नफा:
- ब्रीफिंग, डेटा तयार करणे, रचना, सामग्री/ग्राफिक्स, प्रमाणीकरण, प्रूफिंग आणि वितरण चरणांचा समावेश असलेल्या पुनरावृत्ती करण्यायोग्य प्रवाहात सादरीकरण/डेटा कार्य कार्यान्वित करण्याची क्षमता.
- निनावी करून आणि संवेदनशील डेटा एकत्रित करून, बाह्य साधन गोपनीयतेचा भंग न करता कार्य करू शकते आणि क्रिटिकल नंबर क्रॉस-व्हेरिफाय करू शकते.
- रीहर्सल पार्टनर म्हणून कृत्रिम बुद्धिमत्तेचा वापर करून आणि कठीण प्रश्न आणि वेळेची चाचणी करून अंतिम वितरणाची जबाबदारी घेण्याची क्षमता
मागील युनिट्सने एक-एक कौशल्ये शिकवली: रचना, मजकूर, डिझाइन, ग्राफिक निवड, कोड, डॅशबोर्ड, कथा, इन्फोग्राफिक, प्रामाणिकपणा. हे अंतिम युनिट त्या सर्वांना एका वर्कफ्लोमध्ये एकत्र करते: थोडक्यात आले आहे, तुम्ही प्रेझेंटेशन/डेटा व्हिज्युअलायझेशन वितरीत कराल. आमचे ध्येय एक पुनरावृत्ती करण्यायोग्य पद्धत स्थापित करणे आहे जी सुरुवातीपासून शेवटपर्यंत AI चा वापर करते परंतु गोपनीयता आणि नैतिकता जतन करून प्रत्येक टप्प्यावर तिचे प्रमाणीकरण करते.
एंड-टू-एंड प्रवाहासाठी सात पायऱ्या
- संक्षिप्त आणि व्याप्ती: प्रेक्षक, उद्देश, मुख्य संदेश, कालावधी, चॅनेल (सादरीकरण, अहवाल, सोशल मीडिया), निर्बंध.
- डेटा तयार करणे: डेटा गोळा करणे, स्वच्छ करणे, अनामित करणे; बाह्य वाहनात काय जाते ते ठरवा.
- रचना आणि वर्णन: नमुना निवडा, स्लाईड स्पाइन तयार करा (युनिट 2, 8).
- सामग्री आणि ग्राफिक्स: मजकूर लिहा, योग्य ग्राफिक निवडा आणि कोड करा, डिझाइन सेट करा (युनिट 3-6).
- अखंडता आणि पडताळणी: प्रत्येक संख्या, प्रत्येक चार्ट, प्रत्येक दाव्याचे ऑडिट केले जाते (युनिट 10).
- तालीम करा आणि संपादित करा: सादरीकरण मोठ्याने करून पहा, वेळ द्या, फीडबॅकसह ट्रिम करा.
- वितरण आणि संग्रहण: अंतिम आवृत्ती, स्त्रोत नोट्स आणि पुन्हा वापरता येण्याजोगा कोड/टेम्प्लेट.
टीप: या सात चरणांची चेकलिस्ट बनवा आणि प्रत्येक कामावर त्यांची पुनरावृत्ती करा. वर्कफ्लोचे मानकीकरण केल्याने गुणवत्ता वैयक्तिक स्वरूपावर अवलंबून राहण्यापासून दूर होते.
डेटा तयार करणे आणि गोपनीयता: सर्वात गंभीर स्टॉप
AI ला डेटा देण्यापूर्वी, थांबा आणि विचारा: हा डेटा बाह्य प्रणालीमध्ये प्रवेश करू शकतो का? काही संकल्पना: वैयक्तिक डेटा (माहिती जी एखाद्या व्यक्तीला ओळखते, जसे की नाव, ओळख, संपर्क, आरोग्य, पगार); अनामिकरण (अपरिवर्तनीयपणे ओळख काढून टाकणे); एकत्रीकरण (वैयक्तिक पंक्तीऐवजी सरासरी/एकूण द्या). नियम:
- संस्थेद्वारे मंजूर नसलेल्या साधनामध्ये वैयक्तिक/व्यापार गुपिते असलेला डेटा कधीही प्रविष्ट करू नका.
- आपण प्रविष्ट करणे, निनावी करणे किंवा एकत्रित करणे आवश्यक असल्यास: नाव/आयडी स्तंभ हटवा, केवळ गटामध्ये वैयक्तिक दर्शवा.
- चार्ट/कोड व्युत्पन्न करताना, मॉडेलला डेटा स्ट्रक्चर (स्तंभांची नावे, प्रकार) द्या, कच्च्या अचूक पंक्ती द्या.
तुमची भूमिका: डेटा गोपनीयता नियंत्रक. खालील डेटासेटचे स्तंभ: [सूची]. आलेख तयार करण्यासाठी मी हे बाह्य एआय टूलला फीड करेन. कोणते स्तंभ वैयक्तिक/संवेदनशील असू शकतात? मला अनामित किंवा एकत्रित करण्यासाठी काय आवश्यक आहे ते चिन्हांकित करा आणि ते कसे करायचे ते सुचवा (हटवा, मुखवटा, गट). विश्लेषणासाठी पुरेसा असलेल्या कमीत कमी डेटासह मी कसे कार्य करू शकतो ते मला सांगा.
खबरदारी: संवेदनशील डेटा "फक्त एकदा, पटकन" पेस्ट करणे हे गोपनीयतेचे उल्लंघन करण्याचा सर्वात सामान्य प्रकार आहे. एकदा बाहेर पडल्यानंतर, डेटा पुनर्प्राप्त केला जाऊ शकत नाही.
प्रमाणीकरण: वितरणापूर्वी अंतिम फिल्टर
युनिट 1 मधील चार पायऱ्या (स्रोत, सातत्य, प्रामाणिकपणा, संदर्भ) संपूर्ण सादरीकरणासाठी लागू करा. याव्यतिरिक्त, क्रॉस-चेक करा: मॉडेलच्या बाहेरील साधनासह (स्प्रेडशीट, कॅल्क्युलेटर) गंभीर संख्यांची पुष्टी करा.
नियंत्रण
प्रश्न
वाहन
स्त्रोत
प्रत्येक संख्या कुठून येते?
डेटा स्रोत/टीप
सुसंगतता
स्लाइड-ग्राफिक-मजकूर समान आहेत का?
डोळ्यांनी तिरपे वाचा
प्रामाणिकपणा
चार्ट अतिशयोक्तीपूर्ण आहे का?
युनिट 10 तपासणी
खाते
एकूण/टक्केवारी बरोबर आहे का?
स्प्रेडशीट
उद्धरण
कोट/स्रोत खरा आहे का?
मुक्त स्रोत, सत्यापित करा
भ्रम (बनावट माहिती) पासून विशेषतः सावध रहा: मॉडेल एक आकडेवारी, कोट किंवा स्त्रोत "बनावट" करू शकते. स्लाइडवर जाणारा प्रत्येक बाह्य स्रोत आणि आकृती उघडा आणि सत्यापित करा.
तालीम: कृत्रिम बुद्धिमत्तेसह सादरीकरणाची चाचणी
कृत्रिम बुद्धिमत्ता एक तालीम भागीदार असू शकते: प्रेक्षकांच्या दृष्टीकोनातून कठीण प्रश्न निर्माण करणे, कमकुवत संक्रमणे शोधणे, कालावधीचा अंदाज लावणे.
तुमची भूमिका: एक आव्हानात्मक प्रेक्षक आणि सादरीकरण प्रशिक्षक. खाली सादरीकरणाचा पाठीचा कणा आणि स्पीकर नोट्सचे पुनरावलोकन करा. 1) हे प्रेक्षक ([भूमिका]) विचारतील असे 5 सर्वात कठीण प्रश्न तयार करा. 2) कथनात कमकुवत/असंबंधित संक्रमण चिन्हांकित करा. 3) अंदाजे प्रत्येक स्लाइडवर किती सेकंद पडतील याचा अंदाज लावा, एकूण वेळ [X] मिनिटे बनवा; खूप जास्त असल्यास, मी कोणत्या स्लाइड्स लहान कराव्यात ते सुचवा. सादरीकरण: [... ].
स्वतंत्र "आक्षेप बैठक" तालीम:
या सादरीकरणाच्या मुख्य प्रस्तावावर 4 आक्षेप तयार करा आणि प्रत्येकाला 2-वाक्यांचा, डेटा-आधारित प्रतिसादाचा मसुदा तयार करा. उत्तर तयार करू नका; पुष्टीकरण आवश्यक असेल तेथे [पुष्टीकरण] लिहा. सूचना: [...].
तीन लहान प्रकरणे
केस 1 - एंड-टू-एंड गती. एक सल्लागार ठराविक क्लायंट प्रेझेंटेशन (संशोधन + रचना + स्लाइड्स + चार्ट + पुरावा) 2 दिवसांमध्ये पसरवेल. जेव्हा आम्ही कृत्रिम बुद्धिमत्तेसह सात-चरण प्रवाह स्थापित केला, तेव्हा वेळ अंदाजे 1 दिवस कमी झाला; जतन केलेल्या वेळेचा एक महत्त्वपूर्ण भाग पडताळणी आणि तालीमसाठी समर्पित होता आणि गुणवत्ता कमी झाली नाही परंतु वाढली.
केस 2 - शेवटच्या मिनिटाची गोपनीयता. एक संघ चार्टिंगसाठी बाह्य साधनामध्ये ग्राहक व्यवहार रेकॉर्ड (नाव + रक्कम) निर्यात करेल. ते गोपनीयता नियंत्रण चरणावर थांबले; त्यांनी नावे हटवली आणि रक्कम खंड सरासरीमध्ये रूपांतरित केली. विश्लेषण पुन्हा कार्य केले, कोणताही वैयक्तिक डेटा बाहेर आला नाही. या निर्णयाचे नंतरच्या लेखापरीक्षणात कौतुक करण्यात आले.
केस 3 - तालीमने दृश्य सेव्ह केले. एका उद्योजकाने AI ला गुंतवणूकदाराच्या सादरीकरणापूर्वी "5 सर्वात कठीण प्रश्न व्युत्पन्न करा" असे सांगितले. सभेत तीन प्रश्न शब्दशः विचारण्यात आले; त्याची तयारी असल्याने त्याने अस्खलितपणे उत्तर दिले. जर त्याने तालीम केली नसती तर तो सर्वात गंभीर प्रश्नावर अडकला असता.
कमकुवत प्रॉम्प्ट / मजबूत प्रॉम्प्ट
कमकुवत:
या डेटासह सुरुवातीपासून शेवटपर्यंत सादरीकरण तयार करा आणि पूर्ण करा.
एकाच वेळी "सर्व काही" हवे आहे; कोणतीही पडताळणी नाही, गुप्तता नाही, तालीम नाही. मॉडेल अंतर फिट करते, आपण ते नियंत्रित करू शकत नाही.
मजबूत:
स्टेप बाय प्रेझेंटेशन सेट करू. फक्त प्रथम चरण 1 करा: थोडक्यात स्पष्ट करा (मला प्रेक्षक/उद्देश/संदेश/कालावधी/चॅनेल/संबंधांबद्दल विचारा). मग आम्ही क्रमाने पुढे जाऊ: डेटा गोपनीयता तपासणी, रचना, सामग्री+ग्राफिक्स, प्रामाणिकपणा तपासणी, प्रूफिंग. प्रत्येक पायरीवर संख्या बनवू नका, काय पुष्टी करणे आवश्यक आहे ते लिहा, संवेदनशील डेटा विचारू नका.
दुसरे काम पायऱ्यांमध्ये मोडते, प्रत्येक पायरीवर तुम्हाला नियंत्रणात ठेवते आणि गोपनीयता/निष्ठा सीमारेषा समोर सेट करते.
सामान्य चुका
- एकाच वेळी "सर्वकाही" विचारणे: स्टेप्स वगळणे प्रमाणीकरण आणि गोपनीयतेला मागे टाकते.
- प्रायव्हसी स्टॉपला बायपास करणे: अनियंत्रित बाह्य एजंटला संवेदनशील डेटा देणे.
- रिहर्सलशिवाय स्टेजवर जाणे: कठीण प्रश्न आणि वेळेची अपेक्षा न करणे.
- स्रोत/विशेषता पडताळणी वगळणे: बनावट आकडेवारी किंवा कोट लक्षात न घेणे.
- संग्रहित न करणे: कोड/टेम्प्लेट संचयित न करणे आणि सुरवातीपासून सर्वकाही करणे.
- मॉडेलवर जबाबदारी टाकणे: "एआयने ते तयार केले" असे म्हणणे; तथापि, वितरण आपले आहे.
सारांशात
सात चरणांमध्ये तुमचे सादरीकरण आणि डेटा व्हिज्युअलायझेशन व्यवसाय एंड-टू-एंड तयार करा: संक्षिप्त, डेटा तयार करणे आणि गोपनीयता, रचना/कथन, सामग्री/ग्राफिक्स, अखंडता आणि सत्यापन, तालीम, वितरण/संग्रहण. प्रत्येक पायरीवर AI वापरा, परंतु नियंत्रणात रहा: संवेदनशील डेटा अनामित करा, प्रत्येक क्रमांक आणि स्रोत क्रॉस-व्हेरिफाय करा, मॉडेलला तुमचा प्रूफिंग पार्टनर बनवा. कृत्रिम बुद्धिमत्ता संपूर्ण प्रवाहाला गती देते; डेटाची अचूकता, संदेशाची अखंडता, गोपनीयता आणि अंतिम वितरणाची जबाबदारी नेहमीच तुमची असते.
अर्ज कार्य
वास्तविक सादरीकरण कार्य निवडा आणि सात चरणांचे अनुसरण करा. (1) AI द्वारे थोडक्यात चौकशी करा. (२) गोपनीयता नियंत्रणासह कोणता डेटा अनामित करायचा ते ठरवा. (3) चरणांची रचना → सामग्री → चार्ट कार्यान्वित करा. (4) इंटिग्रिटी ऑडिट करा आणि क्रिटिकल नंबर्सची क्रॉस-चेक करा. (5) कृत्रिम बुद्धिमत्तेने "5 सर्वात कठीण प्रश्न" तयार करण्यास सांगा आणि त्यांचा अभ्यास करा. (6) नवीनतम आवृत्ती आणि पुन्हा वापरता येण्याजोगा कोड/टेम्प्लेट संग्रहित करा.
चेकलिस्ट
- [ ] मी सात-चरण प्रवाहानुसार काम चालवले.
- [ ] मी निनावी/एकत्रित संवेदनशील डेटा किंवा तो अजिबात प्रविष्ट केला नाही.
- [ ] मी मॉडेलच्या बाहेरील प्रत्येक क्रमांक आणि बाह्य स्रोत क्रॉस-व्हॅलिडेट केले.
- मी अखंडतेसाठी सर्व ग्राफिक्स तपासले आहेत.
- [ ] मी कृत्रिम बुद्धिमत्तेची तालीम केली; मी कठीण प्रश्न आणि वेळेची चाचणी घेतली.
- मी नवीनतम आवृत्ती आणि पुन्हा वापरता येण्याजोगे टेम्पलेट/कोड संग्रहित केले आहे.
- अंतिम वितरणासाठी मी जबाबदार आहे हे मी स्वीकारतो.
मॉड्यूल परीक्षा
1. सादरीकरण आणि डेटा व्हिज्युअलायझेशनमध्ये कृत्रिम बुद्धिमत्तेसाठी सर्वोत्तम स्थान कोणते आहे?
- अ) आर्टिफिशियल इंटेलिजन्स म्हणजे मसुदा, डिझाइन, ग्राफिक कोड आणि समालोचन सहाय्यक; डेटा अचूकता, प्रामाणिकपणा आणि गोपनीयतेची जबाबदारी मानवांवर आहे ✔
- ब) कृत्रिम बुद्धिमत्ता एक कॅल्क्युलेटर आहे; त्याने दिलेला प्रत्येक अंक आणि आलेख अगदी बरोबर आहे.
- क) कृत्रिम बुद्धिमत्ता फक्त स्लाइड्स सजवण्यासाठी उपयुक्त आहे, त्याचा डेटा आणि ग्राफिक्सशी काहीही संबंध नाही
- ड) एआय मानवांपेक्षा अधिक निष्पक्ष असल्याने, ग्राफिक्सच्या अखंडतेचे निर्णय त्यावर सोडले पाहिजेत.
वर्णन: मोठ्या भाषेचे मॉडेल हे कॅल्क्युलेटर किंवा पडताळणी यंत्र नाही, परंतु प्रेरक मजकूर आणि बाह्यरेखा तयार करणारे जनरेटर आहे. ड्राफ्टिंग, डिझाइन, ग्राफिक्स कोड आणि समालोचन यांसारख्या भूमिकांमध्ये खूप वेळ वाचतो; तथापि, डेटाची अचूकता, आलेखाची प्रामाणिकता, गोपनीयता आणि अंतिम वितरणाची जबाबदारी सक्षम व्यक्तीची आहे.
2. 'जाहिरातीचा खर्च आणि विक्री यांचा संबंध आहे का?' कोणत्या प्रकारचा तक्ता प्रश्न सर्वात प्रामाणिकपणे दर्शवेल?
- अ) मल्टी-स्लाइस पाई चार्ट
- ब) स्टॅक केलेला बार चार्ट
- क) स्कॅटर प्लॉट ✔
- ड) 3D पाई चार्ट
स्पष्टीकरण: दोन संख्यात्मक चलांमधील संबंध (सहसंबंध) दर्शविण्यासाठी स्कॅटर प्लॉट वापरला जातो. एक बार तुलना करण्यासाठी योग्य आहे आणि एक ओळ वेळोवेळी बदलण्यासाठी योग्य आहे; बार चार्ट संबंध प्रश्नाचे योग्य उत्तर देत नाही.
3. स्लाइडच्या शीर्षकामध्ये 'विषय शीर्षक' ऐवजी 'कृती शीर्षक' वापरण्याची शिफारस का केली जाते?
- अ) स्लाइडवर अधिक मजकूर बसवण्यासाठी
- ब) कारण ते थेट स्लाइडचा एकमेव दावा देते आणि प्रेक्षकांना संदेश त्वरित समजू देते ✔
- क) कारण फॉन्ट मोठा करण्याची गरज नाही
- ड) स्पीकर नोट्सची गरज संपुष्टात आल्याने
वर्णन: स्लाईड पूर्ण वाक्यात काय म्हणते ते कृतीचे शीर्षक दावा म्हणून देते ('विक्री 3 तिमाहीत कमी होत आहे'), फक्त विषय टॅग ('विक्री') देत नाही. हे दर्शकांना प्रत्येक स्लाइडचा अर्थ काय आहे हे त्वरित समजून घेण्यास अनुमती देते; हा एकच बदल आहे जो सादरीकरणाची गुणवत्ता सर्वात जास्त सुधारतो.
4. व्हिज्युअल-जनरेटिंग आर्टिफिशियल इंटेलिजेंससह सादरीकरण व्हिज्युअल तयार करताना कोणता अनुप्रयोग सर्वात व्यावहारिक आणि नैतिक आहे?
- अ) व्हिज्युअलवर सर्व शीर्षके आणि अंक मुद्रित करा आणि ते थेट स्लाइडवर ठेवा
- ब) उत्पादित पोर्ट्रेट वास्तविक ग्राहक फोटो म्हणून सादर करणे
- क) प्रसिद्ध ब्रँडच्या शैलीचे अचूक अनुकरण करणे
- ड) मजकुराशिवाय व्हिज्युअल तयार करणे आणि स्लाइड प्रोग्राममध्ये मजकूर जोडणे आणि बनावट वास्तविक म्हणून सादर न करणे ✔
स्पष्टीकरण: तयार केलेल्या प्रतिमांमधील मजकूर बऱ्याचदा दूषित होतो, म्हणून स्लाईड प्रोग्राममध्ये मजकूर नंतर जोडणे आवश्यक आहे. याव्यतिरिक्त, उत्पादित प्रतिमा वास्तविक फोटो/वास्तविक व्यक्ती म्हणून सादर करणे दिशाभूल करणारे आणि अनैतिक आहे. मजकुराशिवाय प्रतिमा तयार करणे, मजकूर स्वतः जोडा आणि बनावट वास्तविक म्हणून सादर न करणे हा योग्य दृष्टीकोन आहे.
5. 9 उत्पादनांचा बाजार हिस्सा दर्शविण्यासाठी सर्वात वाचनीय पर्याय कोणता आहे?
- अ) मूल्यानुसार क्रमवारी लावलेला क्षैतिज बार चार्ट ✔
- ब) 9-सेगमेंट पाई चार्ट
- C) 9 स्लाइससह 3D पाई चार्ट
- ड) एकल रेषेचा तक्ता
स्पष्टीकरण: 2-4 स्लाइस असतील आणि शेअर्स लक्षणीयरीत्या भिन्न असतील तरच पाई चार्ट काम करतो; 9 समान स्लाइस वाचता येत नाहीत. एकाधिक श्रेणींची तुलना करताना मूल्यानुसार क्रमवारी लावलेला क्षैतिज बार चार्ट जवळजवळ नेहमीच अधिक वाचनीय असतो.
6. आर्टिफिशियल इंटेलिजन्समधून आलेख मिळवताना 'ग्राफचे चित्र' मागण्याऐवजी 'ग्राफ तयार करणारा कोड विचारा आणि तो स्वतः चालवा' हे अधिक विश्वासार्ह का आहे?
- अ) कारण कोड नेहमी अधिक सुंदर रंग निवडतो
- ब) कारण चित्रे तयार करण्यास मनाई आहे
- क) कोड डेटावर जसा आहे तसा प्रक्रिया करतो आणि निर्धारक आणि पुनरावृत्ती करता येण्याजोगा परिणाम देतो म्हणून, शाब्दिक अंदाजावर अवलंबून राहण्याची गरज नाही ✔
- ड) कारण कोड आपोआप आलेख प्रामाणिक बनवतो आणि पुढील सत्यापनाची आवश्यकता नाही
वर्णन: मोठ्या भाषेचे मॉडेल एक मजकूर जनरेटर आहे; तो केवळ तोंडी संख्येचा अंदाज लावतो आणि तो चुकीचा असू शकतो. कोड डेटावर जसा आहे तसा प्रक्रिया करतो आणि निर्धारवादी (समान इनपुटसाठी नेहमी समान आउटपुट) आणि पुनरावृत्ती करण्यायोग्य परिणाम तयार करतो; डेटा अद्यतनित केल्यावर, कोड पुन्हा चालविला जाऊ शकतो आणि आलेख रीफ्रेश केला जाऊ शकतो.
7. चांगल्या डॅशबोर्ड डिझाइनचे मूलभूत तत्त्व काय आहे?
- अ) सर्व उपलब्ध मेट्रिक्स एकाच स्क्रीनवर बसवणे
- ब) विशिष्ट प्रेक्षक आणि निर्णयासाठी आवश्यक असलेल्या KPI च्या लहान संख्येसाठी (5-9) संदर्भ दर्शवा ✔
- क) प्रत्येक संख्या शक्य तितक्या दशांश स्थानांसह दर्शवित आहे
- ड) रंगांमध्ये विविधता आणण्यासाठी प्रत्येक मेट्रिकला वेगळा रंग रंगवणे
वर्णन: डॅशबोर्ड सर्व काही दर्शवत नाही, परंतु विशिष्ट प्रेक्षकांद्वारे विशिष्ट निर्णयासाठी आवश्यक 5-9 योग्य KPIs. निर्णय न देणारे मेट्रिक्स डॅशबोर्डवर दडपून टाकतील. याव्यतिरिक्त, प्रत्येक क्रमांकावर संदर्भ (ध्येय/बदल) आणि एक ताजेपणा स्टॅम्प जोडला जावा आणि सर्वात गंभीर KPI शीर्षस्थानी डावीकडे ठेवावा.
8. डेटा स्टोरीटेलिंगमधील प्रामाणिकपणाच्या दृष्टीने कोणते वर्तन सापळा आहे?
- अ) संदर्भ-तणाव-रिझोल्यूशन रचनेतील निष्कर्ष सादर करणे
- ब) प्रत्येक आलेख कथनातील वाक्याशी जोडणे
- क) एका वाक्यात अंतर्दृष्टीचा सारांश द्या
- ड) कथनात बसत नसलेला कालावधी लपवणे आणि केवळ त्यास समर्थन देणारा डेटा दाखवणे (चेरी पिकिंग) ✔
स्पष्टीकरण: चेरी पिकिंग म्हणजे कथनात बसणारा पीरियड/सेगमेंट दाखवणे आणि न पटणारा भाग लपवणे आणि ते अखंडतेचे उल्लंघन करते. चांगली कथा मन वळवते, परंतु ती डेटा विकृत करण्याची परवानगी बनू नये; 'कोणता डेटा या कथनात बसत नाही?' आवश्यक असल्यास ते विचारणे आणि दाखवणे आवश्यक आहे.
9. इन्फोग्राफिकमध्ये वर्तुळाचा व्यास म्हणून मूल्य दर्शवणे परंतु नंतर व्यास दुप्पट करणे हे दिशाभूल का आहे?
- अ) जेव्हा व्यास दुप्पट होतो, तेव्हा क्षेत्र चौपट होते आणि प्रेक्षकांना ती प्रत्यक्षात आहे त्यापेक्षा मोठी वाढ जाणवते ✔
- ब) कारण पाई चार्टमध्ये मंडळे वापरली जाऊ शकत नाहीत
- क) कारण रंगांधळे दर्शक मंडळे अजिबात पाहू शकत नाहीत
- ड) कारण काठी काढण्यापेक्षा वर्तुळ काढणे हळू आहे
स्पष्टीकरण: जेव्हा व्यास दुप्पट होतो तेव्हा वर्तुळाचे क्षेत्रफळ चौपट होते; दर्शकाला क्षेत्रानुसार मूल्य समजत असल्याने, त्याला/तिला असे वाटते की 2-पट वाढ म्हणजे 4-पटी. याला फील्ड फॅलेसी म्हणतात. हे मूल्य क्षेत्रफळानुसार नाही तर रेखीय प्रमाण आणि स्पष्ट संख्या लेबल (उदा. '2×') द्वारे देणे आवश्यक आहे.
10. सर्वात सामान्य फसवणूक तंत्र कोणते आहे आणि बार चार्टमध्ये त्याचे योग्य समतुल्य आहे?
- अ) काड्या रंगवणे दिशाभूल करणारे आहे; ते सर्व राखाडी चालू करणे आवश्यक आहे
- ब) थेट लेबले दिशाभूल करणारी आहेत; स्वतंत्र आख्यायिका वापरणे नेहमीच आवश्यक असते
- सी) डॅश केलेला y-अक्ष फरक अतिशयोक्ती करतो; बार चार्टमध्ये अक्ष ० पासून सुरू झाला पाहिजे ✔
- ड) क्षैतिज पट्टी दिशाभूल करणारी आहे; नेहमी अनुलंब बार वापरणे आवश्यक आहे
स्पष्टीकरण: डॅश केलेला y-अक्ष (जेथे y 0 ऐवजी 90 ने सुरू होतो) लहान फरक मोठा दिसतो; 2% वाढ 50% सारखी वाटू शकते. बार चार्टमध्ये, अक्ष जवळजवळ नेहमीच 0 ने सुरू झाला पाहिजे कारण बारची लांबी मूल्य दर्शवते.
11. जर तुम्हाला संवेदनशील डेटा (नाव, पगार, ग्राहक रेकॉर्ड) असलेले टेबल चार्टिंगसाठी बाह्य एआय टूलवर एक्सपोर्ट करायचे असेल तर योग्य दृष्टीकोन कोणता आहे?
- अ) वेळ वाचवण्यासाठी पटकन टेबल पेस्ट करा
- ब) नाव आणि ओळख स्तंभ काढून डेटा निनावी करणे किंवा एकत्रित करणे आणि आवश्यक नसल्यास ते अजिबात प्रविष्ट न करणे ✔
- क) फक्त सर्वात संवेदनशील स्तंभ सोडणे आणि उर्वरित हटवणे
- ड) डेटा प्रविष्ट करण्यापूर्वी कृत्रिम बुद्धिमत्तेकडून गोपनीयतेचे वचन मिळणे पुरेसे आहे.
स्पष्टीकरण: संस्थेने मंजूर नसलेल्या साधनामध्ये वैयक्तिक डेटा प्रविष्ट न करणे आवश्यक आहे; ते प्रविष्ट करणे आवश्यक असल्यास, ओळख स्तंभ हटवून ते निनावी करणे किंवा वैयक्तिक पंक्तींऐवजी सरासरी/एकूण देऊन एकत्रित करणे आवश्यक आहे. एकदा बाहेर पडल्यानंतर, डेटा पुनर्प्राप्त केला जाऊ शकत नाही.
12. कृत्रिम बुद्धिमत्तेद्वारे तयार केलेल्या आउटपुटमध्ये 'विभ्रम' म्हणजे काय आणि त्याबद्दल काय केले पाहिजे?
- अ) मॉडेल अनेक रंग वापरते; रंग कमी करणे आवश्यक आहे
- ब) मॉडेलचे धीमे ऑपरेशन; छोटी विनंती लिहायची आहे
- सी) मॉडेल 3D मध्ये आलेख काढतो; 2B विनंती करणे आवश्यक आहे
- ड) मॉडेल वास्तविक म्हणून सादर करते परंतु सत्य नाही अशी माहिती; ✔ प्रत्येक समस्या आणि स्त्रोत क्रॉस-व्हॅलिडेटेड असणे आवश्यक आहे
स्पष्टीकरण: हेलुसिनेशन ही अशी माहिती आहे जी मॉडेल वास्तविक म्हणून सादर करते परंतु ती सत्य नाही; हा मेड-अप नंबर, कोट किंवा स्त्रोत असू शकतो. दुसरीकडे, मॉडेलच्या बाहेरील स्लाइडवर प्रविष्ट केलेला प्रत्येक क्रमांक आणि बाह्य स्त्रोत क्रॉस-व्हॅलिडेट करणे आवश्यक आहे आणि विनंत्यांमध्ये 'डेटामध्ये नसलेल्या संख्येची निर्मिती करू नका, [पुष्टीकरण] लिहा' असा नियम सेट करणे आवश्यक आहे.
13. योग्य चार्ट प्रकार निवडण्याची पहिली पायरी कोणती आहे?
- अ) तुम्हाला ज्या प्रश्नाचे उत्तर द्यायचे आहे ते एका वाक्यात लिहा आणि प्रश्न कुटुंबात ठेवा ✔
- ब) सर्वात रंगीत आणि लक्षवेधी ग्राफिक प्रकार निवडणे
- क) नेहमी पाय चार्टने सुरुवात करा आणि आवश्यक असल्यास त्यात बदल करा
- ड) डेटा 3D मध्ये प्रदर्शित करून अधिक प्रभावी बनवणे
स्पष्टीकरण: चार्ट प्रकार तुम्हाला उत्तर देऊ इच्छित असलेल्या प्रश्नावर अवलंबून असतो, डेटाच्या आकारावर नाही. प्रथम, प्रश्न एका वाक्यात लिहून कुटुंबात (तुलना, कल, संबंध, भाग-संपूर्ण, वितरण) ठेवणे आवश्यक आहे, नंतर प्रकार निवडा. प्रथम प्रकार निवडणे आणि त्यात डेटा बसविण्याचा प्रयत्न करणे ही चूक आहे.
14. कृत्रिम बुद्धिमत्तेसह एंड-टू-एंड प्रेझेंटेशन तयार करताना 'प्रस्तुतीपासून शेवटपर्यंत एका हालचालीत सादरीकरण तयार करा आणि पूर्ण करा' असे म्हणण्याऐवजी टप्प्याटप्प्याने पुढे जाणे महत्त्वाचे का आहे?
- अ) कारण टप्प्याटप्प्याने पुढे जाणे नेहमीच जलद असते
- ब) कारण मॉडेलला लांबलचक विनंत्या अजिबात समजत नाहीत
- क) कारण पडताळणीच्या वेळी टप्प्याटप्प्याने पुढे जाण्याने मनुष्याच्या नियंत्रणात राहते, गोपनीयता आणि तालीम थांबते आणि बनावट आणि गळतीचा धोका कमी होतो ✔
- ड) कारण एका हालचालीत विचारल्याने कृत्रिम बुद्धिमत्ता थकते.
वर्णन: एकाच वेळी नोकरीची विनंती करणे पडताळणी, गोपनीयता तपासणी आणि तालीम यासारख्या गंभीर थांब्यांना मागे टाकते; मॉडेल अंतरांना बसते आणि आपण ते नियंत्रित करू शकत नाही. टप्प्याटप्प्याने पुढे जाणे (संक्षिप्त, गोपनीयता, रचना, सामग्री/ग्राफिक्स, प्रामाणिकपणा तपासणे, तालीम) प्रत्येक टप्प्यावर मनुष्याला नियंत्रणात ठेवते आणि सुरुवातीपासूनच बनावट/गोपनीयतेची मर्यादा सेट करते.