ਪੋਸ਼ਣ ਅਤੇ ਖੁਰਾਕ ਵਿਗਿਆਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਜਾਣ-ਪਛਾਣ: ਭੂਮਿਕਾਵਾਂ, ਸੀਮਾਵਾਂ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਨੈਤਿਕਤਾ

ਲਾਭ:

• ਇਹ ਪਤਾ ਲਗਾਉਣ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਕਿੱਥੇ ਨਕਲੀ ਬੁੱਧੀ ਡਾਇਟੀਟਿਕਸ ਵਰਕਫਲੋ ਵਿੱਚ ਅਸਲ ਸਮੇਂ ਅਤੇ ਸਮਝ ਨੂੰ ਬਚਾਉਂਦੀ ਹੈ, ਅਤੇ ਜਿੱਥੇ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਫੈਸਲੇ (ਨਿਦਾਨ, ਪੋਸ਼ਣ ਸੰਬੰਧੀ ਥੈਰੇਪੀ, ਅੰਤਮ ਪ੍ਰਵਾਨਗੀ) ਨੂੰ ਕੰਮ ਦੇ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ, ਆਹਾਰ-ਵਿਗਿਆਨੀ ਅਤੇ ਡਾਕਟਰ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
• ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਲਿੰਕ ਕਰਨ, ਇਸਦੀ ਮੁੜ ਗਣਨਾ ਕਰਨ, ਅਤੇ ਇਸਨੂੰ ਕਲੀਨਿਕਲ ਫਿਲਟਰਿੰਗ ਦੁਆਰਾ ਪਾਸ ਕਰਨ ਦੇ ਕਦਮਾਂ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ।
• KVKK/ਗੋਪਨੀਯਤਾ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਗਾਹਕ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰਨਾ ਅਤੇ ਇੱਕ ਸੁਰੱਖਿਅਤ ਵਾਹਨ ਚੁਣਨ ਦੀ ਆਦਤ ਪਾਉਣਾ

ਇੱਕ ਡਾਇਟੀਸ਼ੀਅਨ ਦੇ ਡੈਸਕ 'ਤੇ ਹਰ ਰੋਜ਼ ਦਰਜਨਾਂ ਫੈਸਲੇ ਇਕੱਠੇ ਹੁੰਦੇ ਹਨ: ਗਾਹਕ ਦੀਆਂ ਰੋਜ਼ਾਨਾ ਊਰਜਾ ਲੋੜਾਂ ਦੀ ਗਣਨਾ ਕਰਨਾ, ਐਲਰਜੀ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਲਈ ਇੱਕ ਸੁਰੱਖਿਅਤ ਮੀਨੂ ਸਥਾਪਤ ਕਰਨਾ, ਪੌਸ਼ਟਿਕ ਭਾਸ਼ਾ ਵਿੱਚ ਖੂਨ ਦੀ ਜਾਂਚ ਦੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ, ਸਹਿਕਰਮੀ ਅਤੇ ਗਾਹਕ ਦੋਵਾਂ ਨੂੰ ਉਹੀ ਜਾਣਕਾਰੀ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਸਮਝਾਉਣਾ। ਇਸ ਵਿੱਚੋਂ ਕੁਝ ਕੰਮ ਦੁਹਰਾਉਣ ਵਾਲਾ ਅਤੇ ਸਮਾਂ ਬਰਬਾਦ ਕਰਨ ਵਾਲਾ ਹੈ; ਉਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਅਜਿਹੇ ਫੈਸਲੇ ਹਨ ਜੋ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਸਿਹਤ ਨੂੰ ਪ੍ਰਭਾਵਤ ਕਰਦੇ ਹਨ ਅਤੇ ਜਿਨ੍ਹਾਂ ਦੀ ਗਲਤੀ ਦਾ ਮਾਰਜਿਨ ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਛੋਟੇ ਲਈ AI, ਜਾਂ ਸੰਖੇਪ ਵਿੱਚ AI - ਕੰਪਿਊਟਰ ਸਿਸਟਮ ਜੋ ਟੈਕਸਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਗਣਨਾ ਕਰ ਸਕਦੇ ਹਨ, ਅਤੇ ਮਨੁੱਖਾਂ ਵਾਂਗ ਸੰਖੇਪ ਕਰ ਸਕਦੇ ਹਨ) ਇਸ ਤਸਵੀਰ ਦੇ ਬਿਲਕੁਲ ਵਿਚਕਾਰ ਫਿੱਟ ਬੈਠਦਾ ਹੈ: ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਇਹ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ ਅਤੇ ਤੁਹਾਨੂੰ ਸੋਚਣ ਲਈ ਥਾਂ ਦਿੰਦਾ ਹੈ; ਜਦੋਂ ਗਲਤ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਗਾਹਕ ਦੀ ਪਲੇਟ ਵਿੱਚ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਸੁਰੱਖਿਅਤ ਪਰ ਗਲਤ ਆਉਟਪੁੱਟ ਲਿਆ ਸਕਦਾ ਹੈ।

ਇਸ ਮੋਡੀਊਲ ਦੀ ਪਹਿਲੀ ਇਕਾਈ ਵਾਹਨ ਦੀ ਜਾਣ-ਪਛਾਣ ਨਹੀਂ ਹੈ। ਇਸਦਾ ਉਦੇਸ਼ ਇਹ ਸਪੱਸ਼ਟ ਕਰਨਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਪੇਸ਼ੇ ਵਿੱਚ AI ਨੂੰ ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ ਅਤੇ ਕਿੱਥੇ ਨਹੀਂ ਲਗਾਉਣਾ ਹੈ। ਕਿਉਂਕਿ ਖੁਰਾਕ ਵਿਗਿਆਨ ਇੱਕ "ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ" ਖੇਤਰ ਹੈ: ਤੁਹਾਡੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਇੱਕ ਵਿਅਕਤੀ ਦੇ ਮੈਟਾਬੋਲਿਜ਼ਮ, ਨਸ਼ੀਲੇ ਪਦਾਰਥਾਂ ਦੇ ਆਪਸੀ ਸੰਪਰਕ, ਐਲਰਜੀ ਪ੍ਰਤੀਕ੍ਰਿਆ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਆਉ ਇੱਥੇ ਮੂਲ ਸਿਧਾਂਤ ਨੂੰ ਦੁਹਰਾਉਂਦੇ ਹਾਂ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਸਹਾਇਕ ਹੈ, ਨਾ ਕਿ ਡਾਈਟੀਸ਼ੀਅਨ। ਪੋਸ਼ਣ ਸੰਬੰਧੀ ਥੈਰੇਪੀ ਦਾ ਫੈਸਲਾ, ਡਾਇਗਨੌਸਟਿਕ ਵਿਆਖਿਆ, ਅਤੇ ਅੰਤਮ ਯੋਜਨਾ ਦੀ ਮਨਜ਼ੂਰੀ ਯੋਗਤਾ ਪ੍ਰਾਪਤ ਮਾਹਰ ਦੇ ਨਾਲ ਆਰਾਮ ਕਰੋ - ਯਾਨੀ ਤੁਸੀਂ।

ਡਾਇਟੀਸ਼ੀਅਨ ਦੇ ਅਸਲ ਫਰਜ਼ ਅਤੇ ਏਆਈ ਦੀ ਜਗ੍ਹਾ

ਅਸੀਂ ਡਾਇਟੀਸ਼ੀਅਨ ਦੀ ਨੌਕਰੀ ਨੂੰ ਮੋਟੇ ਤੌਰ 'ਤੇ ਪੰਜ ਸਮੂਹਾਂ ਵਿੱਚ ਵੰਡ ਸਕਦੇ ਹਾਂ: (1) ਗਾਹਕ ਦੀ ਭਰਤੀ ਅਤੇ ਇਤਿਹਾਸ ਸੰਗ੍ਰਹਿ, (2) ਮੁਲਾਂਕਣ ਅਤੇ ਗਣਨਾ (ਊਰਜਾ, ਮੈਕਰੋ, ਮਾਈਕ੍ਰੋਨਿਊਟ੍ਰੀਐਂਟ), (3) ਯੋਜਨਾ ਬਣਾਉਣਾ (ਭੋਜਨ, ਮੀਨੂ, ਵਿਅੰਜਨ), (4) ਗਾਹਕ ਦੀ ਸਿੱਖਿਆ ਅਤੇ ਫਾਲੋ-ਅੱਪ, (5) ਰਿਕਾਰਡਿੰਗ, ਰਿਪੋਰਟਿੰਗ ਅਤੇ ਸਬੂਤ ਟਰੈਕਿੰਗ। AI ਇਹਨਾਂ ਸਾਰੇ ਸਮੂਹਾਂ ਨੂੰ ਛੂਹ ਸਕਦਾ ਹੈ, ਪਰ ਇੱਕੋ ਅਧਿਕਾਰ ਨਾਲ ਨਹੀਂ।

"ਮੈਕਰੋ" ਦੁਆਰਾ ਸਾਡਾ ਮਤਲਬ ਹੈ ਮੈਕਰੋਨਿਊਟ੍ਰੀਐਂਟਸ: ਕਾਰਬੋਹਾਈਡਰੇਟ, ਪ੍ਰੋਟੀਨ ਅਤੇ ਚਰਬੀ — ਤਿੰਨ ਮੁੱਖ ਪੌਸ਼ਟਿਕ ਤੱਤ ਜੋ ਸਰੀਰ ਨੂੰ ਊਰਜਾ ਅਤੇ ਬਿਲਡਿੰਗ ਬਲਾਕਾਂ ਲਈ ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਲੋੜੀਂਦੇ ਹਨ। "ਮਾਈਕਰੋ" ਉਹ ਤੱਤ ਹਨ ਜੋ ਥੋੜ੍ਹੀ ਮਾਤਰਾ ਵਿੱਚ ਲੋੜੀਂਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਵਿਟਾਮਿਨ ਅਤੇ ਖਣਿਜ। AI ਗਾਹਕ ਦੇ ਮੈਕਰੋ ਬ੍ਰੇਕਡਾਊਨ ਨੂੰ ਸਕਿੰਟਾਂ ਵਿੱਚ ਉਹਨਾਂ ਦੀ ਟੀਚਾ ਕੈਲੋਰੀ ਦੇ ਅਧਾਰ ਤੇ ਰੂਪਰੇਖਾ ਦੇ ਸਕਦਾ ਹੈ। ਪਰ ਸਿਰਫ਼ ਤੁਸੀਂ ਜਾਣਦੇ ਹੋ ਕਿ ਕੀ ਉਹ ਡਰਾਫਟ ਗਾਹਕ ਦੇ ਗੁਰਦੇ ਦੇ ਕੰਮ, ਦਵਾਈਆਂ, ਅਤੇ ਸੱਭਿਆਚਾਰਕ ਖਾਣ-ਪੀਣ ਦੀਆਂ ਆਦਤਾਂ ਲਈ ਢੁਕਵਾਂ ਹੈ।

ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਮਿਸ਼ਨ ਦੁਆਰਾ AI ਦੀ ਭੂਮਿਕਾ ਅਤੇ ਜੋਖਮ ਪੱਧਰ ਦਾ ਸਾਰ ਦਿੰਦੀ ਹੈ:

ਖੋਜ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਜੋਖਮ ਦਾ ਪੱਧਰ

ਕੌਣ ਪ੍ਰਵਾਨ ਕਰਦਾ ਹੈ

ਭੋਜਨ ਦਾ ਵਿਚਾਰ/ਵਿਅੰਜਨ ਵਿਭਿੰਨਤਾ ਪੈਦਾ ਕਰਨਾ

ਐਕਸਲੇਟਰ, ਵਿਚਾਰ ਪੈਦਾ ਕਰਨ ਵਾਲਾ

ਘੱਟ

ਖੁਰਾਕ ਵਿਗਿਆਨੀ

ਮੈਕਰੋ/ਕੈਲੋਰੀ ਗਣਨਾ ਰੂਪਰੇਖਾ

ਖਾਤਾ ਡਰਾਫਟ, ਜਾਂਚਿਆ ਗਿਆ

ਮੱਧਮ

ਡਾਇਟੀਸ਼ੀਅਨ (ਮੁੜ ਗਣਨਾ ਕਰਦਾ ਹੈ)

ਇੱਕ ਗਾਹਕ ਸਿਖਲਾਈ ਪਾਠ ਲਿਖਣਾ

ਖਰੜਾ ਲਿਖਦਾ ਹੈ, ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ

ਮੱਧਮ

ਡਾਇਟੀਸ਼ੀਅਨ (ਵਿਗਿਆਨਕ ਸ਼ੁੱਧਤਾ)

ਐਲਰਜੀ/ਮੈਡੀਕਲ ਪਾਬੰਦੀ ਫਿਲਟਰਿੰਗ

ਸ਼ੁਰੂਆਤੀ ਸਕ੍ਰੀਨਿੰਗ ਕਦੇ ਵੀ ਅੰਤਿਮ ਸ਼ਬਦ ਨਹੀਂ ਹੁੰਦੀ ਹੈ

ਉੱਚ

ਆਹਾਰ ਵਿਗਿਆਨੀ (ਸ਼ਬਦਿਕ ਸੱਚ)

ਪਰਖ ਦੀ ਵਿਆਖਿਆ / ਨਿਦਾਨ

ਮਦਦਗਾਰ ਨਹੀਂ

ਬਹੁਤ ਉੱਚਾ

ਡਾਕਟਰ + ਆਹਾਰ-ਵਿਗਿਆਨੀ

ਡਰੱਗ-ਫੂਡ ਇੰਟਰੈਕਸ਼ਨ ਦਾ ਫੈਸਲਾ

ਮਦਦਗਾਰ ਨਹੀਂ

ਬਹੁਤ ਉੱਚਾ

ਚਿਕਿਤਸਕ / ਫਾਰਮਾਸਿਸਟ

ਇਸ ਚਾਰਟ ਵਿੱਚ ਇੱਕ ਲਾਈਨ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ: ਜਿਵੇਂ-ਜਿਵੇਂ ਜੋਖਮ ਵਧਦਾ ਹੈ, AI ਦੀ ਭੂਮਿਕਾ ਸੁੰਗੜਦੀ ਹੈ, ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਵਧਦੀ ਹੈ।

"ਪੁਸ਼ਟੀ" ਇਸ ਕਾਰੋਬਾਰ ਦਾ ਦਿਲ ਕਿਉਂ ਹੈ

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਆਪਣੇ ਜਵਾਬ ਵਿੱਚ ਭਰੋਸੇਮੰਦ ਜਾਪਦੇ ਹਨ, ਪਰ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਯਕੀਨੀ ਨਾ ਹੋਣ। ਤਕਨੀਕੀ ਭਾਸ਼ਾ ਵਿੱਚ, ਇਸ ਨੂੰ ਭੁਲੇਖਾ ਕਿਹਾ ਜਾਂਦਾ ਹੈ: ਇਹ ਇੱਕ ਪ੍ਰਵਾਹ ਵਾਕ ਵਿੱਚ ਗੈਰ-ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਦਾ ਮਾਡਲ ਦਾ ਨਿਰਮਾਣ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਹ ਸੱਚ ਹੈ। ਇੱਕ ਡਾਇਟੀਸ਼ੀਅਨ ਲਈ, ਇਹ ਇੱਕ ਘਾਤਕ ਜਾਲ ਹੈ: ਮਾਡਲ ਤੁਹਾਨੂੰ ਦੱਸ ਸਕਦਾ ਹੈ "100 ਗ੍ਰਾਮ ਬਦਾਮ ਵਿੱਚ 21 ਗ੍ਰਾਮ ਪ੍ਰੋਟੀਨ ਹੈ" (ਜੋ ਕਿ ਸੱਚ ਦੇ ਨੇੜੇ ਹੈ), ਪਰ ਇਹ ਤੁਹਾਨੂੰ ਬਰਾਬਰ ਭਰੋਸੇ ਨਾਲ ਇਹ ਵੀ ਦੱਸ ਸਕਦਾ ਹੈ ਕਿ "100 ਗ੍ਰਾਮ ਬਰੋਕਲੀ ਵਿੱਚ 12 ਗ੍ਰਾਮ ਪ੍ਰੋਟੀਨ ਹੈ" (ਜੋ ਕਿ ਗਲਤ ਹੈ, ਇਹ ਅਸਲ ਵਿੱਚ ~8 ਗ੍ਰਾਮ ਹੈ)। ਕਿਉਂਕਿ ਉਹ ਇੱਕੋ ਰਵਾਨਗੀ ਨਾਲ ਦੋਵਾਂ ਨੂੰ ਕਹਿੰਦਾ ਹੈ, ਇਕੋ ਚੀਜ਼ ਜੋ ਸਹੀ ਅਤੇ ਗਲਤ ਨੂੰ ਵੱਖ ਕਰਦੀ ਹੈ ਉਹ ਹੈ ਤੁਹਾਡਾ ਗਿਆਨ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਦੀ ਆਦਤ।

ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਤਿੰਨ ਕਦਮ ਹੁੰਦੇ ਹਨ:

1. ਸਰੋਤ ਨਾਲ ਲਿੰਕ: ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਜਿਵੇਂ ਕਿ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਲਈ, ਇੱਕ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਪੋਸ਼ਣ ਡੇਟਾਬੇਸ (ਜਿਵੇਂ ਕਿ USDA ਫੂਡਡਾਟਾ ਸੈਂਟਰਲ ਜਾਂ TÜBER/Türkiye ਪੋਸ਼ਣ ਗਾਈਡ ਨਾਲ ਜੁੜੇ ਟੇਬਲ) 'ਤੇ ਭਰੋਸਾ ਕਰੋ, ਨਾ ਕਿ AI ਦੀ ਮੈਮੋਰੀ। ਇਸ ਡੇਟਾ ਦੀ ਵਿਆਖਿਆ ਕਰਨ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਨਾ ਕਿ ਇਸਨੂੰ ਯਾਦ ਰੱਖਣ ਲਈ।
2. ਮੁੜ ਗਣਨਾ ਕਰੋ: ਹਰੇਕ ਕੈਲੋਰੀ/ਮੈਕਰੋ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਜੋ AI ਘੱਟੋ-ਘੱਟ ਇੱਕ ਵਾਰ ਦਿੰਦਾ ਹੈ, ਜਾਂ ਤਾਂ ਹੱਥੀਂ ਜਾਂ ਭਰੋਸੇਯੋਗ ਕੈਲਕੁਲੇਟਰ ਨਾਲ। ਖਾਸ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਕੁੱਲ ਮੇਲ ਖਾਂਦਾ ਹੈ।
3. ਕਲੀਨਿਕਲ ਫਿਲਟਰ: ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਆਉਟਪੁੱਟ ਗਾਹਕ ਦੀ ਡਾਕਟਰੀ ਸਥਿਤੀ, ਦਵਾਈਆਂ, ਅਤੇ ਤਰਜੀਹਾਂ ਨਾਲ ਟਕਰਾਅ ਹੈ।

ਧਿਆਨ ਦਿਓ: AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੀ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਸਾਰਣੀ ਨੂੰ ਗਾਹਕ ਦੀ ਯੋਜਨਾ ਵਿੱਚ ਇਸ ਦੇ ਸਰੋਤ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਨਕਲ ਕਰਨਾ ਤੁਹਾਡੀ ਪੇਸ਼ੇਵਰ ਜ਼ਿੰਮੇਵਾਰੀ ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਹਸਤਾਖਰਿਤ ਨੁਸਖ਼ਾ ਦੇਣ ਵਰਗਾ ਹੈ। ਨੰਬਰ ਸਹੀ ਨਹੀਂ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪ੍ਰਵਾਹ ਨਾਲ ਸਾਹਮਣੇ ਆਇਆ ਹੈ।

ਗੁਪਤਤਾ: ਕਲਾਇੰਟ ਡੇਟਾ ਪਵਿੱਤਰ ਹੈ

ਕਲਾਇੰਟ ਡੇਟਾ (ਭਾਰ, ਬਿਮਾਰੀ ਦਾ ਇਤਿਹਾਸ, ਟੈਸਟ ਦੇ ਨਤੀਜੇ, ਦਵਾਈਆਂ) ਵਿਸ਼ੇਸ਼ ਨਿੱਜੀ ਡੇਟਾ ਹੈ ਅਤੇ ਯੂਰਪ ਵਿੱਚ ਤੁਰਕੀਏ ਅਤੇ ਜੀਡੀਪੀਆਰ ਵਿੱਚ KVKK (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਅਧੀਨ ਸੁਰੱਖਿਅਤ ਹੈ। ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਗਾਹਕ ਦਾ ਨਾਮ, TR ID ਨੰਬਰ ਅਤੇ ਨਿਦਾਨ ਨੂੰ ਪੇਸਟ ਕਰਨਾ ਇੱਕ ਗੰਭੀਰ ਉਲੰਘਣਾ ਹੈ। ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ। "Ayşe Yılmaz, 43 ਸਾਲ ਦੀ ਉਮਰ, ਟਾਈਪ 2 ਸ਼ੂਗਰ" ਦੀ ਬਜਾਏ, "43-year-old woman client, type 2 diabetes" ਲਿਖੋ; ਨਾਮ, ਸੰਪਰਕ ਜਾਣਕਾਰੀ, ਸੰਸਥਾ ਦਾ ਨਾਮ ਹਟਾਓ। ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਇੱਕ ਕਾਰਪੋਰੇਟ ਅਤੇ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਝੌਤੇ ਨਾਲ ਟੂਲ ਚੁਣੋ; ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਤੁਹਾਡਾ ਡੇਟਾ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਨਹੀਂ ਵਰਤਿਆ ਗਿਆ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਸੁਰੱਖਿਅਤ ਵਰਤੋਂ। ਇੱਕ ਡਾਇਟੀਸ਼ੀਅਨ ਇੱਕ 70 ਕਿਲੋਗ੍ਰਾਮ, ਸਰਗਰਮ ਐਥਲੀਟ ਕਲਾਇੰਟ ਲਈ 5 ਵੱਖ-ਵੱਖ ਉੱਚ-ਪ੍ਰੋਟੀਨ ਨਾਸ਼ਤੇ ਦੇ ਵਿਚਾਰਾਂ ਲਈ AI ਨੂੰ ਪੁੱਛਦਾ ਹੈ। AI 5 ਵਿਚਾਰ ਪੈਦਾ ਕਰਦਾ ਹੈ; ਆਹਾਰ-ਵਿਗਿਆਨੀ ਉਹਨਾਂ ਵਿੱਚੋਂ 3 ਦੀ ਚੋਣ ਕਰਦਾ ਹੈ, ਉਸਦੇ ਮੈਕਰੋ ਟੀਚੇ ਦੇ ਅਧਾਰ ਤੇ ਭਾਗਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕਰਦਾ ਹੈ, ਅਤੇ USDA ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ ਪੌਸ਼ਟਿਕ ਮੁੱਲਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ। ਮਿਆਦ: 10 ਮਿੰਟ ਦੀ ਬਜਾਏ 3 ਮਿੰਟ। AI ਨੇ ਆਈਡੀਆ ਦਿੱਤਾ, ਫੈਸਲਾ ਡਾਇਟੀਸ਼ੀਅਨ ਕੋਲ ਹੀ ਰਿਹਾ।

ਕੇਸ 2 - ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਖਾਤਾ ਜਾਲ। ਇੱਕ ਹੋਰ ਆਹਾਰ-ਵਿਗਿਆਨੀ ਕੋਲ AI ਹੈ ਜੋ ਗਾਹਕ ਦੀਆਂ ਰੋਜ਼ਾਨਾ ਲੋੜਾਂ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ ਅਤੇ ਨਤੀਜੇ ਵਜੋਂ 1,850 kcal ਯੋਜਨਾ ਦਿੰਦਾ ਹੈ। ਪਰ AI ਨੇ ਗਾਹਕ ਦੇ ਗਤੀਵਿਧੀ ਗੁਣਾਂਕ ਨੂੰ ਗਲਤ ਢੰਗ ਨਾਲ ਮੰਨਿਆ, ਅਤੇ ਅਸਲ ਲੋੜ ~2,300 kcal ਸੀ। ਗਾਹਕ ਹਫ਼ਤਿਆਂ ਤੋਂ ਕੁਪੋਸ਼ਿਤ ਰਹਿੰਦਾ ਹੈ ਅਤੇ ਕਮਜ਼ੋਰੀ ਦੀ ਸ਼ਿਕਾਇਤ ਨਾਲ ਵਾਪਸ ਆਉਂਦਾ ਹੈ। ਕਸੂਰ AI ਦਾ ਨਹੀਂ, ਸਗੋਂ ਡਾਇਟੀਸ਼ੀਅਨ ਦਾ ਹੈ ਜਿਸ ਨੇ ਤਸਦੀਕ ਨੂੰ ਛੱਡ ਦਿੱਤਾ।

ਕੇਸ 3 - ਗੁਪਤਤਾ ਦੀ ਉਲੰਘਣਾ। ਇੱਕ ਇੰਟਰਨ ਕਲਾਇੰਟ ਦਾ ਪੂਰਾ ਨਾਮ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ PDF ਨੂੰ ਇੱਕ AI ਟੂਲ ਵਿੱਚ ਲੋਡ ਕਰਦਾ ਹੈ ਅਤੇ "ਟਿੱਪਣੀ" ਕਹਿੰਦਾ ਹੈ। ਡਾਟਾ ਇੱਕ ਬਾਹਰੀ ਸਰਵਰ 'ਤੇ ਚਲਾ ਗਿਆ। ਸੰਸਥਾ KVKK ਜਾਂਚ ਦਾ ਸਾਹਮਣਾ ਕਰ ਰਹੀ ਹੈ। ਸਹੀ ਤਰੀਕਾ ਸੀ ਡੇਟਾ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਉਣਾ ਅਤੇ ਸਿਰਫ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਨੂੰ ਗੁਮਨਾਮ ਰੂਪ ਵਿੱਚ ਸਾਂਝਾ ਕਰਨਾ।

ਕਾਪੀ ਕਰਨ ਯੋਗ ਪ੍ਰੋਂਪਟ ਟੈਂਪਲੇਟਸ

ਹੇਠਾਂ ਦਿੱਤੇ ਪੈਟਰਨ ਸਟਾਰਟਰ ਪੈਟਰਨ ਹਨ ਜੋ AI ਨੂੰ ਇੱਕ ਸੁਰੱਖਿਅਤ "ਸਹਾਇਕ" ਭੂਮਿਕਾ ਵਿੱਚ ਰੱਖਦੇ ਹਨ। ਆਪਣੇ ਵਿਅਕਤੀਗਤ ਕਲਾਇੰਟ ਲਈ ਬਰੈਕਟਾਂ ਨੂੰ ਭਰੋ ਅਤੇ ਯਕੀਨੀ ਬਣਾਓ ਕਿ ਡੇਟਾ ਅਗਿਆਤ ਹੈ।

ਭੂਮਿਕਾ ਅਤੇ ਸੀਮਾਵਾਂ ਦਾ ਵਰਣਨ ਟੈਮਪਲੇਟ ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡਾਈਟੀਸ਼ੀਅਨ ਲਈ ਸਹਾਇਕ ਤਿਆਰ ਕਰਨ ਵਾਲਾ ਡਰਾਫਟ। ਤੁਸੀਂ ਡਾਈਟੀਸ਼ੀਅਨ ਨਹੀਂ ਹੋ; ਨਿਦਾਨ ਕਰਨਾ, ਡਾਕਟਰੀ ਸਲਾਹ ਦੇਣਾ। ਡਾਇਟੀਸ਼ੀਅਨ ਫੈਸਲਾ ਅਤੇ ਅੰਤਿਮ ਪ੍ਰਵਾਨਗੀ ਦਿੰਦਾ ਹੈ। ਜੇ ਤੁਸੀਂ ਯਕੀਨੀ ਨਹੀਂ ਹੋ, ਤਾਂ ਇਸ ਨੂੰ "[ਆਹਾਰ-ਵਿਗਿਆਨੀ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਿਓ]" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ, ਇਸਨੂੰ ਨਾ ਬਣਾਓ। ਟਾਸਕ: [ਟਾਸਕ ਲਿਖੋ]।

ਤਸਦੀਕ ਬੇਨਤੀ ਟੈਂਪਲੇਟ ਹੇਠਾਂ ਦਿੱਤੇ ਆਉਟਪੁੱਟ ਦੇਣ ਤੋਂ ਬਾਅਦ, ਇੱਕ ਵੱਖਰੀ ਸੂਚੀ ਬਿੰਦੂਆਂ ਦੀ ਇੱਕ ਵੱਖਰੀ ਸੂਚੀ ਦੇ ਰੂਪ ਵਿੱਚ ਦਿਖਾਈ ਦਿੰਦੀ ਹੈ ਜਿਸਦੀ ਡਾਇਟੀਸ਼ੀਅਨ ਨੂੰ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਜਾਂਚ ਕਰਨੀ ਚਾਹੀਦੀ ਹੈ: ਕਿਹੜੇ ਨੰਬਰਾਂ ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਸਰੋਤ ਤੋਂ ਕਿਹੜੇ ਪੋਸ਼ਣ ਮੁੱਲ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ, ਕਿਹੜੀ ਐਲਰਜੀ/ਪ੍ਰਤੀਬੰਧ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ। ਆਉਟਪੁੱਟ: [...]

ਕਿਸੇ AI ਟੂਲ ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਗੁਪਤਤਾ ਲਈ ਅਨਾਮਾਈਜ਼ੇਸ਼ਨ ਚੈੱਕ ਟੈਮਪਲੇਟਸ ਨਿਮਨਲਿਖਤ ਟੈਕਸਟ ਨੂੰ ਸਕੈਨ ਕਰੋ: ਕੀ ਕੋਈ ਪਛਾਣ ਕਰਨ ਵਾਲਾ ਡੇਟਾ ਹੈ ਜਿਵੇਂ ਕਿ ਨਾਮ, TR ਆਈਡੀ, ਸੰਪਰਕ, ਸੰਸਥਾ, ਜਨਮ ਮਿਤੀ? ਜੇਕਰ ਉਪਲਬਧ ਹੋਵੇ ਤਾਂ ਚਿੰਨ੍ਹਿਤ ਕਰੋ ਅਤੇ ਇੱਕ ਅਗਿਆਤ ਸੰਸਕਰਣ ਦਾ ਸੁਝਾਅ ਦਿਓ। ਟੈਕਸਟ: [...]

ਸੰਖਿਆਤਮਕ ਡੇਟਾ ਜਿਵੇਂ ਕਿ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਲਈ ਤੁਹਾਡੀ ਆਪਣੀ ਮੈਮੋਰੀ ਤੋਂ ਮੁੱਲਾਂ ਨੂੰ ਜੋੜਨਾ ਟੈਂਪਲੇਟ ਤਿਆਰ ਕਰਨਾ। ਸਿਰਫ਼ ਮੇਰੇ ਵੱਲੋਂ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਜਾਣੇ-ਪਛਾਣੇ ਡੇਟਾਬੇਸ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰੋ; ਜੇ ਨਹੀਂ, ਤਾਂ "[ਕੋਈ ਡਾਟਾ ਨਹੀਂ, ਡਾਇਟੀਸ਼ੀਅਨ ਨੂੰ ਸਰੋਤ ਦੀ ਜਾਂਚ ਕਰਨ ਦਿਓ]" ਲਿਖੋ। ਟਾਸਕ: [...]

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਚਲੋ ਇੱਕੋ ਨੌਕਰੀ ਲਈ ਦੋ ਵੱਖ-ਵੱਖ ਤਰੀਕਿਆਂ ਨਾਲ ਪੁੱਛੀਏ:

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਗਾਹਕ ਲਈ ਇੱਕ ਖੁਰਾਕ ਲਿਖੋ।

ਇਹ ਇੱਛਾ ਅਸਪਸ਼ਟ ਹੈ: AI ਉਮਰ, ਲਿੰਗ, ਟੀਚਾ, ਜਾਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ਇੱਕ ਆਮ, ਸੰਭਵ ਤੌਰ 'ਤੇ ਨੁਕਸਦਾਰ ਯੋਜਨਾ ਤਿਆਰ ਕਰਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡਾਇਟੀਸ਼ੀਅਨ ਲਈ ਡਰਾਫਟ ਸਹਾਇਕ। ਫੈਸਲਾ ਅਤੇ ਪ੍ਰਵਾਨਗੀ ਖੁਰਾਕ ਮਾਹਿਰ ਨਾਲ ਸਬੰਧਤ ਹੈ; ਡਾਕਟਰੀ ਸਲਾਹ ਦੇਣਾ। ਕਲਾਇੰਟ (ਅਗਿਆਤ): 38 ਸਾਲ ਦੀ ਉਮਰ ਦੀ ਔਰਤ, ਦਫਤਰੀ ਕਰਮਚਾਰੀ (ਥੋੜਾ ਸਰਗਰਮ), ਕੱਦ 165 ਸੈਂਟੀਮੀਟਰ, ਭਾਰ 78 ਕਿਲੋਗ੍ਰਾਮ, ਟੀਚਾ ਸਿਹਤਮੰਦ ਭਾਰ ਘਟਾਉਣਾ ਹੈ। ਐਲਰਜੀ: ਹੇਜ਼ਲਨਟ. ਸੀਮਾ: ਲੈਕਟੋਜ਼ ਅਸਹਿਣਸ਼ੀਲਤਾ. ਸੱਭਿਆਚਾਰ: ਉਹ ਤੁਰਕੀ ਪਕਵਾਨਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦਾ ਹੈ। ਕੰਮ: ~1600 kcal ਪ੍ਰਤੀ ਦਿਨ ਲਈ 3 ਭੋਜਨ + 1 ਸਨੈਕ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਭੋਜਨ ਦਾ ਵਿਚਾਰ। ਹਰੇਕ ਵਿਚਾਰ ਦੇ ਅੱਗੇ ਅਨੁਮਾਨਿਤ ਕੈਲੋਰੀ ਅਤੇ ਮੈਕਰੋ ਦਿਓ, ਪਰ "ਇਹ ਮੁੱਲ ਇੱਕ ਖੁਰਾਕ ਵਿਗਿਆਨੀ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ" ਕਹਿਣ ਵਿੱਚ ਇੱਕ ਨੋਟ ਸ਼ਾਮਲ ਕਰੋ। ਹੇਜ਼ਲਨਟਸ ਜਾਂ ਲੈਕਟੋਜ਼ ਵਾਲੇ ਕੋਈ ਵੀ ਸੁਝਾਅ ਸ਼ਾਮਲ ਨਾ ਕਰੋ।

ਦੂਜਾ ਪ੍ਰੋਂਪਟ AI ਨੂੰ ਉਸਦੀ ਭੂਮਿਕਾ, ਸੀਮਾ, ਕਲਾਇੰਟ ਸੰਦਰਭ, ਅਤੇ ਸੁਰੱਖਿਆ ਰੁਕਾਵਟ ਦਿੰਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਇੱਕ ਡਰਾਫਟ ਹੈ ਜੋ ਤਸਦੀਕ ਕਰਨ ਲਈ ਤਿਆਰ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਮਨਜ਼ੂਰੀ ਛੱਡਣਾ: ਗਾਹਕ ਨੂੰ ਬਿਨਾਂ ਜਾਂਚ ਕੀਤੇ AI ਆਉਟਪੁੱਟ ਦੇਣਾ। ਆਉਟਪੁੱਟ ਹਮੇਸ਼ਾ ਇੱਕ ਡਰਾਫਟ ਹੁੰਦਾ ਹੈ।
• ਅਨਸੋਰਸਡ ਨੰਬਰਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ: AI ਮੈਮੋਰੀ ਤੋਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲ ਮੁੜ ਪ੍ਰਾਪਤ ਕਰਨਾ; ਜਦੋਂ ਕਿ ਇੱਕ ਨਾਮਵਰ ਡੇਟਾਬੇਸ ਲਾਜ਼ਮੀ ਹੈ।
• ਗੋਪਨੀਯਤਾ ਨੂੰ ਭੁੱਲਣਾ: ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ ਜਿਵੇਂ ਕਿ ਨਾਮ, ਵਿਸ਼ਲੇਸ਼ਣ, TR ਨੰਬਰ ਨੂੰ ਗੁਪਤ ਰੱਖੇ ਬਿਨਾਂ।
• ਭੂਮਿਕਾ ਨੂੰ ਸਪਸ਼ਟ ਨਹੀਂ ਕਰਨਾ: AI ਨੂੰ "ਆਹਾਰ-ਵਿਗਿਆਨੀ" ਬਣਨ ਲਈ ਕਹਿਣਾ। ਇਸਦਾ ਅਸਲ ਵਿੱਚ ਮਤਲਬ ਹੈ "ਡਾਇਟੀਸ਼ੀਅਨ ਲਈ ਇੱਕ ਡਰਾਫਟ ਤਿਆਰ ਕਰੋ"; ਫੈਸਲਾ ਵਿਅਕਤੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ।
• ਅਤਿਕਥਨੀ ਵਾਲੇ ਸਿਹਤ ਦਾਅਵਿਆਂ: AI ਦੁਆਰਾ ਇਸ ਨੂੰ ਫਿਲਟਰ ਕੀਤੇ ਬਿਨਾਂ "ਇਹ ਭੋਜਨ ਬਿਮਾਰੀ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ" ਵਰਗੇ ਵਾਕਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਸੰਖੇਪ ਵਿੱਚ

ਨਕਲੀ ਬੁੱਧੀ ਖੁਰਾਕ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ: ਇਹ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ, ਵਿਚਾਰਾਂ ਦੀ ਵਿਭਿੰਨਤਾ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਟੈਕਸਟ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦਾ ਹੈ। ਪਰ ਇਹ ਕਦੇ ਨਾ ਭੁੱਲੋ ਕਿ ਤੁਸੀਂ ਸੁਰੱਖਿਆ-ਨਾਜ਼ੁਕ ਖੇਤਰ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਹੋ। ਜਿਵੇਂ-ਜਿਵੇਂ ਦਾਅ ਵਧਦਾ ਹੈ, AI ਦੀ ਭੂਮਿਕਾ ਛੋਟੀ ਹੁੰਦੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਤੁਹਾਡੀ ਸਹਿਮਤੀ ਵਧਦੀ ਜਾਂਦੀ ਹੈ। ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਤਿੰਨ ਫਿਲਟਰਾਂ ਰਾਹੀਂ ਪਾਓ: ਸਰੋਤ, ਮੁੜ ਗਣਨਾ, ਕਲੀਨਿਕਲ ਟੈਸਟ। ਗਾਹਕ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਬਣਾਓ। ਅਤੇ ਹਮੇਸ਼ਾ ਯਾਦ ਰੱਖੋ: ਨਿਦਾਨ, ਇਲਾਜ ਦਾ ਫੈਸਲਾ, ਅਤੇ ਅੰਤਮ ਯੋਜਨਾ ਦੀ ਮਨਜ਼ੂਰੀ ਡਾਇਟੀਸ਼ੀਅਨ ਨਾਲ ਸਬੰਧਤ ਹੈ; AI ਦਸਤਖਤ ਨਹੀਂ ਕਰਦਾ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ ਅਧਿਐਨ (ਜਾਂ ਕਾਲਪਨਿਕ) ਵਿੱਚੋਂ ਇੱਕ ਕਲਾਇੰਟ ਚੁਣੋ ਅਤੇ ਪਹਿਲਾਂ ਉਹਨਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ। ਫਿਰ ਉੱਪਰ ਦਿੱਤੇ "ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ" ਟੈਮਪਲੇਟ ਨੂੰ ਦੁਬਾਰਾ ਲਿਖੋ, ਇਸਨੂੰ ਆਪਣੇ ਖੁਦ ਦੇ ਕਲਾਇੰਟ ਲਈ ਅਨੁਕੂਲਿਤ ਕਰੋ। AI ਤੋਂ ਭੋਜਨ ਦੇ ਵਿਚਾਰਾਂ ਦੀ ਇੱਕ ਸੂਚੀ ਪ੍ਰਾਪਤ ਕਰੋ, ਫਿਰ ਇੱਕ ਭਰੋਸੇਯੋਗ ਭੋਜਨ ਡੇਟਾਬੇਸ ਦੇ ਵਿਰੁੱਧ ਨਤੀਜੇ ਵਜੋਂ ਕੈਲੋਰੀ/ਮੈਕਰੋ ਮੁੱਲਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ਅਤੇ ਅੰਤਰ ਨੂੰ ਨੋਟ ਕਰੋ। ਇਸ ਅੰਤਰ ਨੂੰ ਦੇਖਣ ਨਾਲ ਇਹ ਪੱਕਾ ਹੋ ਜਾਵੇਗਾ ਕਿ ਤੁਹਾਡਾ ਪੁਸ਼ਟੀਕਰਨ ਅਨੁਸ਼ਾਸਨ ਕਿਉਂ ਜ਼ਰੂਰੀ ਹੈ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ AI ਨੂੰ "ਸਹਾਇਕ/ਡਰਾਫਟ" ਭੂਮਿਕਾ ਦਿੱਤੀ, ਨਾ ਕਿ "ਆਹਾਰ ਵਿਗਿਆਨੀ" ਦੀ ਭੂਮਿਕਾ।
• [ ] ਮੈਂ ਕਲਾਇੰਟ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ (ਨਾਮ, ਆਈਡੀ, ਸੰਪਰਕ ਹਟਾਇਆ ਗਿਆ)।
• [ ] ਮੈਂ ਇੱਕ ਮਾਨਤਾ ਪ੍ਰਾਪਤ ਡੇਟਾਬੇਸ ਤੋਂ ਪੌਸ਼ਟਿਕ ਮੁੱਲਾਂ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ AI ਦੁਆਰਾ ਦਿੱਤੀ ਗਈ ਕੈਲੋਰੀ/ਮੈਕ੍ਰੋ ਕੁੱਲ ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ।
• ਮੈਂ ਕਲਾਇੰਟ ਦੀ ਡਾਕਟਰੀ ਸਥਿਤੀ ਅਤੇ ਤਰਜੀਹਾਂ ਨਾਲ ਟਕਰਾਅ ਲਈ ਆਉਟਪੁੱਟ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ ਹੈ।
• ਇੱਕ ਆਹਾਰ-ਵਿਗਿਆਨੀ ਹੋਣ ਦੇ ਨਾਤੇ, ਮੈਂ ਅੰਤਿਮ ਯੋਜਨਾ ਨੂੰ ਮਨਜ਼ੂਰੀ ਦਿੱਤੀ; ਦਸਤਖਤ YZ 'ਤੇ ਨਹੀਂ, ਮੇਰੇ 'ਤੇ ਹਨ।