ਡੇਟਾ ਗੋਪਨੀਯਤਾ, ਪ੍ਰਮਾਣਿਕਤਾ, ਨੈਤਿਕਤਾ ਅਤੇ ਸ਼ਾਸਨ

ਲਾਭ:

• ਚਾਰ ਲੇਅਰਾਂ (ਵਰਗੀਕਰਣ, ਅਗਿਆਤਕਰਨ, ਵਾਹਨ ਦੀ ਚੋਣ, ਘੱਟੋ-ਘੱਟ ਡੇਟਾ) ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਸੁਰੱਖਿਅਤ ਕਰਨ ਅਤੇ KVKK ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਪੂਰਾ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਜੋਖਮ ਪੱਧਰ ਅਤੇ ਫਿਲਟਰ ਸਿਫ਼ਾਰਿਸ਼ਾਂ ਦੇ ਅਨੁਸਾਰ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਲੋਕਾਂ ਨੂੰ ਨਿਰਪੱਖਤਾ ਅਤੇ ਪੱਖਪਾਤ ਦੁਆਰਾ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ
• ਇੱਕ ਸਧਾਰਨ AI ਗਵਰਨੈਂਸ ਫਰੇਮਵਰਕ ਸਥਾਪਤ ਕਰਨ ਅਤੇ ਇਹ ਯਕੀਨੀ ਬਣਾਉਣ ਦੀ ਸਮਰੱਥਾ ਕਿ AI ਆਉਟਪੁੱਟ ਵਿੱਤੀ/ਕਾਨੂੰਨੀ/HR/ਪਾਲਣਾ ਫੈਸਲਿਆਂ ਵਿੱਚ ਮਾਹਿਰਾਂ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦੀ।

ਇੱਕ ਮੈਨੇਜਰ ਵਜੋਂ, ਤੁਸੀਂ ਆਪਣੇ ਕਾਰੋਬਾਰ ਦੇ ਹਰ ਕੋਨੇ ਵਿੱਚ AI ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸਿੱਖ ਲਿਆ ਹੈ: ਰਿਪੋਰਟਿੰਗ, KPI, ਆਟੋਮੇਸ਼ਨ, ਓਪਰੇਸ਼ਨ, ਖਰੀਦ, ਸੰਚਾਰ, ਸੰਖੇਪ, ਦ੍ਰਿਸ਼। ਹੁਣ ਅਸੀਂ ਇਸ ਸ਼ਕਤੀ ਨੂੰ ਜ਼ਿੰਮੇਵਾਰੀ ਨਾਲ ਵਰਤਣ ਲਈ ਢਾਂਚਾ ਸਥਾਪਤ ਕਰ ਰਹੇ ਹਾਂ। ਕਿਉਂਕਿ ਜਦੋਂ AI ਦੀ ਗਲਤ ਵਰਤੋਂ ਕੀਤੀ ਜਾਂਦੀ ਹੈ, ਤਾਂ ਗਤੀ ਅਤੇ ਸਹੂਲਤ ਗੰਭੀਰ ਖਤਰਿਆਂ ਵਿੱਚ ਬਦਲ ਜਾਂਦੀ ਹੈ: ਇੱਕ ਲੀਕ ਕੀਤੀ ਗਾਹਕ ਸੂਚੀ, ਇੱਕ ਬਣਾਏ ਗਏ ਨੰਬਰ ਦੇ ਅਧਾਰ ਤੇ ਇੱਕ ਫੈਸਲਾ, ਇੱਕ ਪੱਖਪਾਤੀ ਸੁਝਾਅ, ਇੱਕ KVKK ਉਲੰਘਣਾ। ਇਹ ਯੂਨਿਟ ਸੁਰੱਖਿਆ ਜਾਲ ਹੈ ਜੋ ਪੂਰੇ ਮੋਡੀਊਲ ਨੂੰ ਇਕੱਠੇ ਰੱਖਦਾ ਹੈ। ਇੱਕ ਵਾਕ ਵਿੱਚ ਮੁੱਖ ਸਿਧਾਂਤ: AI ਇੱਕ ਸਹਾਇਕ ਹੈ; ਡੇਟਾ ਦੀ ਗੁਪਤਤਾ, ਆਉਟਪੁੱਟ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਫੈਸਲੇ ਦੀ ਨੈਤਿਕਤਾ ਹਮੇਸ਼ਾਂ ਪ੍ਰਬੰਧਕ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੁੰਦੀ ਹੈ।

ਡੇਟਾ ਗੋਪਨੀਯਤਾ: ਸੁਰੱਖਿਆ ਦੀਆਂ ਚਾਰ ਪਰਤਾਂ

ਵਪਾਰਕ ਡੇਟਾ ਕੀਮਤੀ ਹੈ ਅਤੇ ਇਸਦਾ ਬਹੁਤ ਸਾਰਾ ਗੁਪਤ ਹੈ। ਗੋਪਨੀਯਤਾ ਨੂੰ ਚਾਰ ਪਰਤਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰੋ। ਪਹਿਲੀ ਪਰਤ—ਵਰਗੀਕਰਨ: ਡੇਟਾ ਦੇ ਹਰੇਕ ਹਿੱਸੇ ਨੂੰ "ਜਨਤਕ/ਅੰਦਰੂਨੀ ਵਰਤੋਂ/ਗੁਪਤ/ਨਿੱਜੀ" ਵਜੋਂ ਲੇਬਲ ਕਰੋ। ਗੁਪਤ ਅਤੇ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਵਿਸ਼ੇਸ਼ ਧਿਆਨ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਦੂਜੀ ਪਰਤ — ਅਗਿਆਤਕਰਨ: ਪਛਾਣਕਰਤਾਵਾਂ ਜਿਵੇਂ ਕਿ ਨਾਮ, ਆਈਡੀ, ਗਾਹਕ ਦਾ ਨਾਮ, ਸਪਲਾਇਰ ਦੀ ਕੀਮਤ ਨੂੰ ਏਆਈ (ਕਰਮਚਾਰੀ ਏ, ਗਾਹਕ 1) ਨੂੰ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ ਕੋਡਾਂ ਵਿੱਚ ਅਨੁਵਾਦ ਕਰੋ। ਤੀਜੀ ਪਰਤ — ਟੂਲ ਦੀ ਚੋਣ: ਜੇਕਰ ਸੰਭਵ ਹੋਵੇ, ਤਾਂ ਕੰਪਨੀ ਦੁਆਰਾ ਪ੍ਰਵਾਨਿਤ ਕਾਰਪੋਰੇਟ AI ਟੂਲਸ ਦੀ ਵਰਤੋਂ ਕਰੋ ਜੋ ਮਾਡਲ ਸਿਖਲਾਈ ਲਈ ਡੇਟਾ ਸਟੋਰ ਨਹੀਂ ਕਰਦੇ ਹਨ; ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਸਾਧਨਾਂ ਨੂੰ ਮੁਫ਼ਤ ਵਿੱਚ ਗੁਪਤ ਡੇਟਾ ਪ੍ਰਦਾਨ ਨਾ ਕਰੋ। ਚੌਥੀ ਪਰਤ — ਨਿਊਨਤਮ ਡਾਟਾ: ਕੰਮ ਕਰਨ ਲਈ ਲੋੜੀਂਦਾ ਘੱਟੋ-ਘੱਟ ਡਾਟਾ ਦਿਓ, ਹੋਰ ਨਹੀਂ।

KVKK (ਪਰਸਨਲ ਡਾਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਤੁਹਾਡੇ ਕਰਮਚਾਰੀ ਅਤੇ ਗਾਹਕ ਦੇ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਨਿਯੰਤ੍ਰਿਤ ਕਰਦਾ ਹੈ; ਉਲੰਘਣਾ ਕਾਨੂੰਨੀ ਪਾਬੰਦੀਆਂ ਅਤੇ ਵੱਕਾਰ ਦਾ ਨੁਕਸਾਨ ਦੋਵੇਂ ਲਿਆਉਂਦੀ ਹੈ। ਇੱਕ ਖੁੱਲੇ ਚੈਟ ਬਾਕਸ ਵਿੱਚ ਇੱਕ ਗਾਹਕ ਸੂਚੀ ਜਾਂ ਪੇਰੋਲ ਨੂੰ ਚਿਪਕਾਉਣਾ ਇੱਕ ਲਾਕ ਕੀਤੀ ਫਾਈਲ ਨੂੰ ਸੜਕ 'ਤੇ ਛੱਡਣ ਵਰਗਾ ਹੈ।

ਸਾਵਧਾਨ: "ਇਹ ਸਾਧਨ ਸੁਰੱਖਿਅਤ ਜਾਪਦਾ ਹੈ" ਕੋਈ ਭਰੋਸਾ ਨਹੀਂ ਹੈ। AI ਨੂੰ ਕੋਈ ਵੀ ਡੇਟਾ ਦੇਣ ਤੋਂ ਪਹਿਲਾਂ, ਪੁੱਛੋ: "ਜੇ ਇਹ ਜਾਣਕਾਰੀ ਲੀਕ ਹੋ ਜਾਂਦੀ ਹੈ ਤਾਂ ਕੰਪਨੀ ਨੂੰ ਕੀ ਨੁਕਸਾਨ ਹੋਵੇਗਾ?" ਜੇਕਰ ਨੁਕਸਾਨ ਗੰਭੀਰ ਹੈ, ਜਾਂ ਤਾਂ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ ਜਾਂ ਇਸਨੂੰ ਬਿਲਕੁਲ ਵੀ ਜਾਰੀ ਨਾ ਕਰੋ। ਜੇ ਸ਼ੱਕ ਹੈ, ਤਾਂ ਨਾ ਦਿਓ।

ਪ੍ਰਮਾਣਿਕਤਾ: ਹਸਤਾਖਰਿਤ ਆਉਟਪੁੱਟ ਇੱਕ ਫੈਸਲਾ ਨਹੀਂ ਹੈ

ਪੂਰੇ ਮੋਡੀਊਲ ਵਿੱਚ ਦੁਹਰਾਇਆ ਗਿਆ ਅਨੁਸ਼ਾਸਨ ਇੱਥੇ ਇੱਕ ਛੱਤ ਹੇਠਾਂ ਇਕੱਠਾ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਰੇਕ AI ਆਉਟਪੁੱਟ ਨੂੰ ਤਿੰਨ ਪੜਾਵਾਂ ਵਿੱਚ ਪ੍ਰਮਾਣਿਤ ਕਰੋ: ਸਰੋਤ (ਕੀ ਮੇਰੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਤੋਂ ਸੰਖਿਆ ਹੈ?), ਮੁੜ ਗਣਨਾ ਕਰੋ (ਅੰਕ ਗਣਿਤ ਦੀ ਜਾਂਚ ਕਰੋ), ਪ੍ਰਬੰਧਕੀ ਫਿਲਟਰ (ਕੀ ਇਹ ਮੇਰੇ ਉਦਯੋਗ ਦੇ ਗਿਆਨ ਅਤੇ ਖੇਤਰ ਨਾਲ ਮੇਲ ਖਾਂਦਾ ਹੈ?) AI ਭਰਮ ਪੈਦਾ ਕਰ ਸਕਦਾ ਹੈ - ਪ੍ਰੇਰਕ ਭਾਸ਼ਾ ਨਾਲ ਗੈਰ-ਮੌਜੂਦ ਸੰਖਿਆਵਾਂ, ਸਰੋਤਾਂ ਜਾਂ ਤੱਥਾਂ ਦੀ ਖੋਜ ਕਰਨਾ। ਪ੍ਰਵਾਹ ਸ਼ੁੱਧਤਾ ਨਹੀਂ ਹੈ। ਫੈਸਲਾ ਜਿੰਨਾ ਮਹੱਤਵਪੂਰਨ ਹੋਵੇਗਾ, ਤਸਦੀਕ ਓਨੀ ਹੀ ਸਖ਼ਤ ਹੋਣੀ ਚਾਹੀਦੀ ਹੈ।

ਤਿੰਨ ਪੱਧਰਾਂ 'ਤੇ ਜੋਖਮ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਘੱਟ-ਜੋਖਮ ਵਾਲੇ ਸਪੁਰਦਗੀ (ਅੰਦਰੂਨੀ ਰੂਪਰੇਖਾ, ਫਾਰਮੈਟਿੰਗ, ਸਾਰਾਂਸ਼): ਇੱਕ ਤੇਜ਼ ਨਜ਼ਰ ਕਾਫ਼ੀ ਹੈ। ਮੱਧਮ ਜੋਖਮ ਪ੍ਰਦਾਨ ਕਰਨਯੋਗ (ਪ੍ਰਬੰਧਨ ਨੂੰ ਰਿਪੋਰਟ, ਕੇਪੀਆਈ ਟਿੱਪਣੀ): ਹਰ ਨੰਬਰ ਪ੍ਰਮਾਣਿਤ ਹੈ। ਉੱਚ-ਜੋਖਮ ਪ੍ਰਦਾਨ ਕਰਨਯੋਗ (ਵਿੱਤੀ ਫੈਸਲਾ, ਇਕਰਾਰਨਾਮਾ, ਪਾਲਣਾ ਦਸਤਾਵੇਜ਼, HR ਲੈਣ-ਦੇਣ): AI ਸਿਰਫ ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਸਮਰੱਥ ਮਾਹਰ ਸਮੀਖਿਆ, ਕਾਨੂੰਨੀ/ਵਿੱਤੀ ਨਿਯੰਤਰਣ ਅਤੇ ਦਸਤਖਤ ਲਾਜ਼ਮੀ ਹਨ। ਇਹਨਾਂ ਖੇਤਰਾਂ ਵਿੱਚ, AI ਆਉਟਪੁੱਟ ਕਦੇ ਵੀ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈ ਸਕਦੀ।

ਨੈਤਿਕਤਾ ਅਤੇ ਪੱਖਪਾਤ: ਤੇਜ਼ ਪਰ ਨਿਰਪੱਖ

AI ਇਤਿਹਾਸਕ ਡੇਟਾ ਤੋਂ ਸਿੱਖਦਾ ਹੈ; ਜੇਕਰ ਕੋਈ ਪਿਛਲਾ ਪੱਖਪਾਤ ਹੈ, ਤਾਂ AI ਇਸ ਨੂੰ ਦੁਹਰਾਏਗਾ ਜਾਂ ਇਸ ਨੂੰ ਹੋਰ ਵੀ ਮਜ਼ਬੂਤ ​​ਕਰੇਗਾ। ਇੱਕ ਭਰਤੀ, ਤਰੱਕੀ, ਜਾਂ ਗਾਹਕ ਤਰਜੀਹੀ ਸਿਫਾਰਸ਼ ਅਣਜਾਣੇ ਵਿੱਚ ਇੱਕ ਸਮੂਹ ਨੂੰ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੀ ਹੈ। ਇਸ ਲਈ ਨਿਰਪੱਖਤਾ ਦੇ ਫਿਲਟਰ ਦੁਆਰਾ ਮਨੁੱਖਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਹਰੇਕ AI ਪ੍ਰਸਤਾਵ ਨੂੰ ਪਾਓ: "ਕੀ ਇਹ ਪ੍ਰਸਤਾਵ ਗਲਤ ਢੰਗ ਨਾਲ ਇੱਕ ਸਮੂਹ ਨੂੰ ਬਾਹਰ ਕੱਢਦਾ ਹੈ? ਕੀ ਜਾਇਜ਼ ਠਹਿਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ?" AI ਨੂੰ ਸਪੱਸ਼ਟ ਤੌਰ 'ਤੇ ਪੁੱਛੋ ਕਿ "ਇਸ ਪ੍ਰਸਤਾਵ ਦੁਆਰਾ ਕਿਹੜੇ ਸਮੂਹਾਂ ਨੂੰ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ?" ਪੁੱਛੋ

ਦੋ ਹੋਰ ਨੈਤਿਕ ਸਿਧਾਂਤ: ਪਾਰਦਰਸ਼ਤਾ — ਮਹੱਤਵਪੂਰਨ AI-ਤਿਆਰ ਆਉਟਪੁੱਟ ਨੂੰ ਨਾ ਲੁਕਾਓ; ਤੁਹਾਨੂੰ ਇਹ ਦੱਸਣ ਦੇ ਯੋਗ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ ਫੈਸਲਾ ਕਿਵੇਂ ਲਿਆ ਗਿਆ ਸੀ। ਜਵਾਬਦੇਹੀ - “ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ” ਕੋਈ ਬਹਾਨਾ ਨਹੀਂ ਹੈ। ਜ਼ੁੰਮੇਵਾਰੀ ਸੰਦ ਦੀ ਵਰਤੋਂ ਕਰਨ ਵਾਲੇ ਪ੍ਰਬੰਧਕ ਦੀ ਹੈ। ਜਦੋਂ AI ਗਲਤੀ ਕਰਦਾ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਜਵਾਬਦੇਹ ਹੋ; ਇਸ ਲਈ ਉਸਨੂੰ ਇੱਕ ਨਿਰੀਖਣ ਸਹਾਇਕ ਵਜੋਂ ਵਰਤੋ, ਨਾ ਕਿ ਇੱਕ ਅੰਨ੍ਹੇ ਅਧਿਕਾਰੀ ਵਜੋਂ।

ਏਆਈ ਗਵਰਨੈਂਸ: ਇੱਕ ਸੰਸਥਾਗਤ ਢਾਂਚਾ

ਵਿਅਕਤੀਗਤ ਚੰਗੀ ਇੱਛਾ ਕਾਫ਼ੀ ਨਹੀਂ ਹੈ; ਕਾਰੋਬਾਰ ਲਈ ਇੱਕ ਸਧਾਰਨ ਏਆਈ ਗਵਰਨੈਂਸ ਫਰੇਮਵਰਕ ਸਥਾਪਤ ਕਰੋ: ਕਿਹੜੇ ਟੂਲ ਨੂੰ ਕਿਹੜਾ ਡੇਟਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ, AI ਦੁਆਰਾ ਕਿਹੜੇ ਫੈਸਲਿਆਂ ਦਾ ਸਮਰਥਨ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਜੋ ਸਿਰਫ ਮਾਹਰ ਨਾਲ ਸਬੰਧਤ ਹੈ, ਆਉਟਪੁੱਟ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਂਦਾ ਹੈ, ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਇੱਕ ਲਿਖਤੀ, ਸਧਾਰਨ ਨੀਤੀ ਪੂਰੀ ਟੀਮ ਦੀ ਰੱਖਿਆ ਕਰਦੀ ਹੈ ਅਤੇ ਅਗਲੀ ਯੂਨਿਟ 'ਤੇ ਤਬਾਹੀ ਨੂੰ ਰੋਕਦੀ ਹੈ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 — ਲੀਕੇਜ ਦੇ ਕੰਢੇ ਤੋਂ ਵਾਪਸ ਆਉਣਾ। ਇੱਕ ਸੇਲਜ਼ ਮੈਨੇਜਰ ਇੱਕ ਮੁਫਤ AI ਟੂਲ ਵਿੱਚ ਅਸਲ ਗਾਹਕਾਂ ਦੇ ਨਾਮ ਅਤੇ ਟਰਨਓਵਰ ਵਾਲੀ ਇੱਕ ਸੂਚੀ ਪੇਸਟ ਕਰੇਗਾ। ਝਿਜਕ ਦੇ ਇੱਕ ਪਲ ਵਿੱਚ, ਉਸਨੇ ਪੁੱਛਿਆ, "ਜੇ ਇਹ ਲੀਕ ਹੋ ਗਿਆ ਤਾਂ ਕੀ ਹੋਵੇਗਾ?" ਉਸਨੇ ਗਾਹਕਾਂ ਦੇ ਨਾਮ ਕੋਡਿੰਗ ਕਰਨ ਅਤੇ ਟਰਨਓਵਰ ਨੂੰ ਟੇਪ ਵਿੱਚ ਬਦਲਣ ਲਈ ਕਿਹਾ। ਵਿਸ਼ਲੇਸ਼ਣ ਉਸੇ ਗੁਣ ਨਾਲ ਸਾਹਮਣੇ ਆਇਆ; ਕੋਈ ਅਸਲੀ ਡਾਟਾ ਬਾਹਰ ਨਹੀਂ ਗਿਆ। ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਆਦਤ ਨੇ ਇੱਕ ਵੱਡੇ KVKK ਖਤਰੇ ਨੂੰ ਰੋਕਿਆ।

ਕੇਸ 2 - ਬਣਾਏ ਗਏ ਨੰਬਰ ਦੀ ਕੀਮਤ। ਇੱਕ ਮੁੱਖ ਵਿੱਤੀ ਅਧਿਕਾਰੀ ਨੇ ਬੋਰਡ ਨੂੰ ਇਸਦੀ ਤਸਦੀਕ ਕੀਤੇ ਬਿਨਾਂ YZ ਦੁਆਰਾ ਦਿੱਤੇ ਗਏ "ਉਦਯੋਗ ਦੀ ਔਸਤ 23 ਪ੍ਰਤੀਸ਼ਤ" ਦਾ ਅੰਕੜਾ ਪੇਸ਼ ਕੀਤਾ। ਨੰਬਰ ਬਣ ਗਿਆ ਸੀ; ਏਆਈ ਨੇ ਯਕੀਨਨ ਇੱਕ ਅਜਿਹਾ ਨੰਬਰ ਤਿਆਰ ਕੀਤਾ ਸੀ ਜਿਸਦਾ ਕੋਈ ਸਰੋਤ ਨਹੀਂ ਸੀ। ਗਲਤ ਅੰਕੜੇ 'ਤੇ ਅਧਾਰਤ ਇੱਕ ਨਿਵੇਸ਼ ਵਿਵਾਦ ਪੈਦਾ ਹੋਇਆ ਅਤੇ ਇਸ ਨੂੰ ਉਲਟਾਉਣ ਵਿੱਚ ਸਮਾਂ ਲੱਗਿਆ। ਸਬਕ: ਹਰ ਉਹ ਸੰਖਿਆ ਜੋ ਬਾਹਰੋਂ ਆਉਣ ਦਾ ਦਾਅਵਾ ਕਰਦੀ ਹੈ, ਇਸ ਨੂੰ ਅਸਲ ਸਰੋਤ ਨਾਲ ਕਨੈਕਟ ਕੀਤੇ ਬਿਨਾਂ ਨਹੀਂ ਵਰਤੀ ਜਾ ਸਕਦੀ।

ਕੇਸ 3 - ਪੱਖਪਾਤੀ ਸਿਫਾਰਸ਼ਾਂ ਨੂੰ ਫੜਨਾ। ਇੱਕ HR ਮੈਨੇਜਰ ਨੇ AI ਨੂੰ ਉਮੀਦਵਾਰਾਂ ਨੂੰ ਰੈਂਕ ਦੇਣ ਲਈ ਕਿਹਾ। AI ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਸੇ ਖਾਸ ਸਕੂਲ ਦੇ ਗ੍ਰੈਜੂਏਟਾਂ ਨੂੰ ਉਜਾਗਰ ਕਰੇਗਾ। ਮੈਨੇਜਰ ਪੁੱਛਦਾ ਹੈ "ਇਹ ਪ੍ਰਸਤਾਵ ਕਿਹੜੇ ਸਮੂਹਾਂ ਨੂੰ ਬਾਹਰ ਰੱਖਦਾ ਹੈ?" ਉਸਨੇ ਪੁੱਛਿਆ; ਉਸਨੇ ਪਾਇਆ ਕਿ AI ਪਿਛਲੇ ਪੱਖਪਾਤ ਨੂੰ ਦੁਹਰਾਉਂਦਾ ਹੈ। ਉਸਨੇ ਰੈਂਕਿੰਗ ਨੂੰ ਸਿਰਫ਼ ਨੌਕਰੀ ਨਾਲ ਸਬੰਧਤ, ਬਚਾਅ ਦੇ ਮਾਪਦੰਡਾਂ 'ਤੇ ਅਧਾਰਤ ਕੀਤਾ ਅਤੇ ਅੰਤਿਮ ਫੈਸਲਾ ਲੋਕ ਕਮੇਟੀ 'ਤੇ ਛੱਡ ਦਿੱਤਾ।

ਚਾਰ ਕਾਪੀ ਕਰਨ ਯੋਗ ਟੈਂਪਲੇਟ

1) ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਸਕ੍ਰੀਨਿੰਗ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਡੇਟਾ ਗੋਪਨੀਯਤਾ ਸਲਾਹਕਾਰ। ਮੈਂ ਤੁਹਾਨੂੰ ਇੱਕ ਪਲ ਵਿੱਚ ਇੱਕ ਡੇਟਾ ਸੈੱਟ ਦੇਵਾਂਗਾ। ਪਹਿਲਾਂ, ਨਿੱਜੀ/ਗੁਪਤ ਖੇਤਰਾਂ (ਨਾਮ, ਆਈ.ਡੀ., ਗਾਹਕ, ਕੀਮਤ, ਤਨਖਾਹ) ਦੀ ਸੂਚੀ ਬਣਾਓ ਅਤੇ ਸੁਝਾਅ ਦਿਓ ਕਿ ਉਹਨਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਨੂੰ ਕਿਵੇਂ ਅਗਿਆਤ ਕਰਨਾ ਹੈ। KVKK ਦੇ ਰੂਪ ਵਿੱਚ AI ਨੂੰ ਇਹ ਡੇਟਾ ਦੇਣ ਦੇ ਜੋਖਮਾਂ ਨੂੰ ਸੰਖੇਪ ਵਿੱਚ ਲਿਖੋ। ਅਜੇ ਤੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਨਾ ਕਰੋ.

2) ਪੁਸ਼ਟੀਕਰਨ ਚੈੱਕਲਿਸਟ:

ਮੈਨੂੰ ਪ੍ਰਬੰਧਨ ਨੂੰ ਪੇਸ਼ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਹੇਠਾਂ ਦਿੱਤੇ AI ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦੀ ਲੋੜ ਹੈ। ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਸੰਖਿਆਤਮਕ ਦਾਅਵੇ ਅਤੇ ਬਾਹਰੀ ਸਰੋਤ ਦਾਅਵੇ ਦੀ ਸੂਚੀ ਬਣਾਓ। ਹਰ ਇੱਕ ਲਈ, ਪੁੱਛੋ ਕਿ "ਕੀ ਮੇਰੇ ਦੁਆਰਾ ਪ੍ਰਦਾਨ ਕੀਤੇ ਗਏ ਡੇਟਾ ਦਾ ਸਰੋਤ ਹੈ ਜਾਂ ਕੀ ਇਹ ਜਾਣਕਾਰੀ ਹੈ ਕਿ AI ਨੇ ਆਪਣੇ ਆਪ ਨੂੰ ਬਣਾਇਆ/ਬਣਾਇਆ ਹੈ?" 'ਵੇਰੀਫਾਈ' ਸਿਰਲੇਖ ਹੇਠ ਅਣਜਾਣ ਸਰੋਤਾਂ ਵਾਲੇ ਨੂੰ ਇਕੱਠਾ ਕਰੋ।

3) ਨੈਤਿਕਤਾ/ਨਿਆਂ ਫਿਲਟਰ:

ਨਿਮਨਲਿਖਤ AI ਪ੍ਰਸਤਾਵ ਲੋਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ: [ਪ੍ਰਸਤਾਵ]।ਕਿਹੜੇ ਸਮੂਹ ਇਸ ਪ੍ਰਸਤਾਵ ਨੂੰ ਗਲਤ ਤਰੀਕੇ ਨਾਲ ਨੁਕਸਾਨ ਪਹੁੰਚਾ ਸਕਦੇ ਹਨ? ਕੀ ਸਿਫਾਰਸ਼ ਇਤਿਹਾਸਕ ਡੇਟਾ ਦੁਆਰਾ ਪੱਖਪਾਤੀ ਹੋ ਸਕਦੀ ਹੈ? ਸਿਰਫ਼ ਵਪਾਰ-ਸਬੰਧਤ, ਬਚਾਓਯੋਗ ਮਾਪਦੰਡਾਂ 'ਤੇ ਆਧਾਰਿਤ ਫੈਸਲੇ ਲਈ ਮੈਨੂੰ ਕੀ ਬਦਲਣਾ ਚਾਹੀਦਾ ਹੈ? ਇਮਾਨਦਾਰ ਰਹੋ, ਸੁਝਾਅ ਦਾ ਬਚਾਅ ਨਾ ਕਰੋ।

4) AI ਦੀ ਵਰਤੋਂ ਜੋਖਮ ਵਰਗੀਕਰਣ:

ਮੈਂ AI ਨਾਲ ਹੇਠਾਂ ਦਿੱਤੇ ਕੰਮ ਨੂੰ ਕਰਾਂਗਾ: [ਟਾਸਕ]। ਇਸ ਨੂੰ ਜੋਖਮ ਪੱਧਰ 'ਤੇ ਰੱਖੋ: ਘੱਟ (ਅੰਦਰੂਨੀ ਡਰਾਫਟ), ਮੱਧਮ (ਪ੍ਰਬੰਧਨ ਲਈ ਬਾਹਰ ਜਾਣ ਵਾਲਾ), ਉੱਚ (ਵਿੱਤੀ/ਕਾਨੂੰਨੀ/HR ਨਤੀਜਾ)। ਮੈਨੂੰ ਦੱਸੋ ਕਿ ਜੋਖਮ ਪੱਧਰ ਦੇ ਆਧਾਰ 'ਤੇ ਕਿਹੜੇ ਤਸਦੀਕ ਅਤੇ ਮਨਜ਼ੂਰੀ ਕਦਮਾਂ ਦੀ ਲੋੜ ਹੈ। ਜੇਕਰ ਇਹ ਉੱਚ ਖਤਰਾ ਹੈ, ਤਾਂ ਯਾਦ ਦਿਵਾਓ ਕਿ ਮਾਹਰ ਦੀ ਮਨਜ਼ੂਰੀ ਲਾਜ਼ਮੀ ਹੈ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮੈਨੂੰ ਇਸ ਗਾਹਕ ਡੇਟਾ ਦੇ ਨਾਲ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਦਿਓ। [ਅਸਲ ਨਾਮ ਦਾ ਡੇਟਾ]

ਓਪਨ ਟੂਲ ਨੂੰ ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; ਇਹ KVKK ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਲੀਕ ਹੋਣ ਦਾ ਖਤਰਾ ਰੱਖਦਾ ਹੈ। ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਦੀ ਕੋਈ ਯੋਜਨਾ ਵੀ ਨਹੀਂ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਵਿਸ਼ਲੇਸ਼ਕ। ਮੇਰੇ ਵੱਲੋਂ ਤੁਹਾਨੂੰ ਦਿੱਤੇ ਗਏ ਡੇਟਾ ਵਿੱਚ, ਸਾਰੇ ਨਾਮ ਕੋਡ ਕੀਤੇ ਗਏ ਹਨ (ਗਾਹਕ 1-50) ਅਤੇ ਰਕਮਾਂ ਨੂੰ ਟੇਪ ਵਿੱਚ ਬਦਲਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਅਗਿਆਤ ਡੇਟਾ ਨਾਲ ਖੰਡ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ। ਸਿਰਫ਼ ਮੇਰੇ ਦੁਆਰਾ ਦਿੱਤੇ ਨੰਬਰਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ, ਬਾਹਰੀ ਸੈਕਟਰ ਨੰਬਰ ਨਾ ਜੋੜੋ; ਜੇਕਰ ਤੁਸੀਂ ਇਸਨੂੰ ਜੋੜਦੇ ਹੋ, ਤਾਂ ਕਿਰਪਾ ਕਰਕੇ ਸਰੋਤ ਨੂੰ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦੱਸੋ ਤਾਂ ਜੋ ਮੈਂ ਇਸਦੀ ਪੁਸ਼ਟੀ ਕਰ ਸਕਾਂ।

ਆਕਾਰ

ਮਾੜੀ ਪਹੁੰਚ

ਮਜ਼ਬੂਤ ਪਹੁੰਚ

ਡਾਟਾ

ਅਸਲੀ ਨਾਮ

ਅਗਿਆਤ

KVKK ਜੋਖਮ

ਉੱਚ

ਘੱਟ

ਸਰੋਤ ਨਿਯੰਤਰਣ

ਕੋਈ ਨਹੀਂ

ਲਾਜ਼ਮੀ

ਪੁਸ਼ਟੀਕਰਨ

ਘੱਟ

ਉੱਚ

ਜ਼ਿੰਮੇਵਾਰੀ

ਅਨਿਸ਼ਚਿਤ

ਸਪਸ਼ਟ ਕੀਤਾ

ਆਮ ਗਲਤੀਆਂ

• ਟੂਲ ਖੋਲ੍ਹਣ ਲਈ ਅਸਲ ਗੁਪਤ/ਨਿੱਜੀ ਡੇਟਾ ਦੇਣਾ। ਪਹਿਲਾਂ ਵਰਗੀਕਰਨ ਅਤੇ ਅਗਿਆਤ ਬਣਾਓ।
• ਬਾਹਰੀ ਸਰੋਤ ਦਾਅਵਿਆਂ ਦੀ ਪੁਸ਼ਟੀ ਨਹੀਂ ਕੀਤੀ ਜਾ ਰਹੀ। AI "ਉਦਯੋਗ ਔਸਤ" ਵਰਗੇ ਨੰਬਰ ਬਣਾ ਸਕਦਾ ਹੈ; ਸਰੋਤ ਨਾਲ ਜੁੜੋ.
• ਪੱਖਪਾਤ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ। ਨਿਰਪੱਖਤਾ ਦੇ ਫਿਲਟਰ ਦੁਆਰਾ ਲੋਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਨ ਵਾਲੇ ਪ੍ਰਸਤਾਵ ਰੱਖੋ।
• "ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ" ਬਹਾਨਾ. ਜ਼ਿੰਮੇਵਾਰੀ ਉਪਭੋਗਤਾ ਦੇ ਨਾਲ ਹੈ; ਜਵਾਬਦੇਹੀ ਮੰਨ ਲਓ।
• ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਫੈਸਲੇ 'ਤੇ ਮਾਹਰ ਦੀ ਮਨਜ਼ੂਰੀ ਨੂੰ ਛੱਡਣਾ। ਵਿੱਤੀ/ਕਾਨੂੰਨੀ/HR/ਪਾਲਣਾ ਆਉਟਪੁੱਟ ਲਈ ਮਾਹਰ ਦੀ ਮਨਜ਼ੂਰੀ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਸਾਵਧਾਨ: ਇਸ ਮੋਡੀਊਲ ਦਾ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਵਾਕ: ਅਨੁਰੂਪ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਪਾਲਣਾ, ਵਿੱਤ, ਕਾਨੂੰਨੀ ਅਤੇ ਮਨੁੱਖੀ ਵਸੀਲਿਆਂ ਵਿੱਚ AI ਆਉਟਪੁੱਟ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। AI ਤੁਹਾਡੀ ਗਤੀ ਵਧਾਉਂਦਾ ਹੈ, ਇਹ ਤੁਹਾਡੇ ਮਾਹਰ ਨੂੰ ਬਰਖਾਸਤ ਨਹੀਂ ਕਰਦਾ। ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ AI ਆਉਟਪੁੱਟ ਇੱਕ ਗੈਰ-ਹਸਤਾਖਰਿਤ ਫੈਸਲੇ ਦੇ ਰੂਪ ਵਿੱਚ ਖਤਰਨਾਕ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

ਜ਼ਿੰਮੇਵਾਰ AI ਵਰਤੋਂ ਤਿੰਨ ਥੰਮ੍ਹਾਂ 'ਤੇ ਟਿਕੀ ਹੋਈ ਹੈ: ਗੋਪਨੀਯਤਾ, ਪ੍ਰਮਾਣਿਕਤਾ, ਅਤੇ ਨੈਤਿਕਤਾ। ਡੇਟਾ ਨੂੰ ਚਾਰ ਲੇਅਰਾਂ ਵਿੱਚ ਸੁਰੱਖਿਅਤ ਕਰੋ (ਵਰਗੀਕਰਨ, ਅਗਿਆਤਕਰਨ, ਟੂਲ ਚੋਣ, ਘੱਟੋ-ਘੱਟ ਡੇਟਾ) ਅਤੇ KVKK ਜ਼ਿੰਮੇਵਾਰੀ ਨੂੰ ਯਾਦ ਰੱਖੋ। ਸਰੋਤ ਲਿੰਕਿੰਗ, ਪੁਨਰਗਣਨਾ, ਅਤੇ ਪ੍ਰਬੰਧਕੀ ਫਿਲਟਰਿੰਗ ਨਾਲ ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰੋ; ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੇ ਅਧਾਰ 'ਤੇ ਮਿਹਨਤ ਵਧਾਓ। ਅਜਿਹੇ ਪ੍ਰਸਤਾਵ ਪੇਸ਼ ਕਰੋ ਜੋ ਨਿਰਪੱਖਤਾ ਦੇ ਫਿਲਟਰ ਰਾਹੀਂ ਲੋਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ ਅਤੇ ਪਾਰਦਰਸ਼ਤਾ ਅਤੇ ਜਵਾਬਦੇਹੀ ਬਣਾਈ ਰੱਖਦੇ ਹਨ। ਇੱਕ ਸਧਾਰਨ ਏਆਈ ਗਵਰਨੈਂਸ ਫਰੇਮਵਰਕ ਪੂਰੀ ਟੀਮ ਦੀ ਰੱਖਿਆ ਕਰਦਾ ਹੈ। ਅਤੇ ਹਮੇਸ਼ਾ: ਉੱਚ-ਜੋਖਮ ਵਾਲੇ, ਨਤੀਜੇ ਵਾਲੇ ਖੇਤਰਾਂ ਵਿੱਚ, AI ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਕੋਈ ਬਦਲ ਨਹੀਂ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ ਕਾਰੋਬਾਰ ਲਈ "AI ਵਰਤੋਂ ਦਿਸ਼ਾ-ਨਿਰਦੇਸ਼ਾਂ" ਦਾ ਅੱਧਾ ਪੰਨਾ ਖਰੜਾ ਲਿਖੋ। ਸ਼ਾਮਲ ਕਰੋ: ਕਿਹੜੇ ਟੂਲ ਨੂੰ ਕਿਹੜਾ ਡੇਟਾ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਡੇਟਾ ਨੂੰ ਕਿਵੇਂ ਅਗਿਆਤ ਕੀਤਾ ਜਾਵੇਗਾ, ਕਿਹੜੇ ਆਉਟਪੁੱਟਾਂ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਕਿਹੜੇ ਫੈਸਲੇ ਸਿਰਫ਼ ਮਾਹਰ ਦੇ ਹਨ ਅਤੇ ਕੌਣ ਜ਼ਿੰਮੇਵਾਰ ਹੈ। ਉੱਪਰ ਦਿੱਤੇ "AI ਦੀ ਵਰਤੋਂ ਜੋਖਮ ਵਰਗੀਕਰਣ" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ, ਪਿਛਲੇ ਹਫ਼ਤੇ AI ਨਾਲ ਕੀਤੇ ਗਏ 5 ਕਾਰਜਾਂ ਨੂੰ ਜੋਖਮ ਪੱਧਰ ਵਿੱਚ ਰੱਖੋ ਅਤੇ ਹਰੇਕ ਲਈ ਸਹੀ ਪੁਸ਼ਟੀਕਰਨ ਪੜਾਅ ਲਿਖੋ।

ਚੈੱਕਲਿਸਟ

• [ ] ਕੀ ਮੈਂ ਡੇਟਾ ਨੂੰ ਵਰਗੀਕ੍ਰਿਤ ਅਤੇ ਅਗਿਆਤ ਕੀਤਾ ਹੈ?
• ਕੀ ਮੈਂ ਕੰਪਨੀ ਦੁਆਰਾ ਮਨਜ਼ੂਰ/ਸੁਰੱਖਿਅਤ ਟੂਲ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ?
• ਕੀ ਮੈਂ ਜੋਖਮ ਪੱਧਰ ਦੇ ਵਿਰੁੱਧ ਹਰੇਕ ਆਉਟਪੁੱਟ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤਾ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਉਹਨਾਂ ਪ੍ਰਸਤਾਵਾਂ ਨੂੰ ਫਿਲਟਰ ਕੀਤਾ ਹੈ ਜੋ ਨਿਰਪੱਖਤਾ ਦੁਆਰਾ ਲੋਕਾਂ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦੇ ਹਨ?
• [ ] ਕੀ ਮੈਨੂੰ ਉੱਚ-ਜੋਖਮ ਵਾਲੇ ਫੈਸਲਿਆਂ ਲਈ ਮਾਹਰ ਦੀ ਮਨਜ਼ੂਰੀ ਦੀ ਲੋੜ ਹੈ?

ਮੋਡੀਊਲ ਪ੍ਰੀਖਿਆ

1. ਏਆਈ ਨੂੰ ਨੌਕਰੀ ਨੂੰ ਆਊਟਸੋਰਸ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਇੱਕ ਮੈਨੇਜਰ ਨੂੰ ਕੰਮ ਦੀ ਪਰਤ (ਮਕੈਨੀਕਲ / ਵਿਸ਼ਲੇਸ਼ਕ / ਫੈਸਲੇ) ਅਤੇ ਤਸਦੀਕ ਦੀ ਕਠੋਰਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਕੀ ਸਵਾਲ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ?

• A) ਜੇਕਰ ਇਹ ਆਉਟਪੁੱਟ ਗਲਤ ਹੈ ਤਾਂ ਨਤੀਜਾ ਕੀ ਹੋਵੇਗਾ? ✔
• ਅ) ਕੀ ਨਕਲੀ ਬੁੱਧੀ ਇਸ ਕੰਮ ਨੂੰ ਜਿੰਨੀ ਜਲਦੀ ਹੋ ਸਕੇ ਖਤਮ ਕਰ ਸਕਦੀ ਹੈ?
• C) ਕੀ ਇਹ ਸਾਧਨ ਮੁਫਤ ਹੈ?
• D) ਕੀ ਇਹ ਕੰਮ ਪਹਿਲਾਂ ਕਦੇ ਕੀਤਾ ਗਿਆ ਹੈ?

ਵਰਣਨ: ਸਹੀ ਵਰਤੋਂ ਦਾ ਆਧਾਰ ਜੋਖਮ ਦੇ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ ਨੌਕਰੀ ਦਾ ਵਰਗੀਕਰਨ ਕਰਨਾ ਹੈ। 'ਜੇ ਇਹ ਆਉਟਪੁੱਟ ਗਲਤ ਹੈ ਤਾਂ ਨਤੀਜਾ ਕੀ ਹੋਵੇਗਾ?' ਸਵਾਲ ਇਹ ਨਿਰਧਾਰਤ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਕੰਮ ਮਕੈਨੀਕਲ, ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ, ਜਾਂ ਇੱਕ ਜ਼ਿੰਮੇਵਾਰ ਫੈਸਲਾ ਹੈ ਅਤੇ ਇਸ ਲਈ ਕਿੰਨੀ ਤਸਦੀਕ ਦੀ ਲੋੜ ਹੈ।

2. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਦਿੱਤਾ ਗਿਆ 'ਇੰਡਸਟਰੀ ਔਸਤ 23 ਪ੍ਰਤੀਸ਼ਤ' ਅੰਕੜਾ ਬੋਰਡ ਆਫ਼ ਡਾਇਰੈਕਟਰਜ਼ ਨੂੰ ਬਿਨਾਂ ਤਸਦੀਕ ਦੇ ਪੇਸ਼ ਕੀਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਹ ਪਤਾ ਚਲਦਾ ਹੈ ਕਿ ਇਹ ਅੰਕੜਾ ਮਨਘੜਤ ਹੈ। ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਕਿਹੜੇ ਬੁਨਿਆਦੀ ਅਨੁਸ਼ਾਸਨ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕੀਤਾ ਗਿਆ ਸੀ?

• ਏ) ਸਿਰਫ ਸਵੇਰ ਦੇ ਸਮੇਂ ਵਿਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦਾ ਨਿਯਮ
• ਅ) ਸਰੋਤ ਨਾਲ ਕਨੈਕਟ ਕਰਕੇ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਨ ਦਾ ਅਨੁਸ਼ਾਸਨ ✔
• C) ਰਿਪੋਰਟ ਨੂੰ ਰੰਗ ਸਾਰਣੀ ਵਿੱਚ ਬਦਲਣਾ
• ਡੀ) ਇੱਕ ਲੰਬਾ ਪ੍ਰੋਂਪਟ ਲਿਖਣਾ

ਵਿਆਖਿਆ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਕਦੇ-ਕਦਾਈਂ ਇੱਕ ਠੋਸ ਭਾਸ਼ਾ (ਭਰਮ) ਵਿੱਚ ਇੱਕ ਗੈਰ-ਮੌਜੂਦ ਸੰਖਿਆ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜਨ ਦਾ ਪੜਾਅ ਇਹ ਜਾਂਚ ਕਰਦਾ ਹੈ ਕਿ ਕੀ ਹਰੇਕ ਸੰਖਿਆ ਅਸਲ ਸਰੋਤ ਤੋਂ ਆਉਂਦੀ ਹੈ ਜਾਂ ਹੋ ਸਕਦੀ ਹੈ। ਜਦੋਂ ਇਸ ਨੂੰ ਛੱਡ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਗਲਤ ਫੈਸਲਿਆਂ ਦਾ ਖ਼ਤਰਾ ਹੁੰਦਾ ਹੈ।

3. ਜਦੋਂ ਕਿ ਇੱਕ ਈ-ਕਾਮਰਸ ਕੰਪਨੀ ਵਿੱਚ ਕੁੱਲ ਟਰਨਓਵਰ ਸਥਿਰ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ, ਖੰਡ ਟੁੱਟਣ ਤੋਂ ਪਤਾ ਲੱਗਦਾ ਹੈ ਕਿ ਇੱਕ ਉੱਚ-ਮੁਨਾਫ਼ਾ ਸ਼੍ਰੇਣੀ ਵਿੱਚ 22 ਪ੍ਰਤੀਸ਼ਤ ਦੀ ਕਮੀ ਆਈ ਹੈ, ਅਤੇ ਘੱਟ-ਮੁਨਾਫ਼ਾ ਵਿਕਰੀ ਇਸ ਨੂੰ ਮਾਸਕ ਕਰਦੀ ਹੈ। ਇਹ ਉਦਾਹਰਣ ਕਿਹੜੇ ਸਿਧਾਂਤ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ?

• A) ਕੁੱਲ ਸੰਖਿਆ ਹਮੇਸ਼ਾ ਸਭ ਤੋਂ ਭਰੋਸੇਯੋਗ ਸੂਚਕ ਹੁੰਦੀ ਹੈ
• ਅ) ਮੁਨਾਫ਼ਾ ਮਹੱਤਵਪੂਰਨ ਨਹੀਂ ਹੈ, ਸਿਰਫ ਟਰਨਓਵਰ ਮਹੱਤਵਪੂਰਨ ਹੈ
• C) ਕੁੱਲ ਸੰਖਿਆ ਉਲਟਾ ਨੂੰ ਲੁਕਾ ਸਕਦੀ ਹੈ; ਖੰਡ ਟੁੱਟਣ ਨਾਲ ਸੱਚਾਈ ਸਾਹਮਣੇ ਆਉਂਦੀ ਹੈ ✔
• ਡੀ) ਖੰਡ ਵਿਸ਼ਲੇਸ਼ਣ ਸਿਰਫ ਵੱਡੀਆਂ ਕੰਪਨੀਆਂ ਲਈ ਵੈਧ ਹੈ

ਵਿਆਖਿਆ: ਕੁੱਲ ਸੰਖਿਆਵਾਂ ਅੰਦਰੂਨੀ ਉਲਟਾਵਾਂ ਨੂੰ ਲੁਕਾ ਸਕਦੀਆਂ ਹਨ। ਫੈਸਲੇ ਦੇ ਸਮਰਥਨ ਦੇ ਕੰਮ ਵਿੱਚ ਕੁੱਲ ਦੀ ਬਜਾਏ ਟੁੱਟਣ (ਖੰਡ ਵਿਸ਼ਲੇਸ਼ਣ) ਨੂੰ ਵੇਖਣਾ ਸੱਚਾਈ ਨੂੰ ਪ੍ਰਗਟ ਕਰਦਾ ਹੈ; ਵੱਡੀਆਂ ਭਿੰਨਤਾਵਾਂ ਇੱਕ ਨਿਸ਼ਚਿਤ ਕੁੱਲ ਦੇ ਹੇਠਾਂ ਲੁਕੀਆਂ ਹੋ ਸਕਦੀਆਂ ਹਨ।

4. ਇੱਕ ਕੈਫੇ ਮੈਨੇਜਰ ਇਸ ਖੋਜ ਦੀ ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਕਿ 'ਵੀਕੈਂਡ ਦੀ ਵਿਕਰੀ ਤਾਪਮਾਨ ਦੇ ਨਾਲ ਵਧਦੀ ਹੈ' ਕਿਉਂਕਿ 'ਗਰਮ ਮੌਸਮ ਵਿਕਰੀ ਵਧਾਉਂਦਾ ਹੈ' ਅਤੇ ਏਅਰ ਕੰਡੀਸ਼ਨਿੰਗ ਨੂੰ ਬੰਦ ਕਰ ਦਿੰਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਅਸਲ ਕਾਰਨ ਹਫਤੇ ਦੇ ਅੰਤ ਵਿੱਚ ਵਧੇ ਹੋਏ ਗਾਹਕਾਂ ਦੀ ਆਵਾਜਾਈ ਸੀ. ਇਹ ਗਲਤੀ ਕੀ ਹੈ?

• ਏ) ਕਾਰਣ ਲਈ ਗਲਤ ਸਬੰਧ ✔
• ਅ) ਲੋੜੀਂਦਾ ਡੇਟਾ ਇਕੱਠਾ ਨਹੀਂ ਕਰਨਾ
• C) ਗਲਤ ਚਾਰਟ ਕਿਸਮ ਦੀ ਚੋਣ ਕਰਨਾ
• ਡੀ) ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਨਹੀਂ ਕਰਨਾ

ਵਿਆਖਿਆ: ਕੇਵਲ ਕਿਉਂਕਿ ਦੋ ਚੀਜ਼ਾਂ ਇਕੱਠੇ ਕੰਮ ਕਰਦੀਆਂ ਹਨ (ਸਬੰਧ) ਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇੱਕ ਦੂਜੀ (ਕਾਰਨ) ਦਾ ਕਾਰਨ ਬਣਦੀ ਹੈ। ਤਾਪਮਾਨ ਅਤੇ ਵਿਕਰੀ ਇਤਫ਼ਾਕ ਨਾਲ ਇੱਕੋ ਦਿਸ਼ਾ ਵਿੱਚ ਚਲੇ ਗਏ; ਆਮ ਕਾਰਨ ਸ਼ਨੀਵਾਰ ਟ੍ਰੈਫਿਕ ਸੀ. ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੁਆਰਾ ਪਾਏ ਜਾਣ ਵਾਲੇ ਸਬੰਧ ਸਬੂਤ ਨਹੀਂ ਹਨ, ਪਰ ਪਰਖ ਕੀਤੇ ਜਾਣ ਵਾਲੇ ਅਨੁਮਾਨ ਹਨ।

5. ਇੱਕ ਚੰਗੀ ਪ੍ਰਬੰਧਨ ਰਿਪੋਰਟ ਦੇ 'ਪਿਰਾਮਿਡ' ਢਾਂਚੇ ਦੇ ਸਿਖਰ 'ਤੇ ਕੀ ਹੈ?

• ਏ) ਕੱਚੇ ਡੇਟਾ ਟੇਬਲ
• ਅ) ਕਾਰਜਕਾਰੀ ਸੰਖੇਪ ✔
• C) ਵਾਧੂ ਦਸਤਾਵੇਜ਼ ਅਤੇ ਫੁਟਨੋਟ
• ਡੀ) ਪਿਛਲੇ ਸਾਲਾਂ ਦੇ ਸਾਰੇ ਅੰਕੜੇ

ਵਿਆਖਿਆ: ਇੱਕ ਚੰਗੀ ਰਿਪੋਰਟ ਇੱਕ ਪਿਰਾਮਿਡ ਹੈ: ਸਿਖਰ 'ਤੇ, ਕਾਰਜਕਾਰੀ ਸੰਖੇਪ (3-5 ਬੁਲੇਟ ਪੁਆਇੰਟ) ਸਭ ਤੋਂ ਵਿਅਸਤ ਪਾਠਕ ਨੂੰ 30 ਸਕਿੰਟਾਂ ਵਿੱਚ ਸਮਝਣ ਲਈ ਤਿਆਰ ਕੀਤਾ ਗਿਆ ਹੈ; ਹੇਠਾਂ ਮਹੱਤਵਪੂਰਣ ਖੋਜਾਂ; ਤਲ 'ਤੇ ਸਹਾਇਕ ਵੇਰਵਾ ਹੈ. ਇਸ ਤਰ੍ਹਾਂ, ਚੋਟੀ ਦਾ ਮੈਨੇਜਰ ਸਿਰਫ ਸਿਖਰ ਨੂੰ ਪੜ੍ਹਦਾ ਹੈ, ਅਤੇ ਜੋ ਵੀ ਉਤਸੁਕ ਹੈ ਉਹ ਹੇਠਾਂ ਆ ਜਾਂਦਾ ਹੈ.

6. ਜਦੋਂ ਇੱਕ ਕਾਲ ਸੈਂਟਰ 'ਪ੍ਰਤੀ ਦਿਨ ਜਵਾਬੀ ਕਾਲਾਂ ਦੀ ਗਿਣਤੀ' ਇੱਕ KPI ਬਣਾਉਂਦਾ ਹੈ, ਤਾਂ ਪ੍ਰਤੀਨਿਧੀ ਕਾਲਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਦੇ ਹਨ ਅਤੇ ਗਾਹਕ ਦੀ ਸੰਤੁਸ਼ਟੀ ਘਟਾਉਂਦੇ ਹਨ। ਇਹ ਸਥਿਤੀ ਕਿਸ ਸਿਧਾਂਤ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ?

• A) ਜਿੰਨੇ ਜ਼ਿਆਦਾ KPI, ਬਿਹਤਰ ਪ੍ਰਬੰਧਨ
• B) KPIs ਦੀ ਵਰਤੋਂ ਕਾਲ ਸੈਂਟਰਾਂ ਵਿੱਚ ਨਹੀਂ ਕੀਤੀ ਜਾ ਸਕਦੀ
• C) ਸਪੀਡ ਹਮੇਸ਼ਾ ਗੁਣਵੱਤਾ ਤੋਂ ਪਹਿਲਾਂ ਆਉਂਦੀ ਹੈ
• D) ਇੱਕ KPI ਜਿਸਨੂੰ ਹੇਰਾਫੇਰੀ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਉਸ ਨਤੀਜੇ ਦੀ ਬਜਾਏ ਉਲਟ ਵਿਵਹਾਰ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰ ਸਕਦਾ ਹੈ ਜਿਸਦਾ ਇਹ ਮਾਪਣਾ ਹੈ ✔

ਵਿਆਖਿਆ: ਜਦੋਂ ਕੋਈ ਸੰਕੇਤਕ ਨਿਸ਼ਾਨਾ ਬਣ ਜਾਂਦਾ ਹੈ, ਲੋਕ ਇਸਨੂੰ ਧੋਖਾ ਦੇਣ ਦੇ ਤਰੀਕੇ ਲੱਭਦੇ ਹਨ (ਗੁਡਹਾਰਟ ਦਾ ਕਾਨੂੰਨ)। 'ਕਾਲ ਕਾਉਂਟ' ਆਸਾਨੀ ਨਾਲ ਹੇਰਾਫੇਰੀ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਅਸਲ ਨਤੀਜੇ (ਰੈਜ਼ੋਲੂਸ਼ਨ, ਸੰਤੁਸ਼ਟੀ) ਨੂੰ ਮਾਪਦਾ ਨਹੀਂ ਹੈ। ਇਸ ਲਈ KPI ਦੀ ਚੋਣ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਤੁਹਾਨੂੰ ਇਹ ਪੁੱਛਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ 'ਇਹ ਕਿਸ ਪ੍ਰਤੀਕੂਲ ਵਿਵਹਾਰ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਦਾ ਹੈ?' ਪੁੱਛਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ।

7. ਪ੍ਰਕਿਰਿਆ ਆਟੋਮੇਸ਼ਨ ਵਿੱਚ 'ਪਹਿਲਾਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾਓ, ਬਾਅਦ ਵਿੱਚ ਸਵੈਚਾਲਤ ਕਰੋ' ਨਿਯਮ ਦਾ ਕਾਰਨ ਕੀ ਹੈ?

• ਏ) ਆਟੋਮੇਸ਼ਨ ਟੁੱਟੀ ਪ੍ਰਕਿਰਿਆ ਵਿੱਚ ਅਸਫਲਤਾ ਨੂੰ ਵੀ ਤੇਜ਼ ਕਰਦੀ ਹੈ; ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪਹਿਲਾਂ ਠੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ✔
• ਅ) ਸਰਲੀਕਰਨ ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਅਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ
• C) ਸਰਲੀਕਰਨ ਸਿਰਫ਼ ਇੱਕ ਕਾਨੂੰਨੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੈ
• ਡੀ) ਆਟੋਮੇਸ਼ਨ ਸਰਲੀਕਰਨ ਨਾਲੋਂ ਹਮੇਸ਼ਾ ਸਸਤਾ ਹੁੰਦਾ ਹੈ

ਵਰਣਨ: ਆਟੋਮੇਸ਼ਨ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗਤੀ ਨੂੰ ਵਧਾਉਂਦੀ ਹੈ; ਜੇ ਪ੍ਰਕਿਰਿਆ ਭ੍ਰਿਸ਼ਟ ਹੈ ਤਾਂ ਇਹ ਗਲਤੀ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਇੱਕ ਅਕਾਊਂਟਿੰਗ ਯੂਨਿਟ ਵਿੱਚ 5 ਬੇਲੋੜੀ ਕਦਮ ਪ੍ਰਕਿਰਿਆ ਸਵੈਚਲਿਤ ਸੀ, ਤਾਂ ਬੇਲੋੜੇ ਕਦਮਾਂ ਨੇ ਤੇਜ਼ੀ ਨਾਲ ਕੰਮ ਕੀਤਾ। ਪਹਿਲਾਂ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਫਿਰ ਤੇਜ਼ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ.

8. ਗਾਹਕ ਨੂੰ ਆਟੋਮੈਟਿਕ ਜਵਾਬਾਂ ਵਿੱਚ 'ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ' ਡਿਜ਼ਾਈਨ ਦਾ ਕੀ ਮਕਸਦ ਹੈ?

• ਏ) ਆਟੋਮੇਸ਼ਨ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬੰਦ ਕਰਨਾ
• ਅ) ਨਕਲੀ ਬੁੱਧੀ ਦੇ ਫੈਸਲੇ ਦੇ ਅਧਿਕਾਰ ਨੂੰ ਵਧਾਉਣਾ
• C) ਜ਼ਿਆਦਾਤਰ ਗਤੀ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਨਾਜ਼ੁਕ ਬਿੰਦੂ 'ਤੇ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਨਾਲ ਗਲਤੀ ਨੂੰ ਬਚਣ ਤੋਂ ਰੋਕਣਾ ✔
• ਡੀ) ਮਨੁੱਖੀ ਕਾਰਜਬਲ ਨੂੰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਖਤਮ ਕਰਨਾ

ਵਿਆਖਿਆ: ਮਨੁੱਖੀ-ਇਨ-ਦੀ-ਲੂਪ ਡਿਜ਼ਾਈਨ ਸਵੈਚਲਿਤ ਪ੍ਰਕਿਰਿਆ ਦੇ ਨਾਜ਼ੁਕ ਬਿੰਦੂ 'ਤੇ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਹੈ। AI ਡਰਾਫਟ ਤਿਆਰ ਕਰਦਾ ਹੈ, ਮਨੁੱਖ ਇਸ ਨੂੰ ਜਲਦੀ ਮਨਜ਼ੂਰੀ ਦਿੰਦਾ ਹੈ, ਫਿਰ ਇਸਨੂੰ ਭੇਜਿਆ ਜਾਂਦਾ ਹੈ। ਇਹ ਜ਼ਿਆਦਾਤਰ ਗਤੀ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦੇ ਹੋਏ ਇੱਕ ਬੱਗ ਨੂੰ ਸਿੱਧਾ ਬਾਹਰ ਜਾਣ ਤੋਂ ਰੋਕਦਾ ਹੈ; ਜਦੋਂ ਇੱਕ ਟੀਮ ਨੇ ਇਸ ਮਨਜ਼ੂਰੀ ਨੂੰ ਹਟਾ ਦਿੱਤਾ, ਤਾਂ ਗਲਤ ਜਾਣਕਾਰੀ ਗਾਹਕ ਤੱਕ ਪਹੁੰਚ ਗਈ।

9. ਇੱਕ ਫਰਨੀਚਰ ਵਰਕਸ਼ਾਪ ਵਿੱਚ ਉਤਪਾਦਨ ਹੌਲੀ ਹੁੰਦਾ ਹੈ; ਮੈਨੇਜਰ ਸਭ ਤੋਂ ਮਹਿੰਗੀ ਮਸ਼ੀਨ (ਕਟਿੰਗ) ਨੂੰ ਬਦਲਣਾ ਚਾਹੁੰਦਾ ਹੈ, ਪਰ ਵਿਸ਼ਲੇਸ਼ਣ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਅੜਚਨ ਰੰਗਾਈ-ਸੁਕਾਉਣ ਵਾਲਾ ਕਦਮ ਹੈ। ਓਪਰੇਸ਼ਨ ਵਿਸ਼ਲੇਸ਼ਣ ਦਾ ਮੂਲ ਸਿਧਾਂਤ ਕੀ ਹੈ?

• ਏ) ਸਭ ਤੋਂ ਮਹਿੰਗਾ ਕਦਮ ਹਮੇਸ਼ਾ ਸੁਧਾਰਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) ਸੁਧਾਰ ਨੂੰ ਉਸ ਰੁਕਾਵਟ 'ਤੇ ਨਿਸ਼ਾਨਾ ਬਣਾਇਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ ਜੋ ਪੂਰੇ ਪ੍ਰਵਾਹ ਨੂੰ ਹੌਲੀ ਕਰ ਦਿੰਦਾ ਹੈ ✔
• ਸੀ) ਸਾਰੇ ਕਦਮਾਂ ਨੂੰ ਬਰਾਬਰ ਤੇਜ਼ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਡੀ) ਰੁਕਾਵਟ ਦੀ ਧਾਰਨਾ ਸਿਰਫ ਉਤਪਾਦਨ ਲਾਈਨਾਂ 'ਤੇ ਜਾਇਜ਼ ਹੈ

ਵਿਆਖਿਆ: ਕਿਸੇ ਪ੍ਰਕਿਰਿਆ ਦੀ ਗਤੀ ਉਸ ਦੇ ਸਭ ਤੋਂ ਹੌਲੀ ਕਦਮ (ਅੜਚਨ) ਦੀ ਗਤੀ ਹੈ। ਰੁਕਾਵਟ ਤੋਂ ਬਾਹਰ ਕਦਮਾਂ ਨੂੰ ਤੇਜ਼ ਕਰਨਾ ਪੈਸੇ ਅਤੇ ਮਿਹਨਤ ਦੀ ਬਰਬਾਦੀ ਹੈ; ਇਕੋ ਚੀਜ਼ ਜੋ ਕੰਮ ਕਰਦੀ ਹੈ ਉਹ ਹੈ ਰੁਕਾਵਟ ਨੂੰ ਚੌੜਾ ਕਰਨਾ. ਜਦੋਂ ਮੈਨੇਜਰ ਨੇ ਕਤਲ ਕਰਨ ਦੀ ਬਜਾਏ ਦੂਜੇ ਸੁਕਾਉਣ ਵਾਲੇ ਓਵਨ ਵਿੱਚ ਨਿਵੇਸ਼ ਕੀਤਾ, ਤਾਂ ਗਤੀ 28 ਪ੍ਰਤੀਸ਼ਤ ਵਧ ਗਈ.

10. ਖਰੀਦਦਾਰੀ ਵਿੱਚ, ਇੱਕ ਮੈਨੇਜਰ ਸਭ ਤੋਂ ਸਸਤੇ ਕੱਚੇ ਮਾਲ ਦੇ ਸਪਲਾਇਰ ਨੂੰ ਬਦਲਦਾ ਹੈ ਪਰ ਸਪਲਾਇਰ ਦੀ ਮਾੜੀ ਡਿਲੀਵਰੀ ਭਰੋਸੇਯੋਗਤਾ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦਾ ਹੈ; ਦੋ ਵੱਡੀਆਂ ਦੇਰੀ ਉਤਪਾਦਨ ਨੂੰ ਰੋਕ ਰਹੀਆਂ ਹਨ। ਇਸ ਸਥਿਤੀ ਤੋਂ ਸਬਕ ਕੀ ਹੈ?

• ਏ) ਸਭ ਤੋਂ ਮਹਿੰਗਾ ਸਪਲਾਇਰ ਹਮੇਸ਼ਾ ਚੁਣਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ
• ਅ) ਡਿਲਿਵਰੀ ਭਰੋਸੇਯੋਗਤਾ ਅਪ੍ਰਸੰਗਿਕ ਹੈ
• C) ਸਪਲਾਇਰ ਦਾ ਮੁਲਾਂਕਣ ਇੱਕ ਮਾਪ (ਸਿਰਫ਼ ਕੀਮਤ) ਵਿੱਚ ਨਹੀਂ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਪਰ ਭਰੋਸੇਯੋਗਤਾ ਅਤੇ ਜੋਖਮ ਸਮੇਤ ਕਈ ਮਾਪਾਂ ਵਿੱਚ ✔
• ਡੀ) ਸਪਲਾਇਰ ਦੇ ਫੈਸਲੇ ਸਿਰਫ ਨਕਲੀ ਬੁੱਧੀ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਜਾਣੇ ਚਾਹੀਦੇ ਹਨ

ਵਰਣਨ: ਸਪਲਾਇਰ ਦੀ ਚੋਣ ਬਹੁ-ਆਯਾਮੀ ਹੈ: ਕੀਮਤ, ਗੁਣਵੱਤਾ, ਡਿਲੀਵਰੀ ਸਮਾਂ, ਭਰੋਸੇਯੋਗਤਾ, ਵਿੱਤੀ ਮਜ਼ਬੂਤੀ ਅਤੇ ਜੋਖਮ ਦਾ ਮੁਲਾਂਕਣ ਇਕੱਠੇ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਸਿਰਫ਼ ਕੀਮਤ 'ਤੇ ਨਜ਼ਰ ਮਾਰਨ ਨਾਲ ਪ੍ਰਾਪਤ ਕੀਤੀ ਛੋਟ ਨਾਲੋਂ ਕਈ ਗੁਣਾ ਜ਼ਿਆਦਾ ਨੁਕਸਾਨ ਹੋ ਸਕਦਾ ਹੈ; ਗੁੰਮ ਹੋਏ ਉਤਪਾਦਨ ਨੇ ਛੋਟ ਨੂੰ ਖਤਮ ਕਰ ਦਿੱਤਾ।

11. ਲਗਾਤਾਰ ਲੇਟ ਹੋਣ ਵਾਲੀ ਟੀਮ ਨੂੰ ਗੁੱਸੇ ਅਤੇ ਕਠੋਰ ਈਮੇਲ ਭੇਜਣ ਤੋਂ ਪਹਿਲਾਂ ਪ੍ਰਬੰਧਕ ਲਈ ਸਭ ਤੋਂ ਵਧੀਆ ਚੀਜ਼ ਕੀ ਹੈ?

• ਏ) ਸੰਦੇਸ਼ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਭੇਜਣਾ, ਕਿਉਂਕਿ ਭਾਵਨਾਵਾਂ ਅਸਲੀ ਹਨ
• ਅ) ਨਕਲੀ ਬੁੱਧੀ ਨਾਲ ਟੋਨ ਨੂੰ ਹੱਲ-ਮੁਖੀ ਬਣਾਉਣਾ ਅਤੇ ਫਿਰ ਇਸਨੂੰ ਮਨੁੱਖੀ ਫਿਲਟਰ ਦੁਆਰਾ ਪਾਸ ਕਰਨਾ ✔
• C) ਸੰਦੇਸ਼ ਬਿਲਕੁਲ ਨਾ ਭੇਜਣਾ ਅਤੇ ਸਮੱਸਿਆ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਨਾ
• ਡੀ) ਸੰਦੇਸ਼ ਨੂੰ ਮਜ਼ਬੂਤ ਬਣਾਉਣਾ

ਵਿਆਖਿਆ: ਗੁੱਸੇ ਵਿੱਚ ਲਿਖੇ ਸੰਦੇਸ਼ਾਂ ਨੂੰ ਤੁਰੰਤ ਨਹੀਂ ਭੇਜਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਦੱਸਣਾ 'ਉਹੀ ਉਮੀਦਾਂ ਅਤੇ ਸੀਮਾਵਾਂ ਨੂੰ ਬਰਕਰਾਰ ਰੱਖਦੇ ਹੋਏ ਟੋਨ ਨੂੰ ਆਦਰਯੋਗ ਅਤੇ ਹੱਲ-ਮੁਖੀ ਟੋਨ ਵਿੱਚ ਬਦਲਣਾ' ਸੰਦੇਸ਼ ਦੇ ਸਾਰ ਨੂੰ ਸੁਰੱਖਿਅਤ ਰੱਖਦਾ ਹੈ, ਇਸਦੇ ਟੋਨ ਨੂੰ ਠੀਕ ਕਰਦਾ ਹੈ ਅਤੇ ਸਖ਼ਤ-ਮੁਕਤੀ-ਪ੍ਰਾਪਤ ਨਾਰਾਜ਼ਗੀ ਨੂੰ ਰੋਕਦਾ ਹੈ; ਆਉਟਪੁੱਟ ਫਿਰ ਮਨੁੱਖੀ-ਫਿਲਟਰ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

12. ਇੱਕ ਮੀਟਿੰਗ ਦਾ ਸਾਰ ਦੱਸਦਾ ਹੈ ਕਿ AI 'ਬਜਟ ਵਾਧੇ ਨੂੰ ਮਨਜ਼ੂਰੀ' ਦਿੱਤੀ ਗਈ ਹੈ; ਹਾਲਾਂਕਿ ਬੈਠਕ 'ਚ ਕਿਹਾ ਗਿਆ ਕਿ 'ਬਜਟ ਵਾਧੇ ਦਾ ਮੁਲਾਂਕਣ ਕੀਤਾ ਜਾਵੇਗਾ'। ਇਸ ਖਤਰੇ ਤੋਂ ਬਚਣ ਦਾ ਸਹੀ ਤਰੀਕਾ ਕੀ ਹੈ?

• A) ਸੰਖੇਪ ਨੂੰ ਬਿਨਾਂ ਪੜ੍ਹੇ ਤੁਰੰਤ ਵੰਡੋ
• ਅ) ਸਾਰਾਂਸ਼ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ, ਫੈਸਲੇ ਨੂੰ ਸੰਭਾਵਨਾ ਤੋਂ ਵੱਖ ਕਰੋ ਅਤੇ ਭਾਗੀਦਾਰਾਂ ਦੁਆਰਾ ਇਸ ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ ✔
• C) ਮੀਟਿੰਗ ਦਾ ਸਾਰ ਬਿਲਕੁਲ ਨਹੀਂ ਬਣਾਉਣਾ
• ਡੀ) ਸਿਰਫ਼ ਸਭ ਤੋਂ ਲੰਬੀ ਸਜ਼ਾ ਨੂੰ ਫ਼ੈਸਲੇ ਵਜੋਂ ਮੰਨਣਾ

ਵਰਣਨ: AI ਫੈਸਲਿਆਂ ਦੀ ਗਲਤ ਵਿਸ਼ੇਸ਼ਤਾ ਕਰ ਸਕਦਾ ਹੈ; 'ਮੁਲਾਂਕਣ ਕੀਤੇ ਜਾਣ' ਅਤੇ 'ਪ੍ਰਵਾਨਿਤ' ਵਿਚਕਾਰ ਅੰਤਰ ਮਹੱਤਵਪੂਰਨ ਹੈ। ਮੀਟਿੰਗ ਦਾ ਸੰਖੇਪ ਅਕਸਰ 'ਅਧਿਕਾਰਤ ਮੈਮੋਰੀ' ਹੁੰਦਾ ਹੈ, ਇਸ ਲਈ ਹਰੇਕ ਸੰਖੇਪ ਨੂੰ ਪੜ੍ਹਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਫੈਸਲੇ ਤੋਂ ਵੱਖਰਾ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਅਤੇ ਵੰਡਣ ਤੋਂ ਪਹਿਲਾਂ ਭਾਗੀਦਾਰਾਂ ਨਾਲ ਪੁਸ਼ਟੀ ਕੀਤੀ ਜਾਣੀ ਚਾਹੀਦੀ ਹੈ।

13. ਦ੍ਰਿਸ਼ ਯੋਜਨਾਬੰਦੀ ਵਿੱਚ, ਭਵਿੱਖ ਨੂੰ ਇੱਕ ਭਵਿੱਖਬਾਣੀ ਨਾਲ ਬੰਨ੍ਹਣ ਦੀ ਬਜਾਏ ਘੱਟੋ-ਘੱਟ ਤਿੰਨ ਦ੍ਰਿਸ਼ (ਆਸ਼ਾਵਾਦੀ, ਬੁਨਿਆਦੀ, ਨਿਰਾਸ਼ਾਵਾਦੀ) ਸਥਾਪਤ ਕਰਨ ਦਾ ਕੀ ਮਕਸਦ ਹੈ (ਉਦਾਹਰਨ ਲਈ, 'ਅਸੀਂ 15 ਪ੍ਰਤੀਸ਼ਤ ਵਧਾਂਗੇ')?

• ਏ) ਨਕਲੀ ਬੁੱਧੀ ਭਵਿੱਖ ਦੀ ਸਹੀ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੀ ਹੈ
• ਅ) ਸੱਚਾਈ ਭਾਵੇਂ ਕਿਸੇ ਵੀ ਦਿਸ਼ਾ ਵੱਲ ਜਾਂਦੀ ਹੈ, ਪਰ ਪਹਿਰੇਦਾਰ ਨਾ ਬਣੋ ਅਤੇ ਘਬਰਾਉਣ ਦੀ ਬਜਾਏ ਯੋਜਨਾ ਨੂੰ ਅਮਲ ਵਿਚ ਲਿਆਓ ✔
• C) ਘੱਟ ਡਾਟਾ ਇਕੱਠਾ ਕਰੋ
• ਡੀ) ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਇੱਕ ਸਹੀ ਭਵਿੱਖ ਚੁਣਨਾ

ਵਿਆਖਿਆ: ਅਸਲੀਅਤ ਇੱਕ ਅੰਤਰਾਲ ਹੈ; ਜੇਕਰ ਇੱਕ ਅੰਦਾਜ਼ੇ 'ਤੇ ਆਧਾਰਿਤ ਯੋਜਨਾ ਨੂੰ ਸਾਕਾਰ ਨਾ ਕੀਤਾ ਗਿਆ ਤਾਂ ਇਹ ਢਹਿ ਜਾਵੇਗੀ। ਕਈ ਦ੍ਰਿਸ਼ਾਂ ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਪਹਿਲਾਂ ਤੋਂ ਤਿਆਰ ਕਰਨਾ ਇਹ ਯਕੀਨੀ ਬਣਾਉਂਦਾ ਹੈ ਕਿ ਘਬਰਾਉਣ ਦੀ ਬਜਾਏ ਇੱਕ ਯੋਜਨਾ ਨੂੰ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ, ਭਾਵੇਂ ਅਸਲੀਅਤ ਕਿਸੇ ਵੀ ਤਰੀਕੇ ਨਾਲ ਚਲਦੀ ਹੈ। ਉਦੇਸ਼ ਭਵਿੱਖ ਨੂੰ ਜਾਣਨਾ ਨਹੀਂ ਹੈ, ਪਰ ਬਿਨਾਂ ਤਿਆਰੀ ਦੇ ਫੜੇ ਨਹੀਂ ਜਾਣਾ ਹੈ।

14. ਕਾਰੋਬਾਰੀ ਪ੍ਰਬੰਧਨ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਵਰਤੋਂ ਬਾਰੇ ਹੇਠਾਂ ਦਿੱਤੇ ਵਿੱਚੋਂ ਕਿਹੜਾ ਸੱਚ ਹੈ?

• A) ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਆਉਟਪੁੱਟ ਉਹਨਾਂ ਫੈਸਲਿਆਂ ਵਿੱਚ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦੀ ਥਾਂ ਨਹੀਂ ਲੈਂਦੀ ਹੈ ਜਿਹਨਾਂ ਦੇ ਵਿੱਤੀ, ਕਾਨੂੰਨੀ ਅਤੇ HR ਨਤੀਜੇ ਹੁੰਦੇ ਹਨ ✔
• ਅ) ਜੇਕਰ ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਆਉਟਪੁੱਟ ਸਹੀ ਹੈ, ਤਾਂ ਮਾਹਰ ਦੀ ਮਨਜ਼ੂਰੀ ਦੀ ਕੋਈ ਲੋੜ ਨਹੀਂ ਹੈ
• C) ਅਸਲ ਗਾਹਕ ਡੇਟਾ ਓਪਨ ਟੂਲਸ ਨੂੰ ਦਿੱਤਾ ਜਾ ਸਕਦਾ ਹੈ ਜਦੋਂ ਤੱਕ ਇਹ ਸੁਰੱਖਿਅਤ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ
• ਡੀ) 'ਏਆਈ ਨੇ ਅਜਿਹਾ ਕਿਹਾ' ਜਵਾਬਦੇਹੀ ਲਈ ਇੱਕ ਜਾਇਜ਼ ਤਰਕ ਹੈ

ਖੁਲਾਸਾ: AI ਆਉਟਪੁੱਟ ਪਰਿਣਾਮੀ ਖੇਤਰਾਂ ਜਿਵੇਂ ਕਿ ਪਾਲਣਾ, ਵਿੱਤ, ਕਾਨੂੰਨੀ ਅਤੇ ਮਨੁੱਖੀ ਵਸੀਲਿਆਂ ਵਿੱਚ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਪ੍ਰਵਾਨਗੀ ਦਾ ਬਦਲ ਨਹੀਂ ਹੈ। ਨਕਲੀ ਬੁੱਧੀ ਇੱਕ ਗਤੀ ਵਧਾਉਣ ਵਾਲਾ ਸਹਾਇਕ ਹੈ; ਡੇਟਾ ਦੀ ਗੁਪਤਤਾ, ਆਉਟਪੁੱਟ ਦੀ ਸ਼ੁੱਧਤਾ ਅਤੇ ਫੈਸਲੇ ਦੀ ਨੈਤਿਕਤਾ ਹਮੇਸ਼ਾਂ ਪ੍ਰਬੰਧਕ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ ਆਉਟਪੁੱਟ ਇੱਕ ਹਸਤਾਖਰਿਤ ਫੈਸਲੇ ਦੇ ਰੂਪ ਵਿੱਚ ਜੋਖਮ ਭਰੀ ਹੈ।