ਲਾਭ:
- ਗਣਿਤ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਨੈਤਿਕ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸਮਝਣ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਯੋਗਤਾ (ਸਿੱਖਣ, ਪਾਰਦਰਸ਼ਤਾ, ਮਨੁੱਖੀ ਜ਼ਿੰਮੇਵਾਰੀ, ਨਿਆਂ, ਗੁਪਤਤਾ ਦੀ ਸੇਵਾ ਵਿੱਚ ਹੋਣਾ)।
- ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨ ਅਤੇ ਸੰਵੇਦਨਸ਼ੀਲ ਸਮੱਗਰੀ ਜਿਵੇਂ ਕਿ ਇਮਤਿਹਾਨ ਦੇ ਪ੍ਰਸ਼ਨ, ਵਿਦਿਆਰਥੀ ਡੇਟਾ ਅਤੇ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ ਵਿੱਚ ਉਚਿਤ ਸਾਵਧਾਨੀ ਵਰਤਣ ਦੀ ਸਮਰੱਥਾ
- ਮੈਡਿਊਲ ਦੇ ਸਾਰੇ ਹਿੱਸਿਆਂ (ਉਤਪਾਦਨ + ਤਸਦੀਕ) ਨੂੰ ਇੱਕ ਸਿੰਗਲ ਐਂਡ-ਟੂ-ਐਂਡ ਵਰਕਫਲੋ ਵਿੱਚ ਜੋੜਨ ਦੀ ਸਮਰੱਥਾ, ਹਰੇਕ ਉਤਪਾਦਨ ਪੜਾਅ ਨੂੰ ਇੱਕ ਤਸਦੀਕ ਪੜਾਅ ਅਤੇ ਅੰਤਿਮ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਪੂਰਾ ਕਰਨਾ
ਇਸ ਅੰਤਿਮ ਇਕਾਈ ਵਿੱਚ ਅਸੀਂ ਦੋ ਚੀਜ਼ਾਂ ਨੂੰ ਜੋੜਦੇ ਹਾਂ: ਇੱਕ ਪਾਸੇ, ਗਣਿਤ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਦੇ ਨੈਤਿਕ, ਅਕਾਦਮਿਕ ਅਖੰਡਤਾ ਅਤੇ ਗੁਪਤਤਾ ਦੇ ਮਾਪ; ਦੂਜੇ ਪਾਸੇ, ਇੱਕ ਸਿੰਗਲ ਐਂਡ-ਟੂ-ਐਂਡ ਵਰਕਫਲੋ ਵਿੱਚ ਅਸੀਂ ਪੂਰੇ ਮੋਡੀਊਲ ਵਿੱਚ ਜੋ ਕੁਝ ਸਿੱਖਿਆ ਹੈ ਉਸ ਨੂੰ ਇਕੱਠਾ ਕਰਨ ਲਈ। ਗਣਿਤ ਵਿੱਚ AI ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਾਧਨ ਹੈ, ਪਰ ਇਹ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਨਾਲ-ਨਾਲ ਸ਼ਕਤੀ ਦੇ ਨਾਲ ਆਉਂਦਾ ਹੈ: ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਸ ਲਈ ਵਰਤਦੇ ਹੋ, ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਸ ਲਈ ਵਰਤਦੇ ਹੋ, ਅਤੇ ਤੁਸੀਂ ਇਸਨੂੰ ਕਿਵੇਂ ਵਰਤਦੇ ਹੋ, ਇਸਦੇ ਨੈਤਿਕ ਨਤੀਜੇ ਹਨ। ਏਆਈ ਦੁਆਰਾ ਆਪਣਾ ਹੋਮਵਰਕ ਕਰਨ ਵਾਲਾ ਵਿਦਿਆਰਥੀ ਅਤੇ ਏਆਈ ਨਾਲ ਕੋਰਸ ਸਮੱਗਰੀ ਨੂੰ ਤੇਜ਼ ਕਰਨ ਵਾਲਾ ਅਧਿਆਪਕ ਬਹੁਤ ਵੱਖਰੀਆਂ ਚੀਜ਼ਾਂ ਹਨ। ਇਹ ਯੂਨਿਟ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਦੇ ਨਾਲ ਤਕਨੀਕੀ ਹੁਨਰ ਦੀ ਪੂਰਤੀ ਕਰਦਾ ਹੈ।
ਕੁਝ ਪਰਿਭਾਸ਼ਾਵਾਂ। ਅਕਾਦਮਿਕ ਇਮਾਨਦਾਰੀ ਦਾ ਅਰਥ ਹੈ ਇਮਾਨਦਾਰੀ ਨਾਲ ਇਹ ਦਰਸਾਉਣਾ ਕਿ ਅਸਲ ਵਿੱਚ ਕੰਮ ਦਾ ਮਾਲਕ ਕੌਣ ਹੈ ਅਤੇ ਸਿੱਖਣ ਨੂੰ ਸ਼ਾਰਟਕਟ ਨਾ ਕਰਨਾ। ਸਾਹਿਤਕ ਚੋਰੀ ਕਿਸੇ ਹੋਰ ਦੇ (ਜਾਂ ਕਿਸੇ ਮਾਧਿਅਮ ਦੇ) ਉਤਪਾਦ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕਰਨਾ ਹੈ ਜਿਵੇਂ ਕਿ ਇਹ ਤੁਹਾਡਾ ਆਪਣਾ ਮੂਲ ਉਤਪਾਦ ਹੈ। ਪਾਰਦਰਸ਼ਤਾ ਦਾ ਮਤਲਬ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਦੱਸਣਾ ਹੈ ਕਿ AI ਕਿੱਥੇ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਧਾਰਨਾਵਾਂ AI ਦੇ ਯੁੱਗ ਵਿੱਚ ਗਣਿਤ ਦੀ ਸਿੱਖਿਆ ਲਈ ਕੇਂਦਰੀ ਬਣ ਗਈਆਂ ਹਨ।
ਨੈਤਿਕ ਵਰਤੋਂ ਦੇ ਮੂਲ ਸਿਧਾਂਤ
- ਸਿੱਖਣ ਦੀ ਥਾਂ ਨਹੀਂ, ਸਗੋਂ ਇਸ ਦੀ ਸੇਵਾ ਵਿੱਚ। AI ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੂੰ ਸੰਕਲਪ (ਵਿਆਖਿਆ, ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ) ਸਿੱਖਣ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਇਸਦੀ ਬਜਾਏ ਉਸਨੂੰ ਸੋਚਣ ਲਈ ਮਜਬੂਰ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ। AI ਨੂੰ ਹੋਮਵਰਕ ਕਰਨਾ ਸਿੱਖਣ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ।
- ਪਾਰਦਰਸ਼ਤਾ। ਦੱਸੋ ਕਿ AI ਕਿੱਥੇ ਵਰਤਿਆ ਗਿਆ ਸੀ — ਇੱਕ ਲੇਖ, ਕੋਰਸ ਸਮੱਗਰੀ, ਜਾਂ ਰਿਪੋਰਟ ਵਿੱਚ। ਛੁਪਾਉਣਾ ਬੇਈਮਾਨੀ ਹੈ।
- ਜ਼ਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੀ ਹੈ। ਕੋਈ ਵੀ ਜੋ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਦਾ ਹੈ, ਸਿਖਾਉਂਦਾ ਹੈ, ਜਾਂ AI ਆਉਟਪੁੱਟ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ, ਉਹ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਲਈ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। “ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ” ਕੋਈ ਬਹਾਨਾ ਨਹੀਂ ਹੈ।
- ਨਿਆਂ. ਮੁਲਾਂਕਣ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਸਾਰੇ ਵਿਦਿਆਰਥੀਆਂ ਲਈ ਬਰਾਬਰ ਅਤੇ ਸਪੱਸ਼ਟ ਨਿਯਮਾਂ ਦੁਆਰਾ ਨਿਯੰਤਰਿਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
- ਸੁਰੱਖਿਆ। ਸੰਵੇਦਨਸ਼ੀਲ ਜਾਣਕਾਰੀ, ਜਿਵੇਂ ਕਿ ਇਮਤਿਹਾਨ ਦੇ ਸਵਾਲ, ਵਿਦਿਆਰਥੀ ਡੇਟਾ, ਜਾਂ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ, ਨੂੰ AI ਟੂਲਸ ਵਿੱਚ ਦਾਖਲ ਨਾ ਕਰੋ ਜਿਨ੍ਹਾਂ ਦੀ ਗੁਪਤਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਹੈ।
ਗੋਪਨੀਯਤਾ: ਗਣਿਤ ਦੇ ਸੰਦਰਭ ਵਿੱਚ ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ?
ਭਾਵੇਂ ਗਣਿਤ ਇਸ ਤਰ੍ਹਾਂ ਜਾਪਦਾ ਹੈ ਕਿ ਇਸ ਵਿੱਚ "ਕੋਈ ਲੁਕਿਆ ਹੋਇਆ ਡੇਟਾ ਨਹੀਂ ਹੈ", ਸੰਦਰਭ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਇੱਕ ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ ਨਤੀਜਾ, ਇੱਕ ਸੰਸਥਾ ਦਾ ਇਮਤਿਹਾਨ ਪ੍ਰਸ਼ਨ ਬੈਂਕ, ਵਿਦਿਆਰਥੀਆਂ ਦਾ ਨਿੱਜੀ ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ, ਜਾਂ ਇੱਕ ਕੰਪਨੀ ਦਾ ਮਲਕੀਅਤ ਐਲਗੋਰਿਦਮ—ਸਭ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ। ਹਰ ਚੀਜ਼ ਜੋ ਤੁਸੀਂ ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਇਨਪੁਟ ਕਰਦੇ ਹੋ, ਉਸ ਟੂਲ ਦੇ ਪ੍ਰਦਾਤਾ ਦੁਆਰਾ ਪ੍ਰਕਿਰਿਆ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ ਅਤੇ, ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ, ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦੇਣ ਵਿੱਚ ਵਰਤੀ ਜਾ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲ ਸਮੱਗਰੀ ਲਈ, ਜਾਂ ਤਾਂ ਸਥਾਨਕ/ਸੰਸਥਾਗਤ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਅਤ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜਾਂ ਸਮੱਗਰੀ ਨੂੰ ਅਗਿਆਤ ਕਰੋ।
ਡਾਟਾ ਕਿਸਮ
ਜੋਖਮ
ਸਾਵਧਾਨੀ
ਪ੍ਰਕਾਸ਼ਿਤ ਪ੍ਰਮੇਯ/ਸਮੱਸਿਆ
ਘੱਟ
ਮੁਫ਼ਤ ਵਿੱਚ ਉਪਲਬਧ
ਸਰਗਰਮ ਪ੍ਰੀਖਿਆ ਸਵਾਲ
ਉੱਚ
ਵਾਹਨ ਵਿੱਚ ਦਾਖਲ ਨਾ ਹੋਵੋ ਜਾਂ ਸੁਰੱਖਿਅਤ ਨਾ ਕਰੋ
ਵਿਦਿਆਰਥੀ ਦਾ ਨਿੱਜੀ/ਪ੍ਰਦਰਸ਼ਨ ਡੇਟਾ
ਉੱਚ
ਗੁਮਨਾਮ/ਦਾਖਲ ਨਾ ਕਰੋ
ਅਣਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ
ਉੱਚ
ਸੁਰੱਖਿਅਤ/ਸਥਾਨਕ ਟੂਲ
ਲੈਕਚਰ ਦੀ ਰੂਪਰੇਖਾ
ਘੱਟ-ਮੱਧਮ
ਆਮ ਤੌਰ 'ਤੇ ਅਨੁਕੂਲ
ਸਾਵਧਾਨ: ਇਮਤਿਹਾਨ ਦੇ ਪ੍ਰਸ਼ਨ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ AI ਵਿੱਚ ਜਾਣ ਤੋਂ ਪਹਿਲਾਂ, ਵਿਚਾਰ ਕਰੋ ਕਿ ਕੀ ਇਹ ਪ੍ਰਸ਼ਨ ਗੁਪਤ ਰਹਿਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਸਰਗਰਮ ਇਮਤਿਹਾਨ ਦੇ ਸਵਾਲਾਂ ਨੂੰ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਉਜਾਗਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਜਿਸਦੀ ਗੁਪਤਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਹੈ। ਨਾਜ਼ੁਕ ਇਮਤਿਹਾਨਾਂ ਲਈ, ਜਾਂ ਤਾਂ ਪ੍ਰਸ਼ਨ ਬਦਲੋ ਜਾਂ ਸਿਰਫ ਕਾਰਪੋਰੇਟ-ਪ੍ਰਵਾਨਿਤ, ਡੇਟਾ ਗੋਪਨੀਯਤਾ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।
ਐਂਡ-ਟੂ-ਐਂਡ ਵਰਕਫਲੋ: ਇੱਕ ਉਦਾਹਰਨ ਕਾਰਜ
ਮੰਨ ਲਓ ਕਿ ਤੁਹਾਨੂੰ ਇੱਕ ਹਫ਼ਤੇ ਦੇ ਅੰਦਰ ਇੱਕ ਵਿਸ਼ੇ ਲਈ ਕੋਰਸ ਸਮੱਗਰੀ ਅਤੇ ਪ੍ਰੀਖਿਆ ਦੋਵਾਂ ਨੂੰ ਤਿਆਰ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਮੋਡੀਊਲ ਦੇ ਸਾਰੇ ਹਿੱਸਿਆਂ ਨੂੰ ਜੋੜਨ ਵਾਲਾ ਪ੍ਰਵਾਹ ਇਸ ਤਰ੍ਹਾਂ ਹੋ ਸਕਦਾ ਹੈ:
1. ਯੋਜਨਾਬੰਦੀ। ਵਿਸ਼ੇ, ਪੱਧਰ ਅਤੇ ਉਦੇਸ਼ਾਂ ਨੂੰ ਸਪੱਸ਼ਟ ਕਰੋ (ਯੂਨਿਟ 7)।
2. ਸਮੱਗਰੀ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਨਾ। AI ਕੋਲ ਪੱਧਰ-ਉਚਿਤ ਲੈਕਚਰ + ਹੱਲ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ (ਯੂਨਿਟ 7) ਪੈਦਾ ਕਰੋ।
3. ਨਮੂਨਾ ਪੁਸ਼ਟੀਕਰਨ। SymPy (ਯੂਨਿਟ 4) ਨਾਲ ਹਰੇਕ ਹੱਲ ਕੀਤੀ ਉਦਾਹਰਨ ਦੀ ਜਾਂਚ ਕਰੋ।
4. ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ। Matplotlib ਕੋਡ ਨਾਲ ਬਿਰਤਾਂਤ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਗ੍ਰਾਫਿਕਸ ਤਿਆਰ ਕਰੋ ਅਤੇ ਰੈਂਡਰ ਕਰੋ ਅਤੇ ਉਹਨਾਂ ਦੀ ਗਣਿਤ (ਯੂਨਿਟ 6) ਨਾਲ ਤੁਲਨਾ ਕਰੋ।
5. ਨੋਟੇਸ਼ਨ। LaTeX (ਯੂਨਿਟ 10) ਨਾਲ ਸੂਚਕਾਂਕ ਨੂੰ ਸਾਫ਼ ਕਰੋ, ਰੈਂਡਰ ਕਰੋ ਅਤੇ ਫਾਰਮੂਲੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
6. ਸਵਾਲ ਪੈਦਾ ਕਰਨਾ। ਇਮਤਿਹਾਨ (ਯੂਨਿਟ 8) ਲਈ ਬਹੁ-ਚੋਣ ਵਾਲੇ ਪ੍ਰਸ਼ਨ + ਡਿਸਟਰੈਕਟਰ ਤਿਆਰ ਕਰੋ।
7. ਬਲਕ ਪੁਸ਼ਟੀਕਰਨ। SymPy ਨਾਲ ਸਾਰੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਥੋਕ ਵਿੱਚ ਹੱਲ ਕਰੋ ਅਤੇ ਉੱਤਰ ਕੁੰਜੀ (ਯੂਨਿਟ 8, 9) ਦੀ ਜਾਂਚ ਕਰੋ।
8. ਨੈਤਿਕਤਾ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਨਿਯੰਤਰਣ। ਕੀ ਗੁਪਤਤਾ ਉਚਿਤ ਹੈ? ਕੀ ਤੁਸੀਂ ਲੋੜ ਪੈਣ 'ਤੇ ਸਮੱਗਰੀ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਦੱਸਿਆ ਹੈ? ਤੁਹਾਡੇ ਕੋਲ ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ (ਇਸ ਯੂਨਿਟ)।
9. ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ। ਆਖ਼ਰੀ ਵਾਰ ਹਰ ਚੀਜ਼ ਦੀ ਸਮੀਖਿਆ ਕਰੋ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰੋ। ਕੋਈ ਵੀ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਟੁਕੜਾ ਏਅਰ/ਟੈਸਟ 'ਤੇ ਨਹੀਂ ਜਾਵੇਗਾ।
ਸੰਕੇਤ: ਇੱਕ ਅੰਤ-ਤੋਂ-ਅੰਤ ਵਰਕਫਲੋ ਵਿੱਚ, ਸਭ ਤੋਂ ਕੁਸ਼ਲ ਰਣਨੀਤੀ AI ਨੂੰ "ਸਪੀਡ ਲੇਅਰ" ਦੇ ਤੌਰ 'ਤੇ, ਨਿਰਣਾਇਕ ਟੂਲ (SymPy, ਰੈਂਡਰ) ਨੂੰ "ਸ਼ੁੱਧਤਾ ਪਰਤ" ਵਜੋਂ ਅਤੇ ਆਪਣੇ ਆਪ ਨੂੰ "ਨਿਰਣੇ ਅਤੇ ਜਵਾਬਦੇਹੀ ਪਰਤ" ਦੇ ਤੌਰ 'ਤੇ ਸਥਿਤੀ ਵਿੱਚ ਰੱਖਣਾ ਹੈ। ਹਰੇਕ ਉਤਪਾਦਨ ਕਦਮ ਨੂੰ ਇੱਕ ਤਸਦੀਕ ਕਦਮ ਦੁਆਰਾ ਪਾਲਣਾ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ; ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਨੂੰ ਅਗਲੇ ਪੜਾਅ 'ਤੇ ਅੱਗੇ ਨਹੀਂ ਲਿਜਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
ਤਿੰਨ ਛੋਟੇ ਕੇਸ
ਕੇਸ 1 — ਪਾਰਦਰਸ਼ਤਾ ਨੇ ਭਰੋਸਾ ਬਣਾਇਆ ਹੈ। ਇੱਕ ਅਕਾਦਮਿਕ ਨੇ ਇੱਕ ਪਾਠ ਪੁਸਤਕ ਦੇ ਅਧਿਆਇ ਦੇ ਪਹਿਲੇ ਖਰੜੇ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਫਿਰ ਹਰ ਗਣਿਤ ਦੇ ਦਾਅਵੇ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਅਤੇ ਪ੍ਰਸਤਾਵਨਾ ਵਿੱਚ ਕਿਹਾ ਕਿ "ਖਰੜੇ ਦੇ ਉਤਪਾਦਨ ਵਿੱਚ AI ਸਹਾਇਤਾ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ ਸੀ, ਸਾਰੀ ਸਮੱਗਰੀ ਲੇਖਕ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤੀ ਗਈ ਸੀ।" ਇਸ ਪਾਰਦਰਸ਼ਤਾ ਨੇ ਸਹਿਕਰਮੀਆਂ ਦਾ ਵਿਸ਼ਵਾਸ ਵਧਾਇਆ ਅਤੇ ਇਮਾਨਦਾਰੀ ਦਾ ਮਿਆਰ ਕਾਇਮ ਰੱਖਿਆ।
ਕੇਸ 2 - ਉਹ ਵਰਤੋਂ ਜੋ ਸਿੱਖਣ ਨੂੰ ਕਮਜ਼ੋਰ ਕਰਦਾ ਹੈ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਨੇ AI ਨੂੰ ਆਪਣਾ ਪੂਰਾ ਹੋਮਵਰਕ ਸੈੱਟ ਹੱਲ ਕਰਕੇ ਜਮ੍ਹਾਂ ਕਰਾਉਣ ਲਈ ਕਿਹਾ ਸੀ। ਉਹ ਉਸੇ ਵਿਸ਼ਿਆਂ ਵਿੱਚ ਇਮਤਿਹਾਨ ਵਿੱਚ ਫੇਲ ਹੋ ਗਿਆ ਕਿਉਂਕਿ ਉਸਨੇ ਕਦੇ ਵੀ ਧਾਰਨਾਵਾਂ ਨਹੀਂ ਸਿੱਖੀਆਂ ਸਨ। ਅਧਿਆਪਕ ਨੇ "ਹੱਲ ਦੀ ਜਾਂਚ ਕਰਨ ਅਤੇ ਇੱਕ ਵਿਕਲਪਿਕ ਵਿਆਖਿਆ ਪ੍ਰਾਪਤ ਕਰਨ" ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਸੁਝਾਅ ਦਿੱਤਾ, ਪਰ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਪਹਿਲਾਂ ਖੁਦ ਹੱਲ ਕਰਨ ਲਈ। AI ਨੂੰ ਸਿੱਖਣ ਦੀ ਸੇਵਾ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਾ ਕਿ ਆਪਣੀ ਥਾਂ 'ਤੇ।
ਕੇਸ 3 - ਗੋਪਨੀਯਤਾ ਦੀ ਉਲੰਘਣਾ ਦਾ ਜੋਖਮ। ਇੱਕ ਅਧਿਆਪਕ ਨੇ ਕੇਂਦਰੀ ਪ੍ਰੀਖਿਆ ਲਈ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਇੱਕ ਆਮ AI ਟੂਲ ਵਿੱਚ ਹੈਕ ਕਰਨ ਬਾਰੇ ਵਿਚਾਰ ਕੀਤਾ, ਜੋ ਕਿ ਅਜੇ ਤੱਕ ਪ੍ਰਬੰਧਿਤ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਸੀ, ਪਰ ਫਿਰ ਇਸਦੇ ਵਿਰੁੱਧ ਫੈਸਲਾ ਕੀਤਾ; ਇਸ ਦੀ ਬਜਾਏ ਉਸਨੇ ਆਪਣੇ ਅਤੇ ਇੱਕ ਸਹਿਕਰਮੀ ਦੁਆਰਾ SymPy ਵਿੱਚ ਪ੍ਰਸ਼ਨ ਹੱਲ ਕੀਤੇ। ਇੱਕ ਬਾਹਰੀ ਟੂਲ ਵਿੱਚ ਸਰਗਰਮ ਪ੍ਰੀਖਿਆ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਦਾਖਲ ਕਰਨਾ ਇੱਕ ਗੰਭੀਰ ਗੋਪਨੀਯਤਾ ਜੋਖਮ ਸੀ; ਸਥਾਨਕ ਪ੍ਰਮਾਣਿਕਤਾ ਨੇ ਸੁਰੱਖਿਅਤ ਮਾਰਗ ਪ੍ਰਦਾਨ ਕੀਤਾ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਉਹ ਵਰਤੋਂ ਜੋ ਸਿੱਖਣ ਦਾ ਸਮਰਥਨ ਕਰਦੀ ਹੈ (ਵਿਦਿਆਰਥੀਆਂ ਲਈ):
ਮੈਂ ਇਸ ਸਮੱਸਿਆ ਨੂੰ ਪਹਿਲਾਂ ਹੱਲ ਕੀਤਾ, ਮੇਰਾ ਹੱਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਮੈਨੂੰ ਹੱਲ ਨਾ ਦਿਓ; ਬੱਸ ਮੈਨੂੰ ਦਿਖਾਓ ਕਿ ਮੈਂ ਕਿੱਥੇ ਗਲਤ ਹੋਇਆ ਅਤੇ ਮੈਂ ਕਿਹੜੀ ਧਾਰਨਾ ਨੂੰ ਗਲਤ ਸਮਝਿਆ ਤਾਂ ਜੋ ਮੈਂ ਇਸਨੂੰ ਠੀਕ ਕਰ ਸਕਾਂ। ਮੇਰਾ ਹੱਲ: [ਇੱਥੇ]
2) ਪਾਰਦਰਸ਼ਤਾ ਨੋਟ ਤਿਆਰ ਕਰਨਾ:
ਮੈਂ ਇੱਕ [ਕੋਰਸ ਸਮੱਗਰੀ/ਰਿਪੋਰਟ] ਤਿਆਰ ਕੀਤੀ ਅਤੇ ਡਰਾਫਟ ਪੜਾਅ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ, ਸਾਰੇ ਗਣਿਤ ਦੀ ਖੁਦ ਪੁਸ਼ਟੀ ਕੀਤੀ। ਇੱਕ ਛੋਟਾ, ਪੇਸ਼ੇਵਰ ਪਾਰਦਰਸ਼ਤਾ ਨੋਟ ਲਿਖੋ ਜੋ ਇਸ ਨੂੰ ਇਮਾਨਦਾਰੀ ਨਾਲ ਬਿਆਨ ਕਰਦਾ ਹੈ।
3) ਗੋਪਨੀਯਤਾ ਪ੍ਰੀ-ਚੈੱਕ:
ਮੈਂ ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਤੋਂ ਪਹਿਲਾਂ ਹੇਠਾਂ ਦਿੱਤੀ ਸਮੱਗਰੀ ਨੂੰ ਗੋਪਨੀਯਤਾ-ਯੋਗ ਬਣਾਉਣਾ ਚਾਹਾਂਗਾ: [ਸਮੱਗਰੀ ਕਿਸਮ]। ਕੀ ਇਸ ਕਿਸਮ ਦੀ ਸਮਗਰੀ ਨੂੰ ਸੰਵੇਦਨਸ਼ੀਲ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ, ਇਸ ਵਿੱਚ ਕਿਹੜੇ ਖਤਰੇ ਹਨ, ਮੈਨੂੰ ਕਿਹੜੀਆਂ ਸਾਵਧਾਨੀਆਂ (ਅਨਾਮਕਰਨ, ਸਥਾਨਕ ਸਾਧਨ) ਵਰਤਣੀਆਂ ਚਾਹੀਦੀਆਂ ਹਨ? ਇਸਨੂੰ ਛੋਟਾ ਅਤੇ ਸਪਸ਼ਟ ਕਹੋ।
4) ਅੰਤ-ਤੋਂ-ਅੰਤ ਪੁਸ਼ਟੀਕਰਨ ਨਿਯੰਤਰਣ ਯੋਜਨਾ:
ਮੈਂ [ਵਿਸ਼ੇ] ਲਈ ਕੋਰਸ ਸਮੱਗਰੀ + ਪ੍ਰੀਖਿਆ ਤਿਆਰ ਕਰਦਾ ਹਾਂ। ਇੱਕ ਨਿਯੰਤਰਣ ਯੋਜਨਾ ਦੇ ਰੂਪ ਵਿੱਚ ਸੂਚੀ ਬਣਾਓ ਕਿ ਮੈਨੂੰ ਉਤਪਾਦਨ ਦੇ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕੀ ਤਸਦੀਕ ਕਰਨ ਦੀ ਜ਼ਰੂਰਤ ਹੈ: ਨਮੂਨਾ ਤਸਦੀਕ, ਗ੍ਰਾਫਿਕ ਨਿਯੰਤਰਣ, ਸੰਕੇਤ, ਉੱਤਰ ਕੁੰਜੀ, ਗੁਪਤਤਾ, ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ: "ਇਹ ਹੋਮਵਰਕ ਸਵਾਲਾਂ ਨੂੰ ਹੱਲ ਕਰੋ ਅਤੇ ਮੈਂ ਉਹਨਾਂ ਨੂੰ ਅੰਦਰ ਕਰਾਂਗਾ." (ਵਿਦਿਆਰਥੀ)
ਨਤੀਜਾ: ਸਿੱਖਣ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਅਕਾਦਮਿਕ ਅਖੰਡਤਾ ਦੀ ਉਲੰਘਣਾ ਹੁੰਦੀ ਹੈ, ਵਿਦਿਆਰਥੀ ਸੰਕਲਪ ਨੂੰ ਸਿੱਖਣ ਵਿੱਚ ਅਸਫਲ ਰਹਿੰਦਾ ਹੈ। ਇਹ ਨੈਤਿਕ ਅਤੇ ਸਿੱਖਿਆ ਸ਼ਾਸਤਰੀ ਤੌਰ 'ਤੇ ਇਤਰਾਜ਼ਯੋਗ ਹੈ।
ਗੁਲੂ: "ਮੈਂ ਇਸ ਹੋਮਵਰਕ ਪ੍ਰਸ਼ਨ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕੀਤੀ, ਪਰ ਮੈਂ ਅਟਕ ਗਿਆ; ਮੇਰਾ ਹੱਲ ਜੁੜਿਆ ਹੋਇਆ ਹੈ। ਸਿੱਧਾ ਜਵਾਬ ਨਾ ਦਿਓ; ਮੈਨੂੰ ਇੱਕ ਸੁਰਾਗ ਦੇ ਨਾਲ ਦਿਖਾਓ ਕਿ ਮੈਂ ਕਿਹੜਾ ਕਦਮ ਅਤੇ ਕਿਉਂ ਗਲਤ ਕੀਤਾ, ਮੈਨੂੰ ਸਹੀ ਸੰਕਲਪ ਯਾਦ ਦਿਵਾਓ, ਫਿਰ ਮੈਂ ਦੁਬਾਰਾ ਕੋਸ਼ਿਸ਼ ਕਰਾਂਗਾ।"
ਸਿੱਟਾ: AI ਦੀ ਵਰਤੋਂ ਸਿੱਖਣ ਦੀ ਸੇਵਾ ਵਿੱਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਵਿਦਿਆਰਥੀ ਸੋਚਦਾ ਰਹਿੰਦਾ ਹੈ, ਇਮਾਨਦਾਰੀ ਬਣੀ ਰਹਿੰਦੀ ਹੈ।
ਆਮ ਗਲਤੀਆਂ
- ਇਸਦੀ ਵਰਤੋਂ ਸਿੱਖਣ ਨੂੰ ਛੱਡਣ ਲਈ ਕਰੋ। AI ਦਾ ਹੋਮਵਰਕ ਕਰਨਾ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਆਸਾਨ ਹੁੰਦਾ ਹੈ, ਪਰ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਸਿੱਖਣ ਨੂੰ ਤਬਾਹ ਕਰ ਦਿੰਦਾ ਹੈ।
- ਪਾਰਦਰਸ਼ੀ ਨਹੀਂ ਹੋ ਰਿਹਾ। AI ਦੀ ਵਰਤੋਂ ਨੂੰ ਛੁਪਾਉਣਾ ਅਕਾਦਮਿਕ ਅਖੰਡਤਾ ਦੇ ਵਿਰੁੱਧ ਹੈ; ਜਦੋਂ ਲੋੜ ਹੋਵੇ ਨਿਰਧਾਰਤ ਕਰੋ।
- AI 'ਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਪਾ ਰਿਹਾ ਹੈ। “ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ” ਕੋਈ ਬਹਾਨਾ ਨਹੀਂ ਹੈ; ਪ੍ਰਕਾਸ਼ਕ/ਅਧਿਆਪਕ ਜ਼ਿੰਮੇਵਾਰ ਹਨ।
- ਬਾਹਰੀ ਟੂਲ ਵਿੱਚ ਗੁਪਤ ਸਮੱਗਰੀ ਦਾਖਲ ਕਰਨਾ। ਕਿਰਿਆਸ਼ੀਲ ਪ੍ਰੀਖਿਆ, ਵਿਦਿਆਰਥੀ ਡੇਟਾ, ਅਪ੍ਰਕਾਸ਼ਿਤ ਖੋਜ ਸੰਵੇਦਨਸ਼ੀਲ ਹਨ।
- ਵਰਕਫਲੋ ਦੇ ਅੰਤ ਤੱਕ ਪ੍ਰਮਾਣਿਕਤਾ ਨੂੰ ਛੱਡਣਾ। ਤਸਦੀਕ ਹਰੇਕ ਉਤਪਾਦਨ ਪੜਾਅ ਦੇ ਬਾਅਦ ਆਉਣੀ ਚਾਹੀਦੀ ਹੈ; ਗਲਤੀਆਂ ਇਕੱਠੀਆਂ ਨਹੀਂ ਹੋਣੀਆਂ ਚਾਹੀਦੀਆਂ।
ਸੰਖੇਪ ਵਿੱਚ
ਗਣਿਤ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਲਈ ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਨਾਲ-ਨਾਲ ਤਕਨੀਕੀ ਹੁਨਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ: ਇਹ ਸਿੱਖਣ ਦੀ ਸੇਵਾ ਵਿੱਚ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ (ਇਸਦੀ ਥਾਂ 'ਤੇ ਨਹੀਂ), ਪਾਰਦਰਸ਼ੀ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਅੰਤਮ ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਣਾ, ਨਿਰਪੱਖ ਨਿਯਮਾਂ ਦੀ ਪਾਲਣਾ ਕਰਨਾ, ਅਤੇ ਗੁਪਤਤਾ ਦਾ ਸਨਮਾਨ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਅੰਤ-ਤੋਂ-ਅੰਤ ਦੇ ਵਰਕਫਲੋ ਵਿੱਚ, AI ਸਪੀਡ ਲੇਅਰ ਹੈ, SymPy ਅਤੇ ਰੈਂਡਰਿੰਗ ਟੂਲ ਸ਼ੁੱਧਤਾ ਪਰਤ ਹਨ, ਅਤੇ ਮਨੁੱਖ ਨਿਰਣਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਪਰਤ ਹਨ। ਹਰੇਕ ਉਤਪਾਦਨ ਪੜਾਅ ਨੂੰ ਇੱਕ ਤਸਦੀਕ ਕਦਮ ਦੁਆਰਾ ਪਾਲਣਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ; ਪ੍ਰਕਾਸ਼ਨ, ਲੈਕਚਰ, ਜਾਂ ਇਮਤਿਹਾਨ ਵਿੱਚ ਕੋਈ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਨਹੀਂ ਜਾਣਾ ਚਾਹੀਦਾ। ਇਹ ਇਸ ਮੋਡੀਊਲ ਦਾ ਸਾਰ ਹੈ: AI ਨਾਲ ਤੇਜ਼ੀ ਨਾਲ ਪ੍ਰਾਪਤ ਕਰੋ, ਪਰ ਪੁਸ਼ਟੀ ਕਰੋ ਅਤੇ ਹਰ ਕਦਮ ਲਈ ਜ਼ਿੰਮੇਵਾਰੀ ਲਓ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਛੋਟੇ ਪੈਮਾਨੇ ਦੇ ਅੰਤ-ਤੋਂ-ਅੰਤ ਕਾਰਜ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰੋ: ਇੱਕ ਵਿਸ਼ਾ ਲਈ ਇੱਕ ਛੋਟਾ ਬਿਰਤਾਂਤ + 1 ਚਾਰਟ + 3 ਬਹੁ-ਚੋਣ ਵਾਲੇ ਪ੍ਰਸ਼ਨ। ਮੌਡਿਊਲ ਦੇ ਪ੍ਰਵਾਹ ਦੀ ਪਾਲਣਾ ਕਰੋ: (1) ਯੋਜਨਾ, (2) AI ਨਾਲ ਡਰਾਫਟ, (3) SymPy ਨਾਲ ਉਦਾਹਰਨਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ, (4) ਗ੍ਰਾਫ ਨੂੰ ਰੈਂਡਰ ਕਰੋ ਅਤੇ ਚੈੱਕ ਕਰੋ, (5) LaTeX ਨਾਲ ਸੰਕੇਤ ਨੂੰ ਸਾਫ਼ ਕਰੋ ਅਤੇ ਰੈਂਡਰ ਕਰੋ, (6) ਬੈਚ SymPy ਨਾਲ ਸਵਾਲਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ, (7) ਇੱਕ ਗੋਪਨੀਯਤਾ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਕਰੋ, ਮਨੁੱਖੀ ਐਪ ਨੂੰ ਅੰਤਿਮ ਜਾਂਚ ਕਰੋ। ਰਿਕਾਰਡ ਕਰੋ ਕਿ ਤੁਸੀਂ ਕਿਹੜੀ ਤਸਦੀਕ ਕੀਤੀ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਹਰ ਪੜਾਅ 'ਤੇ ਕੀ ਮਿਲਿਆ ਹੈ। ਪ੍ਰਕਿਰਿਆ ਦੇ ਅੰਤ 'ਤੇ, ਮੁਲਾਂਕਣ ਕਰੋ ਕਿ AI ਕਿੱਥੇ ਸਮਾਂ ਬਚਾਉਂਦਾ ਹੈ ਅਤੇ ਤੁਹਾਡਾ ਨਿਰਣਾ ਕਿੱਥੇ ਲਾਜ਼ਮੀ ਹੈ।
ਚੈੱਕਲਿਸਟ
- [ ] ਮੈਂ ਸਿੱਖਣ ਦੀ ਸੇਵਾ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕੀਤੀ (ਇਸਦੀ ਬਜਾਏ)।
- [ ] ਮੈਂ ਪਾਰਦਰਸ਼ੀ ਤੌਰ 'ਤੇ AI ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਦੱਸਿਆ ਹੈ ਜਿੱਥੇ ਲੋੜ ਹੈ।
- [ ] ਮੈਂ ਅੰਤਮ ਸ਼ੁੱਧਤਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਲਈ ਹੈ।
- [ ] ਮੈਂ ਅਸੁਰੱਖਿਅਤ ਸਾਧਨਾਂ ਰਾਹੀਂ ਗੁਪਤ/ਸੰਵੇਦਨਸ਼ੀਲ ਸਮੱਗਰੀ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕੀਤੀ।
- [ ] ਮੈਂ ਇੱਕ ਤਸਦੀਕ ਪੜਾਅ ਦੇ ਨਾਲ ਹਰੇਕ ਉਤਪਾਦਨ ਪੜਾਅ ਦਾ ਅਨੁਸਰਣ ਕੀਤਾ।
- [ ] ਮੈਂ ਪ੍ਰਸਾਰਣ/ਪਾਠ/ਪ੍ਰੀਖਿਆ ਵਿੱਚ ਕੋਈ ਅਣ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਨਹੀਂ ਲਿਆ।
ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ
1. ਗਣਿਤ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜੀ ਸਥਿਤੀ ਸਭ ਤੋਂ ਸਹੀ ਹੈ?
- ਏ) ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਰਣਨੀਤੀ, ਬਲੂਪ੍ਰਿੰਟ ਅਤੇ ਸੰਗਠਿਤ ਸਾਧਨ ਹੈ; ਇਹ ਮਨੁੱਖ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਉਹ ਨਿਰਣਾਇਕ ਸਾਧਨਾਂ ਦੁਆਰਾ ਸਹੀ ਗਣਨਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੇ ✔
- ਅ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਕੈਲਕੁਲੇਟਰ ਦੀ ਤਰ੍ਹਾਂ ਹੈ ਅਤੇ ਇਹ ਜੋ ਵੀ ਸੰਖਿਆਤਮਕ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ ਉਹ ਸਟੀਕ ਹੁੰਦਾ ਹੈ
- C) ਨਕਲੀ ਬੁੱਧੀ ਕਦੇ ਵੀ ਉਹਨਾਂ ਸਿੱਟਿਆਂ ਵਿੱਚ ਗਲਤ ਨਹੀਂ ਹੁੰਦੀ ਜੋ ਇਹ ਭਰੋਸੇ ਨਾਲ ਪੇਸ਼ ਕਰਦੀ ਹੈ, ਇਸਲਈ ਤਸਦੀਕ ਬੇਲੋੜੀ ਹੈ
- ਡੀ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਰਫ ਟੈਕਸਟ ਲਿਖਣ ਲਈ ਉਪਯੋਗੀ ਹੈ, ਇਸਦਾ ਕਿਸੇ ਵੀ ਗਣਿਤ ਦੇ ਕੰਮਾਂ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਹੈ
ਵਰਣਨ: ਇੱਕ ਵਿਸ਼ਾਲ ਭਾਸ਼ਾ ਮਾਡਲ ਇੱਕ ਸੰਦ ਹੈ ਜੋ ਅੰਕੜਾ ਰੂਪ ਵਿੱਚ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਇਹ ਕੋਈ ਕੈਲਕੁਲੇਟਰ ਜਾਂ ਪਰੂਫ ਚੈਕਰ ਨਹੀਂ ਹੈ। ਇਹ ਜ਼ਿਆਦਾਤਰ ਸਮਾਂ ਸਹੀ ਗਣਿਤ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਪਰ ਇਹ ਗਾਰੰਟੀ ਨਹੀਂ ਦਿੰਦਾ; ਇਸ ਲਈ ਹਰ ਆਉਟਪੁੱਟ ਨੂੰ ਨਿਰਣਾਇਕ ਸਾਧਨਾਂ (SymPy, ਕੈਲਕੁਲੇਟਰ, ਮੈਨੂਅਲ ਪ੍ਰਮਾਣਿਕਤਾ) ਨਾਲ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਜਿੰਮੇਵਾਰੀ ਮਨੁੱਖ ਦੇ ਨਾਲ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
2. ਇੱਕ ਵਿਦਿਆਰਥੀ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਇੱਕ ਅਟੁੱਟ ਹੱਲ ਕਰਨ ਲਈ ਕਹਿੰਦਾ ਹੈ ਅਤੇ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ। ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?
- A) ਨਤੀਜੇ ਨੂੰ ਵੱਖਰਾ ਕਰਨਾ ਅਤੇ ਜਾਂਚ ਕਰਨਾ ਕਿ ਕੀ ਇਹ ਅਸਲ ਫੰਕਸ਼ਨ (SymPy ਜਾਂ ਹੱਥੀਂ) 'ਤੇ ਵਾਪਸ ਆਉਂਦਾ ਹੈ ✔
- ਅ) ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਪੁੱਛੋ 'ਕੀ ਇਹ ਸੱਚ ਹੈ?' ਪੁੱਛਣ ਲਈ
- C) ਨਤੀਜੇ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਇਹ ਹੈ ਕਿਉਂਕਿ ਇਹ ਚੰਗੀ ਤਰ੍ਹਾਂ ਅਤੇ ਭਰੋਸੇ ਨਾਲ ਪੇਸ਼ ਕੀਤਾ ਗਿਆ ਹੈ.
- ਡੀ) ਕਿਸੇ ਹੋਰ ਸਵਾਲ ਵੱਲ ਵਧਣਾ ਅਤੇ ਨਤੀਜੇ ਦੀ ਬਿਲਕੁਲ ਵੀ ਜਾਂਚ ਨਾ ਕਰਨਾ
ਵਿਆਖਿਆ: ਡੈਰੀਵੇਟਿਵ-ਇੰਟੈਗਰਲ ਇਨਵਰਸ ਗਣਿਤ ਵਿੱਚ ਇੱਕ ਬਿਲਟ-ਇਨ ਵੈਰੀਫਿਕੇਸ਼ਨ ਟੂਲ ਹੈ: ਮਿਲੇ ਨਤੀਜੇ ਦੇ ਡੈਰੀਵੇਟਿਵ ਨੂੰ ਲੈਣਾ ਅਤੇ ਜਾਂਚ ਕਰਨਾ ਕਿ ਕੀ ਇਹ ਮੂਲ ਫੰਕਸ਼ਨ 'ਤੇ ਵਾਪਸ ਆਉਂਦਾ ਹੈ, ਇੰਟਗ੍ਰੇਲ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ। ਉਹੀ ਕਰਾਸ-ਚੈਕਿੰਗ SymPy ਨਾਲ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ।
3. ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਸਮੱਸਿਆ ਹੱਲ ਕਰਨ ਵਿੱਚ 'ਸਹੀ ਨਤੀਜਾ ਸਹੀ ਤਰੀਕਾ ਨਹੀਂ ਹੈ' ਦੇ ਸਿਧਾਂਤ ਦਾ ਕੀ ਅਰਥ ਹੈ?
- ਕ) ਸਹੀ ਨਤੀਜਾ ਹਮੇਸ਼ਾ ਸਾਬਤ ਕਰਦਾ ਹੈ ਕਿ ਰਸਤਾ ਵੀ ਸਹੀ ਹੈ
- ਅ) ਮਾਰਗ ਗੈਰ-ਮਹੱਤਵਪੂਰਨ ਹੈ, ਸਿਰਫ ਨਤੀਜਾ ਸਕੋਰ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
- C) ਗਲਤ ਵਿਚਕਾਰਲੇ ਕਦਮ ਸੰਜੋਗ ਦੁਆਰਾ ਸਹੀ ਨਤੀਜੇ ਵੱਲ ਲੈ ਜਾ ਸਕਦੇ ਹਨ; ਇਸ ਲਈ, ਨਤੀਜਾ ਅਤੇ ਹਰੇਕ ਵਿਚਕਾਰਲੇ ਪੜਾਅ ਦੋਵਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔
- ਡੀ) ਇੱਕ ਠੋਸ ਮਾਰਗ ਲੱਭਣਾ ਅਸੰਭਵ ਹੈ, ਇਸਲਈ ਅਸੀਂ ਸਿਰਫ ਨਤੀਜੇ ਨੂੰ ਦੇਖਦੇ ਹਾਂ
ਵਿਆਖਿਆ: ਕਈ ਵਾਰ ਗਲਤ ਵਿਚਕਾਰਲੇ ਕਦਮ ਮੌਕਾ ਦੁਆਰਾ ਸਹੀ ਨਤੀਜੇ ਵੱਲ ਲੈ ਜਾਂਦੇ ਹਨ; ਭਾਵੇਂ ਨਤੀਜਾ ਸਹੀ ਹੈ, ਮਾਰਗ ਅਵੈਧ ਹੋ ਸਕਦਾ ਹੈ। ਇਸੇ ਲਈ ਗਣਿਤ ਵਿੱਚ ਇਹ ਸਿਰਫ਼ 'ਕੀ ਨਤੀਜਾ ਸਹੀ ਹੈ?' ਸਗੋਂ 'ਕੀ ਹਰੇਕ ਵਿਚਕਾਰਲਾ ਕਦਮ ਸਹੀ ਹੈ?' ਸਵਾਲ ਵੀ ਜ਼ਰੂਰੀ ਹੈ ਅਤੇ ਹਰ ਕਦਮ ਦੀ ਨਿਗਰਾਨੀ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।
4. ਤੁਹਾਨੂੰ ਕੀ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਜਦੋਂ AI ਇੱਕ ਸਬੂਤ ਵਿੱਚ 'ਸਾਧਾਰਨਤਾ ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਬਿਨਾਂ' ਵਾਕਾਂਸ਼ ਦੀ ਵਰਤੋਂ ਕਰਦਾ ਹੈ?
- A) ਇਹ ਸਵੀਕਾਰ ਕਰਨਾ ਕਿ ਸਬੂਤ ਪ੍ਰਮਾਣਿਕ ਹੈ ਕਿਉਂਕਿ ਬਿਆਨ ਪ੍ਰਵਾਹ ਹੈ
- ਅ) ਆਪਣੇ ਲਈ ਜਾਇਜ਼ ਠਹਿਰਾਉਣਾ ਕਿ ਸਾਧਾਰਨਤਾ ਅਸਲ ਵਿੱਚ ਟੁੱਟੀ ਨਹੀਂ ਹੈ; ✔ ਬਿਨਾਂ ਸਵਾਲ ਦੇ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰਨਾ
- C) ਸਬੂਤ ਨੂੰ ਬਿਨਾਂ ਪੜ੍ਹੇ ਹੀ ਜਾਇਜ਼ ਮੰਨਣਾ
- D) ਸਰੋਤ ਤੋਂ ਇੱਕ ਪ੍ਰਮੇਏ ਦੇ ਨਾਮ ਵਜੋਂ ਇਸ ਸਮੀਕਰਨ ਦੀ ਖੋਜ ਕਰਨਾ
ਸਪਸ਼ਟੀਕਰਨ: ਕਥਨ 'ਸਧਾਰਨਤਾ ਦੇ ਨੁਕਸਾਨ ਤੋਂ ਬਿਨਾਂ' ਕਈ ਵਾਰ ਵੈਧ ਹੁੰਦਾ ਹੈ (ਜੇ ਅਸਲ ਸਮਰੂਪਤਾ ਹੋਵੇ) ਪਰ ਕਈ ਵਾਰ ਇਹ ਇੱਕ ਲੁਕਵੀਂ ਗਲਤੀ ਹੁੰਦੀ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਸਮੀਕਰਨ ਦੀ ਬਹੁਤ ਵਰਤੋਂ ਕਰਦੀ ਹੈ; ਤੁਹਾਨੂੰ ਹਰ ਵਾਰ ਆਪਣੇ ਆਪ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਸਾਧਾਰਨਤਾ ਦੀ ਅਸਲ ਵਿੱਚ ਉਲੰਘਣਾ ਨਹੀਂ ਹੋਈ ਹੈ, ਅਤੇ ਤੁਹਾਨੂੰ ਬਿਨਾਂ ਸਵਾਲ ਦੇ ਬਿਆਨ ਨੂੰ ਸਵੀਕਾਰ ਨਹੀਂ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ।
5. ਤੁਸੀਂ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਇੱਕ SymPy ਕੋਡ ਲਿਖਿਆ ਹੈ। ਤੁਸੀਂ ਨਤੀਜਾ ਸਹੀ ਕਿਵੇਂ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ?
- ਏ) ਨਕਲੀ ਬੁੱਧੀ ਬਣਾਉਣਾ ਕੋਡ ਦੇ ਆਉਟਪੁੱਟ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਦਾ ਹੈ
- ਅ) ਇਹ ਮੰਨਣਾ ਕਿ ਕੋਡ ਨੂੰ ਪੜ੍ਹੇ ਬਿਨਾਂ ਹੀ ਸਹੀ ਹੈ
- C) ਆਉਟਪੁੱਟ ਦੀ AI ਦੀ ਵਿਆਖਿਆ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- ਡੀ) ਇੱਕ ਅਸਲੀ ਪਾਈਥਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਕੋਡ ਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਓ ਅਤੇ ਸਹੀ ਆਉਟਪੁੱਟ ਦੇਖੋ ✔
ਵਰਣਨ: SymPy ਦੀ ਸ਼ਕਤੀ ਉਦੋਂ ਹੀ ਪ੍ਰਗਟ ਹੁੰਦੀ ਹੈ ਜਦੋਂ ਕੋਡ ਨੂੰ ਇੱਕ ਅਸਲੀ ਪਾਈਥਨ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਇਆ ਜਾਂਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਪੁੱਛੋ 'ਇਹ ਕੋਡ ਕੀ ਪੈਦਾ ਕਰਦਾ ਹੈ?' ਪੁੱਛਣਾ ਪ੍ਰਮਾਣਿਕਤਾ ਨਹੀਂ ਹੈ, ਕਿਉਂਕਿ AI ਕੋਡ ਆਉਟਪੁੱਟ ਵੀ ਬਣਾ ਸਕਦਾ ਹੈ। ਤੁਹਾਨੂੰ ਖੁਦ ਕੋਡ ਚਲਾਉਣਾ ਚਾਹੀਦਾ ਹੈ।
6. ਜੇਕਰ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਹੱਥੀਂ ਲੱਭੇ ਗਏ ਸਮੀਕਰਨ ਦਾ ਹੱਲ ਅਤੇ SymPy ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ ਨਤੀਜੇ ਵੱਖਰੇ ਹਨ, ਤਾਂ ਤੁਹਾਨੂੰ ਕਿਸ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਕਿਉਂ?
- A) SymPy ਨਤੀਜਾ ਕਿਉਂਕਿ ਇਹ ਨਿਰਣਾਇਕ ਅਤੇ ਸਟੀਕ ਹੈ; ਫਿਰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਇਸਦੀ ਗਲਤੀ ਦੀ ਸਥਿਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣਾ ਚਾਹੀਦਾ ਹੈ ✔
- ਅ) ਨਕਲੀ ਬੁੱਧੀ ਦਾ ਨਤੀਜਾ ਕਿਉਂਕਿ ਇਹ ਵਧੇਰੇ ਪ੍ਰਵਾਹ ਨਾਲ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ
- C) ਬੇਤਰਤੀਬੇ ਇੱਕ ਚੁਣਨਾ ਕਿਉਂਕਿ ਉਹ ਦੋਵੇਂ ਬਰਾਬਰ ਭਰੋਸੇਯੋਗ ਹਨ
- ਡੀ) ਦੋਵਾਂ ਨੂੰ ਰੱਦ ਕਰਨਾ ਅਤੇ ਸਵਾਲ ਨੂੰ ਅਣਸੁਲਝਿਆ ਸਮਝਣਾ
ਵਰਣਨ: SymPy ਇੱਕ ਨਿਰਣਾਇਕ ਪ੍ਰਤੀਕਾਤਮਕ ਕੰਪਿਊਟਿੰਗ ਸਿਸਟਮ ਹੈ: ਇਹ ਹਮੇਸ਼ਾ ਇੱਕੋ ਇੰਪੁੱਟ ਲਈ ਉਹੀ ਸਹੀ ਸਹੀ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਟੈਕਸਟ ਪੈਦਾ ਕਰਦੀ ਹੈ ਅਤੇ ਭਰਮ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ। ਵਿਵਾਦ ਵਿੱਚ, SymPy ਨੂੰ ਆਧਾਰ ਵਜੋਂ ਲਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਇਸਦੀ ਗਲਤੀ ਦੀ ਸਥਿਤੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਬਣਾਈ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ.
7. ਪਾਈਥਨ ਕੋਡ ਵਿੱਚ '0.1 + 0.2 == 0.3' ਸਥਿਤੀ ਉਮੀਦ ਅਨੁਸਾਰ ਕੰਮ ਕਿਉਂ ਨਹੀਂ ਕਰਦੀ ਅਤੇ ਇਸਨੂੰ ਕਿਵੇਂ ਠੀਕ ਕਰਨਾ ਹੈ?
- ਏ) ਪਾਈਥਨ ਵਿੱਚ ਜੋੜ ਟੁੱਟ ਗਿਆ ਹੈ; ਕਿਸੇ ਹੋਰ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੀ ਲੋੜ ਹੈ
- ਅ) ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ ਨੰਬਰ ਸ਼ੁੱਧਤਾ ਦੇ ਕਾਰਨ ਸਹੀ ਸਮਾਨਤਾ ਨਹੀਂ ਰੱਖਦੀ; ਇੱਕ ਸਹਿਣਸ਼ੀਲਤਾ ਜਿਵੇਂ ਕਿ 'abs(a-b) <1e-9' ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔
- C) ਮੁੱਲ 0.3 ਗਲਤ ਹੈ; 0.30000000004 ਲਿਖਣਾ ਜ਼ਰੂਰੀ ਹੈ
- ਡੀ) ਸਥਿਤੀ ਹਮੇਸ਼ਾ ਸਹੀ ਢੰਗ ਨਾਲ ਕੰਮ ਕਰਦੀ ਹੈ, ਕੋਈ ਸਮੱਸਿਆ ਨਹੀਂ ਹੈ
ਵਿਆਖਿਆ: ਕੰਪਿਊਟਰ ਸੀਮਤ ਸ਼ੁੱਧਤਾ ਦੇ ਨਾਲ ਫਲੋਟਿੰਗ-ਪੁਆਇੰਟ ਫਾਰਮੈਟ ਵਿੱਚ ਦਸ਼ਮਲਵ ਸੰਖਿਆਵਾਂ ਨੂੰ ਸਟੋਰ ਕਰਦੇ ਹਨ; 0.1 + 0.2 ਨੂੰ ਇੱਕ ਬਹੁਤ ਹੀ ਛੋਟੇ ਵਿਵਹਾਰ ਨਾਲ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਬਿਲਕੁਲ 0.3 ਨਹੀਂ। ਇਸ ਲਈ, ਸਹੀ ਸਮਾਨਤਾ '==' ਦੀ ਬਜਾਏ, 'abs(a-b) <1e-9' ਵਰਗੀ ਸਹਿਣਸ਼ੀਲਤਾ ਵਰਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।
8. ਅਸਲ ਸਮੱਸਿਆ ਲਈ ਇੱਕ ਸਕੇਲਰ ਰੂਟ ਖੋਜ ਕੋਡ ਨੂੰ ਲਾਗੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਸਭ ਤੋਂ ਵਧੀਆ 'ਆਮ ਗਿਆਨ ਟੈਸਟ' ਕੀ ਹੈ?
- ਏ) ਕੋਡ ਨੂੰ ਇਸਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਅਸਲ ਸਮੱਸਿਆ 'ਤੇ ਸਿੱਧਾ ਲਾਗੂ ਕਰਨਾ
- ਅ) ਕੋਡ ਦੀ ਲੰਬਾਈ ਦੀ ਜਾਂਚ ਕਰੋ ਅਤੇ ਜੇਕਰ ਇਹ ਲੰਬਾ ਹੈ ਤਾਂ ਇਸਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਗਿਣੋ।
- C) ਇੱਕ ਸਧਾਰਨ ਇੰਪੁੱਟ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਨਾ ਜਿਸਦਾ ਜਵਾਬ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ x²-4=0 ਜੜ੍ਹਾਂ ±2) ਅਤੇ ਜਾਂਚ ਕਰਨਾ ਕਿ ਇਹ ਸੰਭਾਵਿਤ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ ✔
- ਡੀ) ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ ਕਿ ਕੋਡ ਸਹੀ ਹੈ
ਵਿਆਖਿਆ: ਇੱਕ ਸਧਾਰਨ ਇੰਪੁੱਟ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਨਾ ਜਿਸਦਾ ਜਵਾਬ ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੇ ਹੋ (ਜਿਵੇਂ ਕਿ ਸਪੱਸ਼ਟ ਜੜ੍ਹਾਂ ਦੇ ਨਾਲ x²-4=0 ਲਈ ±2) ਸਭ ਤੋਂ ਸਸਤਾ ਅਤੇ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਸਦੀਕ ਹੈ। ਜੇਕਰ ਕੋਡ ਜਾਣੀ-ਪਛਾਣੀ ਸਥਿਤੀ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਿੰਦਾ ਹੈ, ਤਾਂ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਲਈ ਭਰੋਸੇਯੋਗ ਹੋਣ ਦੀ ਸੰਭਾਵਨਾ ਵਧ ਜਾਂਦੀ ਹੈ ਜੋ ਤੁਸੀਂ ਨਹੀਂ ਜਾਣਦੇ ਹੋ।
9. ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਵਿੱਚ, ਤੁਸੀਂ ਕਿਵੇਂ ਜਾਂਚ ਕਰਦੇ ਹੋ ਕਿ ਇੱਕ ਗ੍ਰਾਫ ਗਣਿਤ ਨੂੰ ਸਹੀ ਢੰਗ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ?
- A) ਜੇਕਰ ਗ੍ਰਾਫ ਸੁਹਜ ਪੱਖੋਂ ਪ੍ਰਸੰਨ ਲੱਗਦਾ ਹੈ, ਤਾਂ ਇਸਨੂੰ ਸਹੀ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ।
- B) ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਦੇ ਸਹੀ ਮੁੱਲ ਨਾਲ ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ✔
- C) ਧੁਰੇ ਦੇ ਲੇਬਲਾਂ ਨੂੰ ਬਿਲਕੁਲ ਨਹੀਂ ਦੇਖ ਰਿਹਾ
- ਡੀ) ਗ੍ਰਾਫ ਦੇ AI ਦੇ ਮੌਖਿਕ ਵਰਣਨ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
ਸਪੱਸ਼ਟੀਕਰਨ: ਇੱਕ ਗ੍ਰਾਫਿਕ ਜੋ ਵਧੀਆ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਸਹੀ ਹੋਣਾ ਜ਼ਰੂਰੀ ਨਹੀਂ ਹੈ; AI ਗਲਤ ਫੰਕਸ਼ਨ, ਗਲਤ ਰੇਂਜ ਵਿੱਚ, ਜਾਂ ਇੱਕ ਵਿਗਾੜਿਤ ਅਸਿੰਪਟੋਟ ਨਾਲ ਖਿੱਚ ਸਕਦਾ ਹੈ। ਫੰਕਸ਼ਨ ਦੀਆਂ ਜਾਣੀਆਂ-ਪਛਾਣੀਆਂ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ (ਔਸਿਲੇਸ਼ਨ ਰੇਂਜ, ਸਮਰੂਪਤਾ, ਅਸਿੰਪਟੋਟ) ਨਾਲ ਗ੍ਰਾਫ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬਿੰਦੂ ਗਣਨਾ ਗਲਤੀਆਂ ਨੂੰ ਫੜਦੀ ਹੈ।
10. ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਤਿਆਰ ਕੀਤੇ ਗਏ ਕੋਰਸ ਸਮੱਗਰੀ ਵਿੱਚ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਤਸਦੀਕ ਬਿੰਦੂ ਕੀ ਹੈ ਅਤੇ ਕਿਉਂ?
- ਏ) ਸਮੱਗਰੀ ਦਾ ਫੌਂਟ ਅਤੇ ਰੰਗ ਸਕੀਮ
- ਅ) ਸਮੱਗਰੀ ਦੀ ਲੰਬਾਈ ਅਤੇ ਪੰਨਿਆਂ ਦੀ ਗਿਣਤੀ
- C) ਹੱਲ ਕੀਤੇ ਉਦਾਹਰਨਾਂ ਦੀ ਸ਼ੁੱਧਤਾ; ਕਿਉਂਕਿ ਵਿਦਿਆਰਥੀ ਉਹਨਾਂ ਨੂੰ ਮਾਡਲ ਵਜੋਂ ਲੈਂਦੇ ਹਨ ਅਤੇ ਗਲਤ ਉਦਾਹਰਣ ਅਤੇ ਗਲਤ ਢੰਗ ਸਿਖਾਉਂਦੇ ਹਨ ✔
- ਡੀ) ਸਮੱਗਰੀ ਕਿੰਨੀ ਜਲਦੀ ਪੈਦਾ ਹੁੰਦੀ ਹੈ
ਵਿਆਖਿਆ: ਵਿਦਿਆਰਥੀਆਂ ਦੁਆਰਾ ਹੱਲ ਕੀਤੀਆਂ ਉਦਾਹਰਣਾਂ ਨੂੰ ਮਾਡਲ ਵਜੋਂ ਲਿਆ ਜਾਂਦਾ ਹੈ; ਗਲਤ ਢੰਗ ਨਾਲ ਹੱਲ ਕੀਤੀ ਗਈ ਉਦਾਹਰਣ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਗਲਤ ਢੰਗ ਸਿਖਾਉਂਦੀ ਹੈ। ਇਸ ਲਈ, ਹਰੇਕ ਹੱਲ ਕੀਤੀ ਉਦਾਹਰਨ ਨੂੰ ਵੱਖਰੇ ਤੌਰ 'ਤੇ, ਕਦਮ ਦਰ ਕਦਮ, ਜਾਂ ਤਾਂ SymPy ਨਾਲ ਜਾਂ ਹੱਥੀਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਵਿਸ਼ੇ ਦੀ ਵਿਆਖਿਆ ਵਿੱਚ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਅਸਪਸ਼ਟਤਾ ਦੀ ਭਰਪਾਈ ਕੀਤੀ ਜਾ ਸਕਦੀ ਹੈ, ਪਰ ਗਲਤ ਉਦਾਹਰਨ ਕੈਸਕੇਡਿੰਗ ਨੁਕਸਾਨ ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ।
11. ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਬਹੁ-ਚੋਣ ਪ੍ਰਸ਼ਨ ਸੈੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਸਭ ਤੋਂ ਕੁਸ਼ਲ ਅਤੇ ਭਰੋਸੇਮੰਦ ਤਰੀਕਾ ਕੀ ਹੈ?
- ਏ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਇੱਕ ਵਾਰ ਫਿਰ ਪੁੱਛਣਾ ਕਿ ਕੀ ਸਵਾਲ ਸਹੀ ਹਨ
- ਅ) ਬੇਤਰਤੀਬੇ ਸਿਰਫ ਕੁਝ ਸਵਾਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਬਾਕੀ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ
- C) ਉੱਤਰ ਕੁੰਜੀ ਦੀ ਵਰਤੋਂ ਜਿਵੇਂ ਕਿ ਇਹ ਬਿਨਾਂ ਕਿਸੇ ਜਾਂਚ ਦੇ ਹੈ
- D) SymPy ਨਾਲ ਸਾਰੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਵਾਲੇ ਕੋਡ ਨੂੰ ਛਾਪਣ ਅਤੇ ਚਲਾ ਕੇ ਸਮੂਹਿਕ ਤੌਰ 'ਤੇ ਅਤੇ ਨਿਰਧਾਰਿਤ ਤੌਰ 'ਤੇ ਉੱਤਰ ਕੁੰਜੀ ਦੀ ਜਾਂਚ ਕਰਨਾ ✔
ਵਿਆਖਿਆ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਅਕਸਰ ਗਲਤੀਆਂ ਕਰਦੀ ਹੈ ਜਿਵੇਂ ਕਿ ਜਵਾਬ ਕੁੰਜੀ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਨਿਸ਼ਾਨ ਲਗਾਉਣਾ ਅਤੇ ਕਈ/ਜ਼ੀਰੋ ਸਹੀ ਵਿਕਲਪ ਪੈਦਾ ਕਰਨਾ। ਇੱਕ ਕੋਡ ਲਿਖਣਾ ਅਤੇ ਚਲਾਉਣਾ ਜੋ SymPy ਦੇ ਨਾਲ ਇੱਕ ਵਾਰ ਵਿੱਚ ਸਾਰੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਹੱਲ ਕਰਦਾ ਹੈ ਉੱਤਰ ਕੁੰਜੀ ਨੂੰ ਨਿਰਧਾਰਿਤ ਅਤੇ ਬਲਕ ਵਿੱਚ ਜਾਂਚਣ ਦਾ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਤਰੀਕਾ ਹੈ।
12. ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਮੁੱਖ ਕਾਰਨ ਹੈ ਕਿ ਨਕਲੀ ਬੁੱਧੀ ਗਣਿਤ ਵਿੱਚ ਗਲਤੀਆਂ ਕਿਉਂ ਕਰਦੀ ਹੈ?
- ਏ) ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਹੈ; ਲਾਜ਼ੀਕਲ ਵੈਧਤਾ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰਦਾ, ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਟੈਕਸਟ ਤਿਆਰ ਕਰਦਾ ਹੈ ✔
- ਅ) ਨਕਲੀ ਬੁੱਧੀ ਨੇ ਕਦੇ ਵੀ ਗਣਿਤ ਨਹੀਂ ਸਿੱਖਿਆ ਹੈ
- C) ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਜਾਣਬੁੱਝ ਕੇ ਗਲਤ ਜਵਾਬ ਦੇਣ ਲਈ ਪ੍ਰੋਗਰਾਮ ਕੀਤਾ ਗਿਆ ਹੈ
- ਡੀ) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਸਿਰਫ ਬਹੁਤ ਮੁਸ਼ਕਲ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਕਰਦੀ ਹੈ, ਕਦੇ ਵੀ ਆਸਾਨ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਨਹੀਂ।
ਵਰਣਨ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਤਰਕ ਇੰਜਣ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ ਹੈ ਜੋ ਅੰਕੜਿਆਂ ਦੇ ਪੈਟਰਨਾਂ ਨਾਲ ਟੈਕਸਟ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਕਦਮਾਂ ਦੀ ਲਾਜ਼ੀਕਲ ਵੈਧਤਾ ਦੀ ਜਾਂਚ ਕਰਨ ਲਈ ਇਸ ਕੋਲ ਕੋਈ ਅੰਦਰੂਨੀ ਵਿਧੀ ਨਹੀਂ ਹੈ। '3-ਅੰਕ ਦੇ ਗੁਣਾ' ਵਾਲਾ 'ਇੱਕ ਪ੍ਰਮਾਣਿਕ ਸਬੂਤ' ਉਸ ਲਈ ਇੱਕੋ ਕਿਸਮ ਦਾ ਪਾਠ ਬਣਾਉਣ ਦਾ ਕੰਮ ਹੈ, ਇਸ ਲਈ ਇਸਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਦਿੱਤੀ ਜਾ ਸਕਦੀ।
13. ਜਦੋਂ ਇੱਕ ਸੰਭਾਵੀ ਸਮੱਸਿਆ ਦਾ ਨਤੀਜਾ 1.4 ਹੈ, ਤਾਂ ਤੁਸੀਂ ਵਿਸਥਾਰ ਵਿੱਚ ਜਾਣ ਤੋਂ ਬਿਨਾਂ ਕਿਵੇਂ ਜਾਣਦੇ ਹੋ ਕਿ ਕੋਈ ਗਲਤੀ ਹੈ?
- A) ਗਣਨਾ ਸਹੀ ਹੈ ਕਿਉਂਕਿ ਨਤੀਜਾ 1.4 ਹੈ, ਸੰਭਾਵਨਾ 1 ਤੋਂ ਵੱਧ ਹੋ ਸਕਦੀ ਹੈ
- ਅ) ਸੰਭਾਵੀ ਦਾ ਚਿੰਨ੍ਹ ਗੈਰ-ਮਹੱਤਵਪੂਰਨ ਹੈ, ਮੁੱਲ ਨੂੰ ਪਰਵਾਹ ਕੀਤੇ ਬਿਨਾਂ ਸਵੀਕਾਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ
- ਗ) ਇਹ ਨਹੀਂ ਸਮਝਿਆ ਜਾਂਦਾ ਹੈ ਕਿ ਕੋਈ ਗਲਤੀ ਹੈ, ਨਤੀਜਾ ਅੰਤਿਮ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ.
- D) ਸੰਭਾਵਨਾ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ✔ ਕਾਮਨ ਸੈਂਸ ਟੈਸਟਿੰਗ ਇੱਕ ਗਲਤੀ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿਉਂਕਿ 1.4 ਇਸ ਸੀਮਾ ਤੋਂ ਵੱਧ ਹੈ
ਵਰਣਨ: ਤੀਬਰਤਾ ਟੈਸਟ ਦੀ ਆਮ ਸਮਝ ਅਤੇ ਕ੍ਰਮ ਸਕਿੰਟਾਂ ਦੇ ਅੰਦਰ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਨਤੀਜਾ ਇੱਕ ਵਾਜਬ ਸੀਮਾ ਦੇ ਅੰਦਰ ਹੈ ਜਾਂ ਨਹੀਂ। ਪਰਿਭਾਸ਼ਾ ਅਨੁਸਾਰ ਇੱਕ ਸੰਭਾਵਨਾ 0 ਅਤੇ 1 ਦੇ ਵਿਚਕਾਰ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; 1.4 ਇਸ ਸੀਮਾ ਤੋਂ ਬਾਹਰ ਹੈ, ਇਸ ਲਈ ਇਹ ਸਪੱਸ਼ਟ ਹੈ ਕਿ ਗਣਨਾ ਦੇ ਵੇਰਵਿਆਂ ਨੂੰ ਦੇਖੇ ਬਿਨਾਂ ਗਲਤੀ ਹੈ।
14. LaTeX ਵਿੱਚ 'e^x^2' ਦੀ ਬਜਾਏ 'e^{x^2}' ਲਿਖਣਾ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਹੈ?
- ਏ) ਉਹ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹੇ ਹਨ, ਫਰਕ ਸਿਰਫ ਸੁਹਜ ਹੈ
- ਅ) ਕਰਲੀ ਬਰੈਕਟਸ ਘਾਤਕ ਦਾ ਘੇਰਾ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ; ਇਸਦੇ ਬਿਨਾਂ ਸਮੀਕਰਨ ਗਲਤ ਜਾਂ ਅਸਪਸ਼ਟ ਹੋਵੇਗਾ, ਇਸਲਈ ਬਹੁ-ਅੱਖਰ ਘਾਤਕ {} ਜ਼ਰੂਰੀ ਹੈ ✔
- C) LaTeX ਵਿੱਚ ਕਰਲੀ ਬਰੈਕਟ ਬੇਕਾਰ ਹਨ
- D) 'e^x^2' ਹਮੇਸ਼ਾ ਸਹੀ ਹੁੰਦਾ ਹੈ, '{}' ਦੀ ਵਰਤੋਂ ਬੇਲੋੜੀ ਹੈ
ਵਿਆਖਿਆ: LaTeX ਵਿੱਚ ਸਭ ਤੋਂ ਆਮ ਗਲਤੀ ਸਕੋਪ ਐਰਰ ਹੈ: ਜੇਕਰ ਕਰਲੀ ਬਰੈਕਟਸ '{}' ਇੱਕ ਬਹੁ-ਅੱਖਰ ਘਾਤਕ, ਸਬਸਕ੍ਰਿਪਟ ਜਾਂ ਫਰੈਕਸ਼ਨ ਵਿੱਚ ਨਹੀਂ ਵਰਤੇ ਜਾਂਦੇ ਹਨ, ਤਾਂ ਸਿਰਫ ਪਹਿਲਾ ਅੱਖਰ ਹੀ ਕਵਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਸਮੀਕਰਨ ਗਲਤ (ਜਾਂ ਅਸਪਸ਼ਟ) ਹੋ ਜਾਂਦਾ ਹੈ। 'e^{x^2}' ਇਹ ਸਪੱਸ਼ਟ ਕਰਦਾ ਹੈ ਕਿ ਪੂਰਾ ਘਾਤਕ x² ਹੈ; ਕੋਡ ਨੂੰ ਵਿਜ਼ੂਅਲ ਨਿਰੀਖਣ ਦੁਆਰਾ ਰੈਂਡਰ ਅਤੇ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।
15. ਤੁਸੀਂ ਇੱਕ ਸਰਗਰਮ ਕੇਂਦਰੀ ਪ੍ਰੀਖਿਆ ਦੇ ਪ੍ਰਸ਼ਨਾਂ ਨੂੰ ਨਕਲੀ ਬੁੱਧੀ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਚਾਹੁੰਦੇ ਹੋ। ਨੈਤਿਕਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਸਭ ਤੋਂ ਵਧੀਆ ਪਹੁੰਚ ਕੀ ਹੈ?
- A) ਕਿਸੇ ਵੀ ਆਮ AI ਟੂਲ ਵਿੱਚ ਸੁਤੰਤਰ ਰੂਪ ਵਿੱਚ ਪ੍ਰਸ਼ਨ ਦਾਖਲ ਕਰਨਾ ਕਿਉਂਕਿ ਗਣਿਤ ਵਿੱਚ ਗੁਪਤ ਡੇਟਾ ਨਹੀਂ ਹੁੰਦਾ ਹੈ
- ਅ) ਇਮਤਿਹਾਨ ਵਿੱਚ ਪ੍ਰਸ਼ਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਉਹਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ
- C) ਇੱਕ ਸੁਰੱਖਿਅਤ/ਦੇਸੀ ਟੂਲ (ਜਿਵੇਂ ਕਿ SymPy) ਨਾਲ ਸਵਾਲਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਜਾਂ ਸਿਰਫ਼ ਗੋਪਨੀਯਤਾ-ਭਰੋਸੇ ਵਾਲੇ ਐਂਟਰਪ੍ਰਾਈਜ਼ ਟੂਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ✔
- ਡੀ) ਸੋਸ਼ਲ ਮੀਡੀਆ 'ਤੇ ਸਵਾਲ ਸਾਂਝੇ ਕਰਨਾ ਅਤੇ ਦੂਜਿਆਂ ਨੂੰ ਨਿਯੰਤਰਣ ਲਈ ਪੁੱਛਣਾ
ਵਰਣਨ: ਸਰਗਰਮ ਪ੍ਰੀਖਿਆ ਸਵਾਲ ਸੰਵੇਦਨਸ਼ੀਲ ਹੁੰਦੇ ਹਨ; ਇਹ ਸਿਧਾਂਤਕ ਤੌਰ 'ਤੇ ਉਦੋਂ ਸਾਹਮਣੇ ਆ ਸਕਦਾ ਹੈ ਜਦੋਂ ਇੱਕ ਨਕਲੀ ਖੁਫੀਆ ਟੂਲ ਜਿਸ ਦੀ ਗੁਪਤਤਾ ਦੀ ਗਰੰਟੀ ਨਹੀਂ ਹੈ ਹੈਕ ਹੋ ਜਾਂਦੀ ਹੈ। ਸਹੀ ਪਹੁੰਚ ਜਾਂ ਤਾਂ ਇੱਕ ਸੁਰੱਖਿਅਤ/ਦੇਸੀ ਟੂਲ (ਜਿਵੇਂ ਕਿ SymPy ਵਿੱਚ ਇੱਕ ਸਹਿਕਰਮੀ ਦੇ ਨਾਲ) ਨਾਲ ਸਵਾਲਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਕਾਰਪੋਰੇਟ-ਪ੍ਰਮਾਣਿਤ, ਡੇਟਾ ਗੋਪਨੀਯਤਾ-ਵਿਸ਼ਵਾਸ ਵਾਲੇ ਸਾਧਨਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ।