ਡੇਟਾ ਸਾਇੰਸ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਿੱਚ ਨਕਲੀ ਬੁੱਧੀ ਦੀ ਜਾਣ-ਪਛਾਣ: ਵਰਕਫਲੋ, ਭੂਮਿਕਾਵਾਂ, ਸੀਮਾਵਾਂ, ਪ੍ਰਮਾਣਿਕਤਾ ਅਤੇ ਨੈਤਿਕਤਾ

ਲਾਭ:

• ਡੇਟਾ ਸਾਇੰਸ ਦੇ ਛੇ-ਪੜਾਅ ਦੇ ਵਰਕਫਲੋ (ਸਮੱਸਿਆ ਦੀ ਪਰਿਭਾਸ਼ਾ, ਸੰਗ੍ਰਹਿ, ਸਫਾਈ, ਖੋਜ, ਮਾਡਲਿੰਗ, ਸੰਚਾਰ) ਅਤੇ ਅਥਾਰਟੀ ਜਿਸ ਦੇ ਅਧੀਨ ਨਕਲੀ ਬੁੱਧੀ ਹਰੇਕ ਪੜਾਅ 'ਤੇ ਕੰਮ ਕਰਦੀ ਹੈ, ਕੰਮ ਦੇ ਜੋਖਮ ਪੱਧਰ ਦੇ ਅਨੁਸਾਰ ਵੱਖ ਕਰਨ ਦੀ ਸਮਰੱਥਾ
• ਇੱਕ ਅਨੁਸ਼ਾਸਨ ਲਾਗੂ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਜੋ ਹਰੇਕ ਨਕਲੀ ਖੁਫੀਆ ਆਉਟਪੁੱਟ ਨੂੰ ਸਰੋਤ ਨਾਲ ਜੋੜ ਕੇ, ਇਸਨੂੰ ਚਲਾਉਣ ਅਤੇ ਤੁਲਨਾ ਕਰਕੇ, ਅਤੇ ਇਸਨੂੰ ਮਾਹਰ ਫਿਲਟਰਿੰਗ ਦੁਆਰਾ ਪਾਸ ਕਰਕੇ ਪ੍ਰਮਾਣਿਤ ਕਰਦੀ ਹੈ।
• ਪਹਿਲੇ ਦਿਨ ਤੋਂ ਪ੍ਰਜਨਨਯੋਗਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਸਿਧਾਂਤਾਂ (ਕੋਡ ਵਿੱਚ ਲਿਖਣਾ, ਗੁਮਨਾਮਕਰਨ) ਨੂੰ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਆਦਤਾਂ ਵਿੱਚ ਬਦਲਣ ਦੀ ਸਮਰੱਥਾ

ਕੱਚਾ, ਗੜਬੜਾ, ਅਤੇ ਅਕਸਰ "ਝੂਠ" ਡੇਟਾ ਹਰ ਰੋਜ਼ ਡੇਟਾ ਸਾਇੰਟਿਸਟ ਦੇ ਡੈਸਕ ਉੱਤੇ ਆਉਂਦਾ ਹੈ। ਵਿਕਰੀ ਸਾਰਣੀ ਵਿੱਚ, ਮਿਤੀ ਕਾਲਮ ਤਿੰਨ ਵੱਖ-ਵੱਖ ਫਾਰਮੈਟਾਂ ਵਿੱਚ ਲਿਖਿਆ ਗਿਆ ਹੈ; ਗਾਹਕ ਨੰਬਰ ਕੁਝ ਲਾਈਨਾਂ ਵਿੱਚ ਖਾਲੀ ਹਨ; ਇੱਕ ਕਾਲਮ ਦਾ ਨਾਮ "ਆਮਦਨ" ਹੈ, ਪਰ ਇਸ ਵਿੱਚ TL ਅਤੇ USD ਦੋਵੇਂ ਮੁੱਲ ਸ਼ਾਮਲ ਹਨ। ਡੇਟਾ ਸਾਇੰਸ ਦਾ ਕੰਮ ਇਸ ਹਫੜਾ-ਦਫੜੀ ਵਿੱਚੋਂ ਇੱਕ ਭਰੋਸੇਮੰਦ ਫੈਸਲਾ ਲੈਣਾ ਹੈ: ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ, ਇਸਨੂੰ ਸਾਫ਼ ਕਰਨਾ, ਇਸਦੀ ਪੜਚੋਲ ਕਰਨਾ, ਇੱਕ ਮਾਡਲ ਬਣਾਉਣਾ, ਨਤੀਜੇ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨਾ, ਅਤੇ ਇਸਨੂੰ ਇੱਕ ਕਹਾਣੀ ਵਿੱਚ ਬਦਲਣਾ। ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ (ਏਆਈ, ਜਾਂ ਛੋਟੇ-ਕੰਪਿਊਟਰ ਸਿਸਟਮਾਂ ਲਈ AI ਜੋ ਟੈਕਸਟ ਅਤੇ ਕੋਡ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹਨ, ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰ ਸਕਦੇ ਹਨ, ਸੰਖੇਪ ਕਰ ਸਕਦੇ ਹਨ ਅਤੇ ਭਵਿੱਖਬਾਣੀ ਕਰ ਸਕਦੇ ਹਨ) ਇਸ ਲੜੀ ਦੇ ਹਰ ਲਿੰਕ ਨੂੰ ਛੂਹ ਸਕਦੇ ਹਨ: ਮਿੰਟਾਂ ਵਿੱਚ ਕਲੀਨਅੱਪ ਕੋਡ ਲਿਖਣਾ, ਖੋਜ ਵਿਸ਼ਲੇਸ਼ਣ ਲਈ ਗ੍ਰਾਫਾਂ ਦੀ ਸਿਫ਼ਾਰਸ਼ ਕਰਨਾ, ਇੱਕ ਮਾਡਲ ਦੀ ਮੈਟ੍ਰਿਕ ਦੀ ਵਿਆਖਿਆ ਕਰਨਾ, ਇੱਕ SQL ਪੁੱਛਗਿੱਛ ਨੂੰ ਠੀਕ ਕਰਨਾ। ਪਰ ਉਹੀ AI ਤੁਹਾਨੂੰ ਇੱਕ ਭਰੋਸੇਮੰਦ ਬਨਾਵਟ ਵੀ ਦੇ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਸੰਬੰਧ 0.72" ਡੇਟਾ ਲਈ ਜੋ ਇਸਨੇ ਕਦੇ ਨਹੀਂ ਦੇਖਿਆ ਹੈ।

ਇਹ ਪਹਿਲੀ ਇਕਾਈ ਲਾਇਬ੍ਰੇਰੀ ਦੀ ਜਾਣ-ਪਛਾਣ ਨਹੀਂ ਹੈ। ਇਸਦਾ ਉਦੇਸ਼ ਇਹ ਸਪੱਸ਼ਟ ਕਰਨਾ ਹੈ ਕਿ ਡੇਟਾ ਸਾਇੰਸ ਵਰਕਫਲੋ ਵਿੱਚ AI ਨੂੰ ਕਿੱਥੇ ਰੱਖਣਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਕਿੱਥੇ ਨਹੀਂ ਰੱਖਣਾ ਹੈ। ਆਉ ਸ਼ੁਰੂ ਤੋਂ ਹੀ ਮੂਲ ਸਿਧਾਂਤ ਦੱਸੀਏ: AI ਇੱਕ ਸਹਾਇਕ ਹੈ, ਇੱਕ ਡਾਟਾ ਵਿਗਿਆਨੀ ਨਹੀਂ। ਕਿਹੜਾ ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ ਹੈ, ਕਿਸ ਮੈਟ੍ਰਿਕ 'ਤੇ ਫੈਸਲਾ ਕਰਨਾ ਹੈ, ਕੀ ਉਤਪਾਦਨ ਵਿੱਚ ਇੱਕ ਮਾਡਲ ਲਗਾਉਣਾ ਹੈ, ਅਤੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਕਿੱਥੇ ਖਿੱਚਣੀਆਂ ਹਨ, ਦਾ ਫੈਸਲਾ ਸਮਰੱਥ ਮਾਹਰ ਦੇ ਕੋਲ ਹੈ। ਇੱਕ ਗੈਰ-ਪ੍ਰਮਾਣਿਤ AI ਆਉਟਪੁੱਟ ਜੋਖਮ ਭਰਪੂਰ ਹੈ, ਜਿਵੇਂ ਕਿ ਇੱਕ ਹਸਤਾਖਰਿਤ ਵਿਸ਼ਲੇਸ਼ਣ ਰਿਪੋਰਟ ਹੈ।

ਡੇਟਾ ਸਾਇੰਸ ਵਰਕਫਲੋ: ਸਿਰੇ ਤੋਂ ਅੰਤ ਦਾ ਨਕਸ਼ਾ

ਇੱਕ ਡੇਟਾ ਪ੍ਰੋਜੈਕਟ ਨੂੰ ਸਮਝਣ ਲਈ, ਇਸਨੂੰ ਛੇ ਪੜਾਵਾਂ ਵਿੱਚ ਵੰਡਣਾ ਮਦਦਗਾਰ ਹੈ। ਇਹ ਸਾਰਾ ਮੋਡੀਊਲ ਇਸ ਨਕਸ਼ੇ ਦੀ ਪਾਲਣਾ ਕਰਦਾ ਹੈ।

1. ਸਮੱਸਿਆ ਦੀ ਪਰਿਭਾਸ਼ਾ: ਕਿਸ ਫੈਸਲੇ ਦਾ ਸਮਰਥਨ ਕਰਨ ਲਈ ਅਸੀਂ ਕੀ ਮਾਪਦੇ ਹਾਂ, ਕਿਉਂ? ਇਹ ਪੜਾਅ AI ​​ਨੂੰ ਸੌਂਪਿਆ ਨਹੀਂ ਗਿਆ ਹੈ; ਇਹ ਉਹ ਵਿਅਕਤੀ ਹੈ ਜੋ ਨੌਕਰੀ ਦੀ ਪਰਿਭਾਸ਼ਾ ਦਿੰਦਾ ਹੈ.

2. ਡੇਟਾ ਇਕੱਠਾ ਕਰਨਾ: ਸਰੋਤਾਂ ਦੀ ਪਛਾਣ ਕਰਨਾ, ਡੇਟਾ ਐਕਸਟਰੈਕਟ ਕਰਨਾ, ਨਮੂਨਾ ਲੈਣਾ। (ਯੂਨਿਟ 2)

3. ਡੇਟਾ ਕਲੀਨਿੰਗ ਅਤੇ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ: ਗੁੰਮ ਮੁੱਲ, ਆਊਟਲੀਅਰ, ਕਿਸਮ ਪਰਿਵਰਤਨ। (ਯੂਨਿਟ 3)

4. ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ (EDA - ਖੋਜੀ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ, "ਅੱਖ ਦੁਆਰਾ" ਡੇਟਾ ਦੀ ਵੰਡ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਮਾਨਤਾ ਦੇਣ ਦਾ ਪੜਾਅ): (ਯੂਨਿਟ 4)

5. ਵਿਸ਼ੇਸ਼ਤਾ ਇੰਜੀਨੀਅਰਿੰਗ ਅਤੇ ਮਾਡਲਿੰਗ: ਵੇਰੀਏਬਲ ਪੀੜ੍ਹੀ, ਐਲਗੋਰਿਦਮ ਚੋਣ, ਸਿਖਲਾਈ, ਮੁਲਾਂਕਣ। (ਇਕਾਈ 5, 6, 7)

6. ਸੰਚਾਰ ਅਤੇ ਉਤਪਾਦਨ: ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ, ਕਹਾਣੀ, MLOps (ਮਾਡਲ ਨੂੰ ਲਾਈਵ ਲੈਣ ਅਤੇ ਇਸ ਦੀ ਨਿਗਰਾਨੀ ਕਰਨ ਦਾ ਅਨੁਸ਼ਾਸਨ)। (ਇਕਾਈ 8, 11)

AI ਇਹਨਾਂ ਛੇ ਪੜਾਵਾਂ ਵਿੱਚੋਂ ਹਰੇਕ ਵਿੱਚ ਇੱਕ ਵੱਖਰੇ ਅਥਾਰਟੀ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ। ਹੇਠਾਂ ਦਿੱਤੀ ਸਾਰਣੀ ਅਧਿਕਾਰ ਦੀ ਇਸ ਵੰਡ ਦਾ ਸਾਰ ਦਿੰਦੀ ਹੈ; ਇਹ ਮੋਡੀਊਲ ਦੀ ਸਭ ਤੋਂ ਮਹੱਤਵਪੂਰਨ ਸਾਰਣੀ ਹੈ।

ਸਟੇਜ

ਏਆਈ ਦੀ ਭੂਮਿਕਾ

ਜੋਖਮ ਦਾ ਪੱਧਰ

ਕੌਣ ਪ੍ਰਵਾਨ ਕਰਦਾ ਹੈ

ਸਮੱਸਿਆ ਦੀ ਪਰਿਭਾਸ਼ਾ

ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਸਾਥੀ

ਘੱਟ

ਡਾਟਾ ਵਿਗਿਆਨੀ + ਸਟੇਕਹੋਲਡਰ

ਇੱਕ ਸਫਾਈ ਕੋਡ ਲਿਖੋ

ਕੋਡ ਸਕੈਚ ਜਨਰੇਟਰ

ਮੱਧਮ

ਡਾਟਾ ਵਿਗਿਆਨੀ (ਕੋਡ ਪੜ੍ਹਦਾ ਹੈ)

EDA ਟਿੱਪਣੀ

ਪੈਟਰਨ ਸਲਾਹਕਾਰ

ਮੱਧਮ

ਡਾਟਾ ਵਿਗਿਆਨੀ

ਫੀਚਰ ਪੀੜ੍ਹੀ

ਆਈਡੀਆ ਅਤੇ ਕੋਡ ਜਨਰੇਟਰ

ਮੱਧਮ-ਉੱਚਾ

ਲੀਕ ਕੰਟਰੋਲ ਜ਼ਰੂਰੀ ਹੈ

ਮਾਡਲ ਦੀ ਚੋਣ/ਮੈਟ੍ਰਿਕ

ਸਲਾਹਕਾਰ

ਉੱਚ

ਡਾਟਾ ਵਿਗਿਆਨੀ

ਉਤਪਾਦਨ ਵਿੱਚ ਪਾਉਣ ਦਾ ਫੈਸਲਾ ਕੀਤਾ ਹੈ

ਸਹਾਇਕ ਇੰਪੁੱਟ

ਬਹੁਤ ਉੱਚਾ

ਟੀਮ + ਕਾਰੋਬਾਰ ਦਾ ਮਾਲਕ

ਨੈਤਿਕਤਾ/ਗੋਪਨੀਯਤਾ ਦੀ ਪ੍ਰਵਾਨਗੀ

ਉਤੇਜਕ

ਬਹੁਤ ਉੱਚਾ

ਮਨੁੱਖ, ਹਮੇਸ਼ਾ

ਇਸ ਚਾਰਟ ਦੇ ਇੱਕ ਵਾਕ ਨੂੰ ਧਿਆਨ ਵਿੱਚ ਰੱਖੋ: ਜਿਵੇਂ-ਜਿਵੇਂ ਦਾਅ ਵਧਦਾ ਹੈ, AI ਦੀ ਭੂਮਿਕਾ ਸੁੰਗੜਦੀ ਹੈ ਅਤੇ ਮਨੁੱਖੀ ਪ੍ਰਵਾਨਗੀ ਵਧਦੀ ਹੈ।

ਪੁਸ਼ਟੀਕਰਨ ਇਸ ਕਾਰੋਬਾਰ ਦਾ ਕੇਂਦਰ ਕਿਉਂ ਹੈ

AI ਭਾਸ਼ਾ ਦੇ ਮਾਡਲ ਪੱਕੇ ਲੱਗਦੇ ਹਨ, ਪਰ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹ ਯਕੀਨੀ ਨਾ ਹੋਣ। ਤਕਨੀਕੀ ਭਾਸ਼ਾ ਵਿੱਚ, ਇਸ ਨੂੰ ਹੈਲੁਸੀਨੇਸ਼ਨ ਕਿਹਾ ਜਾਂਦਾ ਹੈ: ਇਹ ਇੱਕ ਪ੍ਰਵਾਹ ਵਾਕ ਵਿੱਚ ਗੈਰ-ਮੌਜੂਦ ਜਾਣਕਾਰੀ ਨੂੰ ਮਾਡਲ ਦੁਆਰਾ ਤਿਆਰ ਕਰਨਾ ਹੈ ਜਿਵੇਂ ਕਿ ਇਹ ਸੱਚ ਹੈ। ਡੇਟਾ ਸਾਇੰਸ ਵਿੱਚ, ਇਹ ਤਿੰਨ ਰੂਪਾਂ ਵਿੱਚ ਆਉਂਦਾ ਹੈ। ਪਹਿਲਾ ਇੱਕ ਜਾਅਲੀ ਨੰਬਰ ਹੈ: ਜੇਕਰ ਤੁਸੀਂ ਮਾਡਲ ਨੂੰ ਬਿਨਾਂ ਕੋਈ ਡੇਟਾ ਦਿੱਤੇ "ਔਸਤ ਆਰਡਰ ਦੀ ਰਕਮ ਕੀ ਹੈ" ਨੂੰ ਪੁੱਛਦੇ ਹੋ, ਤਾਂ ਇਹ ਭਰੋਸੇ ਨਾਲ ਤੁਹਾਨੂੰ ਇੱਕ ਨੰਬਰ ਦੱਸੇਗਾ, ਭਾਵੇਂ ਇਸਨੇ ਕਦੇ ਵੀ ਤੁਹਾਡਾ ਡੇਟਾ ਨਹੀਂ ਦੇਖਿਆ ਹੈ। ਦੂਜਾ ਇੱਕ ਫੰਕਸ਼ਨ ਹੈ ਜੋ ਮੌਜੂਦ ਨਹੀਂ ਹੈ: ਮਾਡਲ ਇੱਕ ਫੰਕਸ਼ਨ ਦਾ ਸੁਝਾਅ ਦੇ ਸਕਦਾ ਹੈ ਜੋ ਕਿ ਬਿਲਕੁਲ ਵੀ ਮੌਜੂਦ ਨਹੀਂ ਹੈ, ਜਿਵੇਂ ਕਿ pandas.read_excel_fast(). ਤੀਜਾ, ਗਲਤ ਅੰਕੜਾ ਵਿਆਖਿਆ: ਮਾਡਲ ਇੱਕ ਕਲਾਸਿਕ ਅੰਕੜਾ ਗਲਤੀ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਦੁਹਰਾ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ "ਪੀ-ਮੁੱਲ 0.04 ਹੈ, ਇਸਲਈ ਅਨੁਮਾਨ 96% ਸਹੀ ਹੈ"।

ਤਸਦੀਕ ਅਨੁਸ਼ਾਸਨ ਵਿੱਚ ਤਿੰਨ ਕਦਮ ਹੁੰਦੇ ਹਨ:

1. ਸਰੋਤ ਨਾਲ ਲਿੰਕ: ਹਰ ਨੰਬਰ, ਦਰ ਅਤੇ ਰੁਝਾਨ ਤੁਹਾਡੇ ਡੇਟਾ ਤੋਂ ਆਉਣਾ ਚਾਹੀਦਾ ਹੈ, ਨਾ ਕਿ AI ਦੀ ਮੈਮੋਰੀ ਤੋਂ। AI ਦੀ ਵਰਤੋਂ ਉਸ ਕੋਡ ਲਈ ਕਰੋ ਜੋ ਡੇਟਾ 'ਤੇ ਕੰਮ ਕਰਦਾ ਹੈ, ਨਾ ਕਿ ਡੇਟਾ ਨੂੰ ਯਾਦ ਰੱਖਣ ਲਈ।
2. ਚਲਾਓ ਅਤੇ ਤੁਲਨਾ ਕਰੋ: ਏਆਈ ਦੁਆਰਾ ਦਿੱਤੇ ਕੋਡ ਦੇ ਹਰੇਕ ਟੁਕੜੇ ਨੂੰ ਆਪਣੇ ਆਪ ਚਲਾਓ; ਹਰੇਕ ਮੀਟ੍ਰਿਕ ਦੀ ਤੁਲਨਾ ਇੱਕ ਸੁਤੰਤਰ ਬੇਸਲਾਈਨ ਨਾਲ ਕਰੋ।
3. ਮਾਹਰ ਫਿਲਟਰ: ਆਪਣੇ ਲਈ ਜਾਂਚ ਕਰੋ ਕਿ ਕੀ ਆਉਟਪੁੱਟ ਅੰਕੜਿਆਂ ਅਤੇ ਡੋਮੇਨ ਗਿਆਨ ਦਾ ਖੰਡਨ ਕਰਦਾ ਹੈ।

ਸਾਵਧਾਨ: ਏਆਈ ਦੁਆਰਾ ਲਿਖੇ ਵਿਸ਼ਲੇਸ਼ਣ ਨੂੰ ਬਿਨਾਂ ਚੱਲੇ ਅਤੇ ਪੜ੍ਹੇ ਇੱਕ ਪ੍ਰਸਤੁਤੀ ਵਿੱਚ ਰੱਖਣਾ ਇੱਕ ਹਸਤਾਖਰਿਤ ਰਿਪੋਰਟ ਪੇਸ਼ ਕਰਨ ਦੇ ਬਰਾਬਰ ਹੈ। ਕਿਉਂਕਿ ਕੋਡ ਕੰਮ ਕਰਦਾ ਹੈ ਇਸਦਾ ਮਤਲਬ ਇਹ ਨਹੀਂ ਹੈ ਕਿ ਇਹ ਸਹੀ ਹੈ; ਇੱਕ ਕੋਡ ਜੋ ਗਲਤ ਕਾਲਮ ਨੂੰ ਜੋੜਦਾ ਹੈ ਵੀ ਗਲਤੀਆਂ ਤੋਂ ਬਿਨਾਂ ਕੰਮ ਕਰਦਾ ਹੈ।

ਪ੍ਰਜਨਨਯੋਗਤਾ: ਇੱਕੋ ਨਤੀਜਾ ਦੋ ਵਾਰ ਪੈਦਾ ਕਰਨ ਦੇ ਯੋਗ ਹੋਣਾ

ਡੇਟਾ ਵਿਗਿਆਨ ਦਾ ਚੁੱਪ ਪਰ ਨਾਜ਼ੁਕ ਸਿਧਾਂਤ ਪ੍ਰਜਨਨਯੋਗਤਾ ਹੈ: ਜਦੋਂ ਤੁਸੀਂ ਛੇ ਮਹੀਨਿਆਂ ਬਾਅਦ ਜਾਂ ਕਿਸੇ ਵੱਖਰੇ ਕੰਪਿਊਟਰ 'ਤੇ ਦੁਬਾਰਾ ਵਿਸ਼ਲੇਸ਼ਣ ਚਲਾਉਂਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਉਹੀ ਨਤੀਜਾ ਮਿਲਦਾ ਹੈ। AI ਨਾਲ ਕੰਮ ਕਰਦੇ ਸਮੇਂ ਇਹ ਜੋਖਮ ਵਧਦਾ ਹੈ, ਕਿਉਂਕਿ ਜਦੋਂ ਤੁਸੀਂ AI ਨੂੰ "ਇਹ ਗ੍ਰਾਫ਼ ਬਣਾਉਣ" ਅਤੇ ਇਸਨੂੰ ਹੱਥੀਂ ਚਲਾਉਣ ਲਈ ਕਹਿੰਦੇ ਹੋ, ਤਾਂ ਕਦਮ ਗਾਇਬ ਹੋ ਜਾਂਦੇ ਹਨ। ਨਿਯਮ: ਹਰ ਕਦਮ ਕੋਡ ਅਤੇ ਸੰਸਕਰਣ ਨਿਯੰਤਰਣ ਵਿੱਚ ਰਜਿਸਟਰ ਹੋਣਾ ਚਾਹੀਦਾ ਹੈ (ਜਿਵੇਂ ਕਿ ਗਿੱਟ); ਬੇਤਰਤੀਬਤਾ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਵਾਲੇ ਕਦਮਾਂ ਵਿੱਚ, ਬੇਤਰਤੀਬ ਬੀਜ (ਬੇਤਰਤੀਬ ਨੰਬਰ ਜਨਰੇਟਰ ਦਾ ਸ਼ੁਰੂਆਤੀ ਮੁੱਲ; ਜੇਕਰ ਸਥਿਰ ਕੀਤਾ ਗਿਆ ਹੈ, ਤਾਂ ਨਤੀਜਾ ਦੁਹਰਾਇਆ ਜਾ ਸਕਦਾ ਹੈ) ਨੂੰ ਨਿਸ਼ਚਿਤ ਕੀਤਾ ਜਾਣਾ ਚਾਹੀਦਾ ਹੈ। ਅਸੀਂ ਯੂਨਿਟ 10 ਵਿੱਚ ਇਸ ਵਿਸ਼ੇ ਨੂੰ ਡੂੰਘਾ ਕਰਾਂਗੇ; ਹੁਣ ਲਈ, ਇਹ ਆਦਤ ਪਾਓ: "ਹੱਥ ਨਾਲ ਕਲਿੱਕ ਨਾ ਕਰੋ, ਕੋਡ ਵਿੱਚ ਲਿਖੋ।"

ਤਿੰਨ ਛੋਟੇ ਕੇਸ

ਕੇਸ 1 - ਸੁਰੱਖਿਅਤ ਪ੍ਰਵੇਗ। ਇੱਕ ਈ-ਕਾਮਰਸ ਵਿਸ਼ਲੇਸ਼ਕ ਆਮ ਤੌਰ 'ਤੇ 240 ਹਜ਼ਾਰ ਕਤਾਰਾਂ ਦੇ ਆਰਡਰ ਟੇਬਲ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਵਿੱਚ ਅੱਧਾ ਦਿਨ ਬਿਤਾਉਂਦਾ ਹੈ। ਉਸਨੇ ਏਆਈ ਨੂੰ ਕਾਲਮ ਦੇ ਨਾਮ ਅਤੇ ਪਹਿਲੀਆਂ 5 ਕਤਾਰਾਂ (ਬਿਨਾਂ ਨਿੱਜੀ ਡੇਟਾ) ਦਿੱਤੀਆਂ ਅਤੇ ਪਾਂਡਾ ਸਫਾਈ ਕੋਡ ਲਈ ਕਿਹਾ। AI ਨੇ 8 ਸਕਿੰਟਾਂ ਵਿੱਚ ਡਰਾਫਟ ਤਿਆਰ ਕੀਤਾ; ਵਿਸ਼ਲੇਸ਼ਕ ਨੇ ਕੋਡ ਲਾਈਨ ਨੂੰ ਲਾਈਨ ਦੁਆਰਾ ਪੜ੍ਹਿਆ, ਮਿਤੀ ਪਾਰਸਿੰਗ ਵਿੱਚ ਇੱਕ ਗਲਤੀ ਨੂੰ ਠੀਕ ਕੀਤਾ, ਅਤੇ ਇਸਨੂੰ ਚਲਾਇਆ। ਮਿਆਦ: 4 ਘੰਟਿਆਂ ਦੀ ਬਜਾਏ 35 ਮਿੰਟ। ਏਆਈ ਨੇ ਕੋਡ ਪ੍ਰਦਾਨ ਕੀਤਾ, ਤਸਦੀਕ ਮਨੁੱਖ ਕੋਲ ਹੀ ਰਹੀ।

ਕੇਸ 2 - ਬਣਿਆ ਮੀਟ੍ਰਿਕ ਜਾਲ। ਇੱਕ ਇੰਟਰਨ ਨੇ ਏਆਈ ਨੂੰ ਪੁੱਛਿਆ, "ਇਸ ਡੇਟਾ 'ਤੇ ਬੇਤਰਤੀਬ ਜੰਗਲ ਕਿੰਨਾ ਸਹੀ ਹੈ?" ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੇ ਬਿਨਾਂ. "ਲਗਭਗ 89%," ਏਆਈ ਨੇ ਕਿਹਾ। ਇੰਟਰਨ ਨੇ ਇਸਨੂੰ ਪੇਸ਼ਕਾਰੀ ਵਿੱਚ ਪਾ ਦਿੱਤਾ; ਜਦੋਂ ਅਸਲੀ ਮਾਡਲ ਨੂੰ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ, ਤਾਂ ਸ਼ੁੱਧਤਾ 71% ਸੀ. ਗਲਤੀ: AI ਨੂੰ ਡੇਟਾ ਅਤੇ ਮਾਡਲ ਦਿੱਤੇ ਬਿਨਾਂ ਮੈਟ੍ਰਿਕਸ ਦੀ ਉਡੀਕ ਕਰਨੀ।

ਕੇਸ 3 - ਚੁੱਪ ਲੀਕ। ਇੱਕ ਟੀਮ ਨੇ AI ਦੁਆਰਾ ਸੁਝਾਏ ਗਏ ਵਿਚਾਰ ਨੂੰ "ਇੱਕ ਵਿਸ਼ੇਸ਼ਤਾ ਦੇ ਰੂਪ ਵਿੱਚ ਟੀਚਾ ਵੇਰੀਏਬਲ ਦਾ ਮਤਲਬ ਜੋੜੋ" ਬਿਨਾਂ ਸਵਾਲ ਕੀਤੇ ਇਸ ਨੂੰ ਲਾਗੂ ਕੀਤਾ। ਮਾਡਲ ਨੇ ਟੈਸਟ ਸੈੱਟ 'ਤੇ 98% ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਪਰ ਉਤਪਾਦਨ ਵਿੱਚ ਕ੍ਰੈਸ਼ ਹੋ ਗਿਆ ਕਿਉਂਕਿ ਵਿਸ਼ੇਸ਼ਤਾ ਭਵਿੱਖ ਦੀ ਜਾਣਕਾਰੀ ਲੀਕ ਕਰ ਰਹੀ ਸੀ (ਡੇਟਾ ਲੀਕ, ਯੂਨਿਟ 10)। ਗਲਤੀ: AI ਸਿਫ਼ਾਰਿਸ਼ ਨੂੰ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਫਿਲਟਰ ਨਹੀਂ ਕਰਨਾ।

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ / ਮਜ਼ਬੂਤ ਪ੍ਰੋਂਪਟ

ਕਮਜ਼ੋਰ ਪ੍ਰੋਂਪਟ:

ਇਸ ਵਿਕਰੀ ਡੇਟਾ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰੋ ਅਤੇ ਮੈਨੂੰ ਔਸਤ ਆਮਦਨ ਦੱਸੋ।

ਇਹ ਦਾਅਵਾ ਗਲਤ ਹੈ: AI ਨੂੰ ਡੇਟਾ ਨਹੀਂ ਦਿੱਤਾ ਗਿਆ ਸੀ, ਇਸਲਈ "ਔਸਤ ਆਮਦਨ" ਨੂੰ ਹੀ ਬਣਾਇਆ ਜਾ ਸਕਦਾ ਹੈ। ਨਾ ਤਾਂ ਕਾਲਮ, ਨਾ ਪੀਰੀਅਡ, ਨਾ ਹੀ ਮੁਦਰਾ ਸਪੱਸ਼ਟ ਹੈ।

ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰਾਉਟ:

ਤੁਹਾਡੀ ਭੂਮਿਕਾ: ਇੱਕ ਡਾਟਾ ਵਿਗਿਆਨੀ ਦੀ ਮਦਦ ਕਰਨ ਵਾਲਾ ਸਹਾਇਕ। ਮੇਰੇ ਕੋਲ ਇੱਕ ਪਾਂਡਾ ਡੇਟਾਫ੍ਰੇਮ ਹੈ: df. ਕਾਲਮ:- order_date (ਟੈਕਸਟ, ਫਾਰਮੈਟ ਵਿੱਚ "2024-03-01")- amount_tl (ਕੁਝ ਕਤਾਰਾਂ ਵਿੱਚ ਦਸ਼ਮਲਵ, NaN)- customer_id (ਪੂਰਨ ਅੰਕ) ਟਾਸਕ: (1) ਪਾਂਡਾ ਕੋਡ ਲਿਖੋ ਜੋ ਔਸਤ ਰਕਮ ਦੀ ਗਣਨਾ ਕਰਦਾ ਹੈ, (2) ਵਿਆਖਿਆ ਕਰਦਾ ਹੈ ਕਿ ਇਹ NaN ਮੁੱਲਾਂ ਨੂੰ ਕਿਵੇਂ ਸੰਭਾਲਦਾ ਹੈ, (3) ਕੋਡ ਧਾਰਨਾਵਾਂ ਨੂੰ ਸੂਚੀਬੱਧ ਕਰਦਾ ਹੈ। ਡੇਟਾ ਸਮੱਗਰੀ ਨੂੰ ਨਾ ਬਣਾਓ; ਸਿਰਫ਼ ਕੋਡ ਤਿਆਰ ਕਰੋ ਅਤੇ ਮੈਂ ਨਤੀਜਾ ਚਲਾਵਾਂਗਾ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਾਂਗਾ।

ਇਸ ਬੇਨਤੀ ਵਿੱਚ, ਸਕੀਮ, ਉਮੀਦ ਅਤੇ "ਮਨਘੜਤ ਦੀ ਮਨਾਹੀ" ਸਪਸ਼ਟ ਹਨ। ਤੁਸੀਂ ਅਜੇ ਵੀ ਚਲਾਉਂਦੇ ਹੋ ਅਤੇ ਆਪਣੇ ਆਪ ਆਉਟਪੁੱਟ ਦੀ ਪੁਸ਼ਟੀ ਕਰਦੇ ਹੋ।

ਨੈਤਿਕਤਾ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀ ਸ਼ੁਰੂਆਤ

ਡੇਟਾ ਵਿਗਿਆਨ ਅਕਸਰ ਨਿੱਜੀ ਡੇਟਾ ਨਾਲ ਕੰਮ ਕਰਦਾ ਹੈ: ਗਾਹਕ, ਮਰੀਜ਼, ਕਰਮਚਾਰੀ ਰਿਕਾਰਡ। ਤੁਰਕੀਏ ਵਿੱਚ ਕੇਵੀਕੇਕੇ (ਪਰਸਨਲ ਡੇਟਾ ਪ੍ਰੋਟੈਕਸ਼ਨ ਲਾਅ) ਅਤੇ ਯੂਰਪ ਵਿੱਚ ਜੀਡੀਪੀਆਰ ਇਸ ਡੇਟਾ ਦੀ ਸੁਰੱਖਿਆ ਕਰਦੇ ਹਨ। ਜਨਤਕ AI ਟੂਲ ਵਿੱਚ ਆਪਣਾ ਅਸਲੀ ਨਾਮ, ID, ਈਮੇਲ ਜਾਂ ਪਤਾ ਪੇਸਟ ਕਰਨਾ ਇੱਕ ਉਲੰਘਣਾ ਹੈ। ਨਿਯਮ: ਸਾਂਝਾ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਡੇਟਾ ਨੂੰ ਅਗਿਆਤ ਕਰੋ, ਜੇਕਰ ਲੋੜ ਹੋਵੇ ਤਾਂ ਸਿਰਫ ਸਕੀਮਾ (ਕਾਲਮ ਦੇ ਨਾਮ, ਕਿਸਮਾਂ) ਅਤੇ ਡਮੀ ਉਦਾਹਰਨ ਕਤਾਰ ਪ੍ਰਦਾਨ ਕਰੋ। ਅਸੀਂ ਯੂਨਿਟ 11 ਵਿੱਚ ਨੈਤਿਕਤਾ ਦੇ ਵਿਸ਼ੇ ਨੂੰ ਡੂੰਘਾ ਕਰਾਂਗੇ; ਆਉ ਸ਼ੁਰੂ ਤੋਂ ਸਿਧਾਂਤ ਰੱਖੀਏ: ਡੇਟਾ ਨੂੰ ਸਮਝਣ ਲਈ, ਇਸਦੇ ਢਾਂਚੇ ਨੂੰ ਸਾਂਝਾ ਕਰਨਾ, ਨਾ ਕਿ ਇਸਦੀ ਸਮੱਗਰੀ, ਅਕਸਰ ਕਾਫ਼ੀ ਹੁੰਦਾ ਹੈ.

ਆਮ ਗਲਤੀਆਂ

• AI ਨੂੰ ਡੇਟਾ ਦਿੱਤੇ ਬਿਨਾਂ ਨੰਬਰਾਂ/ਮੈਟ੍ਰਿਕਸ ਦੀ ਉਡੀਕ ਕੀਤੀ ਜਾ ਰਹੀ ਹੈ। ਮਾਡਲ ਡੇਟਾ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਕਰ ਸਕਦਾ; ਉਹ ਜੋ ਨੰਬਰ ਦਿੰਦਾ ਹੈ ਉਹ ਫਰਜ਼ੀ ਹੈ। ਹਮੇਸ਼ਾ ਨਤੀਜੇ ਦੀ ਗਣਨਾ ਕਰੋ ਅਤੇ ਚਲਾਓ.
• ਇਹ ਸੋਚ ਕੇ ਕਿ ਕੰਮ ਕਰਨ ਵਾਲਾ ਕੋਡ ਸਹੀ ਹੈ। ਕੋਡ ਜੋ ਗਲਤ ਕਾਲਮ ਨੂੰ ਹੇਰਾਫੇਰੀ ਕਰਦਾ ਹੈ, ਬਿਨਾਂ ਕਿਸੇ ਤਰੁੱਟੀ ਦੇ ਚੱਲਦਾ ਹੈ; ਤਰਕ ਪੜ੍ਹੇ ਬਿਨਾਂ ਭਰੋਸਾ ਨਾ ਕਰੋ।
• ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਨੂੰ ਓਪਨ ਟੂਲ ਵਿੱਚ ਪੇਸਟ ਕਰਨਾ। ਨਾਮ, ਆਈਡੀ ਨੰਬਰ, ਈ-ਮੇਲ ਕਦੇ ਸਾਂਝਾ ਨਹੀਂ ਕੀਤਾ ਜਾਂਦਾ; ਚਿੱਤਰ ਕਾਫ਼ੀ ਹੈ.
• ਕਦਮਾਂ ਨੂੰ ਹੱਥੀਂ ਕਰਨਾ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਕੋਡ ਵਿੱਚ ਨਾ ਲਿਖਣਾ। ਵਿਸ਼ਲੇਸ਼ਣ ਜੋ ਪੁਨਰ-ਨਿਰਮਾਣਯੋਗ ਨਹੀਂ ਹੈ, ਭਰੋਸੇਯੋਗ ਨਹੀਂ ਹੈ।
• ਬਿਨਾਂ ਸਵਾਲ ਦੇ ਅੰਕੜਿਆਂ ਦੀ AI ਦੀ ਵਿਆਖਿਆ ਨੂੰ ਸਵੀਕਾਰ ਕਰਨਾ। AI ਸੰਕਲਪਾਂ ਵਿੱਚ ਕਲਾਸਿਕ ਗਲਤੀਆਂ ਨੂੰ ਦੁਹਰਾ ਸਕਦਾ ਹੈ ਜਿਵੇਂ ਕਿ ਪੀ-ਮੁੱਲ ਅਤੇ ਸਬੰਧ।

ਸੁਝਾਅ: ਆਪਣੇ ਹਰੇਕ AI ਸੈਸ਼ਨਾਂ ਵਿੱਚ ਇੱਕ ਛੋਟੀ "ਨਿਯਮ ਲਾਈਨ" ਸ਼ਾਮਲ ਕਰੋ: "ਡਾਟਾ ਸਮੱਗਰੀ ਨਾ ਬਣਾਓ; ਸਿਰਫ਼ ਕੋਡ/ਵਿਸ਼ਲੇਸ਼ਣ ਤਿਆਰ ਕਰੋ ਅਤੇ ਮੈਂ ਨਤੀਜਾ ਚਲਾਵਾਂਗਾ ਅਤੇ ਪੁਸ਼ਟੀ ਕਰਾਂਗਾ; ਜਿੱਥੇ ਤੁਹਾਨੂੰ ਯਕੀਨ ਨਹੀਂ ਹੈ, ਉੱਥੇ 'ਨਿਸ਼ਚਤ ਨਹੀਂ' ਦਰਸਾਓ।" ਇਹ ਇਕੱਲਾ ਵਾਕ ਮਨੋ-ਭਰਮਾਂ ਦੇ ਖ਼ਤਰੇ ਨੂੰ ਕਾਫ਼ੀ ਹੱਦ ਤੱਕ ਘਟਾਉਂਦਾ ਹੈ।

ਸਾਰੰਸ਼ ਵਿੱਚ

AI ਡਾਟਾ ਵਿਗਿਆਨ ਵਿੱਚ ਇੱਕ ਸ਼ਕਤੀਸ਼ਾਲੀ ਸਹਾਇਕ ਹੈ: ਇਹ ਸਫਾਈ ਕੋਡ, EDA ਵਿਆਖਿਆ, ਮਾਡਲ ਸਿਫਾਰਸ਼ ਅਤੇ ਵਿਜ਼ੂਅਲਾਈਜ਼ੇਸ਼ਨ ਨੂੰ ਤੇਜ਼ ਕਰਦਾ ਹੈ। ਪਰ ਸਮੱਸਿਆ ਦੀ ਪਰਿਭਾਸ਼ਾ, ਮੀਟ੍ਰਿਕ ਚੋਣ, ਉਤਪਾਦਨ ਦੇ ਫੈਸਲੇ ਅਤੇ ਨੈਤਿਕ ਸੀਮਾਵਾਂ ਮਨੁੱਖਾਂ ਨਾਲ ਸਬੰਧਤ ਹਨ। ਵਰਕਫਲੋ ਦੇ ਛੇ ਪੜਾਅ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਜੋਖਿਮ ਵਧਣ ਨਾਲ AI ਦੀ ਭੂਮਿਕਾ ਛੋਟੀ ਹੋ ​​ਜਾਂਦੀ ਹੈ। ਤਿੰਨ ਆਦਤਾਂ ਹਰ ਚੀਜ਼ ਦੀ ਬੁਨਿਆਦ ਹਨ: ਸਰੋਤ ਲਿੰਕਿੰਗ (ਪ੍ਰਮਾਣਿਕਤਾ), ਪੁਨਰ-ਉਤਪਾਦਨ (ਕੋਡਿੰਗ), ਅਤੇ ਗੁਮਨਾਮਤਾ (ਗੁਪਤਤਾ)। ਇੱਕ ਵਾਰ ਜਦੋਂ ਤੁਸੀਂ ਇਹਨਾਂ ਤਿੰਨਾਂ ਨੂੰ ਅੰਦਰੂਨੀ ਬਣਾਉਂਦੇ ਹੋ, ਤਾਂ ਬਾਕੀ ਦੇ ਮੋਡੀਊਲ ਵਿੱਚ ਹਰ ਟੂਲ ਤੁਹਾਡੇ ਲਈ ਇੱਕ ਸੁਰੱਖਿਅਤ ਐਕਸਲੇਟਰ ਬਣ ਜਾਂਦਾ ਹੈ।

ਐਪਲੀਕੇਸ਼ਨ ਦਾ ਕੰਮ

ਬਸ ਇੱਕ ਛੋਟੀ ਜਿਹੀ ਸਾਰਣੀ ਦਾ ਇੱਕ ਸਕੀਮਾ ਬਣਾਓ ਜੋ ਤੁਹਾਡੇ ਕੋਲ ਹੈ (ਜਾਂ ਇੱਕ ਕਾਲਪਨਿਕ ਇੱਕ): ਕਾਲਮ ਦੇ ਨਾਮ, ਕਿਸਮਾਂ, ਅਤੇ 2-3 ਡਮੀ ਉਦਾਹਰਨ ਕਤਾਰਾਂ (ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਤੋਂ ਬਿਨਾਂ)। ਉੱਪਰ ਦਿੱਤੇ "ਸ਼ਕਤੀਸ਼ਾਲੀ ਪ੍ਰੋਂਪਟ" ਟੈਮਪਲੇਟ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਸੰਖੇਪ ਅੰਕੜੇ ਕੋਡ ਲਈ AI ਨੂੰ ਪੁੱਛੋ। ਕੋਡ ਚਲਾਓ, ਆਉਟਪੁੱਟ ਦੀ ਇੱਕ ਮੈਨੂਅਲ ਮੁੱਲ ਨਾਲ ਤੁਲਨਾ ਕਰੋ, ਕਿਸੇ ਵੀ ਜਾਅਲੀ ਧਾਰਨਾਵਾਂ ਦੀ ਜਾਂਚ ਕਰੋ, ਅਤੇ 5 ਬੁਲੇਟ ਪੁਆਇੰਟਾਂ ਵਿੱਚ ਆਪਣੀਆਂ ਖੋਜਾਂ ਨੂੰ ਨੋਟ ਕਰੋ।

ਚੈੱਕਲਿਸਟ

• ਕੀ ਮੈਂ ਅਸਲ ਨਿੱਜੀ ਡੇਟਾ ਦੀ ਬਜਾਏ AI ਨੂੰ ਇੱਕ ਸਕੀਮਾ ਅਤੇ ਇੱਕ ਜਾਅਲੀ ਨਮੂਨਾ ਦਿੱਤਾ ਹੈ?
• [ ] ਕੀ ਮੈਂ ਉਸ ਕੋਡ ਨੂੰ ਪੜ੍ਹਿਆ ਅਤੇ ਚਲਾਇਆ ਜੋ ਇਸ ਨੇ ਲਾਈਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤਾ ਸੀ?
• ਕੀ ਮੈਂ ਆਉਟਪੁੱਟ ਵਿੱਚ ਹਰੇਕ ਨੰਬਰ ਦੀ ਸੁਤੰਤਰ ਤੌਰ 'ਤੇ ਪੁਸ਼ਟੀ ਕੀਤੀ ਹੈ?
• ਕੀ ਮੈਂ ਵਿਸ਼ਲੇਸ਼ਣ ਦੇ ਹਰ ਪੜਾਅ ਨੂੰ ਕੋਡ ਵਿੱਚ ਲਿਖਿਆ ਹੈ ਅਤੇ ਇਸਨੂੰ ਦੁਹਰਾਉਣ ਯੋਗ ਬਣਾਇਆ ਹੈ?
• ਕੀ ਮੈਂ ਮਿਸ਼ਨ ਦੇ ਜੋਖਮ ਪੱਧਰ ਨੂੰ ਨਿਰਧਾਰਤ ਕੀਤਾ ਹੈ ਅਤੇ ਅੰਤਮ ਫੈਸਲਾ ਇੱਕ ਮਨੁੱਖ ਨੂੰ ਸੌਂਪਿਆ ਹੈ?