گمراہ کن تصور سے بچنا: گرافک اخلاقیات اور دیانتداری — پریزنٹیشن اور ڈیٹا ویژولائزیشن میں مصنوعی ذہانت

فائدہ:

مسخ کرنے کی عام تکنیکوں کو پہچانیں جیسے ڈیشڈ ایکسس، 3D اثر، رقبہ کا بھرم، چیری چننا، اور غیر معمولی بنانا۔
مصنوعی ذہانت کو 'متاثر کن بنانے' کے لیے نہیں بلکہ ایمانداری کی جانچ کرنے والے کے طور پر استعمال کرنے کی صلاحیت اور گراف سے پڑھنے کے قابل اور ایماندارانہ آؤٹ پٹ کی درخواست کرنا
محور، پیمانے، قسم، حد، معمول، لیبل، اور رسائی کے لئے چارٹ کو چیک کرنے اور درست کرنے کی صلاحیت

ایک گراف اس کے سب سے زیادہ خطرناک پر جھوٹ نہیں بولتا؛ یہ گمراہ کرتا ہے۔ یہ تکنیکی طور پر "درست" ڈیٹا کا استعمال کرتا ہے لیکن اسے اس انداز میں پیش کرتا ہے جس سے آنکھ دھوکہ دیتی ہے۔ مصنوعی ذہانت کے دور میں، یہ خطرہ بڑھ گیا ہے، کیونکہ ماڈل اکثر "ایماندار" کے مقابلے میں "متاثر کن" کی حمایت کرتا ہے اور اگر آپ نوٹس نہیں کرتے ہیں تو تیزی سے گمراہ کن گراف تیار کرتا ہے۔ یہ یونٹ آپ کو مسخ کرنے کی عام تکنیکوں کو پہچاننا، AI کو ایمانداری کی جانچ کرنے والے کے طور پر استعمال کرنا، اور ان ٹریپس کے اپنے چارٹ کو صاف کرنا سکھاتا ہے۔

دھوکہ دہی کی سب سے عام تکنیک

آئیے ٹھوس مثالوں کے ساتھ چند تصورات کو دیکھتے ہیں۔

کٹا ہوا محور: y محور 0 سے شروع نہیں ہوتا، بلکہ 90 سے شروع ہوتا ہے۔ ایک چھوٹا سا فرق بہت بڑا لگتا ہے۔ 2% اضافہ 50% کی طرح لگتا ہے۔
دوہری/الٹا محور: دو مختلف y-axes کے ساتھ، مطلوبہ طور پر دو سیریز "ایک ساتھ حرکت کرنا" دکھا رہا ہے۔
3D اور حجم: تین جہتی پائی/بار سامنے کا ٹکڑا اس سے بڑا دکھائی دیتا ہے۔ قدر حجم کے ساتھ الجھتی ہے۔
رقبہ کا وہم: دائرے کے قطر کے ساتھ ایک قدر کی نمائندگی کرنا اور علاقے کو ضرب دینا (اور اس وجہ سے خیال)۔
الٹا/حرکت شدہ محور: Y-محور کو الٹا اور اضافہ کو کمی کی طرح دکھاتا ہے (اس کی بدنام مثالیں ہیں)۔
چیری چننا: بیانیہ کے مطابق ہونے والے وقت کی مدت/طبقہ کا انتخاب اور باقی کو چھپانا۔
غیر نارملائزیشن: آبادی/بنیاد سے تقسیم کیے بغیر مطلق تعداد کا موازنہ کرنا (بڑا شہر ہر چیز میں "سربراہ" دکھائی دیتا ہے)۔
غلط کل: پائی سلائسز 100% تک شامل نہیں ہو رہی ہیں، زمرہ جات کو اوور لیپ کر رہے ہیں۔

تکنیکی

یہ کیسے گمراہ کر سکتا ہے؟

ایماندار متبادل

ڈیشڈ y-axis

چھوٹے فرق کو بڑا بناتا ہے۔

0 سے محور شروع کریں۔

3D کیک/بار

نقطہ نظر قدر کو مسخ کرتا ہے۔

سادہ (2D) بار

رقبہ/قطر

رقبہ کو 4× تک بڑھاتا ہے۔

لکیری پیمانہ، واضح لیبل

چیری چننا

بیرونی مدت کو چھپاتا ہے۔

پوری مدت دکھائیں۔

denormalization

بڑے بیس کو سامنے رکھتا ہے۔

شرح / فی شخص

دوہری محور

جھوٹا رشتہ بناتا ہے۔

واحد محور یا الگ چارٹ

احتیاط: بار چارٹ کے لیے "محور 0 سے شروع ہونا چاہیے" کا اصول تقریباً مطلق ہے (بار کی لمبائی قدر کی نمائندگی کرتی ہے)۔ بعض اوقات لائن چارٹ پر تنگ رینج جائز ہوتی ہے، لیکن پھر اسے واضح کریں۔ فرق کو بڑھا چڑھا کر پیش کرنے کے لیے کبھی ایسا نہ کریں۔

مصنوعی ذہانت کو انٹیگریٹی چیکر بنانا

سب سے زیادہ طاقتور استعمال میں سے ایک: ماڈل کا آپ کے اپنے چارٹ پر تنقید کرنا۔ گمراہ کن آئٹمز سے بچنے کے لیے اسکرین شاٹس یا تفصیل فراہم کریں۔

آپ کا کردار: ڈیٹا ویژولائزیشن ایتھکس آڈیٹر۔ گمراہ کن کے لیے اس چارٹ کو چیک کریں (تصویر منسلک/تفصیل: [ ... ])۔ ان کو ایک ایک کرکے چیک کریں اور نشان زد کریں اگر آپ کو ملتا ہے:1) کیا y-axis 0 سے شروع ہوتا ہے؟ کیا کوئی کلپنگ ہے؟ 2) کیا 3D/والیوم اثر قدر کو بگاڑتا ہے؟ 3) کیا رقبہ/قطر کے لحاظ سے قدر کو بڑھا چڑھا کر پیش کیا جاتا ہے؟ 4) کیا کسی کو ٹائم پیریڈ/سگمنٹ (چیری چننا) کا انتخاب کرنا چاہئے؟ میں چاہتا ہوں کہ یہ ایماندار ہو، نہ کہ 'اچھا'۔

چارٹ سے آزادانہ طور پر کسی دعوے کا آڈٹ کرنا:

درج ذیل گرافک دعوے: "[دعوی]"۔ کیا یہ دعویٰ ڈیٹا کے ذریعہ ایمانداری سے تائید کرتا ہے؟ محور، پیمانے، منتخب کردہ رینج، اور نارملائزیشن کے لیے اندازہ لگائیں۔ کون سا ڈیٹا چھپایا جا سکتا ہے جو دعویٰ کو کمزور کر دیتا ہے؟ گراف/ڈیٹا: [...]

قدم بہ قدم: ایمانداری کے ذریعے چارٹ پاس کرنا

محور کو چیک کریں۔ کیا بار چارٹ پر 0 سے y ہے؟ کیا کوئی کٹائی ہے؟
پیمانہ چیک کریں۔ لکیری یا لوگارتھمک؟ کیا لاگ کی وضاحت کی گئی ہے؟
قسم چیک کریں۔ کیا 3D، حجم، یا علاقے کے بارے میں کوئی غلط فہمیاں ہیں؟
دائرہ کار چیک کریں۔ پوری مدت/حصہ یا منتخب؟
نارملائزیشن چیک کریں۔ کیا فی شخص/ریٹ درکار ہے؟
لیبل اور ماخذ کو چیک کریں۔ کیا یہ یونٹ، مدت، ماخذ کہتا ہے؟
رسائی کی جانچ کریں۔ کیا رنگ نابینا لوگوں کے لیے کوئی امتیاز ہے؟

تین چھوٹے مقدمات

کیس 1 - کٹا ہوا محور۔ ایک کمپنی نے اپنے مدمقابل پر اپنی برتری ظاہر کرنے کے لیے 95 سے شروع ہونے والے y-axis کے ساتھ بار چارٹ بنایا تھا۔ 96 اور 98 کا فرق دوگنا نظر آیا۔ پریس کرنے سے پہلے اس کا معائنہ کیا گیا، محور 0 پر سیٹ کیا گیا تھا۔ اصل فرق 2% تھا۔ گمراہ کن گرافک نے شہرت کے لیے خطرہ پیش کیا۔

کیس 2 - نارملائزیشن۔ ایک میونسپلٹی نے کہا، "ہم سب سے زیادہ درخت لگانے والے ضلع ہیں"۔ لیکن وہ سب سے بڑے ضلع تھے۔ جب ہم فی کس درختوں کی تعداد (معمول کے مطابق) دیکھتے ہیں تو وہ چھٹے نمبر پر آتے ہیں۔ مصنوعی ذہانت نے اس فرق کو ظاہر کیا۔ پریزنٹیشن کو "فی کس" میٹرک کے ذریعہ ایماندار بنایا گیا تھا۔

کیس 3 - چیری چننا۔ ایک سرمایہ کاری پریزنٹیشن نے صرف آخری 4 سہ ماہیوں میں اضافہ دکھایا۔ اتار چڑھاؤ کے پچھلے دو سال چھپ گئے تھے۔ آڈٹ میں تمام تاریخ شامل کی گئی۔ سرمایہ کار نے کہا "کم از کم وہ ایماندار ہے" اور اعتماد بڑھ گیا۔ اگر اسے چھپایا جاتا تو بعد میں پتہ لگانا بہت زیادہ خراب ہوتا۔

کمزور فوری / مضبوط اشارہ

کمزور:

اس گرافک کو مزید متاثر کن بنائیں۔

"متاثر کن" کی خواہش ماڈل کو بالکل دھوکہ دہی کی تکنیکوں کی طرف دھکیل دیتی ہے (محور کاٹنا، 3D، افراط زر)۔

مضبوط:

آپ کا کردار: ڈیٹا ویژولائزیشن ایتھکس آڈیٹر۔ اس بار چارٹ کو مزید پڑھنے کے قابل اور زیادہ ایماندار بنائیں: y-axis کو 0 سے شروع کریں، 3D/shadow کو ہٹائیں، سلاخوں کو قدر کے لحاظ سے ترتیب دیں، واحد نمایاں رنگ استعمال کریں، یونٹ اور ماخذ شامل کریں۔ فرق کو بڑھا چڑھا کر پیش کرنے کے لیے کچھ نہ کریں۔ اصل فرق ظاہر ہونے دیں۔ گرافک: [...]

دوسرا "متاثر کن" کے بجائے "پڑھنے کے قابل + ایماندار" کا مطالبہ کرتا ہے اور ہر ایک ایمانداری کے اصول کو ایک ایک کرکے نافذ کرتا ہے۔

عام غلطیاں

بار میں ڈیشڈ ایکسس: فرق کو بڑھا چڑھا کر پیش کرنے کا سب سے عام طریقہ۔
3D/حجم اثر: نقطہ نظر قدر کو بگاڑ دیتا ہے۔ اسے کبھی استعمال نہ کرو.
رقبہ/قطر کے ساتھ قدر: دائرے کو بڑھا کر تصور کو ضرب دینا۔
چیری چننا: مناسب مدت کا انتخاب اور باقی کو چھپانا۔
ڈی نارملائزیشن: مطلق نمبر کے ساتھ غیر منصفانہ موازنہ۔
"اسے متاثر کن بنائیں" کا مطلب ہے: ماڈل کی تحریف کو دعوت دینا۔
لاگ اسکیل کی وضاحت نہیں کرنا: لوگارتھمک محور کو بغیر وضاحت کے استعمال کرنا۔

خلاصہ میں

دھوکہ دہی والے گرافکس جھوٹ بولے بغیر دھوکہ دیتے ہیں: کٹا ہوا محور، 3D اثر، علاقے کا بھرم، چیری چننا، ڈی نارملائزیشن، اور ڈبل ایکسس سب سے عام جال ہیں۔ سلاخوں میں، محور کو 0 سے شروع کریں، 3D استعمال نہ کریں، پوری مدت دکھائیں، جہاں ضروری ہو معمول بنائیں، یونٹ اور ماخذ لکھیں۔ AI کو سالمیت کی جانچ کرنے والے کے طور پر استعمال کریں، نہ کہ "اُسے متاثر کن بنانے" کے لیے؛ ماڈل سے پڑھنے کے قابل اور ایماندارانہ پیداوار کے لیے پوچھیں۔ چارٹ کی ایمانداری آپ کی ساکھ ہے۔

درخواست کا کام

ایک چارٹ منتخب کریں جو آپ کے پاس ہے (یا ملا ہے)۔ (1) سات آئٹم ایمانداری کی جانچ (محور، پیمانہ، قسم، دائرہ کار، نارملائزیشن، لیبل، رسائی) کا اطلاق کریں۔ (2) اے آئی کو آڈیٹر کے کردار میں گراف پر تنقید کرنے دیں۔ (3) کم از کم دو گمراہ کن اشیاء کو درست کریں۔ (4) ایک ہی ڈیٹا کو جان بوجھ کر گمراہ کن اور دیانت دار ورژن کے ساتھ تیار کریں اور ایک جملے میں فرق لکھیں۔

چیک لسٹ

بار چارٹ میں، y محور 0 سے شروع ہوتا ہے۔
کوئی 3D/حجم/علاقہ بھرم نہیں۔
تمام متعلقہ مدت/طبقہ دکھا رہا ہے (کوئی چیری چننا نہیں)۔
اگر ضروری ہو تو، میں نے ڈیٹا (فی کس/شرح) کو معمول بنایا۔
چارٹ میں لکھا ہوا یونٹ، مدت اور ماخذ۔
رنگ نابینا ناظرین کے لیے امتیاز (شکل/لیبل) ہے۔
میں چاہتا تھا کہ ماڈل "ایماندار اور پڑھنے کے قابل ہو"، "متاثر کن" نہیں۔