയ്യാവുന്നതുമല്ല.

ശക്തമായ നിർദ്ദേശം:

നിങ്ങളുടെ റോൾ: നിങ്ങൾ ഒരു സ്വതന്ത്ര ഓഡിറ്ററുടെ ഡാറ്റ അനലിറ്റിക്‌സ് അസിസ്റ്റൻ്റാണ്. വിധി എൻ്റേതാണ്; നിങ്ങൾ റൂൾ പ്രയോഗിക്കുകയും ഒരു ഒഴിവാക്കൽ ലിസ്‌റ്റ് സൃഷ്‌ടിക്കുകയും ചെയ്യും. സന്ദർഭം: അജ്ഞാതമാക്കിയ വിൽപ്പന ഇൻവോയ്‌സ് ഡാറ്റ ചുവടെയുണ്ട് (നിരകൾ: invoice_no, invoice_date, delivery_date, തുക, അപ്രൂവൽ_സ്റ്റാറ്റസ്, ബ്രാഞ്ച്). വർഷാവസാനം: 31.12.STEP 1 - പൂർണ്ണത: മൊത്തം റെക്കോർഡുകളുടെ എണ്ണവും മൊത്തം തുകയും നൽകുക, അങ്ങനെ എനിക്ക് അത് ട്രയൽ ബാലൻസുമായി താരതമ്യം ചെയ്യാൻ കഴിയും. എന്തെങ്കിലും ശൂന്യമായ/നഷ്‌ടമായ ഇടമുണ്ടെങ്കിൽ റിപ്പോർട്ടുചെയ്യുക. ഘട്ടം 2 - കട്ടിംഗ് ടെസ്റ്റ് റൂൾ: ഇൻവോയ്‌സ്_ഡേറ്റ് <= 31.12, ഡെലിവറി_ഡേറ്റ് >= 01.01 എന്നിവയുള്ള റെക്കോർഡുകൾ "കട്ട്ഓഫ് ഒഴിവാക്കൽ" ആയി ലിസ്റ്റുചെയ്യുക. ഘട്ടം 3 - റൂൾ പ്ലെയിൻ ടെക്‌സ്‌റ്റിൽ എഴുതുക (നിങ്ങൾ എന്ത് വ്യവസ്ഥയാണ് പ്രയോഗിച്ചത്:) അങ്ങനെ അത് മാറ്റാൻ കഴിയും. "അവലോകനത്തിനുള്ള ഒഴിവാക്കലുകൾ" എന്ന് നിങ്ങൾ ഫ്ലാഗ് ചെയ്യുന്ന രേഖകൾ സമർപ്പിക്കുക; "പിശക്/കണ്ടെത്തൽ" എന്ന് പറയരുത്. ഡാറ്റയിൽ നിന്ന് ഊഹിക്കാൻ കഴിയാത്തത് ഉണ്ടാക്കരുത്.

ഈ അഭ്യർത്ഥന ശക്തമാണ്, കാരണം ഇത് ആദ്യം സമ്പൂർണ്ണത സ്ഥിരീകരിക്കുന്നു, ഒഴിവാക്കൽ നിയമത്തെ വ്യക്തമായി നിർവചിക്കുന്നു, റൂളിൻ്റെ പ്ലെയിൻ ടെക്സ്റ്റ് (ഓഡിറ്റബിലിറ്റി) ആവശ്യമാണ്, കൂടാതെ ഔട്ട്പുട്ടിനെ "ഒഴിവാക്കൽ" ആയി സ്ഥാപിക്കുന്നു.

സാധാരണ തെറ്റുകൾ

• പൂർണ്ണത പരിശോധിച്ചുറപ്പിക്കൽ ഒഴിവാക്കുന്നു. അപൂർണ്ണമായ/കേടായ ഡാറ്റയിൽ "പൂർണ്ണമായ" പരിശോധന നടത്തുകയും തെറ്റായ ഉറപ്പ് നൽകുകയും ചെയ്യുന്നു.
• ഒരു കണ്ടെത്തലിനുള്ള അപവാദം തെറ്റിദ്ധരിക്കുന്നു. AI അടയാളപ്പെടുത്തിയ റെക്കോർഡ് പരിശോധിക്കാതെ പിശകുകൾ എണ്ണുന്നു; തെറ്റായ പോസിറ്റീവുകൾ ഇല്ലാതാക്കുന്നത് ഒഴിവാക്കുന്നു.
• ചട്ടം പരിശോധിക്കുന്നില്ല. റൂൾ ഡാറ്റയ്ക്കും ബിസിനസ്സ് പ്രക്രിയയ്ക്കും അനുസൃതമാണോ എന്ന് പരിശോധിക്കാതെ നൂറുകണക്കിന് തെറ്റായ ഫ്ലാഗുകൾ സൃഷ്ടിക്കുന്നു.
• അവ്യക്തമായ നിയമങ്ങൾ എഴുതുന്നു. "പ്രശ്നമുള്ള റെക്കോർഡുകൾ കണ്ടെത്തുക" പോലുള്ള നിർവചിക്കാത്ത നിർദ്ദേശങ്ങൾ ഉപയോഗിച്ച് ആവർത്തിക്കാനാവാത്ത ഫലങ്ങൾ നേടുന്നു.
• ഒരൊറ്റ തുടക്കത്തിൽ സംതൃപ്തരായിരിക്കുക. ഒഴിവാക്കലുകളുടെ എണ്ണം പ്രതീക്ഷിച്ചതിൽ നിന്ന് വളരെ വ്യത്യസ്തമാണെങ്കിൽ നിയമമോ ഡാറ്റയോ അന്വേഷിക്കുന്നില്ല.

നുറുങ്ങ്: ഒഴിവാക്കലുകളുടെ എണ്ണം വളരെ ചെറുതാണെങ്കിൽ (പൂജ്യം അടുത്ത്) അല്ലെങ്കിൽ വളരെ വലുതാണെങ്കിൽ പരിഭ്രാന്തരാകുക. പൂജ്യം എന്നാൽ സാധാരണയായി "നിയമം തെറ്റായി എഴുതിയത്" അല്ലെങ്കിൽ "ഡാറ്റ നഷ്‌ടമായി" എന്നാണ് അർത്ഥമാക്കുന്നത്; നിയമം വളരെ വിശാലമാണെന്ന് വളരെ വലിയ സംഖ്യ സൂചിപ്പിക്കുന്നു. ഒരു നല്ല ഓഡിറ്റർ "ഒഴിവാക്കലുകളില്ല", "എല്ലാം ഒഴിവാക്കലുകൾ" എന്നിവ രണ്ടും സംശയിക്കുന്നു.

ചുരുക്കത്തിൽ

പൂർണ്ണ ജനസംഖ്യാ പരിശോധന ഓഡിറ്റിംഗിലെ ഒരു വലിയ കുതിച്ചുചാട്ടമാണ്: ഇത് സാമ്പിൾ അപകടസാധ്യത ഇല്ലാതാക്കുന്നു, ഡാറ്റയുടെ 100% സ്ക്രീനിംഗ് ചെയ്യുന്നു. എന്നാൽ ഇത് സൗജന്യമല്ല. ഇത് രണ്ട് പുതിയ ഉത്തരവാദിത്തങ്ങൾ കൊണ്ടുവരുന്നു: (1) ഡാറ്റയുടെ സമ്പൂർണ്ണതയും കൃത്യതയും പരിശോധിക്കൽ, (2) ഉണ്ടാകുന്ന വ്യക്തിഗത ഒഴിവാക്കലുകൾ വിലയിരുത്തൽ. AI ഡാറ്റ തയ്യാറാക്കുന്നു, നിയമം പ്രയോഗിക്കുന്നു, ഒഴിവാക്കൽ ഫ്ലാഗ് ചെയ്യുന്നു, മണിക്കൂറുകൾ സ്കാനിംഗ് സെക്കൻ്റുകളായി കുറയ്ക്കുന്നു; എന്നാൽ നിയമത്തിൻ്റെ കൃത്യത, ഡാറ്റയുടെ പൂർണ്ണത, ഒഴിവാക്കലുകളുടെ വിലയിരുത്തൽ എന്നിവ ഓഡിറ്ററുടേതാണ്. അപവാദം ഒരു ഫലമല്ല, അതൊരു തുടക്കമാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിലവിലുള്ള (അല്ലെങ്കിൽ സാങ്കൽപ്പിക) ഇടപാട് ഡാറ്റാസെറ്റ് പരിഗണിക്കുക. ആദ്യം രണ്ട് പൂർണ്ണത പരിശോധനകൾ നിർവ്വചിക്കുക (രേഖകളുടെ എണ്ണവും തുക അനുരഞ്ജനവും). തുടർന്ന് ഒരു ഓഡിറ്റിംഗ് ആവശ്യത്തിനായി വ്യക്തമായ ഒരു ഒഴിവാക്കൽ നിയമം എഴുതുക (ഉദാ. വാരാന്ത്യത്തിൽ നൽകിയ ഇൻവോയ്സുകൾ, അല്ലെങ്കിൽ ഒഴിവാക്കലുകൾ വെട്ടിക്കുറയ്ക്കുക). മുകളിലുള്ള ശക്തമായ പ്രോംപ്റ്റ് പാറ്റേൺ ഉപയോഗിച്ച്, ആദ്യം പൂർണ്ണതയും പിന്നീട് നിയമവും AI നടപ്പിലാക്കുക. ദൃശ്യമാകുന്ന ഒഴിവാക്കലുകളിൽ ആദ്യത്തെ 10 "യഥാർത്ഥ കണ്ടെത്തലുകളോ തെറ്റായ പോസിറ്റീവുകളോ?" ഇനിപ്പറയുന്ന രീതിയിൽ തരംതിരിക്കാൻ പരിശീലിക്കുക, ഓരോന്നിനും നിങ്ങൾ എന്ത് തെളിവാണ് തേടേണ്ടതെന്ന് എഴുതുക.

ചെക്ക്ലിസ്റ്റ്

• [ ] ഞാൻ ഡാറ്റ അജ്ഞാതമാക്കി സുരക്ഷിതമായി ഡ്രൈവ് ചെയ്തു.
• [ ] റെക്കോർഡുകളുടെ എണ്ണവും തുകയും സമന്വയിപ്പിച്ചുകൊണ്ട് ഞാൻ ഡാറ്റ സമ്പൂർണ്ണത സ്ഥിരീകരിച്ചു.
• [ ] ഞാൻ സ്വതന്ത്ര/മോശമായ ഇടത്തിനായി സ്കാൻ ചെയ്തു.
• [ ] ഞാൻ ഒഴിവാക്കൽ നിയമം വ്യക്തവും ആവർത്തിക്കാവുന്നതുമായ രീതിയിൽ നിർവചിച്ചു.
• [] എനിക്ക് AI-യിൽ നിന്ന് നിയമത്തിൻ്റെ പ്ലെയിൻ ടെക്സ്റ്റ് ലഭിക്കുകയും ഡാറ്റയും ബിസിനസ്സ് പ്രക്രിയയും പാലിക്കുന്നുണ്ടെന്ന് പരിശോധിച്ചുറപ്പിക്കുകയും ചെയ്തു.
• [ ] ഒഴിവാക്കലുകളുടെ എണ്ണത്തിൻ്റെ യുക്തിയെ ഞാൻ ചോദ്യം ചെയ്തു (വളരെ കുറച്ച് / അധികം അല്ല).
• [ ] ഓരോ ഒഴിവാക്കലുകളെയും ഞാൻ പരിശോധിക്കേണ്ട ചോദ്യമായാണ് പരിഗണിച്ചത്, ഒരു കണ്ടെത്തലല്ല; ഞാൻ തെറ്റായ പോസിറ്റീവുകൾ ഇല്ലാതാക്കി.