ਲਾਭ:
- ਰਿਕਾਰਡਿੰਗ ਯੂਨਿਟਾਂ ਜਿਵੇਂ ਕਿ ਸੰਦਰਭ/ਲੋਕਸ, ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਨਾਲ ਹੈਰਿਸ ਮੈਟ੍ਰਿਕਸ ਨੂੰ ਡਿਜੀਟਾਈਜ਼ ਕਰਨ ਅਤੇ ਮਾਨਕੀਕਰਨ ਕਰਦੇ ਹੋਏ ਡੇਟਾ ਦੀ ਇਕਸਾਰਤਾ ਨੂੰ ਬਣਾਈ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ
- ਕੱਚੇ ਡੇਟਾ ਦੀ ਰੱਖਿਆ ਕਰਨ ਅਤੇ ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਪੂਰਾ ਕਰਨ ਅਤੇ ਚੁੱਪ ਤਬਦੀਲੀਆਂ ਕਰਨ ਦੇ ਜੋਖਮ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਪਰਿਵਰਤਨ ਨੂੰ ਖੋਜਣ ਯੋਗ ਰੱਖਣ ਦੀ ਸਮਰੱਥਾ
- ਸਮਝੋ ਕਿ ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼, ਮੈਟਾਡੇਟਾ, ਅਤੇ ਓਪਨ/FAIR ਸਿਧਾਂਤ ਡੇਟਾ ਦੀ ਭਵਿੱਖੀ ਉਪਯੋਗਤਾ ਲਈ ਜ਼ਰੂਰੀ ਕਿਉਂ ਹਨ।
ਖੁਦਾਈ ਦਾ ਵਿਗਿਆਨਕ ਮੁੱਲ ਇਸ ਵਿੱਚੋਂ ਨਿਕਲਣ ਵਾਲੇ ਸੋਨੇ ਦੀਆਂ ਖੋਜਾਂ ਵਿੱਚ ਨਹੀਂ ਹੈ, ਪਰ ਇਸਦੇ ਰਿਕਾਰਡਾਂ ਦੀ ਗੁਣਵੱਤਾ ਵਿੱਚ ਹੈ। ਇੱਕ ਖੋਜ ਜੋ ਚੰਗੀ ਤਰ੍ਹਾਂ ਦਸਤਾਵੇਜ਼ੀ ਨਹੀਂ ਹੈ, ਵਿਗਿਆਨ ਲਈ ਲਗਭਗ ਅਪ੍ਰਸੰਗਿਕ ਹੈ; ਕਿਉਂਕਿ ਇਹ ਇੱਕ ਅਜਿਹੀ ਵਸਤੂ ਹੈ ਜੋ ਅਣਜਾਣ ਹੈ ਕਿ ਕਿੱਥੇ, ਕਿਸ ਪਰਤ ਵਿੱਚ, ਅਤੇ ਕਿਸ ਨਾਲ ਮਿਲਦੀ ਹੈ, ਇਹ ਕੇਵਲ ਇੱਕ ਸੁੰਦਰ ਵਸਤੂ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਅਸੀਂ ਖੁਦਾਈ ਲੌਗਿੰਗ (ਹਰੇਕ ਸੰਦਰਭ, ਖੋਜ ਅਤੇ ਨਿਰੀਖਣ ਦਾ ਵਿਵਸਥਿਤ ਟ੍ਰਾਂਸਕ੍ਰਿਪਸ਼ਨ ਅਤੇ ਡੇਟਾਬੇਸ) ਅਤੇ ਕਿਵੇਂ AI ਡੇਟਾ ਐਂਟਰੀ, ਸੰਗਠਨ ਅਤੇ ਮਾਨਕੀਕਰਨ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਡੇਟਾ ਦੀ ਇਕਸਾਰਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖਾਂ ਦੀ ਕਿਉਂ ਰਹਿੰਦੀ ਹੈ, ਨੂੰ ਦੇਖਾਂਗੇ।
ਬੁਨਿਆਦੀ ਸਿਧਾਂਤ: ਏਆਈ ਖਿੰਡੇ ਹੋਏ ਰਿਕਾਰਡਾਂ ਨੂੰ ਸੰਗਠਿਤ ਕਰਨ, ਉਹਨਾਂ ਨੂੰ ਮਾਨਕੀਕਰਨ ਕਰਨ ਅਤੇ ਅਸੰਗਤੀਆਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ; ਪਰ ਕਿਹੜਾ ਡੇਟਾ ਸਹੀ ਹੈ, ਕੀ ਰਿਕਾਰਡ ਸੱਚ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਅਤੇ ਡੇਟਾ ਦੀ ਇਕਸਾਰਤਾ ਮਨੁੱਖੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। AI ਡੇਟਾ ਦੀ ਸ਼ਕਲ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ, ਇਹ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ।
ਪੁਰਾਤੱਤਵ ਰਿਕਾਰਡ ਦੀਆਂ ਬੁਨਿਆਦੀ ਇਕਾਈਆਂ
ਸੰਦਰਭ/ਟਿਕਾਣਾ। ਹਰੇਕ ਖੁਦਾਈ ਸਾਈਟ ਨੂੰ ਸੰਦਰਭ ਦੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਵੰਡਦੀ ਹੈ (ਪ੍ਰਸੰਗ/ਲੋਕਸ—ਇੱਕ ਵਿਅਕਤੀਗਤ ਜਮ੍ਹਾਂ, ਪਰਤ, ਟੋਏ, ਜਾਂ ਕੰਧ; ਖੁਦਾਈ ਦੇ ਅਰਥ ਦੀ ਸਭ ਤੋਂ ਛੋਟੀ ਇਕਾਈ)। ਹਰ ਸੰਦਰਭ ਇੱਕ ਵਿਲੱਖਣ ਨੰਬਰ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ ਅਤੇ ਸਾਰੀਆਂ ਖੋਜਾਂ ਉਸ ਨੰਬਰ ਨਾਲ ਜੁੜੀਆਂ ਹੁੰਦੀਆਂ ਹਨ।
ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ ਅਤੇ ਹੈਰਿਸ ਮੈਟ੍ਰਿਕਸ। ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ (ਪਰਤਾਂ ਦਾ ਇੱਕ ਦੂਜੇ ਨਾਲ ਸੰਬੰਧਿਤ ਪਹਿਲਾਂ-ਬਾਅਦ ਦਾ ਸਬੰਧ) ਰਿਸ਼ਤੇਦਾਰ ਡੇਟਿੰਗ ਦਾ ਆਧਾਰ ਹੈ। ਹੈਰਿਸ ਮੈਟ੍ਰਿਕਸ (ਇੱਕ ਚਿੱਤਰ ਜੋ ਇੱਕ ਦੂਜੇ ਦੇ ਸਾਪੇਖਕ ਸੰਦਰਭਾਂ ਦੇ ਕ੍ਰਮ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ) ਇਹਨਾਂ ਸਬੰਧਾਂ ਦੀ ਕਲਪਨਾ ਕਰਦਾ ਹੈ। AI ਅਸੰਗਤ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਸਬੰਧਾਂ ਦਾ ਪਤਾ ਲਗਾਉਣ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਇੱਕ ਚੱਕਰੀ “A ਦੋਵੇਂ ਉੱਪਰ ਅਤੇ B ਤੋਂ ਹੇਠਾਂ ਹੈ” ਗਲਤੀ)।
ਵਸਤੂ ਸੂਚੀ ਲੱਭੋ। ਹਰ ਖੋਜ; ਸੰਦਰਭ ਨੰਬਰ, ਕਿਸਮ, ਆਕਾਰ, ਸਮੱਗਰੀ, ਸਥਿਤੀ ਅਤੇ ਫੋਟੋ ਨਾਲ ਦਰਜ ਕੀਤਾ ਗਿਆ ਹੈ.
ਡਾਟਾ ਮਿਆਰ. ਰਿਕਾਰਡਾਂ ਨੂੰ ਸਾਂਝਾ ਕਰਨ ਯੋਗ ਅਤੇ ਤੁਲਨਾਯੋਗ ਬਣਾਉਣ ਲਈ ਸਾਂਝੇ ਮਿਆਰਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। CIDOC-CRM (ਸਭਿਆਚਾਰਕ ਵਿਰਾਸਤੀ ਡੇਟਾ ਦਾ ਵਰਣਨ ਕਰਨ ਲਈ ਵਿਕਸਤ ਇੱਕ ਅੰਤਰਰਾਸ਼ਟਰੀ ਸੰਕਲਪਿਕ ਢਾਂਚਾ/ਆਨਟੋਲੋਜੀ) ਵੱਖ-ਵੱਖ ਸੰਸਥਾਵਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਇੱਕ ਦੂਜੇ ਨਾਲ ਗੱਲ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾਉਂਦਾ ਹੈ। ਸ਼ਬਦਾਂ ਦਾ ਇੱਕ ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼ (ਇੱਕ ਪ੍ਰਵਾਨਿਤ ਸੂਚੀ ਜੋ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦੀ ਹੈ ਕਿ ਹਰ ਕੋਈ ਇੱਕੋ ਸੰਕਲਪ ਲਈ ਇੱਕੋ ਸ਼ਬਦ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ) ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।
ਨੁਕਤਾ: AI ਦੀ ਵਰਤੋਂ ਡੇਟਾ ਨੂੰ "ਸੰਗਠਿਤ ਕਰਨ ਅਤੇ ਆਡਿਟ" ਕਰਨ ਲਈ ਕਰੋ, ਨਾ ਕਿ ਇਸਦੀ "ਵਿਆਖਿਆ" ਕਰਨ ਲਈ। "ਇਹਨਾਂ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਕਿਹੜੇ ਸੰਦਰਭ ਨੰਬਰ ਵਿਰੋਧੀ ਹਨ?" ਇਹ ਇੱਕ ਚੰਗਾ ਸਵਾਲ ਹੈ; "ਇਹ ਸੰਦਰਭ ਕਿਸ ਦੌਰ ਨਾਲ ਸਬੰਧਤ ਹੈ?" ਇਹ ਇੱਕ ਮਾਹਰ ਫੈਸਲਾ ਹੈ. ਜਿੱਥੇ AI ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਹੁੰਦਾ ਹੈ ਉਹ ਇਕਸਾਰਤਾ ਜਾਂਚ ਵਿੱਚ ਹੁੰਦਾ ਹੈ।
ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਅਤੇ ਡੇਟਾਬੇਸ ਵਿੱਚ AI ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ
- ਡਿਜੀਟਾਈਜੇਸ਼ਨ. ਹੱਥ-ਲਿਖਤ ਖੁਦਾਈ ਨੋਟਬੁੱਕ, ਵਸਤੂ ਸੂਚੀ ਕਾਰਡ ਅਤੇ ਪੁਰਾਣੀਆਂ ਡਰਾਇੰਗਾਂ ਨੂੰ ਏਆਈ-ਪਾਵਰਡ ਟੈਕਸਟ ਮਾਨਤਾ ਨਾਲ ਡੇਟਾਬੇਸ ਵਿੱਚ ਆਯਾਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ (ਇਹ ਯੂਨਿਟ 6 ਵਿੱਚ HTR ਨਾਲ ਲਿੰਕ ਕਰਦਾ ਹੈ)।
- ਮਾਨਕੀਕਰਨ। ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਸਪੈਲਿੰਗਜ਼ ("ਬਾਈਜ਼ੈਂਟੀਅਮ", "ਬਾਈਜ਼ੈਂਟੀਅਮ", "ਬਾਈਜ਼.") ਮੈਪ ਕੀਤੇ ਜਾਂਦੇ ਹਨ; ਮਿਤੀਆਂ ਅਤੇ ਮਾਪਾਂ ਨੂੰ ਇਕਸਾਰ ਰੂਪ ਵਿੱਚ ਲਿਆਂਦਾ ਜਾਂਦਾ ਹੈ।
- ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ. ਗਲਤੀਆਂ ਜਿਵੇਂ ਕਿ ਗੁੰਮ ਸੰਦਰਭ ਸੰਖਿਆ, ਵਿਰੋਧੀ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ, ਦੋ ਵੱਖ-ਵੱਖ ਖੋਜਾਂ ਵਿੱਚ ਇੱਕੋ ਨੰਬਰ ਦੀ ਵਰਤੋਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।
- ਪੁੱਛਗਿੱਛ ਅਤੇ ਸੰਖੇਪ। "ਸਾਰੇ ਗਲਾਸ ਹੇਠਾਂ ਦਿੱਤੇ ਸੰਦਰਭ ਵਿੱਚ ਲੱਭਦੇ ਹਨ" ਅਤੇ ਸੰਖੇਪ ਟੇਬਲ ਵਰਗੀਆਂ ਪੁੱਛਗਿੱਛਾਂ ਤੇਜ਼ੀ ਨਾਲ ਤਿਆਰ ਕੀਤੀਆਂ ਜਾਂਦੀਆਂ ਹਨ।
ਸਾਵਧਾਨ: ਮਾਨਕੀਕਰਨ ਕਰਦੇ ਸਮੇਂ, AI ਇਸ ਨੂੰ "ਠੀਕ" ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹੋਏ ਚੁੱਪਚਾਪ ਡੇਟਾ ਨੂੰ ਸੰਸ਼ੋਧਿਤ ਕਰ ਸਕਦਾ ਹੈ; ਉਦਾਹਰਨ ਲਈ, ਉਹ ਇੱਕ ਮਾਪ ਨੂੰ "ਵਾਜਬ" ਮੁੱਲ ਵਿੱਚ ਗੋਲ ਕਰ ਸਕਦਾ ਹੈ ਜਾਂ ਆਪਣੇ ਖੁਦ ਦੇ ਅੰਦਾਜ਼ੇ ਨਾਲ ਇੱਕ ਅਨਿਸ਼ਚਿਤ ਰੀਡਿੰਗ ਭਰ ਸਕਦਾ ਹੈ। ਹਰ ਆਟੋਮੈਟਿਕ ਤਬਦੀਲੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਅਸਲ ਰਿਕਾਰਡ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਕੱਚਾ ਡੇਟਾ ਕਦੇ ਵੀ ਓਵਰਰਾਈਟ ਨਹੀਂ ਹੁੰਦਾ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 - ਡਿਜੀਟਾਈਜ਼ੇਸ਼ਨ ਨੇ ਪੁਰਾਲੇਖ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕੀਤਾ। ਇੱਕ ਅਜਾਇਬ ਘਰ 40 ਸਾਲਾਂ ਦੇ ਹੱਥ ਲਿਖਤ ਵਸਤੂ ਕਾਰਡ (ਲਗਭਗ 22,000 ਕਾਰਡ) ਗੁਆਚ ਜਾਣ ਦੇ ਜੋਖਮ ਵਿੱਚ ਸਟੋਰ ਕਰ ਰਿਹਾ ਸੀ। ਏਆਈ-ਪਾਵਰਡ ਟੈਕਸਟ ਮਾਨਤਾ ਅਤੇ ਮਾਨਕੀਕਰਨ ਨੇ ਕਾਰਡਾਂ ਨੂੰ ਖੋਜਣ ਯੋਗ ਡੇਟਾਬੇਸ ਵਿੱਚ ਆਯਾਤ ਕੀਤਾ; ਹਰੇਕ ਕਾਰਡ ਦੀ ਜਾਂਚ ਮਨੁੱਖੀ ਜਾਂਚਕਰਤਾ ਦੁਆਰਾ ਨਮੂਨੇ ਦੇ ਆਧਾਰ 'ਤੇ ਕੀਤੀ ਗਈ ਸੀ, ਅਤੇ ਨਾ-ਪੜ੍ਹਨਯੋਗ ਖੇਤਰਾਂ ਨੂੰ "ਅਸਪਸ਼ਟ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਗਿਆ ਸੀ।
ਕੇਸ 2 - ਅਸੰਗਤਤਾ ਜਾਂਚ ਵਿੱਚ ਗਲਤੀਆਂ ਲੱਭੀਆਂ। ਇੱਕ ਖੁਦਾਈ ਟੀਮ ਨੇ ਸੀਜ਼ਨ ਦੇ ਅੰਤ ਵਿੱਚ ਡੇਟਾਬੇਸ ਦਾ ਏਆਈ ਆਡਿਟ ਕੀਤਾ ਸੀ; YZ ਨੇ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਕਿ ਤਿੰਨ ਖੋਜਾਂ ਵਿੱਚ ਇੱਕੋ ਹੀ ਸੰਦਰਭ ਨੰਬਰ ਸੀ ਪਰ ਪਰਤ ਦੀ ਜਾਣਕਾਰੀ ਵਿਰੋਧੀ ਸੀ। ਸਮੀਖਿਆ ਨੇ ਇੱਕ ਡੇਟਾ ਐਂਟਰੀ ਗਲਤੀ ਦਾ ਖੁਲਾਸਾ ਕੀਤਾ; ਜੇਕਰ ਠੀਕ ਨਾ ਕੀਤਾ ਗਿਆ ਤਾਂ ਇਹ ਸਟਰੈਟਿਗ੍ਰਾਫਿਕ ਵਿਆਖਿਆ ਨੂੰ ਵਿਗਾੜ ਦੇਵੇਗਾ।
ਕੇਸ 3 - ਚੁੱਪ ਤਬਦੀਲੀ ਫੜੀ ਗਈ। ਮਾਪਾਂ ਨੂੰ ਮਾਨਕੀਕਰਨ ਕਰਦੇ ਸਮੇਂ, ਇੱਕ ਸਹਾਇਕ ਨੇ ਦੇਖਿਆ ਕਿ AI ਕੁਝ "0" ਮੁੱਲਾਂ ਨੂੰ "ਗੁੰਮ" ਦੀ ਬਜਾਏ "ਜ਼ੀਰੋ" ਵਜੋਂ ਵਿਆਖਿਆ ਕਰ ਰਿਹਾ ਸੀ; ਇਸ ਨੇ ਟੁੱਟੇ ਹੋਏ ਟੁਕੜੇ ਦੀ ਲੰਬਾਈ ਨੂੰ ਵਿਗਾੜ ਦਿੱਤਾ। ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਅਸਲ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਣ ਲਈ ਦੁਬਾਰਾ ਬਣਾਇਆ ਗਿਆ ਸੀ ਪਰ ਤਬਦੀਲੀਆਂ ਨੂੰ ਇੱਕ ਵੱਖਰੇ ਕਾਲਮ ਵਿੱਚ ਰੱਖੋ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਮਾਨਕੀਕਰਨ (ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼):
ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਰੈਂਗਲਿੰਗ ਸਹਾਇਕ। ਹੇਠਾਂ ਦਿੱਤੇ ਨਿਯੰਤਰਿਤ ਡਿਕਸ਼ਨਰੀ ਵਿੱਚ [field:material/period/type] ਦੇ ਮੁੱਲਾਂ ਨੂੰ ਹੇਠਾਂ ਦਿੱਤੇ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਮੈਪ ਕਰੋ: [ਡਿਕਸ਼ਨਰੀਲਿਸਟ]। ਮੁੱਲਾਂ ਨੂੰ ਬਦਲੋ ਜੋ ਸ਼ਬਦਕੋਸ਼ ਵਿੱਚ ਬਰਾਬਰ ਨਹੀਂ ਹਨ; ਇਸ ਨੂੰ "ਕੋਈ ਮੇਲ ਨਹੀਂ" ਵਜੋਂ ਮਾਰਕ ਕਰੋ। ਹਰੇਕ ਤਬਦੀਲੀ ਨੂੰ ਮੂਲ-ਨਵੇਂ ਜੋੜੇ ਵਜੋਂ ਰਿਪੋਰਟ ਕਰੋ; ਕੱਚਾ ਡਾਟਾ ਮਿਟਾਉਣਾ.
2) ਇਕਸਾਰਤਾ ਜਾਂਚ:
ਨਿਮਨਲਿਖਤ ਖੁਦਾਈ ਰਿਕਾਰਡਾਂ ਵਿੱਚ ਅਸੰਗਤਤਾਵਾਂ ਲੱਭੋ: ਦੁਹਰਾਉਣ ਵਾਲੇ ਸੰਦਰਭ ਨੰਬਰ, ਗੁੰਮ ਲਾਜ਼ਮੀ ਖੇਤਰ, ਵਿਵਾਦਪੂਰਨ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਸਬੰਧ, ਅਜੀਬ ਮਿਤੀਆਂ/ਮਾਪ। ਹਰੇਕ ਸਮੱਸਿਆ ਨੂੰ ਰਜਿਸਟ੍ਰੇਸ਼ਨ ਨੰਬਰ ਨਾਲ ਸੂਚੀਬੱਧ ਕਰੋ ਅਤੇ ਇਸ ਨੂੰ ਠੀਕ ਕਰਨ ਲਈ ਮੇਰੇ 'ਤੇ ਛੱਡੋ; ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਨਾ ਬਦਲੋ।
3) ਹੈਰਿਸ ਮੈਟ੍ਰਿਕਸ ਤਰਕ ਨਿਯੰਤਰਣ:
ਹੇਠਾਂ ਸੰਦਰਭਾਂ ਵਿਚਕਾਰ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਸਬੰਧ ਹਨ (A ਉਪਰ/ਹੇਠਾਂ B)। ਕੀ ਕੋਈ ਲਾਜ਼ੀਕਲ ਵਿਰੋਧਾਭਾਸ (ਲੂਪ, ਦੋ-ਪੱਖੀ ਸਬੰਧ) ਹੈ? ਦਿਖਾਓ ਕਿ ਕਿਹੜੇ ਸੰਦਰਭ, ਜੇ ਕੋਈ ਹਨ। ਟਿੱਪਣੀ ਨਾ ਕਰੋ; ਸਿਰਫ਼ ਲਾਜ਼ੀਕਲ ਇਕਸਾਰਤਾ ਦੀ ਜਾਂਚ ਕਰੋ।
4) ਪੁੱਛਗਿੱਛ ਅਤੇ ਸੰਖੇਪ ਸਾਰਣੀ:
ਹੇਠਾਂ ਡੇਟਾਬੇਸ ਡੰਪ ਤੋਂ ਹੇਠਾਂ ਦਿੱਤਾ ਐਬਸਟਰੈਕਟ: [ਉਦਾ. ਪ੍ਰਤੀ ਸੰਦਰਭ ਕਿਸਮ ਦੀ ਵੰਡ ਲੱਭੋ]। ਨਤੀਜਾ ਇੱਕ ਸਾਰਣੀ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਓ, ਇਹ ਨਿਸ਼ਚਿਤ ਕਰਦੇ ਹੋਏ ਕਿ ਹਰੇਕ ਕਤਾਰ ਕਿਸ ਰਿਕਾਰਡ ਤੋਂ ਲਈ ਗਈ ਹੈ। ਕੋਈ ਵੀ ਮੁੱਲ ਨਾ ਜੋੜੋ ਜੋ ਡੇਟਾ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ; ਜੇਕਰ ਇਹ ਖਾਲੀ ਹੈ, ਤਾਂ "ਕੋਈ ਡਾਟਾ ਨਹੀਂ" ਲਿਖੋ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:
ਇਸ ਖੁਦਾਈ ਡੇਟਾ ਨੂੰ ਠੀਕ ਕਰੋ ਅਤੇ ਗੁੰਮ ਆਈਟਮਾਂ ਨੂੰ ਭਰੋ।
"ਪਾੜੇ ਨੂੰ ਭਰੋ" ਏਆਈ ਨੂੰ ਡੇਟਾ ਫਿੱਟ ਕਰਨ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ; ਨਤੀਜਾ ਇੱਕ ਭਰੋਸੇਮੰਦ ਡੇਟਾਬੇਸ ਹੈ ਜਿੱਥੇ ਤੱਥ ਅਤੇ ਗਲਪ ਦਾ ਮਿਸ਼ਰਣ ਹੁੰਦਾ ਹੈ।
ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:
ਹੇਠਾਂ ਖੁਦਾਈ ਡੇਟਾ ਵਿੱਚ ਸਿਰਫ਼ ਰਸਮੀ ਅਸੰਗਤਤਾਵਾਂ (ਸਪੈਲਿੰਗ, ਮਿਤੀ ਫਾਰਮੈਟ, ਡੁਪਲੀਕੇਟ ਆਈ.ਡੀ.) ਦੀ ਨਿਸ਼ਾਨਦੇਹੀ ਕਰੋ। COMPLETE ਗੁੰਮ ਮੁੱਲ; ਇਸਨੂੰ "ਅਧੂਰਾ" ਵਜੋਂ ਛੱਡੋ. ਮੂਲ ਦੇ ਨਾਲ ਹਰ ਪ੍ਰਸਤਾਵਿਤ ਤਬਦੀਲੀ ਦੀ ਸੂਚੀ ਬਣਾਓ; ਮੈਂ ਮਨਜ਼ੂਰੀ ਦੇਵਾਂਗਾ। ਕੱਚਾ ਡਾਟਾ ਬਦਲਣਾ।
ਅੰਤਰ: ਸਾਬਕਾ ਡੇਟਾ ਨੂੰ ਚੁੱਪਚਾਪ ਖਰਾਬ ਕਰਦਾ ਹੈ; ਦੂਜਾ ਨਿਯੰਤਰਣ ਕਰਦਾ ਹੈ ਅਤੇ ਫੈਸਲਾ ਮਨੁੱਖ ਉੱਤੇ ਛੱਡ ਦਿੰਦਾ ਹੈ।
ਚੰਗਾ ਡਾਟਾ ਮਾਡਲ: ਖੇਤਰ, ਰਿਸ਼ਤੇ ਅਤੇ ਮੈਟਾਡੇਟਾ
ਇੱਕ ਪੁਰਾਤੱਤਵ ਡੇਟਾਬੇਸ ਇੱਕ ਮਨਮਾਨੀ ਸਾਰਣੀ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਵਿਚਾਰਸ਼ੀਲ ਡੇਟਾ ਮਾਡਲ ਹੈ (ਕਿਹੜੇ ਟੇਬਲ, ਕਿਹੜੇ ਖੇਤਰਾਂ, ਅਤੇ ਡੇਟਾ ਨੂੰ ਕਿਹੜੇ ਸਬੰਧਾਂ ਵਿੱਚ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਵੇਗਾ ਦਾ ਇੱਕ ਬਲੂਪ੍ਰਿੰਟ)। ਮੂਲ ਸਿਧਾਂਤ ਇਹ ਹੈ ਕਿ ਸਭ ਕੁਝ ਸੰਦਰਭ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ: ਪ੍ਰਸੰਗ ਨੂੰ ਲੱਭਦਾ ਹੈ, ਇਕ ਦੂਜੇ ਦੇ ਸੰਦਰਭ (ਸਟ੍ਰੈਟਿਗ੍ਰਾਫੀ) ਅਤੇ ਖੇਤਰ ਨੂੰ ਲੱਭਦਾ ਹੈ। ਹਰੇਕ ਰਿਕਾਰਡ ਵਿੱਚ ਇੱਕ ਵਿਲੱਖਣ ਪਛਾਣ (ਆਈਡੀ) ਹੁੰਦੀ ਹੈ ਅਤੇ ਇਹਨਾਂ ਪਛਾਣਾਂ ਰਾਹੀਂ ਰਿਸ਼ਤੇ ਸਥਾਪਤ ਹੁੰਦੇ ਹਨ; ਇੱਕ ਖੋਜ ਇੱਕ ਇੱਕਲੇ ਸੰਦਰਭ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ, ਇੱਕ ਸੰਦਰਭ ਵਿੱਚ ਕਈ ਖੋਜਾਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।
ਰਿਕਾਰਡਿੰਗ ਦੇ ਤੌਰ 'ਤੇ ਹੀ ਮਹੱਤਵਪੂਰਨ ਹੈ ਮੈਟਾਡੇਟਾ (ਡਾਟੇ ਬਾਰੇ ਡਾਟਾ: ਕਿਸ ਨੇ ਇਸ ਨੂੰ ਰਿਕਾਰਡ ਕੀਤਾ, ਕਦੋਂ, ਕਿਸ ਢੰਗ ਨਾਲ, ਕਿਹੜਾ ਸੰਸਕਰਣ)। ਇੱਕ ਰਿਕਾਰਡ ਜੋ ਅਣਜਾਣ ਹੈ ਕਿ ਕਿਸ ਦੁਆਰਾ, ਕਦੋਂ ਅਤੇ ਕਿਸ ਭਰੋਸੇ ਨਾਲ ਦਾਖਲ ਕੀਤਾ ਗਿਆ ਸੀ, ਭਵਿੱਖ ਵਿੱਚ ਪ੍ਰਸ਼ਨ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। AI ਮੈਟਾਡੇਟਾ ਖੇਤਰਾਂ ਦੀ ਲਗਾਤਾਰ ਭਰਨ ਅਤੇ ਗੁੰਮ ਮੈਟਾਡੇਟਾ ਨੂੰ ਫਲੈਗ ਕਰਨ ਵਿੱਚ ਮਦਦਗਾਰ ਹੈ।
ਇੱਕ ਹੋਰ ਨਾਜ਼ੁਕ ਸਿਧਾਂਤ ਇੱਕ ਖੁੱਲਾ ਅਤੇ ਟਿਕਾਊ ਫਾਰਮੈਟ ਹੈ। ਮਲਕੀਅਤ, ਬੰਦ ਸੌਫਟਵੇਅਰ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਲਾਕ ਕਰਨ ਦੀ ਬਜਾਏ, ਇਸਨੂੰ ਖੁੱਲੇ ਮਿਆਰਾਂ (ਟੈਕਸਟ-ਅਧਾਰਿਤ ਟੇਬਲ, ਦਸਤਾਵੇਜ਼ੀ ਸਕੀਮਾਂ) ਦੇ ਨੇੜੇ ਰੱਖਣਾ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਡੇਟਾ ਨੂੰ ਦਹਾਕਿਆਂ ਬਾਅਦ ਪੜ੍ਹਿਆ ਜਾ ਸਕਦਾ ਹੈ। ਪੁਰਾਤੱਤਵ ਡੇਟਾ ਇੱਕ ਪ੍ਰਕਾਸ਼ਨ ਲਈ ਨਹੀਂ ਬਲਕਿ ਆਉਣ ਵਾਲੀਆਂ ਪੀੜ੍ਹੀਆਂ ਲਈ ਤਿਆਰ ਕੀਤੇ ਜਾਂਦੇ ਹਨ; ਇਹੀ ਕਾਰਨ ਹੈ ਕਿ FAIR ਸਿਧਾਂਤ (ਡਾਟਾ ਲੱਭਣ, ਪਹੁੰਚਯੋਗ, ਅੰਤਰ-ਕਾਰਜਯੋਗ ਅਤੇ ਮੁੜ ਵਰਤੋਂ ਯੋਗ) ਵਧਦੀ ਮਿਆਰੀ ਬਣ ਗਏ ਹਨ। AI ਇਹਨਾਂ ਸਿਧਾਂਤਾਂ ਦੇ ਅਨੁਸਾਰ ਤੁਹਾਡੇ ਡੇਟਾ ਨੂੰ ਲੇਬਲ ਕਰਨ ਅਤੇ ਕਮੀਆਂ ਨੂੰ ਲੱਭਣ ਵਿੱਚ ਉਪਯੋਗੀ ਹੈ; ਪਰ ਇਹ ਤੁਹਾਡੇ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕਿਹੜਾ ਡੇਟਾ ਖੁੱਲ੍ਹਾ ਰਹੇਗਾ ਅਤੇ ਕਿਹੜਾ ਸੰਵੇਦਨਸ਼ੀਲ (ਗੁਪਤ) ਰਹੇਗਾ।
ਸੁਝਾਅ: ਜਦੋਂ ਤੁਸੀਂ ਆਪਣਾ ਡੇਟਾਬੇਸ ਸੈਟ ਅਪ ਕਰ ਰਹੇ ਹੋ, ਤਾਂ ਆਪਣੇ ਆਪ ਤੋਂ ਪੁੱਛੋ, "ਕੀ ਕੋਈ ਵਿਅਕਤੀ ਜੋ ਇਸ ਨੂੰ ਨਹੀਂ ਜਾਣਦਾ ਹੈ, 10 ਸਾਲਾਂ ਵਿੱਚ ਇਸਨੂੰ ਖੋਲ੍ਹ ਸਕਦਾ ਹੈ ਅਤੇ ਸਮਝ ਸਕਦਾ ਹੈ?" ਪੁੱਛੋ ਇੱਕ ਸ਼ਬਦਾਵਲੀ ਵਿੱਚ ਆਪਣੇ ਸੰਖੇਪ ਰੂਪਾਂ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, ਮੈਟਾਡੇਟਾ ਖੇਤਰਾਂ ਨੂੰ ਭਰੋ, ਅਤੇ ਇੱਕ ਖੁੱਲ੍ਹੇ ਫਾਰਮੈਟ ਵਿੱਚ ਕੱਚੇ ਡੇਟਾ ਦਾ ਬੈਕਅੱਪ ਲਓ।
ਰਿਕਾਰਡ/ਡਾਟਾਬੇਸ ਟਾਸਕ ਟੇਬਲ
ਖੋਜ
ਏਆਈ ਦੀ ਭੂਮਿਕਾ
ਮਨੁੱਖੀ ਫੈਸਲਾ
ਸੁਰੱਖਿਆ ਨਿਯਮ
ਡਿਜੀਟਾਈਜ਼ੇਸ਼ਨ
ਟੈਕਸਟ ਮਾਨਤਾ
ਅਸਪਸ਼ਟ ਪੜ੍ਹਨ ਦੀ ਪੁਸ਼ਟੀ
ਰਾਅ ਸਕੈਨ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
ਮਾਨਕੀਕਰਨ
ਸ਼ਬਦਕੋਸ਼ ਦਾ ਨਕਸ਼ਾ
ਬੇਮੇਲ ਮੁੱਲ ਦਾ ਫੈਸਲਾ
ਅਸਲੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਗਿਆ ਹੈ
ਇਕਸਾਰਤਾ
ਵਿਰੋਧਾਭਾਸੀ ਚਿੰਨ੍ਹ
ਸੁਧਾਰ
ਤਬਦੀਲੀ ਨੂੰ ਟਰੈਕ ਕੀਤਾ ਗਿਆ ਹੈ
stratigraphy
ਤਰਕ ਕੰਟਰੋਲ
ਟਿੱਪਣੀ
ਮੈਟ੍ਰਿਕਸ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ
ਪੁੱਛਗਿੱਛ/ਸਾਰਾਂਸ਼
ਟੇਬਲ ਉਤਪਾਦਨ
ਟਿੱਪਣੀ, ਚੋਣ
ਡੇਟਾ ਪ੍ਰਤੀ ਵਫ਼ਾਦਾਰੀ
ਆਮ ਗਲਤੀਆਂ
- ਗੁੰਮ ਹੋਏ ਡੇਟਾ ਨੂੰ ਪੂਰਾ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। AI ਬਣਾਉਂਦਾ ਹੈ; ਗੁੰਮ "ਅਧੂਰਾ" ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ।
- ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਓਵਰਰਾਈਟ ਕਰਨਾ। ਅਸਲੀ ਹਮੇਸ਼ਾ ਸੁਰੱਖਿਅਤ ਹੈ; ਤਬਦੀਲੀਆਂ ਨੂੰ ਵੱਖਰਾ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ।
- ਚੁੱਪ ਤਬਦੀਲੀਆਂ ਵੱਲ ਧਿਆਨ ਨਹੀਂ ਦੇਣਾ. ਹਰ ਆਟੋਮੈਟਿਕ ਪਰਿਵਰਤਨ ਦੀ ਰਿਪੋਰਟ ਅਤੇ ਆਡਿਟ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
- ਮਿਆਰ ਨੂੰ ਛੱਡਣਾ. ਇੱਕ ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼ ਅਤੇ ਇੱਕ ਆਮ ਮਾਡਲ ਦੇ ਬਿਨਾਂ, ਡੇਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।
- AI ਕੋਲ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਵਿਆਖਿਆ ਕਰਨਾ ਹੈ। AI ਲਾਜ਼ੀਕਲ ਵਿਰੋਧਾਭਾਸ ਲੱਭਦਾ ਹੈ; ਟਿੱਪਣੀ ਮਾਹਰ ਲਈ ਹੈ.
ਸੰਖੇਪ ਵਿੱਚ
ਖੁਦਾਈ ਰਿਕਾਰਡ ਅਤੇ ਡਾਟਾਬੇਸ ਵਿੱਚ AI; ਇਹ ਡਿਜੀਟਾਈਜ਼ੇਸ਼ਨ, ਮਾਨਕੀਕਰਨ, ਇਕਸਾਰਤਾ ਜਾਂਚ ਅਤੇ ਪੁੱਛਗਿੱਛ ਦੇ ਕੰਮਾਂ ਵਿੱਚ ਬਹੁਤ ਵਧੀਆ ਗਤੀ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ। ਪਰ ਡੇਟਾ ਦੀ ਇਕਸਾਰਤਾ ਪਵਿੱਤਰ ਹੈ: ਕੋਈ ਵੀ ਗੁੰਮ ਹੋਏ ਹਿੱਸੇ ਨੂੰ ਬਰਕਰਾਰ ਨਹੀਂ ਰੱਖਿਆ ਜਾਂਦਾ, ਕੱਚਾ ਡੇਟਾ ਸੁਰੱਖਿਅਤ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਹਰ ਤਬਦੀਲੀ ਨੂੰ ਟਰੈਕ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਵਿਆਖਿਆ ਮਾਹਰ ਦੀ ਹੈ। ਚੰਗੇ ਰਿਕਾਰਡ ਸਭ ਤੋਂ ਕੀਮਤੀ ਵਿਰਾਸਤ ਹਨ ਜੋ ਖੁਦਾਈ ਭਵਿੱਖ ਲਈ ਛੱਡਦੀ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਛੋਟਾ ਨਮੂਨਾ ਖੁਦਾਈ ਡੇਟਾ ਸਾਰਣੀ (10-20 ਰਿਕਾਰਡ) ਤਿਆਰ ਕਰੋ; ਜਾਣਬੁੱਝ ਕੇ ਉੱਥੇ ਕੁਝ ਅਸੰਗਤਤਾਵਾਂ ਪਾਓ (ਡੁਪਲੀਕੇਟ ਆਈ.ਡੀ., ਮਿਸਸ਼ੇਪਨ ਮਿਤੀ, ਵਿਵਾਦਪੂਰਨ ਪਰਤ)। AI ਨੂੰ "ਇਕਸਾਰਤਾ ਜਾਂਚ" ਅਤੇ "ਹੈਰਿਸ ਮੈਟ੍ਰਿਕਸ ਤਰਕ ਜਾਂਚ" ਪੈਟਰਨਾਂ ਨਾਲ ਇਹਨਾਂ ਨੂੰ ਲੱਭਣ ਲਈ ਕਹੋ; ਫਿਰ ਇੱਕ ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼ ਲਿਖੋ ਅਤੇ ਸਮੱਗਰੀ ਖੇਤਰ ਨੂੰ "ਮਿਆਰੀਕਰਣ" ਟੈਂਪਲੇਟ ਨਾਲ ਮੈਪ ਕਰੋ ਅਤੇ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨਾ ਯਕੀਨੀ ਬਣਾਓ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਕੱਚੇ ਡੇਟਾ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਟੋਰ ਕੀਤਾ, ਬਿਨਾਂ ਸੋਧਿਆ।
- [ ] ਮੈਂ AI ਨੂੰ ਗੁੰਮ ਹੋਏ ਹਿੱਸਿਆਂ ਨੂੰ ਪੂਰਾ ਨਹੀਂ ਕੀਤਾ; ਮੈਂ ਇਸਨੂੰ "ਅਧੂਰਾ" ਕਹਿ ਕੇ ਛੱਡ ਦਿੱਤਾ।
- [ ] ਮੈਂ ਅਸਲੀ ਦੇ ਨਾਲ ਹਰੇਕ ਆਟੋਮੈਟਿਕ ਤਬਦੀਲੀ ਦੀ ਜਾਂਚ ਕੀਤੀ ਹੈ।
- [ ] ਮੈਂ ਨਿਯੰਤਰਿਤ ਸ਼ਬਦਕੋਸ਼ ਅਤੇ ਡੇਟਾ ਸਟੈਂਡਰਡ ਦੀ ਵਰਤੋਂ ਕੀਤੀ।
- ਮੈਂ ਮਾਹਿਰਾਂ ਦੇ ਨਿਰਣੇ ਦੇ ਆਧਾਰ 'ਤੇ ਸਟ੍ਰੈਟਿਗ੍ਰਾਫਿਕ ਵਿਆਖਿਆ ਕੀਤੀ ਹੈ।