ਲਾਭ:
- ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਐਮਐਲ ਵਰਕਫਲੋ (ਕੋਡ, ਡੇਟਾ, ਦਸਤਾਵੇਜ਼) ਵਿੱਚ ਕਿੱਥੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਘੱਟ ਜੋਖਮ ਨਾਲ ਸਮਾਂ ਬਚਾਉਂਦੀ ਹੈ, ਅਤੇ ਜਿੱਥੇ ਕੰਮ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ, ਮੈਟ੍ਰਿਕ / ਡੇਟਾ / ਉਤਪਾਦਨ ਵਿੱਚ ਪਾਉਣ ਵਰਗੇ ਫੈਸਲੇ ਮਨੁੱਖਾਂ ਲਈ ਛੱਡ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ।
- ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜ ਕੇ, ਇਸਨੂੰ ਦੁਬਾਰਾ ਚਲਾਉਣ, ਇਸਨੂੰ ਮਾਪਣ ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਫਿਲਟਰ ਦੁਆਰਾ ਪਾਸ ਕਰਕੇ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ।
- ਕੱਚੇ ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਬਾਹਰੀ ਸਾਧਨਾਂ ਨੂੰ ਨਾ ਭੇਜਣ, ਕਾਰਪੋਰੇਟ-ਪ੍ਰਵਾਨਿਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨ, ਅਤੇ ਸਿਰਫ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਸੁਰੱਖਿਆ ਮੁੱਦਿਆਂ ਨਾਲ ਨਜਿੱਠਣ ਦੀ ਆਦਤ ਨੂੰ ਹਾਸਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ।
ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ: ਭੂਮਿਕਾ, ਸੀਮਾਵਾਂ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ
ਇੱਕ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਇੰਜੀਨੀਅਰ (ML ਇੰਜੀਨੀਅਰ: ਇੱਕ ਸਾਫਟਵੇਅਰ ਪੇਸ਼ੇਵਰ ਜੋ ਡਿਜ਼ਾਈਨ ਕਰਦਾ ਹੈ, ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ, ਅਤੇ ਮਾਡਲਾਂ ਨੂੰ ਲਿਆਉਂਦਾ ਹੈ ਜੋ ਡੇਟਾ ਤੋਂ ਉਤਪਾਦਨ ਤੱਕ ਸਿੱਖਦੇ ਹਨ) ਅੱਜ ਆਪਣੀ ਨੌਕਰੀ ਦੇ ਹਰ ਪੜਾਅ 'ਤੇ ਇੱਕ ਹੋਰ ਨਕਲੀ ਖੁਫੀਆ ਟੂਲ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਕੋਡ ਲਿਖਣ ਵੇਲੇ ਇੱਕ ਕੋਡਿੰਗ ਸਹਾਇਕ ਪ੍ਰਭਾਵੀ ਹੁੰਦਾ ਹੈ, ਡੇਟਾ ਦੀ ਪੜਚੋਲ ਕਰਨ ਵੇਲੇ ਇੱਕ ਗੱਲਬਾਤ ਦਾ ਮਾਡਲ, ਅਤੇ ਦਸਤਾਵੇਜ਼ ਤਿਆਰ ਕਰਨ ਵੇਲੇ ਇੱਕ ਵਿਸ਼ਾਲ ਭਾਸ਼ਾ ਮਾਡਲ (LLM: ਅਰਬਾਂ ਪੈਰਾਮੀਟਰਾਂ ਵਾਲਾ ਇੱਕ ਨਿਊਰਲ ਨੈਟਵਰਕ ਜੋ ਟੈਕਸਟ ਨੂੰ ਸਮਝਦਾ ਅਤੇ ਪੈਦਾ ਕਰਦਾ ਹੈ)। ਇਹ ਮੋਡੀਊਲ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਵਿਕਸਤ ਉਤਪਾਦ ਅਤੇ ਇੱਕ ਐਮਐਲ ਇੰਜੀਨੀਅਰ ਦੇ ਰੋਜ਼ਾਨਾ ਕੰਮ ਦੇ ਸਾਧਨ ਦੇ ਰੂਪ ਵਿੱਚ ਸਮਝਦਾ ਹੈ। ਇਹ ਦੋ ਭੂਮਿਕਾਵਾਂ ਨੂੰ ਮਿਲਾਏ ਬਿਨਾਂ ਜ਼ਿੰਮੇਵਾਰੀ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦਰਸਾ ਕੇ ਕੰਮ ਕਰਦਾ ਹੈ।
ਇਸ ਪਹਿਲੀ ਇਕਾਈ ਵਿੱਚ, ਅਸੀਂ ਬੁਨਿਆਦੀ ਸਵਾਲ ਦਾ ਜਵਾਬ ਦਿੰਦੇ ਹਾਂ: ML ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਅਸਲ ਸਮੇਂ ਨੂੰ ਕਿੱਥੇ ਬਚਾਉਂਦੀ ਹੈ, ਅਤੇ ਸਾਨੂੰ ਇਹ ਫੈਸਲਾ ਮਨੁੱਖਾਂ ਉੱਤੇ ਕਿੱਥੇ ਛੱਡਣਾ ਹੈ? ਇਸ ਦਾ ਜਵਾਬ ਇੰਜੀਨੀਅਰਿੰਗ ਅਨੁਸ਼ਾਸਨ ਦੇ ਕੇਂਦਰ ਵਿੱਚ ਹੈ: ਜੋ ਬਣਾਉਂਦਾ ਹੈ ਉਹ ਤੇਜ਼ ਹੈ, ਜੋ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਉਹ ਜ਼ਿੰਮੇਵਾਰ ਹੈ।
ML ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਕਿੱਥੇ ਕੰਮ ਆਉਂਦੀ ਹੈ?
ਇੱਕ ML ਪ੍ਰੋਜੈਕਟ ਲਗਭਗ ਹੇਠ ਲਿਖੀਆਂ ਲਾਈਨਾਂ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ: ਡੇਟਾ ਸੰਗ੍ਰਹਿ, ਡੇਟਾ ਸਫਾਈ, ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ (ਕੱਚੇ ਡੇਟਾ ਦਾ ਡਿਜੀਟਲ ਸਿਗਨਲਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰਨਾ ਜਿਸ ਨੂੰ ਮਾਡਲ ਸਮਝ ਸਕਦਾ ਹੈ), ਮਾਡਲ ਸਿਖਲਾਈ, ਮੁਲਾਂਕਣ, ਤੈਨਾਤੀ (ਤੈਨਾਤ: ਅਸਲ ਉਪਭੋਗਤਾ ਲਈ ਮਾਡਲ ਖੋਲ੍ਹਣਾ) ਅਤੇ ਨਿਗਰਾਨੀ। AI ਇਸ ਲਾਈਨ 'ਤੇ ਹਰ ਸਟਾਪ 'ਤੇ ਮਦਦ ਕਰਦਾ ਹੈ, ਪਰ ਇਸਦੇ ਅਧਿਕਾਰ ਦਾ ਪੱਧਰ ਵੱਖਰਾ ਹੁੰਦਾ ਹੈ।
ਉੱਚ-ਇਨਾਮ, ਘੱਟ-ਜੋਖਮ ਵਾਲੇ ਖੇਤਰ: ਇੱਕ ਕੋਡ ਪਿੰਜਰ ਬਣਾਉਣਾ, ਇੱਕ ਡੇਟਾ ਪਰਿਵਰਤਨ ਫੰਕਸ਼ਨ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ, ਲੌਗ ਸੁਨੇਹਿਆਂ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ, ਇੱਕ ਸਟੈਕ ਟਰੇਸ ਦਾ ਵਰਣਨ ਕਰਨਾ, ਪ੍ਰਯੋਗ ਨੋਟਸ ਦਾ ਸਾਰ ਦੇਣਾ, ਦਸਤਾਵੇਜ਼ਾਂ ਅਤੇ READMEs ਲਿਖਣਾ, ਇੱਕ ਟੈਸਟ ਕੇਸ ਦਾ ਪ੍ਰਸਤਾਵ ਕਰਨਾ। ਇੱਥੇ, ਨਕਲੀ ਬੁੱਧੀ ਦੀਆਂ ਗਲਤੀਆਂ ਸਸਤੀਆਂ ਹਨ; ਕਿਉਂਕਿ ਆਉਟਪੁੱਟ ਪਹਿਲਾਂ ਹੀ ਜਾਂਚ ਅਤੇ ਸਮੀਖਿਆ ਵਿੱਚੋਂ ਲੰਘੇਗੀ।
ਉੱਚ ਜੋਖਮ ਵਾਲੇ ਖੇਤਰ: ਇਹ ਫੈਸਲਾ ਕਰਨਾ ਕਿ ਕਿਹੜਾ ਡੇਟਾ ਸਿਖਲਾਈ ਵਿੱਚ ਜਾਂਦਾ ਹੈ, ਇਹ ਪੁਸ਼ਟੀ ਕਰਨਾ ਕਿ ਕੀ ਇੱਕ ਮਾਡਲ ਉਤਪਾਦਨ ਵਿੱਚ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਇੱਕ ਮੈਟ੍ਰਿਕ ਦਾ ਨਿਰਣਾ ਕਰਨਾ "ਕਾਫ਼ੀ ਚੰਗਾ", ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦਾ ਫੈਸਲਾ, ਇੱਕ ਸੁਰੱਖਿਆ ਕਮਜ਼ੋਰੀ ਨੂੰ "ਜੰਕ" ਵਜੋਂ ਬੰਦ ਕਰਨਾ। ਇਹ ਪੈਸੇ, ਗੋਪਨੀਯਤਾ, ਕਾਨੂੰਨੀ ਦੇਣਦਾਰੀ, ਅਤੇ ਉਪਭੋਗਤਾ ਦੇ ਵਿਸ਼ਵਾਸ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ। ਨਕਲੀ ਬੁੱਧੀ ਇੱਥੇ ਸੁਝਾਅ ਦਿੰਦੀ ਹੈ; ਫੈਸਲਾ ਯੋਗ ਇੰਜੀਨੀਅਰ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਟੀਮ ਦੁਆਰਾ ਕੀਤਾ ਜਾਂਦਾ ਹੈ।
ਸੁਝਾਅ: AI ਨੂੰ ਕਿਸੇ ਕੰਮ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ: "ਜੇਕਰ ਇਹ ਆਉਟਪੁੱਟ ਗਲਤ ਹੈ, ਤਾਂ ਕੀਮਤ ਕੀ ਹੈ, ਅਤੇ ਕੋਈ ਕਿੰਨੀ ਆਸਾਨੀ ਨਾਲ ਗਲਤੀ ਨੂੰ ਫੜ ਲਵੇਗਾ?" ਜੇ ਕੀਮਤ ਘੱਟ ਹੈ ਅਤੇ ਕੈਪਚਰ ਕਰਨਾ ਆਸਾਨ ਹੈ, ਤਾਂ ਇਸ ਨੂੰ ਪਾਸ ਕਰੋ। ਜੇਕਰ ਕੀਮਤ ਜ਼ਿਆਦਾ ਹੈ ਜਾਂ ਕੈਪਚਰ ਕਰਨਾ ਮੁਸ਼ਕਲ ਹੈ, ਤਾਂ ਸਿਰਫ਼ ਡਰਾਫਟ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ ਅਤੇ ਤੁਸੀਂ ਫੈਸਲਾ ਕਰੋ।
ਪੁਸ਼ਟੀਕਰਨ ਅਨੁਸ਼ਾਸਨ: ਤਿੰਨ ਕਦਮ
ML ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ, AI ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ "ਮੁਕੰਮਲ ਕੰਮ" ਨਹੀਂ ਹੁੰਦਾ; ਇਹ ਇੱਕ ਖਰੜਾ ਹੈ। ਇਹਨਾਂ ਤਿੰਨ ਪੜਾਵਾਂ ਰਾਹੀਂ ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਚਲਾਓ:
- ਇਸਨੂੰ ਸਰੋਤ ਨਾਲ ਕਨੈਕਟ ਕਰੋ। ਜੇਕਰ ਮਾਡਲ ਨੇ ਇੱਕ ਨੰਬਰ, ਇੱਕ ਥ੍ਰੈਸ਼ਹੋਲਡ, ਜਾਂ "ਸਭ ਤੋਂ ਵਧੀਆ ਅਭਿਆਸ" ਕਿਹਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਅਧਿਕਾਰਤ ਦਸਤਾਵੇਜ਼ਾਂ, ਕੋਡਬੇਸ ਵਿੱਚ ਅਸਲ ਮੁੱਲ, ਜਾਂ ਮਾਪਿਆ ਮੈਟ੍ਰਿਕ 'ਤੇ ਅਧਾਰਤ ਕਰੋ। "ਮਾਡਲ ਦੀ ਫਿਟਿੰਗ" (ਭਰਮ: ਭਾਸ਼ਾ ਮਾਡਲ ਦੁਆਰਾ ਗੈਰ-ਅਸਲ ਜਾਣਕਾਰੀ ਦਾ ਭਰੋਸੇਮੰਦ ਉਤਪਾਦਨ) ਇੱਥੇ ਅਕਸਰ ਫੜਿਆ ਜਾਂਦਾ ਹੈ।
- ਮੁੜ ਚਾਲੂ ਕਰੋ ਅਤੇ ਮਾਪੋ. ਤਿਆਰ ਕੀਤੇ ਕੋਡ ਨੂੰ ਚਲਾਓ, ਆਪਣੇ ਖੁਦ ਦੇ ਟੈਸਟ ਸੈੱਟ 'ਤੇ ਤਿਆਰ ਕੀਤੀ ਮੈਟ੍ਰਿਕ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰੋ, ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ 'ਤੇ ਪ੍ਰਸਤਾਵਿਤ SQL ਪੁੱਛਗਿੱਛ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ। ਕੋਡ ਜੋ ਕੰਮ ਨਹੀਂ ਕਰਦਾ ਬੇਕਾਰ ਹੈ, ਭਾਵੇਂ ਇਹ ਵਧੀਆ ਲੱਗ ਰਿਹਾ ਹੋਵੇ।
- ਇਸਨੂੰ ਇੱਕ ਇੰਜੀਨੀਅਰਿੰਗ ਫਿਲਟਰ ਦੁਆਰਾ ਪਾਸ ਕਰੋ। ਕੀ ਆਉਟਪੁੱਟ ਪੈਮਾਨੇ 'ਤੇ ਬਰਕਰਾਰ ਹੈ? ਕੀ ਕਿਨਾਰੇ ਦੇ ਕੇਸਾਂ (ਖਾਲੀ ਡੇਟਾ, ਬਹੁਤ ਵੱਡਾ ਇਨਪੁਟ, ਗੁੰਮ ਹੋਏ ਖੇਤਰ) 'ਤੇ ਵਿਚਾਰ ਕੀਤਾ ਗਿਆ ਹੈ? ਕੀ ਕੋਈ ਸੁਰੱਖਿਆ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਹੈ? ਇਹ ਕਦਮ ਸਿਰਫ਼ ਖੇਤਰ ਨੂੰ ਜਾਣਦਾ ਵਿਅਕਤੀ ਹੀ ਕਰ ਸਕਦਾ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ: "ਮੈਨੂੰ ਕੁਝ ਮਾਡਲ ਸਿਖਲਾਈ ਕੋਡ ਲਿਖੋ।"
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ: "ਸਕਿਟ-ਲਰਨ ਦੇ ਨਾਲ ਬਾਈਨਰੀ ਵਰਗੀਕਰਨ ਲਈ ਇੱਕ ਸਿਖਲਾਈ ਸਕ੍ਰਿਪਟ ਲਿਖੋ। ਇਨਪੁਟ: data/train.parquet, ਟਾਰਗੇਟ ਕਾਲਮ is_churn। ਇੱਥੇ ਕਲਾਸ ਅਸੰਤੁਲਨ ਹੈ (ਸਕਾਰਾਤਮਕ ਦਰ ~8%), ਇਸ ਨੂੰ class_weight ਨਾਲ ਹੈਂਡਲ ਕਰੋ। PR-AUC (ਸ਼ੁੱਧਤਾ-ਰੀਕਾਲ ਕਰਵ ਦੇ ਅਧੀਨ ਖੇਤਰ) ਦੀ ਵਰਤੋਂ ਕਰੋ ਕਿਉਂਕਿ ਇੱਕ ਗਲਤੀ ਦੇ ਤੌਰ 'ਤੇ ਮੀਟ੍ਰਿਕਾਈਡ ਹੈ, ਡਾਟਾ ਬੇਤਰਤੀਬ ਬੀਜ ਨੂੰ 42 ਤੱਕ ਫਿਕਸ ਕਰੋ। ਕੋਡ ਪ੍ਰਿੰਟ ਸੈੱਟ PR-AUC ਦੇ ਅੰਤ ਵਿੱਚ ਟੈਸਟ ਕਰੋ।
ਅੰਤਰ: ਦੂਜੇ ਪ੍ਰੋਂਪਟ ਕੰਮ ਵਿੱਚ ਡੇਟਾ ਦੀ ਸੱਚਾਈ, ਸਹੀ ਮੈਟ੍ਰਿਕ, ਅਸੰਤੁਲਨ ਜਾਣਕਾਰੀ ਅਤੇ ਦੁਹਰਾਉਣ ਦੀ ਜ਼ਰੂਰਤ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ। ਇਹ ਇਸ ਸੰਦਰਭ ਤੋਂ ਹੈ ਕਿ ਆਉਟਪੁੱਟ ਪ੍ਰਮਾਣਿਤ ਅਤੇ ਵਰਤੋਂ ਯੋਗ ਹੈ.
ਗੋਪਨੀਯਤਾ ਅਤੇ ਡੇਟਾ ਸੁਰੱਖਿਆ: ਇੰਜੀਨੀਅਰ ਦੀ ਪਹਿਲੀ ਜ਼ਿੰਮੇਵਾਰੀ
ML ਇੰਜੀਨੀਅਰ ਅਕਸਰ ਕੰਪਨੀ ਦੇ ਸਭ ਤੋਂ ਸੰਵੇਦਨਸ਼ੀਲ ਡੇਟਾ ਨੂੰ ਛੂੰਹਦਾ ਹੈ: ਗਾਹਕ ਰਿਕਾਰਡ, ਲੈਣ-ਦੇਣ ਦਾ ਇਤਿਹਾਸ, ਸਿਹਤ ਜਾਂ ਵਿੱਤੀ ਡੇਟਾ, ਉਤਪਾਦਨ ਪ੍ਰਣਾਲੀਆਂ ਦੇ ਲੌਗ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਟੂਲਸ ਨੂੰ ਡੇਟਾ ਦੇਣ ਵੇਲੇ ਤਿੰਨ ਨਿਯਮ:
- ਕੱਚਾ ਨਿੱਜੀ ਅਤੇ ਗੁਪਤ ਡੇਟਾ ਬਾਹਰੀ ਸਾਧਨਾਂ ਨੂੰ ਨਾ ਭੇਜੋ। ਉਦਾਹਰਨ ਲਈ, ਗਾਹਕ ਦੀਆਂ ਈਮੇਲਾਂ ਨੂੰ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਪੇਸਟ ਕਰਨ ਦੀ ਬਜਾਏ, ਸਕੀਮਾ ਅਤੇ ਡਮੀ (ਸਿੰਥੈਟਿਕ) ਨਮੂਨੇ ਭੇਜੋ। ਅਸਲੀ ਡੇਟਾ ਦੀ ਬਜਾਏ "ex: ahmet@example.com" ਵਰਗੀ ਮਾਸਕ ਉਦਾਹਰਨ ਦੀ ਵਰਤੋਂ ਕਰੋ।
- ਕਾਰਪੋਰੇਟ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਵਾਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਉਹ ਟੂਲ ਚੁਣੋ ਜੋ ਇਕਰਾਰਨਾਮੇ ਨਾਲ ਸਪਸ਼ਟ ਹਨ ਕਿ ਡੇਟਾ ਕਿੱਥੇ ਪ੍ਰੋਸੈਸ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕੀ ਇਹ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕੀ ਇਹ ਸਿੱਖਿਆ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ ਜਾਂ ਨਹੀਂ। ਨਿੱਜੀ ਖਾਤੇ ਨਾਲ ਕਾਰਪੋਰੇਟ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨਾ ਜ਼ਿਆਦਾਤਰ ਕੰਪਨੀਆਂ ਵਿੱਚ ਉਲੰਘਣਾ ਹੈ।
- ਨਿਊਨਤਮ ਡਾਟਾ ਨੀਤੀ। ਕੰਮ ਨੂੰ ਹੱਲ ਕਰਨ ਲਈ ਲੋੜੀਂਦੇ ਘੱਟੋ-ਘੱਟ ਸੰਦਰਭ ਦਿਓ। ਪੂਰੀ ਸਾਰਣੀ ਨਹੀਂ, ਪਰ ਸੰਬੰਧਿਤ 5 ਕਾਲਮ ਅਤੇ ਸਕੀਮਾ।
ਸਾਵਧਾਨ: ਮੰਨ ਲਓ ਕਿ ਤੁਸੀਂ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਜੋ ਟੈਕਸਟ ਦਿੰਦੇ ਹੋ, ਉਸ ਨੂੰ ਅਣਕੀਤਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ। "ਮੈਂ ਇਸਨੂੰ ਬਾਅਦ ਵਿੱਚ ਮਿਟਾ ਦੇਵਾਂਗਾ" ਸੋਚ ਕੇ ਕੱਚਾ ਨਿੱਜੀ ਡੇਟਾ ਨਾ ਭੇਜੋ; ਖਤਰਾ ਉਸ ਸਮੇਂ ਪੈਦਾ ਹੋਇਆ ਜਦੋਂ ਇਸਨੂੰ ਭੇਜਿਆ ਗਿਆ ਸੀ।
ਸੁਰੱਖਿਆ ਦੇ ਖੇਤਰ ਵਿੱਚ ਰੱਖਿਆਤਮਕ ਵਰਤੋਂ
ML ਇੰਜੀਨੀਅਰ ਅਕਸਰ ਸੁਰੱਖਿਆ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਸਥਾਪਿਤ ਕਰਦੇ ਹਨ: ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਖਤਰਨਾਕ ਟ੍ਰੈਫਿਕ ਵਰਗੀਕਰਨ, ਪ੍ਰਮਾਣੀਕਰਨ। ਇਸ ਮੌਡਿਊਲ ਦੇ ਦੌਰਾਨ, ਅਸੀਂ ਸਿਰਫ਼ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਸੁਰੱਖਿਆ ਮੁੱਦਿਆਂ ਨੂੰ ਕਵਰ ਕਰਦੇ ਹਾਂ: ਹਮਲੇ ਦਾ ਪਤਾ ਲਗਾਉਣਾ, ਸਿਸਟਮ ਨੂੰ ਸਖ਼ਤ ਕਰਨਾ, ਕਮਜ਼ੋਰੀ ਨੂੰ ਬੰਦ ਕਰਨਾ। ਅਣਅਧਿਕਾਰਤ ਪਹੁੰਚ, ਡੇਟਾ ਲੀਕ ਜਾਂ ਕਿਸੇ ਹੋਰ ਦੇ ਸਿਸਟਮ ਵਿੱਚ ਅਣਅਧਿਕਾਰਤ ਦਖਲਅੰਦਾਜ਼ੀ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਗੈਰ ਕਾਨੂੰਨੀ ਅਤੇ ਪੇਸ਼ੇਵਰ ਨੈਤਿਕਤਾ ਦੇ ਵਿਰੁੱਧ ਹੈ। ਜਦੋਂ ਤੁਹਾਨੂੰ ਕੋਈ ਕਮਜ਼ੋਰੀ ਮਿਲਦੀ ਹੈ, ਤਾਂ ਸਹੀ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਇਸਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਰਿਪੋਰਟ ਕਰੋ ਅਤੇ ਇਸਨੂੰ ਠੀਕ ਕਰੋ; ਸ਼ੋਸ਼ਣ ਨਾ ਕਰੋ.
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਸਮਾਂ ਬਚਾਇਆ ਗਿਆ। ਇੱਕ ML ਇੰਜੀਨੀਅਰ ਆਮ ਤੌਰ 'ਤੇ 40-ਕਾਲਮ ਡੇਟਾ ਸੈੱਟ ਦੇ ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ (EDA) ਵਿੱਚ ਅੱਧਾ ਦਿਨ ਬਿਤਾਉਂਦਾ ਹੈ। ਉਸਨੇ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਸਕੀਮਾ ਅਤੇ df.describe() ਆਉਟਪੁੱਟ ਦਿੱਤੀ ਅਤੇ ਪੁੱਛਿਆ, "ਕਿਹੜੇ ਕਾਲਮਾਂ ਵਿੱਚ ਉੱਚ ਆਊਟਲੀਅਰ ਅਤੇ ਗੁੰਮ ਦਰ ਹੈ, ਤੁਸੀਂ ਕਿਹੜੀਆਂ ਤਬਦੀਲੀਆਂ ਦੀ ਸਿਫਾਰਸ਼ ਕਰਦੇ ਹੋ?" 20 ਮਿੰਟਾਂ ਵਿੱਚ, ਉਸਨੂੰ ਇੱਕ ਤਰਜੀਹੀ ਸੂਚੀ ਪ੍ਰਾਪਤ ਹੋਈ, ਹਰੇਕ ਆਈਟਮ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਕੋਡ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕਰਦੇ ਹੋਏ। ਬਚਾਓ: ~3 ਘੰਟੇ, ਗਲਤੀ ਦਾ ਘੱਟ ਜੋਖਮ ਕਿਉਂਕਿ ਹਰੇਕ ਦਾਅਵੇ ਨੂੰ ਮਾਪਿਆ ਗਿਆ ਹੈ।
ਕੇਸ 2 - ਗਲਤੀ ਫੜੀ ਗਈ। "ਸਿਖਲਾਈ ਦੀ ਸ਼ੁੱਧਤਾ 99% ਹੈ, ਬਹੁਤ ਵਧੀਆ," ਮਾਡਲ ਨੇ ਇੱਕ ਚੈਟ ਸਹਾਇਕ ਦਾ ਕਹਿਣਾ ਸੀ। ਇੰਜੀਨੀਅਰ ਨੇ ਤੀਜਾ ਕਦਮ (ਇੰਜੀਨੀਅਰਿੰਗ ਫਿਲਟਰ) ਲਾਗੂ ਕੀਤਾ ਅਤੇ ਮਹਿਸੂਸ ਕੀਤਾ: ਟਾਰਗੇਟ ਕਾਲਮ ਵਿੱਚ ਗਲਤੀ ਨਾਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਲੀਕ ਹੋ ਗਈਆਂ ਸਨ (ਡੇਟਾ ਲੀਕੇਜ: ਮਾਡਲ ਉਹ ਜਾਣਕਾਰੀ ਦੇਖਦਾ ਹੈ ਜਿਸਨੂੰ ਸਿਖਲਾਈ ਵਿੱਚ ਨਹੀਂ ਦੇਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ)। ਅਸਲ ਪ੍ਰਦਰਸ਼ਨ ਬਹੁਤ ਘੱਟ ਸੀ। ਇੰਜੀਨੀਅਰ ਦੇ ਸੰਦੇਹਵਾਦ ਨੇ, ਨਾ ਕਿ ਏਆਈ ਦੀ "ਮਹਾਨ" ਵਿਆਖਿਆ ਨੇ, ਨੌਕਰੀ ਨੂੰ ਬਚਾਇਆ।
ਕੇਸ 3 - ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਨੂੰ ਰੋਕਣਾ। ਇੱਕ ਟੀਮ ਇੱਕ ਬਾਹਰੀ ਮਾਡਲ ਵਿੱਚ ਉਤਪਾਦਨ ਗਲਤੀ ਲੌਗਸ ਨੂੰ ਪੇਸਟ ਕਰ ਰਹੀ ਸੀ ਅਤੇ "ਇਸ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕਰੋ" ਕਹਿ ਰਹੀ ਸੀ। ਲਾਗਾਂ ਵਿੱਚ ਗਾਹਕ ਪਛਾਣ ਨੰਬਰ ਸਨ। ਟੀਮ ਨੇ ਇੱਕ ਛੋਟੀ ਸਕ੍ਰਿਪਟ ਲਿਖਣ ਦਾ ਨਿਯਮ ਬਣਾਇਆ ਜੋ ਪਹਿਲਾਂ ਲੌਗਸ ਨੂੰ ਮਾਸਕ ਕਰਦਾ ਹੈ (ਉਨ੍ਹਾਂ ਦੇ ਆਈਡੀ ਨੰਬਰ *** ਬਣਾਉਂਦਾ ਹੈ) ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਇਸ ਤਰੀਕੇ ਨਾਲ ਭੇਜਦਾ ਹੈ। ਉਲੰਘਣਾ ਦਾ ਖਤਰਾ ਗਾਇਬ ਹੋ ਗਿਆ ਹੈ, ਸਹਾਇਤਾ ਦੀ ਗਤੀ ਨਹੀਂ ਬਦਲੀ ਹੈ.
ਨਕਲ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ
ਟਾਸਕ: [ਕੀ ਕਰਨਾ ਹੈ, ਸਿੰਗਲ ਵਾਕ] ਪ੍ਰਸੰਗ: [ਡੇਟਾ ਸਕੀਮਾ, ਆਕਾਰ, ਪਾਬੰਦੀਆਂ; ਕੋਈ ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਨਹੀਂ] ਰੁਕਾਵਟਾਂ: [ਭਾਸ਼ਾ/ਲਾਇਬ੍ਰੇਰੀ, ਪ੍ਰਦਰਸ਼ਨ, ਪ੍ਰਜਨਨਯੋਗਤਾ] ਮੈਟ੍ਰਿਕਸ: [ਸਫਲਤਾ ਨੂੰ ਕਿਵੇਂ ਮਾਪਣਾ ਹੈ]ਇੱਛਤ ਆਉਟਪੁੱਟ: [ਕੋਡ/ਵੇਰਨਾ/ਸੂਚੀ] ਅਤੇ ਇਸ ਫਾਰਮੈਟ ਵਿੱਚ ਕਿਉਂ
ਇਸ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ। ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ ਇਹ ਨਾ ਸਿਰਫ ਕੰਮ ਕਰਦਾ ਹੈ, ਸਗੋਂ ਇਹਨਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਵੀ: 1) ਕਿਨਾਰੇ ਦੇ ਕੇਸ (ਖਾਲੀ ਇਨਪੁਟ, ਗੁੰਮ ਕਾਲਮ, ਬਹੁਤ ਵੱਡਾ ਡੇਟਾ) 2) ਡੇਟਾ ਲੀਕ ਹੋਣ ਦਾ ਜੋਖਮ3) ਪੁਨਰ-ਉਤਪਾਦਨਯੋਗਤਾ (ਬੀਜ, ਸੰਸਕਰਣ) ਤੁਹਾਡੇ ਦੁਆਰਾ ਲੱਭੀ ਗਈ ਹਰੇਕ ਸਮੱਸਿਆ ਲਈ ਹੱਲ ਸੁਝਾਓ। "ਪੁਸ਼ਟੀ ਕਰੋ" 'ਤੇ ਨਿਸ਼ਾਨ ਲਗਾਓ ਜਿੱਥੇ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ. ਕੋਡ: [ਕੋਡ]
ਇਸ ਮੈਟ੍ਰਿਕ ਦੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਪਰ ਪਹਿਲਾਂ ਪੁੱਛੋ: ਕੀ ਇਹ ਮੈਟ੍ਰਿਕ ਇਸ ਸਮੱਸਿਆ ਲਈ ਸਹੀ ਹੈ? ਸਮੱਸਿਆ: [ਸੰਤੁਲਿਤ/ਅਸੰਤੁਲਿਤ ਵਰਗੀਕਰਨ, ਰੀਗਰੈਸ਼ਨ, ਰੈਂਕਿੰਗ...]ਰਿਪੋਰਟ ਕੀਤੀ ਮੀਟ੍ਰਿਕ ਅਤੇ ਮੁੱਲ: [ਉਦਾ. ਸ਼ੁੱਧਤਾ 0.99]ਤੁਸੀਂ ਕਿਸ ਮੈਟ੍ਰਿਕ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰੋਗੇ ਅਤੇ ਕਿਉਂ, ਅਤੇ ਮੈਨੂੰ ਮੌਜੂਦਾ ਨਤੀਜੇ 'ਤੇ ਸ਼ੱਕ ਕਰਨ ਲਈ ਮੈਨੂੰ ਕਿਹੜੇ ਚਿੰਨ੍ਹ ਦੇਖਣੇ ਚਾਹੀਦੇ ਹਨ?
ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਡੇਟਾ ਵਿੱਚ ਨਿੱਜੀ/ਗੁਪਤ ਜਾਣਕਾਰੀ ਹੈ ਜੋ ਮੈਂ ਹੇਠਾਂ ਦਿੱਤੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਦੇਵਾਂਗਾ। ਹੇਠਾਂ ਦਿੱਤੇ ਟੈਕਸਟ ਵਿੱਚ ਉਹਨਾਂ ਖੇਤਰਾਂ (ਨਾਮ, ਈ-ਮੇਲ, ਆਈਡੀ ਨੰਬਰ, ਫ਼ੋਨ, ਪਤਾ) ਦੀ ਸੂਚੀ ਬਣਾਓ ਜਿਨ੍ਹਾਂ ਨੂੰ ਮਾਸਕ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਟੈਕਸਟ: [ਟੈਕਸਟ]
ਭੂਮਿਕਾ ਅਤੇ ਅਧਿਕਾਰ ਸਾਰਣੀ
ਖੋਜ
ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਭੂਮਿਕਾ
ਫੈਸਲੇ ਦਾ ਮਾਲਕ
ਕੋਡ ਪਿੰਜਰ / ਪਰਿਵਰਤਨ ਫੰਕਸ਼ਨ
ਡਰਾਫਟ ਜਨਰੇਟਰ
ਇੰਜੀਨੀਅਰ (ਸਮੀਖਿਆਵਾਂ)
EDA / ਡਾਟਾ ਸੰਖੇਪ
ਐਕਸਲੇਟਰ
ਇੰਜੀਨੀਅਰ (ਮਾਪ ਕੇ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ)
ਮੀਟਰਿਕ ਵਿਆਖਿਆ
ਸੁਝਾਅ
ਇੰਜੀਨੀਅਰ
ਸਿਖਲਾਈ ਵਿੱਚ ਕਿਹੜਾ ਡੇਟਾ ਜਾਵੇਗਾ?
ਸੁਝਾਅ
ਟੀਮ + ਡਾਟਾ ਮਾਲਕ
ਮਾਡਲ ਨੂੰ ਉਤਪਾਦਨ ਵਿੱਚ ਪਾਓ
ਚੈੱਕਲਿਸਟ ਰੀਮਾਈਂਡਰ
ਜ਼ਿੰਮੇਵਾਰ ਇੰਜੀਨੀਅਰ + ਟੀਮ
ਨਿੱਜੀ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ
ਕੋਈ ਨਹੀਂ (ਵਰਤਿਆ ਨਹੀਂ ਗਿਆ)
ਕਾਨੂੰਨੀ + ਡਾਟਾ ਕੰਟਰੋਲਰ
ਆਮ ਗਲਤੀਆਂ
- ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਕਰਨਾ। ਸਭ ਤੋਂ ਆਮ ਅਤੇ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ. ਕੋਡ ਜਾਂ ਮੀਟ੍ਰਿਕ ਜੋ ਵਧੀਆ ਲੱਗਦੇ ਹਨ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ।
- ਟੂਲ ਵਿੱਚ ਕੱਚਾ ਗੁਪਤ ਡੇਟਾ ਪੇਸਟ ਕਰਨਾ। ਇੱਕ ਵਾਰ ਭੇਜੇ ਜਾਣ ਤੋਂ ਬਾਅਦ, ਇਸਨੂੰ ਵਾਪਸ ਨਹੀਂ ਲਿਆ ਜਾ ਸਕਦਾ।
- ਗਲਤ ਮਾਪਦੰਡ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਅਸੰਗਤ ਮੈਟ੍ਰਿਕਸ ਜਿਵੇਂ ਕਿ ਅਸੰਤੁਲਿਤ ਡੇਟਾ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਅਤੇ ਰੈਂਕਿੰਗ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ RMSE ਗੁੰਮਰਾਹਕੁੰਨ ਹਨ।
- ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਫੈਸਲਾ ਲੈਣ ਵਾਲੇ ਵਜੋਂ ਗਲਤੀ ਕਰਨਾ। ਉਹ ਸੁਝਾਅ ਦਿੰਦਾ ਹੈ; ਜਿੰਮੇਵਾਰੀ ਹਸਤਾਖਰ ਕਰਨ ਵਾਲੇ ਦੀ ਹੈ।
- ਪ੍ਰਸੰਗ ਰਹਿਤ ਪ੍ਰੋਂਪਟ। ਅਸਪਸ਼ਟ ਬੇਨਤੀਆਂ ਜਿਵੇਂ ਕਿ "ਇੱਕ ਮਾਡਲ ਲਿਖੋ" ਅਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਦੀ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ML ਇੰਜੀਨੀਅਰ ਅਤੇ ਇਸਦੇ ਰੋਜ਼ਾਨਾ ਪ੍ਰਤੀਕ੍ਰਿਤੀ ਦੁਆਰਾ ਵਿਕਸਤ ਉਤਪਾਦ ਹੈ। ਇਸਦਾ ਮੁੱਲ ਘੱਟ-ਜੋਖਮ ਵਾਲੇ, ਆਸਾਨੀ ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੰਮਾਂ ਜਿਵੇਂ ਕਿ ਕੋਡ-ਡੇਟਾ-ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਸਭ ਤੋਂ ਵੱਧ ਹੈ; ਪੈਸੇ, ਨਿੱਜਤਾ ਅਤੇ ਸੁਰੱਖਿਆ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਫੈਸਲੇ ਵਿਅਕਤੀ ਦੇ ਕੋਲ ਰਹਿੰਦੇ ਹਨ। ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਕਨੈਕਟ ਕਰੋ, ਦੁਬਾਰਾ ਮਾਪੋ, ਇੰਜੀਨੀਅਰਿੰਗ ਫਿਲਟਰ ਵਿੱਚੋਂ ਲੰਘੋ। ਗੁਪਤ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰੋ, ਪ੍ਰਵਾਨਿਤ ਵਾਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਸਿਰਫ ਰੱਖਿਆਤਮਕ ਉਦੇਸ਼ਾਂ ਲਈ ਸੁਰੱਖਿਆ ਵਿੱਚ ਕੰਮ ਕਰੋ। ਇਹ ਅਨੁਸ਼ਾਸਨ ਸਾਰੀਆਂ ਅਗਲੀਆਂ ਇਕਾਈਆਂ ਲਈ ਆਧਾਰ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਆਪਣੇ ਖੁਦ ਦੇ ਪ੍ਰੋਜੈਕਟ ਵਿੱਚੋਂ ਇੱਕ ਕੰਮ ਚੁਣੋ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਡੇਟਾ ਕਲੀਨਿੰਗ ਫੰਕਸ਼ਨ ਲਿਖਣਾ)। ਪਹਿਲਾਂ ਇੱਕ ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ ਲਿਖੋ, ਫਿਰ ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਟੈਂਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਇੱਕ ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਲਿਖੋ। ਦੋਨੋ ਆਉਟਪੁੱਟ ਲਵੋ, ਤਿੰਨ-ਪੜਾਵੀ ਤਸਦੀਕ ਲਾਗੂ ਕਰੋ (ਸਰੋਤ ਲਈ ਲਿੰਕ, ਰੀਰਨ, ਇੰਜੀਨੀਅਰਿੰਗ ਫਿਲਟਰ)। ਨੋਟ ਕਰੋ ਕਿ ਕਿਹੜਾ ਪ੍ਰੋਂਪਟ ਕਿੰਨੇ ਮਿੰਟ ਅਤੇ ਕਿੰਨੇ ਸੁਧਾਰ ਬਚਾਉਂਦਾ ਹੈ।
ਚੈੱਕਲਿਸਟ
- ਮੈਂ ਆਪਣੇ ਕੰਮ ਦਾ ਜੋਖਮ ਪੱਧਰ (ਘੱਟ/ਉੱਚ) ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ।
- [ ] ਮੈਂ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਕੋਈ ਅਸਲ ਨਿੱਜੀ/ਗੁਪਤ ਡੇਟਾ ਨਹੀਂ ਪਾਇਆ; ਮੈਂ ਇਸਨੂੰ ਮਾਸਕ ਕੀਤਾ ਜਾਂ ਇੱਕ ਸਿੰਥੈਟਿਕ ਨਮੂਨਾ ਵਰਤਿਆ.
- [ ] ਮੈਂ ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜਿਆ, ਇਸਨੂੰ ਦੁਬਾਰਾ ਚਲਾਇਆ, ਇਸਨੂੰ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਤੋਂ ਫਿਲਟਰ ਕੀਤਾ।
- [ ] ਮੈਂ ਜਾਂਚ ਕੀਤੀ ਕਿ ਮੈਂ ਸਹੀ ਮੈਟ੍ਰਿਕ ਚੁਣਿਆ ਹੈ।
- [ ] ਮੈਂ ਨਾਜ਼ੁਕ ਫੈਸਲਾ ਲਿਆ (ਇਸ ਨੂੰ ਉਤਪਾਦਨ, ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਵਿੱਚ ਪਾਉਣਾ) ਖੁਦ/ਟੀਮ ਦੇ ਨਾਲ, ਮੈਂ ਇਸਨੂੰ ਨਕਲੀ ਬੁੱਧੀ 'ਤੇ ਨਹੀਂ ਛੱਡਿਆ।
- [ ] ਮੈਂ ਇੱਕ ਕਾਰਪੋਰੇਟ ਪ੍ਰਵਾਨਿਤ ਵਾਹਨ ਵਰਤਿਆ ਹੈ।