اکنامیٹرکس اور شماریات میں مصنوعی ذہانت: کردار، حدود، توثیق اور رازداری

فائدہ:

• یہ تمیز کرنے کے قابل ہونا کہ تجرباتی ورک فلو (ڈیٹا کی صفائی، کوڈ، ویژولائزیشن، ڈرافٹ تشریح) میں مصنوعی ذہانت حقیقی وقت کی بچت کہاں کرتی ہے اور جہاں ٹاسک رسک لیول کے مطابق، ماڈل کا انتخاب، وجہ کا دعویٰ اور اشاعت کے فیصلے جیسے فیصلے ماہر پر چھوڑے جاتے ہیں۔
• ایک نظم و ضبط کو لاگو کرنے کی اہلیت جو ہر مصنوعی ذہانت کی پیداوار (نمبر، عدد، کوڈ، تبصرہ) کی دوبارہ گنتی کے مراحل، ماخذ سے منسلک اور شماریاتی فلٹرنگ کے ذریعے تصدیق کرتی ہے۔
• KVKK/GDPR اور ڈیٹا کے استعمال کے معاہدوں کے دائرہ کار میں مائیکرو ڈیٹا اور خفیہ/لائسنس یافتہ ڈیٹا سیٹس پر محفوظ طریقے سے کارروائی کرنے کی صلاحیت اور مناسب ٹولز کا انتخاب کرنے کی عادت حاصل کرنا۔

ایک ماہر معاشیات یا اپلائیڈ شماریات دان کی میز پر ہر روز یہی سوالات دہراتے ہیں: کیا یہ ڈیٹا سیٹ قابل اعتماد ہے؟ ان گمشدہ اقدار کا کیا کیا جائے؟ اس رجعت کا گتانک واقعی کیا کہتا ہے؟ کیا یہ تعلق سببی ہے یا محض باہمی تعلق؟ کیونکہ یہ p-value اہم ہے، کیا میں اسے مضمون یا پالیسی بریف میں لکھ سکتا ہوں؟ ان میں سے کچھ سوالات دہرائے جانے والے، کوڈ سے متعلق اور وقت طلب ہیں: ڈیٹا کو صاف کرنا، ایک ہی گراف کو دس بار پلاٹ کرنا، R یا Python کوڈ کو ڈیبگ کرنا، نتائج کو ٹیبل میں سٹرنگ کرنا۔ دوسرے براہ راست کسی تلاش کی درستگی، اشاعت کی ایمانداری، یا پالیسی کے فیصلے کی درستگی کا تعین کرتے ہیں۔

مصنوعی ذہانت (مختصر طور پر AI، AI - کمپیوٹر سسٹم جو انسانوں کی طرح ٹیکسٹ اور کوڈ تیار کر سکتے ہیں، پیٹرن کو پہچان سکتے ہیں، ڈیٹا کا خلاصہ کر سکتے ہیں اور تبصرے لکھ سکتے ہیں؛ آج سب سے زیادہ استعمال ہونے والی شکل بڑے لینگویج ماڈلز ہیں، یعنی وہ سسٹم جو بڑے ٹیکسٹ پر تربیت یافتہ ہیں اور اگلے لفظ کی پیشین گوئی کر کے جملے بناتے ہیں) اس ٹیبل کے عین وسط میں بیٹھا ہے۔ صحیح طریقے سے استعمال ہونے پر، یہ ڈیٹا کلیننگ کوڈ کے گھنٹوں کو منٹوں میں گھٹا دیتا ہے، آپ کو ایک پیچیدہ شماریاتی ٹیسٹ کے نحو کی یاد دلاتا ہے، یا کسی گتانک کی تشریح کا مسودہ تیار کرتا ہے۔ جب غلط استعمال کیا جاتا ہے، تو یہ بظاہر یقینی لیکن مکمل طور پر من گھڑت تعداد، ایک غلط اہمیت، یا غیر سبب تعلق کو بطور "تلاش" پیش کرتا ہے۔

یہ پہلا یونٹ سافٹ ویئر کا تعارف نہیں ہے۔ اس کا مقصد یہ واضح کرنا ہے کہ آپ کے تجرباتی ورک فلو میں AI کو کہاں رکھنا ہے اور اسے کہاں نہیں رکھنا ہے۔ اکانومیٹرکس ایک "طریقہ نازک" اور بالواسطہ طور پر "فیصلہ کرنے والا" فیلڈ دونوں ہے: آپ جو ماڈل بناتے ہیں اس کا گتانک مرکزی بینک کے شرح سود کے فیصلے، ریگولیٹر کی پالیسی میں تبدیلی، یا کسی فرم کی ملین ڈالر کی سرمایہ کاری کا ان پٹ ہو سکتا ہے۔ آئیے شروع سے بنیادی اصول بیان کرتے ہیں: مصنوعی ذہانت ایک تجزیہ کار ہے، محقق نہیں۔ ماڈل کے انتخاب، شناخت کی حکمت عملی، وجہ کا دعویٰ، اشاعت اور پالیسی فیصلوں کی ذمہ داری اور حتمی منظوری قابل ماہر کی ہے۔

تجرباتی ورک فلو کی پرتیں اور AI کی جگہ

تجرباتی مطالعہ کو تین پرتوں میں تقسیم کرنا مفید ہے۔ ایگزیکیوشن لیئر یومیہ تکنیکی کام ہے: ڈیٹا کلیننگ کوڈ، گراف ڈرائنگ، ٹیبل فارمیٹنگ، سنٹیکس ڈیبگنگ۔ طریقہ کی پرت تجزیاتی فیصلہ ہے: کون سا ماڈل، کون سی شناخت کی حکمت عملی، کون سی جانچ، کون سا مفروضہ جانچنا۔ تشریح اور فیصلہ کی پرت نتائج کا مطلب ہے: گتانک کیا کہتا ہے، کیا یہ وجہ ہے، پالیسی کے لیے اس کا کیا مطلب ہے، کیا اسے شائع کیا جانا چاہیے۔ AI تینوں تہوں کو چھوتا ہے، لیکن ہر ایک میں مختلف اختیار کے ساتھ۔ ایگزیکیوشن لیئر پر، AI جلدی سے کوڈ تیار کرتا ہے اور تیار کرتا ہے۔ تشریح اور فیصلے کی پرت میں، صرف ان پٹ دیا جاتا ہے اور ماہر فیصلہ کرتا ہے۔

آئیے شروع سے چند بنیادی اصطلاحات کی وضاحت کرتے ہیں۔ اکانومیٹرکس وہ شاخ ہے جو معاشی اور سماجی ڈیٹا کا شماریاتی طریقوں سے تجزیہ کرتی ہے اور تعلقات کو ماپتی ہے۔ رجعت ایک ایسا طریقہ ہے جو عددی طور پر نتائج کے متغیر (انحصار متغیر) کے تعلق کو ایک یا زیادہ وضاحتی متغیرات (آزاد متغیرات) کے ساتھ نمونہ بناتا ہے۔ گتانک وہ عدد ہے جو یہ ظاہر کرتا ہے کہ ایک وضاحتی متغیر میں اوسطاً تبدیلی کی کتنی اکائیاں تبدیلی کے نتائج کے متغیر سے وابستہ ہیں۔ p-value وہ امکان ہے کہ مشاہدہ شدہ نتیجہ (یا اس سے زیادہ انتہائی نتیجہ) اتفاقاً واقع ہو گا جب کوئی اثر حقیقت میں موجود نہ ہو۔ ہم مندرجہ ذیل اکائیوں میں ایک ایک کرکے ان تصورات کی وضاحت کریں گے۔ ابھی کے لیے، یہ جان لیں: ان سب میں، AI آپ کو بلیو پرنٹ، کوڈ اور وضاحت دیتا ہے، لیکن یہ سائنسی فیصلے نہیں کرتا ہے۔

درج ذیل جدول مشن کے لحاظ سے AI کے کردار اور خطرے کی سطح کا خلاصہ کرتا ہے:

جستجو

AI کا کردار

خطرے کی سطح

کون منظور کرتا ہے۔

ڈیٹا سینیٹائزیشن کوڈ لکھنا

کوڈ جنریٹر

کم

خود تجزیہ کار (کوڈ ٹیسٹنگ کے ساتھ)

چارٹ/ٹیبل ڈرافٹ

خاکہ جنریٹر

کم

تجزیہ کار

ٹیسٹ/ماڈل نحوی یاد دہانی

حوالہ اسسٹنٹ

کم درمیانی

تجزیہ کار

ڈرافٹ گتانک کی تشریح

ڈرافٹ مصنف

درمیانہ

ماہر معاشیات

ماڈل/شناختی حکمت عملی کا انتخاب

معاون ان پٹ

اعلی

ماہر محقق

وجہ کا دعویٰ

صرف ایک مسودہ، کبھی حتمی لفظ نہیں۔

بہت اعلی

ماہر + ہم مرتبہ جائزہ

اشاعت/پالیسی کا فیصلہ

صرف ان پٹ

بہت اعلی

ذمہ دار تفتیش کار/ ادارہ

اس جدول کی ایک سطر کو ذہن میں رکھیں: جیسے جیسے خطرہ بڑھتا ہے، AI کا کردار سکڑتا ہے اور ماہرین کی منظوری بڑھتی ہے۔

کیوں "تصدیق" اس کاروبار کا دل ہے۔

زبان کے ماڈل اپنے جواب میں پراعتماد نظر آتے ہیں، لیکن ہو سکتا ہے کہ وہ یقین نہ کریں۔ تکنیکی زبان میں، اسے ہیلوسینیشن کہتے ہیں: یہ ایک روانی سے جملے میں غیر موجود معلومات کی ماڈل کی من گھڑت ہے، جیسے کہ یہ سچ ہے۔ ایک ماہر معاشیات کے لیے، یہ ایک جان لیوا جال ہے۔ ماڈل آپ کو صحیح نمبر دے سکتا ہے جیسے کہ "2015-2020 کے درمیان ترکی میں بے روزگاری اور افراط زر کے درمیان تعلق 0.62 ہے"؛ تاہم، اس نے کبھی آپ کا ڈیٹا نہیں دیکھا اور یہ نمبر مکمل طور پر بنا ہوا ہے۔ یا یہ کہہ سکتا ہے، "سفید ٹیسٹ پی-ویلیو 0.03 تھی"؛ جبکہ اس نے کوئی ٹیسٹ نہیں کیا۔ یہ ایک آر فنکشن کو ایسی دلیل کے ساتھ کال کر سکتا ہے جو حقیقت میں موجود نہیں ہے۔ وہ تینوں ایک ہی روانی کے ساتھ گاتا ہے۔ صحیح اور غلط کو الگ کرنے والی واحد چیز آپ کا علم اور آپ کی تصدیق کی عادت ہے۔

تصدیق کا نظم تین مراحل پر مشتمل ہے:

1. اپنے ماحول میں دوبارہ حساب لگائیں / چلائیں: AI کے ذریعہ R/Python میں دیئے گئے ہر نمبر، تناسب، ٹیسٹ کے نتائج اور گتانک کا حساب اپنے اپنے ڈیٹا سے کریں، نہ کہ AI کی میموری سے۔ کوڈ لکھنے کے لیے AI کا استعمال کریں، نتیجہ یاد رکھنے کے لیے نہیں۔ کوڈ کو چلائیں، آپ آؤٹ پٹ پیدا کرتے ہیں.
2. ماخذ سے لنک: طریقہ کار کے اصولوں، فارمولوں اور تعریفوں کے لیے نصابی کتابوں، طریقوں کے مضامین، اور سرکاری دستاویزات پر انحصار کریں۔ AI کے بیان "اس ٹیسٹ کا مفروضہ ہے" کی تصدیق کسی قابل اعتماد ذریعہ سے کریں۔
3. شماریاتی فلٹر: ماہر آنکھوں سے جانچیں کہ آیا آؤٹ پٹ شماریاتی منطق (مفروضے، نمونہ، اثر کا سائز، غیر یقینی صورتحال) سے متصادم ہے۔ "معنی خیز لیکن مضحکہ خیز" نتیجہ کو مسترد کریں۔

احتیاط: کسی مضمون، مقالے یا پالیسی نوٹ میں AI سے تیار کردہ گتانک، ٹیسٹ یا تشریح کو بغیر توثیق کیے رکھنا ایک غیر جائزہ شدہ تلاش کو شائع کرنے کے مترادف ہے۔ صرف اس لیے کہ آؤٹ پٹ روانی ہے درست نہیں ہے۔ صرف اس لیے کہ تعداد یقینی معلوم ہوتی ہے، یہ حقیقی نہیں ہے۔

رازداری: مائیکرو ڈیٹا اور لائسنس یافتہ ڈیٹا کو نجی طور پر محفوظ کیا جاتا ہے۔

مائیکرو ڈیٹا (انفرادی، گھریلو، فرم یا مریض کی سطح پر واحد ریکارڈ) اکانومیٹرکس میں کثرت سے استعمال ہوتے ہیں۔ اس میں سے زیادہ تر ڈیٹا ذاتی ڈیٹا ہے اور ترکی میں KVKK (ذاتی ڈیٹا پروٹیکشن قانون) اور یورپ میں GDPR کے تحت محفوظ ہے۔ مزید برآں، TurkStat، مرکزی بینک، پینل ڈیٹا فراہم کرنے والے اور تجارتی ذرائع اکثر ڈیٹا کے استعمال کے معاہدے کے ساتھ ڈیٹا فراہم کرتے ہیں۔ یہ معاہدے تیسرے فریق کو ڈیٹا منتقل کرنے سے منع کرتے ہیں۔ شناختی معلومات، آمدنی، صحت یا کمپنی کے رازوں پر مشتمل ٹیبل کو عوامی AI چیٹ ٹول میں چسپاں کرنا KVKK/GDPR کی خلاف ورزی اور معاہدے کی خلاف ورزی ہے۔ کیونکہ ڈیٹا ایک بیرونی سرور پر جاتا ہے اور کچھ ٹولز میں ماڈل ٹریننگ میں استعمال کیا جا سکتا ہے۔

اصول آسان ہے: ڈیٹا کو اس کے اپنے محفوظ ماحول میں رکھیں، AI سے صرف کوڈ اور طریقے پوچھیں۔ مثالی ورک فلو یہ ہے: AI سے تجزیہ کوڈ کے لیے پوچھیں، آپ اپنے کمپیوٹر/انٹرپرائز سرور پر حقیقی ڈیٹا کے ساتھ کوڈ چلاتے ہیں۔ اگر آپ کو واقعی ڈیٹا کا اشتراک کرنا ہے، گمنام (ID فیلڈز کو ہٹانا)، مجموعی (انفرادی کے بجائے اوسط/شمار)، اور ایسے ٹولز کا انتخاب کرنا چاہیے جو ادارہ جاتی ہوں، ڈیٹا پروسیسنگ کا معاہدہ ہو، اور اپنے ڈیٹا کو تعلیم میں استعمال نہ کریں۔

تین چھوٹے مقدمات

کیس 1 - محفوظ اور موثر استعمال۔ ایک محقق نے سب سے پہلے گھریلو بجٹ کے ڈیٹا کی 40,000 قطاروں کو دستی طور پر صاف کرنے میں 6 گھنٹے گزارے۔ ڈیٹا کو شیئر کیے بغیر، اس نے صرف AI کو متغیر ناموں اور ساخت کی وضاحت کی اور صفائی کا کوڈ طلب کیا۔ AI نے ایک R اسکرپٹ تیار کیا؛ محقق نے کوڈ کو اپنے ماحول میں چلایا، لائنوں کی تعداد اور ہر قدم کے خلاصے کے اعدادوشمار کو چیک کیا، اور دو منطقی غلطیاں درست کیں۔ دورانیہ: 6 گھنٹے کے بجائے 70 منٹ۔ ڈیٹا کبھی باہر نہیں گیا؛ ذمہ داری محقق کی رہی۔

کیس 2 - غیر تصدیق شدہ نمبر ٹریپ۔ "جی ڈی پی کی ترقی اور غیر ملکی براہ راست سرمایہ کاری کے درمیان لچک کیا ہے،" ایک گریجویٹ طالب علم نے AI سے پوچھا۔ AI نے اعتماد کے ساتھ "تقریباً 0.34" کا نمبر دیا حالانکہ اسے کسی بھی ڈیٹا تک رسائی نہیں تھی۔ طالب علم نے ادب کے خلاصے میں یہ لکھا؛ جب ان کے مشیر نے ذریعہ کے بارے میں پوچھا تو پتہ چلا کہ اس نمبر کی کوئی بنیاد نہیں ہے اور یہ مکمل طور پر من گھڑت ہے۔ غلطی: AI کو ڈیٹا اور وسائل دیے بغیر اس سے ٹھوس اعدادوشمار کی توقع کرنا۔

کیس 3 - رازداری اور معاہدے کی خلاف ورزی۔ ایک تجزیہ کار نے ایکسل کو اپ لوڈ کیا، جو اسے لائسنس یافتہ کمپنی کے پینل سے موصول ہوا، جس میں کمپنی کا نام اور ٹرن اوور تھا، عوامی طور پر دستیاب AI ٹول پر اور کہا کہ "پینل ریگریشن کرو۔" ڈیٹا فراہم کرنے والے کے معاہدے نے فریق ثالث کے نظاموں میں ڈیٹا کی منتقلی کو ممنوع قرار دیا ہے۔ اس واقعے نے تعمیل کا جائزہ لیا ہے۔ صحیح طریقہ یہ تھا کہ کمپنی کے ناموں کو گمنام کوڈز سے تبدیل کیا جائے یا کوئی ڈیٹا شیئر نہ کیا جائے اور صرف پینل ریگریشن کوڈ کی درخواست کریں اور اسے اپنے ماحول میں چلائیں۔

کمزور فوری / مضبوط اشارہ

کمزور اشارہ:

افراط زر اور بے روزگاری کے درمیان تعلق کا تجزیہ کریں اور گتانک بیان کریں۔

یہ دعویٰ غلط ہے: اے آئی کو کوئی ڈیٹا نہیں دیا گیا، یہ واضح نہیں کہ کون سا ملک، کون سا دور، کون سا ماڈل۔ AI صرف بنائے گئے گتانک کے ساتھ جواب دے سکتا ہے۔

طاقتور اشارہ:

آپ کا کردار: آپ ایک تجزیہ کار ہیں جو معاشیات کے محقق کی مدد کرتے ہیں۔ میں آپ کے ساتھ ڈیٹا کا اشتراک نہیں کرتا ہوں؛ میں صرف RUNNABLE R کوڈ چاہتا ہوں۔ میرے پاس سالانہ پینل ہے: متغیر ملک، سال، بے روزگاری، افراط زر (تمام عددی)۔ ٹاسک: 1) بے روزگاری ~ افراط زر (plm پیکیج) کے لیے ایک فکسڈ ایفیکٹس پینل ریگریشن کوڈ لکھیں، 2) کوڈ کے ہر قدم کو کمنٹ لائن کے ساتھ بیان کریں، 3) نوٹ کریں کہ گتانک کو رشتہ دار کے طور پر سمجھا جانا چاہیے، نہ کہ CAUSAL، 4) فنکشن کی دلیل بنائیں جس کے بارے میں آپ کو یقین نہیں ہے۔ میں اپنے ماحول میں چل کر نتیجہ کی تصدیق کروں گا۔

اس درخواست میں کوئی ڈیٹا شیئر نہیں کیا گیا، کردار، پیکجز، تبصروں کی توقع اور "من گھڑت" کی ممانعت واضح ہے۔ آپ اب بھی چلاتے ہیں اور خود آؤٹ پٹ کی تصدیق کرتے ہیں۔

مندرجہ ذیل جدول اس سبق میں ایک جملے کے قواعد کا خلاصہ کرتا ہے:

اصول

اس کا کیا مطلب ہے

AI ایک معاون ہے۔

سائنسی فیصلہ اور ذمہ داری ماہر کی ہے۔

کوڈ کی درخواست کریں، نتیجہ پیدا کریں۔

AI نمبر یاد نہیں رکھتا۔ آپ اسے چلائیں اور حساب لگائیں

ڈیٹا رکھیں

مائیکرو/لائسنس یافتہ ڈیٹا محفوظ ماحول نہیں چھوڑتا

تصدیق کریں

ہر مسئلہ، کوڈ، تبصرہ چیک کیا جاتا ہے؛ من گھڑت رد کر دیا جاتا ہے

عام غلطیاں

• ڈیٹا دیے بغیر AI سے ٹھوس اعدادوشمار کی توقع کرنا۔ ماڈل ڈیٹا تک رسائی حاصل نہیں کر سکتا؛ یہ جو گتانک، ارتباط اور پی ویلیو دیتا ہے وہ جعلی ہے۔ ہمیشہ کوڈ کی درخواست کریں اور نتیجہ خود پیش کریں۔
• hallucinatory افعال پر انحصار کرنا۔ AI ایک R/Python فنکشن یا دلیل تجویز کر سکتا ہے جو موجود نہیں ہے۔ کوڈ کو چلائے اور تصدیق کیے بغیر قبول نہ کریں۔
• مائیکرو ڈیٹا کو پبلک ٹول پر اپ لوڈ کرنا۔ یہ KVKK/GDPR اور ڈیٹا کے استعمال کے معاہدے کی خلاف ورزی ہے۔ ڈیٹا کو گمنام کریں یا اس کا اشتراک بالکل نہ کریں۔
• درستگی کے لیے روانی کو غلط سمجھنا۔ ایک اچھی طرح سے لکھا ہوا جائزہ غلط ہو سکتا ہے۔ جملے کی خوبصورتی ثبوت نہیں ہے۔
• بے قابو زبان کو قبول کرنا۔ YZ اکثر کہتا ہے "X بڑھاتا ہے Y"؛ جبکہ زیادہ تر رجعتیں صرف تعلقات کو ظاہر کرتی ہیں۔ ڈیزائن کے ساتھ وجہ دعوے کا دفاع کریں۔

ٹپ: AI کے ساتھ کام کرتے وقت، اپنے آپ سے یہ سوال پوچھیں: "اگر کوئی ریفری یا آڈیٹر اس آؤٹ پٹ کے لیے پوچھتا ہے، تو کیا میں سورس اور اکاؤنٹ دکھا سکتا ہوں؟" اگر جواب نہیں ہے تو، آؤٹ پٹ ابھی تک استعمال کے لیے تیار نہیں ہے۔

خلاصہ میں

AI اکانومیٹرکس اور شماریات کے ورک فلو کی ایگزیکیوشن لیئر (کوڈ، کلین اپ، گراف، ڈرافٹ) میں حقیقی اور بڑے پیمانے پر سرعت فراہم کرتا ہے۔ تاہم، ماڈل کا انتخاب، وجہ، تشریح، اشاعت اور پالیسی کے فیصلے ماہر سے تعلق رکھتے ہیں۔ تین بنیادی مضامین: AI کو نمبر یاد نہ دلائیں، کوڈ طلب کریں اور نتیجہ خود بنائیں اور اس کی تصدیق کریں۔ محفوظ ماحول سے مائیکرو/لائسنس یافتہ ڈیٹا کو نہ ہٹائیں؛ شماریاتی فلٹر ہر آؤٹ پٹ. ایک غیر تصدیق شدہ AI آؤٹ پٹ اتنا ہی خطرناک ہے جتنا کہ ایک غیر جائزہ شدہ تلاش۔

درخواست کا کام

اپنے (یا ایک مثال) ڈیٹا سیٹ پر غور کریں۔ AI سے R یا Python کوڈ کے لیے پوچھیں جو ڈیٹا کو شیئر کیے بغیر صرف متغیر ڈھانچے کو بیان کرکے وضاحتی اعدادوشمار اور سادہ گراف تیار کرتا ہے۔ آنے والے کوڈ کو اپنے ماحول میں چلائیں۔ پھر ایک چیک لسٹ رکھیں: (1) کیا کوڈ غلطیوں کے بغیر چلایا گیا، (2) لائنوں/مشاہدات کی تعداد جیسا کہ آپ کی توقع تھی، (3) AI کے کون سے تبصرے کے جملے کارآمد زبان استعمال کرتے ہیں اور اسے طے کیا جانا چاہیے۔ ایک پیراگراف میں، اس وقت کے بارے میں لکھیں جب AI نے آپ کو بچایا اور کم از کم ایک بگ آپ نے پکڑا۔

چیک لسٹ

• میں نے AI کو ٹھوس اعدادوشمار طلب کرنے پر مجبور نہیں کیا۔ میں نے کوڈ کی درخواست کی اور نتیجہ خود تیار کیا۔
• [ ] میں نے اپنے ماحول میں دیئے گئے ہر نمبر اور ٹیسٹ کے نتائج کا دوبارہ حساب لگایا۔
• [ ] میں نے تصدیق کی کہ اس کے استعمال کردہ فنکشنز/دلائل دراصل موجود ہیں۔
• میں نے مائیکرو/پرسنل/لائسنس یافتہ ڈیٹا پبلک ٹول پر اپ لوڈ نہیں کیا۔
• [ ] میں نے ان تبصروں کو نشان زد کیا جن میں کازل لینگویج ہے اور انہیں متعلقہ زبان میں منتقل کر دیا ہے۔
• [ ] میں ایک آڈیٹر کو آؤٹ پٹ کا ذریعہ اور اکاؤنٹنگ دکھانے کے قابل ہوں۔