தரவுத் தயாரித்தல் மற்றும் சிறப்புப் பொறியியல்: செயற்கை நுண்ணறிவுடன் செயல் தரவுகளைக் கையாளுதல்

ஆதாயங்கள்:

• செயற்கை நுண்ணறிவு ஆதரவுடன், தொலைந்து போன மதிப்புகள், அவுட்லையர்கள், வெளிப்பாடு மற்றும் தரவுத் தரச் சிக்கல்களைக் கண்டறிந்து திருத்தும் வரைவை உருவாக்கும் திறன்
• சிறப்புப் பொறியியல் (புதிய மாறி வழித்தோன்றல், குழுவாக்கம், குறியீட்டு முறை) மற்றும் சரியான சூழலுடன் செயற்கை நுண்ணறிவுக்கான வெளிப்பாடு இயல்பாக்கம்
• செயற்கை நுண்ணறிவால் பரிந்துரைக்கப்படும் தரவு மாற்றங்கள், தரவு கசிவு மற்றும் மறைக்கப்பட்ட சார்பு அபாயத்திற்கு எதிராக ஒரு ஆக்சுவரி மூலம் தணிக்கை செய்யப்பட வேண்டும் என்பதை புரிந்து கொள்ளுங்கள்.

ஆக்சுவேரியல் வேலைகளில் குறைவாகப் பேசப்பட்ட ஆனால் அதிக நேரத்தைச் செலவழிக்கும் பகுதி தரவுத் தயாரிப்பு ஆகும். மாடலிங் திட்டத்தின் பெரும்பாலான நேரம் தரவை சுத்தம் செய்வதற்கும், இணைப்பதற்கும், திருத்துவதற்கும் செலவிடப்படுகிறது என்பதை அனுபவம் வாய்ந்த செயல்வீரர்கள் அறிவார்கள். எவ்வளவு நேர்த்தியான மாதிரியாக இருந்தாலும், உள்ளீட்டுத் தரவு சிதைந்திருந்தால், வெளியீடு சிதைந்திருக்கும் - சுருக்கமாக, "குப்பை உள்ளே, குப்பை வெளியே." இந்த யூனிட்டில், கொள்கை மற்றும் உரிமைகோரல் தரவுகளின் பொதுவான சிக்கல்கள், AI மூலம் அவற்றை எவ்வாறு கண்டறிந்து சரிசெய்வது, மற்றும் அம்சப் பொறியியல் (தற்போதுள்ள தரவுகளில் இருந்து அதிகத் தகவலைப் பெற்ற புதிய மாறிகள்) அணுகுமுறை ஆகியவற்றைப் பார்ப்போம்.

ஆரம்பத்திலிருந்தே ஒரு எச்சரிக்கை: தரவுத் தயாரிப்பு என்பது தொழில்நுட்ப மற்றும் அப்பாவித்தனமான படியாகும், ஆனால் இங்குதான் மிகவும் ஆபத்தான பிழைகள் மறைக்கப்படுகின்றன. தவறான வெளிப்பாடு இயல்பாக்கம், மறைக்கப்பட்ட தரவு கசிவு அல்லது அறியாமல் அறிமுகப்படுத்தப்பட்ட சார்பு ஆகியவை அனைத்து அடுத்தடுத்த மாடல்களையும் அமைதியாக சிதைக்கிறது. AI இந்த படிநிலையை பெரிதும் துரிதப்படுத்துகிறது, ஆனால் கட்டுப்பாடில்லாமல் விட்டால், அது ஆபத்தையும் பெரிதாக்குகிறது.

உண்மையான தரவுகளின் பொதுவான சிக்கல்கள்

கொள்கை மற்றும் உரிமைகோரல் தரவு கிட்டத்தட்ட சுத்தமாக வராது. மிகவும் பொதுவான சிக்கல்கள்: மதிப்புகள் இல்லை: சில பாலிசிகள் வெற்று வாகன வயது, தொழில் அல்லது பிராந்தியத்தைக் கொண்டுள்ளன. குருட்டுத்தனமாக இவற்றை சராசரியாக நிரப்புவது சார்புநிலையை உருவாக்கலாம்; குறைபாடு சில நேரங்களில் தகவலைக் கொண்டு செல்கிறது (காணாமல் போனவர்கள் வேறு குழு). அவுட்லியர்ஸ்: எதிர்மறை பிரீமியம், 200 ஆண்டுகள் பழமையான காப்பீடு, பூஜ்ஜிய-வெளிப்பாடு பாலிசி போன்ற நியாயமற்ற பதிவுகள். இவை தரவுப் பிழைகளா அல்லது உண்மையான விளிம்பு நிகழ்வுகளா என்பதை வேறுபடுத்திப் பார்க்க வேண்டும். முரண்பாடு: ஒரே பிராந்தியத்தின் வெவ்வேறு எழுத்துப்பிழைகள் ("இஸ்தான்புல்", "இஸ்தான்புல்", "34"), தேதி வடிவமைப்பு குழப்பம். நகல் உள்ளீடுகள்: ஒரே சேதத்தின் நுழைவு இரண்டு முறை.

ஆனால் ஆக்சுவேரியலுக்கு மிகவும் முக்கியமான பிரச்சினை வெளிப்பாடு ஆகும். ஒரு பாலிசி ஆண்டின் நடுப்பகுதியில் தொடங்கினால், அது அந்த ஆண்டிற்கான ஒரு பகுதியளவு வெளிப்பாட்டை (எ.கா. 0.5 ஆண்டுகள்) வழங்குகிறது, முழு "கொள்கை-ஆண்டு" அல்ல. அதிர்வெண் மற்றும் சேத விகிதங்கள் எப்போதும் வெளிப்பாட்டிற்கு இயல்பாக்கப்பட வேண்டும்; இல்லையெனில் குறுகிய கால கொள்கைகள் அதிக ஆபத்தில் இருக்கும். AI வெளிப்பாடு கணக்கீட்டை குறியிட முடியும், ஆனால் நீங்கள் வரையறை மற்றும் வணிக விதியை வழங்க வேண்டும்.

பின்வரும் அட்டவணை பொதுவான சிக்கல்களையும் சரியான அணுகுமுறையையும் சுருக்கமாகக் கூறுகிறது:

பிரச்சனை

தவறான அணுகுமுறை

சரியான அணுகுமுறை

மதிப்பு இல்லை

அனைத்தையும் சராசரியாக நிரப்பவும்

குறைபாட்டை பகுப்பாய்வு செய்யுங்கள்; சில நேரங்களில் ஒரு தனி வகையைத் திறக்கவும்

வெளிப்புற

தானாக நீக்குதல்

தரவு பிழை மற்றும் உண்மையான முன்னணி ஆகியவற்றை வேறுபடுத்துங்கள்

வெளிப்பாடு

1 வருடத்திற்கான அனைத்து பாலிசிகளையும் எண்ணுங்கள்

பகுதியளவு வெளிப்பாட்டைக் கணக்கிடுங்கள்

வகை முரண்பாடு

புறக்கணிக்க

நிலையான அகராதியுடன் பொருத்தவும்

தொடர்ச்சியான சேதம்

கவனிக்க வேண்டாம்

முக்கிய புலங்களுடன் நகலெடுக்கவும்

சிறப்புப் பொறியியல்: தரவுகளிலிருந்து அறிவைப் பெறுதல்

தற்போதுள்ள மூல மாறிகளிலிருந்து மாதிரிக்கு மிகவும் பயனுள்ளதாக இருக்கும் புதிய மாறிகளைப் பெறுவதற்கான கலை அம்சம் பொறியியல் ஆகும். எடுத்துக்காட்டுகள்: பிறந்த தேதியிலிருந்து "வயது", வயதிலிருந்து "வயதுக் குழு" (பின்னிங்), வாகன தயாரிப்பு மாதிரியிலிருந்து "ஆபத்துப் பிரிவு", முகவரி-கொள்கை கலவையிலிருந்து "ஆண்டு மைலேஜ் மதிப்பீடு". ஒரு நல்ல அம்சம் மூலத் தரவை விட வலுவான சமிக்ஞையைக் கொண்டுள்ளது மற்றும் மாதிரியின் துல்லியம் மற்றும் விளக்கம் இரண்டையும் அதிகரிக்கிறது.

மூன்று உத்திகள் அடிக்கடி செயல்பாட்டில் பயன்படுத்தப்படுகின்றன. பிணைப்பு: தொடர்ச்சியான மாறியை (வயது) அர்த்தமுள்ள குழுக்களாகப் பிரித்தல்; இது நேரியல் அல்லாத உறவுகளைப் பிடிக்கிறது மற்றும் கட்டணத்தைப் படிக்கக்கூடியதாக ஆக்குகிறது. குறியாக்கம்: வகைப்படுத்தப்பட்ட மாறிகளை (பிராந்தியத்தை) மாதிரிக்கு ஏற்ற எண் வடிவமாக மாற்றுதல்; இடர் அடிப்படையிலான குறியீட்டு முறை (ஒவ்வொரு வகையையும் அதன் சொந்த சேத விகிதத்துடன் குறிக்கும்) பொதுவானது ஆனால் எச்சரிக்கையுடன் செய்யப்பட வேண்டும். இயல்பாக்கம்: எல்லாவற்றையும் அதன் வெளிப்பாட்டால் பிரிப்பதன் மூலம் ஒப்பிடக்கூடியதாக ஆக்குகிறது. AI இந்த மாற்றங்களுக்கான குறியீட்டை விரைவாக உருவாக்குகிறது; ஆனால் ஒவ்வொரு மாற்றத்தின் தர்க்கத்தையும் நீங்கள் அங்கீகரிக்க வேண்டும்.

உதவிக்குறிப்பு: இலக்கு குறியாக்கம் சக்தி வாய்ந்தது ஆனால் தரவு கசிவு ஏற்பட வாய்ப்புள்ளது: ஒரு வகையின் சராசரி சேதத்தை கணக்கிடும் போது ஒரு வரிசையின் சொந்த சேதத்தை நீங்கள் சேர்த்தால் மாதிரி "ஏமாற்றுகிறது". பயிற்சி தரவுகளுக்குள், குறுக்கு சரிபார்ப்பு முறையில் எப்போதும் இதைச் செய்யுங்கள்.

மிகவும் நயவஞ்சகமான ஆபத்து: தரவு கசிவுகள் மற்றும் மறைமுகமான சார்பு

தரவு கசிவு என்பது கணிப்பு நேரத்தில் உண்மையில் இல்லாத மாதிரியில் தகவல்களை அறிமுகப்படுத்துவதாகும். கிளாசிக் உதாரணம்: க்ளைம் தொகையை முன்னறிவிக்கும் மாதிரியில் "பணம் செலுத்தப்பட்ட உரிமைகோரல்கள்" போன்ற விளைவுகளைக் கொண்ட மாறியை அறிமுகப்படுத்துதல். சோதனைத் தரவில் இந்த மாதிரி சரியானதாகத் தெரிகிறது ஆனால் நிஜ உலகில் பயனற்றது, ஏனெனில் அந்தத் தகவல் கணிக்கும் நேரத்தில் கிடைக்காது. கசிவுகள் பெரும்பாலும் மறைக்கப்பட்டு, கவனமாக செயல்படும் பகுத்தறிவால் மட்டுமே பிடிக்கப்படும் - AI பொதுவாக கவனிக்காது, சில நேரங்களில் கசிவு மாறியை "மிகவும் சக்திவாய்ந்த முன்கணிப்பு" என்று பாராட்டுகிறது.

இரண்டாவது நயவஞ்சக ஆபத்து மறைமுக சார்பு. வரலாற்றுத் தரவு ஒரு குறிப்பிட்ட குழுவை நியாயமற்ற முறையில் பிரதிநிதித்துவப்படுத்தினால் (உதாரணமாக, ஒரு பகுதி வரலாற்று ரீதியாக பல கொள்கைகளை மறுத்துள்ளது), அந்தத் தரவிலிருந்து பெறப்பட்ட அம்சங்கள் அந்தச் சார்பைக் கொண்டு செல்லும் மற்றும் மாதிரியானது எதிர்காலத்தில் அதைப் பிரதிபலிக்கிறது. அம்சப் பொறியியல் கட்டம் என்பது இந்த சார்புநிலையை அடையாளம் கண்டு திருத்தக்கூடிய மிக முக்கியமான தருணமாகும்.

எச்சரிக்கை: ஒரு மாறி “முன்கணிப்பு ஆற்றலை அபரிமிதமாக மேம்படுத்தும்” போது நீங்கள் மகிழ்ச்சியடைவதற்கு முன், கேளுங்கள்: இந்த மாறி உண்மையில் கணிப்பு நேரத்தில் இருக்கிறதா அல்லது எதிர்காலத்தை உள்ளடக்கியதா? மிகவும் அழகாக இருக்கும் முடிவு பெரும்பாலும் கசிவுக்கான அறிகுறியாகும்.

தரவு தயாரிப்பில் AI ஐ எவ்வாறு பயன்படுத்துவது

1) தரவு தரத் திரையிடல்:

உங்கள் பங்கு: தரவு தர உதவியாளர். உங்களிடம் நடைமுறைக் கொள்கை விளைச்சல் உள்ளது. நெடுவரிசைகள்: பாலிசி_ஐடி, தொடக்க_தேதி, முடிவு_தேதி, வயது, மண்டலம், வாகன_வயது, பிரீமியம், கிளைம்_கணக்கு, உரிமைகோரல்_தொகை. எனக்கு ஒரு சரிபார்ப்பு பட்டியல் மற்றும் பைதான் (பாண்டாஸ்) குறியீட்டு ஓவியத்தை கொடுங்கள்:- விடுபட்ட மதிப்புகளை நெடுவரிசை வாரியாக எண்ணவும்.- நியாயமற்ற மதிப்புகளைக் கொடியிடவும் (எதிர்மறை பிரீமியம் > வயது <06, <06 எண்டி, 1 வயது). தொடக்கம்/முடிவில் இருந்து பகுதியளவு வெளிப்பாடு (ஆண்டுகளில்) நீக்க வேண்டாம்; அதைப் புகாரளிக்கவும், அதனால் நான் முடிவு செய்யலாம்.

2) அம்ச வழித்தோன்றல்:

எனது ட்ராஃபிக் தரவிலிருந்து புதிய அம்சங்களைப் பெற விரும்புகிறேன். கிடைக்கும்: வயது, வாகனம்_வயது, மண்டலம், வருடாந்திர_கிமீ, பயன்பாட்டு_வகை.- எந்த வயது மற்றும் கிமீ குழுக்களை (பின்னிங்) நீங்கள் பரிந்துரைக்கிறீர்கள், ஏன்?- தரவு கசிவு இல்லாமல் 'பிராந்தியத்திற்கு' ஆபத்து அடிப்படையிலான குறியீட்டை நான் எப்படி செய்வது?- ஒவ்வொன்றுக்கும் உண்மையான நியாயத்தை எழுத முயற்சி செய்ய வேண்டிய 3 புதிய அம்சங்களை பரிந்துரைக்கவும். நான் முடிவு செய்வேன்.

3) கசிவு ஆய்வு:

எனது மாதிரியானது பின்வரும் மாறிகள் மூலம் சேதத்தின் சாத்தியத்தை கணித்துள்ளது: வயது, பகுதி, வாகன_வயது, PAID_CLAIM_FLAG, SETTLEMENT_DAYS. இந்த மாறிகளில் எது தரவு கசிவு அபாயத்தை ஏற்படுத்துகிறது? ஒவ்வொன்றிற்கும், கணிப்பு நேரத்தில் அது கிடைக்குமா என்பதை மதிப்பீடு செய்யவும். சந்தேகத்திற்கிடமானவை மற்றும் ஏன் என்று பட்டியலிடுங்கள்.

4) வெளிப்பாடு இயல்பாக்கம்:

எனது சில பாலிசிகள் ஆண்டின் நடுப்பகுதியில் தொடங்கும். அதிர்வெண்ணைச் சரியாகக் கணக்கிட, வெளிப்பாடு இயல்பாக்கத்தை விளக்கி, குறியிடவும்: அதிர்வெண் = மொத்த உரிமைகோரல்_ எண்ணிக்கை / மொத்த வெளிப்பாடு (கொள்கை-ஆண்டு). ஆண்டின் நடுப்பகுதியில் தொடங்கும் பாலிசியின் வெளிப்பாட்டைக் கணக்கிடுவது எப்படி என்பதை உதாரணத்துடன் காட்டுங்கள்.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

தரவை சுத்தம் செய்து, மாதிரிக்கு தயார் செய்யுங்கள்.

AI க்கு எந்த நெடுவரிசை தெரியாது, வணிக விதிகள், வெளிப்பாடு வரையறை; இது தரவுகளை கண்மூடித்தனமாக நீக்கலாம் மற்றும் நிரப்பலாம் மற்றும் சிதைக்கலாம்.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: உண்மையான தரவுத் தயாரிப்பு உதவியாளர். தரவு அகராதி: கொள்கை_ஐடி (அடையாளம்), தொடக்க/முடிவு_தேதி (கொள்கை காலம்), வயது (எதிர்பார்க்கப்படும் 16-90), பிரீமியம் (>0 ஆக இருக்க வேண்டும்), claim_count (>=0), claim_amount (>=0).பணி: 1) ஒவ்வொரு நெடுவரிசைக்கும் நியாயமான விதியைக் கணக்கிடுதல் (GFRA) விதிமீறல் 2 மற்றும் REPORT குறியீடு) வெளிப்பாடு.3) 'வயது' (நீக்குதல்) காணாமல் போவதற்கு 3 வெவ்வேறு உத்திகள். / சராசரி / தனி வகை) பிளஸ்-மைனஸுடன் உள்ளது; முடிவை என்னிடம் விடுங்கள். 4) கசிவு ஏற்படும் அபாயத்தை ஏற்படுத்தக்கூடிய நெடுவரிசை இருந்தால் எச்சரிக்கவும். எந்தவொரு பதிவையும் தானாக நீக்குதல்; ஒவ்வொரு முடிவையும் நான் ஆமோதிப்பேன்.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - வெளிப்பாடு பிழை. ஒரு போர்ட்ஃபோலியோவில், குறுகிய கால (3-மாதம்) பயணக் கொள்கைகள் முழு வருடங்களாகக் கணக்கிடப்பட்டன, எனவே அதிர்வெண் உண்மையில் இருந்ததை விட நான்கு மடங்கு குறைவாகத் தோன்றியது; விலை தவறாக சரிந்தது. ஆக்சுவரி வெளிப்பாட்டை ஒரு பின்னமாக (0.25 பாலிசி-ஆண்டு) கணக்கிட்டபோது, ​​உண்மையான அதிர்வெண் வெளிப்படுத்தப்பட்டது மற்றும் கட்டணம் சரி செய்யப்பட்டது. AI ஆனது பகுதி வெளிப்பாடு குறியீட்டை உருவாக்கியது; ஆக்சுவரி வரையறை கொடுத்தது.

வழக்கு 2 - மறைந்த கசிவு. ஒரு உதவியாளர் சேத நிகழ்தகவு மாதிரியில் “கோப்பு மூடும் நேரம்” மாறியைச் சேர்த்தபோது, ​​துல்லியம் வியத்தகு அளவில் அதிகரித்தது. மகிழ்ச்சி குறுகிய காலமாக இருந்தது: சேதம் ஏற்பட்ட பின்னரே இந்த மாறியை அறிய முடியும், அதாவது கணிப்பு நேரத்தில் அது கிடைக்கவில்லை. கசிவு மாறி அகற்றப்பட்டபோது, ​​மாதிரி ஒரு யதார்த்த நிலைக்கு குறைந்தது. அவர் AI மாறியை "சக்திவாய்ந்த முன்கணிப்பு" என்று பாராட்டினார்; ஆக்சுவரியின் தீர்ப்பு பொறியில் சிக்கியது.

வழக்கு 3 - சார்பின் பிரதிபலிப்பு. ஒரு நிறுவனம் வரலாற்றுத் தரவுகளிலிருந்து "விண்ணப்ப நிராகரிப்பு" முறையைப் பெற்று புதிய மாடலில் வைத்தது. கடந்தகால நிராகரிப்புகள் ஒரு குறிப்பிட்ட சுற்றுப்புறத்தில் விகிதாசாரமாக குவிந்திருந்தன என்பதை பகுப்பாய்வு காட்டுகிறது, அதாவது ஒரு வரலாற்று சார்பு இருந்தது. இந்த அம்சம் மாடலில் இருந்து அகற்றப்பட்டு மேலும் நடுநிலையான இடர் குறிகாட்டிகளுடன் மாற்றப்பட்டது. AI ஆனது அக்கம்பக்கத்துடன் முறையின் மேலோட்டத்தை அளவிடும் பகுப்பாய்வை உருவாக்கியது; நெறிமுறை முடிவு ஆக்சுவரி மற்றும் இணக்க அலகு மூலம் எடுக்கப்பட்டது.

பொதுவான தவறுகள்

• காணாமல் போன மதிப்புகளை சிந்திக்காமல் சராசரியுடன் நிரப்புதல். இல்லாமையே அறிவாக இருக்கலாம்; அதை கண்மூடித்தனமாக நிரப்புவது பாரபட்சத்தை உருவாக்குகிறது.
• அவுட்லையர்களை தானாக நீக்கவும். சில உண்மையான விளிம்பு வழக்குகள்; தரவை பிழைகளிலிருந்து பிரிக்காமல் நீக்குவது தகவலை அழிக்கிறது.
• வெளிப்பாட்டை இயல்பாக்கவில்லை. குறுகிய கொள்கைகளை முழு வருடங்களாக எண்ணுவது அதிர்வெண்ணை சிதைத்து விலையை சிதைக்கிறது.
• தரவு கசிவை கவனிக்கவில்லை. மிகவும் நல்ல முடிவு என்பது எதிர்காலத்தை உள்ளடக்கிய ஒரு மாறியின் அறிகுறியாகும்; கணிப்பு நேரத்தில் ஒவ்வொரு மாறியும் இருக்கிறதா என்று வினவவும்.
• மறைமுக சார்புகளை எதிர்காலத்தில் கொண்டு வருவது. வரலாற்றுத் தரவுகளில் உள்ள அநீதியானது பெறப்பட்ட அம்சங்களில் கசியலாம்; அம்ச கட்டத்தில் அதைச் சரிபார்க்கவும்.

சுருக்கமாக

ஆக்சுவேரியல் மாடலிங் என்பது பெரும்பாலும் தரவைத் தயாரிப்பது; உள்ளீடு சிதைந்தால், வெளியீடும் சிதைந்துள்ளது. வழக்கமான சிக்கல்கள் மதிப்புகள், வெளிப்புறங்கள், முரண்பாடுகள் மற்றும் நகல் ஆகியவை காணவில்லை; முக்கியமான செயல் சிக்கல் வெளிப்பாடு இயல்பாக்கம் ஆகும். அம்ச பொறியியல் - குழுவாக்கம், குறியீட்டு முறை, இயல்பாக்கம் - தரவுகளிலிருந்து வலுவான சமிக்ஞைகளைப் பெறுகிறது. மிகவும் நயவஞ்சகமான ஆபத்துக்கள் தரவு கசிவு மற்றும் மறைமுகமான சார்பு; இரண்டும் உண்மையான பகுத்தறிவால் மட்டுமே பிடிக்கப்படுகின்றன. AI இந்த படிநிலையை பெரிதும் துரிதப்படுத்துகிறது: ஸ்கேனிங் குறியீடு மற்றும் பரிந்துரைகளை உருவாக்குகிறது. ஆனால் எந்தப் பதிவுகளையும் தானாக நீக்க வேண்டாம், மனிதர்கள் கசிவுகள் மற்றும் சார்புநிலைகளை சரிபார்த்து, ஒவ்வொரு மாற்றத்திற்கும் ஒப்புதல் அளிக்கலாம்.

விண்ணப்ப பணி

ஒரு சிறிய அநாமதேய கொள்கை தரவு அகராதி (5-7 நெடுவரிசைகள், ஒவ்வொன்றின் நியாயமான வரம்பு) தயார் செய்யவும். (அ) ​​ஒவ்வொரு நெடுவரிசைக்கும் நியாயமான விதி மற்றும் மீறல் அறிக்கை குறியீடு, (ஆ) பகுதியளவு வெளிப்பாடு கணக்கீடு, (இ) முயற்சி செய்ய 3 புதிய அம்சங்களுக்கான பரிந்துரைகளை AIயிடம் கேளுங்கள். பின்னர் பட்டியலில் வேண்டுமென்றே “கசிவு பொறி” மாறியைச் சேர்த்து (எ.கா. “இழப்பீடு செலுத்தப்பட்டது”) மற்றும் கசிவு என AI பிடிக்கிறதா என்று சோதிக்கவும்.

சரிபார்ப்பு பட்டியல்

• [ ] விடுபட்டவை மற்றும் வெளியில் உள்ளவற்றை நீக்குவதற்கு முன் ஏன் என்று நான் பகுப்பாய்வு செய்திருக்கிறேனா?
• [ ] நான் வெளிப்பாட்டைச் சரியாகப் பிரித்து இயல்பாக்கியுள்ளேனா?
• [ ] புதிதாகப் பெறப்பட்ட ஒவ்வொரு அம்சத்திற்கும் நான் உண்மையான நியாயத்தை எழுதியிருக்கிறேனா?
• [ ] கணிப்பு நேரத்தில் ஒவ்வொரு மாறியும் உண்மையில் (கசிவு) இருக்கிறதா என்று நான் கேள்வி எழுப்பியுள்ளேனா?
• [ ] நான் பெறப்பட்ட அம்சங்களில் மறைமுக சார்பு உள்ளதா?
• [ ] என்னிடம் AI தானாக எந்தப் பதிவுகளையும் நீக்கி, ஒவ்வொரு முடிவையும் நானே அங்கீகரிக்கவில்லையா?