ਐਂਡ-ਟੂ-ਐਂਡ ਐਪਲੀਕੇਸ਼ਨ: ਮੁਲਾਂਕਣ, ਪ੍ਰਮਾਣਿਕਤਾ, ਨੈਤਿਕਤਾ ਅਤੇ ਸੀਮਾਵਾਂ

ਲਾਭ:

• ਇੱਕ ਛੋਟਾ ਟੈਸਟ ਸੈੱਟ (eval) ਸਥਾਪਤ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਇੱਕ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ ਕਰਦਾ ਹੈ
• ਮਨੁੱਖੀ ਤਸਦੀਕ, ਸੀਮਾਵਾਂ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ ਨੂੰ ਵਰਕਫਲੋ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰੋ
• ਭੁਲੇਖੇ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਨੈਤਿਕ ਜੋਖਮਾਂ ਨੂੰ ਪਛਾਣੋ ਅਤੇ ਘਟਾਉਣ ਵਾਲੇ ਉਪਾਵਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ

ਤੁਸੀਂ ਸਹੀ ਮਾਡਲ ਚੁਣਿਆ ਹੈ; ਕੀ ਕੰਮ ਹੋ ਗਿਆ ਹੈ? ਨਹੀਂ, ਅਸਲ ਕੰਮ ਹੁਣ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ। ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਲਗਾਉਣਾ ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ ਦੇ ਵਿਰੁੱਧ ਇਸਦੀ ਜਾਂਚ ਕਰਨ, ਇਸਦੇ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ, ਅਤੇ ਇਸਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਤਿਆਰ ਕਰਨ ਲਈ ਹੇਠਾਂ ਆਉਂਦਾ ਹੈ। ਇਹ ਅੰਤਿਮ ਇਕਾਈ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਅੰਤ-ਤੋਂ-ਅੰਤ ਐਪਲੀਕੇਸ਼ਨ ਵਿੱਚ ਬਦਲ ਦਿੰਦੀ ਹੈ: ਤੁਸੀਂ ਸਿੱਖੋਗੇ ਕਿ ਇੱਕ ਛੋਟਾ ਟੈਸਟ ਸੂਟ (eval), ਮਨੁੱਖੀ ਤਸਦੀਕ ਨੂੰ ਵਰਕਫਲੋ ਵਿੱਚ ਏਮਬੇਡ ਕਿਵੇਂ ਕਰਨਾ ਹੈ, ਭੁਲੇਖੇ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੇ ਜੋਖਮਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਨਾ ਹੈ, ਅਤੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਕਿਵੇਂ ਖਿੱਚਣਾ ਹੈ। ਇੱਕ ਵਾਰ ਯੂਨਿਟ ਦੇ ਮੁਕੰਮਲ ਹੋਣ 'ਤੇ, ਤੁਸੀਂ ਨਾ ਸਿਰਫ਼ ਇੱਕ ਮਾਡਲ ਦੀ ਚੋਣ ਕਰਨ ਲਈ, ਸਗੋਂ ਭਰੋਸੇ ਨਾਲ ਇਸ ਨੂੰ ਚਲਾਉਣ ਲਈ ਵੀ ਲੈਸ ਹੋਵੋਗੇ।

ਮੁਲਾਂਕਣ (ਈਵਲ): ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟਿੰਗ

ਹੁਣ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਸਿਰਫ਼ ਤੁਹਾਡਾ ਅਸਲ ਡਾਟਾ, ਵਿਗਿਆਪਨ ਨਹੀਂ, ਇਹ ਦੱਸ ਸਕਦਾ ਹੈ ਕਿ ਕੀ ਕੋਈ ਮਾਡਲ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਨੂੰ ਫਿੱਟ ਕਰਦਾ ਹੈ। ਇਸ ਨੂੰ ਮਾਪਣ ਦਾ ਤਰੀਕਾ ਹੈ ਇੱਕ ਮੁਲਾਂਕਣ ਸੈੱਟ (eval): ਤੁਹਾਡੇ ਕੰਮ ਤੋਂ ਨਮੂਨਿਆਂ ਦਾ ਇੱਕ ਛੋਟਾ ਜਿਹਾ ਸੰਗ੍ਰਹਿ ਜਿਸ ਲਈ ਸਹੀ ਜਵਾਬ ਜਾਣਿਆ ਜਾਂਦਾ ਹੈ।

ਇੱਕ ਸਧਾਰਨ ਈਵਲ ਇਸ ਤਰ੍ਹਾਂ ਸਥਾਪਤ ਕੀਤਾ ਗਿਆ ਹੈ:

1. 10-30 ਅਸਲੀ ਨਮੂਨੇ ਇਕੱਠੇ ਕਰੋ। ਇਨਪੁਟ ਚੁਣੋ ਜੋ ਤੁਹਾਡੀ ਨੌਕਰੀ ਲਈ ਖਾਸ ਹਨ (ਮੁਸ਼ਕਲ ਅਤੇ ਆਸਾਨ ਨੂੰ ਮਿਲਾਓ)।
2. ਹਰੇਕ ਉਦਾਹਰਨ ਲਈ "ਸਹੀ/ਉਮੀਦ ਕੀਤੀ ਆਉਟਪੁੱਟ" ਨਿਰਧਾਰਤ ਕਰੋ। ਇੱਕ ਮਾਹਰ ਕੀ ਜਵਾਬ ਦੇਵੇਗਾ?
3. ਉਹੀ ਉਦਾਹਰਣਾਂ ਰਾਹੀਂ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਚਲਾਓ। ਉਹਨਾਂ ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਰੋ ਜੋ ਤੁਸੀਂ ਇੱਕੋ ਸੈੱਟ ਨਾਲ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਤੁਲਨਾ ਕਰ ਰਹੇ ਹੋ।
4. ਨਤੀਜੇ ਸਕੋਰ ਕਰੋ. ਕਿੰਨੀਆਂ ਉਦਾਹਰਣਾਂ ਵਿੱਚ ਇਹ ਸੱਚ ਹੈ? ਉਹ ਕਿੱਥੇ ਗਲਤ ਹੋਇਆ? ਕੀ ਗਲਤੀਆਂ ਸਵੀਕਾਰਯੋਗ ਹਨ?
5. ਤੁਲਨਾ ਕਰੋ ਅਤੇ ਚੁਣੋ। ਸਭ ਤੋਂ ਵੱਧ ਸਮੁੱਚਾ ਸਕੋਰ ਨਹੀਂ ਚੁਣੋ, ਪਰ ਤੁਹਾਡੇ ਲਈ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਸਕੋਰ ਚੁਣੋ।

ਸੰਕੇਤ: ਲੀਡਰਬੋਰਡਾਂ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਨਾ ਕਰੋ। ਇੱਕ ਮਾਡਲ ਵਿਸ਼ਵ ਪੱਧਰ 'ਤੇ ਪਹਿਲਾ ਦਰਜਾ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦਾ ਹੈ, ਪਰ ਤੁਹਾਡੇ ਖਾਸ ਤੁਰਕੀ ਕਾਨੂੰਨੀ ਪਾਠਾਂ ਵਿੱਚ ਦੂਜੇ ਸਥਾਨ ਵਾਲੇ ਮਾਡਲ ਨਾਲੋਂ ਮਾੜਾ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਸਕਦਾ ਹੈ। ਤੁਹਾਡੇ ਆਪਣੇ 20 ਨਮੂਨਿਆਂ ਦਾ ਮੁੱਲ ਸੈਂਕੜੇ ਜਨਤਕ ਟੈਸਟਾਂ ਤੋਂ ਵੱਧ ਹੈ।

ਭਰਮ: ਮਾਡਲ ਦਾ ਸਭ ਤੋਂ ਧੋਖੇਬਾਜ਼ ਜੋਖਮ

ਇੱਕ ਭਰਮ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਮਾਡਲ ਇੱਕ ਭਰੋਸੇਮੰਦ ਭਾਸ਼ਾ ਵਿੱਚ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਸੱਚ ਨਹੀਂ ਹੈ। "ਮੈਨੂੰ ਨਹੀਂ ਪਤਾ" ਕਹਿਣ ਦੀ ਬਜਾਏ, ਮਾਡਲ ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਕਨੂੰਨ, ਇੱਕ ਬਣਾਏ ਅੰਕੜੇ, ਜਾਂ ਇੱਕ ਗਲਤ ਮਿਤੀ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ; ਇਸ ਤੋਂ ਇਲਾਵਾ, ਉਹ ਇਹ ਬਹੁਤ ਹੀ ਠੋਸ ਭਾਸ਼ਾ ਵਿੱਚ ਕਰਦਾ ਹੈ। ਇਹ AI ਦਾ ਸਭ ਤੋਂ ਖ਼ਤਰਨਾਕ ਪਹਿਲੂ ਹੈ ਕਿਉਂਕਿ ਗਲਤੀ ਸੱਚਾਈ ਦੇ ਰੂਪ ਵਿੱਚ ਛਾ ਜਾਂਦੀ ਹੈ।

ਤੁਸੀਂ ਭਰਮ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਨਹੀਂ ਕਰ ਸਕਦੇ, ਪਰ ਤੁਸੀਂ ਇਸਨੂੰ ਘਟਾ ਸਕਦੇ ਹੋ ਅਤੇ ਇਸਨੂੰ ਫੜ ਸਕਦੇ ਹੋ:

• ਇਸ ਨੂੰ ਸਰੋਤ 'ਤੇ ਅਧਾਰਤ ਕਰੋ: ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਦਸਤਾਵੇਜ਼ਾਂ ਤੋਂ ਜਵਾਬ ਤਿਆਰ ਕਰਨ ਲਈ ਕਹੋ, ਨਾ ਕਿ ਉਸਦੀ ਆਪਣੀ "ਮੈਮੋਰੀ" (RAG ਤਰਕ) ਤੋਂ।
• ਬੇਨਤੀ ਸਰੋਤ: ਕਹੋ, "ਹਰੇਕ ਦਾਅਵੇ ਦੇ ਅੱਗੇ, ਉਹ ਦਸਤਾਵੇਜ਼/ਸੈਕਸ਼ਨ ਲਿਖੋ ਜਿਸ 'ਤੇ ਇਹ ਅਧਾਰਤ ਹੈ"; ਜੇ ਉਹ ਕੋਈ ਸਰੋਤ ਨਹੀਂ ਦੇ ਸਕਦਾ, ਤਾਂ ਸ਼ੱਕੀ ਬਣੋ।
• ਲੋਕਾਂ ਨੂੰ ਇਹ ਕਹਿਣ ਲਈ ਕਿ ਉਹ ਯਕੀਨੀ ਨਹੀਂ ਹਨ: ਹਦਾਇਤ "ਜੇਕਰ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ, ਤਾਂ 'ਸਪਸ਼ਟ ਨਹੀਂ' ਲਿਖੋ" ਮਾਡਲ ਫਿਟਿੰਗ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।
• ਮਨੁੱਖੀ ਤਸਦੀਕ: ਨਾਜ਼ੁਕ ਆਉਟਪੁੱਟ ਇੱਕ ਮਨੁੱਖ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ।

ਸਾਵਧਾਨ: ਕਨੂੰਨੀ, ਡਾਕਟਰੀ ਜਾਂ ਵਿੱਤੀ ਫੈਸਲਿਆਂ ਲਈ ਇਸ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਕਦੇ ਵੀ ਮਾਡਲ ਆਉਟਪੁੱਟ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ। ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਇੱਕ "ਕਾਨੂੰਨ ਲੇਖ" ਜਾਂ "ਖੁਰਾਕ ਜਾਣਕਾਰੀ" ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਘੜਤ ਹੋ ਸਕਦੀ ਹੈ। ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ, AI ਇੱਕ ਡਰਾਫਟ/ਪ੍ਰੀਲੀਮਿਨਰੀ ਟੂਲ ਹੈ; ਇੱਕ ਕਾਬਲ ਵਿਅਕਤੀ ਕੋਲ ਹਮੇਸ਼ਾ ਆਖਰੀ ਸ਼ਬਦ ਹੁੰਦਾ ਹੈ।

ਮਨੁੱਖੀ ਤਸਦੀਕ ਲਈ ਲੋੜ

ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਸਾਧਨ ਵਜੋਂ ਸਭ ਤੋਂ ਵਧੀਆ ਕੰਮ ਕਰਦੀ ਹੈ ਜੋ ਲੋਕਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦੀ ਹੈ, ਉਹਨਾਂ ਨੂੰ ਕੰਮ ਤੋਂ ਬਾਹਰ ਨਹੀਂ ਕਰਦੀ। ਸਹੀ ਸੈੱਟਅੱਪ ਹੇਠ ਲਿਖੇ ਅਨੁਸਾਰ ਹੈ: ਮਾਡਲ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ ਜਾਂ ਪ੍ਰੀ-ਕੁਆਲੀਫਾਈ ਕਰਦਾ ਹੈ; ਮਨੁੱਖੀ ਸਮੀਖਿਆਵਾਂ, ਸੁਧਾਰ ਅਤੇ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ। ਤਸਦੀਕ ਦੀ ਕਿੰਨੀ ਸਖਤ ਲੋੜ ਹੈ ਇਹ ਗਲਤੀ ਦੀ ਕੀਮਤ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।

ਖੋਜ

ਗਲਤੀ ਦੀ ਲਾਗਤ

ਮਨੁੱਖੀ ਤਸਦੀਕ

ਉਤਪਾਦ ਵਰਣਨ ਡਰਾਫਟ

ਘੱਟ

ਨਮੂਨਾ ਨਿਯੰਤਰਣ ਕਾਫ਼ੀ ਹੈ

ਗਾਹਕ ਈਮੇਲ ਜਵਾਬ

ਮੱਧਮ

ਪ੍ਰੀ-ਸਬਮਿਸ਼ਨ ਸਮੀਖਿਆ

ਕੰਟਰੈਕਟ ਜੋਖਮ ਵਿਸ਼ਲੇਸ਼ਣ

ਉੱਚ

ਲੇਖ ਮਾਹਰ ਪੁਸ਼ਟੀ ਦੁਆਰਾ ਲੇਖ

ਮੈਡੀਕਲ/ਵਿੱਤੀ ਸਲਾਹ

ਬਹੁਤ ਉੱਚਾ

ਪੂਰੀ ਮਾਹਰ ਤਸਦੀਕ, ਸਿਰਫ AI ਸਹਾਇਤਾ

ਇਹ ਸਾਰਣੀ "ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੀ ਦਸਤੀ ਜਾਂਚ" ਅਤੇ "ਬਿਲਕੁਲ ਜਾਂਚ ਨਾ ਕਰਨ" ਵਿਚਕਾਰ ਸੰਤੁਲਨ ਨੂੰ ਮਾਰਦੀ ਹੈ। ਹਾਲਾਂਕਿ ਘੱਟ ਲਾਗਤ ਵਾਲੀਆਂ ਨੌਕਰੀਆਂ ਲਈ ਨਮੂਨਾ ਨਿਯੰਤਰਣ ਕਾਫ਼ੀ ਹੈ, ਉੱਚ-ਕੀਮਤ ਵਾਲੀਆਂ ਨੌਕਰੀਆਂ ਲਈ ਹਰੇਕ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

ਨੈਤਿਕ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ

ਹਾਲਾਂਕਿ ਮਾਡਲ ਦੀ ਚੋਣ ਇੱਕ ਤਕਨੀਕੀ ਫੈਸਲੇ ਵਾਂਗ ਜਾਪਦੀ ਹੈ, ਇਸਦੇ ਪਿੱਛੇ ਨੈਤਿਕ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਹਨ:

• ਪਾਰਦਰਸ਼ਤਾ: ਆਪਣੇ ਗਾਹਕਾਂ ਜਾਂ ਕਰਮਚਾਰੀਆਂ ਨੂੰ ਦੱਸੋ ਕਿ ਤੁਸੀਂ ਢੁਕਵੇਂ ਸਥਾਨਾਂ 'ਤੇ AI ਦੀ ਵਰਤੋਂ ਕਰ ਰਹੇ ਹੋ। ਇੱਕ ਗਾਹਕ ਨੂੰ ਇਹ ਜਾਣਨ ਦਾ ਅਧਿਕਾਰ ਹੈ ਕਿ ਕੀ ਉਹ ਕਿਸੇ ਮਨੁੱਖ ਜਾਂ AI ਨਾਲ ਗੱਲ ਕਰ ਰਹੇ ਹਨ।
• ਪੱਖਪਾਤ: ਮਾਡਲ ਉਸ ਡੇਟਾ ਤੋਂ ਪੱਖਪਾਤ ਪ੍ਰਾਪਤ ਕਰ ਸਕਦੇ ਹਨ ਜਿਸ 'ਤੇ ਉਨ੍ਹਾਂ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਜਾਂਦੀ ਹੈ। ਸੰਵੇਦਨਸ਼ੀਲ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਭਰਤੀ ਅਤੇ ਕ੍ਰੈਡਿਟ ਮੁਲਾਂਕਣ ਵਿੱਚ ਨਤੀਜਿਆਂ ਦੀ ਨਿਰਪੱਖਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕਰੋ।
• ਗੋਪਨੀਯਤਾ: ਵਰਕਫਲੋ ਵਿੱਚ ਯੂਨਿਟ 8 ਵਿੱਚ ਸਿੱਖੇ ਗਏ ਡੇਟਾ ਸੁਰੱਖਿਆ ਸਿਧਾਂਤਾਂ ਨੂੰ ਏਮਬੇਡ ਕਰੋ; ਨਿੱਜੀ ਡਾਟਾ ਲਾਪਰਵਾਹੀ ਨਾਲ ਨਾ ਭੇਜੋ।
• ਜਵਾਬਦੇਹੀ: ਜਦੋਂ ਕੋਈ ਗਲਤੀ ਹੁੰਦੀ ਹੈ, ਤਾਂ "AI ਨੇ ਇਸਨੂੰ ਬਣਾਇਆ" ਬਚਾਅ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦਾ। ਵਾਹਨ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੀ ਸੰਸਥਾ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ। ਇਸ ਲਈ ਦਸਤਾਵੇਜ਼ ਤਸਦੀਕ ਪ੍ਰਕਿਰਿਆਵਾਂ.

ਸੁਝਾਅ: ਆਪਣੇ ਵਰਕਫਲੋ ਵਿੱਚ ਇੱਕ ਛੋਟੀ ਜਿਹੀ "ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ" ਲਿਖੋ: ਕਿਹੜੀਆਂ ਨੌਕਰੀਆਂ AI ਦੀ ਵਰਤੋਂ ਕਰ ਸਕਦੀਆਂ ਹਨ, ਕਿਹੜਾ ਡੇਟਾ ਨਹੀਂ ਭੇਜਿਆ ਜਾ ਸਕਦਾ, ਕੌਣ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰੇਗਾ, ਅਤੇ ਗਲਤੀਆਂ ਦੀ ਰਿਪੋਰਟ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇਗੀ। ਇਹ ਇੱਕ ਪੰਨੇ ਦਾ ਦਸਤਾਵੇਜ਼ ਭਵਿੱਖ ਵਿੱਚ ਵੱਡੀਆਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਰੋਕਦਾ ਹੈ।

ਤਿੰਨ ਯਥਾਰਥਵਾਦੀ ਕੇਸ

ਕੇਸ 1 - eval ਸਥਾਪਿਤ ਕੀਤੇ ਬਿਨਾਂ ਪਛਤਾਵਾ। ਇੱਕ ਬੀਮਾ ਟੀਮ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਮਾਡਲ ਦੀ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਦਾਅਵਿਆਂ ਦਾ ਸਾਰ ਦੇਣਾ ਸ਼ੁਰੂ ਕਰ ਦਿੰਦੀ ਹੈ। ਦੋ ਹਫ਼ਤਿਆਂ ਬਾਅਦ, ਉਹ ਮਹਿਸੂਸ ਕਰਦੇ ਹਨ ਕਿ ਮਾਡਲ ਅਕਸਰ ਤੁਰਕੀ ਤਕਨੀਕੀ ਸ਼ਬਦਾਂ ਵਿੱਚ ਗਲਤੀਆਂ ਕਰਦਾ ਹੈ ਅਤੇ ਕੁਝ ਮਾਤਰਾਵਾਂ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਪੜ੍ਹਦਾ ਹੈ। ਜਦੋਂ ਉਹ 20 ਨਮੂਨਿਆਂ ਦਾ ਇੱਕ ਮੁਲਾਂਕਣ ਸਥਾਪਤ ਕਰਦੇ ਹਨ ਅਤੇ ਤਿੰਨ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਦੇ ਹਨ, ਤਾਂ ਉਹ ਉਸ ਮਾਡਲ 'ਤੇ ਸਵਿਚ ਕਰਦੇ ਹਨ ਜੋ ਸਭ ਤੋਂ ਵੱਧ ਪ੍ਰਸਿੱਧ ਨਹੀਂ ਹੈ ਪਰ ਤੁਰਕੀ ਤਕਨੀਕੀ ਪਾਠਾਂ ਵਿੱਚ ਵਧੇਰੇ ਸਹੀ ਹੈ। ਨੁਕਸਾਨ: ਦੋ ਹਫ਼ਤੇ ਅਤੇ ਪਰੂਫ ਰੀਡਿੰਗ ਲੇਬਰ। ਪਾਠ: ਪਹਿਲਾਂ eval, ਬਾਅਦ ਵਿੱਚ ਤੈਨਾਤ ਕਰੋ।

ਕੇਸ 2 - ਉਹ ਪ੍ਰਕਿਰਿਆ ਜੋ ਭਰਮ ਨੂੰ ਹਾਸਲ ਕਰਦੀ ਹੈ। ਇੱਕ ਪੈਰਾਲੀਗਲ ਮਾਡਲ ਪ੍ਰਿੰਟਆਊਟ ਵਿੱਚ "ਸੁਪਰੀਮ ਕੋਰਟ ਦੇ ਫੈਸਲੇ" ਦਾ ਹਵਾਲਾ ਦੇਖਦਾ ਹੈ। ਕਿਉਂਕਿ ਉਹਨਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ "ਹਰੇਕ ਸੰਦਰਭ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ" ਨਿਯਮ ਹੈ, ਉਹ ਫੈਸਲੇ ਦੀ ਖੋਜ ਕਰਦਾ ਹੈ ਅਤੇ ਲੱਭਦਾ ਹੈ ਕਿ ਅਜਿਹਾ ਕੋਈ ਫੈਸਲਾ ਮੌਜੂਦ ਨਹੀਂ ਹੈ; ਉਸਨੇ ਇੱਕ ਮਾਡਲ ਬਣਾਇਆ. ਮਨੁੱਖੀ ਤਸਦੀਕ ਲਈ ਧੰਨਵਾਦ, ਮਨਘੜਤ ਜਾਣਕਾਰੀ ਕਦੇ ਵੀ ਗਾਹਕ ਤੱਕ ਨਹੀਂ ਪਹੁੰਚਦੀ। ਤਸਦੀਕ ਨਿਯਮ ਤੋਂ ਬਿਨਾਂ, ਵੱਕਾਰ ਦਾ ਨੁਕਸਾਨ ਗੰਭੀਰ ਹੋ ਸਕਦਾ ਸੀ।

ਕੇਸ 3 - ਪਾਰਦਰਸ਼ਤਾ ਨਾਲ ਭਰੋਸਾ ਕਰੋ। ਇੱਕ ਈ-ਕਾਮਰਸ ਕੰਪਨੀ AI ਨਾਲ ਗਾਹਕ ਸਹਾਇਤਾ ਜਵਾਬਾਂ ਦਾ ਉਤਪਾਦਨ ਕਰਦੀ ਹੈ, ਪਰ ਹਰੇਕ ਜਵਾਬ ਦੇ ਹੇਠਾਂ ਇੱਕ ਨੋਟ ਜੋੜਦੀ ਹੈ: "ਇਹ ਜਵਾਬ ਨਕਲੀ ਖੁਫੀਆ ਸਹਾਇਤਾ ਨਾਲ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਸਾਡੇ ਪ੍ਰਤੀਨਿਧਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੁਆਰਾ ਸਮੀਖਿਆ ਕੀਤੀ ਗਈ ਸੀ।" ਗਾਹਕ ਤਤਕਾਲ ਜਵਾਬ ਅਤੇ ਕਿਸੇ ਮਨੁੱਖ ਨੂੰ ਰੁੱਝੇ ਹੋਏ ਦੇਖਣ ਦੇ ਭਰੋਸੇ ਨਾਲ ਵਧੇਰੇ ਸੰਤੁਸ਼ਟ ਹਨ। ਪਾਰਦਰਸ਼ਤਾ ਛੁਪਾਉਣ ਲਈ ਕਮਜ਼ੋਰੀ ਨਹੀਂ ਹੈ, ਪਰ ਵਿਸ਼ਵਾਸ ਦਾ ਸਰੋਤ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ: ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੈਨੂੰ ਇਸ ਇਕਰਾਰਨਾਮੇ ਦੀਆਂ ਜੋਖਮ ਭਰੀਆਂ ਧਾਰਾਵਾਂ ਬਾਰੇ ਦੱਸੋ।

ਮਾਡਲ ਫਿੱਟ ਕਰ ਸਕਦਾ ਹੈ; ਕੋਈ ਸਰੋਤ ਨਹੀਂ, ਅਨਿਸ਼ਚਿਤਤਾ ਦਾ ਕੋਈ ਸੰਕੇਤ ਨਹੀਂ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇਕਰਾਰਨਾਮਾ ਵਿਸ਼ਲੇਸ਼ਕ (ਅੰਤਿਮ ਫੈਸਲਾ ਵਕੀਲ ਦਾ ਹੁੰਦਾ ਹੈ)। ਟਾਸਕ: ਹੇਠਾਂ ਦਿੱਤੇ ਇਕਰਾਰਨਾਮੇ ਵਿੱਚ ਸੰਭਾਵੀ ਤੌਰ 'ਤੇ ਜੋਖਮ ਵਾਲੀਆਂ ਧਾਰਾਵਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰੋ। ਹਰੇਕ ਖੋਜ ਲਈ: (1) ਧਾਰਾ ਨੰਬਰ ਅਤੇ ਸ਼ਬਦਾਵਲੀ ਹਵਾਲਾ, (2) ਇਹ ਜੋਖਮ ਭਰਿਆ ਕਿਉਂ ਹੈ, (3) ਤੁਹਾਡਾ ਵਿਸ਼ਵਾਸ ਪੱਧਰ (ਉੱਚ/ਮੱਧਮ/ਘੱਟ)। ਪਾਠ ਵਿੱਚ ਸਿਰਫ਼ ਧਾਰਾਵਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰੋ; ਅਜਿਹੀ ਕੋਈ ਵੀ ਚੀਜ਼ ਨਾ ਘੜੋ ਜੋ ਪਾਠ ਵਿੱਚ ਨਹੀਂ ਹੈ। ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, "ਵਕੀਲ ਦੀ ਪੁਸ਼ਟੀ ਦੀ ਲੋੜ ਹੈ" ਲਿਖੋ। [ਇਕਰਾਰਨਾਮਾ]

ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ ਹਰੇਕ ਦਾਅਵੇ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜਦਾ ਹੈ (ਲੇਖ ਨੰਬਰ + ਹਵਾਲਾ), ਭਰੋਸੇ ਦੇ ਪੱਧਰ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਮਨਘੜਤ ਦੀ ਮਨਾਹੀ ਹੁੰਦੀ ਹੈ; ਇਹ ਭੁਲੇਖੇ ਨੂੰ ਫੜਨਯੋਗ ਬਣਾਉਂਦਾ ਹੈ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟਸ

1. ਈਵਲ ਸੈੱਟ ਡਿਜ਼ਾਈਨ:

ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਮ [ਟਾਸਕ] ਲਈ ਇੱਕ ਮੁਲਾਂਕਣ ਸੈੱਟ ਤਿਆਰ ਕਰੋ। 15 ਨਮੂਨਾ ਇਨਪੁਟਸ (ਮਿਸ਼ਰਤ ਆਸਾਨ-ਮੱਧਮ-ਮੁਸ਼ਕਲ) ਦਾ ਸੁਝਾਅ ਦਿਓ, ਹਰੇਕ ਲਈ "ਉਮੀਦ ਕੀਤੀ ਸਹੀ ਆਉਟਪੁੱਟ" ਨੂੰ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾਵੇਗਾ, ਅਤੇ ਇੱਕ ਸਕੋਰਿੰਗ ਮਾਪਦੰਡ (1-5) ਨਿਰਧਾਰਤ ਕਰੋ।

2. ਭਰਮ-ਘਟਾਉਣ ਵਾਲੀ ਲਪੇਟ:

ਫੈਬਰੀਕੇਸ਼ਨ ਨੂੰ ਘਟਾਉਣ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਪ੍ਰੋਂਪਟ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖੋ: "[PROMPT]"। ਸਰੋਤਾਂ ਦਾ ਹਵਾਲਾ ਦੇਣ, ਭਰੋਸੇ ਦੇ ਪੱਧਰਾਂ ਨੂੰ ਨਿਸ਼ਚਿਤ ਕਰਨ ਲਈ ਨਿਯਮ ਸ਼ਾਮਲ ਕਰੋ, ਅਤੇ "ਮੈਨੂੰ ਦੱਸੋ ਜੇ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ।"

3. ਪੁਸ਼ਟੀਕਰਨ ਪ੍ਰਵਾਹ ਡਿਜ਼ਾਈਨ:

ਹੇਠਾਂ ਦਿੱਤੇ ਵਰਕਫਲੋ [ਵਰਕਫਲੋ] ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਲਈ ਇੱਕ ਮਨੁੱਖੀ ਤਸਦੀਕ ਪੜਾਅ ਡਿਜ਼ਾਈਨ ਕਰੋ। ਨਿਰਧਾਰਿਤ ਕਰੋ ਕਿ ਗਲਤੀ ਦੀ ਕੀਮਤ ਦੇ ਆਧਾਰ 'ਤੇ ਤਸਦੀਕ ਕਿੰਨੀ ਸਖਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ; ਲਿਖੋ ਕਿ ਕੌਣ ਜਾਂਚ ਕਰੇਗਾ, ਕਦੋਂ.

4. ਡਰਾਫਟ ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ:

[ਇੰਡਸਟਰੀ] ਵਿੱਚ ਇੱਕ ਟੀਮ ਲਈ ਇੱਕ ਪੰਨੇ ਦੀ "ਜ਼ਿੰਮੇਵਾਰ AI ਵਰਤੋਂ ਨੀਤੀ" ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। ਹੇਠਾਂ ਦਿੱਤੇ ਸਿਰਲੇਖਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰੋ: ਇਜਾਜ਼ਤ ਦਿੱਤੀ ਵਰਤੋਂ, ਵਰਜਿਤ ਡੇਟਾ, ਪੁਸ਼ਟੀਕਰਨ ਜ਼ਿੰਮੇਵਾਰੀ, ਪਾਰਦਰਸ਼ਤਾ ਰਿਪੋਰਟਿੰਗ, ਗਲਤੀ ਰਿਪੋਰਟਿੰਗ।

ਆਮ ਗਲਤੀਆਂ

• Eval ਦੇ ਬਿਨਾਂ ਤੈਨਾਤ ਕਰਨਾ: ਮਾਡਲ ਨੂੰ ਤੁਹਾਡੇ ਆਪਣੇ ਡੇਟਾ ਨਾਲ ਟੈਸਟ ਕੀਤੇ ਬਿਨਾਂ ਅਤੇ ਗਾਹਕ/ਨੌਕਰੀ ਵਿੱਚ ਪ੍ਰਤੀਬਿੰਬਿਤ ਹੋਣ ਤੋਂ ਬਾਅਦ ਗਲਤੀਆਂ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖਣਾ ਸ਼ੁਰੂ ਕਰਨਾ।
• ਭਰਮ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: ਹਵਾਲਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਮਾਡਲ ਦੀ ਭਰੋਸੇਮੰਦ ਭਾਸ਼ਾ ਨੂੰ ਸੱਚ ਵਜੋਂ ਵਰਤਣਾ।
• ਮਨੁੱਖੀ ਤਸਦੀਕ ਨੂੰ ਬਾਈਪਾਸ ਕਰਨਾ: ਉੱਚ ਕੀਮਤ ਵਾਲੇ ਫੈਸਲਿਆਂ ਵਿੱਚ ਆਉਟਪੁੱਟ ਨੂੰ ਅਣ-ਚੈੱਕ ਛੱਡਣਾ; "AI ਨੇ ਇਹ ਕੀਤਾ" ਬਚਾਅ 'ਤੇ ਝੁਕਣਾ.
• ਪਾਰਦਰਸ਼ਤਾ ਤੋਂ ਬਚਣਾ: AI ਦੀ ਤੁਹਾਡੀ ਵਰਤੋਂ ਨੂੰ ਲੁਕਾਉਣਾ; ਆਤਮ ਵਿਸ਼ਵਾਸ ਦੇ ਨੁਕਸਾਨ ਦਾ ਅਨੁਭਵ ਕਰਨਾ ਜਦੋਂ ਇਹ ਵਾਪਰਦਾ ਹੈ।
• ਨੈਤਿਕਤਾ ਅਤੇ ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ: ਆਉਟਪੁੱਟ ਦੀ ਨਿਰਪੱਖਤਾ ਦੀ ਨਿਗਰਾਨੀ ਕੀਤੇ ਬਿਨਾਂ ਸੰਵੇਦਨਸ਼ੀਲ ਫੈਸਲਿਆਂ (ਭਾਰਤੀ, ਕ੍ਰੈਡਿਟ) ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਸੰਖੇਪ ਵਿੱਚ

• ਇੱਕ ਮਾਡਲ ਨੂੰ ਤੈਨਾਤ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਨਾਲ ਇੱਕ ਛੋਟਾ ਈਵਲ ਸੈੱਟ ਕਰੋ ਅਤੇ ਉਮੀਦਵਾਰਾਂ ਦੀ ਜਾਂਚ ਕਰੋ; ਸਮੁੱਚੀ ਦਰਜਾਬੰਦੀ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਨੂੰ ਦਰਸਾਉਂਦੀ ਨਹੀਂ ਹੈ।
• ਭਰਮ ਝੂਠੀ ਭਾਸ਼ਾ ਦਾ ਮਾਡਲ ਦਾ ਆਤਮ-ਵਿਸ਼ਵਾਸ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਸਰੋਤ ਵਿਸ਼ੇਸ਼ਤਾ, ਭਰੋਸੇ ਦੇ ਪੱਧਰ, ਅਤੇ ਮਨੁੱਖੀ ਤਸਦੀਕ ਦੁਆਰਾ ਕੈਪਚਰ ਕੀਤਾ ਗਿਆ।
• ਮਨੁੱਖੀ ਤਸਦੀਕ ਦੀ ਸਖਤਤਾ ਗਲਤੀ ਦੀ ਕੀਮਤ ਦੇ ਅਨੁਸਾਰ ਐਡਜਸਟ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਨਾਜ਼ੁਕ ਖੇਤਰਾਂ ਵਿੱਚ AI ਸਿਰਫ ਸਹਾਇਤਾ ਹੈ, ਫੈਸਲਾ ਮਨੁੱਖ ਦਾ ਹੈ।
• ਪਾਰਦਰਸ਼ਤਾ, ਪੱਖਪਾਤ ਕੰਟਰੋਲ, ਗੁਪਤਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ; ਜ਼ਿੰਮੇਵਾਰ AI ਵਰਤੋਂ ਦੇ ਚਾਰ ਥੰਮ੍ਹ ਹਨ। ਇੱਕ ਪੰਨੇ ਦੀ ਨੀਤੀ ਵੱਡੇ ਜੋਖਮਾਂ ਨੂੰ ਰੋਕਦੀ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇਸ ਯੂਨਿਟ ਵਿੱਚ ਟੈਮਪਲੇਟ 1 ਦੇ ਨਾਲ 15 ਉਦਾਹਰਨਾਂ ਦਾ ਇੱਕ ਮੁਲਾਂਕਣ ਸੈੱਟ ਸੈੱਟ ਕਰੋ (ਈਵਲ ਸੈੱਟ ਡਿਜ਼ਾਈਨ) ਤੁਹਾਡੇ ਵੱਲੋਂ ਪੂਰੇ ਮੋਡੀਊਲ ਵਿੱਚ ਚੁਣੇ ਗਏ ਉਮੀਦਵਾਰ ਮਾਡਲਾਂ ਲਈ ਅਤੇ ਇਸ ਸੈੱਟ ਦੇ ਮੁਕਾਬਲੇ ਘੱਟੋ-ਘੱਟ ਦੋ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ। ਫਿਰ ਡਿਜ਼ਾਈਨ ਕਰੋ ਕਿ ਟੈਂਪਲੇਟ 3 (ਪ੍ਰਮਾਣਿਕਤਾ ਪ੍ਰਵਾਹ) ਦੇ ਨਾਲ ਮਨੁੱਖਾਂ ਦੁਆਰਾ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਿਵੇਂ ਕੀਤੀ ਜਾਵੇਗੀ ਅਤੇ ਟੈਮਪਲੇਟ 4 (ਜ਼ਿੰਮੇਵਾਰ ਵਰਤੋਂ ਨੀਤੀ) ਦੇ ਨਾਲ ਤੁਹਾਡੀ ਟੀਮ ਲਈ ਇੱਕ ਪੰਨੇ ਦੀ ਨੀਤੀ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰੋ। ਇਹ ਤਿੰਨ ਡਿਲੀਵਰੇਬਲ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਇੱਕ ਕੰਮ ਕਰਨ ਯੋਗ ਤੈਨਾਤੀ ਯੋਜਨਾ ਵਿੱਚ ਬਦਲ ਦਿੰਦੇ ਹਨ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੇਰੇ ਆਪਣੇ ਡੇਟਾ ਨਾਲ, ਮੈਂ ਇੱਕ ਛੋਟਾ ਈਵਲ ਸੈੱਟ ਸੈੱਟ ਕਰ ਸਕਦਾ ਹਾਂ ਅਤੇ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰ ਸਕਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਭੁਲੇਖੇ ਨੂੰ ਪਛਾਣ ਸਕਦਾ ਹਾਂ ਅਤੇ ਘਟਾਉਣ ਅਤੇ ਗ੍ਰਿਫਤਾਰ ਕਰਨ ਦੇ ਉਪਾਅ ਲਾਗੂ ਕਰ ਸਕਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਗਲਤੀ ਦੀ ਕੀਮਤ ਦੇ ਆਧਾਰ 'ਤੇ ਮਨੁੱਖੀ ਤਸਦੀਕ ਦੀ ਸਖਤਤਾ ਨੂੰ ਵਿਵਸਥਿਤ ਕਰ ਸਕਦਾ ਹਾਂ।
• [ ] ਮੈਂ ਵਰਕਫਲੋ ਵਿੱਚ ਪਾਰਦਰਸ਼ਤਾ, ਪੱਖਪਾਤ, ਗੁਪਤਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ ਦੇ ਸਿਧਾਂਤਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ।
• [ ] ਮੈਂ ਇੱਕ ਪੰਨੇ ਦੀ ਜ਼ਿੰਮੇਵਾਰ AI ਵਰਤੋਂ ਨੀਤੀ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰ ਸਕਦਾ/ਸਕਦੀ ਹਾਂ।

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਇੱਕ AI 'ਪ੍ਰਦਾਤਾ' ਅਤੇ ਇੱਕ 'ਮਾਡਲ ਪਰਿਵਾਰ' ਵਿੱਚ ਕੀ ਅੰਤਰ ਹੈ?

• A) ਪ੍ਰਦਾਤਾ ਉਹ ਕੰਪਨੀ ਹੈ ਜੋ ਮਾਡਲ ਨੂੰ ਵਿਕਸਤ ਕਰਦੀ ਹੈ, ਅਤੇ ਮਾਡਲ ਪਰਿਵਾਰ ਇੱਕ ਬ੍ਰਾਂਡ ਦੇ ਅਧੀਨ ਉਸ ਕੰਪਨੀ ਦਾ ਮਾਡਲ ਸਮੂਹ ਹੈ ✔
• ਅ) ਉਹ ਬਿਲਕੁਲ ਇੱਕੋ ਚੀਜ਼ ਹਨ ਅਤੇ ਇੱਕ ਦੂਜੇ ਦੇ ਬਦਲੇ ਵਰਤੇ ਜਾਂਦੇ ਹਨ
• C) ਪ੍ਰਦਾਤਾ ਮਾਡਲ ਦੀ ਕੀਮਤ ਹੈ, ਮਾਡਲ ਪਰਿਵਾਰ ਮਾਡਲ ਦੀ ਗਤੀ ਹੈ.
• ਡੀ) ਮਾਡਲ ਪਰਿਵਾਰ ਕੰਪਨੀ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਸਪਲਾਇਰ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਸੰਸਕਰਣ ਦਾ ਹਵਾਲਾ ਦਿੰਦਾ ਹੈ

ਵਰਣਨ: ਪ੍ਰਦਾਤਾ ਉਹ ਕੰਪਨੀ ਹੈ ਜਿਸਨੇ ਮਾਡਲ ਵਿਕਸਿਤ ਕੀਤਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਐਂਥਰੋਪਿਕ); ਮਾਡਲ ਪਰਿਵਾਰ ਉਹ ਮਾਡਲ ਸਮੂਹ ਹੈ ਜਿਸਨੂੰ ਉਹ ਕੰਪਨੀ ਇੱਕ ਬ੍ਰਾਂਡ (ਉਦਾਹਰਨ ਲਈ, ਕਲਾਉਡ) ਦੇ ਅਧੀਨ ਇਕੱਠੀ ਕਰਦੀ ਹੈ। ਮਾਡਲ ਸੰਸਕਰਣ ਪਰਿਵਾਰ ਦੇ ਅੰਦਰ ਇੱਕ ਖਾਸ ਸੰਸਕਰਣ ਹੈ।

2. ਇੱਕ ਮਾਡਲ ਦੇ 'ਵਜ਼ਨ' ਨੂੰ ਸਭ ਤੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਕਿਵੇਂ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ?

• ਏ) ਇਹ ਟੋਕਨਾਂ ਦੀ ਗਿਣਤੀ ਹੈ ਜੋ ਮਾਡਲ ਪ੍ਰਤੀ ਮਿੰਟ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ
• ਅ) ਇਹ ਅਰਬਾਂ ਸੰਖਿਆਤਮਕ ਮਾਪਦੰਡ ਹਨ ਜੋ ਮਾਡਲ ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖਦਾ ਹੈ ਅਤੇ ਆਪਣੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਟੋਰ ਕਰਦਾ ਹੈ। ✔
• C) ਇਹ ਮਾਡਲ ਦੀ ਮਹੀਨਾਵਾਰ ਗਾਹਕੀ ਫੀਸ ਹੈ
• ਡੀ) ਇਹ ਮਾਡਲ ਦੁਆਰਾ ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਦੀ ਸੰਖਿਆ ਹੈ

ਵਰਣਨ: ਵਜ਼ਨ ਅਰਬਾਂ ਸੰਖਿਆਤਮਕ ਮਾਪਦੰਡ ਹਨ ਜੋ ਮਾਡਲ ਸਿਖਲਾਈ ਦੌਰਾਨ ਸਿੱਖਦਾ ਹੈ; ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ 'ਸਭ ਕੁਝ ਜੋ ਮਾਡਲ ਜਾਣਦਾ ਹੈ' ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ। ਬੰਦ/ਸਪਸ਼ਟ ਵਜ਼ਨ ਅੰਤਰ ਇਸ ਗੱਲ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਇਹ ਪੈਰਾਮੀਟਰ ਡਾਊਨਲੋਡ ਅਤੇ ਚਲਾਏ ਜਾ ਸਕਦੇ ਹਨ।

3. 'ਓਪਨ-ਵੇਟ' ਅਤੇ 'ਓਪਨ-ਸੋਰਸ' ਬਾਰੇ ਕਿਹੜਾ ਕਥਨ ਸਹੀ ਹੈ?

• ਏ) ਉਹ ਬਿਲਕੁਲ ਇੱਕੋ ਜਿਹੇ ਸੰਕਲਪ ਹਨ ਅਤੇ ਦੋਵੇਂ ਬੇਅੰਤ ਵਪਾਰਕ ਵਰਤੋਂ ਦਿੰਦੇ ਹਨ
• ਅ) ਖੁੱਲ੍ਹਾ ਭਾਰ ਹਮੇਸ਼ਾ ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਵੀ ਜਨਤਕ ਕਰਦਾ ਹੈ
• C) ਇਹ ਇੱਕੋ ਜਿਹੀ ਗੱਲ ਨਹੀਂ ਹੈ; ਓਪਨ ਵੇਟਿੰਗ ਵਿੱਚ, ਆਮ ਤੌਰ 'ਤੇ ਸਿਰਫ਼ ਮਾਪਦੰਡ ਸਾਂਝੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ ਅਤੇ ਲਾਇਸੰਸ ਦੀਆਂ ਸ਼ਰਤਾਂ ਵਪਾਰਕ ਵਰਤੋਂ ਨੂੰ ਸੀਮਤ ਕਰ ਸਕਦੀਆਂ ਹਨ ✔
• ਡੀ) ਓਪਨ ਸੋਰਸ ਮਾਡਲ ਡਾਊਨਲੋਡ ਨਹੀਂ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਓਪਨ ਵੇਟ ਮਾਡਲ ਡਾਊਨਲੋਡ ਕੀਤੇ ਜਾ ਸਕਦੇ ਹਨ

ਵਿਆਖਿਆ: ਓਪਨ ਵੇਟਿੰਗ ਵਿੱਚ, ਸਿਰਫ ਮਾਡਲ ਪੈਰਾਮੀਟਰ ਸਾਂਝੇ ਕੀਤੇ ਜਾਂਦੇ ਹਨ; ਸਿਖਲਾਈ ਡੇਟਾ ਅਤੇ ਪ੍ਰਕਿਰਿਆ ਦਾ ਅਕਸਰ ਖੁਲਾਸਾ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਅਤੇ ਕੁਝ ਲਾਇਸੰਸ ਵਪਾਰਕ ਵਰਤੋਂ ਨੂੰ ਸੀਮਤ ਕਰਦੇ ਹਨ। ਇਸ ਲਈ 'ਓਪਨ ਵੇਟ' ਬਿਲਕੁਲ 'ਓਪਨ ਸੋਰਸ' ਵਰਗਾ ਨਹੀਂ ਹੈ।

4. ਲੰਬੇ ਇਕਰਾਰਨਾਮਿਆਂ ਨੂੰ ਪੜ੍ਹਣ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਵਾਲੀ ਕਾਨੂੰਨੀ ਟੀਮ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸਭ ਤੋਂ ਨਿਰਣਾਇਕ ਮਾਡਲ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ?

• ਏ) ਸਭ ਤੋਂ ਘੱਟ ਟੋਕਨ ਕੀਮਤ ਹੋਣਾ
• ਅ) ਵਿਜ਼ੂਅਲ (ਮਲਟੀਮੋਡਲ) ਪ੍ਰੋਸੈਸਿੰਗ ਯੋਗਤਾ ਹੋਣੀ
• C) ਓਪਨ ਵੇਟ ਲਾਇਸੈਂਸ ਹੋਣਾ
• D) ਇੱਕ ਵਿਆਪਕ ਸੰਦਰਭ ਵਿੰਡੋ ਹੋਣਾ ✔

ਵਿਆਖਿਆ: ਸਮੁੱਚੇ ਤੌਰ 'ਤੇ ਲੰਬੇ ਦਸਤਾਵੇਜ਼ਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਲਈ ਮਾਡਲ ਨੂੰ ਇੱਕ ਵੱਡੀ ਸੰਦਰਭ ਵਿੰਡੋ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ; ਸੰਦਰਭ ਵਿੰਡੋ ਟੋਕਨਾਂ ਦੀ ਕੁੱਲ ਮਾਤਰਾ ਹੈ ਜੋ ਮਾਡਲ ਇੱਕ ਸਮੇਂ ਵਿੱਚ ਧਿਆਨ ਵਿੱਚ ਰੱਖ ਸਕਦਾ ਹੈ।

5. ਬੰਦ ਭਾਰ ਵਾਲੇ ਮਾਡਲਾਂ ਲਈ ਟੋਕਨ ਕੀਮਤ ਬਾਰੇ ਕੀ ਸੱਚ ਹੈ?

• A) ਆਉਟਪੁੱਟ ਟੋਕਨ ਆਮ ਤੌਰ 'ਤੇ ਇੰਪੁੱਟ ਟੋਕਨ ਨਾਲੋਂ ਜ਼ਿਆਦਾ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ ✔
• ਅ) ਇੰਪੁੱਟ ਅਤੇ ਆਉਟਪੁੱਟ ਹਮੇਸ਼ਾ ਇੱਕ ਸਮਾਨ ਕੀਮਤ ਹੁੰਦੀ ਹੈ
• C) ਸਿਰਫ਼ ਨਿਸ਼ਚਿਤ ਮਹੀਨਾਵਾਰ ਫੀਸ ਲਈ ਜਾਂਦੀ ਹੈ, ਵਰਤੋਂ ਦੀ ਰਕਮ ਅਪ੍ਰਸੰਗਿਕ ਹੈ
• ਡੀ) ਇਨਪੁਟ ਟੋਕਨ ਹਮੇਸ਼ਾ ਆਉਟਪੁੱਟ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਜ਼ਿਆਦਾ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ

ਵਿਆਖਿਆ: ਕੀਮਤ ਪ੍ਰਤੀ ਟੋਕਨ ਦੀ ਗਣਨਾ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਅਤੇ ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਆਉਟਪੁੱਟ ਟੋਕਨ ਆਮ ਤੌਰ 'ਤੇ ਤੁਹਾਡੇ ਦੁਆਰਾ ਭੇਜੇ ਗਏ ਇਨਪੁਟ ਟੋਕਨ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਜ਼ਿਆਦਾ ਮਹਿੰਗਾ ਹੁੰਦਾ ਹੈ। ਇਸ ਲਈ, ਲੰਬੇ ਅਤੇ ਬੇਲੋੜੇ ਪ੍ਰਿੰਟਆਊਟ ਤੇਜ਼ੀ ਨਾਲ ਲਾਗਤ ਵਧਾਉਂਦੇ ਹਨ.

6. ਅਕਾਊਂਟਿੰਗ ਟੀਮ ਲਈ ਮਾਡਲ ਵਿੱਚ ਕਿਹੜੀ ਵਿਸ਼ੇਸ਼ਤਾ ਜ਼ਰੂਰੀ ਹੈ ਜੋ ਇਨਵੌਇਸ ਚਿੱਤਰਾਂ ਤੋਂ ਆਪਣੇ ਆਪ ਡਾਟਾ ਕੱਢਣਾ ਚਾਹੁੰਦੀ ਹੈ?

• A) ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਵ ਸੰਦਰਭ ਵਿੰਡੋ
• ਅ) ਮਲਟੀਮੋਡੈਲਿਟੀ (ਵਿਜ਼ੂਅਲ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਰੱਥਾ) ✔
• ਸੀ) ਓਪਨ ਵੇਟ ਲਾਇਸੰਸ
• ਡੀ) ਤਰਕ ਦਾ ਸਭ ਤੋਂ ਉੱਚਾ ਪੱਧਰ

ਵਿਆਖਿਆ: ਵਿਜ਼ੂਅਲ ਸਮਗਰੀ ਨੂੰ ਸਮਝਣ ਲਈ, ਮਾਡਲ ਨੂੰ ਚਿੱਤਰਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਟੈਕਸਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ, ਯਾਨੀ ਇਹ ਮਲਟੀਮੋਡਲ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਮਲਟੀਮੋਡੈਲਿਟੀ ਮਾਡਲ ਦੀ ਕਈ ਕਿਸਮਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਸੰਭਾਲਣ ਦੀ ਯੋਗਤਾ ਹੈ, ਜਿਵੇਂ ਕਿ ਟੈਕਸਟ, ਚਿੱਤਰ, ਅਤੇ ਕਈ ਵਾਰ ਆਡੀਓ।

7. ਉੱਚ-ਆਵਾਜ਼, ਸਧਾਰਨ ਕਾਰਜ (ਜਿਵੇਂ ਕਿ ਹਜ਼ਾਰਾਂ ਸਮੀਖਿਆਵਾਂ ਦਾ ਸਕਾਰਾਤਮਕ/ਨਕਾਰਾਤਮਕ ਵਰਗੀਕਰਨ) ਲਈ ਸਭ ਤੋਂ ਤਰਕਪੂਰਨ ਵਿਕਲਪ ਕੀ ਹੈ?

• ਏ) ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਮਜ਼ਬੂਤ ਅਤੇ ਸਭ ਤੋਂ ਮਹਿੰਗਾ ਤਰਕ ਮਾਡਲ
• ਅ) ਇੱਕ ਮਾਡਲ ਜੋ ਸਿਰਫ ਓਪਨ ਵੇਟ ਅਤੇ ਇਸਦੇ ਆਪਣੇ ਸਰਵਰ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ
• C) ਇੱਕ ਹਲਕਾ ਅਤੇ ਘੱਟ ਲਾਗਤ ਵਾਲਾ ਮਾਡਲ, ਕਿਉਂਕਿ ਕੰਮ ਸਧਾਰਨ ਹੈ ਅਤੇ ਵਾਲੀਅਮ ਉੱਚ ਹੈ ✔
• D) ਸਭ ਤੋਂ ਚੌੜੀ ਸੰਦਰਭ ਵਿੰਡੋ ਵਾਲਾ ਮਾਡਲ

ਵਰਣਨ: ਇੱਕ ਹਲਕਾ, ਘੱਟ ਲਾਗਤ ਵਾਲਾ ਮਾਡਲ ਸਧਾਰਨ, ਉੱਚ-ਆਵਾਜ਼ ਵਾਲੇ ਕੰਮਾਂ ਲਈ ਚਾਲ ਕਰਦਾ ਹੈ; ਸਭ ਤੋਂ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਮਹਿੰਗੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨ ਨਾਲ ਇੱਥੇ ਬੇਲੋੜੇ ਖਰਚੇ ਪੈਦਾ ਹੁੰਦੇ ਹਨ। ਕੰਮ ਦੀ ਮੁਸ਼ਕਲ ਨੂੰ ਮਾਡਲ ਟੀਅਰ ਨਾਲ ਮੇਲਣਾ ਸਹੀ ਪਹੁੰਚ ਹੈ।

8. KVKK ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਵਿਦੇਸ਼ੀ-ਆਧਾਰਿਤ AI ਪ੍ਰਦਾਤਾ ਨੂੰ ਨਿੱਜੀ ਡੇਟਾ ਵਾਲਾ ਟੈਕਸਟ ਭੇਜਣਾ ਕਿਸ ਚੀਜ਼ ਨੂੰ ਚਾਲੂ ਕਰਦਾ ਹੈ?

• ਏ) ਇਹ ਕੋਈ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਨਹੀਂ ਬਣਾਉਂਦਾ
• B) ਸਿਰਫ਼ ਤਾਂ ਹੀ ਮਾਇਨੇ ਰੱਖਦਾ ਹੈ ਜੇਕਰ ਪ੍ਰਦਾਤਾ EU ਵਿੱਚ ਹੈ, ਕਿਸੇ ਹੋਰ ਮਾਮਲੇ ਵਿੱਚ
• C) ਇਹ ਸਾਰੇ ਹਾਲਾਤਾਂ ਵਿੱਚ ਸਖਤੀ ਨਾਲ ਮਨਾਹੀ ਹੈ, ਭਾਵੇਂ ਡੇਟਾ ਅਗਿਆਤ ਹੈ ਜਾਂ ਨਹੀਂ
• D) ਵਿਦੇਸ਼ ਵਿੱਚ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ KVKK ਦੀਆਂ ਵਿਸ਼ੇਸ਼ ਸ਼ਰਤਾਂ ਦੇ ਅਧੀਨ ਹੈ ✔

ਸਪੱਸ਼ਟੀਕਰਨ: ਵਿਦੇਸ਼ ਵਿੱਚ ਕਿਸੇ ਪ੍ਰਦਾਤਾ ਦੇ ਸਰਵਰਾਂ 'ਤੇ ਓਪਰੇਟਿੰਗ ਡੇਟਾ ਨੂੰ 'ਵਿਦੇਸ਼ ਵਿੱਚ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ' ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸ ਵਿਸ਼ੇ 'ਤੇ KVKK ਦੀਆਂ ਵਿਸ਼ੇਸ਼ ਸ਼ਰਤਾਂ (ਜਿਵੇਂ ਕਿ ਸਪੱਸ਼ਟ ਸਹਿਮਤੀ, ਯੋਗਤਾ ਦਾ ਫੈਸਲਾ, ਉਚਿਤ ਭਰੋਸਾ) ਦੇ ਅਧੀਨ ਹੈ।

9. ਇੱਕ ਮਾਡਲ ਦਾ 'ਤਰਕ' ਮੋਡ ਕੀ ਕਰਦਾ ਹੈ ਅਤੇ ਇਹ ਲਾਗਤ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ?

• A) ਇਹ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਵਧਾਉਂਦਾ ਹੈ, ਪਰ ਲਾਗਤ ਅਤੇ ਦੇਰੀ ਨੂੰ ਵਧਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਧੇਰੇ ਟੋਕਨ ਪੈਦਾ ਕਰਦਾ ਹੈ ✔
• ਅ) ਮਾਡਲ ਨੂੰ ਹਮੇਸ਼ਾ ਮੁਫਤ ਬਣਾਉਂਦਾ ਹੈ
• C) ਮਾਡਲ ਦੁਆਰਾ ਸਮਰਥਿਤ ਭਾਸ਼ਾਵਾਂ ਦੀ ਗਿਣਤੀ ਨੂੰ ਹੀ ਵਧਾਉਂਦਾ ਹੈ
• ਡੀ) ਜਵਾਬਾਂ ਨੂੰ ਹਮੇਸ਼ਾ ਛੋਟਾ ਕਰੋ ਅਤੇ ਲਾਗਤ ਘਟਾਓ

ਵਰਣਨ: ਤਰਕ ਮੋਡ ਮਾਡਲ ਨੂੰ ਜਵਾਬ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਕਦਮ ਦਰ ਕਦਮ 'ਸੋਚਣ' ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ; ਇਹ ਬਹੁ-ਕਦਮ ਅਤੇ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆਵਾਂ ਵਿੱਚ ਸ਼ੁੱਧਤਾ ਵਧਾਉਂਦਾ ਹੈ, ਪਰ ਇਹ ਲਾਗਤ ਅਤੇ ਦੇਰੀ ਨੂੰ ਵੀ ਵਧਾਉਂਦਾ ਹੈ ਕਿਉਂਕਿ ਇਹ ਵਧੇਰੇ ਟੋਕਨ ਪੈਦਾ ਕਰਦਾ ਹੈ।

10. ਤੁਹਾਡੇ ਆਪਣੇ ਕਾਰੋਬਾਰ ਲਈ ਇੱਕ ਮਾਡਲ ਦਾ ਮੁਲਾਂਕਣ (ਮੁਲਾਂਕਣ) ਕਰਨ ਵੇਲੇ ਸਭ ਤੋਂ ਭਰੋਸੇਮੰਦ ਪਹੁੰਚ ਕੀ ਹੈ?

• ਏ) ਸਿਰਫ਼ ਸਭ ਤੋਂ ਪ੍ਰਸਿੱਧ ਮਾਡਲ ਚੁਣਨਾ ਅਤੇ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ ਇਸਦੀ ਵਰਤੋਂ ਕਰਨਾ
• ਅ) ਆਪਣੇ ਅਸਲ ਕਾਰਜਾਂ ਦਾ ਇੱਕ ਛੋਟਾ ਟੈਸਟ ਸੈੱਟ ਕਰੋ ਅਤੇ ਇਸਦੇ ਨਾਲ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰੋ ✔
• C) ਇਸ਼ਤਿਹਾਰਾਂ ਵਿੱਚ ਦੱਸੇ ਗਏ ਬੈਂਚਮਾਰਕ ਸਕੋਰ ਨੂੰ ਦੇਖਦੇ ਹੋਏ
• D) ਸਭ ਤੋਂ ਉੱਚੇ ਸੰਦਰਭ ਵਿੰਡੋ ਵਾਲੇ ਮਾਡਲ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਵਜੋਂ ਆਪਣੇ ਆਪ ਸਵੀਕਾਰ ਕਰੋ

ਵਿਆਖਿਆ: ਲੀਡਰਬੋਰਡਾਂ 'ਤੇ ਅੰਨ੍ਹੇਵਾਹ ਭਰੋਸਾ ਕਰਨ ਦੀ ਬਜਾਏ, ਤੁਹਾਡੇ ਆਪਣੇ ਅਸਲ ਕਾਰਜਾਂ ਦਾ ਇੱਕ ਛੋਟਾ ਟੈਸਟ ਸੈੱਟ ਬਣਾਉਣਾ ਅਤੇ ਇਸ ਸੈੱਟ 'ਤੇ ਮਾਡਲਾਂ ਦੀ ਤੁਲਨਾ ਕਰਨਾ ਤੁਹਾਡੇ ਕਾਰੋਬਾਰ ਨੂੰ ਅਸਲ ਵਿੱਚ ਅਨੁਕੂਲ ਬਣਾਉਣ ਵਾਲੇ ਨੂੰ ਪ੍ਰਗਟ ਕਰੇਗਾ।

11. ਮਾਡਲ ਆਉਟਪੁੱਟ ਵਿੱਚ 'ਭਰਮ' ਸ਼ਾਮਲ ਹੋਣ ਵਾਲੇ ਗਿਆਨ ਵਿੱਚ ਤੁਹਾਡੇ ਵਰਕਫਲੋ ਨੂੰ ਕਿਵੇਂ ਆਕਾਰ ਦੇਣਾ ਚਾਹੀਦਾ ਹੈ?

• A) ਆਉਟਪੁੱਟ ਨੂੰ ਹਮੇਸ਼ਾ ਸਹੀ ਮੰਨਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਸਿੱਧੇ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) ਭਰਮ ਸਿਰਫ ਮੁਫਤ ਮਾਡਲਾਂ ਵਿੱਚ ਦੇਖਿਆ ਜਾਂਦਾ ਹੈ, ਭੁਗਤਾਨ ਕੀਤੇ ਮਾਡਲਾਂ ਵਿੱਚ ਨਹੀਂ
• C) ਨਾਜ਼ੁਕ ਫੈਸਲਿਆਂ ਵਿੱਚ, ਆਉਟਪੁੱਟ ਨੂੰ ਇੱਕ ਮਨੁੱਖ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਅਤੇ ਸਰੋਤਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ ✔
• ਡੀ) ਸਿਰਫ ਮਾਡਲ ਨੂੰ ਬਦਲ ਕੇ ਭਰਮ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ

ਵਿਆਖਿਆ: ਇੱਕ ਭਰਮ ਉਦੋਂ ਹੁੰਦਾ ਹੈ ਜਦੋਂ ਮਾਡਲ ਇੱਕ ਭਰੋਸੇਮੰਦ ਭਾਸ਼ਾ ਵਿੱਚ ਅਜਿਹੀ ਜਾਣਕਾਰੀ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਸੱਚ ਨਹੀਂ ਹੈ। ਇਸ ਜੋਖਮ ਦੇ ਕਾਰਨ, ਇੱਕ ਮਨੁੱਖ ਦੁਆਰਾ ਆਉਟਪੁੱਟ ਦੀ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ, ਖਾਸ ਕਰਕੇ ਕਾਨੂੰਨੀ, ਡਾਕਟਰੀ ਅਤੇ ਵਿੱਤੀ ਫੈਸਲਿਆਂ ਲਈ।

12. ਪਰਿਪੱਕ ਸੰਸਥਾਵਾਂ ਦੁਆਰਾ ਅਪਣਾਏ ਗਏ 'ਮਾਡਲ ਪੋਰਟਫੋਲੀਓ' ਪਹੁੰਚ ਦਾ ਮੂਲ ਤਰਕ ਕੀ ਹੈ?

• ਏ) ਇੱਕ ਸਿੰਗਲ, ਸਭ ਤੋਂ ਮਹਿੰਗੇ ਮਾਡਲ ਦੁਆਰਾ ਹਰ ਕੰਮ ਕਰਨ ਦੁਆਰਾ ਸਾਦਗੀ ਨੂੰ ਯਕੀਨੀ ਬਣਾਉਣ ਲਈ।
• ਅ) ਸਿਰਫ ਸਸਤੇ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਅਤੇ ਗੁਣਵੱਤਾ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
• C) ਕਿਸੇ ਵੀ ਮਾਡਲ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ ਅਤੇ ਸਾਰੇ ਕੰਮ ਹੱਥੀਂ ਕਰੋ
• D) ਕਾਰਜ ਦੇ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਲਾਗਤ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਣਾ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰਦਾਤਾ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਣਾ ✔

ਵਰਣਨ: ਮਾਡਲ ਪੋਰਟਫੋਲੀਓ ਕੰਮ ਦੇ ਅਨੁਸਾਰ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਹੈ: ਸਧਾਰਨ ਅਤੇ ਭਾਰੀ ਨੌਕਰੀਆਂ ਲਈ ਸਸਤਾ ਮਾਡਲ, ਗੁੰਝਲਦਾਰ ਨੌਕਰੀਆਂ ਲਈ ਸ਼ਕਤੀਸ਼ਾਲੀ ਮਾਡਲ, ਗੁਪਤ ਡੇਟਾ ਲਈ ਖੁੱਲ੍ਹਾ ਭਾਰ/ਖੇਤਰੀ ਮਾਡਲ। ਇਹ ਦੋਵੇਂ ਲਾਗਤ ਨੂੰ ਅਨੁਕੂਲ ਬਣਾਉਂਦਾ ਹੈ ਅਤੇ ਇੱਕ ਸਿੰਗਲ ਪ੍ਰਦਾਤਾ 'ਤੇ ਨਿਰਭਰਤਾ ਨੂੰ ਘਟਾਉਂਦਾ ਹੈ।

13. ਮੂਲ ਦੇਸ਼ ਅਤੇ ਡਾਟਾ ਧਾਰਨ ਨੀਤੀ ਮਾਡਲ ਦੀ ਚੋਣ ਲਈ ਇੱਕ ਮਾਪਦੰਡ ਕਿਉਂ ਹੋ ਸਕਦੀ ਹੈ?

• A) ਕਿਉਂਕਿ ਇਹ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਰੈਗੂਲੇਟਰੀ, ਡੇਟਾ ਸੰਪ੍ਰਭੂਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਲੋੜਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ ✔
• ਅ) ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਦੀ ਪ੍ਰਤੀਕਿਰਿਆ ਦੀ ਗਤੀ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ
• C) ਕਿਉਂਕਿ ਇਹ ਮਾਡਲ ਦੁਆਰਾ ਸਮਰਥਿਤ ਫਾਈਲ ਫਾਰਮੈਟਾਂ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ
• ਡੀ) ਕਿਉਂਕਿ ਇਸਦਾ ਕੋਈ ਵਿਹਾਰਕ ਪ੍ਰਭਾਵ ਨਹੀਂ ਹੈ, ਇਹ ਕੇਵਲ ਇੱਕ ਮਾਰਕੀਟਿੰਗ ਵੇਰਵੇ ਹੈ

ਵਰਣਨ: ਦੇਸ਼ ਜਿੱਥੇ ਮਾਡਲ ਦਾ ਵਿਕਾਸਕਾਰ ਸਥਿਤ ਹੈ ਅਤੇ ਕਿੱਥੇ/ਕਿੰਨਾ ਡੇਟਾ ਸਟੋਰ ਕੀਤਾ ਜਾਂਦਾ ਹੈ; ਇਹ ਕਾਨੂੰਨੀ ਨਿਯਮ, ਡੇਟਾ ਸੰਪ੍ਰਭੂਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੇ ਮਾਮਲੇ ਵਿੱਚ ਨਿਰਣਾਇਕ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਇੱਕ ਸੰਗਠਨ ਲਈ ਜੋ EU ਦੇ ਅੰਦਰ ਮੇਜ਼ਬਾਨੀ ਕਰਨਾ ਚਾਹੁੰਦਾ ਹੈ, ਇੱਕ ਖੇਤਰੀ ਪ੍ਰਦਾਤਾ ਜਾਂ ਜ਼ੀਰੋ ਸਟੋਰੇਜ ਵਿਕਲਪ ਮਹੱਤਵਪੂਰਨ ਬਣ ਜਾਂਦਾ ਹੈ।

14. ਕਿਹੜਾ ਸਭ ਤੋਂ ਵਧੀਆ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਕਿ ਇੱਕ ਕੰਮ ਵਿੱਚ 'ਸਿੰਗਲ ਸਰਵੋਤਮ ਮਾਡਲ' ਦੀ ਭਾਲ ਕਿਉਂ ਗੁੰਮਰਾਹਕੁੰਨ ਹੈ?

• ਏ) ਸਾਰੇ ਮਾਡਲਾਂ ਵਿੱਚ ਅਸਲ ਵਿੱਚ ਇੱਕੋ ਜਿਹੀਆਂ ਸਮਰੱਥਾਵਾਂ ਹਨ
• ਅ) ਮਾਡਲ ਵੱਖ-ਵੱਖ ਆਕਾਰਾਂ ਵਿੱਚ ਮਜ਼ਬੂਤ ਹੁੰਦੇ ਹਨ, ਇਸ ਲਈ 'ਵਧੀਆ' ਨੌਕਰੀ ਦੀ ਲੋੜ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ ✔
• C) ਸਭ ਤੋਂ ਮਹਿੰਗਾ ਮਾਡਲ ਹਰ ਕੰਮ 'ਤੇ ਆਪਣੇ ਆਪ ਸਭ ਤੋਂ ਵਧੀਆ ਹੁੰਦਾ ਹੈ
• ਡੀ) ਮਾਡਲ ਦੀ ਚੋਣ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੇਤਰਤੀਬੇ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ

ਵਰਣਨ: ਮਾਡਲ ਵੱਖ-ਵੱਖ ਮਾਪਾਂ ਜਿਵੇਂ ਕਿ ਗਤੀ, ਲਾਗਤ, ਸੰਦਰਭ, ਬਹੁ-ਵਿਧੀ, ਗੋਪਨੀਯਤਾ ਅਤੇ ਤਰਕ 'ਤੇ ਮਜ਼ਬੂਤ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਮਾਡਲ ਜੋ ਇੱਕ ਪਹਿਲੂ 'ਤੇ ਇੱਕ ਨੇਤਾ ਹੈ ਦੂਜੇ 'ਤੇ ਕਮਜ਼ੋਰ ਹੋ ਸਕਦਾ ਹੈ; ਇਸ ਲਈ 'ਵਧੀਆ' ਹਮੇਸ਼ਾ ਨੌਕਰੀ ਦੀ ਲੋੜ 'ਤੇ ਨਿਰਭਰ ਕਰਦਾ ਹੈ।