ලාභ:
- MLOps අදියර (නිදහස් කිරීම, යෙදවීම, අධීක්ෂණය, නැවත පුහුණු කිරීම, ආපසු හැරීම) සහ ආදර්ශ ප්ලාවිතය අවබෝධ කර ගැනීමට සහ අධීක්ෂිත යෙදවීමක් සැලසුම් කිරීමේ හැකියාව
- ආදර්ශ සාධාරණත්වය, පාරදෘශ්යභාවය සහ වගවීම යන මූලධර්ම අදාළ කර ගැනීමට සහ සංඛ්යානමය නිරවද්යතාවය සදාචාරාත්මක පිළිගැනීමෙන් වෙන්කර හඳුනා ගැනීමේ හැකියාව
- KVKK/GDPR මූලධර්ම සමඟ පුද්ගලික දත්ත ආරක්ෂා කිරීමට සහ ඉහළ බලපෑමක් ඇති තීරණ වලදී මිනිසෙකුට අවසාන වගකීම පැවරීමේ හැකියාව
ආකෘතියක් පුහුණු කිරීම සහ ඉහළ ලකුණු ලබා ගැනීම අවසානය නොවේ, නමුත් මැද. ආකෘතිය නිෂ්පාදනයට ඇතුළත් කර විශ්වාසදායක ලෙස ක්රියා කරන විට සැබෑ වටිනාකම පැමිණෙන්නේ, කාලයත් සමඟ පිරිහීමකින් තොරව අධීක්ෂණය කරන විට සහ සමස්ත ක්රියාවලියම සදාචාරාත්මක හා නීතිමය සීමාවන් තුළ සිදු කරන විටය. මෙම අවසන් ඒකකය මාතෘකා තුනක් ඒකාබද්ධ කරයි: MLOps (සජීවීව යාමේ විනය, ආකෘති නිරීක්ෂණය සහ නඩත්තු කිරීම), ආචාර ධර්ම (සාධාරණත්වය, විනිවිදභාවය, දුෂ්ට නොවන බව) සහ පෞද්ගලිකත්වය (පුද්ගලික දත්ත ආරක්ෂා කිරීම). AI විසින් මෙම ප්රදේශ වල කේතය, පිරික්සුම් ලැයිස්තු සහ බ්ලූපින්ට් නිෂ්පාදනය කරයි; නමුත් මිනිසුන් තීරණය කරන්නේ ආකෘතියක් සජීවීව යනවාද, බලපාන්නේ කාටද සහ කුමන දත්ත භාවිතා කළ හැකිද යන්නයි. මෙම තීරණ තාක්ෂණික නොව වගකීම් තීරණ වේ.
MLOps: ආකෘතිය නිෂ්පාදනයක් මෙන් ජීවත් වේ
MLOps (යන්ත්ර ඉගෙනුම් මෙහෙයුම් - නිෂ්පාදනයේදී යන්ත්ර ඉගෙනුම් ආකෘති ධාවනය, අධීක්ෂණය සහ යාවත්කාලීන කිරීමේ පුරුද්ද) යනු මෘදුකාංග සංවර්ධනයේදී DevOps දත්ත විද්යාවට අනුවර්තනය කිරීමයි. මූලික අදහස: ආකෘතියක් යනු එක් වරක් පුහුණු කර අමතක වූ ගොනුවක් නොව, නිරන්තර නඩත්තු කිරීම අවශ්ය වන සජීවී නිෂ්පාදනයක්. ප්රධාන අදියර:
1. අනුවාදනය: කේතය (Git), දත්ත සහ ආකෘතිය එකට අනුවාදනය කර ඇත; කුමන දත්ත සහ කේතය සමඟ කුමන ආකෘතිය නිෂ්පාදනය කළේද යන්න සටහන් වේ.
2. යෙදවීම: ආකෘතිය API හෝ කණ්ඩායම් කාර්යයක් ලෙස සජීවීව තබා ඇත. එය සාමාන්යයෙන් කුඩා ප්රේක්ෂක පිරිසකට (සෙවණ/කැනරි බෙදා හැරීම) ලබා දෙනු ලැබේ.
3. අධීක්ෂණය: මොඩලයේ ක්රියාකාරීත්වය සහ ආදාන දත්ත නිරන්තරයෙන් නිරීක්ෂණය කෙරේ.
4. නැවත පුහුණු කිරීම: කාර්ය සාධනය පහත වැටෙන විට, යාවත්කාලීන දත්ත සමඟ ආකෘතිය නැවත පුහුණු කරනු ලැබේ.
රටා මාරුව: නිහඬ විකෘති කිරීම
නිෂ්පාදනයේ ඇති ලොකුම අන්තරාය වන්නේ මාදිලි ප්ලාවිතය (ආදර්ශ ප්ලාවිතය / දත්ත ප්ලාවිතය) ය. ලෝකය වෙනස් වේ; ඔබ ඔබේ ආකෘතිය පුහුණු කළ කොන්දේසි (පාරිභෝගික හැසිරීම, මිල ගණන්, වාරය, නීති සම්පාදනය) කාලයත් සමඟ මාරු වන අතර ආකෘතිය යල්පැනීමට පටන් ගනී. නිදසුනක් වශයෙන්, වසංගතයට පෙර පුහුණු කරන ලද ඉල්ලුම් ආකෘතියක් වසංගතය තුළ සම්පූර්ණයෙන්ම වැරදියි. ප්ලාවිතය ආකාර දෙකකින් සිදු වේ: දත්ත ප්ලාවිතය (ආදාන දත්ත වෙනස්වීම් බෙදා හැරීම) සහ සංකල්ප ප්ලාවිතය (ආදාන සහ ඉලක්ක වෙනස්කම් අතර සම්බන්ධතාවය). මේවා ග්රහණය කර ගැනීමේ ක්රමය අධීක්ෂණයයි: සත්ය ප්රතිඵලයට සාපේක්ෂව ආදාන ව්යාප්තිය, පුරෝකථන ව්යාප්තිය සහ (හැකි නම්) කාර්ය සාධනය නිරන්තරයෙන් නිරීක්ෂණය කරන්න.
අවවාදයයි: නිෂ්පාදනයට යොදන ලද ආකෘතියක් තනිවම පිරිහී යනු ඇත; එය "නම්" නොව "කවදාද" යන්න නොවේ. අධීක්ෂණය සැකසීමකින් තොරව මාදිලි යෙදවීම, එහි එන්ජිම පාලනය නොකර මෝටර් රථයක් පැදවීම වැනිය; දිනක් එය නිශ්ශබ්දව වාඩි වී සිටින අතර ඔබට නොපෙනේ.
MLOps මූලද්රව්යය
අරමුණ
නොසලකා හැරියොත්
අනුවාදනය කිරීම
නිපදවන දේ දැන ගැනීම
ප්රතිනිෂ්පාදනය කළ නොහැකි, සොයා ගත නොහැකි
අධීක්ෂණය
ස්ලිප් එක කලින්ම දැක්කා
ආකෘතිය නිශ්ශබ්දව බිඳ වැටේ
නැවත පුහුණු කිරීම
යාවත්කාලීනව සිටින්න
අනාවැකි පරණ වෙනවා
ආපසු හැරවීම
නරක ආකෘතිය වෙත ආපසු යන්න
දෝෂ සහිත ආකෘතිය සජීවීව පවතී
ලේඛනගත කිරීම
විනිවිදභාවය, පිරිවැටුම
තොරතුරු එක් පුද්ගලයෙකු තුළ සිරවී ඇත
ආචාර ධර්ම: ආදර්ශ තීරණ මිනිසුන්ට බලපායි
මිනිසුන්ගේ ජීවිතවලට බලපාන තීරණ සඳහා දත්ත ආකෘති වැඩි වැඩියෙන් භාවිතා වේ: ණය, කුලියට ගැනීම, රක්ෂණය, යුක්තිය. මෙම බලය සමඟ වගකීම ද පැමිණේ. ප්රධාන සදාචාරාත්මක අවදානම්:
පක්ෂග්රාහීත්වය සහ වෙනස් කොට සැලකීම: ආකෘතියට ඓතිහාසික දත්තවල අයුක්තිය ඉගෙන ගැනීමට සහ ඒවා පවත්වාගෙන යාමට හැකිය. යම් කණ්ඩායමකට අතීතයේ දී අඩු ණයක් ලබා දී ඇත්නම්, ආකෘතිය මෙය "නීතියක්" ලෙස උපකල්පනය කර වෙනස් කොට සැලකීම ස්වයංක්රීය කරයි. සාධාරණ විශ්ලේෂණය - විවිධ කණ්ඩායම් (ස්ත්රී පුරුෂ භාවය, වයස, කලාපය) සඳහා ආකෘතිය සමාන ලෙස ක්රියා කරන්නේ දැයි පරීක්ෂා කිරීම - අත්යවශ්ය වන්නේ එබැවිනි.
විනිවිදභාවය සහ පැහැදිලි කිරීමේ හැකියාව: නිරූපිකාවක් පුද්ගලයෙකු ප්රතික්ෂේප කළේ මන්දැයි පැහැදිලි කිරීමට ඔබට හැකි විය යුතුය. "කළු පෙට්ටිය එසේ කීවේය" සදාචාරාත්මකව සහ බොහෝ විට නීත්යානුකූලව පිළිගත නොහැකිය. පැහැදිලි කිරීමේ මෙවලම් (විශේෂාංග වැදගත්කම, SHAP අගයන්) වටිනා වන්නේ එබැවිනි.
වගවීම: ආකෘතිය වැරදි තීරණයක් ගතහොත් වගකිව යුත්තේ කවුද? පිළිතුර සෑම විටම පුද්ගලයෙකු / ආයතනයක් මිස ආකෘතියක් නොවේ. මානව අධීක්ෂණය (human-in-the-loop — අවසාන තීරණය අනුමත කරන මිනිසෙක්) අධි-බලපෑම් තීරණ වල සංරක්ෂණය කළ යුතුය.
අවවාදයයි: ආකෘතියක් සංඛ්යානමය වශයෙන් "නිවැරදි" විය හැකි නමුත් සදාචාරාත්මකව පිළිගත නොහැකිය. එක් කණ්ඩායමකට ක්රමානුකූලව අවාසි වන ඉතා නිවැරදි ආකෘතියක් හොඳ ආකෘතියක් නොවේ. අවංකකම යුක්තිය සඳහා ආදේශකයක් නොවේ.
පෞද්ගලිකත්වය: පුද්ගලික දත්ත ප්රවේශමෙන් ආරක්ෂා කර ඇත
දත්ත විද්යාවේ අමුද්රව්ය බොහෝ විට පුද්ගලික දත්ත වන අතර, මෙම දත්ත නීතියෙන් ආරක්ෂා කර ඇත: Türkiye හි KVKK, යුරෝපයේ GDPR. මූලික මූලධර්ම වනුයේ: අරමුණ සීමා කිරීම (දත්ත එය රැස් කළ අරමුණ හැර වෙනත් අරමුණු සඳහා භාවිතා නොවේ), දත්ත අවම කිරීම (අවශ්ය ප්රමාණයට වඩා දත්ත රැස් කිරීම/රඳවා නොගැනීම), නිර්නාමිකකරණය (තොරතුරු හඳුනාගැනීම ඉවත් කර ඇත) සහ ආරක්ෂාව (දත්ත සංකේතනය කර ප්රවේශය සීමා කර ඇත). AI මෙවලම් සමඟ වැඩ කිරීමේදී තීරණාත්මක රීතිය: කිසි විටෙක සැබෑ පුද්ගලික දත්ත පොදු AI මෙවලමකට අලවන්න එපා. බොහෝ විට, විශ්ලේෂණය සඳහා රූප සටහනක් සහ නිර්නාමික / කෘතිම සාම්පලයක් ප්රමාණවත් වේ.
තොරතුරු සුරක්ෂිතතාවයේ සන්දර්භය තුළ අමතර අවධාරණයක්: ආරක්ෂක සහ නීත්යානුකූල විශ්ලේෂණ අරමුණු සඳහා ඔබට බලය ඇති දත්ත සහ පද්ධති මත පමණක් දත්ත විද්යා මෙවලම් සහ ශිල්පීය ක්රම භාවිතා කරන්න. වෙනත් කෙනෙකුගේ දත්තවලට අනවසරයෙන් ප්රවේශ වීම, පුද්ගලයන් නැවත හඳුනා ගැනීම (නිර්නාමික දත්තවලින් අනන්යතාවය උකහා ගැනීම) හෝ අනවසර පැතිකඩක් නීති විරෝධී මෙන්ම සදාචාර විරෝධීද වේ.
කුඩා නඩු තුනක්
නඩුව 1 - නිරීක්ෂණය නොකළ කඩා වැටීම. ඊ-වාණිජ්යය සමාගමක් එහි නිර්දේශ ආකෘතිය සමඟ සජීවීව ගිය අතර ලුහුබැඳීම පිහිටුවා නැත. මාස 4 කට පසු නිෂ්පාදන නාමාවලිය විශාල වශයෙන් වෙනස් වී ඇත; ආකෘතිය යල් පැන ගිය නිෂ්පාදන නිර්දේශ කිරීම දිගටම කරගෙන ගිය අතර, පරිවර්තන අනුපාතය 30% කින් නිහඬව පහත වැටුණි. මාස ගාණක් යනකන් කවුරුත් දැක්කේ නෑ. පාඩම: අධීක්ෂණයකින් තොරව යෙදවීම අන්ධයි.
නඩුව 2 - සැඟවුණු වෙනස්කම් කිරීම. බඳවා ගැනීමේ පරීක්ෂණ ආකෘතියක් ඓතිහාසික දත්තවල ස්ත්රී පුරුෂ අසමතුලිතතාවය සහ ක්රමානුකූලව අවතක්සේරු කරන ලද කාන්තා අපේක්ෂකයින් ගැන ඉගෙන ගත්තේය. සාධාරණ විශ්ලේෂණයක් නොතිබූ නිසා එය අවධානයට ලක් නොවීය; එය විගණනයකදී අනාවරණය වූ අතර ආයතනය බරපතල කීර්තිමත්/නීතිමය අවදානමකට මුහුණ දී ඇත. පාඩම: ඉහළ-බලපෑම් මාදිලිවල සමූහ පාදක සාධාරණ පාලනය අත්යවශ්ය වේ.
නඩුව 3 - රහස්ය භාවය උල්ලංඝනය කිරීම. එක් විශ්ලේෂකයෙක් සැබෑ පාරිභෝගික ඊමේල් සහ මිලදී ගැනීමේ ඉතිහාසය අඩංගු ගොනුවක් පොදු AI මෙවලමකට පටවා “කොටස් සාරාංශ කරන්න” යැයි පැවසීය. පුද්ගලික දත්ත ආයතනයෙන් පිටව ගොස් ඇත; KVKK ක්රියාවලිය ආරම්භ වී ඇත. නිවැරදි ක්රමය වූයේ අනන්යතා ක්ෂේත්ර ඉවත් කර නිර්නාමික දේපල පමණක් බෙදා ගැනීමයි. පාඩම: සැබෑ පුද්ගලික දත්ත විවෘත මෙවලමට ඇතුල් නොවේ.
පිටපත් කළ හැකි සැකිලි හතරක්
1) පූර්ව යෙදවීමේ පිරික්සුම් ලැයිස්තුව:
ඔබේ කාර්යභාරය: MLOps උපදේශක. ආකෘතියක් නිෂ්පාදනය කිරීමට පෙර මා පරීක්ෂා කළ යුතු දේවල් ලැයිස්තුගත කරන්න: අනුවාදනය, අධීක්ෂණ ප්රමිතික, ආපසු හැරීමේ සැලැස්ම, කාර්ය සාධන සීමාව, දත්ත ප්ලාවිත ඇඟවීම්, වගකිවයුතු පුද්ගලයා. එක් එක් අයිතමය සඳහා "එය වැදගත් වන්නේ ඇයි" යන එක් වාක්යයක් එක් කරන්න. මම තීරණය කරන්නම්.
2) ආදර්ශ මාරු ලුහුබැඳීමේ සැලසුම:
නිෂ්පාදනයේ වර්ගීකරණ ආකෘතියක් සඳහා ප්ලාවිත අධීක්ෂණ සැලැස්මක් යෝජනා කරන්න: (1) මා නිරීක්ෂණය කළ යුතු ආදාන බෙදාහැරීම් මොනවාද, (2) පුරෝකථන බෙදා හැරීම සඳහා කුමන අනතුරු ඇඟවීමක්, (3) සැබෑ ප්රතිඵලය පැමිණි විට කාර්ය සාධනය සංසන්දනය කරන්නේ කෙසේද, (4) නැවත පුහුණු කිරීම ආරම්භ කළ යුත්තේ කුමන සීමාවේදීද යන්න. කේත ඇටසැකිල්ලක් ද සපයන්න.
3) සාධාරණත්වය පාලනය:
විවිධ කණ්ඩායම් සඳහා මගේ ආකෘතියේ කාර්ය සාධනය සංසන්දනය කරන කේතය ලියන්න (උදා: වයස් කලාපය, කලාපය): එක් එක් කණ්ඩායම සඳහා නැවත කැඳවීම/නිශ්චිතභාවය සහ ධනාත්මක තීරණ අනුපාතය. කණ්ඩායම් අතර සැලකිය යුතු වෙනසක් තිබේ නම් අනතුරු අඟවන්න. හේතුවාදී/දේශපාලනික අර්ථ දැක්වීම් සිදු කිරීම; මට වෙනස්කම් පෙන්වන්න, මම තීරණය සලකා බලමි.
4) රහස්යතා පූර්ව පරීක්ෂාව:
AI මෙවලමකට දත්ත ලබා දීමට පෙර, පරීක්ෂා කරන්න: පහත තීරු ලැයිස්තුවේ පුද්ගලික/අනන්යතා දත්ත (නම, ඊමේල්, හැඳුනුම්පත, දුරකථනය, ලිපිනය, IP) තිබේද? එසේ නම්, ඉවත් කළ යුතු හෝ නිර්නාමික කළ යුතු ඒවා ලැයිස්තුගත කරන්න. තීරු: [ලැයිස්තුව]. අරමුණ: නිර්නාමික යෝජනා ක්රමය පමණක් බෙදා ගැනීමට.
දුර්වල ක්ෂණික / ශක්තිමත් විමසුම
දුර්වල ක්ෂණික:
මගේ ආකෘතිය සූදානම්, සජීවීව යන්න.
යෙදවීම තනි පියවරක් නොවේ; අධීක්ෂණය, ආපසු හැරීම, සාධාරණත්වය සහ රහස්යතා පාලනයකින් තොරව සජීවීව යාම ආපදා සඳහා නිහඬ ආරාධනයකි.
බලවත් විමසුම:
ඔබේ කාර්යභාරය: වගකිවයුතු MLOps උපදේශක. මගේ ආකෘතිය පුහුණු කර ඇත, සජීවී වීමට පෙර මට සම්පූර්ණ සූදානමක් අවශ්යයි. උත්පාදනය කරන්න: (1) පෙර යෙදවීමේ පිරික්සුම් ලැයිස්තුව, (2) ප්ලාවිත අධීක්ෂණ සැලැස්ම, (3) සමූහ පදනම් කරගත් සාධාරණ පිරික්සුම් කේතය, (4) පෞද්ගලිකත්ව පරීක්ෂාව (පුද්ගලික දත්ත තිබේද). ඉහළ බලපෑම් තීරණ වලදී මානව කැමැත්ත ආරක්ෂා කරන ආකාරය ද යෝජනා කරන්න. අවසාන තීරණ මගේ.
මෙහිදී බෙදාහැරීම, අධීක්ෂණය, සාධාරණත්වය සහ පෞද්ගලිකත්වය තනි වගකීම් ක්රියාවලියක් ලෙස සැලකේ.
පොදු වැරදි
- නිරීක්ෂණ පිහිටුවීමකින් තොරව ආකෘතියක් යෙදවීම. ආකෘතිය නිශ්ශබ්දව ලිස්සා ගොස් විකෘති කරයි; එය දැකීමට මාස කිහිපයක් ගත විය හැකිය.
- යුක්තිය පරීක්ෂාව මග හැරීම. ඉහළ විශ්වාසනීය ආකෘතියක් කණ්ඩායමකට ක්රමානුකූලව අවාසිදායක විය හැක.
- පැහැදිලි කළ නොහැකි කළු පෙට්ටියක තීරණයක් ගැනීම. ඉහළ බලපෑමක් ඇති තීරණ පැහැදිලි කළ හැකි විය යුතුය; "නිරූපිකාව එහෙම කිව්වා" මදි.
- AI මෙවලම විවෘත කිරීමට සැබෑ පුද්ගලික දත්ත ලබා දීම. KVKK/GDPR උල්ලංඝනය; රූප සටහන සහ නිර්නාමික උදාහරණය ප්රමාණවත්ය.
- තීරණය ආකෘතියට පැවරීම. වගකීම සෑම විටම පුද්ගලයෙකු සමඟ පවතී; ඉහළ බලපෑම් මානව නිරීක්ෂණ පවත්වා ගෙන යනු ලැබේ.
ඉඟිය: ඔබ එක් එක් මාදිලිය සමඟ සජීවීව යාමට පෙර, එක් ප්රශ්නයක් ශබ්ද නඟා අසන්න: “මෙම ආකෘතිය හෙට නිහඬව කැඩී ගියහොත් හෝ කණ්ඩායමකට අසාධාරණ ලෙස දඬුවම් කළහොත්, මම එය දැක ආපසු පෙරළන්නේ කෙසේද?” ඔබට මෙම ප්රශ්නයට පැහැදිලි පිළිතුරක් නොමැති නම්, ආකෘතිය තවමත් නිෂ්පාදනය සඳහා සූදානම් නැත.
සාරාංශයකින්
නිරූපිකාවකගේ කාර්යය ඉහළ ලකුණු ලබා ගැනීමෙන් අවසන් නොවේ, නමුත් නිෂ්පාදනයේ විශ්වසනීයව සහ වගකීමෙන් වැඩ කිරීම. MLOps යනු සජීවීව යාමේ විනය, ප්ලාවිතය නිරීක්ෂණය කිරීම, නැවත පුහුණු කිරීම සහ ආකෘතිය ආපසු හැරවීම; ලුහුබැඳීමකින් තොරව යෙදවීම නිහඬ බිඳවැටීමකි. ආචාර ධර්ම සඳහා ආකෘතියේ සාධාරණත්වය, විනිවිදභාවය සහ වගවීම අවශ්ය වේ; සංඛ්යානමය නිරවද්යතාවය සදාචාරාත්මක පිළිගැනීම සඳහා ආදේශකයක් නොවේ. පුද්ගලිකත්වය යනු KVKK/GDPR මූලධර්ම සමඟ පුද්ගලික දත්ත ආරක්ෂා කිරීම සහ සැබෑ දත්ත විවෘත මෙවලම් වලින් ඈත් කර තැබීමයි. මෙම සියලු තීරණ තාක්ෂණික නොවන නමුත් වගකීම් තීරණ වන අතර සෑම විටම මිනිසෙකුට අයත් වේ.
යෙදුම් කාර්යය
ඔබ විසින් ගොඩනගා ඇති (හෝ උපකල්පිත) ආකෘතියක් නිෂ්පාදනයට දමා ලැයිස්තු හතරක් පුරවන්න යන බව සිතන්න: (1) පෙර යෙදවීමේ පිරික්සුම් ලැයිස්තුව, (2) ඔබ හඹා යන ප්ලාවිත ප්රමිතික, (3) කණ්ඩායම් මත පදනම් වූ සාධාරණත්ව පාලන සැලැස්ම, (4) පෞද්ගලිකත්ව පාලනය. ඉන්පසුව "එය නිශ්ශබ්දව හෙට කැඩී ගියහොත් එය නැවත ලබා ගන්නේ කෙසේද?" යන ප්රශ්නයට නිශ්චිත පිළිතුරක් ලියන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම අධීක්ෂණ (ස්ලිප් ඇලර්ට්) සහ ආපසු හැරවීමේ සැලැස්මක් සමඟ ආකෘතිය යොදවනවාද?
- [ ] මම විවිධ කණ්ඩායම් සඳහා සාධාරණත්වය / කාර්ය සාධන පරතරය පරීක්ෂා කර තිබේද?
- [ ] මම අධි-බලපෑම් තීරණ මත මානව-පුඩුව පවත්වා ගෙන තිබේද?
- [ ] මම KVKK/GDPR මූලධර්ම සමඟ පුද්ගලික දත්ත ආරක්ෂා කර විවෘත මෙවලම් වලින් ඈත් කර තිබේද?
- [ ] මම ආදර්ශයට නොව මිනිසෙකුට අවසාන වගකීම පවරා තිබේද?
මොඩියුල විභාගය
1. දත්ත විද්යාඥයෙක් කෘත්රිම බුද්ධියෙන් අසයි, "මෙම දත්තවල අහඹු වනාන්තරය කෙතරම් නිවැරදිද?" ආකෘතිය කිසිසේත් පුහුණු නොකර, සෘජුවම "89%" යන පිළිතුර ඉදිරිපත් කිරීම තුළට ඇතුළත් කරයි. මෙම ප්රවේශයේ මූලික වැරැද්ද කුමක්ද?
- A) කෘත්රිම බුද්ධියට දත්ත සහ ආකෘති ලබා නොදී ප්රමිතික සඳහා රැඳී සිටීම; එය නිපදවන සංඛ්යාව ව්යාජ බවත් සැබෑ මෙට්රික් සොයා ගත හැක්කේ පුහුණුව සහ පරීක්ෂාවෙන් පමණක් බවත් නොසලකා හැරීම ✔
- B) සසම්භාවී වනාන්තර වෙනුවට ලොජිස්ටික් ප්රතිගමනය භාවිතා කළ යුතුය
- C) නිරවද්යතා අනුපාතය සෑම විටම 90% ට වඩා වැඩි විය යුතුය.
- D) ඉදිරිපත් කිරීමේදී ප්රමිතික ඇතුළත් කිරීම සපුරා තහනම්ය
පැහැදිලි කිරීම: කෘත්රිම බුද්ධියට ආකෘතිය සහ දත්ත වෙත ප්රවේශ නොවී මෙට්රික් නිපදවිය නොහැක; ඔහු දෙන අංකය මායාවකි (Fabricated). දත්ත විද්යාඥයාගේම ගණනය කිරීම මගින් මෙට්රික් ලබා ගන්නේ ආකෘතිය ඇත්ත වශයෙන්ම පුහුණු කර පරීක්ෂා කිරීමෙන් පසුව පමණි. සත්යාපනය නොකළ ප්රතිදානය අත්සන් නොකළ වාර්තාවක් වැනිය.
2. 'ගිණුම් වැසීමට හේතුව' තීරුව චර්න් අනාවැකියක් සඳහා දත්ත රැස් කිරීමේදී ඇතුළත් වේ; මෙම තීරුව පුරවන්නේ පාරිභෝගිකයා පිටත්ව ගිය පසුව පමණි. මාදිලිය පරීක්ෂණ කට්ටලය මත 97% ලබා දෙයි, නමුත් නිෂ්පාදනයේ වැඩ නොකරයි. මෙම තත්වයේ නම සහ හේතුව කුමක්ද?
- A) අධික ලෙස ඉගෙනීම; ආකෘතිය ඉතා සංකීර්ණයි
- B) දත්ත කාන්දු වීම; ✔ පුරෝකථනය කරන අවස්ථාවේ ලබා ගත නොහැකි නමුත් ඉලක්කයේ ප්රතිඵලයක් වන තොරතුරු විශේෂාංගයක් ලෙස භාවිතා කිරීම
- C) ප්රමාණවත් ඉගෙනුම් නොලැබීම; ආකෘතිය ඉතා සරල ය
- D) තේරීම් නැඹුරුව; කුඩා නියැදි ප්රමාණය
පැහැදිලි කිරීම: මෙය සම්භාව්ය දත්ත කාන්දුවකි: 'වසා දැමීමේ හේතුව' ඉලක්කයේ ප්රතිඵලයක් වන අතර පුරෝකථනය කරන අවස්ථාවේදී තවමත් හිස්ව පවතී. ආකෘතිය මෙම අනාගත දැනුම සමඟ උපක්රමය කරයි, එය පරීක්ෂණ කට්ටලයේ විශිෂ්ට ලෙස පෙනෙන නමුත් එම තීරුව හිස් බැවින් නිෂ්පාදනයේදී කඩා වැටේ. පුරෝකථනය කරන අවස්ථාවේ මා සතුව එය තිබේද යන ප්රශ්නය සෑම තීරුවකටම ඇසිය යුතුය.
3. විශ්ලේෂකයෙකු ආදායම් තීරුවේ නැතිවූ අගයන් මධ්යන්යන් සමඟ පුරවයි; නමුත් අතුරුදහන් වූවන් ඇත්ත වශයෙන්ම අයත් වන්නේ කිසිදා ආදායමක් ප්රකාශ නොකළ (ක්රමානුකූල අතුරුදහන්) අඩු ආදායම්ලාභී කොටසට ය. මෙම පිරවීම වැරදි ඇයි?
- A) මධ්යන්යය සෑම විටම මධ්යයට වඩා වැඩි බැවින් එය වැරදිය
- B) නැතිවූ අගයන් කිසිවිටෙක පිරවිය යුතු නැත, ඒවා සැමවිටම මකා දැමිය යුතුය
- C) ක්රමානුකූල පරතරය මධ්යන්යයෙන් පිරවීමෙන් එම කණ්ඩායම කෘතිමව නියෝජනය කරමින් දත්ත විකෘති කරයි; ‘ඇයි හිස්ද?’ යන ප්රශ්නය නොඅසා පිරවීම සිදු විය. ✔
- D) සාමාන්යය ගණනය කිරීම මන්දගාමී වීම නිසා කාර්ය සාධන ගැටළුවක් ඇති කරයි
පැහැදිලි කිරීම: ඌනතාවයට හේතුව විසඳුම තීරණය කරයි. ක්රමානුකූලව අතුරුදහන් වීම (යම් කණ්ඩායමක සංකේන්ද්රණය වී ඇති පරතරය) සාමාන්යයෙන් පිරවූ විට එම කණ්ඩායම කෘත්රිමව 'සාමාන්ය ආදායමක්' බවට පත් වී දත්ත විකෘති වේ. එය පිරවීමට පෙර 'ඇයි හිස්' යන ප්රශ්නය ඇසිය යුතුය; ක්රමානුකූල/සැලකිය යුතු අතුරුදහන් මධ්යන්ය පිරවිය යුතු නැත.
4. කණ්ඩායමක් 'දැන්වීම් වියදම්' සහ 'විකුණුම්' අතර 0.78 සහසම්බන්ධයක් සොයා ගෙන අයවැය දෙගුණ කරයි; කෙසේ වෙතත්, ඇත්ත වශයෙන්ම දෙකම අවුලුවන්නේ සෘතුමය උද්ඝෝෂණ වේ. මෙම දෝෂය පැහැදිලි කරන සංඛ්යාලේඛනවල ඇති මූලධර්මය කුමක්ද?
- A) සහසම්බන්ධය හේතු නොවේ; සැඟවුණු තුන්වන විචල්යයක් විචල්ය දෙකටම බලපානු ඇත ✔
- B) 0.78 හි සහසම්බන්ධය ඉතා අඩු බැවින්, සම්බන්ධතාවය නොසලකා හැරිය යුතුය
- C) සහසම්බන්ධය සෑම විටම හේතුව ඔප්පු කරයි, කණ්ඩායම එය නිවැරදිව තේරුම් ගත්තා
- D) වෙළඳ ප්රචාරණය සහ විකුණුම් අතර සහසම්බන්ධය ගණිතමය වශයෙන් ගණනය කළ නොහැක.
පැහැදිලි කිරීම: සහසම්බන්ධය හේතුකාරක නොවේ. සැඟවුණු තුන්වන විචල්යයක් (මෙහි සෘතු ප්රචාරණ) ඒවා දෙකටම බලපාන නිසා විචල්ය දෙක එකට ක්රියා කළ හැක. එකක් අනෙකට හේතු වන බව නිගමනය කළ හැක්කේ අත්හදා බැලීම් සහ ක්ෂේත්ර දැනුමෙන් පමණි; සහසම්බන්ධතා ගණන පමණක් හේතුකාරක බවට සාක්ෂියක් නොවේ.
5. වංචා හඳුනාගැනීමේ ආකෘතියක් 99.2% නිරවද්යතාවයක් පෙන්නුම් කරන අතර කණ්ඩායම සමරයි; කෙසේ වෙතත්, දත්තවල ව්යාජ ගනුදෙනු අනුපාතය 0.8% ක් පමණක් වන අතර මාදිලියේ නැවත කැඳවීම 6% කි. මෙම වගුව පෙන්වන්නේ කුමක්ද?
- A) නිරවද්යතාවය 99% ට වඩා වැඩි නිසා ආකෘතිය පරිපූර්ණයි
- B) අසමතුලිත දත්ත සමඟ නිරවද්යතාවය නොමඟ යවයි; ආකෘතියට සියලුම ව්යාජ ඒවා මග හැරේ (අඩු නැවත කැඳවීම), සුදුසු මෙට්රික් බැලිය යුතුය ✔
- C) මාදිලිය නැවත කැඳවීම වැඩි බැවින් කිසිදු ගැටළුවක් නොමැත
- D) ෆේක් රේට් එක අඩු නිසා මොඩල් එකක් හදන්න ඕන වුනේ නෑ
පැහැදිලි කිරීම: අසමතුලිත දත්තවල 'නිරවද්යතාව' නොමඟ යවයි. ආකෘතිය සෑම ගනුදෙනුවක්ම පාහේ 'පිරිසිදු' ලෙස හැඳින්වූ විට, එය ඉහළ නිරවද්යතාවයක් ලබා ගනී, මන්ද ව්යාජ ඒවා ඉතා ස්වල්පයක් වන නමුත් එහි ප්රධාන අරමුණ වන ව්යාජ ඒවා අල්ලා ගැනීමට එය අපොහොසත් වේ (6% මතක තබා ගන්න). එබැවින්, අසමතුලිත ගැටළු වලදී, අවධානය යොමු වන්නේ නිරවද්යතාවය මත නොව, නැවත කැඳවීම / නිරවද්යතාවය වැනි රැකියාවේ අරමුණ සඳහා සුදුසු ව්යාකූල න්යාසය සහ ප්රමිතික වෙත ය.
6. ඉල්ලුම පුරෝකථනය කිරීමේ ව්යාපෘතියක, කාලය මත රඳා පවතින දත්ත අහඹු ලෙස පුහුණු/පරීක්ෂාවට බෙදා ඇත. ආකෘතිය 93% නිරවද්යතාවයක් ලබා දෙන නමුත් නිෂ්පාදනයේදී බිඳ වැටේ. නිවැරදි බෙදීමේ ප්රවේශය කුමක් විය යුතුද?
- A) පරීක්ෂණ කට්ටලය විශාල කිරීම, උදා. බෙදීම 50%/50%
- B) වඩාත් සංකීර්ණ ආකෘතියක් භාවිතා කිරීම
- C) කොටස සම්පූර්ණයෙන්ම ඉවත් කර සියලු දත්ත සමඟ පුහුණු කරන්න
- D) කාලානුක්රමික බෙදීම: පැරණි කාල පරිච්ඡේදය සමඟ පුහුණු කිරීම සහ නව කාල පරිච්ඡේදය සමඟ පරීක්ෂා කිරීම, එමඟින් ආකෘතිය අනාගතය දැකීම වළක්වයි ✔
පැහැදිලි කිරීම: කාල ශ්රේණියේ දත්තවල අහඹු බෙදීම සිදු කරන්නේ නම්, ආකෘතිය අනාගතය දකින අතර පුහුණුවේදී අතීතය පුරෝකථනය කරයි; එය කාන්දුවක් වන අතර ඇත්ත වශයෙන්ම නොපවතින සාර්ථකත්වයක් ඇති කරයි. නිවැරදි ප්රවේශය වන්නේ කාලානුක්රමික බෙදීමයි: පැරණි කාල පරිච්ඡේදය සමඟ පුහුණුව සහ නව කාල පරිච්ඡේදය සමඟ පරීක්ෂා කිරීම, නිෂ්පාදනයේ සැබෑ තත්වය අනුකරණය කිරීම (අතීතයේ සිට අනාගතය දක්වා පුරෝකථනය කිරීම).
7. විශේෂාංග ඉංජිනේරු විද්යාවේදී පරිමාණය කිරීමේ (StandardScaler) පරාමිතීන් ගණනය කළ යුත්තේ කුමන දත්තවලින්ද සහ ඒවා යෙදිය යුත්තේ කෙසේද?
- A) එය වඩාත් නිවැරදි වන පරිදි සියලුම දත්ත වලින් (පුහුණුව + පරීක්ෂා කිරීම) ගණනය කළ යුතුය
- B) එය එක් එක් පේළිය සඳහා එම පේළියේම අගයෙන් වෙන වෙනම ගණනය කළ යුතුය
- C) පරීක්ෂණ දත්ත වලින් පමණක් ගණනය කළ යුතුය
- D) එය ගණනය කළ යුත්තේ පුහුණු දත්ත වලින් පමණි, පසුව එම පරාමිතීන් පරීක්ෂණ දත්ත සඳහා යෙදිය යුතුය; එසේ නොමැතිනම් එය කාන්දු වනු ඇත ✔
පැහැදිලි කිරීම: පරිමාණ කිරීම, කේතනය කිරීම සහ පිරවුම් කිරීම වැනි සියලුම පරිවර්තනවල පරාමිතීන් (මධ්යන්ය, සම්මත අපගමනය, ආදිය) පුහුණු දත්ත වලින් පමණක් ඉගෙන ගත යුතු අතර පසුව එයම පරීක්ෂණ දත්ත සඳහාද යෙදිය යුතුය. පරීක්ෂණ දත්ත සැලකිල්ලට ගැනීමෙන් පරීක්ෂණ තොරතුරු පුහුණුවට බාධා කිරීමට, එනම් කාන්දු වීමට සහ ආකෘතියට වඩා හොඳ පෙනුමක් ඇති කරයි. නල මාර්ගය භාවිතා කිරීම මෙය සහතික කරයි.
8. ආකෘතියක් පුහුණු කට්ටලය මත 98% නිරවද්යතාවයක් සහ පරීක්ෂණ කට්ටලය මත 72% නිරවද්යතාවයක් ලබා දෙයි. මෙම රෝග ලක්ෂණය පෙන්නුම් කරන්නේ කුමක්ද සහ කුමක් කළ යුතුද?
- A) ප්රමාණවත් ඉගෙනීමක් නොමැතිකම; ආකෘතිය වඩාත් සංකීර්ණ කළ යුතුය
- B) දත්ත කාන්දු වීම; පරීක්ෂණ කට්ටලය වෙනස් කළ යුතුය
- C) අධික ලෙස සවි කිරීම; ආකෘතිය සරල කළ යුතුය, විධිමත් කිරීම සහ හරස් වලංගුකරණය යෙදිය යුතුය ✔
- D) සාමාන්ය තත්වයක්; කෙසේ වෙතත් අධ්යාපන ලකුණු සෑම විටම ඉහළයි, පූර්වාරක්ෂාව අනවශ්යයි
පැහැදිලි කිරීම: පුහුණුවේ දී ඉතා ඉහළ ලකුණු සහ පරීක්ෂණ වලදී සැලකිය යුතු ලෙස අඩු ලකුණු අධික ලෙස ගැලපීමේ සම්භාව්ය රෝග ලක්ෂණයකි: ආකෘතිය සැබෑ රටාවට වඩා පුහුණු දත්තවල ශබ්දය කටපාඩම් කර ඇත. විසඳුම් අතර ආකෘතිය සරල කිරීම, වැඩි දත්ත, විධිමත් කිරීම සහ හරස් වලංගුකරණය සමඟ තත්වය සත්යාපනය කිරීම ඇතුළත් වේ. අධ්යාපනයේ ලකුණු මත පමණක් විශ්වාසය තැබීම මෙම අන්තරාය සඟවයි.
9. කළමනාකරණ ඉදිරිපත් කිරීමකදී, විකුණුම් 1,000 සිට 1,020 දක්වා වැඩි වන තීරු ප්රස්ථාරයක y-අක්ෂය 980 ට ආරම්භ කර වැඩි වීම විශාල ලෙස පෙනේ. සැබෑ වැඩිවීම 2% කි. මෙය සදාචාරාත්මක ගැටලුවක් වන්නේ ඇයි?
- A) කප්පාදු කරන ලද y-අක්ෂයක් දෘශ්යමය වශයෙන් කුඩා වෙනසක් අතිශයෝක්තියට නංවන අතර නරඹන්නා නොමඟ යවයි; සාධාරණත්වය සඳහා, සංසන්දනාත්මක තීරු වල අක්ෂය 0 ✔ වලින් ආරම්භ විය යුතුය
- B) විකුණුම් දත්ත සඳහා තීරු ප්රස්ථාර කිසි විටෙක භාවිතා කළ නොහැක
- ඇ) කිසිදු ගැටළුවක් නොමැත; ප්රස්ථාරය ආකර්ෂණීය පෙනුමක් ඇති කිරීම සැමවිටම හොඳය
- D) Y-අක්ෂය සෑම විටම දත්තවල විශාලතම අගයෙන් ආරම්භ විය යුතුය
පැහැදිලි කිරීම: සංසන්දනාත්මක අරමුණු සඳහා තීරු ප්රස්ථාරවල, y-අක්ෂය සාමාන්යයෙන් 0 න් ආරම්භ විය යුතුය. අක්ෂය කපා 980 න් ආරම්භ කිරීමෙන් කුඩා 2% වෙනසක් දෘශ්යමය වශයෙන් විශාල ලෙස පෙනෙන අතර නරඹන්නා නොමඟ යවයි. දත්ත වෘත්තිකයාගේ සදාචාරාත්මක වගකීම වන්නේ දත්ත අධිතක්සේරු නොකරන හෝ අවතක්සේරු නොකරන අවංක ප්රස්ථාර ඇඳීමයි.
10. නිෂ්පාදන වගුව සමඟ ඇණවුම් සම්බන්ධ වීමෙන් පසු විශ්ලේෂකයෙකු මුළු පිරිවැටුම 3 වතාවක් සොයා ගනී; පේළි ගණන 240,000 සිට 690,000 දක්වා වැඩි විය. මෙම නිහඬ දෝෂය වැළැක්වීම සඳහා කළ යුතුව තිබුණේ කුමක්ද?
- A) මුළු පිරිවැටුම 3න් බෙදන්න
- B) JOIN වෙනුවට සෑම විටම වෙනම විමසුම් භාවිතා කරන්න
- C) නිෂ්පාදන වගුව සම්පූර්ණයෙන්ම මකා දැමීම
- D) ඒකාබද්ධ කිරීම/JOIN කිරීමෙන් පසු පේළි ගණන පරීක්ෂා කර ඒවා නිවැරදි යතුර හරහා සම්බන්ධ වී ඇති බව තහවුරු කිරීම; ඉක්මනින් අනුකරණය අල්ලා ගැනීම ✔
පැහැදිලි කිරීම: නිෂ්පාදන වගුවේ එක් එක් නිෂ්පාදනය සඳහා පේළි කිහිපයක් (උදාහරණයක් ලෙස විවිධ වර්ණ) ඇති විට, වැරදි යතුර හරහා සම්බන්ධ වීම එක් එක් ඇණවුම අනුපිටපත් කර මුළු එකතුව වැඩි කරයි. කේතය දෝෂයකින් තොරව ක්රියාත්මක වන නමුත් ප්රතිඵලය වැරදියි. මෙය වළක්වා ගත හැකි ක්රමය නම් එක් එක් ඒකාබද්ධ කිරීම්/JOIN වලින් පසු පේළි ගණන පරීක්ෂා කර නිවැරදි යතුර සමඟ ඒකාබද්ධ කිරීමයි.
11. බඳවාගැනීම් පිරික්සීමේ ආකෘතියක් ඓතිහාසික දත්තවල ස්ත්රී පුරුෂ අසමතුලිතතාවය ගැන ඉගෙන ගන්නා අතර ක්රමානුකූලව කාන්තා අපේක්ෂකයින්ගේ ලකුණු යටතේ, නමුත් එහි සමස්ත නිරවද්යතාවය ඉහළය. මෙමගින් කුමක් වෙයිද?
- A) ආකෘතියේ ඉහළ නිරවද්යතාවක් ඇති නිසා කිසිදු ගැටළුවක් නොමැත
- B) Statistical accuracy is not a substitute for ethical acceptability; නිරූපිකාව අතීත වෙනස්කම් කිරීම් ගැන ඉගෙන ගෙන ඇත, කණ්ඩායම් පදනම් සාධාරණත්වය පරීක්ෂා කිරීම අවශ්ය වේ ✔
- C) ආකෘතියේ නිරවද්යතාව තවදුරටත් වැඩි කිරීම ගැටළුව විසඳයි
- D) සාධාරණත්වය දත්ත විද්යාවේ විෂය පථයෙන් පිටත ය
Explanation: Even if a model is statistically correct, it may be ethically unacceptable. ආකෘතිය අතීත දත්තවල අසාධාරණය ඉගෙන ගන්නා අතර වෙනස්කොට සැලකීම ස්වයංක්රීය කරයි. ඉහළ අඛණ්ඩතාව යුක්තිය සඳහා ආදේශකයක් නොවේ; ඉහළ බලපෑමක් ඇති ආකෘතිවලදී, විවිධ කණ්ඩායම් සඳහා කාර්ය සාධනය/තීරණ වෙනස මනින සාධාරණ පාලනය අත්යවශ්ය වන අතර අවසාන වගකීම මිනිසා වෙත පැවරේ.
12. සේවකයෙක් සැබෑ පාරිභෝගික ඊමේල් සහ මිලදී ගැනීමේ ඉතිහාසය අඩංගු ගොනුවක් පොදු AI මෙවලමකට උඩුගත කර 'කොටස් සාරාංශ කරන්න' කියයි. මෙය බරපතල වැරැද්දක් වන්නේ ඇයි සහ නිවැරදි මාර්ගය කුමක්ද?
- A) කිසිදු ගැටළුවක් නොමැත; AI මෙවලම් කිසි විටෙකත් දත්ත ගබඩා නොකරයි
- B) දෝෂය වන්නේ ගොනුව ඉතා විශාල වීමයි; අඩු කළ යුතුව තිබුණි
- C) විවෘත මෙවලමකට සැබෑ පුද්ගලික දත්ත සැපයීම KVKK/GDPR උල්ලංඝනය කිරීමකි; අනන්යතා ක්ෂේත්ර ඉවත් කර තිබිය යුතු අතර නිර්නාමික ක්රම/දේපල පමණක් බෙදා ගත යුතුය ✔
- D) Excel වෙනුවට CSV භාවිතා කළ යුතුව තිබුණි
පැහැදිලි කිරීම: ප්රසිද්ධියේ ලබා ගත හැකි කෘතිම බුද්ධි මෙවලමකට සැබෑ පුද්ගලික දත්ත (ඊමේල්, නම, ආදිය) ලබා දුන් විට, KVKK / GDPR හි විෂය පථය තුළ රහස්යතා උල්ලංඝනයක් සිදුවනු ඇත; දත්ත සංවිධානයෙන් ඉවත් වේ. බොහෝ විට, විශ්ලේෂණය සඳහා රූප සටහනක් සහ නිර්නාමික / කෘතිම සාම්පලයක් ප්රමාණවත් වේ. නිවැරදි ක්රමය නම් අනන්යතා ක්ෂේත්ර ඉවත් කර නිර්නාමික දේපල පමණක් බෙදා ගැනීමයි.
13. නිර්දේශ ආකෘතියක් නිෂ්පාදනයට යොදවා ඇති නමුත් ලුහුබැඳීම ස්ථාපිත කර නොමැත; මාස 4 කට පසු නිෂ්පාදන නාමාවලිය වෙනස් වන විට, ආකෘතිය පැරණි නිෂ්පාදන නිර්දේශ කිරීම දිගටම කරගෙන යන අතර පරිවර්තන අනුපාතය නිහඬව 30% කින් පහත වැටේ. මෙම සංසිද්ධියෙහි නම කුමක්ද?
- A) අධික ලෙස ඉගෙනීම; ආකෘතිය පුහුණු කට්ටලය කටපාඩම් කරයි
- B) ආදර්ශ ප්ලාවිතය; ලෝකය වෙනස් වන විට, මොඩලය නිශ්ශබ්දව, අවධානයට ලක් නොවී යල්පැන යයි, මන්දයත් අධීක්ෂණය ස්ථාපිත කර නොමැති නිසා ✔
- C) තේරීම් නැඹුරුව; නියැදි නැඹුරුව
- D) දත්ත අවම කිරීම උල්ලංඝනය කිරීම
පැහැදිලි කිරීම: මෙය ආදර්ශ ප්ලාවිතය (ආකෘතිය/දත්ත ප්ලාවිතය): ලෝකය වෙනස් වන විට (නාමාවලිය, හැසිරීම, වාරය) ආකෘතිය පුහුණු කළ කොන්දේසි වෙනස් වන අතර ආකෘතිය නිහඬව බිඳ වැටේ. නිෂ්පාදනයට දැමූ ආකෘතියක් තනිවම පිරිහී යයි; එය 'කවදාද' යන කාරණයකි. අධීක්ෂණයකින් තොරව යෙදවීම (ආදානය සහ කාර්ය සාධනය ලුහුබැඳීම) පිරිහීම හඳුනා ගැනීමට නොහැකි වේ.
14. තනි පුහුණු/පරීක්ෂණ බෙදීමකදී 88% නිරවද්යතාවයක් ලබා ගන්නා ආකෘතියකට 88%, 71%, 83%, 64%, 79% යන 5 ගුණයක හරස් වලංගු කිරීමේ ලකුණු ඇත. මෙයින් ඇඟවෙන්නේ කුමක්ද සහ හරස් වලංගු කිරීම වැදගත් වන්නේ ඇයි?
- A) ආකෘතිය ස්ථාවර වේ; 88% සැබෑ කාර්ය සාධනයයි
- B) හරස් වලංගු කිරීම අනවශ්යය; එක් මැදිරියක් ප්රමාණවත්ය
- C) ලකුණු වල විශාල අස්ථාවරත්වය පෙන්නුම් කරන්නේ ආකෘතිය අස්ථායී බවයි; හරස් වලංගුකරණය පදනම් වන්නේ බහු භාජන වල සාමාන්ය සහ බෙදාහැරීමේ කාර්ය සාධනය මිස එක වාසනාවන්ත බඳුනක් නොවේ ✔
- D) ඉහළම ලකුණු වාර්තා කිරීම වඩාත් සුදුසුය (88%)
පැහැදිලි කිරීම: තනි මැදිරියක් වාසනාවන්ත හෝ අවාසනාවන්ත විය හැක; 88% ඒ පහසු බෙදීමේ ප්රතිඵලයක් පමණයි. හරස් වලංගුකරණය දත්ත කිහිප වතාවක් බෙදයි, කාර්ය සාධනය මධ්යන්යය (මෙහි ~77%) මත පදනම්ව සහ ලකුණුවල අස්ථාවරත්වය පෙන්වයි. මෙහි ඉහළ අස්ථාවරත්වය පෙන්නුම් කරන්නේ ආකෘතිය අස්ථායී බවයි; තනි මැදිරියක් මත යැපීම නොමඟ යවන සුළුය.