Projek Hujung-ke-Hujung, Penggunaan Kecerdasan Buatan dan Pelan Hala Tuju Bertanggungjawab dalam Profesion

Keuntungan:

• Keupayaan untuk membangunkan ciri mudah alih hujung ke hujung dan boleh disahkan dalam reka bentuk, kod, penyepaduan AI, privasi, ujian, penyahpepijatan, prestasi dan langkah keluaran
• Keupayaan untuk mewujudkan rangka kerja untuk penggunaan kecerdasan buatan yang bertanggungjawab dan beretika dengan prinsip ketelusan, pengesahan-akauntabiliti dan keadilan-bukan-kejahatan.
• Mampu mencipta amalan profesional yang mampan dengan membezakan bidang di mana kecerdasan buatan adalah kuat dan lemah dan mengekalkan keputusan muktamad di tangan manusia.

Sepanjang modul ini, kami menggunakan AI pada setiap peringkat pembangunan mudah alih: penjanaan kod, antara muka, penyepaduan AI pada peranti dan awan, ujian, penyahpepijatan, prestasi, privasi dan penghantaran kedai. Dalam unit akhir ini, kami akan menggabungkan semua bahagian ini menjadi satu aliran hujung ke hujung, menjelaskan rangka kerja untuk penggunaan AI yang bertanggungjawab dan beretika, dan bercakap tentang cara mengubah kemahiran ini menjadi amalan profesional yang mampan. Mesej teras tidak berubah, tetapi kini telah mantap: AI ialah kuasa yang melipatgandakan pembangun mudah alih yang cekap; ia bukan pengganti. Ia adalah orang yang bertanggungjawab untuk kualiti, keselamatan dan janji produk kepada pengguna.

Ciri hujung ke hujung: menggabungkan bahagian

Membangunkan ciri sebenar dari awal hingga akhir dengan sokongan AI menggabungkan setiap unit yang telah kami pelajari dalam satu rantaian. Contoh: ciri "tambah perbelanjaan daripada penerimaan". Aliran berfungsi seperti ini:

1. Reka Bentuk (Unit 3). Draf skrin dan empat keadaan (memuat/kosong/ralat/penuh) dengan AI, minta kebolehaksesan dari awal.
2. Kod (Unit 2). Hasilkan kamera, model data dan ViewModel lapisan demi lapisan dengan MVVM; mengesahkan setiap lapisan.
3. AI pada peranti (Unit 4). Baca amaun/tarikh daripada penerimaan dengan pengecaman teks ML Kit; Pertimbangkan prapemprosesan dan pemarkahan keyakinan.
4. Kerahsiaan (Unit 9). Minta kebenaran kamera dengan keistimewaan yang paling rendah, tulis senario penolakan, simpan data pada peranti.
5. Pengujian (Unit 6). Hasilkan ujian unit bagi logik pengekstrakan, ujian UI paparan; Sertakan negeri sempadan.
6. Penyahpepijatan (Unit 7). Minta AI menganalisis ranap sistem dengan konteks dan selesaikan puncanya.
7. Prestasi (Unit 8). Ukur kos bateri pemprosesan kamera dan tetapkan mesra bateri.
8. Penyiaran (Unit 10). Laporkan penggunaan AI secara telus, isi borang privasi dengan jujur, dan jalankan ujian kendiri.

Pada setiap langkah, AI memecut, manusia mengesahkan dan membuat keputusan. Gelung ini adalah teras modul.

Petua: Jangan cuba buat AI melakukan ciri yang kompleks dengan satu permintaan gergasi. Pecahkan kepada langkah-langkah yang boleh disahkan seperti di atas. Menguji output setiap langkah dan bergerak ke langkah seterusnya adalah lebih selamat dan akhirnya lebih pantas; Kerana anda menangkap kesilapan besar bukan pada akhirnya, tetapi pada langkah pertama.

Penggunaan AI yang bertanggungjawab dan beretika

Kecekapan teknikal sahaja tidak mencukupi; rangka kerja yang bertanggungjawab melengkapkannya. Tiga prinsip:

Ketelusan. Pengguna mesti tahu bahawa dia sedang berinteraksi dengan AI. AI rahsia ialah pecah amanah. Kandungan yang dijana AI ditandakan; Nasihat AI dibentangkan sebagai "nasihat yang berguna" dan bukannya "kebenaran yang sukar."

Pengesahan dan akauntabiliti. Output AI ialah titik permulaan, bukan produk siap. Anda bertanggungjawab untuk setiap baris kod yang diterbitkan, setiap respons AI, setiap transaksi data. "AI ​​menulisnya seperti itu" bukan pembelaan.

Keadilan dan bukan kejahatan. Model AI boleh membawa bias daripada data yang mereka latih. Pengecaman muka mungkin berfungsi lebih teruk pada beberapa warna kulit, enjin pengesyoran mungkin mengecualikan kumpulan. Adalah menjadi tanggungjawab anda untuk menguji bahawa produk anda berfungsi secara adil merentas kumpulan pengguna yang berbeza.

Perhatian: Sebarang teknik yang anda pelajari dalam bidang IT dan keselamatan hanya digunakan untuk tujuan yang dibenarkan dan membina. Menggunakan AI untuk mencipta perisian hasad, memecahkan aplikasi orang lain tanpa kebenaran, mengumpul data pengguna tanpa kebenaran atau menghasilkan kandungan yang mengelirukan adalah menyalahi undang-undang dan bertentangan dengan etika profesion. Ukuran kuasa didedahkan di mana anda tidak menggunakannya.

Menyedari had AI

Pembangun yang matang tahu di mana AI bersinar dan di mana ia gagal.

AI berkuasa

AI lemah

Kod acuan, pengeluaran boilerplate

Keputusan produk dan seni bina

Ujian dan draf dokumentasi

Memahami konteks perniagaan dan pengguna

Pembacaan log ranap, pengimbasan ralat

Diagnosis punca definitif (pengesahan diperlukan)

Pembelajaran, penerangan konsep

Maklumat API semasa/tidak dibuat

Teks, penerangan, terjemahan

Etika, keselamatan dan keputusan muktamad undang-undang

Memasukkan perbezaan ini adalah kunci untuk menggunakan AI secara berkesan dan mengelakkan perangkapnya.

tiga kes mini

Kes 1 — Kelajuan hujung ke hujung. Seorang pembangun solo menyelesaikan ciri "cabut plag" dalam masa 4 hari dengan aliran 8 langkah di atas; Tanpa AI, anggarannya ialah 12 hari. Tetapi kerana dia mengesahkan setiap langkah, penerbitan itu diluluskan buat kali pertama. Kepantasan adalah nyata kerana disiplin adalah nyata. Pelajaran: Pengesahan AI + lebih pantas daripada pengesahan AI.

Kes 2 - Bias ditangkap. Semasa menguji ciri ramalan kata nama jantina berasaskan AI, satu pasukan melihat ralat sistematik dalam beberapa kata nama Turki; model itu dilatih pada kebanyakannya data bahasa Inggeris. Ciri ini telah ditukar kepada bertanya kepada pengguna dan bukannya membuat andaian yang salah. Pengajaran: adalah tugas pembangun untuk menguji kecenderungan latihan model.

Kes 3 — Pertahanan "AI berkata begitu" runtuh. Seorang pembangun menerbitkan kod pembayaran yang dijana AI tanpa mengesahkannya; Dalam satu kes yang melampau, kod itu melakukan pengumpulan berganda. Tanggungjawab tidak dibuang dengan mengatakan "AI menulisnya"; Sebagai pemegang akaun, beliau adalah seorang pemaju. Pengajaran: tanggungjawab tidak boleh diwakilkan.

Gesaan lemah / Gesaan kuat

Gesaan lemah: "Tulis saya aplikasi pengimbasan resit yang lengkap."

Gesaan berkuasa: "Bantu saya membangunkan ciri 'tambah perbelanjaan daripada resit' langkah demi langkah. Mari kita teruskan mengikut tertib, apabila saya mengesahkan dan meluluskan setiap langkah, teruskan ke langkah seterusnya: 1) Skrin + empat keadaan + kebolehcapaian2) Lapisan MVVM (kamera, model, ViewModel)3) Jumlah bacaan/tarikh daripada penerimaan dengan ML Kit + markah kepercayaan unit) penolakan Unit ML + nilai amanah) dan ujian UI Beritahu saya risiko dan perkara yang perlu saya sahkan pada setiap langkah."

Templat yang boleh disalin

Templat perancangan hujung ke hujung: "Saya akan membangunkan ciri berikut: [ciri]. Bahagikannya kepada langkah yang boleh disahkan: reka bentuk, kod, integrasi AI, privasi/kebenaran, ujian, prestasi, keluaran. Tulis kriteria output, risiko dan pengesahan untuk setiap langkah. Jangan buat satu pengeluaran gergasi."

Templat audit etika/berat sebelah: "Audit ciri AI berikut untuk keadilan dan berat sebelah: [ciri]. Kumpulan pengguna manakah yang mungkin berprestasi buruk? Bagaimanakah data latihan memberi kesan berat sebelah? Bagaimanakah saya hendak mengujinya, bagaimana saya menjadikannya lebih inklusif?"

Templat semakan akauntabiliti: "Senaraikan soalan akauntabiliti yang perlu saya tanya sebelum mengeluarkan kod/ciri yang dijana AI ini: adakah saya memahaminya, adakah saya telah mengujinya, adakah ia selamat, adakah ia telus kepada pengguna, adakah ia sah/beretika?"

Templat pembelajaran berterusan: "Cadangkan pelan praktikal 4 minggu untuk meningkatkan kemahiran AI saya dalam pembangun mudah alih: satu topik setiap minggu (kod, penyepaduan, ujian, keluaran), dengan matlamat projek kecil dan tabiat pengesahan."

Kesilapan biasa

• Menghasilkan ciri yang kompleks dengan satu permintaan gergasi. Tidak boleh disahkan; memecahkannya kepada beberapa langkah.
• Mengelakkan tanggungjawab dengan mengatakan "AI menulis begitu". Anda bertanggungjawab untuk kod yang diterbitkan.
• Tidak menguji bias AI. Model mungkin berfungsi dengan baik dalam beberapa kumpulan; Uji keadilan.
• Menyembunyikan interaksi AI daripada pengguna. Ketelusan adalah asas kepercayaan.
• Melupakan batasan AI. Orang ramai mempunyai kata putus tentang seni bina, etika dan API semasa.
• Untuk berhenti belajar. Alat dan peraturan kedai berubah dengan cepat; Kekal sentiasa dikemas kini.

Secara ringkasnya

Ciri hujung ke hujung menggabungkan semua bahagian modul dalam rantaian: reka bentuk, kod, penyepaduan AI, privasi, ujian, penyahpepijatan, prestasi dan keluaran. Pada setiap langkah, AI mempercepatkan, manusia mengesahkan dan membuat keputusan; Kerja kompleks dipecahkan kepada langkah-langkah kecil yang boleh disahkan. Penggunaan yang bertanggungjawab adalah berdasarkan tiga prinsip: ketelusan, pengesahan-akauntabiliti dan keadilan-tidak membahayakan. AI adalah pengganda yang kuat, tetapi manusia mempunyai kata putus tentang seni bina, etika, keselamatan dan pengetahuan semasa. "AI melakukannya dengan cara itu" bukan pertahanan; Anda bertanggungjawab ke atas produk anda dan janji yang anda buat kepada pengguna anda. Dengan disiplin ini, AI menjadikan anda lebih pantas, lebih komprehensif dan lebih kuat sepanjang kerjaya anda.

Tugasan permohonan

Pecahkan ciri mudah alih pilihan anda (cth. "merumuskan dengan mengambil nota suara" atau "pengecaman produk daripada foto") kepada langkah yang boleh disahkan dengan "Templat perancangan hujung ke hujung". Sebenarnya membangun dan mengesahkan sekurang-kurangnya satu langkah dengan AI. Kemudian, analisis kumpulan pengguna yang mana ciri tersebut boleh menyebabkan masalah dengan "Templat kawalan etika/berat sebelah" dan jawab soalan yang anda perlu tanya sebelum dikeluarkan dengan "Templat kawalan liabiliti".

senarai semak

• [ ] Saya memecahkan ciri ini kepada langkah-langkah kecil yang boleh disahkan, bukan satu pengeluaran gergasi
• [ ] Saya mengesahkan output AI pada setiap langkah dan membuat keputusan
• [ ] Saya membentangkan interaksi AI secara telus kepada pengguna
• [ ] Saya menilai sama ada ciri ini berfungsi secara adil/berat sebelah merentas kumpulan berbeza
• [ ] Saya menjawab soalan tanggungjawab pra-keluaran (faham/ujian/selamat/beretika)
• [ ] Saya telah menggunakan AI hanya untuk tujuan yang cekap dan membina dan merancang untuk meneruskan pembelajaran

Peperiksaan Modul

1. Antara berikut, yang manakah kedudukan paling tepat untuk kecerdasan buatan dalam pembangunan mudah alih?

• A) AI menggantikan pemaju; boleh diterbitkan terus tanpa membaca kod yang dihasilkannya
• B) Kecerdasan buatan hanya berfungsi dalam menulis teks, ia tidak ada kaitan dengan penjanaan kod
• C) Kecerdasan buatan ialah pembantu dan pemecut; Tanggungjawab untuk keputusan seni bina, keselamatan dan penyiaran terletak pada manusia ✔
• D) Memandangkan kecerdasan buatan sentiasa menghasilkan kod yang betul, ujian dan pengesahan tambahan tidak diperlukan

Penerangan: Kecerdasan buatan ialah pembantu dan pemecut yang menjana kod, pelan tindakan dan penyelesaian. Tanggungjawab dan kelulusan akhir keputusan seperti seni bina, kebenaran, keselamatan dan penerbitan terletak pada pemaju yang cekap; Manusia bertanggungjawab untuk setiap baris yang diterbitkan.

2. Apabila meminta kod mudah alih daripada kecerdasan buatan, apakah yang paling banyak meningkatkan kualiti seni bina kod yang dihasilkan?

• A) Pastikan gesaan itu sesingkat mungkin dan sebut 'tulis saya aplikasi'
• B) Mula-mula, kenakan seni bina seperti MVVM dan minta kod dalam kepingan kecil, lapisan demi lapisan ✔
• C) Menghasilkan keseluruhan ciri sebagai satu fail gergasi dalam satu gesaan
• D) Jangan nyatakan seni bina sama sekali dan serahkan keputusan terbaik kepada kecerdasan buatan

Penjelasan: Mengenakan seni bina seperti MVVM dan memerlukan lapisan demi lapisan sebelum menulis kod terus kepada AI menghasilkan struktur yang boleh diuji dan boleh diselenggara yang memisahkan logik daripada skrin. Permintaan tanpa seni bina mengembalikan kod yang menjejalkan segala-galanya ke skrin.

3. Apakah yang paling kerap diabaikan apabila mencipta antara muka dengan kecerdasan buatan dan apakah yang paling kritikal dalam penggunaan sebenar?

• A) Mereka bentuk pemuatan, keadaan kosong dan ralat, bukan hanya skrin penuh ✔
• B) Hanya menghasilkan skrin penuh yang terbaik, melangkau kes lain
• C) Menambah seberapa banyak warna dan animasi yang mungkin pada setiap skrin
• D) Membiarkan tag kebolehaksesan kekal dan hanya berkaitan dengan penampilan

Penjelasan: Pembangun selalunya hanya mempertimbangkan keadaan 'penuh'; sedangkan pada hakikatnya pengguna kebanyakannya menghadapi keadaan pemuatan, kosong dan ralat. Menjana keempat-empat keadaan (memuat/kosong/ralat/penuh) adalah rahsia antara muka yang teguh.

4. Mengapakah AI pada peranti sering menjadi pilihan lalai untuk ciri yang memproses data peribadi yang sensitif (cth. pengukuran kesihatan)?

• A) Model pada peranti sentiasa lebih tepat daripada awan
• B) Pemprosesan pada peranti tidak pernah menanggung kos bateri atau pemproses
• C) Pemprosesan pada peranti adalah tidak terhad dari segi saiz model
• D) Memandangkan data tidak meninggalkan telefon, ia memberikan kelebihan yang kukuh dari segi privasi dan kepercayaan pengguna ✔

Penjelasan: Pemprosesan pada peranti tidak mengalih keluar data daripada telefon; Ini adalah kelebihan yang kukuh dari segi pematuhan privasi dan kepercayaan pengguna, serta ia berfungsi di luar talian dan serta-merta. Hadnya ialah kuasa peranti dan saiz model.

5. Apakah ralat 'senyap' yang paling biasa yang menyebabkan hasil tidak bermakna dan tidak menghasilkan mesej ralat dalam penyepaduan model pada peranti?

• A) Ejaan nama fail model yang salah
• B) Resolusi rendah ikon aplikasi
• C) Prapemprosesan input yang salah (saiz/penormalan) ✔
• D) Tema skrin gelap

Penjelasan: Melakukan prapemprosesan input secara tidak betul akan menghasilkan keputusan yang benar-benar salah tanpa membuang ralat. Nilai prapemprosesan hendaklah disahkan daripada dokumentasi model.

6. Apakah peraturan yang paling kritikal keselamatan apabila menyepadukan LLM awan ke dalam aplikasi mudah alih?

• A) Kunci API hendaklah hanya disimpan di bahagian belakang, bukan pada klien; permintaan mesti melalui proksi ✔
• B) Kunci API hendaklah dibenamkan terus ke dalam kod aplikasi untuk kemudahan
• C) Kunci API harus dikongsi dalam perihalan aplikasi
• D) Kunci API hendaklah disimpan dalam klien dan disembunyikan hanya dengan menukar nama.

Pendedahan: Kunci API tidak pernah dibenamkan dalam kod aplikasi mudah alih; kerana aplikasi itu boleh direkayasa terbalik dan kuncinya diekstrak. Seni bina yang betul adalah untuk menyimpan kunci hanya di bahagian belakang dan lulus permintaan melalui pelayan proksi anda sendiri.

7. Apakah yang paling meningkatkan kelajuan yang dirasakan pengguna dan kadar penyiapan ciri dalam jawapan LLM yang panjang?

• A) Menunggu sehingga keseluruhan jawapan dihasilkan dan menunjukkannya sekali gus
• B) Menunjukkan jawapan perkataan demi perkataan, seperti yang dihasilkan, dengan penstriman ✔
• C) Menghantar keseluruhan sejarah sembang kepada model dengan setiap permintaan
• D) Besarkan arahan model untuk memanjangkan tindak balas sebanyak mungkin

Penerangan: Penstriman secara mendadak meningkatkan persepsi kelajuan dan kelancaran dengan memaparkan tindak balas kerana ia dihasilkan perkataan demi perkataan. Daripada menunggu pada skrin kosong, pengguna menonton borang teks; Ini mengurangkan kadar pengabaian dengan ketara.

8. Apakah masalah yang paling biasa dalam ujian yang dihasilkan oleh kecerdasan buatan yang menjadikan ujian itu tidak bernilai?

• A) Ujian meliputi terlalu banyak keadaan had
• B) Ujian menggunakan objek olok-olok, bukan perkhidmatan sebenar
• C) Ujian berjalan sangat pantas
• D) Skop kembung dengan ujian kosong/tidak berguna yang sebenarnya tidak mengesahkan sesuatu tingkah laku ✔

Penjelasan: Kecerdasan buatan kadangkala menghasilkan ujian yang sebenarnya tidak mengesahkan sebarang output (cth. panggil sahaja fungsi dan tulis pernyataan kosong). Ini meningkatkan nombor perlindungan tetapi tidak memberikan perlindungan sebenar; Setiap ujian mesti diperiksa untuk mengesahkan tingkah laku yang bermakna.

9. Mengapakah ia bukan penyelesaian yang mencukupi untuk menyenyapkan ranap dengan meletakkannya dalam percubaan tangkapan dengan cadangan kecerdasan buatan?

• A) cuba-tangkap tidak boleh digunakan sama sekali dalam aplikasi mudah alih
• B) Kemalangan berhenti, tetapi kerana punca utama tidak diselesaikan, masalah itu kembali dalam bentuk yang berbeza ✔
• C) Menggunakan try-catch melambatkan aplikasi, jadi ia dilarang
• D) Ralat yang disenyapkan secara automatik ditolak oleh kedai

Penjelasan: Mendiamkan gejala tidak menyelesaikan punca; Ranap sistem berhenti, tetapi masalah asal (cth. sambungan data terputus) kembali dalam bentuk lain (cth. kehilangan data). Matlamat dalam penyahpepijatan profesional adalah untuk menyelesaikan punca, bukan gejala.

10. Apakah peraturan emas asas yang perlu diikuti dalam pengoptimuman prestasi?

• A) Mula-mula ambil profil dan ukur kesesakan sebenar, kemudian optimumkan ✔
• B) Meneka di mana lambat dan menumpukan perhatian di sana
• C) Mengejar keuntungan kecil dalam setiap fungsi
• D) Mengukur prestasi pada emulator dan tidak pernah mencuba peranti sebenar

Penerangan: Ukur dahulu, optimumkan kemudian. Kesesakan sebenar hampir selalu berada di lokasi yang berbeza daripada yang diramalkan; Pengoptimuman tanpa pemprofilan adalah tekaan buta dan selalunya membazirkan usaha.

11. Apakah kebimbangan kejuruteraan yang paling penting untuk ciri AI yang sentiasa berjalan (cth. terjemahan kamera langsung)?

• A) Ciri ini meminta seberapa banyak kebenaran yang mungkin
• B) Menguruskan kos bateri dan pemproses pemprosesan berterusan dengan kekerapan pensampelan dan pemprosesan kelompok ✔
• C) Hanya jalankan ciri ini pada telefon yang paling mahal
• D) Memaparkan kamera secara berterusan pada kadar bingkai tertinggi yang mungkin

Penerangan: Model, kamera dan rangkaian yang sentiasa berfungsi; Ia boleh menggunakan bateri dengan cepat, memanaskan peranti dan dihadkan oleh sistem. Mengurangkan kekerapan pensampelan, mengumpulkan dan menjalankan hanya apabila diperlukan adalah cara untuk mengurus kos bateri.

12. Apakah yang dimaksudkan dengan prinsip 'keistimewaan paling rendah' ​​dalam pengurusan kebenaran dalam pembangunan mudah alih?

• A) Meminta semua kebenaran yang mungkin pada permulaan, untuk berjaga-jaga.
• B) Menjadikan aplikasi tidak boleh beroperasi jika kebenaran ditolak
• C) Meminta kebenaran seluas-luasnya dan merancang untuk menyempitkannya kemudian.
• D) Meminta hanya kebenaran yang sebenarnya diperlukan, apabila perlu dan dalam skop yang paling sempit, dengan senario penolakan ✔

Penjelasan: Keistimewaan yang paling kecil ialah meminta hanya kebenaran yang sebenarnya diperlukan, apabila ia diperlukan, dan pada tahap yang paling sempit yang mungkin. Terlalu banyak kebenaran menjejaskan kepercayaan pengguna, membawa kepada penolakan kedai dan meningkatkan risiko kebocoran data.

13. Apakah keperluan khusus yang mesti dipenuhi semasa membentangkan aplikasi dengan kecerdasan buatan ke kedai?

• A) Ketelusan kandungan, kawalan kandungan dan pendedahan data kepada kecerdasan buatan dalam bentuk kerahsiaan ✔
• B) Menyembunyikan penggunaan kecerdasan buatan daripada pengguna
• C) Menanda data yang sebenarnya tidak dikumpul dalam borang privasi
• D) Ciri-ciri menjanjikan yang tidak wujud dalam huraian

Pendedahan: Kedai mengharapkan ketelusan kandungan (pernyataan bahawa ia menghasilkan AI), penyederhanaan kandungan (penapisan output berbahaya dan pemberitahuan pengguna), dan pendedahan penggunaan data daripada aplikasi yang mengandungi kecerdasan buatan; Amaran ketepatan diperlukan di kawasan sensitif. Permohonan yang meninggalkan ini akan ditolak.

14. Mengapakah pertahanan 'AI menulisnya demikian' tidak sah apabila ralat kes tepi berlaku dalam kod jana AI yang diterbitkan?

• A) Oleh kerana kecerdasan buatan sentiasa menghasilkan kod bebas ralat, ralat datang daripada pengguna
• B) Kerana menyimpan kod yang dijana AI secara automatik
• C) Kerana tanggungjawab tidak boleh dipindahkan kepada kecerdasan buatan; Pembangun bertanggungjawab untuk kod dan data yang diterbitkan ✔
• D) Kerana kod yang dijana kecerdasan buatan tidak pernah disiarkan secara langsung

Penerangan: Output AI ialah titik permulaan, bukan produk siap. Pembangunlah yang bertanggungjawab untuk setiap baris yang diterbitkan, setiap data yang diproses, dan setiap janji yang dibuat; tanggungjawab tidak boleh diwakilkan kepada AI, jadi output mesti difahami dan diuji sebelum diterbitkan.