ਅਰਥ ਸ਼ਾਸਤਰ ਅਤੇ ਅੰਕੜੇ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ: ਭੂਮਿਕਾਵਾਂ, ਸੀਮਾਵਾਂ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ

ਲਾਭ:

• ਇਹ ਫਰਕ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ ਕਿ ਅਨੁਭਵੀ ਵਰਕਫਲੋ (ਡੇਟਾ ਸਫਾਈ, ਕੋਡ, ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਡਰਾਫਟ ਵਿਆਖਿਆ) ਵਿੱਚ ਕਿੱਥੇ ਨਕਲੀ ਬੁੱਧੀ ਅਸਲ ਸਮੇਂ ਦੀ ਬਚਤ ਕਰਦੀ ਹੈ ਅਤੇ ਜਿੱਥੇ ਕੰਮ ਦੇ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ, ਮਾਡਲ ਦੀ ਚੋਣ, ਕਾਰਜ-ਪ੍ਰਣਾਲੀ ਦਾ ਦਾਅਵਾ ਅਤੇ ਪ੍ਰਕਾਸ਼ਨ ਦੇ ਫੈਸਲੇ ਵਰਗੇ ਫੈਸਲੇ ਮਾਹਰ 'ਤੇ ਛੱਡ ਦਿੱਤੇ ਜਾਂਦੇ ਹਨ।
• ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ ਨਕਲੀ ਖੁਫੀਆ ਆਉਟਪੁੱਟ (ਨੰਬਰ, ਗੁਣਾਂਕ, ਕੋਡ, ਟਿੱਪਣੀ) ਦੀ ਪੁਨਰ-ਗਣਨਾ, ਸਰੋਤ ਨਾਲ ਲਿੰਕ ਕਰਨ ਅਤੇ ਅੰਕੜਾ ਫਿਲਟਰਿੰਗ ਦੁਆਰਾ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ।
• KVKK/GDPR ਅਤੇ ਡਾਟਾ ਵਰਤੋਂ ਸਮਝੌਤਿਆਂ ਦੇ ਦਾਇਰੇ ਦੇ ਅੰਦਰ ਮਾਈਕ੍ਰੋ ਡੇਟਾ ਅਤੇ ਗੁਪਤ/ਲਾਇਸੈਂਸਸ਼ੁਦਾ ਡੇਟਾ ਸੈੱਟਾਂ ਨੂੰ ਸੁਰੱਖਿਅਤ ਢੰਗ ਨਾਲ ਪ੍ਰੋਸੈਸ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਅਤੇ ਉਚਿਤ ਟੂਲ ਚੁਣਨ ਦੀ ਆਦਤ ਪਾਉਣ ਦੀ ਸਮਰੱਥਾ।

ਉਹੀ ਸਵਾਲ ਹਰ ਰੋਜ਼ ਇੱਕ ਅਰਥ ਸ਼ਾਸਤਰੀ ਜਾਂ ਲਾਗੂ ਅੰਕੜਾ ਵਿਗਿਆਨੀ ਦੇ ਡੈਸਕ 'ਤੇ ਦੁਹਰਾਉਂਦੇ ਹਨ: ਕੀ ਇਹ ਡੇਟਾ ਸੈੱਟ ਭਰੋਸੇਯੋਗ ਹੈ; ਇਹਨਾਂ ਗੁੰਮ ਹੋਏ ਮੁੱਲਾਂ ਦਾ ਕੀ ਕਰਨਾ ਹੈ? ਇਸ ਰਿਗਰੈਸ਼ਨ ਦਾ ਗੁਣਾਂਕ ਅਸਲ ਵਿੱਚ ਕੀ ਕਹਿੰਦਾ ਹੈ? ਕੀ ਇਹ ਰਿਸ਼ਤਾ ਕਾਰਣ ਹੈ ਜਾਂ ਸਿਰਫ਼ ਸਬੰਧ ਹੈ? ਕਿਉਂਕਿ ਇਹ ਪੀ-ਮੁੱਲ ਮਹੱਤਵਪੂਰਨ ਹੈ, ਕੀ ਮੈਂ ਇਸਨੂੰ ਲੇਖ ਜਾਂ ਨੀਤੀਗਤ ਸੰਖੇਪ ਵਿੱਚ ਲਿਖ ਸਕਦਾ ਹਾਂ? ਇਹਨਾਂ ਵਿੱਚੋਂ ਕੁਝ ਸਵਾਲ ਦੁਹਰਾਉਣ ਵਾਲੇ, ਕੋਡ-ਇੰਟੈਂਸਿਵ, ਅਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੇ ਹਨ: ਡੇਟਾ ਨੂੰ ਸਾਫ਼ ਕਰਨਾ, ਇੱਕੋ ਗ੍ਰਾਫ਼ ਨੂੰ ਦਸ ਵਾਰ ਪਲਾਟ ਕਰਨਾ, R ਜਾਂ Python ਕੋਡ ਨੂੰ ਡੀਬੱਗ ਕਰਨਾ, ਨਤੀਜਿਆਂ ਨੂੰ ਇੱਕ ਸਾਰਣੀ ਵਿੱਚ ਸਟ੍ਰਿੰਗ ਕਰਨਾ। ਦੂਸਰੇ ਸਿੱਧੇ ਤੌਰ 'ਤੇ ਕਿਸੇ ਖੋਜ ਦੀ ਵੈਧਤਾ, ਪ੍ਰਕਾਸ਼ਨ ਦੀ ਇਮਾਨਦਾਰੀ, ਜਾਂ ਨੀਤੀਗਤ ਫੈਸਲੇ ਦੀ ਸ਼ੁੱਧਤਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਦੇ ਹਨ।

ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਸੰਖੇਪ ਵਿੱਚ AI, AI - ਕੰਪਿਊਟਰ ਸਿਸਟਮ ਜੋ ਮਨੁੱਖਾਂ ਵਾਂਗ ਟੈਕਸਟ ਅਤੇ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ, ਡੇਟਾ ਦਾ ਸਾਰ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਟਿੱਪਣੀਆਂ ਲਿਖ ਸਕਦੇ ਹਨ; ਅੱਜ ਸਭ ਤੋਂ ਵੱਧ ਵਰਤਿਆ ਜਾਣ ਵਾਲਾ ਰੂਪ ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲ ਹਨ, ਯਾਨੀ, ਸਿਸਟਮ ਜੋ ਵੱਡੇ ਟੈਕਸਟ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਹੁੰਦੇ ਹਨ ਅਤੇ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਵਾਕ ਬਣਾਉਂਦੇ ਹਨ) ਇਸ ਸਾਰਣੀ ਦੇ ਬਿਲਕੁਲ ਵਿਚਕਾਰ ਬੈਠਦਾ ਹੈ। ਜਦੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਡਾਟਾ ਕਲੀਨਿੰਗ ਕੋਡ ਦੇ ਘੰਟਿਆਂ ਨੂੰ ਮਿੰਟਾਂ ਵਿੱਚ ਘਟਾ ਦਿੰਦਾ ਹੈ, ਤੁਹਾਨੂੰ ਇੱਕ ਗੁੰਝਲਦਾਰ ਅੰਕੜਾ ਟੈਸਟ ਦੇ ਸੰਟੈਕਸ ਦੀ ਯਾਦ ਦਿਵਾਉਂਦਾ ਹੈ, ਜਾਂ ਇੱਕ ਗੁਣਾਂਕ ਦੀ ਵਿਆਖਿਆ ਦਾ ਖਰੜਾ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਜਦੋਂ ਗਲਤ ਢੰਗ ਨਾਲ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ, ਤਾਂ ਇਹ ਇੱਕ "ਲੱਭਣ" ਦੇ ਰੂਪ ਵਿੱਚ ਇੱਕ ਪ੍ਰਤੀਤ ਹੁੰਦਾ ਹੈ ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਘੜਤ ਸੰਖਿਆ, ਇੱਕ ਗਲਤ ਮਹੱਤਵ, ਜਾਂ ਇੱਕ ਗੈਰ-ਕਾਰਨਕ ਸਬੰਧ ਪੇਸ਼ ਕਰਦਾ ਹੈ।

ਇਹ ਪਹਿਲੀ ਯੂਨਿਟ ਇੱਕ ਸਾਫਟਵੇਅਰ ਜਾਣ-ਪਛਾਣ ਨਹੀਂ ਹੈ। ਇਸਦਾ ਉਦੇਸ਼ ਇਹ ਸਪੱਸ਼ਟ ਕਰਨਾ ਹੈ ਕਿ ਤੁਹਾਡੇ ਅਨੁਭਵੀ ਵਰਕਫਲੋ ਵਿੱਚ AI ਨੂੰ ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕਿੱਥੇ ਨਹੀਂ ਰੱਖਣਾ ਹੈ। ਅਰਥ ਮੈਟ੍ਰਿਕਸ ਇੱਕ "ਵਿਧੀ-ਨਾਜ਼ੁਕ" ਅਤੇ ਅਸਿੱਧੇ ਤੌਰ 'ਤੇ "ਫੈਸਲਾ-ਨਾਜ਼ੁਕ" ਖੇਤਰ ਹੈ: ਤੁਹਾਡੇ ਦੁਆਰਾ ਬਣਾਏ ਗਏ ਮਾਡਲ ਦਾ ਗੁਣਾਂਕ ਕੇਂਦਰੀ ਬੈਂਕ ਦੇ ਵਿਆਜ ਦਰ ਫੈਸਲੇ, ਇੱਕ ਰੈਗੂਲੇਟਰ ਦੀ ਨੀਤੀ ਵਿੱਚ ਤਬਦੀਲੀ, ਜਾਂ ਇੱਕ ਫਰਮ ਦੇ ਮਿਲੀਅਨ-ਡਾਲਰ ਨਿਵੇਸ਼ ਲਈ ਇਨਪੁਟ ਹੋ ਸਕਦਾ ਹੈ। ਆਉ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਮੂਲ ਸਿਧਾਂਤ ਨੂੰ ਸਮਝੀਏ: ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਹਾਇਕ ਹੈ, ਖੋਜਕਰਤਾ ਨਹੀਂ। ਮਾਡਲ ਦੀ ਚੋਣ, ਪਛਾਣ ਦੀ ਰਣਨੀਤੀ, ਕਾਰਣ ਦਾ ਦਾਅਵਾ, ਪ੍ਰਕਾਸ਼ਨ ਅਤੇ ਨੀਤੀਗਤ ਫੈਸਲਿਆਂ ਦੀ ਜ਼ਿੰਮੇਵਾਰੀ ਅਤੇ ਅੰਤਿਮ ਮਨਜ਼ੂਰੀ ਸਮਰੱਥ ਮਾਹਰ ਦੀ ਹੈ।

ਅਨੁਭਵੀ ਵਰਕਫਲੋ ਦੀਆਂ ਪਰਤਾਂ ਅਤੇ AI ਦਾ ਸਥਾਨ

ਅਨੁਭਵੀ ਅਧਿਐਨ ਨੂੰ ਤਿੰਨ ਪਰਤਾਂ ਵਿੱਚ ਵੰਡਣਾ ਲਾਭਦਾਇਕ ਹੈ। ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਲੇਅਰ ਰੋਜ਼ਾਨਾ ਤਕਨੀਕੀ ਕੰਮ ਹੈ: ਡੇਟਾ ਕਲੀਨਿੰਗ ਕੋਡ, ਗ੍ਰਾਫ ਡਰਾਇੰਗ, ਟੇਬਲ ਫਾਰਮੈਟਿੰਗ, ਸਿੰਟੈਕਸ ਡੀਬਗਿੰਗ। ਵਿਧੀ ਪਰਤ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਫੈਸਲਾ ਹੈ: ਕਿਹੜਾ ਮਾਡਲ, ਕਿਹੜੀ ਪਛਾਣ ਰਣਨੀਤੀ, ਕਿਹੜਾ ਟੈਸਟ, ਕਿਹੜੀ ਧਾਰਨਾ ਦੀ ਜਾਂਚ। ਵਿਆਖਿਆ ਅਤੇ ਫੈਸਲੇ ਦੀ ਪਰਤ ਖੋਜਾਂ ਦਾ ਅਰਥ ਹੈ: ਗੁਣਾਂਕ ਕੀ ਕਹਿੰਦਾ ਹੈ, ਕੀ ਇਹ ਕਾਰਣ ਹੈ, ਨੀਤੀ ਲਈ ਇਸਦਾ ਕੀ ਅਰਥ ਹੈ, ਕੀ ਇਸਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। AI ਸਾਰੀਆਂ ਤਿੰਨ ਪਰਤਾਂ ਨੂੰ ਛੂੰਹਦਾ ਹੈ, ਪਰ ਹਰੇਕ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਅਧਿਕਾਰਾਂ ਨਾਲ। ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਲੇਅਰ 'ਤੇ, ਏਆਈ ਤੇਜ਼ੀ ਨਾਲ ਡਰਾਫਟ ਅਤੇ ਕੋਡ ਤਿਆਰ ਕਰਦਾ ਹੈ; ਵਿਆਖਿਆ ਅਤੇ ਫੈਸਲੇ ਦੀ ਪਰਤ 'ਤੇ, ਸਿਰਫ ਇਨਪੁਟ ਦਿੱਤਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਮਾਹਰ ਫੈਸਲਾ ਲੈਂਦਾ ਹੈ।

ਆਉ ਸ਼ੁਰੂ ਤੋਂ ਕੁਝ ਬੁਨਿਆਦੀ ਸ਼ਬਦਾਂ ਨੂੰ ਪਰਿਭਾਸ਼ਿਤ ਕਰੀਏ। ਇਕਨੋਮੈਟ੍ਰਿਕਸ ਉਹ ਸ਼ਾਖਾ ਹੈ ਜੋ ਅੰਕੜਾਤਮਕ ਤਰੀਕਿਆਂ ਨਾਲ ਆਰਥਿਕ ਅਤੇ ਸਮਾਜਿਕ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਦੀ ਹੈ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਮਾਪਦੀ ਹੈ। ਰਿਗਰੈਸ਼ਨ ਇੱਕ ਵਿਧੀ ਹੈ ਜੋ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ (ਸੁਤੰਤਰ ਵੇਰੀਏਬਲ) ਦੇ ਨਾਲ ਇੱਕ ਨਤੀਜੇ ਵੇਰੀਏਬਲ (ਨਿਰਭਰ ਵੇਰੀਏਬਲ) ਦੇ ਸਬੰਧਾਂ ਨੂੰ ਸੰਖਿਆਤਮਕ ਰੂਪ ਵਿੱਚ ਮਾਡਲ ਕਰਦੀ ਹੈ। ਗੁਣਾਂਕ ਉਹ ਸੰਖਿਆ ਹੈ ਜੋ ਇਹ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਿਸੇ ਵਿਆਖਿਆਤਮਕ ਵੇਰੀਏਬਲ ਵਿੱਚ ਔਸਤਨ ਇੱਕ-ਇਕਾਈ ਵਿੱਚ ਤਬਦੀਲੀ ਦੀਆਂ ਕਿੰਨੀਆਂ ਇਕਾਈਆਂ ਨਤੀਜਾ ਵੇਰੀਏਬਲ ਨਾਲ ਜੁੜੀਆਂ ਹੋਈਆਂ ਹਨ। p-ਮੁੱਲ ਉਹ ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਦੇਖਿਆ ਗਿਆ ਨਤੀਜਾ (ਜਾਂ ਇੱਕ ਹੋਰ ਅਤਿਅੰਤ ਨਤੀਜਾ) ਸੰਜੋਗ ਨਾਲ ਵਾਪਰਦਾ ਹੈ ਜਦੋਂ ਕੋਈ ਪ੍ਰਭਾਵ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦਾ। ਅਸੀਂ ਇਹਨਾਂ ਸੰਕਲਪਾਂ ਨੂੰ ਹੇਠ ਲਿਖੀਆਂ ਇਕਾਈਆਂ ਵਿੱਚ ਇੱਕ-ਇੱਕ ਕਰਕੇ ਸਮਝਾਵਾਂਗੇ; ਹੁਣ ਲਈ, ਇਹ ਜਾਣੋ: ਇਹਨਾਂ ਸਾਰਿਆਂ ਵਿੱਚ, AI ਤੁਹਾਨੂੰ ਬਲੂਪ੍ਰਿੰਟ, ਕੋਡ ਅਤੇ ਵਿਆਖਿਆ ਦਿੰਦਾ ਹੈ, ਪਰ ਇਹ ਵਿਗਿਆਨਕ ਫੈਸਲੇ ਨਹੀਂ ਲੈਂਦਾ।

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

ਡਾਟਾ ਸੈਨੀਟਾਈਜ਼ੇਸ਼ਨ ਕੋਡ ਲਿਖਣਾ

ਕੋਡ ਜਨਰੇਟਰ

ਘੱਟ

ਖੁਦ ਵਿਸ਼ਲੇਸ਼ਕ (ਕੋਡ ਟੈਸਟਿੰਗ ਦੇ ਨਾਲ)

ਚਾਰਟ/ਟੇਬਲ ਡਰਾਫਟ

ਸਕੈਚ ਜਨਰੇਟਰ

ਘੱਟ

ਵਿਸ਼ਲੇਸ਼ਕ

ਟੈਸਟ/ਮਾਡਲ ਸਿੰਟੈਕਸ ਰੀਮਾਈਂਡਰ

ਹਵਾਲਾ ਸਹਾਇਕ

ਘੱਟ-ਮੱਧਮ

ਵਿਸ਼ਲੇਸ਼ਕ

ਡਰਾਫਟ ਗੁਣਾਂਕ ਵਿਆਖਿਆ

ਡਰਾਫਟ ਲੇਖਕ

ਮੱਧਮ

ਅਰਥ ਸ਼ਾਸਤਰੀ

ਮਾਡਲ/ਪਛਾਣ ਰਣਨੀਤੀ ਦੀ ਚੋਣ

ਸਹਾਇਕ ਇੰਪੁੱਟ

ਉੱਚ

ਮਾਹਰ ਖੋਜਕਰਤਾ

ਕਾਰਨ ਦਾ ਦਾਅਵਾ

ਸਿਰਫ਼ ਇੱਕ ਡਰਾਫਟ, ਕਦੇ ਵੀ ਅੰਤਿਮ ਸ਼ਬਦ ਨਹੀਂ

ਬਹੁਤ ਉੱਚਾ

ਮਾਹਰ + ਪੀਅਰ ਸਮੀਖਿਆ

ਪ੍ਰਕਾਸ਼ਨ/ਨੀਤੀ ਦਾ ਫੈਸਲਾ

ਸਿਰਫ਼ ਇੰਪੁੱਟ

ਬਹੁਤ ਉੱਚਾ

ਜ਼ਿੰਮੇਵਾਰ ਜਾਂਚਕਰਤਾ/ਸੰਸਥਾ

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

"ਪੁਸ਼ਟੀ" ਇਸ ਕਾਰੋਬਾਰ ਦਾ ਦਿਲ ਕਿਉਂ ਹੈ

ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਨੂੰ ਉਹਨਾਂ ਦੇ ਜਵਾਬ ਵਿੱਚ ਭਰੋਸਾ ਦਿਖਦਾ ਹੈ, ਪਰ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਯਕੀਨੀ ਨਾ ਹੋਣ। ਤਕਨੀਕੀ ਭਾਸ਼ਾ ਵਿੱਚ, ਇਸ ਨੂੰ ਹੈਲੁਸੀਨੇਸ਼ਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ: ਇਹ ਇੱਕ ਪ੍ਰਵਾਣਿਤ ਵਾਕ ਵਿੱਚ ਗੈਰ-ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਦਾ ਮਾਡਲ ਦਾ ਨਿਰਮਾਣ ਹੈ, ਜਿਵੇਂ ਕਿ ਇਹ ਸੱਚ ਹੈ। ਇੱਕ ਅਰਥ-ਵਿਗਿਆਨੀ ਲਈ, ਇਹ ਇੱਕ ਘਾਤਕ ਜਾਲ ਹੈ। ਮਾਡਲ ਤੁਹਾਨੂੰ ਇੱਕ ਸਹੀ ਸੰਖਿਆ ਦੇ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "2015-2020 ਵਿਚਕਾਰ ਤੁਰਕੀ ਵਿੱਚ ਬੇਰੋਜ਼ਗਾਰੀ ਅਤੇ ਮਹਿੰਗਾਈ ਵਿਚਕਾਰ ਸਬੰਧ 0.62 ਹੈ"; ਹਾਲਾਂਕਿ, ਉਸਨੇ ਕਦੇ ਵੀ ਤੁਹਾਡਾ ਡੇਟਾ ਨਹੀਂ ਦੇਖਿਆ ਹੈ ਅਤੇ ਇਹ ਨੰਬਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਬਣਿਆ ਹੋਇਆ ਹੈ। ਜਾਂ ਇਹ ਕਹਿ ਸਕਦਾ ਹੈ, “ਵਾਈਟ ਟੈਸਟ ਪੀ-ਮੁੱਲ 0.03 ਸੀ”; ਜਦੋਂ ਕਿ ਇਸ ਨੇ ਕੋਈ ਟੈਸਟ ਨਹੀਂ ਕੀਤੇ। ਇਹ ਇੱਕ ਆਰ ਫੰਕਸ਼ਨ ਨੂੰ ਇੱਕ ਆਰਗੂਮੈਂਟ ਨਾਲ ਕਾਲ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਉਹ ਤਿੰਨੋਂ ਇੱਕੋ ਰਵਾਨਗੀ ਨਾਲ ਗਾਉਂਦਾ ਹੈ; ਸਹੀ ਅਤੇ ਗਲਤ ਨੂੰ ਵੱਖ ਕਰਨ ਵਾਲੀ ਇੱਕੋ ਇੱਕ ਚੀਜ਼ ਹੈ ਤੁਹਾਡਾ ਗਿਆਨ ਅਤੇ ਤਸਦੀਕ ਕਰਨ ਦੀ ਤੁਹਾਡੀ ਆਦਤ।

ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਤਿੰਨ ਕਦਮ ਹੁੰਦੇ ਹਨ:

1. ਆਪਣੇ ਖੁਦ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਮੁੜ ਗਣਨਾ ਕਰੋ / ਚਲਾਓ: AI ਦੁਆਰਾ R/Python ਵਿੱਚ ਦਿੱਤੇ ਗਏ ਹਰੇਕ ਨੰਬਰ, ਅਨੁਪਾਤ, ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਅਤੇ ਗੁਣਾਂ ਦੀ ਗਣਨਾ ਕਰੋ, ਆਪਣੇ ਖੁਦ ਦੇ ਡੇਟਾ ਨਾਲ, AI ਦੀ ਮੈਮੋਰੀ ਤੋਂ ਨਹੀਂ। ਕੋਡ ਲਿਖਣ ਲਈ AI ਦੀ ਵਰਤੋਂ ਕਰੋ, ਨਤੀਜਾ ਯਾਦ ਰੱਖਣ ਲਈ ਨਹੀਂ। ਕੋਡ ਚਲਾਓ, ਤੁਸੀਂ ਆਉਟਪੁੱਟ ਪੈਦਾ ਕਰਦੇ ਹੋ.
2. ਸਰੋਤ ਨਾਲ ਲਿੰਕ: ਵਿਧੀ ਨਿਯਮਾਂ, ਫਾਰਮੂਲੇ ਅਤੇ ਪਰਿਭਾਸ਼ਾਵਾਂ ਲਈ ਪਾਠ-ਪੁਸਤਕਾਂ, ਵਿਧੀਆਂ ਦੇ ਲੇਖਾਂ ਅਤੇ ਅਧਿਕਾਰਤ ਦਸਤਾਵੇਜ਼ਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰੋ। ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਰੋਤ ਨਾਲ AI ਦੇ ਬਿਆਨ "ਇਸ ਟੈਸਟ ਦੀ ਧਾਰਨਾ" ਦੀ ਪੁਸ਼ਟੀ ਕਰੋ।
3. ਅੰਕੜਾ ਫਿਲਟਰ: ਮਾਹਰ ਅੱਖਾਂ ਨਾਲ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਆਉਟਪੁੱਟ ਅੰਕੜਾ ਤਰਕ (ਧਾਰਨਾ, ਨਮੂਨਾ, ਪ੍ਰਭਾਵ ਦਾ ਆਕਾਰ, ਅਨਿਸ਼ਚਿਤਤਾ) ਦਾ ਖੰਡਨ ਕਰਦਾ ਹੈ। ਇੱਕ "ਅਰਥਪੂਰਨ ਪਰ ਬੇਤੁਕੇ" ਨਤੀਜੇ ਨੂੰ ਅਸਵੀਕਾਰ ਕਰੋ.

ਸਾਵਧਾਨ: ਕਿਸੇ ਲੇਖ, ਥੀਸਿਸ, ਜਾਂ ਨੀਤੀ ਨੋਟ ਵਿੱਚ AI ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗੁਣਾਂਕ, ਟੈਸਟ, ਜਾਂ ਵਿਆਖਿਆ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕੀਤੇ ਬਿਨਾਂ ਰੱਖਣਾ ਇੱਕ ਅਣ-ਸਮੀਖਿਆ ਕੀਤੀ ਖੋਜ ਨੂੰ ਪ੍ਰਕਾਸ਼ਿਤ ਕਰਨ ਵਰਗਾ ਹੈ। ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਆਉਟਪੁੱਟ ਪ੍ਰਵਾਹ ਹੈ ਇਹ ਸੱਚ ਨਹੀਂ ਹੈ; ਸਿਰਫ਼ ਇਸ ਲਈ ਕਿ ਗਿਣਤੀ ਨਿਸ਼ਚਿਤ ਜਾਪਦੀ ਹੈ, ਇਹ ਅਸਲੀ ਨਹੀਂ ਹੈ।

ਗੋਪਨੀਯਤਾ: ਮਾਈਕ੍ਰੋ ਡੇਟਾ ਅਤੇ ਲਾਇਸੰਸਸ਼ੁਦਾ ਡੇਟਾ ਨਿੱਜੀ ਤੌਰ 'ਤੇ ਸੁਰੱਖਿਅਤ ਹਨ

ਮਾਈਕ੍ਰੋਡਾਟਾ (ਵਿਅਕਤੀਗਤ, ਘਰੇਲੂ, ਫਰਮ ਜਾਂ ਮਰੀਜ਼ ਪੱਧਰ 'ਤੇ ਸਿੰਗਲ ਰਿਕਾਰਡ) ਨੂੰ ਅਰਥ ਗਣਿਤ ਵਿੱਚ ਅਕਸਰ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ। ਇਸ ਵਿੱਚੋਂ ਜ਼ਿਆਦਾਤਰ ਡੇਟਾ ਨਿੱਜੀ ਡੇਟਾ ਹੈ ਅਤੇ ਯੂਰਪ ਵਿੱਚ Türkiye ਅਤੇ GDPR ਵਿੱਚ KVKK (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਅਧੀਨ ਸੁਰੱਖਿਅਤ ਹੈ। ਇਸ ਤੋਂ ਇਲਾਵਾ, TurkStat, ਕੇਂਦਰੀ ਬੈਂਕਾਂ, ਪੈਨਲ ਡੇਟਾ ਪ੍ਰਦਾਤਾ ਅਤੇ ਵਪਾਰਕ ਸਰੋਤ ਅਕਸਰ ਡੇਟਾ ਵਰਤੋਂ ਸਮਝੌਤੇ ਦੇ ਨਾਲ ਡੇਟਾ ਪ੍ਰਦਾਨ ਕਰਦੇ ਹਨ; ਇਹ ਸਮਝੌਤੇ ਤੀਜੀ ਧਿਰਾਂ ਨੂੰ ਡੇਟਾ ਟ੍ਰਾਂਸਫਰ ਕਰਨ ਦੀ ਮਨਾਹੀ ਕਰਦੇ ਹਨ। ਇੱਕ ਜਨਤਕ AI ਚੈਟ ਟੂਲ ਵਿੱਚ ਪਛਾਣ ਜਾਣਕਾਰੀ, ਆਮਦਨ, ਸਿਹਤ ਜਾਂ ਕੰਪਨੀ ਦੇ ਭੇਦ ਰੱਖਣ ਵਾਲੀ ਇੱਕ ਸਾਰਣੀ ਨੂੰ ਚਿਪਕਾਉਣਾ KVKK/GDPR ਦੀ ਉਲੰਘਣਾ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ ਹੈ; ਕਿਉਂਕਿ ਡੇਟਾ ਇੱਕ ਬਾਹਰੀ ਸਰਵਰ ਤੇ ਜਾਂਦਾ ਹੈ ਅਤੇ ਕੁਝ ਸਾਧਨਾਂ ਵਿੱਚ ਮਾਡਲ ਸਿਖਲਾਈ ਵਿੱਚ ਵਰਤਿਆ ਜਾ ਸਕਦਾ ਹੈ।

ਨਿਯਮ ਸਧਾਰਨ ਹੈ: ਡੇਟਾ ਨੂੰ ਇਸਦੇ ਆਪਣੇ ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ ਵਿੱਚ ਰੱਖੋ, AI ਨੂੰ ਸਿਰਫ ਕੋਡ ਅਤੇ ਤਰੀਕਿਆਂ ਲਈ ਪੁੱਛੋ। ਆਦਰਸ਼ ਵਰਕਫਲੋ ਇਹ ਹੈ: ਵਿਸ਼ਲੇਸ਼ਣ ਕੋਡ ਲਈ AI ਨੂੰ ਪੁੱਛੋ, ਤੁਸੀਂ ਆਪਣੇ ਕੰਪਿਊਟਰ/ਐਂਟਰਪ੍ਰਾਈਜ਼ ਸਰਵਰ 'ਤੇ ਅਸਲ ਡੇਟਾ ਨਾਲ ਕੋਡ ਚਲਾਓਗੇ। ਜੇਕਰ ਤੁਹਾਨੂੰ ਸੱਚਮੁੱਚ ਡਾਟਾ ਸਾਂਝਾ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ, ਅਗਿਆਤ (ਆਈਡੀ ਖੇਤਰਾਂ ਨੂੰ ਹਟਾਉਣਾ), ਕੁੱਲ (ਵਿਅਕਤੀਗਤ ਦੀ ਬਜਾਏ ਔਸਤ/ਗਿਣਤੀ), ਅਤੇ ਉਹ ਟੂਲ ਚੁਣੋ ਜੋ ਸੰਸਥਾਗਤ ਹਨ, ਇੱਕ ਡਾਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸਮਝੌਤਾ ਹੈ, ਅਤੇ ਸਿੱਖਿਆ ਵਿੱਚ ਤੁਹਾਡੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਨਾ ਕਰੋ।

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਸੁਰੱਖਿਅਤ ਅਤੇ ਕੁਸ਼ਲ ਵਰਤੋਂ। ਇੱਕ ਖੋਜਕਰਤਾ ਨੇ ਪਹਿਲਾਂ ਘਰੇਲੂ ਬਜਟ ਡੇਟਾ ਦੀਆਂ 40,000 ਕਤਾਰਾਂ ਨੂੰ ਹੱਥੀਂ ਸਾਫ਼ ਕਰਨ ਵਿੱਚ 6 ਘੰਟੇ ਬਿਤਾਏ। ਬਿਨਾਂ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕੀਤੇ ਬਿਨਾਂ, ਉਸਨੇ ਸਿਰਫ ਏਆਈ ਨੂੰ ਵੇਰੀਏਬਲ ਨਾਮ ਅਤੇ ਬਣਤਰ ਦਾ ਵਰਣਨ ਕੀਤਾ ਅਤੇ ਇੱਕ ਸਫਾਈ ਕੋਡ ਲਈ ਕਿਹਾ। ਏਆਈ ਨੇ ਇੱਕ ਆਰ ਸਕ੍ਰਿਪਟ ਤਿਆਰ ਕੀਤੀ; ਖੋਜਕਰਤਾ ਨੇ ਕੋਡ ਨੂੰ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਚਲਾਇਆ, ਲਾਈਨਾਂ ਦੀ ਸੰਖਿਆ ਅਤੇ ਹਰੇਕ ਪੜਾਅ ਦੇ ਸੰਖੇਪ ਅੰਕੜਿਆਂ ਦੀ ਜਾਂਚ ਕੀਤੀ, ਅਤੇ ਦੋ ਤਰਕ ਦੀਆਂ ਗਲਤੀਆਂ ਨੂੰ ਹੱਲ ਕੀਤਾ। ਮਿਆਦ: 6 ਘੰਟਿਆਂ ਦੀ ਬਜਾਏ 70 ਮਿੰਟ। ਡੇਟਾ ਕਦੇ ਬਾਹਰ ਨਹੀਂ ਗਿਆ; ਜ਼ਿੰਮੇਵਾਰੀ ਖੋਜਕਰਤਾ ਦੀ ਰਹੀ।

ਕੇਸ 2 - ਅਣ-ਪ੍ਰਮਾਣਿਤ ਨੰਬਰ ਟ੍ਰੈਪ। ਇੱਕ ਗ੍ਰੈਜੂਏਟ ਵਿਦਿਆਰਥੀ ਨੇ ਏਆਈ ਨੂੰ ਪੁੱਛਿਆ, "ਜੀਡੀਪੀ ਵਿਕਾਸ ਅਤੇ ਵਿਦੇਸ਼ੀ ਸਿੱਧੇ ਨਿਵੇਸ਼ ਵਿੱਚ ਲਚਕੀਲਾਪਣ ਕੀ ਹੈ। AI ਨੇ ਭਰੋਸੇ ਨਾਲ "ਲਗਭਗ 0.34" ਦਾ ਨੰਬਰ ਦਿੱਤਾ ਭਾਵੇਂ ਕਿ ਇਸ ਕੋਲ ਕਿਸੇ ਵੀ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਸੀ। ਵਿਦਿਆਰਥੀ ਨੇ ਸਾਹਿਤ ਦੇ ਸੰਖੇਪ ਵਿੱਚ ਇਹ ਲਿਖਿਆ; ਜਦੋਂ ਉਨ੍ਹਾਂ ਦੇ ਸਲਾਹਕਾਰ ਨੇ ਸਰੋਤ ਬਾਰੇ ਪੁੱਛਿਆ, ਤਾਂ ਇਹ ਸਾਹਮਣੇ ਆਇਆ ਕਿ ਨੰਬਰ ਦਾ ਕੋਈ ਅਧਾਰ ਨਹੀਂ ਸੀ ਅਤੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਮਨਘੜਤ ਸੀ। ਗਲਤੀ: ਇਸ ਨੂੰ ਡੇਟਾ ਅਤੇ ਸਰੋਤ ਦਿੱਤੇ ਬਿਨਾਂ AI ਤੋਂ ਠੋਸ ਅੰਕੜਿਆਂ ਦੀ ਉਮੀਦ ਕਰਨਾ।

ਕੇਸ 3 - ਗੁਪਤਤਾ ਅਤੇ ਇਕਰਾਰਨਾਮੇ ਦੀ ਉਲੰਘਣਾ। ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਐਕਸਲ ਨੂੰ ਅਪਲੋਡ ਕੀਤਾ, ਜੋ ਉਸਨੇ ਇੱਕ ਲਾਇਸੰਸਸ਼ੁਦਾ ਕੰਪਨੀ ਪੈਨਲ ਤੋਂ ਪ੍ਰਾਪਤ ਕੀਤਾ, ਜਿਸ ਵਿੱਚ ਕੰਪਨੀ ਦਾ ਨਾਮ ਅਤੇ ਟਰਨਓਵਰ ਸ਼ਾਮਲ ਹੈ, ਇੱਕ ਜਨਤਕ ਤੌਰ 'ਤੇ ਉਪਲਬਧ ਏਆਈ ਟੂਲ 'ਤੇ ਅਤੇ ਕਿਹਾ ਕਿ "ਪੈਨਲ ਰੀਗਰੈਸ਼ਨ ਕਰੋ।" ਡੇਟਾ ਪ੍ਰਦਾਤਾ ਦੇ ਇਕਰਾਰਨਾਮੇ ਨੇ ਤੀਜੀ-ਧਿਰ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਡੇਟਾ ਦੇ ਟ੍ਰਾਂਸਫਰ ਦੀ ਮਨਾਹੀ ਕੀਤੀ; ਘਟਨਾ ਨੇ ਪਾਲਣਾ ਦੀ ਸਮੀਖਿਆ ਲਈ ਪ੍ਰੇਰਿਤ ਕੀਤਾ। ਸਹੀ ਤਰੀਕਾ ਇਹ ਸੀ ਕਿ ਕੰਪਨੀ ਦੇ ਨਾਵਾਂ ਨੂੰ ਅਗਿਆਤ ਕੋਡਾਂ ਨਾਲ ਬਦਲਿਆ ਜਾਵੇ ਜਾਂ ਕੋਈ ਡਾਟਾ ਸਾਂਝਾ ਨਾ ਕੀਤਾ ਜਾਵੇ ਅਤੇ ਸਿਰਫ਼ ਪੈਨਲ ਰਿਗਰੈਸ਼ਨ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਜਾਵੇ ਅਤੇ ਇਸਨੂੰ ਆਪਣੇ ਵਾਤਾਵਰਨ ਵਿੱਚ ਚਲਾਉਣਾ ਹੋਵੇ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਮਹਿੰਗਾਈ ਅਤੇ ਬੇਰੁਜ਼ਗਾਰੀ ਵਿਚਕਾਰ ਸਬੰਧਾਂ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਗੁਣਾਂਕ ਦੱਸੋ।

ਇਹ ਦਾਅਵਾ ਗਲਤ ਹੈ: AI ਨੂੰ ਕੋਈ ਡਾਟਾ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ, ਇਹ ਸਪੱਸ਼ਟ ਨਹੀਂ ਹੈ ਕਿ ਕਿਹੜਾ ਦੇਸ਼, ਕਿਹੜਾ ਦੌਰ, ਕਿਹੜਾ ਮਾਡਲ ਹੈ। AI ਸਿਰਫ਼ ਬਣਾਏ ਗਏ ਗੁਣਾਂਕ ਨਾਲ ਜਵਾਬ ਦੇ ਸਕਦਾ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਤੁਸੀਂ ਅਰਥ ਗਣਿਤ ਖੋਜਕਰਤਾ ਦੀ ਸਹਾਇਤਾ ਕਰਨ ਵਾਲੇ ਇੱਕ ਵਿਸ਼ਲੇਸ਼ਣ ਸਹਾਇਕ ਹੋ। ਮੈਂ ਤੁਹਾਡੇ ਨਾਲ ਡੇਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕਰਦਾ ਹਾਂ; ਮੈਨੂੰ ਬੱਸ RUNNABLE R ਕੋਡ ਚਾਹੀਦਾ ਹੈ। ਮੇਰੇ ਕੋਲ ਸਾਲਾਨਾ ਪੈਨਲ ਹੈ: ਵੇਰੀਏਬਲ ਦੇਸ਼, ਸਾਲ, ਬੇਰੁਜ਼ਗਾਰੀ, ਮਹਿੰਗਾਈ (ਸਾਰੇ ਸੰਖਿਆਤਮਕ)। ਕਾਰਜ: 1) ਬੇਰੁਜ਼ਗਾਰੀ ~ ਮਹਿੰਗਾਈ (plm ਪੈਕੇਜ) ਲਈ ਇੱਕ ਸਥਿਰ ਪ੍ਰਭਾਵ ਪੈਨਲ ਰੀਗਰੈਸ਼ਨ ਕੋਡ ਲਿਖੋ, 2) ਇੱਕ ਟਿੱਪਣੀ ਲਾਈਨ ਦੇ ਨਾਲ ਕੋਡ ਵਿੱਚ ਹਰੇਕ ਪੜਾਅ ਦੀ ਵਿਆਖਿਆ ਕਰੋ, 3) ਨੋਟ ਕਰੋ ਕਿ ਗੁਣਾਂਕ ਨੂੰ ਰਿਲੇਸ਼ਨਲ ਵਜੋਂ ਸਮਝਿਆ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਾ ਕਿ CAUSAL, 4) ਫੰਕਸ਼ਨ ਆਰਗੂਮੈਂਟ ਬਣਾਓ ਜਿਸ ਬਾਰੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ; ਮੈਂ ਚਲਾਵਾਂਗਾ ਅਤੇ ਆਪਣੇ ਖੁਦ ਦੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਨਤੀਜੇ ਦੀ ਪੁਸ਼ਟੀ ਕਰਾਂਗਾ।

ਇਸ ਬੇਨਤੀ ਵਿੱਚ, ਕੋਈ ਡਾਟਾ ਸਾਂਝਾ ਨਹੀਂ ਕੀਤਾ ਗਿਆ ਹੈ, ਭੂਮਿਕਾ, ਪੈਕੇਜ, ਟਿੱਪਣੀਆਂ ਦੀ ਉਮੀਦ ਅਤੇ "ਮਨਘੜਤ" ਦੀ ਮਨਾਹੀ ਸਪੱਸ਼ਟ ਹੈ। ਤੁਸੀਂ ਅਜੇ ਵੀ ਚਲਾਉਂਦੇ ਹੋ ਅਤੇ ਆਪਣੇ ਆਪ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ।

ਹੇਠ ਦਿੱਤੀ ਸਾਰਣੀ ਇਸ ਪਾਠ ਵਿੱਚ ਇੱਕ-ਵਾਕ ਦੇ ਨਿਯਮਾਂ ਦਾ ਸਾਰ ਦਿੰਦੀ ਹੈ:

ਸਿਧਾਂਤ

ਇਸ ਦਾ ਕੀ ਮਤਲਬ ਹੈ

AI ਇੱਕ ਸਹਾਇਕ ਹੈ

ਵਿਗਿਆਨਕ ਫੈਸਲਾ ਅਤੇ ਜ਼ਿੰਮੇਵਾਰੀ ਮਾਹਰ ਦੀ ਹੈ

ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ, ਨਤੀਜਾ ਪੈਦਾ ਕਰੋ

AI ਨੰਬਰ ਯਾਦ ਨਹੀਂ ਰੱਖਦਾ; ਤੁਸੀਂ ਇਸਨੂੰ ਚਲਾਓ ਅਤੇ ਗਣਨਾ ਕਰੋ

ਡਾਟਾ ਰੱਖੋ

ਮਾਈਕਰੋ/ਲਾਇਸੰਸਸ਼ੁਦਾ ਡੇਟਾ ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ ਨੂੰ ਨਹੀਂ ਛੱਡਦਾ

ਤਸਦੀਕ ਕਰੋ

ਹਰ ਮੁੱਦੇ, ਕੋਡ, ਟਿੱਪਣੀ ਦੀ ਜਾਂਚ ਕੀਤੀ ਜਾਂਦੀ ਹੈ; ਮਨਘੜਤ ਨੂੰ ਰੱਦ ਕੀਤਾ ਜਾਂਦਾ ਹੈ

ਆਮ ਗਲਤੀਆਂ

• ਬਿਨਾਂ ਡੇਟਾ ਦਿੱਤੇ AI ਤੋਂ ਠੋਸ ਅੰਕੜਿਆਂ ਦੀ ਉਮੀਦ ਕਰਨਾ। ਮਾਡਲ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕਰ ਸਕਦਾ; ਇਹ ਜੋ ਗੁਣਾਂਕ, ਸਬੰਧ ਅਤੇ p-ਮੁੱਲ ਦਿੰਦਾ ਹੈ ਉਹ ਜਾਅਲੀ ਹਨ। ਹਮੇਸ਼ਾ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕਰੋ ਅਤੇ ਨਤੀਜਾ ਆਪਣੇ ਆਪ ਤਿਆਰ ਕਰੋ।
• ਭਰਮਪੂਰਣ ਕਾਰਜਾਂ 'ਤੇ ਭਰੋਸਾ ਕਰਨਾ। AI ਇੱਕ R/Python ਫੰਕਸ਼ਨ ਜਾਂ ਆਰਗੂਮੈਂਟ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ। ਕੋਡ ਨੂੰ ਚਲਾਏ ਅਤੇ ਪੁਸ਼ਟੀ ਕੀਤੇ ਬਿਨਾਂ ਸਵੀਕਾਰ ਨਾ ਕਰੋ।
• ਪਬਲਿਕ ਟੂਲ 'ਤੇ ਮਾਈਕ੍ਰੋਡਾਟਾ ਅੱਪਲੋਡ ਕੀਤਾ ਜਾ ਰਿਹਾ ਹੈ। ਇਹ KVKK/GDPR ਅਤੇ ਡਾਟਾ ਵਰਤੋਂ ਸਮਝੌਤੇ ਦੀ ਉਲੰਘਣਾ ਹੈ। ਡੇਟਾ ਨੂੰ ਗੁਮਨਾਮ ਬਣਾਓ ਜਾਂ ਇਸਨੂੰ ਬਿਲਕੁਲ ਵੀ ਸਾਂਝਾ ਨਾ ਕਰੋ।
• ਸ਼ੁੱਧਤਾ ਲਈ ਰਵਾਨਗੀ ਨੂੰ ਭੁਲਾਉਣਾ। ਇੱਕ ਚੰਗੀ-ਲਿਖਤ ਸਮੀਖਿਆ ਗਲਤ ਹੋ ਸਕਦੀ ਹੈ। ਵਾਕ ਦੀ ਸੁੰਦਰਤਾ ਸਬੂਤ ਨਹੀਂ ਹੈ।
• ਨਿਯੰਤਰਣ ਤੋਂ ਬਿਨਾਂ ਕਾਰਕ ਭਾਸ਼ਾ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ. YZ ਅਕਸਰ ਕਹਿੰਦਾ ਹੈ "X ਵਧਾਉਂਦਾ ਹੈ Y"; ਜਦੋਂ ਕਿ ਜ਼ਿਆਦਾਤਰ ਰਿਗਰੈਸ਼ਨ ਸਿਰਫ ਰਿਸ਼ਤੇ ਦਿਖਾਉਂਦੇ ਹਨ। ਡਿਜ਼ਾਇਨ ਦੇ ਨਾਲ ਕਾਰਨ ਦੇ ਦਾਅਵੇ ਦਾ ਬਚਾਅ ਕਰੋ।

ਸੁਝਾਅ: AI ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ, ਆਪਣੇ ਆਪ ਨੂੰ ਇਹ ਸਵਾਲ ਪੁੱਛੋ: "ਜੇਕਰ ਕੋਈ ਰੈਫਰੀ ਜਾਂ ਆਡੀਟਰ ਇਸ ਆਉਟਪੁੱਟ ਲਈ ਪੁੱਛਦਾ ਹੈ, ਤਾਂ ਕੀ ਮੈਂ ਸਰੋਤ ਅਤੇ ਖਾਤਾ ਦਿਖਾ ਸਕਦਾ ਹਾਂ?" ਜੇਕਰ ਜਵਾਬ ਨਹੀਂ ਹੈ, ਤਾਂ ਆਉਟਪੁੱਟ ਅਜੇ ਵਰਤੋਂ ਲਈ ਤਿਆਰ ਨਹੀਂ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

AI ਅਰਥ ਸ਼ਾਸਤਰ ਅਤੇ ਅੰਕੜਿਆਂ ਦੇ ਵਰਕਫਲੋ ਦੀ ਐਗਜ਼ੀਕਿਊਸ਼ਨ ਲੇਅਰ (ਕੋਡ, ਕਲੀਨਅੱਪ, ਗ੍ਰਾਫ, ਡਰਾਫਟ) ਵਿੱਚ ਇੱਕ ਅਸਲੀ ਅਤੇ ਵਿਸ਼ਾਲ ਪ੍ਰਵੇਗ ਪ੍ਰਦਾਨ ਕਰਦਾ ਹੈ; ਹਾਲਾਂਕਿ, ਮਾਡਲ ਦੀ ਚੋਣ, ਕਾਰਣ, ਵਿਆਖਿਆ, ਪ੍ਰਕਾਸ਼ਨ ਅਤੇ ਨੀਤੀਗਤ ਫੈਸਲੇ ਮਾਹਰ ਦੇ ਹਨ। ਤਿੰਨ ਬੁਨਿਆਦੀ ਅਨੁਸ਼ਾਸਨ: AI ਨੂੰ ਨੰਬਰ ਦੀ ਯਾਦ ਨਾ ਦਿਉ, ਕੋਡ ਦੀ ਮੰਗ ਕਰੋ ਅਤੇ ਨਤੀਜਾ ਖੁਦ ਤਿਆਰ ਕਰੋ ਅਤੇ ਤਸਦੀਕ ਕਰੋ; ਸੁਰੱਖਿਅਤ ਵਾਤਾਵਰਣ ਤੋਂ ਮਾਈਕਰੋ/ਲਾਇਸੰਸਸ਼ੁਦਾ ਡੇਟਾ ਨੂੰ ਨਾ ਹਟਾਓ; ਅੰਕੜਾ ਫਿਲਟਰ ਹਰੇਕ ਆਉਟਪੁੱਟ. ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ AI ਆਉਟਪੁੱਟ ਇੱਕ ਅਣ-ਸਮੀਖਿਆ ਕੀਤੀ ਖੋਜ ਵਾਂਗ ਹੀ ਜੋਖਮ ਭਰਪੂਰ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਆਪਣੇ ਖੁਦ ਦੇ (ਜਾਂ ਇੱਕ ਉਦਾਹਰਨ) ਡੇਟਾ ਸੈੱਟ 'ਤੇ ਵਿਚਾਰ ਕਰੋ। ਆਰ ਜਾਂ ਪਾਈਥਨ ਕੋਡ ਲਈ ਏਆਈ ਨੂੰ ਪੁੱਛੋ ਜੋ ਡੇਟਾ ਨੂੰ ਸਾਂਝਾ ਕੀਤੇ ਬਿਨਾਂ, ਵੇਰੀਏਬਲ ਬਣਤਰ ਦਾ ਵਰਣਨ ਕਰਕੇ ਵਰਣਨਯੋਗ ਅੰਕੜੇ ਅਤੇ ਇੱਕ ਸਧਾਰਨ ਗ੍ਰਾਫ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਆਉਣ ਵਾਲੇ ਕੋਡ ਨੂੰ ਆਪਣੇ ਵਾਤਾਵਰਨ ਵਿੱਚ ਚਲਾਓ। ਫਿਰ ਇੱਕ ਚੈਕਲਿਸਟ ਰੱਖੋ: (1) ਕੀ ਕੋਡ ਬਿਨਾਂ ਕਿਸੇ ਤਰੁੱਟੀ ਦੇ ਚੱਲਿਆ, (2) ਤੁਹਾਡੀ ਉਮੀਦ ਅਨੁਸਾਰ ਲਾਈਨਾਂ/ਨਿਰੀਖਣਾਂ ਦੀ ਸੰਖਿਆ ਹੈ, (3) AI ਦੇ ਕਿਹੜੇ ਟਿੱਪਣੀ ਵਾਕਾਂ ਵਿੱਚ ਕਾਰਣ ਭਾਸ਼ਾ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਗਈ ਹੈ ਅਤੇ ਇਸਨੂੰ ਠੀਕ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਇੱਕ ਪੈਰੇ ਵਿੱਚ, ਉਸ ਸਮੇਂ ਬਾਰੇ ਲਿਖੋ ਜਦੋਂ AI ਨੇ ਤੁਹਾਨੂੰ ਬਚਾਇਆ ਅਤੇ ਘੱਟੋ-ਘੱਟ ਇੱਕ ਬੱਗ ਤੁਸੀਂ ਫੜਿਆ ਸੀ।

ਚੈੱਕਲਿਸਟ

• [ ] ਮੈਂ AI ਨੂੰ ਠੋਸ ਅੰਕੜੇ ਮੰਗਣ ਲਈ ਨਹੀਂ ਬਣਾਇਆ; ਮੈਂ ਕੋਡ ਦੀ ਬੇਨਤੀ ਕੀਤੀ ਅਤੇ ਨਤੀਜਾ ਖੁਦ ਤਿਆਰ ਕੀਤਾ।
• [ ] ਮੈਂ ਮੇਰੇ ਆਪਣੇ ਵਾਤਾਵਰਣ ਵਿੱਚ ਦਿੱਤੇ ਹਰੇਕ ਨੰਬਰ ਅਤੇ ਟੈਸਟ ਦੇ ਨਤੀਜੇ ਦੀ ਮੁੜ ਗਣਨਾ ਕੀਤੀ।
• [ ] ਮੈਂ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ ਕਿ ਇਸ ਦੁਆਰਾ ਵਰਤੇ ਗਏ ਫੰਕਸ਼ਨ/ਆਰਗੂਮੈਂਟ ਅਸਲ ਵਿੱਚ ਮੌਜੂਦ ਹਨ।
• [ ] ਮੈਂ ਮਾਈਕ੍ਰੋ/ਪਰਸਨਲ/ਲਾਇਸੰਸਸ਼ੁਦਾ ਡੇਟਾ ਨੂੰ ਜਨਤਕ ਟੂਲ 'ਤੇ ਅੱਪਲੋਡ ਨਹੀਂ ਕੀਤਾ।
• [ ] ਮੈਂ ਕਾਰਕ ਭਾਸ਼ਾ ਵਾਲੀਆਂ ਟਿੱਪਣੀਆਂ ਨੂੰ ਚਿੰਨ੍ਹਿਤ ਕੀਤਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਸੰਬੰਧਤ ਭਾਸ਼ਾ ਵਿੱਚ ਭੇਜਿਆ ਹੈ।
• [ ] ਮੈਂ ਇੱਕ ਆਡੀਟਰ ਨੂੰ ਆਉਟਪੁੱਟ ਦਾ ਸਰੋਤ ਅਤੇ ਲੇਖਾ ਦਿਖਾਉਣ ਦੇ ਯੋਗ ਹਾਂ।