ලාභ:
- ප්රතිපත්තිවල නැතිවූ අගයන්, පිටස්තරයන්, නිරාවරණ සහ දත්ත තත්ත්ව ගැටලු හඳුනාගැනීමේ හැකියාව සහ කෘත්රිම බුද්ධි සහාය ඇතිව දත්ත හානි කිරීමට සහ නිවැරදි කිරීමේ කෙටුම්පතක් නිෂ්පාදනය කිරීමට හැකියාව
- විශේෂාංග ඉංජිනේරු (නව විචල්ය ව්යුත්පන්න, සමූහගත කිරීම, කේතීකරණය) සහ නිවැරදි සන්දර්භය සමඟ කෘතිම බුද්ධියට නිරාවරණය සාමාන්යකරණය
- කෘත්රිම බුද්ධිය මගින් යෝජනා කරන ලද දත්ත පරිවර්තනයන් දත්ත කාන්දු වීමේ අවදානම සහ සැඟවුණු පක්ෂග්රාහීත්වයට එරෙහිව ක්රියාකාරිකයකු විසින් විගණනය කළ යුතු බව තේරුම් ගන්න.
ක්රියාකාරී කාර්යයේ අවම වශයෙන් කතා කරන නමුත් බොහෝ කාලයක් ගතවන කොටස දත්ත සැකසීමයි. පළපුරුදු ක්රියාකාරීන් දන්නවා ආකෘති නිර්මාණ ව්යාපෘතියක වැඩි කාලයක් ගත කරන්නේ දත්ත පිරිසිදු කිරීම, ඒකාබද්ධ කිරීම සහ නිවැරදි කිරීම සඳහා බව. ආකෘතිය කෙතරම් අලංකාර වුවත්, ආදාන දත්ත දූෂිත නම්, ප්රතිදානය දූෂිත වේ - කෙටියෙන් කිවහොත්, “කසළ ඇතුලට, කුණු පිටතට”. මෙම ඒකකය තුළ, අපි ප්රතිපත්ති සහ හිමිකම් දත්තවල සාමාන්ය ගැටළු, AI සමඟ ඒවා හඳුනාගෙන ඒවා නිවැරදි කරන්නේ කෙසේද සහ විශේෂාංග ඉංජිනේරු විද්යාව (පවතින දත්ත වලින් වඩාත් තොරතුරු සපයන නව විචල්යයන් ව්යුත්පන්න කර ඇත) ප්රවේශය දකිමු.
ආරම්භයේ සිට අනතුරු ඇඟවීමක්: දත්ත සකස් කිරීම පෙනෙන පරිදි තාක්ෂණික හා අහිංසක පියවරකි, නමුත් වඩාත්ම භයානක දෝෂ සැඟවී ඇත්තේ මෙයයි. වැරදි නිරාවරණ සාමාන්යකරණයක්, සැඟවුණු දත්ත කාන්දුවක් හෝ නොදැනුවත්වම හඳුන්වා දුන් පක්ෂග්රාහීත්වයක් පසුකාලීන සියලුම මාදිලි නිහඬව දූෂිත කරයි. AI මෙම පියවර බෙහෙවින් වේගවත් කරයි, නමුත් පාලනයකින් තොරව තැබුවහොත්, එය අවදානම ද විශාල කරයි.
සත්ය දත්තවල සාමාන්ය ගැටළු
ප්රතිපත්ති සහ හිමිකම් දත්ත කිසිදා පිරිසිදුව නොපැමිණෙයි. වඩාත්ම පොදු ගැටළු වන්නේ: අස්ථානගත වූ අගයන්: සමහර ප්රතිපත්තිවල හිස් වාහන වයස, රැකියාව හෝ කලාපය ඇත. අන්ධ ලෙස මේවා සාමාන්යයෙන් පිරවීමෙන් පක්ෂග්රාහීත්වයක් ඇති කළ හැකිය; ඌනතාවයම සමහර විට තොරතුරු දරයි (අතුරුදහන් වූවන් වෙනස් කණ්ඩායමකි). පිටස්තරයන්: සෘණ වාරික, අවුරුදු 200ක් පැරණි රක්ෂිත, ශුන්ය නිරාවරණ ප්රතිපත්තිය වැනි තාර්කික නොවන වාර්තා. මේවා දත්ත දෝෂද නැතිනම් සැබෑ දාර අවස්ථාද යන්න වෙන්කර හඳුනාගත යුතුය. නොගැලපීම: එකම කලාපයේ විවිධ අක්ෂර වින්යාසය ("ඉස්තාන්බුල්", "ඉස්තාන්බුල්", "34"), දින ආකෘති ව්යාකූලත්වය. අනුපිටපත් ඇතුළත් කිරීම්: එකම හානිය දෙවරක් ඇතුල් කිරීම.
නමුත් ක්රියාවට විශේෂිත වූ වඩාත් තීරණාත්මක ප්රශ්නය වන්නේ නිරාවරණය වීමයි. ප්රතිපත්තියක් වසර මැද ආරම්භ වන්නේ නම්, එය එම වසර සඳහා භාගික නිරාවරණයක් (උදා: වසර 0.5) සපයයි, සම්පූර්ණ “ප්රතිපත්ති වර්ෂයක්” නොවේ. සංඛ්යාත සහ හානි අනුපාත සෑම විටම නිරාවරණයට සාමාන්යකරණය කළ යුතුය; එසේ නොමැති නම් කෙටි කාලීන ප්රතිපත්ති ඉහළ අවදානමක් ඇති බව පෙනේ. AI හට නිරාවරණ ගණනය කිරීම් කේත කළ හැක, නමුත් ඔබ අර්ථ දැක්වීම සහ ව්යාපාර රීතිය සැපයිය යුතුය.
පහත වගුව සාමාන්ය ගැටළු සහ නිවැරදි ප්රවේශය සාරාංශ කරයි:
ගැටලුව
වැරදි ප්රවේශය
නිවැරදි ප්රවේශය
නැතිවූ අගය
සියල්ල සාමාන්යයෙන් පුරවන්න
අඩුපාඩු විශ්ලේෂණය කරන්න; සමහර විට වෙනම කාණ්ඩයක් විවෘත කරන්න
පිටතින්
ස්වයංක්රීයව මකා දැමීම
දත්ත දෝෂය සහ සැබෑ ඊයම් අතර වෙනස හඳුනා ගන්න
නිරාවරණය
වසර 1ක් සඳහා සියලුම ප්රතිපත්ති ගණන් කරන්න
භාගික නිරාවරණය ගණනය කරන්න
කාණ්ඩයේ නොගැලපීම
නොසලකා හරින්න
සම්මත ශබ්දකෝෂය සමඟ ගැලපේ
පුනරාවර්තන හානිය
නොදකින්න
ප්රධාන ක්ෂේත්ර සමඟ අනුපිටපත් කරන්න
විශේෂාංග ඉංජිනේරු: දත්ත වලින් දැනුම ලබා ගැනීම
විශේෂාංග ඉංජිනේරු විද්යාව යනු පවතින raw variables වලින් ආකෘතියට වඩාත් ප්රයෝජනවත් වන නව විචල්යයන් ව්යුත්පන්න කිරීමේ කලාවයි. උදාහරණ: උපන් දින සිට "වයස", වයසේ සිට "වයස් කණ්ඩායම" (බින් කිරීම), වාහන සෑදීමේ මාදිලියෙන් "අවදානම් කොටස", ලිපිනය-ප්රතිපත්ති සංයෝජනයෙන් "වාර්ෂික සැතපුම් ඇස්තමේන්තුව". හොඳ විශේෂාංගයක් අමු දත්ත වලට වඩා ප්රබල සංඥාවක් ගෙන යන අතර ආකෘතියේ නිරවද්යතාවය සහ අර්ථකථනය යන දෙකම වැඩි කරයි.
ක්රියාකාරී වැඩ වලදී තාක්ෂණික ක්රම තුනක් නිතර භාවිතා වේ. බැඳීම: අඛණ්ඩ විචල්යයක් (වයස) අර්ථවත් කණ්ඩායම්වලට වෙන් කිරීම; මෙය රේඛීය නොවන සම්බන්ධතා ග්රහණය කර තීරුබදු කියවිය හැකි කරයි. කේතීකරණය: වර්ගීකරණ විචල්යයන් (කලාපය) ආකෘතියට සුදුසු සංඛ්යාත්මක ආකෘතියක් බවට පරිවර්තනය කිරීම; අවදානම් මත පදනම් වූ කේතීකරණය (එක් එක් කාණ්ඩයට තමන්ගේම හානි අනුපාතයක් සහිතව) පොදු වන නමුත් ප්රවේශමෙන් කළ යුතුය. සාමාන්යකරණය: සෑම දෙයක්ම එහි නිරාවරණයෙන් බෙදීමෙන් සැසඳිය හැකිය. AI ඉක්මනින් මෙම පරිවර්තනයන් සඳහා කේතය ජනනය කරයි; නමුත් ඔබ එක් එක් පරිවර්තනයේ තර්කනය අනුමත කළ යුතුය.
ඉඟිය: ඉලක්ක කේතනය ප්රබල නමුත් දත්ත කාන්දු වීමට ඉඩ ඇත: කාණ්ඩයක සාමාන්ය හානිය ගණනය කිරීමේදී ඔබ පේළියක හානියක් ඇතුළත් කළහොත් ආකෘතිය "වංචා" කරයි. සෑම විටම මෙය පුහුණු දත්ත තුළ, හරස් වලංගු කිරීමේ රටාවකින් කරන්න.
වඩාත්ම ද්රෝහී අනතුර: දත්ත කාන්දුවීම් සහ ව්යංග පක්ෂග්රාහීත්වය
දත්ත කාන්දු වීම යනු පුරෝකථනය කරන අවස්ථාවේ ඇත්ත වශයෙන්ම නොපවතින ආකෘතියට තොරතුරු හඳුන්වා දීමයි. සම්භාව්ය උදාහරණය: හිමිකම් ප්රමාණය පුරෝකථනය කරන ආකෘතියකට “ගෙවූ හිමිකම්” වැනි ප්රතිඵල අඩංගු විචල්යයක් හඳුන්වා දීම. මෙම ආකෘතිය පරීක්ෂණ දත්තවල පරිපූර්ණ ලෙස පෙනෙන නමුත් පුරෝකථනය කරන අවස්ථාවේ එම තොරතුරු ලබා ගත නොහැකි නිසා සැබෑ ලෝකයේ නිෂ්ඵල වේ. කාන්දු වීම බොහෝ විට සැඟවී ඇති අතර ප්රවේශමෙන් ක්රියාකාරී තර්කයෙන් පමණක් අල්ලා ගනු ලැබේ - AI සාමාන්යයෙන් නොදකින අතර සමහර විට කාන්දු වන විචල්යය "ඉතා ප්රබල පුරෝකථනය" ලෙස ප්රශංසා කරයි.
දෙවන ද්රෝහී අන්තරාය වන්නේ ව්යංග පක්ෂග්රාහීත්වයයි. ඓතිහාසික දත්ත යම් කණ්ඩායමක් අසාධාරණ ලෙස නියෝජනය කරන්නේ නම් (උදාහරණයක් ලෙස, ප්රදේශයක් ඓතිහාසික වශයෙන් බොහෝ ප්රතිපත්ති ප්රතික්ෂේප කර ඇත), එම දත්ත වලින් ලබාගත් විශේෂාංග එම පක්ෂග්රාහීත්වය ගෙන යන අතර ආකෘතිය එය අනාගතයට ප්රතිවර්තනය කරයි. විශේෂාංග ඉංජිනේරු අවධිය මෙම නැඹුරුව හඳුනාගෙන නිවැරදි කළ හැකි වඩාත් තීරණාත්මක අවස්ථාවයි.
අවවාදයයි: විචල්යයක් “අනාවැකි බලය ඉමහත් ලෙස වැඩි දියුණු කරන” විට ඔබ ප්රීති වීමට පෙර අසන්න: මෙම විචල්යය අනාවැකිය කරන අවස්ථාවේ ඇත්ත වශයෙන්ම තිබේද, නැතහොත් එයට අනාගතය සම්බන්ධ වේද? ඉතා හොඳ පෙනුමක් ඇති ප්රතිඵලය බොහෝ විට කාන්දු වීමේ සලකුණකි.
දත්ත සැකසීමේදී AI භාවිතා කරන්නේ කෙසේද?
1) දත්ත තත්ත්ව පරීක්ෂාව:
ඔබේ කාර්යභාරය: දත්ත තත්ත්ව සහායක. ඔබට සත්ය ප්රතිපත්ති ප්රතිලාභ තිබේ. තීරු: policy_id, start_date, end_date, age, region, vehicle_age, premium, claim_count, claim_amount.මට පිරික්සුම් ලැයිස්තුවක් සහ Python (pandas) කේත කටු සටහනක් දෙන්න:- නැතිවූ අගයන් තීරුවෙන් ගණන් කරන්න.- අසාධාරණ අගයන් සලකුණු කරන්න. ආරම්භයේ/අවසානයේ සිට (වසර වලින්) භාගික නිරාවරණය. මකන්න එපා; මට තීරණය කිරීමට හැකි වන පරිදි එය වාර්තා කරන්න.
2) විශේෂාංග ව්යුත්පන්න:
මට මගේ ගමනාගමන දත්ත වලින් නව විශේෂාංග ලබා ගැනීමට අවශ්යයි. තිබේ: වයස, වාහන_වය, කලාපය, වාර්ෂික_කි.මී., භාවිත_වර්ගය.- ඔබ නිර්දේශ කරන්නේ කුමන වයස සහ කි.මී. කණ්ඩායම් (බින් කිරීම), ඇයි?- දත්ත කාන්දු වීමකින් තොරව 'කලාපය' සඳහා අවදානම්-පාදක කේතීකරණය කරන්නේ කෙසේද?- උත්සාහ කිරීමට වටිනා නව විශේෂාංග 3ක් යෝජනා කරන්න. මම තීරණය කරන්නම්.
3) කාන්දු පරීක්ෂාව:
මගේ ආකෘතිය පහත විචල්යයන් සමඟ හානි වීමේ හැකියාව පුරෝකථනය කරයි: වයස, කලාපය, වාහන_වයස, PAID_CLAIM_FLAG, SETTLEMENT_DAYS. දත්ත කාන්දු වීමේ අවදානමක් ඇති මෙම විචල්යයන් මොනවාද? එක් එක් සඳහා, පුරෝකථනය කරන අවස්ථාවේ එය ලබා ගත හැකිද යන්න තක්සේරු කරන්න. සැක සහිත ඒවා සහ ඇයි ලැයිස්තුගත කරන්න.
4) නිරාවරණ සාමාන්යකරණය:
මගේ සමහර ප්රතිපත්ති ආරම්භ වන්නේ වසරේ මැද භාගයේදීය. සංඛ්යාතය නිවැරදිව ගණනය කිරීම සඳහා නිරාවරණ සාමාන්යකරණය පැහැදිලි කර සංකේත කරන්න: සංඛ්යාතය = සම්පූර්ණ හිමිකම්_ගණනය / සම්පූර්ණ නිරාවරණය (ප්රතිපත්ති-වසර). වසර මැදදී ආරම්භ වන ප්රතිපත්තියේ නිරාවරණය ගණනය කරන්නේ කෙසේදැයි උදාහරණයක් සමඟ පෙන්වන්න.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
දත්ත පිරිසිදු කර ආකෘතිය සඳහා සූදානම් කරන්න.
ව්යාපාරික නීති, නිරාවරණ නිර්වචනය, කුමන තීරුව දැයි AI නොදනී; එමඟින් දත්ත අන්ධ ලෙස මකා දැමීමට සහ පිරවීමට සහ දූෂිත කිරීමට හැකිය.
බලවත් විමසුම:
ඔබගේ භූමිකාව: ක්රියාකාරී දත්ත සැකසීමේ සහකාර. දත්ත ශබ්ද කෝෂය: ප්රතිපත්ති_id (අනන්යතාවය), ආරම්භක/අවසාන_දිනය (ප්රතිපත්ති කාලසීමාව), වයස (අපේක්ෂිත 16-90), වාරික (>0 විය යුතුය), claim_count (>=0), claim_amount (>=0).කාර්යය: 1) එක් එක් තීරුව සඳහා සාධාරණත්වයේ රීතිය ගණනය කිරීම සහ REPORT 2 සඳහා සාධාරණ නීති ලියන්න. නිරාවරණය.3) අතුරුදහන් වූ 'වයස' සඳහා විවිධ උපාය මාර්ග 3 (මකන්න). / සාමාන්ය / වෙනම ප්රවර්ගය) ප්ලස්-අඩු සහිතව පවතී; තීරණය මට භාර දෙන්න.4) කාන්දු වීමේ අවදානමක් ඇති කළ හැකි තීරුවක් තිබේ නම් අනතුරු අඟවන්න. ඕනෑම වාර්තාවක් ස්වයංක්රීයව මකා දැමීම; මම හැම තීරණයක්ම අනුමත කරන්නම්.
කුඩා නඩු තුනක්
නඩුව 1 - නිරාවරණ දෝෂය. එක් කළඹක් තුළ, කෙටි කාලීන (මාස-3) සංචාරක ප්රතිපත්ති සම්පූර්ණ වසර ලෙස ගණන් ගන්නා ලදී, එබැවින් සංඛ්යාතය ඇත්ත වශයෙන්ම තිබූ ප්රමාණයට වඩා හතර ගුණයකින් අඩු විය; මිල වැරදි ලෙස පහත වැටුණි. ක්රියාකාරිකයා නිරාවරණ ප්රමාණය භාගයක් ලෙස ගණනය කළ විට (ප්රතිපත්ති-වසර 0.25), සැබෑ සංඛ්යාතය හෙළිදරව් වී ගාස්තු නිවැරදි කරන ලදී. AI ජනනය කරන ලද භාගික නිරාවරණ කේතය; ක්රියාකරු නිර්වචනය ලබා දුන්නේය.
නඩුව 2 - ගුප්ත කාන්දු වීම. සහායකයකු හානි සම්භාවිතා ආකෘතියට “ගොනුව වසා දැමීමේ කාලය” විචල්යය එක් කළ විට, නිරවද්යතාව නාටකාකාර ලෙස වැඩි විය. ප්රීතිය කෙටි කාලීන විය: මෙම විචල්යය දැනගත හැක්කේ හානිය සිදු වූ පසුව පමණි, එනම් එය පුරෝකථනය කරන අවස්ථාවේ දී නොතිබුණි. කාන්දු වන විචල්යය ඉවත් කළ විට, ආකෘතිය යථාර්ථවාදී මට්ටමට අඩු විය. ඔහු AI විචල්යය “බලවත් පුරෝකථනයක්” ලෙස ප්රශංසා කළේය; ඇක්චුවරිගේ විනිශ්චය උගුලට හසු විය.
නඩුව 3 - පක්ෂග්රාහීත්වය අනුකරණය කිරීම. එක් සමාගමක් ඓතිහාසික දත්ත වලින් "අයදුම්පත් ප්රතික්ෂේප කිරීමේ" රටාවක් ලබාගෙන එය නව මාදිලියට ඇතුළත් කර ඇත. විශ්ලේෂණයෙන් පෙන්නුම් කළේ අතීත ප්රතික්ෂේප කිරීම් අසමානුපාතික ලෙස විශේෂිත අසල්වැසි ප්රදේශයක සංකේන්ද්රණය වී ඇති බවයි, එයින් අදහස් වන්නේ ඓතිහාසික පක්ෂග්රාහීත්වයක් පැවති බවයි. මෙම විශේෂාංගය ආකෘතියෙන් ඉවත් කර වඩා මධ්යස්ථ අවදානම් දර්ශක සමඟ ප්රතිස්ථාපනය කරන ලදී. AI විසින් අසල්වැසි ප්රදේශය සමඟ රටාවේ අතිච්ඡාදනය මනින විශ්ලේෂණය නිෂ්පාදනය කරන ලදී; සදාචාරාත්මක තීරණය ගනු ලැබුවේ ක්රියාකාරීත්වය සහ අනුකූලතා ඒකකය විසිනි.
පොදු වැරදි
- නැතිවූ අගයන් සිතීමකින් තොරව මධ්යන්යයෙන් පිරවීම. අඩුව ම දැනුම විය හැකිය; එය අන්ධ ලෙස පිරවීම අගතියක් ඇති කරයි.
- පිටතින් ස්වයංක්රීයව මකන්න. සමහරක් සැබෑ දාර නඩු; දෝෂ වලින් වෙන් නොකර දත්ත මකා දැමීම තොරතුරු විනාශ කරයි.
- නිරාවරණය සාමාන්යකරණය නොකිරීම. කෙටි ප්රතිපත්ති සම්පූර්ණ වර්ෂ ලෙස ගණන් කිරීම සංඛ්යාතය විකෘති කරන අතර මිල විකෘති කරයි.
- දත්ත කාන්දු වීම නොදැනීම. ඉතා හොඳ ප්රතිඵලයක් බොහෝ විට අනාගතය සම්බන්ධ විචල්යයක සලකුණකි; පුරෝකථනය කරන අවස්ථාවේ සෑම විචල්යයක්ම තිබේදැයි විමසන්න.
- ව්යංග පක්ෂග්රාහීත්වය අනාගතයට ගෙන ඒම. ඓතිහාසික දත්තවල අසාධාරණය ව්යුත්පන්න ලක්ෂණ වලට කාන්දු විය හැක; විශේෂාංග අදියරේදී එය පරීක්ෂා කරන්න.
සාරාංශයක් ලෙස
Actuarial ආකෘතිකරණය බොහෝ දුරට දත්ත සකස් කිරීමයි; ආදානය දූෂිත නම්, ප්රතිදානය ද දූෂිත වේ. සාමාන්ය ගැටළු වන්නේ අස්ථානගත වූ අගයන්, පිටස්තරයන්, නොගැලපීම් සහ අනුපිටපත් ය; තීරනාත්මක ක්රියාකාරී ගැටළුව වන්නේ නිරාවරණ සාමාන්යකරණයයි. විශේෂාංග ඉංජිනේරු - කණ්ඩායම්කරණය, කේතීකරණය, සාමාන්යකරණය - දත්ත වලින් ප්රබල සංඥා ලබා ගනී. වඩාත්ම ද්රෝහී අන්තරායන් වන්නේ දත්ත කාන්දු වීම සහ ව්යංග නැඹුරුවයි; දෙකම අල්ලා ගනු ලබන්නේ සත්ය තර්කනය මගිනි. AI මෙම පියවර බෙහෙවින් වේගවත් කරයි: ස්කෑන් කිරීම කේතය සහ නිර්දේශ ජනනය කරයි. නමුත් කිසිදු වාර්තාවක් ස්වයංක්රීයව මකා නොදමන්න, මිනිසුන්ට කාන්දුවීම් සහ පක්ෂග්රාහීභාවය පරීක්ෂා කිරීමට ඉඩ දෙන්න, සහ එක් එක් පරිවර්තනය අනුමත කරන්න.
යෙදුම් කාර්යය
කුඩා නිර්නාමික ප්රතිපත්ති දත්ත ශබ්ද කෝෂයක් (තීරු 5-7, එක් එක් සාධාරණ පරාසය) සකස් කරන්න. (අ) එක් එක් තීරුව සඳහා සාධාරණත්වයේ රීතිය සහ උල්ලංඝනය කිරීමේ වාර්තා කේතය, (ආ) භාගික නිරාවරණ ගණනය කිරීම, (ඇ) උත්සාහ කිරීමට නව විශේෂාංග 3ක් සඳහා යෝජනා සඳහා AI වෙතින් අසන්න. ඉන්පසු ලැයිස්තුවට හිතාමතාම “කාන්දු උගුලක්” විචල්යයක් එක් කරන්න (උදා: “වන්දි ගෙවා”) සහ AI එය කාන්දුවක් ලෙස අල්ලා ගන්නේ දැයි පරීක්ෂා කරන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] අතුරුදහන් වූ සහ පිටස්තරයන් මකා දැමීමට පෙර මා විශ්ලේෂණය කර තිබේද?
- [ ] මම නිරාවරණ නිවැරදිව කොටස් කර සාමාන්යකරණය කර තිබේද?
- [ ] මම අලුතින් ව්යුත්පන්න වූ සෑම විශේෂාංගයක් සඳහාම සත්ය සාධාරණීකරණය ලියා තිබේද?
- [ ] පුරෝකථනය කරන අවස්ථාවේ සෑම විචල්යයක්ම ඇත්ත වශයෙන්ම (කාන්දු වීම) තිබේදැයි මම ප්රශ්න කර තිබේද?
- [ ] මම ව්යුත්පන්න විශේෂාංගවල ව්යංග පක්ෂග්රාහීත්වය සඳහා ස්කෑන් කර තිබේද?
- [ ] මා සතුව කිසිදු වාර්තාවක් ස්වයංක්රීයව මකා දමා සෑම තීරණයක්ම මා විසින්ම අනුමත කර AI නොතිබුනේද?