ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਨਾਲ ਪੂਰੀ ਆਬਾਦੀ ਜਾਂਚ: ਨਮੂਨੇ ਤੋਂ ਪੂਰੇ ਤੱਕ

ਲਾਭ:

• ਨਮੂਨਾ ਲੈਣ ਦੇ ਜੋਖਮ ਅਤੇ ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟਿੰਗ (100% ਟੈਸਟਿੰਗ) ਦੇ ਤਰਕ ਨੂੰ ਸਮਝੋ ਅਤੇ ਡੇਟਾ ਤਿਆਰ ਕਰਨ, ਨਿਯਮ ਲਿਖਣ ਅਤੇ ਨਤੀਜੇ ਦੀ ਵਿਆਖਿਆ ਲਈ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੋ।
• ਨਕਲੀ ਖੁਫੀਆ ਸਹਾਇਤਾ ਦੇ ਨਾਲ ਵੱਡੇ ਡੇਟਾ ਸੈੱਟਾਂ ਵਿੱਚ ਮੈਚਿੰਗ, ਸੰਪੂਰਨਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਟੈਸਟਾਂ ਨੂੰ ਡਿਜ਼ਾਈਨ ਕਰਨ ਅਤੇ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇਹ ਸਮਝਣ ਦੀ ਯੋਗਤਾ ਕਿ ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟ ਵਿੱਚ ਅਪਵਾਦ ਸੂਚੀ ਇੱਕ ਨਤੀਜਾ ਨਹੀਂ ਹੈ, ਪਰ ਇੱਕ ਸ਼ੁਰੂਆਤ ਹੈ ਜਿਸਦੀ ਆਡੀਟਰ ਜਾਂਚ ਕਰੇਗਾ, ਅਤੇ ਇਹ ਕਿ ਅੰਤਿਮ ਮੁਲਾਂਕਣ ਆਡੀਟਰ ਨਾਲ ਸਬੰਧਤ ਹੈ।

ਆਡਿਟਿੰਗ ਪੇਸ਼ੇ ਦੀਆਂ ਸਭ ਤੋਂ ਬੁਨਿਆਦੀ ਸੀਮਾਵਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਸੀ ਕਿ ਆਡੀਟਰ ਨੂੰ ਕਈ ਸਾਲਾਂ ਤੋਂ ਨਮੂਨੇ ਦੇ ਨਾਲ ਕੰਮ ਕਰਨਾ ਪੈਂਦਾ ਸੀ। ਤੁਸੀਂ ਇੱਕ ਸਾਲ ਵਿੱਚ ਵਪਾਰਕ ਸਮੱਸਿਆਵਾਂ ਦੇ 180,000 ਇਨਵੌਇਸਾਂ ਦੀ ਦਸਤੀ ਸਮੀਖਿਆ ਨਹੀਂ ਕਰ ਸਕਦੇ ਹੋ; ਇਸ ਲਈ ਤੁਸੀਂ ਅੰਕੜਾ ਜਾਂ ਨਿਰਣਾਇਕ ਵਿਧੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਕੁਝ ਸੌ ਰਿਕਾਰਡਾਂ ਦੀ ਚੋਣ ਕਰਦੇ ਹੋ, ਉਹਨਾਂ ਦੀ ਜਾਂਚ ਕਰਦੇ ਹੋ, ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਸਮੁੱਚੀ ਆਬਾਦੀ ਲਈ ਸਧਾਰਣ ਕਰਦੇ ਹੋ। ਨਮੂਨਾ ਲੈਣਾ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਅਤੇ ਜਾਇਜ਼ ਤਕਨੀਕ ਹੈ, ਪਰ ਇਹ ਇੱਕ ਅੰਦਰੂਨੀ ਜੋਖਮ ਰੱਖਦਾ ਹੈ: ਨਮੂਨਾ ਲੈਣ ਦਾ ਜੋਖਮ — ਤੁਹਾਡੇ ਦੁਆਰਾ ਚੁਣਿਆ ਗਿਆ ਨਮੂਨਾ ਆਬਾਦੀ ਦਾ ਪ੍ਰਤੀਨਿਧ ਨਹੀਂ ਹੋ ਸਕਦਾ ਹੈ, ਅਤੇ ਇਸ ਵਿੱਚ ਅਸਲ ਗਲਤੀ ਬਿਲਕੁਲ ਉਸੇ ਥਾਂ ਨਹੀਂ ਡਿੱਗ ਸਕਦੀ ਜਿੱਥੇ ਤੁਸੀਂ ਦੇਖ ਰਹੇ ਹੋ।

ਡਾਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਅਤੇ AI ਇਸ ਤਸਵੀਰ ਨੂੰ ਬਦਲਦੇ ਹਨ: ਤੁਸੀਂ ਹੁਣ ਪੂਰੀ ਆਬਾਦੀ, ਭਾਵ 100% ਦੀ ਜਾਂਚ ਕਰ ਸਕਦੇ ਹੋ। ਇਸ ਨੂੰ ਸੰਪੂਰਨ ਆਬਾਦੀ ਜਾਂਚ ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਅਸੀਂ ਇਸ ਯੂਨਿਟ ਨੂੰ "ਨਮੂਨੇ ਤੋਂ ਪੂਰੇ ਵਿੱਚ" ਤਬਦੀਲੀ ਨੂੰ ਸਮਝਣ ਲਈ ਸਮਰਪਿਤ ਕਰਦੇ ਹਾਂ, ਜੋ ਇਹ ਲਿਆਉਂਦਾ ਹੈ, ਅਤੇ ਨਵੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਬਹੁਤ ਸਾਰੇ ਲੋਕ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹਨ। ਕਿਉਂਕਿ ਪੂਰੀ ਆਬਾਦੀ ਦੀ ਜਾਂਚ ਨਿਰੀਖਣ ਦੀ ਸਹੂਲਤ ਨਹੀਂ ਦਿੰਦੀ; ਇਹ ਪ੍ਰੀਖਿਆ ਦੀ ਪ੍ਰਕਿਰਤੀ ਨੂੰ ਬਦਲਦਾ ਹੈ ਅਤੇ ਇਮਤਿਹਾਨ ਦੇਣ ਵਾਲੇ 'ਤੇ ਨਵਾਂ ਬੋਝ ਪਾਉਂਦਾ ਹੈ।

ਨਮੂਨਾ ਲੈਣ ਅਤੇ ਪੂਰੀ ਆਬਾਦੀ ਜਾਂਚ ਵਿੱਚ ਅੰਤਰ

ਕਲਾਸੀਕਲ ਨਮੂਨੇ ਵਿੱਚ, ਤਰਕ ਇਹ ਹੈ: "ਮੈਨੂੰ ਇੱਕ ਛੋਟੇ ਪਰ ਪ੍ਰਤੀਨਿਧੀ ਸਮੂਹ ਦੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਕਰਨ ਦਿਓ, ਅਤੇ ਨਤੀਜੇ ਨੂੰ ਸਮੁੱਚੇ ਰੂਪ ਵਿੱਚ ਵਿਆਖਿਆ ਕਰਨ ਦਿਓ।" ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟ ਵਿੱਚ, ਤਰਕ ਉਲਟਾ ਦਿੱਤਾ ਗਿਆ ਹੈ: "ਮੈਨੂੰ ਕੁਝ ਨਿਯਮਾਂ ਦੇ ਅਨੁਸਾਰ ਪੂਰੇ ਨੂੰ ਸਕੈਨ ਕਰਨ ਦਿਓ, ਨਿਯਮਾਂ ਤੋਂ ਬਾਹਰ ਹੋਣ ਵਾਲੇ ਅਪਵਾਦਾਂ ਨੂੰ ਲੱਭੋ ਅਤੇ ਉਹਨਾਂ ਦੀ ਚੰਗੀ ਤਰ੍ਹਾਂ ਜਾਂਚ ਕਰੋ।" ਪਹਿਲੀ ਪਹੁੰਚ ਵਿੱਚ, ਜੋਖਮ "ਗਲਤ ਨਮੂਨਾ ਚੁਣਨਾ" ਹੈ; ਦੂਜੇ ਵਿੱਚ, ਜੋਖਮ "ਗਲਤ ਨਿਯਮ ਲਿਖਣਾ" ਅਤੇ "ਅਧੂਰੇ/ਗਲਤ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਨਾ" ਹੈ।

ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਦੋ ਤਰੀਕਿਆਂ ਦੀ ਤੁਲਨਾ ਕਰਦੀ ਹੈ:

ਆਕਾਰ

ਨਮੂਨਾ

ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟਿੰਗ (100%)

ਸਕੋਪ

ਆਬਾਦੀ ਦਾ ਹਿੱਸਾ

ਸਾਰੀ ਆਬਾਦੀ

ਮੁੱਖ ਜੋਖਮ

ਨਮੂਨਾ ਲੈਣ ਦਾ ਜੋਖਮ (ਪ੍ਰਤੀਨਿਧਤਾ ਗਲਤੀ)

ਨਿਯਮ ਗਲਤੀ + ਡਾਟਾ ਇਕਸਾਰਤਾ ਗਲਤੀ

ਆਉਟਪੁੱਟ

ਟੈਸਟ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਸੀਮਤ ਗਿਣਤੀ

ਅਪਵਾਦਾਂ ਦੀ ਸੂਚੀ ਜੋ ਨਿਯਮ ਦੀ ਪਾਲਣਾ ਨਹੀਂ ਕਰਦੇ ਹਨ

ਆਡੀਟਰ ਦਾ ਬੋਝ

ਚੋਣ + ਟੈਸਟ

ਨਿਯਮ ਡਿਜ਼ਾਈਨ + ਅਪਵਾਦ ਮੁਲਾਂਕਣ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਨਮੂਨਾ ਚੋਣ ਵਿੱਚ ਮਦਦ ਕਰੋ

ਡਾਟਾ ਤਿਆਰ ਕਰਨਾ, ਨਿਯਮ ਲਿਖਣਾ, ਅਪਵਾਦ ਨਿਸ਼ਾਨੀ

ਨੋਟ: ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟਿੰਗ ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ "ਮੈਂ ਹਰ ਚੀਜ਼ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਕੰਮ ਹੋ ਗਿਆ" ਇਸ ਦੇ ਉਲਟ, ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਤੁਹਾਨੂੰ ਜਾਂਚ ਕਰਨ ਲਈ ਹੋਰ ਚੀਜ਼ਾਂ ਦਿੰਦਾ ਹੈ। ਜਦੋਂ ਤੁਸੀਂ ਸਾਰੇ 180,000 ਇਨਵੌਇਸਾਂ ਨੂੰ ਮਿਤੀ-ਰਾਸ਼ੀ-ਪ੍ਰਵਾਨਗੀ ਨਿਯਮ ਦੁਆਰਾ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਸ਼ਾਇਦ 900 ਅਪਵਾਦ ਮਿਲਣਗੇ। ਇਹਨਾਂ ਵਿੱਚੋਂ ਹਰ ਇੱਕ ਸਵਾਲ ਹੈ; ਕੋਈ ਜਵਾਬ ਨਹੀਂ। ਇਹ ਉਹ ਥਾਂ ਹੈ ਜਿੱਥੇ ਆਡਿਟ ਨਿਆਂਪਾਲਿਕਾ ਖੇਡ ਵਿੱਚ ਆਉਂਦੀ ਹੈ।

ਡਾਟਾ ਸੰਪੂਰਨਤਾ: ਟੈਸਟਿੰਗ ਦਾ ਅਦਿੱਖ ਆਧਾਰ

ਸਮੁੱਚੀ ਆਬਾਦੀ ਦੀ ਜਾਂਚ ਦਾ ਸਭ ਤੋਂ ਵੱਡਾ ਨੁਕਸਾਨ ਇਹ ਹੈ ਕਿ ਟੈਸਟ ਦੀ ਗੁਣਵੱਤਾ ਡੇਟਾ ਦੀ ਗੁਣਵੱਤਾ 'ਤੇ ਨਿਰਭਰ ਕਰਦੀ ਹੈ। "ਮੈਂ 100% ਡੇਟਾ ਦੀ ਜਾਂਚ ਕੀਤੀ" ਤਾਂ ਹੀ ਸਮਝਦਾਰੀ ਬਣਾਉਂਦੀ ਹੈ ਜੇਕਰ ਤੁਹਾਡੇ ਕੋਲ ਮੌਜੂਦ ਡੇਟਾ ਅਸਲ ਵਿੱਚ ਆਬਾਦੀ ਦਾ 100% ਹੈ। ਜੇਕਰ ਸਿਸਟਮ ਤੋਂ ਡੇਟਾ ਖਿੱਚਣ ਵੇਲੇ ਇੱਕ ਫਿਲਟਰ ਗਲਤ ਸੀ, ਕੁਝ ਰਿਕਾਰਡ ਛੱਡ ਦਿੱਤੇ ਗਏ ਸਨ, ਜਾਂ ਰਕਮ ਕਾਲਮ ਨੂੰ ਦਸ਼ਮਲਵ ਗਲਤੀ ਨਾਲ ਟ੍ਰਾਂਸਫਰ ਕੀਤਾ ਗਿਆ ਸੀ, ਤਾਂ ਤੁਹਾਡਾ "ਪੂਰਾ" ਟੈਸਟ ਅਸਲ ਵਿੱਚ ਅਧੂਰੇ ਜਾਂ ਭ੍ਰਿਸ਼ਟ ਡੇਟਾ 'ਤੇ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਸ ਲਈ, ਡੇਟਾ ਦੀ ਸੰਪੂਰਨਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਪੂਰੀ ਆਬਾਦੀ ਜਾਂਚ ਵਿੱਚ ਪਹਿਲਾ ਅਤੇ ਲਾਜ਼ਮੀ ਕਦਮ ਹੈ।

ਸੰਪੂਰਨਤਾ ਤਸਦੀਕ ਲਈ ਵਿਹਾਰਕ ਜਾਂਚਾਂ:

• ਰਿਕਾਰਡ ਗਿਣਤੀ ਮੇਲ-ਮਿਲਾਪ: ਕੀ ਤੁਹਾਡੇ ਦੁਆਰਾ ਖਿੱਚੇ ਗਏ ਡੇਟਾਸੈਟ ਵਿੱਚ ਕਤਾਰਾਂ ਦੀ ਸੰਖਿਆ ਸਿਸਟਮ ਵਿੱਚ ਰਿਕਾਰਡਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ?
• ਰਕਮ ਦਾ ਮੇਲ-ਮਿਲਾਪ: ਕੀ ਡੇਟਾਸੈਟ ਵਿੱਚ ਕੁੱਲ ਰਕਮ ਟ੍ਰਾਇਲ ਬੈਲੇਂਸ/ਸਹਿਯੋਗੀ ਵਿੱਚ ਸੰਬੰਧਿਤ ਖਾਤੇ ਦੇ ਕੁੱਲ ਨਾਲ ਮੇਲ ਖਾਂਦੀ ਹੈ?
• ਮਿਤੀ ਦੀ ਰੇਂਜ: ਕੀ ਡੇਟਾ ਵਿੱਚ ਸ਼ਾਮਲ ਕੀਤੀ ਮਿਆਦ ਦੇ ਪਹਿਲੇ ਅਤੇ ਆਖਰੀ ਦਿਨ ਹਨ; ਕੀ ਕੋਈ ਮਹੀਨਾ/ਦਿਨ ਗੁੰਮ ਹੈ?
• ਖਾਲੀ ਅਤੇ ਖਰਾਬ ਸਪੇਸ ਸਕੈਨਿੰਗ: ਕੀ ਲੋੜੀਂਦੇ ਖੇਤਰਾਂ (ਤਾਰੀਖ, ਰਕਮ, ਖਾਤਾ ਕੋਡ) ਵਿੱਚ ਕੋਈ ਖਾਲੀ ਥਾਂ ਜਾਂ ਅਰਥਹੀਣ ਮੁੱਲ ਹਨ?

AI ਇਹਨਾਂ ਸਾਰੀਆਂ ਜਾਂਚਾਂ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ: ਡੇਟਾ ਨੂੰ ਕ੍ਰੌਲ ਕਰਦਾ ਹੈ, ਕੁੱਲ ਪ੍ਰਾਪਤ ਕਰਦਾ ਹੈ, ਖਾਲੀ ਥਾਂਵਾਂ ਦੀ ਗਿਣਤੀ ਕਰਦਾ ਹੈ, ਮਿਤੀ ਰੇਂਜ ਦੀ ਰਿਪੋਰਟ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਆਡੀਟਰ ਹੈ ਜੋ ਇਹ ਫੈਸਲਾ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਸਮਝੌਤਾ "ਰੱਖਦਾ ਹੈ", ਅੰਤਰ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ, ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਡੇਟਾ ਆਡਿਟ ਦੇ ਉਦੇਸ਼ ਲਈ ਢੁਕਵਾਂ ਹੈ।

ਸਾਵਧਾਨ: ਡੇਟਾ ਸੰਪੂਰਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਵਰਕਸ਼ੀਟ ਉੱਤੇ "ਮੈਂ ਸਾਰੇ ਡੇਟਾ ਦੀ ਜਾਂਚ ਕੀਤੀ" ਨਾ ਲਿਖੋ। ਗੁੰਮ ਹੋਏ ਡੇਟਾ 'ਤੇ ਇੱਕ ਪੂਰੀ ਆਬਾਦੀ ਟੈਸਟ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਹੈ ਪਰ ਗੁੰਮਰਾਹਕੁੰਨ ਭਰੋਸਾ ਦਿੰਦਾ ਹੈ।

AI ਨਾਲ ਪੂਰੀ ਆਬਾਦੀ ਜਾਂਚ: ਕਦਮ ਦਰ ਕਦਮ

1. ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਡਾਟਾ ਤਿਆਰ ਕਰੋ। ਨਿੱਜੀ/ਨਿੱਜੀ ਖੇਤਰਾਂ ਨੂੰ ਅਗਿਆਤ ਬਣਾਓ ਜਾਂ ਉਹਨਾਂ ਨੂੰ ਪਲੇਸਹੋਲਡਰਾਂ ਨਾਲ ਬਦਲੋ। ਜੇ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਕਾਰਪੋਰੇਟ, ਇਕਰਾਰਨਾਮੇ ਵਾਲੇ ਵਾਹਨ ਦੀ ਵਰਤੋਂ ਕਰੋ।
2. ਸੰਪੂਰਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ. ਰਿਕਾਰਡਾਂ ਦੀ ਗਿਣਤੀ ਅਤੇ ਰਕਮ ਦਾ ਸੁਮੇਲ ਕਰੋ।
3. ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਟੈਸਟ ਦੇ ਨਿਯਮ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ। ਇੱਕ "ਅਪਵਾਦ" ਵਜੋਂ ਕੀ ਗਿਣਿਆ ਜਾਂਦਾ ਹੈ? (ਉਦਾਹਰਨ ਲਈ: ਅਣ-ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਚਲਾਨ, ਵੀਕਐਂਡ 'ਤੇ ਜਾਰੀ ਕੀਤਾ ਗਿਆ ਇਨਵੌਇਸ, ਵੱਡੇ ਦੌਰ ਦਾ ਭੁਗਤਾਨ, ਕੱਟ-ਆਫ ਮਿਤੀ ਤੋਂ ਬਾਅਦ ਰਿਕਾਰਡ ਕੀਤੀ ਆਮਦਨ।)
4. AI ਨਾਲ ਨਿਯਮ ਲਾਗੂ ਕਰੋ। AI ਡੇਟਾ 'ਤੇ ਨਿਯਮ ਲਾਗੂ ਕਰਦਾ ਹੈ ਅਤੇ ਅਪਵਾਦਾਂ ਦੀ ਸੂਚੀ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਨਿਯਮ ਸਾਫ਼-ਸਾਫ਼ ਲਿਖੋ ਤਾਂ ਜੋ ਇਸ ਦਾ ਆਡਿਟ ਕੀਤਾ ਜਾ ਸਕੇ।
5. ਅਪਵਾਦਾਂ ਨੂੰ ਤਰਜੀਹ ਦਿਓ ਅਤੇ ਸਮੀਖਿਆ ਕਰੋ। ਸਬੂਤ ਦੇ ਨਾਲ ਹਰ ਅਪਵਾਦ ਦੀ ਜਾਂਚ ਕਰੋ; ਗਲਤ ਸਕਾਰਾਤਮਕ ਨੂੰ ਸੰਬੋਧਿਤ ਕਰੋ, ਅਸਲ ਖੋਜਾਂ ਨੂੰ ਜਾਇਜ਼ ਠਹਿਰਾਓ।
6. ਨਤੀਜੇ ਦਾ ਦਸਤਾਵੇਜ਼ ਬਣਾਓ। ਵਰਕਸ਼ੀਟ ਨਾਲ ਨਿਯਮ, ਅਪਵਾਦਾਂ ਦੀ ਗਿਣਤੀ, ਜਾਂਚੇ ਗਏ ਆਈਟਮਾਂ ਅਤੇ ਸਿੱਟੇ ਨੂੰ ਲਿੰਕ ਕਰੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਕਟਿੰਗ ਟੈਸਟ। ਇੱਕ ਆਡੀਟਰ ਸਾਲ ਦੇ ਅੰਤ ਵਿੱਚ ਮਾਲੀਆ ਕਟੌਫ਼ ਦੀ ਜਾਂਚ ਕਰਨਾ ਚਾਹੁੰਦਾ ਸੀ। ਉਸਨੇ ਪੂਰੀ ਆਬਾਦੀ ਦੇ ਤੌਰ 'ਤੇ 42,000 ਵਿਕਰੀ ਇਨਵੌਇਸ ਲਏ ਅਤੇ AI ਨੇ "31 ਦਸੰਬਰ ਤੱਕ ਇਨਵੌਇਸ ਮਿਤੀਆਂ ਦੇ ਨਾਲ ਸੂਚੀ ਰਿਕਾਰਡ, ਪਰ 1 ਜਨਵਰੀ ਨੂੰ ਜਾਂ ਇਸ ਤੋਂ ਬਾਅਦ ਦੀ ਸ਼ਿਪਿੰਗ/ਡਿਲੀਵਰੀ ਮਿਤੀਆਂ" ਨੂੰ ਲਾਗੂ ਕੀਤਾ। YZ ਨੇ 118 ਰਿਕਾਰਡ ਬਣਾਏ। ਆਡੀਟਰ ਨੇ ਇਹਨਾਂ ਦੀ ਜਾਂਚ ਕੀਤੀ: 96 ਬਿਨਾਂ ਕਿਸੇ ਸਮੇਂ ਦੇ ਅੰਤਰ (ਉਸੇ ਦਿਨ ਦੀ ਡਿਲਿਵਰੀ) ਦੇ ਜਾਇਜ਼ ਲੈਣ-ਦੇਣ ਸਨ, 22 ਅਸਲ ਵਿੱਚ ਅਗਲੇ ਸਾਲ ਲਈ ਮਾਲੀਆ ਸਨ ਅਤੇ ਪਿਛਲੀ ਮਿਆਦ ਵਿੱਚ ਰਿਕਾਰਡ ਕੀਤੇ ਗਏ ਸਨ। ਇਹਨਾਂ 22 ਆਈਟਮਾਂ ਦੀ ਰਿਪੋਰਟ ਕੀਤੀ ਗਈ ਸੀ ਕਿਉਂਕਿ ਉਹਨਾਂ ਨੇ ਇੱਕ ਪੈਟਰਨ ਦਿਖਾਇਆ, ਭਾਵੇਂ ਕਿ ਮਹੱਤਤਾ ਤੋਂ ਹੇਠਾਂ ਹੈ। ਏਆਈ ਨੇ 118 ਸਵਾਲ ਪੁੱਛੇ; ਆਡੀਟਰ ਨੂੰ 22 ਜਵਾਬ ਮਿਲੇ।

ਕੇਸ 2 - ਜਦੋਂ ਸੰਪੂਰਨਤਾ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ। ਟੀਮ ਦੇ ਇੱਕ ਮੈਂਬਰ ਨੇ ਕਿਹਾ ਕਿ ਉਸਨੇ 180,000 ਇਨਵੌਇਸਾਂ 'ਤੇ ਪੂਰੀ ਆਬਾਦੀ ਦੀ ਜਾਂਚ ਕੀਤੀ; ਕੋਈ ਅਪਵਾਦ ਨਹੀਂ ਸੀ ਅਤੇ ਉਸਨੂੰ ਰਾਹਤ ਮਿਲੀ। ਜ਼ਿੰਮੇਵਾਰ ਵਿਅਕਤੀ ਨੇ ਡੇਟਾਸੈਟ ਦੀ ਕੁੱਲ ਰਕਮ ਦੀ ਟਰਾਇਲ ਬੈਲੇਂਸ ਨਾਲ ਤੁਲਨਾ ਕੀਤੀ: ਡੇਟਾ 155 ਮਿਲੀਅਨ TL, ਟ੍ਰਾਇਲ ਬੈਲੇਂਸ 210 ਮਿਲੀਅਨ TL। ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਜਦੋਂ ਸਿਸਟਮ ਤੋਂ ਡੇਟਾ ਖਿੱਚਿਆ ਜਾ ਰਿਹਾ ਸੀ, ਤਾਂ ਇੱਕ ਸ਼ਾਖਾ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ ਗਿਆ ਸੀ ਅਤੇ ਛੱਡ ਦਿੱਤਾ ਗਿਆ ਸੀ. "ਪੂਰਾ" ਟੈਸਟ ਅਸਲ ਵਿੱਚ ਡੇਟਾ ਦਾ ਇੱਕ ਚੌਥਾਈ ਹਿੱਸਾ ਖੁੰਝ ਗਿਆ। ਟੈਸਟ ਸਹੀ ਡੇਟਾ ਦੇ ਨਾਲ ਚਲਾਇਆ ਗਿਆ ਸੀ। ਸਬਕ: ਸੰਪੂਰਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਤੋਂ ਬਿਨਾਂ ਕੋਈ ਸੰਪੂਰਨ ਆਬਾਦੀ ਜਾਂਚ ਨਹੀਂ ਹੈ।

ਕੇਸ 3 - ਨਿਯਮ ਗਲਤੀ। ਇੱਕ ਆਡੀਟਰ ਨੇ AI ਨੂੰ ਨਿਯਮ "50,000 TL ਤੋਂ ਵੱਧ ਗੈਰ-ਮਨਜ਼ੂਰਸ਼ੁਦਾ ਭੁਗਤਾਨਾਂ ਦੀ ਸੂਚੀ" ਲਿਖਣ ਲਈ ਕਿਹਾ ਸੀ, ਪਰ ਉਸਨੂੰ ਇਹ ਅਹਿਸਾਸ ਨਹੀਂ ਹੋਇਆ ਕਿ "ਪ੍ਰਵਾਨਗੀ" ਖੇਤਰ ਨੂੰ ਸਿਸਟਮ ਵਿੱਚ ਦੋ ਵੱਖ-ਵੱਖ ਕਾਲਮਾਂ (ਇਲੈਕਟ੍ਰਾਨਿਕ ਪ੍ਰਵਾਨਗੀ ਅਤੇ ਦਸਤੀ ਪ੍ਰਵਾਨਗੀ) ਵਿੱਚ ਰੱਖਿਆ ਗਿਆ ਸੀ। AI ਨੇ 300 ਭੁਗਤਾਨਾਂ ਨੂੰ "ਅਸਵੀਕਾਰ" ਵਜੋਂ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਕਿਉਂਕਿ ਇਹ ਸਿਰਫ਼ ਇੱਕ ਨੂੰ ਵੇਖਦਾ ਹੈ; ਜਾਂਚ ਕਰਨ 'ਤੇ, ਇਹ ਦੇਖਿਆ ਗਿਆ ਕਿ ਉਨ੍ਹਾਂ ਵਿਚੋਂ ਜ਼ਿਆਦਾਤਰ ਦੂਜੇ ਕਾਲਮ ਵਿਚ ਮਨਜ਼ੂਰ ਸਨ. ਗਲਤ ਨਿਯਮ ਨੇ ਸੈਂਕੜੇ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਪੈਦਾ ਕੀਤੇ। ਆਡੀਟਰ ਨੇ ਦੋਵੇਂ ਕਾਲਮਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਲਈ ਨਿਯਮ ਨੂੰ ਠੀਕ ਕੀਤਾ। ਪਾਠ: ਆਡੀਟਰ ਇਹ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਨਿਯਮ ਡੇਟਾ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਅਨੁਕੂਲ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ​​ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਇਨਵੌਇਸ ਡੇਟਾ ਵਿੱਚ ਸਮੱਸਿਆ ਵਾਲੇ ਰਿਕਾਰਡ ਲੱਭੋ।

ਸਮੱਸਿਆ: "ਸਮੱਸਿਆ" ਦੀ ਕੋਈ ਪਰਿਭਾਸ਼ਾ ਨਹੀਂ। AI ਨਹੀਂ ਜਾਣਦਾ ਕਿ ਇੱਕ ਅਪਵਾਦ ਨੂੰ ਕੀ ਸਮਝਣਾ ਹੈ; ਉਹ ਜਾਂ ਤਾਂ ਬੇਤਰਤੀਬ ਸੰਕੇਤਾਂ ਦੇ ਅਨੁਸਾਰ ਜਾਂ ਉਸ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਮਾਪਦੰਡ ਦੇ ਅਨੁਸਾਰ ਕੰਮ ਕਰਦਾ ਹੈ। ਇਹ ਦੁਹਰਾਉਣਯੋਗ ਅਤੇ ਆਡਿਟਯੋਗ ਨਹੀਂ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਤੁਸੀਂ ਇੱਕ ਸੁਤੰਤਰ ਆਡੀਟਰ ਦੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਸਹਾਇਕ ਹੋ। ਨਿਰਣਾ ਮੇਰਾ ਹੈ; ਤੁਸੀਂ ਨਿਯਮ ਲਾਗੂ ਕਰੋਗੇ ਅਤੇ ਇੱਕ ਅਪਵਾਦ ਸੂਚੀ ਤਿਆਰ ਕਰੋਗੇ। ਸੰਦਰਭ: ਹੇਠਾਂ ਅਗਿਆਤ ਵਿਕਰੀ ਇਨਵੌਇਸ ਡੇਟਾ ਹੈ (ਕਾਲਮ: ਇਨਵੌਇਸ_ਨੋਂ, ਇਨਵੌਇਸ_ਮਿਤੀ, ਡਿਲੀਵਰੀ_ਤਾਰੀਕ, ਰਕਮ, ਪ੍ਰਵਾਨਗੀ_ਸਟੇਟਸ, ਸ਼ਾਖਾ)। ਸਾਲ ਦਾ ਅੰਤ: 31.12.STEP 1 - ਸੰਪੂਰਨਤਾ: ਰਿਕਾਰਡਾਂ ਦੀ ਕੁੱਲ ਸੰਖਿਆ ਅਤੇ ਕੁੱਲ ਰਕਮ ਦਿਓ ਤਾਂ ਜੋ ਮੈਂ ਇਸਦੀ ਪਰਖ ਬਕਾਇਆ ਨਾਲ ਤੁਲਨਾ ਕਰ ਸਕਾਂ। ਜੇਕਰ ਕੋਈ ਖਾਲੀ/ਗੁੰਮ ਥਾਂ ਹੈ ਤਾਂ ਰਿਪੋਰਟ ਕਰੋ। STEP 2 - ਕਟਿੰਗ ਟੈਸਟ ਨਿਯਮ: invoice_date <= 31.12 AND delivery_date >= 01.01 ਦੇ ਨਾਲ ਰਿਕਾਰਡਾਂ ਨੂੰ "ਕਟੌਫ ਅਪਵਾਦ" ਵਜੋਂ ਸੂਚੀਬੱਧ ਕਰੋ। ਕਦਮ 3 - ਨਿਯਮ ਨੂੰ ਸਾਦੇ ਟੈਕਸਟ ਵਿੱਚ ਲਿਖੋ (ਤੁਸੀਂ ਕਿਹੜੀ ਸ਼ਰਤ ਲਾਗੂ ਕੀਤੀ ਸੀ) ਤਾਂ ਜੋ ਇਸ ਨੂੰ ਆਡਿਟ ਕੀਤਾ ਜਾ ਸਕੇ: ਮੈਂ ਨਿਯਮ ਨੂੰ ਨਹੀਂ ਬਦਲਿਆ। ਤੁਹਾਡੇ ਦੁਆਰਾ ਫਲੈਗ ਕੀਤੇ ਗਏ ਰਿਕਾਰਡਾਂ ਨੂੰ "ਸਮੀਖਿਆ ਲਈ ਅਪਵਾਦ" ਵਜੋਂ ਦਰਜ ਕਰੋ; "ਗਲਤੀ/ਲੱਭਣਾ" ਨਾ ਕਹੋ। ਉਹ ਨਾ ਬਣਾਓ ਜੋ ਤੁਸੀਂ ਡੇਟਾ ਤੋਂ ਨਹੀਂ ਕੱਢ ਸਕਦੇ.

ਇਹ ਬੇਨਤੀ ਸ਼ਕਤੀਸ਼ਾਲੀ ਹੈ ਕਿਉਂਕਿ ਇਹ ਪਹਿਲਾਂ ਸੰਪੂਰਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੀ ਹੈ, ਅਪਵਾਦ ਨਿਯਮ ਨੂੰ ਸਪਸ਼ਟ ਤੌਰ 'ਤੇ ਪਰਿਭਾਸ਼ਿਤ ਕਰਦੀ ਹੈ, ਨਿਯਮ ਦੇ ਪਲੇਨਟੈਕਸਟ (ਆਡਿਟਬਿਲਟੀ) ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਆਉਟਪੁੱਟ ਨੂੰ "ਅਪਵਾਦ" ਦੇ ਤੌਰ 'ਤੇ ਰੱਖਦੀ ਹੈ।

ਆਮ ਗਲਤੀਆਂ

• ਸੰਪੂਰਨਤਾ ਪੁਸ਼ਟੀਕਰਨ ਨੂੰ ਛੱਡਣਾ। ਅਧੂਰੇ/ਭ੍ਰਿਸ਼ਟ ਡੇਟਾ 'ਤੇ "ਪੂਰੀ" ਜਾਂਚ ਕਰਨਾ ਅਤੇ ਝੂਠਾ ਭਰੋਸਾ ਦੇਣਾ।
• ਇੱਕ ਖੋਜ ਲਈ ਅਪਵਾਦ ਨੂੰ ਭੁਲਾਉਣਾ. AI ਦੁਆਰਾ ਚਿੰਨ੍ਹਿਤ ਰਿਕਾਰਡ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਗਲਤੀਆਂ ਦੀ ਗਿਣਤੀ ਕਰਨਾ; ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨੂੰ ਖਤਮ ਕਰਨ ਤੋਂ ਬਚਣਾ.
• ਨਿਯਮ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰ ਰਿਹਾ। ਇਹ ਜਾਂਚ ਕੀਤੇ ਬਿਨਾਂ ਸੈਂਕੜੇ ਝੂਠੇ ਫਲੈਗ ਤਿਆਰ ਕਰਨਾ ਕਿ ਕੀ ਨਿਯਮ ਡੇਟਾ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।
• ਅਸਪਸ਼ਟ ਨਿਯਮ ਲਿਖਣਾ. "ਸਮੱਸਿਆ ਵਾਲੇ ਰਿਕਾਰਡ ਲੱਭੋ" ਵਰਗੇ ਪਰਿਭਾਸ਼ਿਤ ਪ੍ਰੋਂਪਟਾਂ ਨਾਲ ਦੁਹਰਾਉਣਯੋਗ ਨਤੀਜੇ ਪ੍ਰਾਪਤ ਕਰਨਾ।
• ਇੱਕ ਸਿੰਗਲ ਸ਼ੁਰੂਆਤ ਨਾਲ ਸੰਤੁਸ਼ਟ ਹੋਣਾ. ਨਿਯਮ ਜਾਂ ਡੇਟਾ ਦੀ ਪੁੱਛਗਿੱਛ ਨਾ ਕਰਨਾ ਜੇਕਰ ਅਪਵਾਦਾਂ ਦੀ ਸੰਖਿਆ ਉਮੀਦ ਕੀਤੀ ਜਾਂਦੀ ਨਾਲੋਂ ਬਹੁਤ ਵੱਖਰੀ ਹੈ।

ਸੰਕੇਤ: ਜੇਕਰ ਅਪਵਾਦਾਂ ਦੀ ਗਿਣਤੀ ਬਹੁਤ ਛੋਟੀ ਹੈ (ਜ਼ੀਰੋ ਦੇ ਨੇੜੇ) ਜਾਂ ਬਹੁਤ ਜ਼ਿਆਦਾ ਹੈ ਤਾਂ ਘਬਰਾਓ। ਜ਼ੀਰੋ ਦਾ ਆਮ ਤੌਰ 'ਤੇ ਮਤਲਬ ਹੈ "ਗਲਤ ਲਿਖਿਆ ਗਿਆ ਨਿਯਮ" ਜਾਂ "ਡਾਟਾ ਗੁੰਮ"; ਇੱਕ ਬਹੁਤ ਵੱਡੀ ਸੰਖਿਆ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਨਿਯਮ ਬਹੁਤ ਵਿਸ਼ਾਲ ਹੈ। ਇੱਕ ਚੰਗਾ ਆਡੀਟਰ "ਕੋਈ ਅਪਵਾਦ ਨਹੀਂ" ਅਤੇ "ਸਭ ਕੁਝ ਅਪਵਾਦ ਹੈ" ਦੋਵਾਂ 'ਤੇ ਸ਼ੱਕ ਕਰਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਪੂਰੀ ਜਨਸੰਖਿਆ ਟੈਸਟਿੰਗ ਆਡਿਟਿੰਗ ਵਿੱਚ ਇੱਕ ਵੱਡੀ ਛਾਲ ਹੈ: ਇਹ ਨਮੂਨਾ ਲੈਣ ਦੇ ਜੋਖਮ ਨੂੰ ਖਤਮ ਕਰਦਾ ਹੈ, 100% ਡੇਟਾ ਦੀ ਜਾਂਚ ਕਰਦਾ ਹੈ। ਪਰ ਇਹ ਮੁਫਤ ਨਹੀਂ ਹੈ। ਇਹ ਦੋ ਨਵੀਆਂ ਜ਼ਿੰਮੇਵਾਰੀਆਂ ਲਿਆਉਂਦਾ ਹੈ: (1) ਡੇਟਾ ਦੀ ਸੰਪੂਰਨਤਾ ਅਤੇ ਸ਼ੁੱਧਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨਾ, (2) ਪੈਦਾ ਹੋਣ ਵਾਲੇ ਵਿਅਕਤੀਗਤ ਅਪਵਾਦਾਂ ਦਾ ਮੁਲਾਂਕਣ ਕਰਨਾ। AI ਡਾਟਾ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਨਿਯਮ ਲਾਗੂ ਕਰਦਾ ਹੈ, ਅਪਵਾਦ ਨੂੰ ਫਲੈਗ ਕਰਦਾ ਹੈ ਅਤੇ ਸਕੈਨਿੰਗ ਦੇ ਘੰਟਿਆਂ ਨੂੰ ਸਕਿੰਟਾਂ ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ; ਪਰ ਨਿਯਮ ਦੀ ਸ਼ੁੱਧਤਾ, ਡੇਟਾ ਦੀ ਸੰਪੂਰਨਤਾ ਅਤੇ ਅਪਵਾਦਾਂ ਦਾ ਮੁਲਾਂਕਣ ਆਡੀਟਰ ਨਾਲ ਸਬੰਧਤ ਹੈ। ਅਪਵਾਦ ਇੱਕ ਨਤੀਜਾ ਨਹੀਂ ਹੈ, ਇਹ ਇੱਕ ਸ਼ੁਰੂਆਤ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਇੱਕ ਮੌਜੂਦਾ (ਜਾਂ ਕਾਲਪਨਿਕ) ਟ੍ਰਾਂਜੈਕਸ਼ਨ ਡੇਟਾਸੈਟ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਪਹਿਲਾਂ ਦੋ ਸੰਪੂਰਨਤਾ ਜਾਂਚਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੋ (ਰਿਕਾਰਡ ਦੀ ਸੰਖਿਆ ਅਤੇ ਰਕਮ ਦਾ ਮਿਲਾਨ)। ਫਿਰ ਇੱਕ ਆਡਿਟਿੰਗ ਉਦੇਸ਼ ਲਈ ਇੱਕ ਸਪੱਸ਼ਟ ਅਪਵਾਦ ਨਿਯਮ ਲਿਖੋ (ਜਿਵੇਂ ਕਿ ਵੀਕਐਂਡ 'ਤੇ ਜਾਰੀ ਕੀਤੇ ਇਨਵੌਇਸ, ਜਾਂ ਅਪਵਾਦਾਂ ਨੂੰ ਕੱਟਣਾ)। ਉੱਪਰ ਦਿੱਤੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ ਪੈਟਰਨ ਦੇ ਨਾਲ, AI ਨੂੰ ਪਹਿਲਾਂ ਸੰਪੂਰਨਤਾ ਅਤੇ ਫਿਰ ਨਿਯਮ ਲਾਗੂ ਕਰੋ। ਪ੍ਰਗਟ ਹੋਣ ਵਾਲੇ ਅਪਵਾਦਾਂ ਵਿੱਚੋਂ ਪਹਿਲੇ 10 ਹਨ "ਅਸਲ ਖੋਜਾਂ ਜਾਂ ਝੂਠੇ ਸਕਾਰਾਤਮਕ?" ਹੇਠਾਂ ਦਿੱਤੇ ਅਨੁਸਾਰ ਵਰਗੀਕਰਨ ਕਰਨ ਦਾ ਅਭਿਆਸ ਕਰੋ ਅਤੇ ਲਿਖੋ ਕਿ ਤੁਸੀਂ ਹਰੇਕ ਲਈ ਕਿਹੜੇ ਸਬੂਤ ਲੱਭੋਗੇ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕੀਤਾ ਅਤੇ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਚਲਾਇਆ।
• [ ] ਮੈਂ ਰਿਕਾਰਡਾਂ ਦੀ ਸੰਖਿਆ ਅਤੇ ਰਕਮ ਨੂੰ ਮਿਲਾ ਕੇ ਡਾਟਾ ਸੰਪੂਰਨਤਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਖਾਲੀ/ਖ਼ਰਾਬ ਥਾਂ ਲਈ ਸਕੈਨ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਂ ਅਪਵਾਦ ਨਿਯਮ ਨੂੰ ਸਪਸ਼ਟ, ਦੁਹਰਾਉਣ ਯੋਗ ਤਰੀਕੇ ਨਾਲ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ ਹੈ।
• [ ] ਮੈਨੂੰ AI ਤੋਂ ਨਿਯਮ ਦਾ ਸਾਦਾ ਪਾਠ ਪ੍ਰਾਪਤ ਹੋਇਆ ਹੈ ਅਤੇ ਡੇਟਾ ਅਤੇ ਕਾਰੋਬਾਰੀ ਪ੍ਰਕਿਰਿਆ ਦੇ ਨਾਲ ਇਸਦੀ ਪਾਲਣਾ ਦੀ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ।
• [ ] ਮੈਂ ਅਪਵਾਦਾਂ ਦੀ ਸੰਖਿਆ ਦੀ ਵਾਜਬਤਾ 'ਤੇ ਸਵਾਲ ਕੀਤਾ (ਬਹੁਤ ਘੱਟ / ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਹੀਂ)।
• [ ] ਮੈਂ ਹਰੇਕ ਅਪਵਾਦ ਨੂੰ ਜਾਂਚੇ ਜਾਣ ਵਾਲੇ ਸਵਾਲ ਵਜੋਂ ਸਮਝਿਆ, ਨਾ ਕਿ ਇੱਕ ਖੋਜ ਵਜੋਂ; ਮੈਂ ਝੂਠੇ ਸਕਾਰਾਤਮਕ ਨੂੰ ਖਤਮ ਕੀਤਾ.