ਲਾਭ:
- ਭਾਸ਼ਾ ਮਾਡਲ ਦੇ ਮੌਖਿਕ ਅੰਦਾਜ਼ੇ ਦੀ ਬਜਾਏ ਚਲਾਇਆ ਗਿਆ ਪਾਈਥਨ ਕੋਡ 'ਤੇ ਸੰਖਿਆਤਮਕ ਨਤੀਜਿਆਂ ਨੂੰ ਆਧਾਰ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ
- ਸਟੋਈਚਿਓਮੈਟਰੀ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਅਤੇ ਡੇਟਾ ਕਲੀਨਿੰਗ ਕੋਡ ਨੂੰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਲਿਖਣ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬਾਂ ਵਾਲੇ ਨਮੂਨਿਆਂ ਨਾਲ ਇਸਦੀ ਜਾਂਚ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
- ਹਮੇਸ਼ਾ ਯੂਨਿਟਾਂ ਨੂੰ ਨਿਰਧਾਰਿਤ ਕਰਕੇ ਅਤੇ ਉਹਨਾਂ ਦੇ ਆਰਡਰ ਦੀ ਜਾਂਚ ਕਰਕੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਰੋਕਣ ਦੀ ਸਮਰੱਥਾ
ਕੈਮਿਸਟਰੀ ਸੰਖਿਆਵਾਂ ਨਾਲ ਭਰੀ ਹੋਈ ਹੈ: ਤੋਲ, ਆਇਤਨ, ਸਮਾਈ ਮੁੱਲ, ਪੈਦਾਵਾਰ, ਗਾੜ੍ਹਾਪਣ। ਇਸ ਡੇਟਾ ਨੂੰ ਹੱਥੀਂ ਪ੍ਰੋਸੈਸ ਕਰਨਾ ਹੌਲੀ ਅਤੇ ਗਲਤੀ-ਪ੍ਰਵਾਨ ਹੈ। ਏਆਈ ਇੱਥੇ ਦੋ ਪ੍ਰਮੁੱਖ ਸੇਵਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ: (1) ਪਾਈਥਨ ਕੋਡ ਲਿਖਦਾ ਹੈ ਜੋ ਡੇਟਾ ਨੂੰ ਪ੍ਰੋਸੈਸ ਕਰਦਾ ਹੈ, (2) ਉਸ ਕੋਡ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ (ਇੱਕ ਵਾਤਾਵਰਣ ਵਿੱਚ ਜੋ ਕੋਡ ਚਲਾ ਸਕਦਾ ਹੈ) ਅਤੇ ਇੱਕ ਨਿਰਣਾਇਕ ਨਤੀਜਾ ਦਿੰਦਾ ਹੈ। ਨਾਜ਼ੁਕ ਸਿਧਾਂਤ ਇਹ ਹੈ: ਗਣਨਾ ਨੂੰ ਲਾਗੂ ਕੀਤੇ ਕੋਡ ਦੇ ਆਉਟਪੁੱਟ 'ਤੇ ਛੱਡੋ, ਭਾਸ਼ਾ ਮਾਡਲ ਦੀ "ਮੌਖਿਕ ਭਵਿੱਖਬਾਣੀ" 'ਤੇ ਨਹੀਂ। ਭਾਸ਼ਾ ਮਾਡਲ "142 × 0.05 ਕੀ ਹੈ?" ਕਈ ਵਾਰ ਸਵਾਲ ਦਾ ਜਵਾਬ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ; ਪਰ ਪਾਈਥਨ ਲਾਈਨ ਜੋ ਉਹ ਲਿਖਦਾ ਹੈ ਹਮੇਸ਼ਾ ਸਹੀ ਗਣਨਾ ਕਰਦਾ ਹੈ। ਇਸ ਯੂਨਿਟ ਵਿੱਚ, ਅਸੀਂ ਇਸ ਦਰਸ਼ਨ ਦੇ ਨਾਲ AI ਦੇ ਨਾਲ ਰਸਾਇਣਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਿੱਖਾਂਗੇ।
ਕੋਡ ਜ਼ੁਬਾਨੀ ਅਨੁਮਾਨ ਲਗਾਉਣ ਨਾਲੋਂ ਬਿਹਤਰ ਕਿਉਂ ਹੈ?
ਇੱਕ ਭਾਸ਼ਾ ਮਾਡਲ "ਸੰਭਾਵੀ ਨਤੀਜੇ ਦੀ ਭਵਿੱਖਬਾਣੀ" ਦੁਆਰਾ ਗਣਿਤ ਕਰਦਾ ਹੈ; ਇਸ ਲਈ ਇਹ ਵੱਡੀਆਂ ਸੰਖਿਆਵਾਂ ਜਾਂ ਬਹੁ-ਪੜਾਵੀ ਕੈਲਕੂਲਸ ਨਾਲ ਗਲਤ ਹੋ ਸਕਦਾ ਹੈ। ਜਦੋਂ ਕਿ ਪਾਈਥਨ ਵਿੱਚ ਸਮੀਕਰਨ 142 * 0.05 ਨਿਰਣਾਇਕ ਹੈ: ਇਹ ਹਮੇਸ਼ਾ 7.1 ਵਾਪਸ ਕਰਦਾ ਹੈ। ਇਸ ਲਈ ਰਣਨੀਤੀ: AI ਨੂੰ ਗਣਨਾ ਨਾ ਕਰੋ, ਗਣਨਾ ਦੇ ਕੋਡ ਨੂੰ ਛਾਪੋ ਅਤੇ ਕੋਡ ਚਲਾਓ। ਇਸ ਲਈ ਤੁਸੀਂ ਏਆਈ (ਕੋਡ ਬਣਾਉਣਾ) ਦੀ ਰਚਨਾਤਮਕਤਾ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋ ਅਤੇ ਅਵਿਸ਼ਵਾਸਯੋਗ ਪਾਸੇ (ਸਿਰ ਅੰਕਗਣਿਤ) ਨੂੰ ਅਸਮਰੱਥ ਕਰਦੇ ਹੋ.
ਸੁਝਾਅ: ਜਦੋਂ ਤੁਸੀਂ ਇੱਕ AI ਤੋਂ ਸੰਖਿਆਤਮਕ ਨਤੀਜਾ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹੋ, ਤਾਂ ਕਹੋ "ਇਸ ਨੂੰ ਪਾਈਥਨ ਦੀ ਇੱਕ ਲਾਈਨ ਨਾਲ ਪੇਸ਼ ਕਰੋ।" ਕੋਡ ਖੁਦ ਖਾਤੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਇਸਨੂੰ ਚਲਾਉਣ ਅਤੇ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਕੋਈ ਕੋਡ ਦਿਖਾਈ ਨਹੀਂ ਦਿੰਦਾ, ਤਾਂ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਨਾ ਕਰੋ।
ਕੈਮਿਸਟਰੀ ਵਿੱਚ ਆਮ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਾਰਜ
- ਸਟੋਈਚਿਓਮੈਟਰੀ: ਮੋਲ, ਪੁੰਜ, ਸੀਮਤ ਰੀਐਜੈਂਟ, ਸਿਧਾਂਤਕ ਉਪਜ, ਪ੍ਰਤੀਸ਼ਤ ਉਪਜ ਗਣਨਾ।
- ਇਕਾਗਰਤਾ: ਮੋਲਾਰਿਟੀ, ਪਤਲਾ (M1V1 = M2V2), ppm ਪਰਿਵਰਤਨ।
- ਕੈਲੀਬ੍ਰੇਸ਼ਨ: ਬੀਅਰ-ਲੈਂਬਰਟ ਕਾਨੂੰਨ (ਜਜ਼ਬਤਾ ∝ ਇਕਾਗਰਤਾ) ਦੇ ਨਾਲ ਇੱਕ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਲਾਈਨ ਖਿੱਚਣਾ ਅਤੇ ਅਣਜਾਣ ਦੀ ਗਣਨਾ ਕਰਨਾ।
- ਡੇਟਾ ਕਲੀਨਿੰਗ: ਪਾਂਡਾ ਦੇ ਨਾਲ ਮਾਪ ਟੇਬਲ ਨੂੰ ਪੜ੍ਹਨਾ, ਆਊਟਲੀਅਰ ਫਲੈਗ ਕਰਨਾ, ਮਤਲਬ/ਮਿਆਰੀ ਭਟਕਣਾ।
- ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ: ਡਰਾਇੰਗ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕਰਵ, ਕੈਨੇਟਿਕਸ ਗ੍ਰਾਫ, ਟਾਈਟਰੇਸ਼ਨ ਕਰਵ।
ਕਦਮ ਦਰ ਕਦਮ: ਏਆਈ ਨਾਲ ਸੁਰੱਖਿਅਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ
- ਡੇਟਾ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ: ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਕਾਲਮ, ਇਕਾਈਆਂ, ਨਮੂਨਾ ਕਤਾਰਾਂ ਦਿਓ। ਜੇ ਕੋਈ ਇਕਾਈ ਨਹੀਂ ਹੈ, ਤਾਂ AI ਧਾਰਨਾਵਾਂ ਬਣਾਉਂਦਾ ਹੈ।
- ਕੋਡ ਲਈ ਪੁੱਛੋ, ਨਤੀਜੇ ਨਹੀਂ: ਕਹੋ "ਪਾਂਡਾ/ਨਮਪੀ ਕੋਡ ਲਿਖੋ ਜੋ ਇਸਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ"।
- ਕੋਡ ਚਲਾਓ: ਇਸਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਓ ਜਾਂ ਅਜਿਹੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਓ ਜੋ ਕੋਡ ਚਲਾ ਸਕਦਾ ਹੈ।
- ਸਧਾਰਨ ਕੇਸ ਨਾਲ ਟੈਸਟ ਕਰੋ: ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਉਦਾਹਰਣ ਦੇ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ ਜਿੱਥੇ ਤੁਸੀਂ ਜਵਾਬ ਜਾਣਦੇ ਹੋ।
- ਯੂਨਿਟ ਅਤੇ ਕ੍ਰਮ ਦੀ ਜਾਂਚ: ਕੀ ਨਤੀਜੇ ਦੀ ਇਕਾਈ ਅਤੇ ਵਿਸ਼ਾਲਤਾ ਭੌਤਿਕ ਤੌਰ 'ਤੇ ਵਾਜਬ ਹੈ?
- ਦਸਤਾਵੇਜ਼: ਪ੍ਰਯੋਗ ਨੋਟਬੁੱਕ (ਯੂਨਿਟ 8) ਵਿੱਚ ਕੋਡ ਅਤੇ ਆਉਟਪੁੱਟ ਸ਼ਾਮਲ ਕਰੋ।
ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ
1) ਸਟੋਈਚਿਓਮੈਟਰੀ ਅਤੇ ਪ੍ਰਤੀਸ਼ਤ ਉਪਜ:
ਪ੍ਰਤੀਕ੍ਰਿਆ: ਸੈਲੀਸਿਲਿਕ ਐਸਿਡ (MA 138.12) + ਐਸੀਟਿਕ ਐਨਹਾਈਡਰਾਈਡ -> ਐਸਪੀਰੀਨ (ਐਮਏ 180.16)। ਡੇਟਾ: 2.00 ਗ੍ਰਾਮ ਸੇਲੀਸਾਈਲਿਕ ਐਸਿਡ ਵਰਤਿਆ ਗਿਆ ਸੀ, ਐਸੀਟਿਕ ਐਨਹਾਈਡਰਾਈਡ ਜ਼ਿਆਦਾ ਸੀ। ਐਸਪੀਰੀਨ ਪ੍ਰਾਪਤ ਕੀਤੀ ਗਈ: 2.15 ਗ੍ਰਾਮ। ਟਾਸਕ: ਪਾਈਥਨ ਕੋਡ ਲਿਖੋ ਜੋ ਪਰਸੈਂਟੀਕਲ ਕੋਡ ਅਤੇ ਡੀ. ਵੇਰੀਏਬਲ ਦੇ ਰੂਪ ਵਿੱਚ ਅਣੂ ਵਜ਼ਨ, ਨਤੀਜੇ ਨੂੰ ਯੂਨਿਟਾਂ ਵਿੱਚ ਛਾਪੋ। ਸਿਰ ਵਿੱਚ ਗਣਨਾ ਨਾ ਕਰੋ; ਸਿਰਫ਼ ਐਗਜ਼ੀਕਿਊਟੇਬਲ ਕੋਡ ਦਿਓ।
2) ਬੀਅਰ-ਲੈਂਬਰਟ ਕੈਲੀਬ੍ਰੇਸ਼ਨ:
ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਡੇਟਾ (ਇਕਾਗਰਤਾ/L -> ਸਮਾਈ): 0.00->0.02, 0.02->0.21, 0.04->0.40, 0.06->0.62, 0.08->0.79। ਅਗਿਆਤ ਨਮੂਨਾ ਸਮਾਈ: 0.50. ਟਾਸਕ: numpy.polyfit, ਢਲਾਨ/ਇੰਟਰਸੈਪਟ ਨਾਲ ਲੀਨੀਅਰ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕਰੋ ਅਤੇ R^2 ਦੀ ਗਣਨਾ ਕਰੋ, ਅਣਜਾਣ ਇਕਾਗਰਤਾ ਲੱਭੋ। matplotlib ਨਾਲ ਡੇਟਾ + ਫਿੱਟ ਲਾਈਨ ਨੂੰ ਪਲਾਟ ਕਰੋ।
3) ਪਾਂਡਾ ਦੇ ਨਾਲ ਮਾਪ ਚਾਰਟ:
ਮੇਰੇ ਕੋਲ ਇੱਕ CSV ਹੈ: ਕਾਲਮ = ਨਮੂਨਾ, weigh_g, volume_mL, absorbance. ਕਾਰਜ: ਪਾਂਡਾ ਦੇ ਨਾਲ ਪੜ੍ਹੋ, ਹਰੇਕ ਨਮੂਨੇ ਲਈ ਇਕਾਗਰਤਾ (g/L) ਦੀ ਗਣਨਾ ਕਰੋ, ਗਲਤ ਦੇ ਰੂਪ ਵਿੱਚ ਸਮਾਈ <0 ਨਾਲ ਕਤਾਰਾਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕਰੋ, ਸਮੂਹਾਂ ਦੇ ਮੱਧਮਾਨ ਅਤੇ std ਵਿਵਹਾਰ ਨੂੰ ਪ੍ਰਿੰਟ ਕਰਨ ਲਈ ਕੋਡ ਦਿਓ। ਟਿੱਪਣੀ ਲਾਈਨ ਦੇ ਨਾਲ ਇਕਾਈਆਂ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰੋ।
4) ਪਤਲਾ ਖਾਤਾ ਤਸਦੀਕ:
ਮੈਂ 0.5 M ਸਟਾਕ ਘੋਲ ਤੋਂ 100 mL 0.05 M ਘੋਲ ਤਿਆਰ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹਾਂ। ਟਾਸਕ: Python ਲਾਈਨ ਲਿਖੋ ਜੋ M1V1=M2V2 ਨਾਲ ਲੋੜੀਂਦੇ ਸਟਾਕ ਵਾਲੀਅਮ ਦੀ ਗਣਨਾ ਕਰਦੀ ਹੈ। ਨਤੀਜੇ ਨੂੰ mL ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰੋ ਅਤੇ ਇੱਕ ਟਿੱਪਣੀ ਵਜੋਂ ਪੁਸ਼ਟੀ ਕਰੋ ਕਿ ਤਰਕ ਜਾਂਚ ਲਈ 10-ਗੁਣਾ ਪਤਲਾ ਹੋਣ ਦੀ ਉਮੀਦ ਹੈ।
ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ
ਕਮਜ਼ੋਰ:
2 ਗ੍ਰਾਮ ਸੈਲੀਸਿਲਿਕ ਐਸਿਡ ਤੋਂ ਕਿੰਨੀ ਐਸਪਰੀਨ ਮਿਲਦੀ ਹੈ?
AI ਸਿਰ ਤੋਂ ਇੱਕ ਨੰਬਰ ਦਿੰਦਾ ਹੈ; ਜੇ ਇਹ ਅਣੂ ਦੇ ਵਜ਼ਨ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਯਾਦ ਰੱਖਦਾ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਵਿਗੜ ਜਾਵੇਗਾ ਅਤੇ ਇਹ ਕਿਵੇਂ ਗਿਣਿਆ ਗਿਆ ਸੀ, ਇਹ ਦਿਖਾਈ ਨਹੀਂ ਦੇਵੇਗਾ।
ਮਜ਼ਬੂਤ:
ਮੰਨ ਲਓ ਸੇਲੀਸਾਈਲਿਕ ਐਸਿਡ MA=138.12, ਐਸਪਰੀਨ MA=180.16, ਪੁੰਜ=2.00 g, ਉਪਜ 100%। ਟਾਸਕ: ਪਾਈਥਨ ਕੋਡ ਲਿਖੋ ਜੋ ਐਸਪਰੀਨ ਦੇ ਸਿਧਾਂਤਕ ਪੁੰਜ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ; ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਟਿੱਪਣੀ ਕਰੋ (ਮੋਲ -> ਮੋਲ -> ਪੁੰਜ), ਨਤੀਜੇ ਨੂੰ g ਵਿੱਚ ਪ੍ਰਿੰਟ ਕਰੋ।
ਅੰਤਰ: ਅਣੂ ਵਜ਼ਨ ਦਿੱਤੇ ਗਏ, ਕੋਡ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਗਈ, ਕਦਮ ਟਿੱਪਣੀ ਕੀਤੀ ਗਈ, ਇਕਾਈ ਨਿਰਧਾਰਤ ਕੀਤੀ ਗਈ। ਨਤੀਜਾ ਸਹੀ ਅਤੇ ਲੇਖਾ-ਜੋਖਾ ਦੋਵੇਂ ਹੁੰਦਾ ਹੈ।
ਮੌਖਿਕ ਪੂਰਵ-ਅਨੁਮਾਨ ਆਦਿ ਲਾਗੂ ਕੀਤਾ ਕੋਡ
ਆਕਾਰ
ਭਾਸ਼ਾ ਮਾਡਲ ਮੌਖਿਕ ਭਵਿੱਖਬਾਣੀ
ਪਾਈਥਨ ਰਨ
ਗਣਿਤ ਦੀ ਸ਼ੁੱਧਤਾ
ਵੇਰੀਏਬਲ, ਗਲਤੀ ਹੋ ਸਕਦੀ ਹੈ
ਨਿਸ਼ਚਿਤ, ਨਿਸ਼ਚਿਤ
ਆਡਿਟਯੋਗਤਾ
ਗਰਭਪਾਤ (ਇਹ ਅਸਪਸ਼ਟ ਹੈ ਕਿ ਇਹ ਕਿਵੇਂ ਬਾਹਰ ਆਇਆ)
ਉੱਚ (ਕੋਡ ਦਿਖਣਯੋਗ)
ਦੁਹਰਾਉਣਯੋਗਤਾ
ਘੱਟ
ਉੱਚ
ਯੂਨਿਟ ਟਰੈਕਿੰਗ
ਕਮਜ਼ੋਰ
ਕੋਡ ਵਿੱਚ ਖੁੱਲ੍ਹਾ ਰੱਖਿਆ ਜਾ ਸਕਦਾ ਹੈ
ਸਹੀ ਵਰਤੋਂ
ਵਿਚਾਰ, ਇਮਾਰਤ ਬਣਤਰ
ਅੰਤਮ ਸੰਖਿਆਤਮਕ ਨਤੀਜਾ
ਮਿੰਨੀ ਕੇਸ
ਕੇਸ 1 - ਮੌਖਿਕ ਅੰਕਗਣਿਤ ਗਲਤੀ। ਇੱਕ ਵਿਦਿਆਰਥੀ AI ਨੂੰ ਪੁੱਛਦਾ ਹੈ "0.0145 mol × 180.16 g/mol?" ਉਸਨੇ ਪੁੱਛਿਆ; “2.72 ਗ੍ਰਾਮ,” ਏਆਈ ਨੇ ਕਿਹਾ। ਅਸਲ ਵਿੱਚ ਇਹ 2.61 ਜੀ. ਜਦੋਂ ਵਿਦਿਆਰਥੀ ਨੇ "ਇਸ ਨੂੰ ਪਾਈਥਨ ਵਿੱਚ ਦਿਖਾਓ" ਕਿਹਾ, ਤਾਂ YZ ਨੇ 0.0145 * 180.16 ਲਿਖਿਆ ਅਤੇ ਇਹ 2,612 ਦੇ ਰੂਪ ਵਿੱਚ ਸਾਹਮਣੇ ਆਇਆ; ਪਹਿਲਾ ਜ਼ੁਬਾਨੀ ਜਵਾਬ ਗਲਤ ਸੀ। ਪਾਠ: ਬਹੁਤ ਸਧਾਰਨ ਗੁਣਾ ਲਈ ਵੀ ਕੋਡ ਨੂੰ ਤਰਜੀਹ ਦਿਓ।
ਕੇਸ 2 - ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਿੱਚ R² ਜਾਂਚ। ਇੱਕ ਉਪਭੋਗਤਾ ਨੇ ਬੀਅਰ-ਲੈਂਬਰਟ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਕੀਤਾ ਸੀ; ਇਹ R² = 0.981 ਨਿਕਲਦਾ ਹੈ। ਏਆਈ ਨੇ "ਰੇਖਿਕ, ਭਰੋਸੇਮੰਦ" ਕਿਹਾ ਪਰ ਸਭ ਤੋਂ ਵੱਧ ਗਾੜ੍ਹਾਪਣ ਵਾਲਾ ਬਿੰਦੂ ਲਾਈਨ (ਸੰਤ੍ਰਿਪਤਾ) ਤੋਂ ਹੇਠਾਂ ਸੀ। ਜਦੋਂ ਉਪਭੋਗਤਾ ਨੇ ਗ੍ਰਾਫ ਦੇਖਿਆ, ਤਾਂ ਇਹ ਲੀਨੀਅਰ ਰੇਂਜ ਦੇ ਸਭ ਤੋਂ ਉੱਚੇ ਬਿੰਦੂ ਨੂੰ ਲੈ ਗਿਆ, R² ਵਧ ਕੇ 0.999 ਹੋ ਗਿਆ। ਪਾਠ: R² ਇਕੱਲਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; ਬਕਾਇਆ/ਪਲਾਟ ਦੇਖੋ।
ਕੇਸ 3 - ਯੂਨਿਟ ਉਲਝਣ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਇਹ ਅਸਪਸ਼ਟ ਸੀ ਕਿ ਕੀ ਇਕਾਗਰਤਾ mg/L ਸੀ ਜਾਂ g/L; AI ਨੇ g/L ਮੰਨਿਆ ਅਤੇ ਨਤੀਜੇ 1000 ਵਾਰ ਗਲਤ ਸਨ। ਇਹ ਉਦੋਂ ਠੀਕ ਕੀਤਾ ਗਿਆ ਸੀ ਜਦੋਂ ਉਪਭੋਗਤਾ ਨੇ ਕਾਲਮ ਯੂਨਿਟ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਨਿਸ਼ਚਿਤ ਕੀਤਾ ਸੀ। ਸਬਕ: ਏਆਈ ਨੂੰ ਮਹਿੰਗਾ ਮੰਨਦੇ ਹੋਏ, ਹਮੇਸ਼ਾ ਯੂਨਿਟ ਨੂੰ ਛੋਟਾ ਕਰੋ।
ਆਮ ਗਲਤੀਆਂ
- ਜ਼ੁਬਾਨੀ ਨੰਬਰ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। ਮਾਨਸਿਕ ਅੰਕਗਣਿਤ ਕਰਨ ਦੀ ਬਜਾਏ ਹਮੇਸ਼ਾਂ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ ਅਤੇ ਚਲਾਓ।
- ਯੂਨਿਟ ਨਿਰਧਾਰਤ ਨਹੀਂ ਕਰ ਰਿਹਾ ਹੈ। mg/L ਨੂੰ g/L ਨਾਲ, mL ਨੂੰ L ਨਾਲ ਮਿਲਾਉਣ ਨਾਲ 1000 ਗੁਣਾ ਗਲਤੀ ਹੁੰਦੀ ਹੈ।
- ਕੋਡ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਉਦਾਹਰਣ ਦੇ ਨਾਲ ਟੈਸਟ ਕੀਤੇ ਬਿਨਾਂ ਵੱਡੇ ਡੇਟਾ ਤੇ ਲਾਗੂ ਕਰਨਾ ਜਿੱਥੇ ਜਵਾਬ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ.
- R² ਨੂੰ ਇਕਮਾਤਰ ਮਾਪਦੰਡ ਵਜੋਂ ਮੰਨਣਾ। ਗੈਰ-ਰੇਖਿਕਤਾ ਬਿੰਦੂਆਂ ਨੂੰ ਗ੍ਰਾਫਿਕ ਤੌਰ 'ਤੇ ਦੇਖੇ ਬਿਨਾਂ ਉਨ੍ਹਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ।
- ਟੈਸਟਰ ਰੀਏਜੈਂਟ ਨੂੰ ਛੱਡੋ। ਸਟੋਈਚਿਓਮੈਟਰੀ ਵਿੱਚ ਸੀਮਿਤ ਰੀਐਜੈਂਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤੇ ਬਿਨਾਂ ਸਿਧਾਂਤਕ ਉਪਜ ਦੀ ਗਣਨਾ ਕਰਨਾ।
- ਮਹੱਤਵਪੂਰਨ ਕਦਮ ਆਉਟਪੋਰਿੰਗ. ਜਦੋਂ ਮਾਪ 3 ਮਹੱਤਵਪੂਰਨ ਅੰਕਾਂ ਦਾ ਹੋਵੇ ਤਾਂ ਨਤੀਜੇ ਨੂੰ 8 ਅੰਕਾਂ 'ਤੇ ਰਿਪੋਰਟ ਕਰਨਾ।
ਸਾਵਧਾਨ: ਏਆਈ ਦੁਆਰਾ ਲਿਖਿਆ ਗਿਆ ਕੋਡ ਵੀ ਨੁਕਸਦਾਰ ਹੋ ਸਕਦਾ ਹੈ (ਗਲਤ ਕਾਲਮ ਨਾਮ, ਗਲਤ ਫਾਰਮੂਲਾ)। ਕੋਡ ਨੂੰ ਚਲਾਉਣਾ ਨਤੀਜਾ ਨਿਰਣਾਇਕ ਬਣਾਉਂਦਾ ਹੈ, ਪਰ ਤੁਹਾਨੂੰ ਇੱਕ ਜਾਣੀ-ਪਛਾਣੀ ਉਦਾਹਰਣ ਨਾਲ ਪੁਸ਼ਟੀ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ ਕਿ ਕੋਡ ਸਹੀ ਚੀਜ਼ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ।
ਸੰਖੇਪ ਵਿੱਚ
- ਸੰਖਿਆਤਮਕ ਨਤੀਜਿਆਂ ਨੂੰ ਚਲਾਇਆ ਗਿਆ ਪਾਈਥਨ ਕੋਡ 'ਤੇ ਛੱਡੋ, ਭਾਸ਼ਾ ਮਾਡਲ ਦੇ ਜ਼ੁਬਾਨੀ ਅੰਦਾਜ਼ੇ 'ਤੇ ਨਹੀਂ।
- AI ਰਸਾਇਣਕ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਸਟੋਈਚਿਓਮੈਟਰੀ, ਕੈਲੀਬ੍ਰੇਸ਼ਨ, ਡੇਟਾ ਕਲੀਨਿੰਗ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਲਈ ਤੇਜ਼ੀ ਨਾਲ ਕੋਡ ਲਿਖਦਾ ਹੈ।
- ਹਮੇਸ਼ਾ ਯੂਨਿਟਾਂ ਨੂੰ ਚਾਲੂ ਕਰੋ; ਯੂਨਿਟ ਉਲਝਣ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਗਲਤੀ ਹੈ.
- ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਿੱਚ R² ਤੋਂ ਇਲਾਵਾ ਰਹਿੰਦ-ਖੂੰਹਦ ਅਤੇ ਗ੍ਰਾਫ ਦੀ ਜਾਂਚ ਕਰੋ।
- ਇੱਕ ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬ ਦੇ ਨਾਲ ਇੱਕ ਸਧਾਰਨ ਉਦਾਹਰਣ ਦੇ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰੋ; ਮਨੁੱਖ ਕੋਡ ਦੀ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ।
ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ
ਇੱਕ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਜਾਂ ਸਟੋਈਚਿਓਮੈਟਰੀ ਡੇਟਾ ਸੈਟ ਰੱਖੋ (ਜੇ ਨਹੀਂ, ਤਾਂ ਉਪਰੋਕਤ ਬੀਅਰ-ਲੈਂਬਰਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ)। ਪਾਈਥਨ ਕੋਡ ਲਈ ਏਆਈ ਨੂੰ ਪੁੱਛੋ ਜੋ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹੈ (ਕੋਡ, ਨਤੀਜਾ ਨਹੀਂ)। ਕੋਡ ਚਲਾਓ; ਫਿਰ ਜਾਣੇ-ਪਛਾਣੇ ਜਵਾਬਾਂ ਦੇ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਇਸ ਦੀ ਜਾਂਚ ਕਰੋ। ਇੱਕੋ ਗਣਨਾ ਲਈ AI ਨੂੰ ਜ਼ਬਾਨੀ ਪੁੱਛੋ ਅਤੇ ਦੋ ਨਤੀਜਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰੋ: ਕੀ ਕੋਈ ਅੰਤਰ ਹੈ? ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਿੱਚ R² ਅਤੇ ਬਕਾਇਆ ਦੇ ਪਲਾਟ ਦੀ ਵਿਆਖਿਆ ਕਰੋ। ਇੱਕ ਦਸਤਾਵੇਜ਼ ਵਿੱਚ ਕੋਡ, ਆਉਟਪੁੱਟ ਅਤੇ ਛੋਟੀ ਟਿੱਪਣੀ ਪਾਓ।
ਚੈੱਕਲਿਸਟ
- [] ਮੈਂ ਕੋਡ ਤੋਂ ਸੰਖਿਆਤਮਕ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹਾਂ, ਜ਼ੁਬਾਨੀ ਅਨੁਮਾਨ ਤੋਂ ਨਹੀਂ।
- [ ] ਮੈਂ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਹਰੇਕ ਡੇਟਾ ਕਾਲਮ ਦੀ ਇਕਾਈ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਇੱਕ ਛੋਟੇ ਨਮੂਨੇ ਨਾਲ ਕੋਡ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹਾਂ ਜਿਸਦਾ ਜਵਾਬ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।
- [ ] ਮੈਂ ਕੈਲੀਬ੍ਰੇਸ਼ਨ ਵਿੱਚ R² ਦੇ ਅੱਗੇ ਬਕਾਇਆ/ਗ੍ਰਾਫ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਸਟੋਈਚਿਓਮੈਟਰੀ ਵਿੱਚ ਸੀਮਿਤ ਰੀਐਜੈਂਟ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹਾਂ।
- [ ] ਮੈਂ ਉਚਿਤ ਮਹੱਤਵਪੂਰਨ ਅੰਕਾਂ ਦੇ ਨਾਲ ਨਤੀਜਿਆਂ ਦੀ ਰਿਪੋਰਟ ਕਰਦਾ ਹਾਂ।