MLOps அறக்கட்டளை, நெறிமுறைகள், தனியுரிமை மற்றும் பொறுப்பான பகுப்பாய்வு

ஆதாயங்கள்:

• MLOps கட்டங்கள் (வெளியீடு, வரிசைப்படுத்தல், கண்காணிப்பு, மறுபயிற்சி, திரும்பப் பெறுதல்) மற்றும் மாதிரி சறுக்கல் மற்றும் கண்காணிக்கப்பட்ட வரிசைப்படுத்தலை திட்டமிடும் திறன்
• மாதிரி நேர்மை, வெளிப்படைத்தன்மை மற்றும் பொறுப்புக்கூறல் ஆகியவற்றின் கொள்கைகளைப் பயன்படுத்துவதற்கான திறன் மற்றும் நெறிமுறை ஏற்றுக்கொள்ளும் தன்மையிலிருந்து புள்ளிவிவர துல்லியத்தை வேறுபடுத்துதல்
• KVKK/GDPR கொள்கைகளுடன் தனிப்பட்ட தரவைப் பாதுகாக்கும் திறன் மற்றும் உயர் தாக்க முடிவுகளில் ஒரு மனிதனுக்கு இறுதிப் பொறுப்பை வழங்குதல்

ஒரு மாதிரியைப் பயிற்றுவித்து அதிக மதிப்பெண் பெறுவது முடிவல்ல, ஆனால் நடுத்தரமானது. மாதிரியானது உற்பத்தியில் வைக்கப்பட்டு நம்பகத்தன்மையுடன் செயல்படும் போது உண்மையான மதிப்பு வருகிறது, காலப்போக்கில் மோசமடையாமல் கண்காணிக்கப்படுகிறது, மேலும் முழு செயல்முறையும் நெறிமுறை மற்றும் சட்ட எல்லைகளுக்குள் மேற்கொள்ளப்படுகிறது. இந்த மூடும் அலகு மூன்று தலைப்புகளை ஒருங்கிணைக்கிறது: MLOps (நேரடியில் செல்லும் ஒழுக்கம், மாடல்களை கண்காணித்தல் மற்றும் பராமரித்தல்), நெறிமுறைகள் (நியாயம், வெளிப்படைத்தன்மை, தவறான தன்மை) மற்றும் தனியுரிமை (தனிப்பட்ட தரவைப் பாதுகாத்தல்). AI இந்த பகுதிகளில் குறியீடு, சரிபார்ப்பு பட்டியல்கள் மற்றும் வரைபடங்களை உருவாக்குகிறது; ஆனால் ஒரு மாதிரி நேரலையில் செல்கிறதா, யார் பாதிக்கப்படுவார்கள், எந்தத் தரவைப் பயன்படுத்தலாம் என்பதை மனிதர்கள் தீர்மானிக்கிறார்கள். இந்த முடிவுகள் தொழில்நுட்பம் அல்ல, ஆனால் பொறுப்பு முடிவுகள்.

MLOps: மாதிரி ஒரு தயாரிப்பு போல வாழ்கிறது

MLOps (இயந்திர கற்றல் செயல்பாடுகள் - உற்பத்தியில் இயந்திர கற்றல் மாதிரிகளை இயக்குதல், கண்காணித்தல் மற்றும் புதுப்பிக்கும் நடைமுறை) என்பது மென்பொருள் மேம்பாட்டில் தரவு அறிவியலுக்கு DevOps இன் தழுவலாகும். அடிப்படை யோசனை: ஒரு மாதிரி என்பது ஒரு முறை பயிற்றுவிக்கப்பட்டு மறந்துவிட்ட கோப்பு அல்ல, ஆனால் நிலையான பராமரிப்பு தேவைப்படும் ஒரு உயிருள்ள தயாரிப்பு. முக்கிய நிலைகள்:

1. பதிப்பு: குறியீடு (Git), தரவு மற்றும் மாதிரி ஆகியவை ஒன்றாகப் பதிப்பிக்கப்படுகின்றன; எந்த மாதிரி எந்த தரவு மற்றும் குறியீட்டுடன் தயாரிக்கப்பட்டது என்பது பதிவு செய்யப்படுகிறது.

2. வரிசைப்படுத்தல்: மாடல் API அல்லது தொகுதி வேலையாக நேரலையில் வைக்கப்படுகிறது. இது பொதுவாக சிறிய பார்வையாளர்களுக்கு முதலில் வழங்கப்படுகிறது (நிழல்/கேனரி விநியோகம்).

3. கண்காணிப்பு: மாதிரியின் செயல்திறன் மற்றும் உள்ளீடு தரவு தொடர்ந்து கண்காணிக்கப்படுகிறது.

4. மறுபயிற்சி: செயல்திறன் குறையும் போது, ​​மாடல் புதுப்பிக்கப்பட்ட தரவுகளுடன் மீண்டும் பயிற்சியளிக்கப்படுகிறது.

முறை மாற்றம்: அமைதியான சிதைவு

உற்பத்தியில் மிகப்பெரிய ஆபத்து மாதிரி சறுக்கல் (மாதிரி சறுக்கல் / தரவு சறுக்கல்). உலகம் மாறுகிறது; உங்கள் மாதிரியை நீங்கள் பயிற்றுவித்த நிபந்தனைகள் (வாடிக்கையாளர் நடத்தை, விலைகள், பருவம், சட்டம்) காலப்போக்கில் மாறுகிறது மற்றும் மாதிரி வழக்கற்றுப் போகத் தொடங்குகிறது. எடுத்துக்காட்டாக, தொற்றுநோய்க்கு முன் பயிற்றுவிக்கப்பட்ட கோரிக்கை மாதிரியானது தொற்றுநோய்களின் போது முற்றிலும் தவறானது. சறுக்கல் இரண்டு வடிவங்களில் நிகழ்கிறது: தரவு சறுக்கல் (உள்ளீடு தரவு மாற்றங்களின் விநியோகம்) மற்றும் கருத்து சறுக்கல் (உள்ளீடு மற்றும் இலக்கு மாற்றங்களுக்கு இடையிலான உறவு). இவற்றைப் படம்பிடிப்பதற்கான வழி கண்காணிப்பு: உள்ளீடு விநியோகம், கணிப்பு விநியோகம் மற்றும் (முடிந்தால்) உண்மையான முடிவுடன் ஒப்பிடும் போது செயல்திறனைத் தொடர்ந்து கண்காணிக்கவும்.

எச்சரிக்கை: உற்பத்தியில் வைக்கப்படும் ஒரு மாதிரியானது தானாகவே கெட்டுவிடும்; இது "எப்போது" என்பது அல்ல, ஆனால் "எப்போது" என்பதுதான். கண்காணிப்பை அமைக்காமல் மாடல்களை வரிசைப்படுத்துவது, எஞ்சினைக் கட்டுப்படுத்தாமல் காரை ஓட்டுவது போன்றது; ஒரு நாள் அது அமைதியாக உட்கார்ந்து, நீங்கள் கவனிக்கவில்லை.

MLOps உறுப்பு

நோக்கம்

புறக்கணிக்கப்பட்டால்

பதிப்பு

என்ன உற்பத்தி செய்யப்படுகிறது என்பதை அறிவது

மீண்டும் உருவாக்க முடியாதது, கண்டுபிடிக்க முடியாதது

கண்காணிப்பு

சீக்கிரம் சீட்டைப் பார்த்தேன்

மாதிரி அமைதியாக உடைகிறது

மீண்டும் பயிற்சி

புதுப்பித்த நிலையில் இருங்கள்

கணிப்புகள் பழையதாகிவிடும்

திரும்ப திரும்ப

மோசமான மாதிரிக்குத் திரும்பு

தவறான மாதிரி நேரலையில் உள்ளது

ஆவணப்படுத்தல்

வெளிப்படைத்தன்மை, விற்றுமுதல்

தகவல் ஒருவரிடம் சிக்கிக் கொள்கிறது

நெறிமுறைகள்: மாதிரி முடிவுகள் மக்களை பாதிக்கின்றன

தரவு மாதிரிகள் மக்களின் வாழ்க்கையை பாதிக்கும் முடிவுகளில் அதிகளவில் பயன்படுத்தப்படுகின்றன: கடன், பணியமர்த்தல், காப்பீடு, நீதி. இந்த அதிகாரத்துடன் பொறுப்பும் வருகிறது. முக்கிய நெறிமுறை அபாயங்கள்:

சார்பு மற்றும் பாகுபாடு: மாதிரியானது வரலாற்றுத் தரவுகளில் உள்ள அநீதிகளைக் கற்று நிலைநிறுத்த முடியும். ஒரு குறிப்பிட்ட குழுவிற்கு கடந்த காலத்தில் குறைவான கடன் வழங்கப்பட்டிருந்தால், இது ஒரு "விதி" என்று மாடல் கருதுகிறது மற்றும் பாகுபாட்டை தானியங்குபடுத்துகிறது. அதனால்தான் நியாயமான பகுப்பாய்வு - வெவ்வேறு குழுக்களுக்கு (பாலினம், வயது, பகுதி) மாதிரி செயல்படுகிறதா என்பதைச் சரிபார்ப்பது அவசியம்.

வெளிப்படைத்தன்மை மற்றும் விளக்கம்: ஒரு மாதிரி ஒரு நபரை ஏன் நிராகரித்தது என்பதை நீங்கள் விளக்க வேண்டும். "கருப்புப் பெட்டி அவ்வாறு கூறியது" என்பது நெறிமுறை மற்றும் பெரும்பாலும் சட்டப்பூர்வமாக ஏற்றுக்கொள்ள முடியாதது. அதனால்தான் விளக்கக்கூடிய கருவிகள் (அம்ச முக்கியத்துவம், SHAP மதிப்புகள்) மதிப்புமிக்கவை.

பொறுப்பு: மாதிரி தவறான முடிவை எடுத்தால் யார் பொறுப்பு? பதில் எப்போதும் ஒரு நபர்/நிறுவனம், ஒரு மாதிரி அல்ல. மனித மேற்பார்வை (மனிதன்-இன்-தி-லூப் - இறுதி முடிவை அங்கீகரிக்கும் ஒரு மனிதன்) உயர் தாக்க முடிவுகளில் பாதுகாக்கப்பட வேண்டும்.

எச்சரிக்கை: ஒரு மாதிரியானது புள்ளிவிவர ரீதியாக "சரியானது" ஆனால் நெறிமுறை ரீதியாக ஏற்றுக்கொள்ள முடியாததாக இருக்கலாம். ஒரு குழுவிற்கு முறையாக பாதகத்தை ஏற்படுத்தும் மிகவும் துல்லியமான மாதிரி ஒரு நல்ல மாதிரி அல்ல. நேர்மை நீதிக்கு ஈடாகாது.

தனியுரிமை: தனிப்பட்ட தரவு கவனமாக பாதுகாக்கப்படுகிறது

தரவு அறிவியலின் மூலப்பொருள் பெரும்பாலும் தனிப்பட்ட தரவு, மேலும் இந்தத் தரவு சட்டத்தால் பாதுகாக்கப்படுகிறது: Türkiye இல் KVKK, ஐரோப்பாவில் GDPR. அடிப்படைக் கொள்கைகள்: நோக்கம் வரம்பு (தரவு சேகரிக்கப்பட்ட நோக்கத்தைத் தவிர வேறு நோக்கங்களுக்காகப் பயன்படுத்தப்படாது), தரவுக் குறைத்தல் (தேவைக்கு அதிகமாகத் தரவு சேகரிக்கப்படவில்லை/தேவைக்கப்படவில்லை), அநாமதேயமாக்கல் (தகவல்களை அடையாளம் காணுதல் அகற்றப்பட்டது) மற்றும் பாதுகாப்பு (தரவு குறியாக்கம் செய்யப்பட்டு அணுகல் தடைசெய்யப்பட்டுள்ளது). AI கருவிகளுடன் பணிபுரியும் போது முக்கியமான விதி: பொது AI கருவியில் உண்மையான தனிப்பட்ட தரவை ஒட்ட வேண்டாம். பெரும்பாலான நேரங்களில், ஒரு வரைபடம் மற்றும் ஒரு அநாமதேய/செயற்கை மாதிரி பகுப்பாய்வு செய்ய போதுமானது.

தகவல் பாதுகாப்பின் பின்னணியில் கூடுதல் முக்கியத்துவம்: தற்காப்பு மற்றும் முறையான பகுப்பாய்வு நோக்கங்களுக்காக, உங்களுக்கு அதிகாரம் உள்ள தரவு மற்றும் அமைப்புகளில் மட்டுமே தரவு அறிவியல் கருவிகள் மற்றும் நுட்பங்களைப் பயன்படுத்தவும். வேறொருவரின் தரவை அங்கீகரிக்கப்படாத அணுகல், தனிநபர்களை மீண்டும் அடையாளம் காணுதல் (அநாமதேயத் தரவிலிருந்து அடையாளத்தைப் பிரித்தெடுத்தல்) அல்லது அங்கீகரிக்கப்படாத விவரக்குறிப்பு ஆகியவை சட்டவிரோதமானது மற்றும் நெறிமுறையற்றது.

மூன்று சிறிய வழக்குகள்

வழக்கு 1 - கண்காணிக்கப்படாத சரிவு. ஒரு ஈ-காமர்ஸ் நிறுவனம் அதன் பரிந்துரை மாதிரியுடன் நேரலையில் சென்று கண்காணிப்பை அமைக்கவில்லை. 4 மாதங்களுக்குப் பிறகு தயாரிப்பு பட்டியல் பெரிதும் மாறிவிட்டது; இந்த மாதிரி காலாவதியான தயாரிப்புகளை தொடர்ந்து பரிந்துரைத்தது, மேலும் மாற்று விகிதம் அமைதியாக 30% குறைந்துள்ளது. பல மாதங்களாக யாரும் கண்டுகொள்ளவில்லை. பாடம்: கண்காணிப்பு இல்லாத வரிசைப்படுத்தல் கண்மூடித்தனமாக நடக்கிறது.

வழக்கு 2 - மறைக்கப்பட்ட பாகுபாடு. ஒரு பணியமர்த்தல் ஸ்கிரீனிங் மாதிரியானது வரலாற்றுத் தரவுகளில் பாலின ஏற்றத்தாழ்வு மற்றும் முறையாகக் குறைத்து மதிப்பிடப்பட்ட பெண் வேட்பாளர்களைப் பற்றி அறிந்துகொண்டது. நியாயமான பகுப்பாய்வு இல்லாததால் அது கவனிக்கப்படவில்லை; இது ஒரு தணிக்கையில் தெரியவந்தது மற்றும் நிறுவனம் கடுமையான நற்பெயர்/சட்ட அபாயத்தை எதிர்கொண்டது. பாடம்: உயர் தாக்க மாடல்களில் குழு அடிப்படையிலான நியாயமான கட்டுப்பாடு அவசியம்.

வழக்கு 3 - ரகசியத்தன்மை மீறல். ஒரு ஆய்வாளர் உண்மையான வாடிக்கையாளர் மின்னஞ்சல்கள் மற்றும் கொள்முதல் வரலாற்றைக் கொண்ட ஒரு கோப்பை பொது AI கருவியில் ஏற்றி, "பிரிவுகளைச் சுருக்கவும்" என்றார். தனிப்பட்ட தரவு நிறுவனத்தை விட்டு வெளியேறியது; KVKK செயல்முறை தொடங்கியது. அடையாளப் புலங்களை அகற்றிவிட்டு அநாமதேய பண்புகளை மட்டும் பகிர்வதே சரியான வழி. பாடம்: உண்மையான தனிப்பட்ட தரவு திறந்த கருவியில் நுழைவதில்லை.

நகலெடுக்கக்கூடிய நான்கு வார்ப்புருக்கள்

1) முன் வரிசைப்படுத்தல் சரிபார்ப்பு பட்டியல்:

உங்கள் பங்கு: MLOps ஆலோசகர். ஒரு மாடலை தயாரிப்பில் வைப்பதற்கு முன் நான் சரிபார்க்க வேண்டிய விஷயங்களைப் பட்டியலிடுங்கள்: பதிப்பு, கண்காணிப்பு அளவீடுகள், திரும்பப்பெறும் திட்டம், செயல்திறன் வரம்பு, தரவு சறுக்கல் எச்சரிக்கை, பொறுப்பான நபர். ஒவ்வொரு உருப்படிக்கும் ஒரு வாக்கியத்தை "ஏன் இது முக்கியம்" என்ற விளக்கத்தைச் சேர்க்கவும். நான் முடிவு செய்வேன்.

2) மாடல் ஷிப்ட் டிராக்கிங் வடிவமைப்பு:

உற்பத்தியில் ஒரு வகைப்பாடு மாதிரிக்கான சறுக்கல் கண்காணிப்புத் திட்டத்தைப் பரிந்துரைக்கவும்: (1) நான் என்ன உள்ளீட்டு விநியோகங்களைக் கண்காணிக்க வேண்டும், (2) கணிப்பு விநியோகத்திற்கான அலாரம், (3) உண்மையான முடிவு வரும்போது செயல்திறனை எவ்வாறு ஒப்பிடுவது, (4) எந்த நுழைவாயிலில் மறுபயிற்சியைத் தூண்ட வேண்டும். குறியீட்டு எலும்புக்கூட்டையும் வழங்கவும்.

3) நேர்மை கட்டுப்பாடு:

வெவ்வேறு குழுக்களுக்கான எனது மாதிரியின் செயல்திறனை ஒப்பிடும் குறியீட்டை எழுதவும் (எ.கா. வயது வரம்பு, பகுதி): ஒவ்வொரு குழுவிற்கும் நினைவு/துல்லியமான மற்றும் நேர்மறையான முடிவு விகிதம். குழுக்களிடையே குறிப்பிடத்தக்க வேறுபாடு இருந்தால் எச்சரிக்கவும். காரண/அரசியல் விளக்கங்களை உருவாக்குதல்; எனக்கு வேறுபாடுகளைக் காட்டுங்கள், நான் முடிவைப் பரிசீலிப்பேன்.

4) தனியுரிமை முன் சரிபார்ப்பு:

AI கருவிக்கு தரவை வழங்குவதற்கு முன், சரிபார்க்கவும்: கீழே உள்ள நெடுவரிசை பட்டியலில் தனிப்பட்ட/அடையாளத் தரவு (பெயர், மின்னஞ்சல், ஐடி, தொலைபேசி, முகவரி, ஐபி) உள்ளதா? அப்படியானால், எவை அகற்றப்பட வேண்டும் அல்லது அநாமதேயமாக்கப்பட வேண்டும் என்று பட்டியலிடுங்கள். நெடுவரிசைகள்: [பட்டியல்]. நோக்கம்: அநாமதேய திட்டத்தை மட்டும் பகிர்வது.

பலவீனமான வரியில் / வலுவான வரியில்

பலவீனமான உடனடி:

எனது மாதிரி தயாராக உள்ளது, நேரலைக்குச் செல்லுங்கள்.

வரிசைப்படுத்தல் ஒரு படி அல்ல; கண்காணிப்பு, பின்வாங்கல், நேர்மை மற்றும் தனியுரிமைக் கட்டுப்பாடு இல்லாமல் நேரலையில் செல்வது பேரழிவுக்கான அமைதியான அழைப்பாகும்.

சக்திவாய்ந்த தூண்டுதல்:

உங்கள் பங்கு: பொறுப்பான MLOps ஆலோசகர். எனது மாடல் பயிற்சி பெற்றுள்ளது, நேரலைக்குச் செல்வதற்கு முன் எனக்கு முழு தயாரிப்பு வேண்டும். உருவாக்கு: (1) முன் வரிசைப்படுத்தல் சரிபார்ப்புப் பட்டியல், (2) சறுக்கல் கண்காணிப்புத் திட்டம், (3) குழு அடிப்படையிலான நேர்மைச் சரிபார்ப்புக் குறியீடு, (4) தனியுரிமைச் சரிபார்ப்பு (தனிப்பட்ட தரவு உள்ளதா). அதிக தாக்கத்தை ஏற்படுத்தும் முடிவுகளில் மனித சம்மதத்தை எவ்வாறு பாதுகாப்பது என்பதையும் பரிந்துரைக்கவும். இறுதி முடிவுகள் என்னுடையது.

இங்கு விநியோகம், கண்காணிப்பு, நேர்மை மற்றும் தனியுரிமை ஆகியவை ஒரே பொறுப்பான செயல்முறையாகக் கருதப்படுகின்றன.

பொதுவான தவறுகள்

• கண்காணிப்பை அமைக்காமல் ஒரு மாதிரியைப் பயன்படுத்துதல். மாதிரி அமைதியாக நழுவி சிதைக்கிறது; கவனிக்க பல மாதங்கள் ஆகலாம்.
• நீதி சோதனையை புறக்கணித்தல். ஒரு உயர்-நம்பிக்கை மாதிரியானது முறையாக ஒரு குழுவிற்கு பாதகமாக இருக்கலாம்.
• விவரிக்கப்படாத கருப்புப் பெட்டி முடிவை எடுப்பது. அதிக தாக்கத்தை ஏற்படுத்தும் முடிவுகள் விளக்கக்கூடியதாக இருக்க வேண்டும்; “அப்படி சொன்ன மாதிரி” என்பது போதாது.
• AI கருவியைத் திறக்க உண்மையான தனிப்பட்ட தரவை வழங்குதல். KVKK/GDPR மீறல்; வரைபடமும் அநாமதேய உதாரணமும் போதுமானது.
• முடிவை மாதிரிக்கு ஒப்படைத்தல். பொறுப்பு எப்போதும் ஒரு நபரிடம் உள்ளது; உயர் தாக்க மனித கண்காணிப்பு பராமரிக்கப்படுகிறது.

உதவிக்குறிப்பு: ஒவ்வொரு மாடலுடனும் நீங்கள் நேரலைக்குச் செல்வதற்கு முன், சத்தமாக ஒரு கேள்வியைக் கேளுங்கள்: "இந்த மாதிரி நாளை அமைதியாக உடைந்துவிட்டால் அல்லது ஒரு குழுவிற்கு நியாயமற்ற முறையில் அபராதம் விதித்தால், நான் அதை எப்படிக் கவனித்து அதைத் திரும்பப் பெறுவேன்?" இந்த கேள்விக்கு உங்களிடம் தெளிவான பதில் இல்லையென்றால், மாடல் இன்னும் உற்பத்திக்கு தயாராக இல்லை.

சுருக்கமாக

ஒரு மாதிரியின் வேலை அதிக மதிப்பெண்களுடன் முடிவடைவதில்லை, ஆனால் உற்பத்தியில் நம்பகத்தன்மையுடனும் பொறுப்புடனும் வேலை செய்வதோடு. MLOps என்பது நேரலைக்குச் செல்வது, சறுக்கலைக் கண்காணித்தல், மீண்டும் பயிற்சி செய்தல் மற்றும் மாதிரியைத் திரும்பப் பெறுதல்; கண்காணிப்பு இல்லாமல் வரிசைப்படுத்துவது அமைதியான சரிவு. நெறிமுறைகளுக்கு நியாயம், வெளிப்படைத்தன்மை மற்றும் மாதிரியின் பொறுப்புக்கூறல் தேவை; புள்ளிவிவரத் துல்லியம் நெறிமுறை ஏற்றுக்கொள்ளும் தன்மைக்கு மாற்றாக இல்லை. தனியுரிமை என்பது தனிப்பட்ட தரவை KVKK/GDPR கொள்கைகளுடன் பாதுகாப்பது மற்றும் உண்மையான தரவை திறந்த கருவிகளிலிருந்து விலக்கி வைப்பதாகும். இந்த முடிவுகள் அனைத்தும் தொழில்நுட்பம் அல்ல, ஆனால் பொறுப்பு முடிவுகள் மற்றும் எப்போதும் ஒரு மனிதனுக்கு சொந்தமானது.

விண்ணப்ப பணி

நீங்கள் உருவாக்கிய (அல்லது கற்பனையான) மாதிரியை தயாரிப்பில் வைத்து, நான்கு பட்டியல்களை நிரப்பப் போகிறீர்கள் என நினைத்துப் பாருங்கள்: (1) முன் வரிசைப்படுத்தல் சரிபார்ப்பு பட்டியல், (2) நீங்கள் கண்காணிக்கும் டிரிஃப்ட் அளவீடுகள், (3) குழு அடிப்படையிலான நியாயமான கட்டுப்பாட்டுத் திட்டம், (4) தனியுரிமைக் கட்டுப்பாடு. பின்னர் "அது நாளை அமைதியாக உடைந்து அதை திரும்பப் பெற்றால் நான் எப்படி கவனிப்பேன்?" என்ற கேள்விக்கு ஒரு உறுதியான பதிலை எழுதுங்கள்.

சரிபார்ப்பு பட்டியல்

• [ ] நான் ஒரு கண்காணிப்பு (ஸ்லிப் அலர்ட்) மற்றும் திரும்பப்பெறும் திட்டத்துடன் மாடலைப் பயன்படுத்துகிறேனா?
• [ ] வெவ்வேறு குழுக்களுக்கான நியாயம்/செயல்திறன் இடைவெளியை நான் சரிபார்த்திருக்கிறேனா?
• [ ] அதிக தாக்கத்தை ஏற்படுத்தும் முடிவுகளில் நான் மனித-இன்-தி-லூப்பைப் பராமரித்திருக்கிறேனா?
• [ ] நான் தனிப்பட்ட தரவை KVKK/GDPR கொள்கைகளுடன் பாதுகாத்து அவற்றை திறந்த கருவிகளிலிருந்து விலக்கி வைத்திருக்கிறேனா?
• [ ] நான் இறுதிப் பொறுப்பை ஒரு மனிதனின் மீது வைத்திருக்கிறேனா, மாடல் அல்லவா?

தொகுதி தேர்வு

1. ஒரு தரவு விஞ்ஞானி செயற்கை நுண்ணறிவைக் கேட்கிறார், "இந்தத் தரவுகளில் சீரற்ற காடுகள் எவ்வளவு துல்லியமானது?" மாதிரியைப் பயிற்றுவிக்காமல், நேரடியாக "89%" என்ற பதிலை விளக்கக்காட்சியில் வைக்கிறது. இந்த அணுகுமுறையில் உள்ள அடிப்படை தவறு என்ன?

• A) செயற்கை நுண்ணறிவுக்கு தரவு மற்றும் மாதிரிகளை வழங்காமல் அளவீடுகளுக்காக காத்திருப்பது; அது உருவாக்கும் எண் போலியானது மற்றும் உண்மையான அளவீட்டை பயிற்சி மற்றும் சோதனை மூலம் மட்டுமே கண்டுபிடிக்க முடியும் என்பதை புறக்கணித்தல் ✔
• B) சீரற்ற காடுகளுக்குப் பதிலாக லாஜிஸ்டிக் பின்னடைவைப் பயன்படுத்த வேண்டும்
• C) துல்லிய விகிதம் எப்போதும் 90% க்கு மேல் இருக்க வேண்டும்.
• D) விளக்கக்காட்சியில் அளவீடுகளைச் சேர்ப்பது கண்டிப்பாக தடைசெய்யப்பட்டுள்ளது

விளக்கம்: செயற்கை நுண்ணறிவு மாதிரி மற்றும் தரவை அணுகாமல் மெட்ரிக்கை உருவாக்க முடியாது; அவர் கொடுக்கும் எண் ஒரு மாயத்தோற்றம் (புனையப்பட்டது). தரவு விஞ்ஞானியின் சொந்த கணக்கீட்டின் மூலம் மெட்ரிக் பெறப்பட்ட மாதிரியானது உண்மையில் பயிற்சியளிக்கப்பட்டு சோதிக்கப்பட்ட பின்னரே. சரிபார்க்கப்படாத வெளியீடு கையொப்பமிடப்படாத அறிக்கை போன்றது.

2. 'கணக்கு மூடப்படுவதற்கான காரணம்' நெடுவரிசையானது, கர்ன் முன்னறிவிப்புக்கான தரவைச் சேகரிக்கும் போது சேர்க்கப்பட்டுள்ளது; வாடிக்கையாளர் வெளியேறிய பின்னரே இந்த நெடுவரிசை நிரப்பப்படும். மாதிரியானது சோதனைத் தொகுப்பில் 97% கொடுக்கிறது, ஆனால் உற்பத்தியில் வேலை செய்யாது. இந்த நிலைக்கு பெயர் மற்றும் காரணம் என்ன?

• A) அதிகமாகக் கற்றல்; மாதிரி மிகவும் சிக்கலானது
• B) தரவு கசிவு; ✔ கணிப்பு நேரத்தில் கிடைக்காத, ஆனால் இலக்கின் விளைவாக இருக்கும் தகவலை ஒரு அம்சமாகப் பயன்படுத்துதல்
• C) போதிய கற்றல் இல்லாமை; மாதிரி மிகவும் எளிமையானது
• D) தேர்வு சார்பு; சிறிய மாதிரி அளவு

விளக்கம்: இது ஒரு உன்னதமான தரவுக் கசிவு: 'மூடுதல் காரணம்' என்பது இலக்கின் விளைவாகும் மற்றும் கணிக்கும் நேரத்தில் இன்னும் காலியாக உள்ளது. மாடல் இந்த எதிர்கால அறிவைக் கொண்டு தந்திரத்தைச் செய்கிறது, சோதனைத் தொகுப்பில் இது நன்றாகத் தெரிகிறது ஆனால் அந்த நெடுவரிசை காலியாக இருப்பதால் உற்பத்தியில் செயலிழக்கிறது. ஒவ்வொரு நெடுவரிசையிலும் 'கணிப்பின் போது என்னிடம் அது இருக்கிறதா' என்ற கேள்வி கேட்கப்பட வேண்டும்.

3. ஒரு ஆய்வாளர் வருவாய் நெடுவரிசையில் விடுபட்ட மதிப்புகளை சராசரியுடன் நிரப்புகிறார்; ஆனால் காணாமல் போனவர்கள் உண்மையில் வருமானத்தை அறிவிக்காத குறைந்த வருமானப் பிரிவைச் சேர்ந்தவர்கள் (முறையான காணவில்லை). இந்த நிரப்புதல் ஏன் தவறானது?

• A) சராசரி எப்போதும் இடைநிலையை விட அதிகமாக இருக்கும், எனவே அது தவறானது
• B) விடுபட்ட மதிப்புகளை ஒருபோதும் நிரப்பக்கூடாது, அவை எப்போதும் நீக்கப்பட வேண்டும்
• C) முறையான இடைவெளியை சராசரியுடன் நிரப்புவது, அந்த குழுவை செயற்கையாக பிரதிநிதித்துவப்படுத்துவதன் மூலம் தரவை சிதைக்கிறது; 'ஏன் காலியாக இருக்கிறது?' ✔
• D) சராசரியைக் கணக்கிடுவது செயல்திறன் சிக்கலை உருவாக்குகிறது, ஏனெனில் அது மிகவும் மெதுவாக உள்ளது

விளக்கம்: குறைபாட்டிற்கான காரணமே தீர்வைத் தீர்மானிக்கிறது. முறையான விடுபட்ட (குறிப்பிட்ட குழுவில் குவிந்துள்ள இடைவெளி) சராசரியுடன் நிரப்பப்படும்போது, ​​அந்தக் குழு செயற்கையாக 'சராசரி வருமானமாக' மாறும் மற்றும் தரவு சிதைந்துவிடும். அதை நிரப்புவதற்கு முன், 'ஏன் காலியாக உள்ளது' என்ற கேள்வியைக் கேட்க வேண்டும்; முறையான/குறிப்பிடத்தக்க விடுபட்ட சராசரி நிரப்பப்படக்கூடாது.

4. ஒரு குழு 'விளம்பரச் செலவு' மற்றும் 'விற்பனை' ஆகியவற்றுக்கு இடையே 0.78 தொடர்பைக் கண்டறிந்து பட்ஜெட்டை இரட்டிப்பாக்குகிறது; இருப்பினும், உண்மையில் இரண்டையும் தூண்டுவது பருவகால பிரச்சாரங்கள். புள்ளிவிவரங்களில் உள்ள எந்தக் கொள்கை இந்த பிழையை விளக்குகிறது?

• அ) தொடர்பு என்பது காரணமல்ல; மறைக்கப்பட்ட மூன்றாவது மாறி இரண்டு மாறிகளையும் பாதிக்கலாம் ✔
• B) 0.78 இன் தொடர்பு மிகவும் குறைவாக இருப்பதால், உறவைப் புறக்கணிக்க வேண்டும்
• C) தொடர்பு எப்போதும் காரணத்தை நிரூபிக்கிறது, குழு அதை சரியாகப் புரிந்துகொண்டது
• D) விளம்பரத்திற்கும் விற்பனைக்கும் இடையே உள்ள தொடர்பை கணித ரீதியாக கணக்கிட முடியாது.

விளக்கம்: தொடர்பு என்பது காரணமல்ல. மறைக்கப்பட்ட மூன்றாவது மாறி (இங்கே பருவகால பிரச்சாரங்கள்) இரண்டையும் பாதிக்கும் என்பதால் இரண்டு மாறிகளும் ஒன்றாகச் செயல்படலாம். ஒன்று மற்றொன்றை ஏற்படுத்துகிறது என்ற முடிவு பரிசோதனை மற்றும் கள அறிவின் மூலம் மட்டுமே நிறுவப்படும்; தொடர்புகளின் எண்ணிக்கை மட்டும் காரணத்திற்கான சான்று அல்ல.

5. ஒரு மோசடி கண்டறிதல் மாதிரி 99.2% துல்லியத்தைக் காட்டுகிறது மற்றும் குழு கொண்டாடுகிறது; இருப்பினும், தரவுகளில் உள்ள போலி பரிவர்த்தனை விகிதம் 0.8% மட்டுமே மற்றும் மாடலின் ரீகால் 6% ஆகும். இந்த அட்டவணை என்ன காட்டுகிறது?

• A) துல்லியம் 99% க்கும் அதிகமாக இருப்பதால் மாதிரி சரியானது
• B) சமநிலையற்ற தரவு மூலம் துல்லியம் தவறாக வழிநடத்துகிறது; மாடல் கிட்டத்தட்ட அனைத்து போலிகளையும் தவறவிட்டது (குறைந்த நினைவு), பொருத்தமான மெட்ரிக் பார்க்கப்பட வேண்டும் ✔
• சி) மாடலின் ரீகால் அதிகமாக இருப்பதால் எந்த பிரச்சனையும் இல்லை
• D) போலி விகிதம் குறைவாக இருந்ததால் ஒரு மாதிரியை உருவாக்க வேண்டிய அவசியமில்லை

விளக்கம்: சமநிலையற்ற தரவுகளில் 'துல்லியம்' தவறாக வழிநடத்துகிறது. மாடல் கிட்டத்தட்ட ஒவ்வொரு பரிவர்த்தனையையும் 'சுத்தம்' என்று அழைக்கும் போது, ​​அது அதிக துல்லியத்தைப் பெறுகிறது, ஏனெனில் போலிகள் மிகக் குறைவு, ஆனால் அது போலிகளைப் பிடிக்கத் தவறிவிடுகிறது, இது அதன் முக்கிய நோக்கமாகும் (6% நினைவு). எனவே, சமநிலையற்ற சிக்கல்களில், கவனம் செலுத்துவது துல்லியத்தில் அல்ல, ஆனால் குழப்ப அணி மற்றும் பணியின் நோக்கத்திற்கு ஏற்ற அளவீடுகள், அதாவது திரும்பப் பெறுதல்/துல்லியம் போன்றவை.

6. தேவை முன்கணிப்பு திட்டத்தில், நேரம் சார்ந்த தரவு தோராயமாக பயிற்சி/சோதனை என பிரிக்கப்படுகிறது. மாடல் 93% துல்லியத்தை அளிக்கிறது ஆனால் உற்பத்தியில் செயலிழக்கிறது. சரியான பிரிவு அணுகுமுறை என்னவாக இருக்க வேண்டும்?

• A) சோதனைத் தொகுப்பை பெரிதாக்குதல், எ.கா. பிரித்தல் 50%/50%
• B) மிகவும் சிக்கலான மாதிரியைப் பயன்படுத்துதல்
• C) பகிர்வை முழுவதுமாக அகற்றி, எல்லா தரவையும் கொண்டு பயிற்சி செய்யுங்கள்
• D) காலவரிசைப் பிரித்தல்: பழைய காலத்துடன் பயிற்சி மற்றும் புதிய காலகட்டத்துடன் சோதனை செய்தல், இதனால் மாதிரி எதிர்காலத்தைப் பார்ப்பதைத் தடுக்கிறது ✔

விளக்கம்: நேரத் தொடர் தரவுகளில் சீரற்ற வகுத்தல் செய்யப்பட்டால், மாதிரியானது எதிர்காலத்தைப் பார்க்கிறது மற்றும் பயிற்சியில் கடந்த காலத்தை முன்னறிவிக்கிறது; இது ஒரு கசிவு மற்றும் உண்மையில் இல்லாத வெற்றியை உருவாக்குகிறது. சரியான அணுகுமுறை காலவரிசைப் பிரித்தல்: பழைய காலகட்டத்துடன் பயிற்சி மற்றும் புதிய காலகட்டத்துடன் சோதனை செய்தல், உற்பத்தியில் உண்மையான நிலைமையைப் பின்பற்றுதல் (கடந்த காலத்திலிருந்து எதிர்காலத்தை முன்னறிவித்தல்).

7. அம்ச பொறியியலில் எந்தத் தரவிலிருந்து அளவிடுதல் (ஸ்டாண்டர்ட் ஸ்கேலர்) அளவுருக்கள் கணக்கிடப்பட வேண்டும் மற்றும் அவை எவ்வாறு பயன்படுத்தப்பட வேண்டும்?

• A) இது அனைத்து தரவுகளிலிருந்தும் கணக்கிடப்பட வேண்டும் (பயிற்சி + சோதனை ஒன்றாக) அது மிகவும் துல்லியமாக இருக்கும்
• B) ஒவ்வொரு வரிசைக்கும் அந்த வரிசையின் சொந்த மதிப்பில் இருந்து தனித்தனியாக கணக்கிடப்பட வேண்டும்
• C) சோதனை தரவுகளிலிருந்து மட்டுமே கணக்கிடப்பட வேண்டும்
• டி) இது பயிற்சி தரவிலிருந்து மட்டுமே கணக்கிடப்பட வேண்டும், பின்னர் அதே அளவுருக்கள் சோதனைத் தரவிற்குப் பயன்படுத்தப்பட வேண்டும்; இல்லையெனில் அது கசியும் ✔

விளக்கம்: அளவிடுதல், குறியாக்கம் மற்றும் திணிப்பு போன்ற அனைத்து மாற்றங்களின் (சராசரி, நிலையான விலகல், முதலியன) அளவுருக்கள் பயிற்சித் தரவிலிருந்து மட்டுமே கற்றுக் கொள்ளப்பட வேண்டும், பின்னர் அதையே சோதனைத் தரவுக்கும் பயன்படுத்த வேண்டும். சோதனைத் தரவை கணக்கில் எடுத்துக்கொள்வது, சோதனைத் தகவல் பயிற்சியில் குறுக்கிடுகிறது, அதாவது கசிவு, மற்றும் மாதிரியை அதை விட சிறப்பாக இருக்கும். பைப்லைனைப் பயன்படுத்துவது இதை உறுதி செய்கிறது.

8. ஒரு மாதிரியானது பயிற்சித் தொகுப்பில் 98% துல்லியத்தையும், சோதனைத் தொகுப்பில் 72% துல்லியத்தையும் தருகிறது. இந்த அறிகுறி எதைக் குறிக்கிறது மற்றும் என்ன செய்ய வேண்டும்?

• A) போதிய கற்றல் இல்லாமை; மாதிரி மிகவும் சிக்கலானதாக இருக்க வேண்டும்
• B) தரவு கசிவு; சோதனை தொகுப்பு மாற்றப்பட வேண்டும்
• சி) அதிகப்படியான பொருத்துதல்; மாதிரி எளிமைப்படுத்தப்பட வேண்டும், முறைப்படுத்தல் மற்றும் குறுக்கு சரிபார்ப்பு பயன்படுத்தப்பட வேண்டும் ✔
• D) ஒரு சாதாரண நிலைமை; எப்படியும் கல்வி மதிப்பெண் எப்பொழுதும் அதிகமாக இருக்கும், முன்னெச்சரிக்கை தேவையற்றது

விளக்கம்: பயிற்சியில் மிக அதிக மதிப்பெண் மற்றும் சோதனையில் குறிப்பிடத்தக்க அளவு குறைந்த மதிப்பெண் ஆகியவை அதிகப்படியான பொருத்துதலின் உன்னதமான அறிகுறியாகும்: மாதிரியானது உண்மையான வடிவத்தை விட பயிற்சி தரவின் சத்தத்தை மனப்பாடம் செய்துள்ளது. தீர்வுகளில் மாதிரியை எளிதாக்குதல், கூடுதல் தரவு, முறைப்படுத்துதல் மற்றும் குறுக்கு சரிபார்ப்புடன் மாநிலத்தை சரிபார்த்தல் ஆகியவை அடங்கும். கல்வி மதிப்பெண்ணை மட்டுமே நம்பியிருப்பது இந்தப் பள்ளத்தை மறைக்கிறது.

9. நிர்வாக விளக்கக்காட்சியில், 1,000 முதல் 1,020 வரை விற்பனை அதிகரிக்கும் பார் விளக்கப்படத்தின் y-அச்சு அதிகரிப்பு மிகப்பெரியதாக தோன்ற 980 இல் தொடங்கப்பட்டது. உண்மையான அதிகரிப்பு 2% ஆகும். இது ஏன் ஒரு நெறிமுறை பிரச்சினை?

• A) துண்டிக்கப்பட்ட y-அச்சு ஒரு சிறிய வேறுபாட்டை பார்வைக்கு மிகைப்படுத்தி பார்வையாளரை தவறாக வழிநடத்துகிறது; நேர்மைக்காக, ஒப்பீட்டு பட்டிகளில் உள்ள அச்சு 0 ✔ இலிருந்து தொடங்க வேண்டும்
• B) பார் விளக்கப்படங்களை விற்பனை தரவுகளுக்கு ஒருபோதும் பயன்படுத்த முடியாது
• சி) எந்த பிரச்சனையும் இல்லை; விளக்கப்படத்தை சுவாரஸ்யமாகக் காட்டுவது எப்போதும் நல்லது
• D) Y-அச்சு எப்போதும் தரவின் மிகப்பெரிய மதிப்பிலிருந்து தொடங்க வேண்டும்

விளக்கம்: ஒப்பீட்டு நோக்கங்களுக்காக பார் விளக்கப்படங்களில், y-அச்சு பொதுவாக 0 இல் தொடங்க வேண்டும். அச்சை வெட்டி 980 இல் தொடங்கினால், சிறிய 2% வித்தியாசம் பார்வைக்கு பெரிதாகத் தோன்றி பார்வையாளரைத் தவறாக வழிநடத்துகிறது. தரவை மிகைப்படுத்தாத அல்லது குறைத்து மதிப்பிடாத நேர்மையான வரைபடங்களை வரைவதே தரவு நிபுணரின் நெறிமுறைப் பொறுப்பாகும்.

10. தயாரிப்பு அட்டவணையுடன் ஆர்டர்களை இணைத்த பிறகு ஒரு ஆய்வாளர் மொத்த வருவாயை 3 முறை கண்டுபிடிப்பார்; வரிகளின் எண்ணிக்கை 240 ஆயிரத்திலிருந்து 690 ஆயிரமாக அதிகரித்தது. இந்த மெளனப் பிழையைத் தடுக்க என்ன செய்திருக்க வேண்டும்?

• A) மொத்த வருவாயை 3 ஆல் வகுக்கவும்
• B) JOIN க்குப் பதிலாக எப்போதும் தனி வினவல்களைப் பயன்படுத்தவும்
• C) தயாரிப்பு அட்டவணையை முழுமையாக நீக்குதல்
• D) இணைத்தல்/சேர்ந்த பிறகு வரிசைகளின் எண்ணிக்கையைச் சரிபார்த்தல் மற்றும் அவை சரியான விசையின் மூலம் இணைக்கப்பட்டுள்ளதா என்பதைச் சரிபார்த்தல்; ✔ நகலெடுப்பை முன்கூட்டியே பிடிக்கிறது

விளக்கம்: தயாரிப்பு அட்டவணையில் ஒவ்வொரு தயாரிப்புக்கும் பல வரிசைகள் (உதாரணமாக, வெவ்வேறு வண்ணங்கள்) இருக்கும் போது, தவறான விசையின் மூலம் சேர்வது ஒவ்வொரு ஆர்டரையும் நகலெடுத்து மொத்த தொகையை உயர்த்தும். குறியீடு பிழைகள் இல்லாமல் இயங்குகிறது ஆனால் முடிவு தவறானது. இதைத் தவிர்ப்பதற்கான வழி, ஒவ்வொரு இணைத்தல்/சேர்வதற்குப் பிறகும் வரிசைகளின் எண்ணிக்கையைச் சரிபார்த்து, சரியான விசையுடன் ஒன்றிணைப்பதாகும்.

11. ஒரு பணியமர்த்தல் ஸ்கிரீனிங் மாதிரியானது வரலாற்றுத் தரவுகளில் பாலின ஏற்றத்தாழ்வு மற்றும் பெண் வேட்பாளர்களின் மதிப்பெண்களின் கீழ் முறையாகக் கற்றுக்கொள்கிறது, ஆனால் அதன் ஒட்டுமொத்த துல்லியம் அதிகமாக உள்ளது. இதன் பொருள் என்ன?

• A) மாடல் அதிக துல்லியம் கொண்டிருப்பதால் எந்த பிரச்சனையும் இல்லை
• B) புள்ளியியல் துல்லியம் நெறிமுறை ஏற்றுக்கொள்ளும் தன்மைக்கு மாற்றாக இல்லை; மாடல் கடந்தகால பாகுபாடு பற்றி கற்றுக்கொண்டது, குழு அடிப்படையிலான நியாயமான சோதனை தேவை ✔
• சி) மாதிரியின் துல்லியத்தை மேலும் அதிகரிப்பது சிக்கலை தீர்க்கிறது
• D) நேர்மை என்பது தரவு அறிவியலின் எல்லைக்கு வெளியே உள்ளது

விளக்கம்: ஒரு மாதிரியானது புள்ளிவிவர ரீதியாக சரியானதாக இருந்தாலும், அது நெறிமுறை ரீதியாக ஏற்றுக்கொள்ள முடியாததாக இருக்கலாம். மாடல் கடந்த கால தரவுகளில் உள்ள அநீதியைக் கற்றுக்கொள்கிறது மற்றும் பாகுபாட்டை தானியங்குபடுத்துகிறது. உயர் நேர்மை நீதிக்கு மாற்றாக இல்லை; உயர்-தாக்க மாதிரிகளில், வெவ்வேறு குழுக்களுக்கான செயல்திறன்/முடிவு வேறுபாட்டை அளவிடும் நியாயமான கட்டுப்பாடு அவசியம் மற்றும் இறுதி பொறுப்பு மனிதனிடம் உள்ளது.

12. ஒரு பணியாளர் உண்மையான வாடிக்கையாளர் மின்னஞ்சல்கள் மற்றும் கொள்முதல் வரலாற்றைக் கொண்ட கோப்பைப் பொது AI கருவியில் பதிவேற்றி, 'பிரிவுகளைச் சுருக்கி' எனக் கூறுகிறார். இது ஏன் ஒரு பெரிய தவறு மற்றும் சரியான வழி என்ன?

• அ) எந்த பிரச்சனையும் இல்லை; AI கருவிகள் ஒருபோதும் தரவைச் சேமிப்பதில்லை
• பி) கோப்பு மிகவும் பெரியதாக இருப்பது பிழை; குறைக்கப்பட்டிருக்க வேண்டும்
• C) திறந்த கருவிக்கு உண்மையான தனிப்பட்ட தரவை வழங்குவது KVKK/GDPRஐ மீறுவதாகும்; அடையாளப் புலங்கள் அகற்றப்பட்டு, அநாமதேய திட்டம்/சொத்து மட்டுமே பகிரப்பட்டிருக்க வேண்டும் ✔
• ஈ) எக்செல் என்பதற்குப் பதிலாக CSV பயன்படுத்தப்பட்டிருக்க வேண்டும்

விளக்கம்: பொதுவில் கிடைக்கும் செயற்கை நுண்ணறிவு கருவிக்கு உண்மையான தனிப்பட்ட தரவு (மின்னஞ்சல், பெயர் போன்றவை) வழங்கப்படும் போது, KVKK / GDPR இன் எல்லைக்குள் தனியுரிமை மீறல் இருக்கும்; தரவு நிறுவனத்தை விட்டு வெளியேறுகிறது. பெரும்பாலான நேரங்களில், ஒரு வரைபடம் மற்றும் ஒரு அநாமதேய/செயற்கை மாதிரி பகுப்பாய்வு செய்ய போதுமானது. அடையாளப் புலங்களை அகற்றிவிட்டு அநாமதேய பண்புகளை மட்டும் பகிர்வதே சரியான வழி.

13. ஒரு பரிந்துரை மாதிரி உற்பத்தியில் வைக்கப்படுகிறது ஆனால் கண்காணிப்பு நிறுவப்படவில்லை; 4 மாதங்களுக்குப் பிறகு தயாரிப்பு அட்டவணை மாறும்போது, ​​மாடல் பழைய தயாரிப்புகளைத் தொடர்ந்து பரிந்துரைக்கிறது மற்றும் மாற்று விகிதம் அமைதியாக 30% குறைகிறது. இந்த நிகழ்வின் பெயர் என்ன?

• A) அதிகமாகக் கற்றல்; மாதிரி பயிற்சி தொகுப்பை மனப்பாடம் செய்கிறது
• B) மாதிரி சறுக்கல்; உலகம் மாறும்போது, கண்காணிப்பு நிறுவப்படாததால், மாடல் அமைதியாக, கவனிக்கப்படாமல் வழக்கற்றுப் போகிறது ✔
• C) தேர்வு சார்பு; மாதிரி சார்பு
• D) தரவு குறைத்தல் மீறல்

விளக்கம்: இது மாதிரி சறுக்கல் (மாடல்/டேட்டா டிரிஃப்ட்): உலகம் மாறும்போது (பட்டியல், நடத்தை, பருவம்) மாதிரி பயிற்றுவிக்கப்பட்ட நிலைமைகள் மாறி, மாதிரி அமைதியாக உடைந்து விடும். உற்பத்தியில் வைக்கப்படும் ஒரு மாதிரி தானே மோசமடைகிறது; அது 'எப்போது' என்பது ஒரு விஷயம். கண்காணிப்பு இல்லாமல் வரிசைப்படுத்தல் (உள்ளீடு மற்றும் செயல்திறன் கண்காணிப்பு) சிதைவைக் கண்டறிவது சாத்தியமற்றது.

14. ஒற்றைப் பயிற்சி/சோதனைப் பிரிப்பில் 88% துல்லியத்தைப் பெறும் ஒரு மாதிரியானது 88%, 71%, 83%, 64%, 79% ஆகிய 5 மடங்கு குறுக்குச் சரிபார்ப்பு மதிப்பெண்களைக் கொண்டுள்ளது. இது எதைக் குறிக்கிறது மற்றும் குறுக்கு சரிபார்ப்பு ஏன் முக்கியமானது?

• A) மாதிரி நிலையானது; 88% உண்மையான செயல்திறன்
• B) குறுக்கு சரிபார்ப்பு தேவையற்றது; ஒரு பெட்டி போதும்
• சி) மதிப்பெண்களின் பெரிய ஏற்ற இறக்கம் மாதிரி நிலையற்றது என்பதைக் குறிக்கிறது; குறுக்கு சரிபார்ப்பு சராசரி மற்றும் பல தொட்டிகளின் விநியோகத்தின் செயல்திறனை அடிப்படையாகக் கொண்டது, ஒரு அதிர்ஷ்டத் தொட்டி இல்லை ✔
• D) அதிகபட்ச மதிப்பெண்ணை (88%) தெரிவிப்பது சிறந்தது

விளக்கம்: ஒற்றைப் பெட்டி அதிர்ஷ்டமாகவோ அல்லது துரதிர்ஷ்டவசமாகவோ இருக்கலாம்; 88% அந்த எளிதான பிரிவின் விளைவாகும். குறுக்கு சரிபார்ப்பு தரவை பல முறை பிரித்து, சராசரி (இங்கே ~77%) செயல்திறனை அடிப்படையாகக் கொண்டது மற்றும் மதிப்பெண்களின் நிலையற்ற தன்மையைக் காட்டுகிறது. இங்கே உயர் ஏற்ற இறக்கம் மாதிரி நிலையற்றது என்று கூறுகிறது; ஒற்றைப் பெட்டியை நம்புவது தவறானது.