End-to-End Daloy: Mula sa Briefing hanggang sa Pag-eensayo, Pag-verify, Pagiging Kumpidensyal at Paghahatid — Artificial Intelligence sa Presentation at Data Visualization

Mga nadagdag:

Kakayahang magsagawa ng presentasyon/data na trabaho sa isang paulit-ulit na daloy na binubuo ng briefing, paghahanda ng data, istraktura, nilalaman/graphics, pagpapatunay, pagpapatunay at mga hakbang sa paghahatid.
Sa pamamagitan ng pag-anonymize at pagsasama-sama ng sensitibong data, maaaring gumana ang panlabas na tool nang walang paglabag sa pagiging kumpidensyal at i-cross-verify ang mga kritikal na numero.
Kakayahang kumuha ng responsibilidad para sa huling paghahatid sa pamamagitan ng paggamit ng artificial intelligence bilang kasosyo sa pag-eensayo at pagsubok ng mahihirap na tanong at oras

Ang mga nakaraang unit ay nagturo ng mga kasanayan nang paisa-isa: istraktura, teksto, disenyo, pagpili ng graphic, code, dashboard, kuwento, infographic, katapatan. Pinagsasama ng panghuling unit na ito ang lahat sa isang workflow: may dumating na maikling, maghahatid ka ng presentation/data visualization. Ang aming layunin ay magtatag ng isang paulit-ulit na paraan na gumagamit ng AI mula simula hanggang katapusan ngunit pinapatunayan ito sa bawat hakbang, na pinapanatili ang privacy at etika.

Pitong hakbang sa dulo-sa-dulo na daloy

Maikling at saklaw: Audience, layunin, pangunahing mensahe, tagal, channel (pagtatanghal, ulat, social media), mga paghihigpit.
Paghahanda ng data: Kolektahin, linisin, i-anonymize ang data; Magpasya kung ano ang papasok sa panlabas na sasakyan.
Istraktura at salaysay: Pumili ng pattern, bumuo ng slide spine (Unit 2, 8).
Nilalaman at graphics: Sumulat ng teksto, piliin at i-code ang tamang graphic, i-set up ang disenyo (Yunit 3-6).
Integridad at pag-verify: Ang bawat numero, bawat chart, bawat claim ay na-audit (Unit 10).
Magsanay at mag-edit: Subukan ang pagtatanghal nang malakas, orasan ito, gupitin ito ng feedback.
Paghahatid at archive: Panghuling bersyon, mga tala ng pinagmulan at magagamit muli na code/template.

Tip: Gawing checklist ang pitong hakbang na ito at ulitin ang mga ito sa bawat trabaho. Ang pag-standardize sa daloy ng trabaho ay nag-aalis ng kalidad mula sa pagiging nakasalalay sa indibidwal na anyo.

Paghahanda ng data at privacy: ang pinaka-kritikal na paghinto

Bago magbigay ng data sa AI, huminto at magtanong: Maaari bang pumasok ang data na ito sa isang panlabas na sistema? Ilang konsepto: personal na data (impormasyon na nagpapakilala sa isang indibidwal, tulad ng pangalan, pagkakakilanlan, contact, kalusugan, suweldo); anonymization (hindi maibabalik na pag-aalis ng pagkakakilanlan); pagsasama-sama (magbigay ng average/kabuuan sa halip na indibidwal na row). Panuntunan:

Huwag kailanman magpasok ng data na naglalaman ng mga personal/trade secret sa isang tool na hindi inaprubahan ng institusyon.
Kung kailangan mong ipasok, i-anonymize o pagsama-samahin: tanggalin ang mga column ng pangalan/id, ipakita lamang ang indibidwal sa loob ng grupo.
Kapag bumubuo ng mga chart/code, ibigay sa modelo ang istraktura ng data (mga pangalan ng column, mga uri), hindi ang mga hilaw na hilera ng katumpakan.

Ang iyong tungkulin: data privacy controller.Mga column ng sumusunod na dataset: [list]. Ipapakain ko ito sa isang panlabas na tool ng AI upang makagawa ng isang graph. Aling mga column ang maaaring personal/sensitibo? Markahan kung ano ang kailangan kong i-anonymize o pagsama-samahin at imungkahi kung paano ito gawin (tanggalin, i-mask, pangkat). Sabihin sa akin kung paano ako makakagawa gamit ang pinakamaliit na dami ng data na magiging sapat para sa pagsusuri.

Babala: Ang pag-paste ng sensitibong data "isang beses lang, mabilis" ay ang pinakakaraniwang paraan ng paglabag sa privacy. Kapag lumabas na, hindi na mababawi ang data.

Pagpapatunay: panghuling filter bago ihatid

Ilapat ang apat na hakbang mula sa Yunit 1 (pinagmulan, pagkakapare-pareho, katapatan, konteksto) sa buong presentasyon. Bukod pa rito, gumawa ng cross-check: kumpirmahin ang mga kritikal na numero gamit ang isang tool sa labas ng modelo (spreadsheet, calculator).

kontrol

Tanong

sasakyan

Pinagmulan

Saan nagmula ang bawat numero?

Pinagmulan ng data/tala

Consistency

Pareho ba ang slide-graphic-text?

Magbasa nang pahilis gamit ang iyong mga mata

katapatan

Nagmamalaki ba ang tsart?

Unit 10 inspeksyon

account

Tama ba ang kabuuan/porsiyento?

spreadsheet

Sipi

Totoo ba ang quote/source?

Open source, i-verify

Maging lalo na mag-ingat sa hallucination (fabricated na impormasyon): ang modelo ay maaaring "gumawa" ng isang istatistika, isang quote, o isang pinagmulan. Buksan at i-verify ang bawat panlabas na pinagmulan at figure na napupunta sa slide.

Pag-eensayo: pagsubok sa pagtatanghal gamit ang artificial intelligence

Ang artificial intelligence ay maaaring maging isang kasosyo sa pag-eensayo: pagbuo ng mahihirap na tanong mula sa pananaw ng madla, paghahanap ng mahinang mga transition, pagtatantya ng tagal.

Ang iyong tungkulin: isang mapaghamong audience at presentation coach. Suriin ang backbone ng presentasyon at mga tala ng tagapagsalita sa ibaba. 1) Bumuo ng 5 pinakamahirap na tanong na itatanong ng audience na ito ([role]). 2) Markahan ang mahina/hiwa-hiwalay na mga transisyon sa salaysay. 3) Tantyahin ang humigit-kumulang kung ilang segundo ang nahuhulog sa bawat slide, na ginagawa ang kabuuang oras na [X] minuto; Kung sobra, imungkahi kung aling mga slide ang dapat kong paikliin. Paglalahad: [ ... ].

Isang hiwalay na "pagpupulong sa pagtutol" na pag-eensayo:

Bumuo ng 4 na pagtutol sa pangunahing proposisyon ng presentasyong ito at bumalangkas ng 2-pangungusap, batay sa data na tugon sa bawat isa. Huwag gumawa ng sagot; Isulat ang [confirmation] kung saan kailangan ang confirmation. Mungkahi: [ ... ].

tatlong mini case

Case 1 — End-to-end na bilis. Ang isang consultant ay magpapakalat ng isang tipikal na presentasyon ng kliyente (pananaliksik + istraktura + mga slide + mga tsart + patunay) sa loob ng 2 araw. Kapag na-install namin ang pitong hakbang na daloy gamit ang artipisyal na katalinuhan, ang oras ay bumaba sa humigit-kumulang 1 araw; Ang isang makabuluhang bahagi ng oras na natipid ay inilaan sa pag-verify at pag-eensayo, at ang kalidad ay hindi bumaba ngunit tumaas.

Kaso 2 — Huling minutong privacy. Ang isang koponan ay mag-e-export ng mga talaan ng transaksyon ng customer (pangalan + halaga) sa panlabas na tool para sa pag-chart. Huminto sila sa hakbang sa pagkontrol sa privacy; Tinanggal nila ang mga pangalan at na-convert ang mga halaga sa average ng segment. Ang pagsusuri ay gumana muli, walang personal na data ang lumabas. Ang desisyon na ito ay pinahahalagahan sa isang kasunod na pag-audit.

Case 3 — Iniligtas ng rehearsal ang eksena. Sinabi ng isang negosyante sa AI na "bumuo ng 5 pinakamahirap na tanong" bago ang isang pagtatanghal ng mamumuhunan. Tatlo sa mga tanong ang tinanong sa pulong; Mataray niyang sagot dahil pinaghandaan niya. Kung hindi siya nag-rehearse, naipit na siya sa pinaka-kritikal na tanong.

Mahinang prompt / Malakas na prompt

mahina:

Maghanda at tapusin ang isang presentasyon mula simula hanggang katapusan gamit ang data na ito.

Gustong "lahat" sa isang iglap; walang verification, walang lihim, walang rehearsal. Ang modelo ay umaangkop sa mga puwang, hindi mo ito makokontrol.

malakas:

Mag-set up tayo ng isang presentasyon nang hakbang-hakbang. Gawin mo lang muna ang hakbang 1: linawin ang maikling (magtanong sa akin tungkol sa madla/layunin/mensahe/tagal/channel/constraint). Pagkatapos ay magpapatuloy kami sa pagkakasunud-sunod: pagsusuri sa privacy ng data, istraktura, nilalaman+graphics, pagsusuri sa katapatan, pag-proof. Huwag gumawa ng mga numero sa bawat hakbang, isulat kung ano ang kailangang kumpirmahin, huwag humingi ng sensitibong data.

Hinahati-hati ng pangalawa ang trabaho sa mga hakbang, pinapanatili kang may kontrol sa bawat hakbang, at nagtatakda ng mga hangganan ng pagiging kumpidensyal/fidelity sa harap.

Mga karaniwang pagkakamali

Humihingi ng "lahat" sa isang iglap: Ang paglaktaw sa mga hakbang ay lumalampas sa pagpapatotoo at privacy.
Pag-bypass sa privacy stop: Pagbibigay ng sensitibong data sa isang hindi nakokontrol na external na ahente.
Pagpunta sa entablado nang walang pag-eensayo: Hindi inaasahan ang mahihirap na tanong at oras.
Nilaktawan ang pag-verify ng pinagmulan/attribution: Hindi napapansin ang isang gawa-gawang istatistika o quote.
Hindi pag-archive: Hindi pag-iimbak ng code/template at ginagawa ang lahat mula sa simula.
Paglalagay ng responsibilidad sa modelo: Pagsasabing "Inihanda ito ng AI"; Gayunpaman, ang paghahatid ay sa iyo.

Sa buod

Buuin ang iyong presentasyon at data visualization business end-to-end sa pitong hakbang: maikli, paghahanda at pagiging kumpidensyal ng data, istraktura/salaysay, nilalaman/graphics, integridad at pag-verify, rehearsal, paghahatid/archive. Gumamit ng AI sa bawat hakbang, ngunit manatiling may kontrol: i-anonymize ang sensitibong data, i-cross-verify ang bawat numero at pinagmulan, gawin ang modelo na iyong kasosyo sa pagpapatunay. Pinapabilis ng artificial intelligence ang buong daloy; Ang pananagutan para sa katumpakan ng data, integridad ng mensahe, pagiging kumpidensyal at huling paghahatid ay palaging nasa iyo.

Gawain ng aplikasyon

Pumili ng isang tunay na trabaho sa pagtatanghal at sundin ang pitong hakbang. (1) Ipatanong sa AI ang maikling. (2) Magpasya kung aling data ang hindi magpapakilala sa kontrol sa privacy. (3) Isagawa ang mga hakbang na istraktura → nilalaman → tsart. (4) Magsagawa ng integrity audit at cross-check ng mga kritikal na numero. (5) Ipagawa sa artificial intelligence ang "5 pinakamahirap na tanong" at sanayin ang mga ito. (6) I-archive ang pinakabagong bersyon at magagamit muli ang code/template.

checklist

[ ] Pinatakbo ko ang trabaho ayon sa pitong hakbang na daloy.
[ ] Nag-anonymize/nagsama-sama ako ng sensitibong data o hindi ko ito inilagay.
[ ] Na-cross-validate ko ang bawat numero at panlabas na pinagmulan sa labas ng modelo.
[ ] Sinuri ko ang lahat ng graphics para sa integridad.
[ ] Nag-rehearse ako gamit ang artificial intelligence; Sinubukan ko ang mahihirap na tanong at oras.
[ ] Na-archive ko ang pinakabagong bersyon at magagamit muli na template/code.
[ ] Tinatanggap ko na ako ang may pananagutan sa huling paghahatid.

Pagsusulit sa Module

1. Ano ang pinakamahusay na pagpoposisyon para sa artificial intelligence sa presentasyon at visualization ng data?

A) Ang artipisyal na katalinuhan ay ang draft, disenyo, graphic code at katulong sa pagpuna; Ang responsibilidad para sa katumpakan ng data, katapatan at pagiging kumpidensyal ay nakasalalay sa mga tao ✔
B) Ang artificial intelligence ay isang calculator; Ang bawat numero at graph na ibinibigay niya ay ganap na tama.
C) Ang artificial intelligence ay kapaki-pakinabang lamang para sa dekorasyon ng mga slide, wala itong kinalaman sa data at graphics
D) Dahil ang AI ay mas walang kinikilingan kaysa sa mga tao, ang mga desisyon sa integridad ng graphics ay dapat na ipaubaya dito

Paglalarawan: Ang modelo ng malaking wika ay hindi isang calculator o verification machine, ngunit isang generator ng mapanghikayat na teksto at mga balangkas. Nakakatipid ito ng maraming oras sa mga tungkulin tulad ng pag-draft, disenyo, graphics code, at kritika; Gayunpaman, ang responsibilidad para sa katumpakan ng data, katapatan ng graph, pagiging kompidensiyal at huling paghahatid ay pagmamay-ari ng karampatang tao.

2. 'May kaugnayan ba sa pagitan ng paggastos sa advertising at mga benta?' Aling uri ng tsart ang magpapakita ng tanong nang tapat?

A) Multi-slice pie chart
B) Stacked bar chart
C) Scatter plot ✔
D) 3D na pie chart

Paliwanag: Ang isang scatter plot ay ginagamit upang ipakita ang ugnayan (correlation) sa pagitan ng dalawang numerical variable. Ang isang bar ay angkop para sa paghahambing at isang linya ay angkop para sa pagbabago sa paglipas ng panahon; Ang bar chart ay hindi nagbibigay ng tamang sagot sa tanong ng relasyon.

3. Bakit inirerekomendang gamitin ang 'pamagat ng aksyon' sa halip na 'pamagat ng paksa' sa pamagat ng slide?

A) Upang magkasya ang higit pang teksto sa slide
B) Dahil ito ay direktang nagbibigay ng tanging claim ng slide at nagbibigay-daan sa madla na maunawaan kaagad ang mensahe ✔
C) Dahil hindi na kailangang palakihin ang font
D) Dahil ang pangangailangan para sa mga tala ng tagapagsalita ay inalis

Paglalarawan: Ang pamagat ng aksyon ay nagbibigay kung ano ang sinasabi ng slide sa isang buong pangungusap bilang isang claim ('Bumaba ang mga benta sa loob ng 3 quarters'), ang tag ng paksa ('Sales') lang ang hindi. Nagbibigay-daan ito sa manonood na agad na maunawaan kung ano ang ibig sabihin ng bawat slide; Ito ang nag-iisang pagbabago na higit na nagpapabuti sa kalidad ng pagtatanghal.

4. Aling aplikasyon ang pinakapraktikal at etikal kapag naghahanda ng mga visual na pagtatanghal na may visual-generating na artificial intelligence?

A) I-print ang lahat ng mga pamagat at numero sa visual at direktang ilagay ito sa slide
B) Pagpapakita ng ginawang larawan bilang isang tunay na larawan ng customer
C) Upang gayahin ang estilo ng isang sikat na tatak nang eksakto
D) Paggawa ng visual na walang text at pagdaragdag ng text sa slide program at hindi pagpapakita ng pekeng totoo ✔

Paliwanag: Ang teksto sa mga larawang ginawa ay madalas na sira, kaya't kinakailangang idagdag ang teksto sa ibang pagkakataon sa slide program. Bukod pa rito, ang pagpapakita ng isang ginawang imahe bilang isang tunay na larawan/tunay na tao ay nakaliligaw at hindi etikal. Ang tamang diskarte ay upang makagawa ng larawan nang walang teksto, idagdag ang teksto sa iyong sarili, at hindi ipakita ang pekeng bilang totoo.

5. Alin ang pinaka-nababasang opsyon para ipakita ang market share ng 9 na produkto?

A) Pahalang na bar chart na pinagsunod-sunod ayon sa halaga ✔
B) 9-segment na pie chart
C) 3D pie chart na may 9 na hiwa
D) Isang solong line chart

Paliwanag: Gumagana lang ang pie chart kung mayroong 2-4 na hiwa at ang mga bahagi ay makabuluhang naiiba; 9 na katulad na mga hiwa ay hindi nababasa. Ang isang pahalang na bar chart na pinagsunod-sunod ayon sa halaga ay halos palaging mas nababasa kapag naghahambing ng maraming kategorya.

6. Bakit mas maaasahan ang 'humingi ng code na gumagawa ng graph at patakbuhin ito mismo' sa halip na humingi ng 'larawan ng graph' kapag tumatanggap ng mga graph mula sa artificial intelligence?

A) Dahil palaging pinipili ng code ang mas magagandang kulay
B) Dahil bawal gumawa ng mga larawan
C) Dahil pinoproseso ng code ang data kung ano ito at nagbibigay ng deterministiko at paulit-ulit na mga resulta, hindi na kailangang umasa sa verbal na hula ✔
D) Dahil ang code ay awtomatikong ginagawang tapat ang mga graph at walang karagdagang pag-verify ang kinakailangan

Paglalarawan: Ang malaking modelo ng wika ay isang text generator; Nanghuhula lang siya ng isang numero sa salita at maaaring mali. Pinoproseso ng code ang data kung ano ito at gumagawa ng deterministiko (palaging parehong output para sa parehong input) at nauulit na mga resulta; Kapag na-update ang data, maaaring patakbuhin muli ang code at maaaring i-refresh ang graph.

7. Ano ang pangunahing prinsipyo ng magandang disenyo ng dashboard?

A) Paglalagay ng lahat ng available na sukatan sa isang screen
B) Ipakita ang konteksto para sa isang maliit na bilang (5-9) ng mga KPI na kinakailangan para sa isang partikular na madla at desisyon ✔
C) Ipinapakita ang bawat numero na may pinakamaraming decimal na lugar hangga't maaari
D) Pagpinta sa bawat sukatan ng ibang kulay upang pag-iba-ibahin ang mga kulay

Paglalarawan: Hindi ipinapakita ng dashboard ang lahat, ngunit ang 5-9 na tamang KPI na kinakailangan para sa isang partikular na desisyon ng isang partikular na audience. Ang mga sukatan na hindi naghahatid ng desisyon ay mapupuno ang dashboard. Bukod pa rito, dapat na idagdag ang konteksto (layunin/pagbabago) at isang freshness stamp sa bawat numero, at dapat na ilagay ang pinakamahalagang KPI sa kaliwang bahagi sa itaas.

8. Aling pag-uugali ang isang bitag sa mga tuntunin ng katapatan sa pagkukuwento ng data?

A) Paglalahad ng mga natuklasan sa istruktura ng pagsasaayos ng konteksto-tension
B) Pag-uugnay ng bawat graph sa isang pangungusap sa salaysay
C) Ibuod ang pananaw sa isang pangungusap
D) Itinatago ang panahon na hindi akma sa salaysay at ipinapakita lamang ang data na sumusuporta dito (cherry picking) ✔

Paliwanag: Ang cherry-picking ay nagpapakita ng panahon/segment na akma sa salaysay at itinatago ang hindi, at ito ay lumalabag sa integridad. Nanghihikayat ang isang magandang kuwento, ngunit hindi ito dapat maging pahintulot na i-distort ang data; 'anong data ang hindi akma sa salaysay na ito?' Kailangang magtanong at ipakita ito kung kinakailangan.

9. Bakit nakaliligaw na kumatawan sa isang halaga bilang diameter ng bilog sa isang infographic ngunit doble ang diameter?

A) Kapag dumoble ang diameter, apat na beses ang lugar at nakikita ng madla na mas malaki ito kaysa sa aktwal na pagtaas ✔
B) Dahil hindi magagamit ang mga bilog sa isang pie chart
C) Dahil hindi nakikita ng mga colorblind viewer ang mga bilog
D) Dahil ang pagguhit ng isang bilog ay mas mabagal kaysa sa pagguhit ng isang stick

Paliwanag: Kapag dumoble ang diameter, apat na beses ang lugar ng bilog; Dahil nakikita ng manonood ang halaga ayon sa lugar, iniisip niya na ang 2-fold na pagtaas ay 4-fold. Ito ay tinatawag na field fallacy. Kinakailangang ibigay ang halaga hindi ayon sa lugar, ngunit sa pamamagitan ng linear na sukat at isang malinaw na label ng numero (hal. '2×').

10. Ano ang pinakakaraniwang pamamaraan ng panlilinlang at ang tamang katumbas nito sa isang bar chart?

A) Ang pagkulay sa mga stick ay nakaliligaw; Ito ay kinakailangan upang maging kulay abo ang lahat
B) Ang mga direktang label ay nakakapanlinlang; Laging kinakailangan na gumamit ng isang hiwalay na alamat
C) Pinalalaki ng gitling y-axis ang pagkakaiba; Sa bar chart ang axis ay dapat magsimula sa 0 ✔
D) Ang pahalang na bar ay nakaliligaw; palaging kailangang gumamit ng vertical bar

Paliwanag: Ang isang putol-putol na y-axis (kung saan ang y ay nagsisimula sa, sabihin nating, 90 sa halip na 0) ay nagmumukhang napakalaki ng maliit na pagkakaiba; Ang isang 2% na pagtaas ay maaaring mukhang 50%. Sa isang bar chart, ang axis ay dapat halos palaging nagsisimula sa 0 dahil ang haba ng bar ay kumakatawan sa halaga.

11. Ano ang tamang diskarte kung kailangan mong mag-export ng talahanayan na may sensitibong data (pangalan, suweldo, rekord ng customer) sa isang panlabas na tool ng AI para sa pag-chart?

A) Mabilis na idikit ang talahanayan upang makatipid ng oras
B) Pag-anonymize o pagsasama-sama ng data sa pamamagitan ng pag-alis sa mga column ng pangalan at pagkakakilanlan, at hindi paglalagay ng mga ito kung hindi kinakailangan ✔
C) Iniiwan lamang ang pinakasensitibong column at tinatanggal ang iba
D) Sapat na makakuha ng pangako ng pagiging kumpidensyal mula sa artificial intelligence bago ilagay ang data.

Paliwanag: Mahalagang huwag maglagay ng personal na data sa isang tool na hindi inaprubahan ng institusyon; Kung kinakailangan na ipasok ito, kinakailangang i-anonymise ito sa pamamagitan ng pagtanggal sa mga column ng pagkakakilanlan o pagsama-samahin ito sa pamamagitan ng pagbibigay ng average/kabuuan sa halip na mga indibidwal na row. Kapag lumabas na, hindi na mababawi ang data.

12. Ano ang ibig sabihin ng 'hallucination' sa isang output na ginawa ng artificial intelligence at ano ang dapat gawin tungkol dito?

A) Gumagamit ang modelo ng maraming kulay; kailangang bawasan ang mga kulay
B) Mabagal na operasyon ng modelo; Kailangang magsulat ng mas maikling kahilingan
C) Ang modelo ay gumuhit ng graph sa 3D; kailangang humiling ng 2B
D) Impormasyong ipinapakita ng modelo bilang totoo ngunit hindi ang katotohanan; ✔ Ang bawat isyu at pinagmulan ay dapat na cross-validated

Paliwanag: Ang hallucination ay impormasyon na ipinapakita ng modelo bilang totoo ngunit hindi totoo; Maaaring ito ay isang gawa-gawa na numero, quote o pinagmulan. Sa kabilang banda, kinakailangan na i-cross-validate ang bawat numero at panlabas na mapagkukunan na ipinasok sa slide sa labas ng modelo, at itakda ang panuntunan ng 'huwag gumawa ng mga numero na wala sa data, isulat ang [pagkumpirma]' sa mga kahilingan.

13. Ano ang unang hakbang sa pagpili ng tamang uri ng tsart?

A) Isulat ang tanong na gusto mong sagutin sa isang pangungusap at ilagay ito sa isang tanong na pamilya ✔
B) Pagpili ng pinaka makulay at kapansin-pansing uri ng graphic
C) Palaging magsimula sa isang pie chart at baguhin ito kung kinakailangan
D) Gawing mas kahanga-hanga ang data sa pamamagitan ng pagpapakita nito sa 3D

Paliwanag: Ang uri ng chart ay nakadepende sa tanong na gusto mong sagutin, hindi sa hugis ng data. Una, kinakailangang isulat ang tanong sa isang pangungusap at ilagay ito sa isang pamilya (paghahambing, kalakaran, relasyon, bahagi-buong, pamamahagi), pagkatapos ay piliin ang uri. Isang pagkakamali na piliin muna ang uri at subukang magkasya ang data dito.

14. Bakit mahalagang magpatuloy nang hakbang-hakbang kapag naghahanda ng isang end-to-end na presentasyon na may artificial intelligence, sa halip na sabihing 'maghanda at tapusin ang isang presentasyon mula simula hanggang matapos sa isang galaw'?

A) Dahil ito ay palaging mas mabilis na magpatuloy hakbang-hakbang
B) Dahil hindi naiintindihan ng modelo ang mga mahabang kahilingan
C) Dahil ang pasulong na hakbang-hakbang ay nagpapanatili sa tao sa kontrol sa panahon ng pag-verify, ang pagiging kompidensiyal at pag-eensayo ay hihinto at binabawasan ang panganib ng katha at pagtagas ✔
D) Dahil ang pagtatanong sa isang galaw ay nakakapagod sa artificial intelligence.

Paglalarawan: Ang paghiling ng trabaho sa isang mabilis na hakbang ay lumalampas sa mga kritikal na paghinto tulad ng pag-verify, mga pagsusuri sa privacy, at pag-eensayo; ang modelo ay umaangkop sa mga puwang at hindi mo ito makokontrol. Ang pagpapatuloy ng hakbang-hakbang (maikli, pagiging kompidensiyal, istraktura, nilalaman/graphics, pagsusuri sa katapatan, pag-eensayo) ay nagpapanatili sa tao sa kontrol sa bawat yugto at nagtatakda ng mga limitasyon ng katha/pagkakumpidensyal mula sa simula.