End-to-End Project, Responsableng Paggamit ng Artificial Intelligence at Roadmap sa Propesyon

Mga nadagdag:

• Kakayahang bumuo ng isang mobile na tampok na end-to-end at nabe-verify sa disenyo, code, AI integration, privacy, pagsubok, pag-debug, pagganap at mga hakbang sa paglabas
• Kakayahang magtatag ng isang balangkas para sa responsable at etikal na paggamit ng artificial intelligence na may mga prinsipyo ng transparency, verification-accountability at justice-non-maleficence.
• Ang kakayahang lumikha ng isang napapanatiling propesyonal na kasanayan sa pamamagitan ng pagkilala sa mga lugar kung saan malakas at mahina ang artificial intelligence at pinapanatili ang pangwakas na desisyon sa mga kamay ng mga tao.

Sa buong module na ito, ginamit namin ang AI sa bawat yugto ng mobile development: pagbuo ng code, interface, on-device at cloud AI integration, pagsubok, pag-debug, performance, privacy, at paghahatid ng store. Sa panghuling yunit na ito, pagsasama-samahin namin ang lahat ng mga pirasong ito sa isang solong dulo hanggang dulo, linawin ang balangkas para sa responsable at etikal na paggamit ng AI, at pag-uusapan kung paano gagawin ang mga kasanayang ito sa isang napapanatiling propesyonal na kasanayan. Ang pangunahing mensahe ay hindi nagbago, ngunit ito ay matatag na ngayon: AI ay isang puwersa na nagpaparami ng isang karampatang developer ng mobile; hindi ito kapalit. Ito ang taong responsable para sa kalidad, kaligtasan at pangako ng produkto sa gumagamit.

Isang end-to-end na feature: pagsasama-sama ng mga bahagi

Ang pagbuo ng isang tunay na feature mula simula hanggang matapos na may suporta sa AI ay pinagsasama ang bawat unit na natutunan namin sa isang chain. Halimbawa: feature na "magdagdag ng gastos mula sa resibo." Ang daloy ay gumagana tulad nito:

1. Disenyo (Yunit 3). I-draft ang screen at apat na estado (naglo-load/walang laman/error/full) gamit ang AI, humiling ng accessibility mula sa simula.
2. Code (Yunit 2). Bumuo ng camera, modelo ng data at ViewModel layer sa pamamagitan ng layer na may MVVM; i-verify ang bawat layer.
3. On-device AI (Unit 4). Basahin ang halaga/petsa mula sa resibo gamit ang pagkilala sa teksto ng ML Kit; Isaalang-alang ang preprocessing at confidence scoring.
4. Pagiging Kompidensyal (Yunit 9). Humiling ng pahintulot sa camera na may pinakamababang pribilehiyo, isulat ang senaryo ng pagtanggi, panatilihin ang data sa device.
5. Pagsubok (Yunit 6). Bumuo ng mga unit test ng extraction logic, UI testing ng display; Isama ang mga estado ng hangganan.
6. Pag-debug (Unit 7). Hayaang suriin ng AI ang mga pag-crash na may konteksto at lutasin ang ugat na sanhi.
7. Pagganap (Yunit 8). Sukatin ang halaga ng baterya sa pagpoproseso ng camera at itakda itong pang-baterya.
8. Broadcasting (Unit 10). Iulat ang paggamit ng AI nang malinaw, punan ang form sa privacy nang totoo, at magsagawa ng self-test.

Sa bawat hakbang, ang AI ay bumibilis, ang tao ay nagpapatunay at nagpapasya. Ang loop na ito ay ang core ng module.

Tip: Huwag subukang gawin ang AI ng isang kumplikadong tampok na may isang higanteng kahilingan. Hatiin ito sa mga nabe-verify na hakbang tulad ng nasa itaas. Ang pagsubok sa output ng bawat hakbang at paglipat sa susunod ay parehong mas ligtas at sa huli ay mas mabilis; Dahil nahuhuli mo ang isang malaking pagkakamali hindi sa dulo, ngunit sa unang hakbang.

Responsable at etikal na paggamit ng AI

Ang teknikal na kakayahan lamang ay hindi sapat; isang responsableng balangkas ang kumukumpleto nito. Tatlong prinsipyo:

Transparency. Dapat malaman ng user na nakikipag-ugnayan siya sa AI. Ang isang lihim na AI ay isang paglabag sa tiwala. Na-tag ang nilalamang binuo ng AI; Ang payo ng AI ay ipinakita bilang "nakakatulong na payo" sa halip na "mahirap na katotohanan."

Pagpapatunay at pananagutan. Ang output ng AI ay isang panimulang punto, hindi isang tapos na produkto. Responsable ka para sa bawat linya ng code na na-publish, bawat tugon ng AI, bawat transaksyon ng data. "Isinulat ito ng AI sa ganoong paraan" ay hindi isang pagtatanggol.

Katarungan at hindi pagkakasala. Ang mga modelo ng AI ay maaaring magdala ng mga bias mula sa data kung saan sila sinanay. Ang isang pagkilala sa mukha ay maaaring gumana nang mas malala sa ilang mga kulay ng balat, ang isang engine ng rekomendasyon ay maaaring magbukod ng isang grupo. Responsibilidad mong subukan na gumagana nang patas ang iyong produkto sa iba't ibang pangkat ng user.

Pansin: Ang anumang pamamaraan na natutunan mo sa larangan ng IT at seguridad ay ginagamit lamang para sa mga awtorisado at nakabubuo na layunin. Ang paggamit ng AI upang lumikha ng malware, i-crack ang application ng ibang tao nang walang pahintulot, mangolekta ng data ng user nang walang pahintulot, o gumawa ng mapanlinlang na nilalaman ay labag sa batas at labag sa etika ng propesyon. Ang sukat ng kapangyarihan ay ipinahayag kung saan hindi mo ito ginagamit.

Pagkilala sa mga limitasyon ng AI

Alam ng isang mature na developer kung saan kumikinang ang AI at kung saan ito kulang.

Makapangyarihan ang AI

Ang AI ay mahina

Mould code, produksyon ng boilerplate

Mga desisyon sa produkto at arkitektura

Pagsubok at draft ng dokumentasyon

Pag-unawa sa konteksto ng negosyo at user

Pagbabasa ng crash log, pag-scan ng error

Definitive root cause diagnosis (kinakailangan ang pag-verify)

Pag-aaral, pagpapaliwanag ng konsepto

Kasalukuyan/hindi gawa na impormasyon ng API

Teksto, paglalarawan, pagsasalin

Etika, seguridad at legal na pangwakas na desisyon

Ang pagsasanib sa pagkakaibang ito ay susi sa epektibong paggamit ng AI at pag-iwas sa mga pitfalls nito.

tatlong mini case

Case 1 — End-to-end na bilis. Tinapos ng isang solong developer ang feature na "unplugged" sa loob ng 4 na araw na may 8-step na daloy sa itaas; Kung walang AI, ang pagtatantya ay 12 araw. Ngunit dahil na-verify niya ang bawat hakbang, naaprubahan ang publikasyon sa unang pagkakataon. Totoo ang bilis dahil totoo ang disiplina. Aralin: Ang AI + verification ay mas mabilis kaysa AI - verification.

Case 2 — Nahuli ang bias. Habang sinusubukan ang isang tampok na panghuhula ng pangngalan-kasarian na nakabatay sa AI, napansin ng isang koponan ang mga sistematikong error sa ilang pangngalang Turkish; ang modelo ay sinanay sa halos Ingles na data. Ang feature ay binago sa pagtatanong sa user sa halip na gumawa ng maling palagay. Aralin: trabaho ng developer na subukan ang bias sa pagsasanay ng modelo.

Case 3 — Bumagsak ang “sabi ng AI” na depensa. Nag-publish ang isang developer ng code ng pagbabayad na binuo ng AI nang hindi ito bini-verify; Sa isang matinding kaso ang code ay gumagawa ng dobleng koleksyon. Hindi inaalis ang responsibilidad sa pamamagitan ng pagsasabi na "sinulat ito ng AI"; Bilang may hawak ng account, siya ay isang developer. Aral: hindi maaaring italaga ang responsibilidad.

Mahinang prompt / Malakas na prompt

Mahinang prompt: "Sumulat ako ng kumpletong aplikasyon sa pag-scan ng resibo."

Napakahusay na prompt: "Tulungan akong bumuo ng tampok na 'magdagdag ng gastos mula sa resibo' hakbang-hakbang. Magpatuloy tayo sa pagkakasunud-sunod, kapag na-verify at naaprubahan ko ang bawat hakbang, lumipat sa susunod: 1) Screen + apat na estado + pagiging naa-access2) Mga layer ng MVVM (camera, modelo, ViewModel)3) Halaga/petsa ng pagbabasa mula sa resibo na may ML Kit + marka ng tiwala sa unit) pagtanggi sa ML Kit + marka ng tiwala) at mga pagsubok sa UI Sabihin sa akin ang mga panganib at puntong kailangan kong i-verify sa bawat hakbang."

Mga nakopyang template

End-to-end na template ng pagpaplano: "Bubuoin ko ang sumusunod na feature: [feature]. Hatiin ito sa mga nabe-verify na hakbang: disenyo, code, AI integration, privacy/pahintulot, pagsubok, performance, release. Isulat ang output, risk, at verification criteria para sa bawat hakbang. Huwag gumawa ng isang higanteng produksyon."

Template ng pag-audit ng etika/bias: "I-audit ang sumusunod na feature ng AI para sa pagiging patas at pagkiling: [feature]. Anong mga grupo ng user ang maaaring hindi maganda ang performance nito? Paano nakakaapekto ang data ng pagsasanay sa bias? Paano ko ito susubukan, paano ko ito gagawing higit na inklusibo?"

Template ng pagsusuri sa pananagutan: "Ilista ang mga tanong sa pananagutan na dapat kong itanong bago ilabas itong AI-generated code/feature: naintindihan ko ba ito, nasubukan ko na ba ito, ligtas ba ito, transparent ba ito sa user, legal/etikal ba ito?"

Continuous learning template: "Magmungkahi ng 4 na linggong praktikal na plano para mapahusay ang aking AI skill sa mobile developer: isang paksa bawat linggo (code, integration, testing, release), na may layunin ng isang maliit na proyekto at ugali sa pag-verify."

Mga karaniwang pagkakamali

• Gumagawa ng kumplikadong tampok na may isang higanteng kahilingan. Hindi ma-verify; hatiin ito sa mga hakbang.
• Pag-iwas sa pananagutan sa pamamagitan ng pagsasabi ng "Isinulat ni AI." Responsable ka para sa na-publish na code.
• Hindi pagsubok para sa AI bias. Maaaring hindi gumana ang modelo sa ilang grupo; Subukan ang hustisya.
• Itinatago ang pakikipag-ugnayan ng AI mula sa user. Ang transparency ay ang pundasyon ng tiwala.
• Nakakalimutan ang mga limitasyon ng AI. Ang mga tao ang may huling say sa arkitektura, etika at kasalukuyang API.
• Para huminto sa pag-aaral. Mabilis na nagbabago ang mga tool at panuntunan sa tindahan; Manatiling patuloy na na-update.

Sa buod

Pinagsasama ng end-to-end na feature ang lahat ng bahagi ng module sa isang chain: disenyo, code, AI integration, privacy, pagsubok, pag-debug, performance at release. Sa bawat hakbang, bumibilis ang AI, nagpapatunay at nagpapasya ang tao; Ang kumplikadong gawain ay hinati sa maliliit na nabe-verify na mga hakbang. Ang responsableng paggamit ay batay sa tatlong prinsipyo: transparency, verification-accountability at fairness-do no harm. Ang AI ay isang malakas na multiplier, ngunit ang mga tao ang may huling say sa arkitektura, etika, seguridad at kasalukuyang kaalaman. "Ginawa ito ng AI sa paraang iyon" ay hindi isang pagtatanggol; Ikaw ang may pananagutan para sa iyong produkto at ang pangako na iyong ginawa sa iyong user. Sa disiplinang ito, ginagawa ka ng AI na mas mabilis, mas komprehensibo at mas malakas sa buong karera mo.

Gawain ng aplikasyon

Hatiin ang isang mobile na tampok na iyong pinili (hal. "pagbubuod sa pamamagitan ng pagkuha ng mga tala ng boses" o "pagkilala ng produkto mula sa larawan") sa mga nabe-verify na hakbang gamit ang isang "End-to-end na template ng pagpaplano." Talagang bumuo at patunayan ang hindi bababa sa isang hakbang gamit ang AI. Pagkatapos, suriin kung aling mga pangkat ng user ang feature na maaaring magdulot ng mga problema sa "Template ng kontrol sa etika/bias" at sagutin ang mga tanong na kailangan mong itanong bago ilabas gamit ang "Template ng kontrol sa pananagutan."

checklist

• [ ] Sinira ko ang tampok sa mga nabe-verify na maliliit na hakbang, hindi isang higanteng produksyon
• [ ] Na-verify ko ang output ng AI sa bawat hakbang at ginawa ang desisyon
• [ ] Ipinakita ko nang malinaw sa gumagamit ang pakikipag-ugnayan ng AI
• [ ] Sinuri ko kung gumagana nang patas/may bias ang feature sa iba't ibang grupo
• [ ] Sinagot ko ang mga tanong sa pre-release na responsibilidad (naiintindihan/pagsubok/ligtas/etikal)
• [ ] Gumamit lang ako ng AI para sa mga may kakayahan at nakabubuo na layunin at nagpaplanong magpatuloy sa pag-aaral

Pagsusulit sa Module

1. Alin sa mga sumusunod ang pinakatumpak na pagpoposisyon para sa artificial intelligence sa mobile development?

• A) Pinapalitan ng AI ang developer; maaaring direktang mai-publish nang hindi binabasa ang code na nabuo nito
• B) Gumagana lamang ang artificial intelligence sa pagsulat ng teksto, wala itong kinalaman sa pagbuo ng code
• C) Ang artificial intelligence ay isang assistant at accelerator; Ang responsibilidad para sa mga desisyon sa arkitektura, seguridad at broadcast ay nakasalalay sa mga tao ✔
• D) Dahil ang artificial intelligence ay palaging gumagawa ng tamang code, ang karagdagang pagsubok at pag-verify ay hindi kailangan

Paglalarawan: Ang artificial intelligence ay isang assistant at accelerator na bumubuo ng code, mga blueprint at solusyon. Responsibilidad at pinal na pag-apruba ng mga desisyon tulad ng arkitektura, pagpapahintulot, seguridad at paglalathala ay nakasalalay sa karampatang developer; Pananagutan ng mga tao ang bawat linyang nai-publish.

2. Kapag humihiling ng mobile code mula sa artificial intelligence, ano ang nagpapataas sa kalidad ng arkitektura ng code na ginawa ng higit?

• A) Panatilihing maikli ang prompt hangga't maaari at sabihing 'sumulat ka sa akin ng isang app'
• B) Una, magpataw ng isang arkitektura tulad ng MVVM at humiling ng code sa maliliit na piraso, patong-patong ✔
• C) Paggawa ng buong feature bilang isang higanteng file sa isang prompt
• D) Huwag tukuyin ang arkitektura at iwanan ang pinakamahusay na desisyon sa artificial intelligence

Paliwanag: Ang pagpapataw ng isang arkitektura tulad ng MVVM at nangangailangan ng layer-by-layer bago isulat ang code nang direkta sa AI ay gumagawa ng isang nasusubok at napapanatiling istraktura na naghihiwalay sa logic mula sa screen. Ang kahilingan na walang arkitektura ay nagbabalik ng code na naglalagay ng lahat sa screen.

3. Ano ang madalas na hindi napapansin kapag gumagawa ng interface na may artipisyal na katalinuhan at ano ang pinakamahalaga sa totoong paggamit?

• A) Pagdidisenyo ng paglo-load, walang laman at mga estado ng error, hindi lang ang full screen ✔
• B) Gumagawa lamang ng pinakamahusay na hitsura sa buong screen, laktawan ang iba pang mga kaso
• C) Pagdaragdag ng maraming kulay at animation hangga't maaari sa bawat screen
• D) Ang pag-iiwan sa mga tag ng pagiging naa-access na tumatagal at nakikitungo lamang sa hitsura

Paliwanag: Madalas na isinasaalang-alang lamang ng mga developer ang 'buong' estado; samantalang sa katotohanan ang gumagamit ay kadalasang nakakaranas ng paglo-load, walang laman at mga estado ng error. Ang pagbuo ng lahat ng apat na estado (naglo-load/empty/error/full) ay ang sikreto ng isang matatag na interface.

4. Bakit kadalasang ang on-device AI ang default na pagpipilian para sa isang feature na nagpoproseso ng sensitibong personal na data (hal. pagsukat sa kalusugan)?

• A) Ang mga modelo sa device ay palaging mas tumpak kaysa sa cloud
• B) Ang pagpoproseso sa device ay hindi kailanman nagkakaroon ng mga gastos sa baterya o processor
• C) Ang pagpoproseso sa device ay walang limitasyon sa laki ng modelo
• D) Dahil ang data ay hindi umaalis sa telepono, ito ay nagbibigay ng isang malakas na kalamangan sa mga tuntunin ng privacy at tiwala ng user ✔

Paliwanag: Hindi inaalis ng pagpoproseso sa device ang data mula sa telepono; Ito ay isang malakas na bentahe sa mga tuntunin ng pagsunod sa privacy at tiwala ng user, at gumagana ito nang offline at kaagad. Ang limitasyon nito ay ang kapangyarihan ng device at laki ng modelo.

5. Ano ang pinakakaraniwang error na 'tahimik' na nagdudulot ng mga walang kabuluhang resulta at hindi gumagawa ng mensahe ng error sa isang integrasyon ng modelo sa device?

• A) Maling spelling ng file name ng modelo
• B) Mababang resolution ng icon ng application
• C) Maling input preprocessing (laki/normalisasyon) ✔
• D) Madilim na tema ng screen

Paliwanag: Ang paggawa ng input preprocessing nang hindi tama ay magbubunga ng ganap na maling mga resulta nang hindi naghagis ng mga error. Ang mga halaga ng preprocessing ay dapat ma-verify mula sa dokumentasyon ng modelo.

6. Ano ang pinakamahalagang tuntunin sa seguridad kapag isinasama ang cloud LLM sa isang mobile application?

• A) Ang API key ay dapat lamang itago sa backend, hindi sa client; ang mga kahilingan ay dapat dumaan sa proxy ✔
• B) Dapat na direktang naka-embed ang API key sa application code para sa kaginhawahan
• C) Dapat ibahagi ang API key sa paglalarawan ng application
• D) Ang API key ay dapat itago sa client at itago lamang sa pamamagitan ng pagpapalit ng pangalan.

Pagbubunyag: Ang API key ay hindi kailanman naka-embed sa mobile application code; dahil ang application ay maaaring i-reverse engineered at ang susi ay nakuha. Ang tamang arkitektura ay upang panatilihin ang susi lamang sa backend at ipasa ang mga kahilingan sa pamamagitan ng iyong sariling proxy server.

7. Ano ang higit na nagpapataas ng bilis na nakikita ng gumagamit at rate ng pagkumpleto ng tampok sa mahabang mga sagot sa LLM?

• A) Naghihintay hanggang sa magawa ang buong sagot at ipakita ito nang sabay-sabay
• B) Ipinapakita ang sagot na salita sa bawat salita, habang ginagawa ito, na may streaming ✔
• C) Pagpapadala ng buong kasaysayan ng chat sa modelo sa bawat kahilingan
• D) Palakihin ang pagtuturo ng modelo upang mapalawak ang tugon hangga't maaari

Paglalarawan: Ang pag-stream ay kapansin-pansing nagpapataas ng perceived na bilis at katatasan sa pamamagitan ng pagpapakita ng tugon habang ginagawa ito sa bawat salita. Sa halip na maghintay sa isang blangkong screen, pinapanood ng user ang text form; Ito ay makabuluhang binabawasan ang rate ng pag-abandona.

8. Ano ang pinakakaraniwang problema sa mga pagsusulit na ginawa ng artificial intelligence na ginagawang walang halaga ang pagsusulit?

• A) Ang mga pagsusulit ay sumasaklaw sa napakaraming estado ng limitasyon
• B) Gumagamit ang mga pagsubok ng mga mock object, hindi tunay na serbisyo
• C) Ang mga pagsusulit ay tumatakbo nang napakabilis
• D) Saklaw ng bloat sa pamamagitan ng walang laman/walang silbi na mga pagsubok na hindi talaga nagpapatunay ng isang gawi ✔

Paliwanag: Ang artificial intelligence minsan ay gumagawa ng mga pagsubok na hindi aktwal na nagbe-verify ng anumang output (hal. tumawag lang sa function at magsulat ng walang laman na assertion). Pinapalaki ng mga ito ang numero ng saklaw ngunit hindi nagbibigay ng tunay na proteksyon; Dapat suriin ang bawat pagsubok upang ma-verify ang makabuluhang gawi.

9. Bakit hindi sapat na solusyon ang patahimikin ang isang pag-crash sa pamamagitan ng paglalagay nito sa isang try-catch na may mungkahi ng artificial intelligence?

• A) hindi magagamit ang try-catch sa mga mobile application
• B) Huminto ang pag-crash, ngunit dahil hindi naresolba ang ugat, babalik ang problema sa ibang anyo ✔
• C) Ang paggamit ng try-catch ay nagpapabagal sa aplikasyon, kaya ito ay ipinagbabawal
• D) Ang pinatahimik na error ay awtomatikong tinatanggihan ng tindahan

Paliwanag: Ang pagpapatahimik sa sintomas ay hindi malulutas ang ugat na sanhi; Huminto ang pag-crash, ngunit ang orihinal na problema (hal. sirang koneksyon ng data) ay bumalik sa ibang anyo (hal. pagkawala ng data). Ang layunin sa propesyonal na pag-debug ay lutasin ang ugat, hindi ang sintomas.

10. Ano ang pangunahing ginintuang tuntunin na dapat sundin sa pag-optimize ng pagganap?

• A) Kumuha muna ng profile at sukatin ang tunay na bottleneck, pagkatapos ay i-optimize ✔
• B) Hulaan kung saan mabagal at tumutok doon
• C) Hinahabol ang maliliit na pakinabang sa bawat function
• D) Pagsukat ng pagganap sa emulator at hindi kailanman sinusubukan ang tunay na aparato

Paglalarawan: Sukatin muna, i-optimize sa ibang pagkakataon. Ang tunay na bottleneck ay halos palaging nasa ibang lokasyon kaysa sa hinulaang; Ang pag-optimize nang walang pag-profile ay isang bulag na hula at kadalasan ay isang pag-aaksaya ng pagsisikap.

11. Ano ang pinakamahalagang pag-aalala sa engineering para sa patuloy na gumaganang tampok na AI (hal. live na pagsasalin ng camera)?

• A) Ang tampok ay humihiling ng maraming pahintulot hangga't maaari
• B) Pamamahala sa gastos ng baterya at processor ng tuluy-tuloy na pagproseso na may dalas ng sampling at batch processing ✔
• C) Patakbuhin lamang ang tampok sa pinakamahal na mga telepono
• D) Patuloy na pag-render ng camera sa pinakamataas na posibleng frame rate

Paglalarawan: Patuloy na gumaganang modelo, camera at network; Mabilis nitong maubos ang baterya, mapainit ang device, at mapaghihigpitan ng system. Ang pagbabawas ng dalas ng sampling, pag-batch, at pagpapatakbo lamang kapag kinakailangan ay mga paraan upang pamahalaan ang gastos ng baterya.

12. Ano ang ibig sabihin ng prinsipyo ng 'least privilege' sa pamamahala ng pahintulot sa mobile development?

• A) Paghiling ng lahat ng posibleng pahintulot sa pagsisimula, kung sakali.
• B) Gawing hindi gumagana ang app kung tinanggihan ang pahintulot
• C) Paghingi ng pinakamalawak na pahintulot at pagpaplanong paliitin ito sa ibang pagkakataon.
• D) Humihiling lamang ng pahintulot na talagang kinakailangan, kapag kinakailangan at sa loob ng pinakamaliit na saklaw, na may senaryo ng pagtanggi ✔

Paliwanag: Ang pinakamaliit na pribilehiyo ay humihingi lamang ng pahintulot na talagang kailangan, kapag ito ay kinakailangan, at sa pinakamaliit na lawak na posible. Masyadong maraming pahintulot ang sumisira sa tiwala ng user, humahantong sa pagtanggi sa tindahan, at pinapataas ang panganib ng pagtagas ng data.

13. Anong mga partikular na kinakailangan ang dapat matugunan kapag nagpapakita ng isang application na may artificial intelligence sa tindahan?

• A) Transparency ng nilalaman, kontrol sa nilalaman at pagsisiwalat ng data na napupunta sa artificial intelligence sa anyo ng pagiging kumpidensyal ✔
• B) Pagtatago ng paggamit ng artificial intelligence mula sa gumagamit
• C) Pagmamarka ng data na hindi aktwal na nakolekta sa form ng privacy
• D) Mga promising feature na wala sa paglalarawan

Pagbubunyag: Inaasahan ng mga tindahan ang transparency ng nilalaman (pahayag na gumagawa ito ng AI), pag-moderate ng nilalaman (pag-filter ng mapaminsalang output at notification ng user), at pagsisiwalat ng paggamit ng data mula sa mga application na naglalaman ng artificial intelligence; Kinakailangan ang babala sa katumpakan sa sensitibong lugar. Tatanggihan ang mga aplikasyon na nag-aalis sa mga ito.

14. Bakit hindi wasto ang pagtatanggol na 'Isinulat ito ng AI' kapag may error sa gilid ng kaso sa na-publish na code na binuo ng AI?

• A) Dahil ang artificial intelligence ay palaging gumagawa ng error-free code, ang error ay nagmumula sa user
• B) Dahil awtomatikong itinatama ng mga tindahan ang code na binuo ng AI
• C) Dahil hindi maaaring ilipat ang responsibilidad sa artificial intelligence; Responsable ang developer para sa na-publish na code at data ✔
• D) Dahil hindi kailanman inilalagay nang live ang artificial intelligence-generated code

Paglalarawan: Ang output ng AI ay isang panimulang punto, hindi isang tapos na produkto. Ang developer ang responsable para sa bawat linyang nai-publish, bawat data na naproseso, at bawat pangakong binitawan; ang responsibilidad ay hindi maaaring italaga sa AI, kaya dapat na maunawaan at masuri ang output bago ilathala.