ସ୍ୱୟଂଶାସିତ ଏଜେଣ୍ଟମାନଙ୍କ ପାଇଁ ଡିଜାଇନ୍ ଏକ ଅନନ୍ୟ ନିରାଶା ଉପସ୍ଥାପନ କରେ | ଆମେ ଏକ ଜଟିଳ କାର୍ଯ୍ୟକୁ ଏକ AI କୁ ଦେଇଥାଉ, ଏହା 30 ସେକେଣ୍ଡ (କିମ୍ବା 30 ମିନିଟ୍) ପାଇଁ ଅଦୃଶ୍ୟ ହୁଏ, ଏବଂ ତାପରେ ଏହା ଏକ ଫଳାଫଳ ସହିତ ଫେରିଯାଏ | ଆମେ ପରଦାରେ ଚାହିଁ ରହିଥାଉ | ଏହା କାମ କଲା କି? ଏହା ହାଲୁସିନାଟ୍ ହେଲା କି? ଏହା ଅନୁପାଳନ ଡାଟାବେସ୍ ଯାଞ୍ଚ କରିଛି ନା ସେହି ପଦକ୍ଷେପକୁ ଏଡ଼ାଇ ଦେଇଛି? ଆମେ ସାଧାରଣତ two ଦୁଇଟି ଚରମ ମଧ୍ୟରୁ ଗୋଟିଏ ସହିତ ଏହି ଚିନ୍ତାକୁ ପ୍ରତିକ୍ରିୟା କରିଥାଉ | ଆମେ ହୁଏତ ସିଷ୍ଟମକୁ ଏକ ବ୍ଲାକ୍ ବକ୍ସ ରଖୁ, ସରଳତା ବଜାୟ ରଖିବା ପାଇଁ ସବୁକିଛି ଲୁଚାଇଥାଉ, କିମ୍ବା ଆମେ ଭୟଭୀତ ହୋଇ ଏକ ଡାଟା ଡମ୍ପ୍ ପ୍ରଦାନ କରୁ, ପ୍ରତ୍ୟେକ ଲଗ୍ ଲାଇନ୍ ଏବଂ API କଲ୍ ବ୍ୟବହାରକାରୀଙ୍କୁ ଷ୍ଟ୍ରିମ୍ କରୁ | ଉପଯୋଗକର୍ତ୍ତାଗଣଙ୍କୁ ଆଦର୍ଶର ସ୍ୱଚ୍ଛତାର ସ୍ତର ଯୋଗାଇବା ପାଇଁ ଆବଶ୍ୟକ ଆଭିମୁଖ୍ୟକୁ ସିଧାସଳଖ ସମ୍ବୋଧନ କରେ ନାହିଁ | ବ୍ଲାକ୍ ବକ୍ସ ବ୍ୟବହାରକାରୀଙ୍କୁ ଶକ୍ତିହୀନ ଅନୁଭବ କରେ | ଡାଟା ଡମ୍ପ୍ ବିଜ୍ଞପ୍ତି ଦୃଷ୍ଟିହୀନତା ସୃଷ୍ଟି କରେ, ଏଜେଣ୍ଟ ପ୍ରଦାନ କରିବାକୁ ପ୍ରତିଜ୍ଞା କରିଥିବା ଦକ୍ଷତାକୁ ନଷ୍ଟ କରିଦିଏ | ଉପଭୋକ୍ତାମାନେ କିଛି ନ ଭାଙ୍ଗିବା ପର୍ଯ୍ୟନ୍ତ ସୂଚନାର କ୍ରମାଗତ ଷ୍ଟ୍ରିମକୁ ଅଣଦେଖା କରନ୍ତି, ଯେଉଁ ସମୟରେ ଏହାର ସମାଧାନ ପାଇଁ ସେମାନଙ୍କର ପ୍ରସଙ୍ଗ ଅଭାବ | ସନ୍ତୁଳନ ଖୋଜିବା ପାଇଁ ଆମକୁ ଏକ ସଂଗଠିତ ଉପାୟ ଦରକାର | ମୋର ପୂର୍ବ ଆର୍ଟିକିଲରେ, “ଏଜେଣ୍ଟ୍ AI ପାଇଁ ଡିଜାଇନ୍”, ଆମେ ଇଣ୍ଟରଫେସ୍ ଉପାଦାନଗୁଡିକୁ ଦେଖିଲୁ ଯାହା ବିଶ୍ୱାସ ସୃଷ୍ଟି କରେ, ଯେପରି AI ର ଉଦ୍ଦିଷ୍ଟ କାର୍ଯ୍ୟକୁ ପୂର୍ବରୁ ଦେଖାଇବା (ଇଣ୍ଟେଣ୍ଟ୍ ପ୍ରିଭ୍ୟୁ) ଏବଂ ଉପଭୋକ୍ତାମାନଙ୍କୁ AI ନିଜେ କେତେ କରେ ତାହା ଉପରେ ନିୟନ୍ତ୍ରଣ ଦେବା (ସ୍ୱୟଂଶାସିତ ଡାଏଲ୍) | କିନ୍ତୁ କେଉଁ ଉପାଦାନଗୁଡିକ ବ୍ୟବହାର କରାଯିବ ତାହା ଜାଣିବା କେବଳ ଚ୍ୟାଲେଞ୍ଜର ଏକ ଅଂଶ | ଡିଜାଇନର୍ମାନଙ୍କ ପାଇଁ କଠିନ ପ୍ରଶ୍ନ ହେଉଛି ସେଗୁଡିକ କେବେ ବ୍ୟବହାର କରିବେ ଜାଣିବା | ଆପଣ କିପରି ଜାଣିବେ 30 ସେକେଣ୍ଡର କାର୍ଯ୍ୟ ପ୍ରବାହରେ କେଉଁ ନିର୍ଦ୍ଦିଷ୍ଟ ମୁହୂର୍ତ୍ତ ଏକ ଇଣ୍ଟେଣ୍ଟ୍ ପ୍ରିଭ୍ୟୁ ଆବଶ୍ୟକ କରେ ଏବଂ କେଉଁଟି ଏକ ସରଳ ଲଗ୍ ଏଣ୍ଟ୍ରି ସହିତ ପରିଚାଳିତ ହୋଇପାରିବ? ଏହି ପ୍ରଶ୍ନର ଉତ୍ତର ଦେବାକୁ ଏହି ଆର୍ଟିକିଲ୍ ଏକ ପଦ୍ଧତି ପ୍ରଦାନ କରେ | ଆମେ ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ ମାଧ୍ୟମରେ ଚାଲିବା | ଏହି ପ୍ରକ୍ରିୟା ଉପଭୋକ୍ତା ଇଣ୍ଟରଫେସରେ ବ୍ୟାକେଣ୍ଡ୍ ଲଜିକ୍ ମ୍ୟାପ୍ କରିବାକୁ ସମାନ କୋଠରୀରେ ଡିଜାଇନର୍ ଏବଂ ଇଞ୍ଜିନିୟର୍ମାନଙ୍କୁ ପାଇଥାଏ | AI କ’ଣ କରୁଛି ତାହା ଉପରେ ଜଣେ ଉପଭୋକ୍ତା ଏକ ଅପଡେଟ୍ ଆବଶ୍ୟକ କରୁଥିବା ସଠିକ୍ ମୁହୂର୍ତ୍ତକୁ କିପରି ଚିହ୍ନଟ କରିବେ ତାହା ଆପଣ ଶିଖିବେ | ଆମେ ଏକ ଇମ୍ପାକ୍ଟ / ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସ ମଧ୍ୟ କଭର୍ କରିବୁ ଯାହା କେଉଁ ନିଷ୍ପତ୍ତି ନୋଡ୍ ପ୍ରଦର୍ଶନ କରିବାକୁ ଏବଂ ସେହି ନିଷ୍ପତ୍ତି ସହିତ ଯୋଡି ହେବାକୁ ଥିବା କ associated ଣସି ସଂପୃକ୍ତ ଡିଜାଇନ୍ ପ୍ୟାଟର୍ କୁ ପ୍ରାଥମିକତା ଦେବାରେ ସାହାଯ୍ୟ କରିବ | ସ୍ୱଚ୍ଛତା ମୁହୂର୍ତ୍ତ: ଏକ କେସ୍ ଅଧ୍ୟୟନର ଉଦାହରଣ | ମେରିଡିଆନ୍ (ପ୍ରକୃତ ନାମ ନୁହେଁ) କୁ ବିଚାର କରନ୍ତୁ, ଏକ ବୀମା କମ୍ପାନୀ ଯାହା ପ୍ରାରମ୍ଭିକ ଦୁର୍ଘଟଣା ଦାବିଗୁଡିକ ପ୍ରକ୍ରିୟାକରଣ ପାଇଁ ଏକ ଏଜେଣ୍ଟିକ୍ AI ବ୍ୟବହାର କରେ | ବ୍ୟବହାରକାରୀ ଗାଡିର କ୍ଷୟକ୍ଷତିର ଫଟୋ ଏବଂ ପୋଲିସ ରିପୋର୍ଟ ଅପଲୋଡ୍ କରନ୍ତି | ଏକ ବିପଦ ମୂଲ୍ୟାଙ୍କନ ଏବଂ ଏକ ପ୍ରସ୍ତାବିତ ପେଆଉଟ୍ ପରିସର ସହିତ ଫେରିବା ପୂର୍ବରୁ ଏଜେଣ୍ଟ ଏକ ମିନିଟ୍ ପାଇଁ ଅଦୃଶ୍ୟ ହୁଏ | ପ୍ରାରମ୍ଭରେ, ମେରିଡିଆନ୍ଙ୍କ ଇଣ୍ଟରଫେସ୍ କେବଳ ଗଣନା ସ୍ଥିତିକୁ ଗଣନା କଲା | ଉପଭୋକ୍ତାମାନେ ନିରାଶ ହେଲେ | ସେମାନେ ଅନେକ ବିସ୍ତୃତ ଦସ୍ତାବିଜ ଦାଖଲ କରିଥିଲେ ଏବଂ ଏଆଇ ପୋଲିସର ରିପୋର୍ଟକୁ ସମୀକ୍ଷା କରିଛନ୍ତି କି ନାହିଁ ସେ ବିଷୟରେ ଅନିଶ୍ଚିତତା ଅନୁଭବ କରିଥିଲେ, ଯେଉଁଥିରେ ସାମାନ୍ୟ ପରିସ୍ଥିତି ରହିଥିଲା। ବ୍ଲାକ୍ ବକ୍ସ ଅବିଶ୍ୱାସ ସୃଷ୍ଟି କଲା | ଏହାକୁ ସମାଧାନ କରିବା ପାଇଁ, ଡିଜାଇନ୍ ଦଳ ଏକ ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ କରିଥିଲେ | ସେମାନେ ଜାଣିବାକୁ ପାଇଲେ ଯେ AI ତିନୋଟି ପୃଥକ, ସମ୍ଭାବ୍ୟତା-ଆଧାରିତ ପଦକ୍ଷେପଗୁଡିକ ସଂପାଦିତ କରିଛି, ଯେଉଁଥିରେ ଅନେକ ଛୋଟ ଷ୍ଟେପ୍ ଏମ୍ବେଡ୍ ହୋଇଛି:
ପ୍ରତିଛବି ବିଶ୍ଳେଷଣ ଏଜେଣ୍ଟ ମରାମତି ମୂଲ୍ୟ ଆକଳନ କରିବାକୁ ସାଧାରଣ କାର୍ କ୍ରାସ୍ ପରିସ୍ଥିତିର ଏକ ଡାଟାବେସ୍ ସହିତ କ୍ଷତି ଫଟୋ ତୁଳନା କରିଥିଲେ | ଏଥିରେ ଏକ ଆତ୍ମବିଶ୍ୱାସ ସ୍କୋର ଜଡିତ ଥିଲା | ପାଠ୍ୟ ସମୀକ୍ଷା ଏହା ଦାୟିତ୍ affect କୁ ପ୍ରଭାବିତ କରୁଥିବା କୀ ଶବ୍ଦ ପାଇଁ ପୋଲିସ୍ ରିପୋର୍ଟକୁ ସ୍କାନ୍ କରିଥିଲା (ଯଥା, ଦୋଷ, ପାଣିପାଗ ଅବସ୍ଥା, ସାବଧାନତା) | ଏହା ଆଇନଗତ ସ୍ଥିତିର ଏକ ସମ୍ଭାବ୍ୟ ମୂଲ୍ୟାଙ୍କନ ସହିତ ଜଡିତ | ପଲିସି କ୍ରସ୍ ରେଫରେନ୍ସ ଏହା ବ୍ୟତିକ୍ରମ କିମ୍ବା କଭରେଜ୍ ସୀମା ସନ୍ଧାନ କରି ଉପଭୋକ୍ତାଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ନୀତି ସର୍ତ୍ତାବଳୀ ବିରୁଦ୍ଧରେ ଦାବି ବିବରଣୀ ସହିତ ମେଳ ହେଲା | ଏହା ମଧ୍ୟ ସମ୍ଭାବ୍ୟ ମେଳକ ସହିତ ଜଡିତ ଥିଲା |
ଦଳ ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକୁ ସ୍ୱଚ୍ଛତା ମୁହୂର୍ତ୍ତରେ ପରିଣତ କଲା | ଇଣ୍ଟରଫେସ୍ କ୍ରମକୁ ଅଦ୍ୟତନ କରାଯାଇଥିଲା:
କ୍ଷୟକ୍ଷତିର ଫଟୋ ଆକଳନ: 500 ଯାନର ପ୍ରଭାବ ପ୍ରୋଫାଇଲ୍ ତୁଳନାରେ | ପୋଲିସ୍ ରିପୋର୍ଟର ସମୀକ୍ଷା: ଦାୟିତ୍ key ର କୀ ଶବ୍ଦ ଏବଂ ଆଇନଗତ ଉଦାହରଣ ବିଶ୍ଳେଷଣ କରିବା | ନୀତି କଭରେଜ୍ ଯାଞ୍ଚ: ଆପଣଙ୍କ ଯୋଜନାରେ ନିର୍ଦ୍ଦିଷ୍ଟ ବହିଷ୍କାର ପାଇଁ ଯାଞ୍ଚ କରୁଛି |
ସିଷ୍ଟମ୍ ତଥାପି ସମାନ ପରିମାଣର ସମୟ ନେଇଥିଲା, କିନ୍ତୁ ଏଜେଣ୍ଟଙ୍କ ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟ ବିଷୟରେ ସ୍ପଷ୍ଟ ଯୋଗାଯୋଗ ବ୍ୟବହାରକାରୀଙ୍କ ଆତ୍ମବିଶ୍ୱାସକୁ ପୁନ restored ସ୍ଥାପିତ କଲା | ଉପଭୋକ୍ତାମାନେ ବୁ understood ିପାରିଲେ ଯେ AI ଏହା ଜଟିଳ କାର୍ଯ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରୁଥିଲା, ଏବଂ ସେମାନେ ଜାଣିଥିଲେ ଯଦି ଚୂଡ଼ାନ୍ତ ମୂଲ୍ୟାଙ୍କନ ଭୁଲ୍ ମନେହୁଏ ତେବେ ସେମାନଙ୍କ ଧ୍ୟାନ କେଉଁଠାରେ ରଖାଯିବ | ଏହି ଡିଜାଇନ୍ ପସନ୍ଦ ଉପଭୋକ୍ତା ସହିତ ସଂଯୋଗର ଏକ ମୁହୂର୍ତ୍ତରେ ଚିନ୍ତାର ଏକ ମୁହୂର୍ତ୍ତକୁ ରୂପାନ୍ତରିତ କଲା | ଇମ୍ପାକ୍ଟ / ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସ ପ୍ରୟୋଗ: ଆମେ ଯାହା ଲୁଚାଇବାକୁ ବାଛିଛୁ | ଅଧିକାଂଶ AI ଅଭିଜ୍ଞତାର ଇଭେଣ୍ଟ ଏବଂ ନିଷ୍ପତ୍ତି ନୋଡର କ age ଣସି ଅଭାବ ନାହିଁ ଯାହା ପ୍ରକ୍ରିୟାକରଣ ସମୟରେ ସମ୍ଭାବ୍ୟ ଭାବରେ ପ୍ରଦର୍ଶିତ ହୋଇପାରେ | ଅଡିଟ୍ ର ସବୁଠାରୁ ଗୁରୁତ୍ out ପୂର୍ଣ୍ଣ ଫଳାଫଳ ମଧ୍ୟରୁ ଗୋଟିଏ ହେଉଛି ଅଦୃଶ୍ୟ ରଖିବା ସ୍ଥିର କରିବା | ମେରିଡିଆନ୍ ଉଦାହରଣରେ, ବ୍ୟାକେଣ୍ଡ୍ ଲଗ୍ ପ୍ରତି ଦାବି ପାଇଁ 50+ ଇଭେଣ୍ଟ ସୃଷ୍ଟି କଲା | ପ୍ରତ୍ୟେକ ଇଭେଣ୍ଟ ପ୍ରଦର୍ଶନ କରିବାକୁ ଆମେ ଡିଫଲ୍ଟ ହୋଇପାରିବା ଯେହେତୁ ସେଗୁଡିକ UI ର ଅଂଶ ଭାବରେ ପ୍ରକ୍ରିୟାକରଣ କରାଯାଇଥିଲା | ଏହା ପରିବର୍ତ୍ତେ, ଆମେ ସେମାନଙ୍କୁ ଛେଦନ କରିବା ପାଇଁ ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସ ପ୍ରୟୋଗ କରିଥିଲୁ:
ଲଗ୍ ଇଭେଣ୍ଟ: ପିଙ୍ଗ୍ ସର୍ଭର |ଅନାବଶ୍ୟକ ଯାଞ୍ଚ ପାଇଁ ପଶ୍ଚିମ-୨ | ଫିଲ୍ଟର୍ ରାୟ: ଲୁଚାନ୍ତୁ | (ନିମ୍ନ ଭାଗ, ଉଚ୍ଚ ଯାନ୍ତ୍ରିକତା) |
ଲଗ୍ ଇଭେଣ୍ଟ: ମରାମତି ଆକଳନକୁ ବ୍ଲୁବୁକ୍ ମୂଲ୍ୟ ସହିତ ତୁଳନା କରିବା | ଫିଲ୍ଟର୍ ରାୟ: ଦେଖାନ୍ତୁ | (ହାଇ ଷ୍ଟେକ୍, ବ୍ୟବହାରକାରୀଙ୍କ ଦେୟକୁ ପ୍ରଭାବିତ କରେ) |
ଅନାବଶ୍ୟକ ବିବରଣୀ କାଟି, ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ସୂଚନା - କଭରେଜ୍ ଯାଞ୍ଚ ପରି - ଅଧିକ ପ୍ରଭାବଶାଳୀ ଥିଲା | ଆମେ ଏକ ଖୋଲା ଇଣ୍ଟରଫେସ୍ ସୃଷ୍ଟି କରି ଏକ ଖୋଲା ଅଭିଜ୍ଞତା ଡିଜାଇନ୍ କରିଛୁ | ଏହି ପଦ୍ଧତି ଏହି ଧାରଣାକୁ ବ୍ୟବହାର କରେ ଯେ ଯେତେବେଳେ ଲୋକମାନେ କାର୍ଯ୍ୟଟି ଦେଖିପାରିବେ ସେତେବେଳେ ଏକ ସେବା ବିଷୟରେ ଲୋକମାନେ ଭଲ ଅନୁଭବ କରନ୍ତି | ନିର୍ଦ୍ଦିଷ୍ଟ ପଦକ୍ଷେପଗୁଡିକ (ମୂଲ୍ୟାଙ୍କନ, ସମୀକ୍ଷା, ଯାଞ୍ଚ) ଦେଖାଇ, ଆମେ ଏକ ଚିନ୍ତାର ସମୟରୁ (“ଏହା ଭାଙ୍ଗିଗଲା କି?”) ଏକ 30 ସେକେଣ୍ଡ୍ ଅପେକ୍ଷାକୁ କିଛି ମୂଲ୍ୟବାନ ଜିନିଷ ସୃଷ୍ଟି ହେବା ଭଳି ଅନୁଭବ କରିବା ସମୟକୁ ପରିବର୍ତ୍ତନ କରିଥିଲୁ (“ଏହା ଚିନ୍ତା କରୁଛି”) | ଆସନ୍ତୁ ବର୍ତ୍ତମାନ ଏକ ଧ୍ୟାନର ସହ ଦେଖିବା, କିପରି ଆମର ଉତ୍ପାଦଗୁଡିକରେ ନିଷ୍ପତ୍ତି ଗ୍ରହଣ ପ୍ରକ୍ରିୟାକୁ ସମୀକ୍ଷା କରିପାରିବା, ପ୍ରମୁଖ ମୂହୁର୍ତ୍ତଗୁଡିକ ଚିହ୍ନଟ କରିବାକୁ ଯାହା ସ୍ପଷ୍ଟ ସୂଚନା ଆବଶ୍ୟକ କରେ | ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ | ଯେତେବେଳେ ଆମେ ଏହାକୁ ଏକ କାର୍ଯ୍ୟକଳାପ ଆବଶ୍ୟକତା ପରିବର୍ତ୍ତେ ଏକ ଶ style ଳୀ ପସନ୍ଦ ଭାବରେ ବ୍ୟବହାର କରୁ ସେତେବେଳେ ସ୍ୱଚ୍ଛତା ବିଫଳ ହୁଏ | ଆମର ପଚାରିବାର ପ୍ରବୃତ୍ତି ଅଛି, “UI କିପରି ଦେଖାଯିବା ଉଚିତ୍?” ଆମେ ପଚାରିବା ପୂର୍ବରୁ, “ପ୍ରକୃତରେ ଏଜେଣ୍ଟ କ’ଣ ନିଷ୍ପତ୍ତି ନେଉଛନ୍ତି?” AI ସିଷ୍ଟମଗୁଡ଼ିକୁ ବୁ to ିବା ସହଜ କରିବାକୁ ନିଷ୍ପତ୍ତି ନୋଡ ଅଡିଟ୍ ହେଉଛି ଏକ ସରଳ ଉପାୟ | ଏହା ସିଷ୍ଟମର ଆଭ୍ୟନ୍ତରୀଣ ପ୍ରକ୍ରିୟାକୁ ଯତ୍ନର ସହିତ ମ୍ୟାପ୍ କରି କାର୍ଯ୍ୟ କରେ | ମୂଳ ଲକ୍ଷ୍ୟ ହେଉଛି ସଠିକ୍ ମୁହୂର୍ତ୍ତଗୁଡିକ ଖୋଜିବା ଏବଂ ସ୍ପଷ୍ଟ ଭାବରେ ବ୍ୟାଖ୍ୟା କରିବା ଯେଉଁଠାରେ ସିଷ୍ଟମ୍ ଏହାର ସେଟ୍ ନିୟମ ଅନୁସରଣ କରିବା ବନ୍ଦ କରିଦିଏ ଏବଂ ଏହା ପରିବର୍ତ୍ତେ ସୁଯୋଗ କିମ୍ବା ଆକଳନ ଉପରେ ଆଧାର କରି ଏକ ପସନ୍ଦ କରେ | ଏହି ସଂରଚନାକୁ ମ୍ୟାପିଙ୍ଗ୍ କରି, ସୃଷ୍ଟିକର୍ତ୍ତାମାନେ ଅନିଶ୍ଚିତତାର ଏହି ବିନ୍ଦୁଗୁଡ଼ିକୁ ସିଧାସଳଖ ସିଷ୍ଟମ୍ ବ୍ୟବହାର କରୁଥିବା ଲୋକଙ୍କୁ ଦେଖାଇପାରିବେ | ଏହା ସିଷ୍ଟମ୍ ଅପଡେଟ୍ କୁ ଅସ୍ପଷ୍ଟ ଷ୍ଟେଟମେଣ୍ଟରୁ ନିର୍ଦ୍ଦିଷ୍ଟ, ନିର୍ଭରଯୋଗ୍ୟ ରିପୋର୍ଟରେ AI କିପରି ଏହାର ସିଦ୍ଧାନ୍ତରେ ପହଞ୍ଚିଲା ସେଥିରେ ପରିବର୍ତ୍ତନ କରେ | ଉପରୋକ୍ତ ବୀମା କେସ୍ ଅଧ୍ୟୟନ ସହିତ, ମୁଁ ନିକଟରେ ଏକ କ୍ରୟ ଏଜେଣ୍ଟ ନିର୍ମାଣ କରୁଥିବା ଏକ ଟିମ୍ ସହିତ କାମ କଲି | ସିଷ୍ଟମ୍ ବିକ୍ରେତା ଚୁକ୍ତିନାମା ଏବଂ ଫ୍ଲାଗ୍ ହୋଇଥିବା ବିପଦଗୁଡିକର ସମୀକ୍ଷା କଲା | ମୂଳତ ,, ସ୍କ୍ରିନ୍ ଏକ ସରଳ ପ୍ରଗତି ଦଣ୍ଡ ପ୍ରଦର୍ଶିତ କଲା: “ଚୁକ୍ତିନାମା ସମୀକ୍ଷା କରିବା |” ଉପଭୋକ୍ତାମାନେ ଏହାକୁ ଘୃଣା କଲେ | ଆମର ଅନୁସନ୍ଧାନ ସୂଚାଇ ଦେଇଛି ଯେ ସେମାନେ ଏକ ନିଖୋଜ ଧାରାର ଆଇନଗତ ପ୍ରଭାବ ବିଷୟରେ ଚିନ୍ତିତ ଅନୁଭବ କରିଛନ୍ତି | ଏକ ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ କରି ଆମେ ଏହାକୁ ସ୍ଥିର କରିଛୁ | ଏହି ଆର୍ଟିକିଲର ଶେଷରେ ଏହି ଅଡିଟ୍ କରିବା ପାଇଁ ମୁଁ ଏକ ପର୍ଯ୍ୟାୟ ଯାଞ୍ଚ ତାଲିକା ଅନ୍ତର୍ଭୂକ୍ତ କରିଛି | ଆମେ ଇଞ୍ଜିନିୟରମାନଙ୍କ ସହିତ ଏକ ଅଧିବେଶନ ଚଳାଇଲୁ ଏବଂ ସିଷ୍ଟମ୍ କିପରି କାମ କରେ ତାହା ବର୍ଣ୍ଣନା କରିଥିଲୁ | ଆମେ “ନିଷ୍ପତ୍ତି ପଏଣ୍ଟ” ଚିହ୍ନଟ କଲୁ - ସେହି ମୁହୂର୍ତ୍ତ ଯେଉଁଠାରେ AI କୁ ଦୁଇଟି ଭଲ ବିକଳ୍ପ ମଧ୍ୟରେ ବାଛିବାକୁ ପଡିଲା | ମାନକ କମ୍ପ୍ୟୁଟର ପ୍ରୋଗ୍ରାମରେ, ପ୍ରକ୍ରିୟା ସ୍ପଷ୍ଟ: ଯଦି A ହୁଏ, ତେବେ B ସର୍ବଦା ଘଟିବ | AI ସିଷ୍ଟମରେ, ପ୍ରକ୍ରିୟା ପ୍ରାୟତ chance ସୁଯୋଗ ଉପରେ ଆଧାରିତ | AI ଭାବୁଛି A ବୋଧହୁଏ ସର୍ବୋତ୍ତମ ପସନ୍ଦ, କିନ୍ତୁ ଏହା କେବଳ 65% ନିଶ୍ଚିତ ହୋଇପାରେ | ଚୁକ୍ତିନାମା ପ୍ରଣାଳୀରେ, ଆମେ ଏକ ମୁହୂର୍ତ୍ତ ପାଇଲୁ ଯେତେବେଳେ AI ଆମର କମ୍ପାନୀ ନିୟମ ବିରୁଦ୍ଧରେ ଦାୟିତ୍ terms ସର୍ତ୍ତାବଳୀ ଯାଞ୍ଚ କଲା | ଏହା କ୍ୱଚିତ୍ ଏକ ଉପଯୁକ୍ତ ମ୍ୟାଚ୍ ଥିଲା | ଏକ 90% ମ୍ୟାଚ୍ ଯଥେଷ୍ଟ ଭଲ କି ନାହିଁ ତାହା AI ସ୍ଥିର କରିବାକୁ ପଡିଲା | ଏହା ଏକ ପ୍ରମୁଖ ନିଷ୍ପତ୍ତି ପଏଣ୍ଟ ଥିଲା |
ଥରେ ଆମେ ଏହି ନୋଡକୁ ଚିହ୍ନିବା ପରେ, ଆମେ ଏହାକୁ ବ୍ୟବହାରକାରୀଙ୍କ ନିକଟରେ ପ୍ରକାଶ କଲୁ | “ଚୁକ୍ତିନାମା ସମୀକ୍ଷା କରିବା” ପରିବର୍ତ୍ତେ, ଇଣ୍ଟରଫେସ୍ କହିବାକୁ ଅପଡେଟ୍ ହେଲା: “ଦାୟିତ୍ cla ର ଧାରା ଷ୍ଟାଣ୍ଡାର୍ଡ ଟେମ୍ପଲେଟ୍ ଠାରୁ ଭିନ୍ନ ଅଟେ | ବିପଦ ସ୍ତର ବିଶ୍ଳେଷଣ କରେ |” ଏହି ନିର୍ଦ୍ଦିଷ୍ଟ ଅଦ୍ୟତନ ଉପଭୋକ୍ତାମାନଙ୍କୁ ଆତ୍ମବିଶ୍ୱାସ ପ୍ରଦାନ କଲା | ସେମାନେ ଜାଣିଥିଲେ ଯେ ଏଜେଣ୍ଟ ଦାୟିତ୍ cla ର ଧାରା ଯାଞ୍ଚ କରିଛନ୍ତି | ସେମାନେ ବିଳମ୍ବର କାରଣ ବୁ understood ିପାରିଲେ ଏବଂ ବିଶ୍ trust ାସ ହାସଲ କଲେ ଯେ ଇଚ୍ଛାକୃତ କାର୍ଯ୍ୟ ପଛ ପଟରେ ଘଟୁଛି | ଏଜେଣ୍ଟ ଚୁକ୍ତି କରିବା ପରେ ସେମାନେ କେଉଁଠାରେ ଗଭୀର ଭାବରେ ଖୋଳିବାକୁ ମଧ୍ୟ ଜାଣିଥିଲେ | AI କିପରି ନିଷ୍ପତ୍ତି ନିଏ ତାହା ଯାଞ୍ଚ କରିବାକୁ, ତୁମ ଇଞ୍ଜିନିୟର୍, ଉତ୍ପାଦ ପରିଚାଳକ, ବ୍ୟବସାୟ ବିଶ୍ଳେଷଣକାରୀ, ଏବଂ ପ୍ରମୁଖ ବ୍ୟକ୍ତିଙ୍କ ସହିତ କାର୍ଯ୍ୟ କରିବାକୁ ପଡିବ ଯେଉଁମାନେ ପସନ୍ଦ କରନ୍ତି (ପ୍ରାୟତ hidden ଲୁକ୍କାୟିତ) ଯାହା AI ଉପକରଣ କିପରି କାର୍ଯ୍ୟ କରେ ତାହା ଉପରେ ପ୍ରଭାବ ପକାଇଥାଏ | ସାଧନ ଗ୍ରହଣ କରୁଥିବା ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅଙ୍କନ କର | ପ୍ରତ୍ୟେକ ସ୍ଥାନକୁ ଚିହ୍ନିତ କର ଯେଉଁଠାରେ ପ୍ରକ୍ରିୟା ଦିଗ ପରିବର୍ତ୍ତନ କରେ କାରଣ ଏକ ସମ୍ଭାବନା ପୂରଣ ହୁଏ | ଏଗୁଡ଼ିକ ହେଉଛି ସେହି ସ୍ଥାନ ଯେଉଁଠାରେ ଆପଣ ଅଧିକ ସ୍ୱଚ୍ଛ ହେବା ଉପରେ ଧ୍ୟାନ ଦେବା ଉଚିତ୍ | ନିମ୍ନରେ ଚିତ୍ର 2 ରେ ଦେଖାଯାଇଥିବା ପରି, ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ ଏହି ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ:
ଦଳକୁ ଏକାଠି କର: ଉତ୍ପାଦ ମାଲିକ, ବ୍ୟବସାୟ ବିଶ୍ଳେଷକ, ଡିଜାଇନର୍, ପ୍ରମୁଖ ନିଷ୍ପତ୍ତି ନେଉଥିବା ବ୍ୟକ୍ତି ଏବଂ AI ନିର୍ମାଣ କରିଥିବା ଇଞ୍ଜିନିୟରମାନଙ୍କୁ ଆଣ | ଉଦାହରଣ ସ୍ୱରୂପ, ବିଶୃଙ୍ଖଳିତ ଆଇନଗତ ଚୁକ୍ତିନାମା ସମୀକ୍ଷା କରିବା ପାଇଁ ପରିକଳ୍ପିତ ଏକ AI ଉପକରଣ ନିର୍ମାଣ କରୁଥିବା ଏକ ଉତ୍ପାଦ ଦଳ ବିଷୟରେ ଚିନ୍ତା କର | ଏହି ଦଳରେ UX ଡିଜାଇନର୍, ଉତ୍ପାଦ ପରିଚାଳକ, UX ଅନୁସନ୍ଧାନକାରୀ, ବିଷୟବସ୍ତୁ ବିଶେଷଜ୍ଞ ଭାବରେ କାର୍ଯ୍ୟ କରୁଥିବା ଅଭ୍ୟାସକାରୀ ଓକିଲ ଏବଂ ପାଠ୍ୟ-ବିଶ୍ଳେଷଣ କୋଡ୍ ଲେଖିଥିବା ବ୍ୟାକେଣ୍ଡ୍ ଇଞ୍ଜିନିୟର ଅନ୍ତର୍ଭୁକ୍ତ |
ସମଗ୍ର ପ୍ରକ୍ରିୟା ଅଙ୍କନ କରନ୍ତୁ: ଉପଭୋକ୍ତାଙ୍କର ପ୍ରଥମ କାର୍ଯ୍ୟଠାରୁ ଅନ୍ତିମ ଫଳାଫଳ ପର୍ଯ୍ୟନ୍ତ AI ନେଇଥିବା ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପକୁ ଡକ୍ୟୁମେଣ୍ଟ୍ କରନ୍ତୁ | ଦଳ ଏକ ହ୍ it ାଇଟବୋର୍ଡରେ ଛିଡା ହୋଇଛି ଏବଂ ଏକ ପ୍ରମୁଖ କାର୍ଯ୍ୟ ପ୍ରବାହ ପାଇଁ ସମଗ୍ର କ୍ରମକୁ ସ୍କେଚ୍ କରେ ଯାହା ଏକ ଜଟିଳ ଚୁକ୍ତିରେ ଏକ ଦାୟିତ୍ cla ର ଧାରା ଖୋଜୁଥିବା AI ସହିତ ଜଡିତ | ଓକିଲ ଅପଲୋଡ୍ କରନ୍ତି |ଏକ ପଚାଶ ପୃଷ୍ଠାର PDF → ସିଷ୍ଟମ୍ ଡକ୍ୟୁମେଣ୍ଟକୁ ପଠନୀୟ ପାଠ୍ୟରେ ପରିଣତ କରେ | Liability ଦାୟୀତା ଧାରା ପାଇଁ AI ପୃଷ୍ଠାଗୁଡ଼ିକୁ ସ୍କାନ୍ କରେ | ଚାଳକ ଅପେକ୍ଷା କରେ | → ମୁହୂର୍ତ୍ତ କିମ୍ବା ମିନିଟ୍ ପରେ, ଉପକରଣଟି ଉପଭୋକ୍ତା ଇଣ୍ଟରଫେସରେ ହଳଦିଆ ରଙ୍ଗରେ ମିଳିଥିବା ପାରାଗ୍ରାଫକୁ ଆଲୋକିତ କରେ | ସେମାନେ ଅନ୍ୟାନ୍ୟ କାର୍ଯ୍ୟ ପ୍ରବାହ ପାଇଁ ଏହା କରନ୍ତି ଯାହା ସାଧନ ମଧ୍ୟ ସ୍ଥାନିତ କରେ |
ଜିନିଷଗୁଡିକ କେଉଁଠାରେ ଅସ୍ପଷ୍ଟ ତାହା ଖୋଜ: ଯେକ spot ଣସି ସ୍ପଟ୍ ପାଇଁ ପ୍ରକ୍ରିୟା ମାନଚିତ୍ରକୁ ଦେଖ, ଯେଉଁଠାରେ AI ବିକଳ୍ପ କିମ୍ବା ଇନପୁଟ୍ ତୁଳନା କରେ ଯାହାର ଗୋଟିଏ ସିଦ୍ଧ ମେଳ ନାହିଁ | ଅସ୍ପଷ୍ଟ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଚିହ୍ନିବା ପାଇଁ ଦଳ ହ୍ it ାଇଟବୋର୍ଡକୁ ଦେଖେ | ଏକ ପ୍ରତିଛବିକୁ ପାଠ୍ୟରେ ପରିଣତ କରିବା କଠୋର ନିୟମ ଅନୁସରଣ କରେ | ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଦାୟିତ୍ cla ର ଧାରା ଖୋଜିବା ଅନୁମାନ କାର୍ଯ୍ୟକୁ ଅନ୍ତର୍ଭୁକ୍ତ କରେ | ପ୍ରତ୍ୟେକ ଫାର୍ମ ଏହି ଧାରାଗୁଡ଼ିକୁ ଭିନ୍ନ ଭାବରେ ଲେଖନ୍ତି, ତେଣୁ AI କୁ ଏକାଧିକ ବିକଳ୍ପ ଓଜନ କରିବାକୁ ପଡିବ ଏବଂ ଏକ ସଠିକ୍ ଶବ୍ଦ ମେଳ ଖୋଜିବା ପରିବର୍ତ୍ତେ ଏକ ଭବିଷ୍ୟବାଣୀ କରିବାକୁ ପଡିବ |
‘ସର୍ବୋତ୍ତମ ଅନୁମାନ’ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରନ୍ତୁ: ପ୍ରତ୍ୟେକ ଅସ୍ପଷ୍ଟ ସ୍ଥାନ ପାଇଁ, ସିଷ୍ଟମ୍ ଏକ ଆତ୍ମବିଶ୍ୱାସ ସ୍କୋର ବ୍ୟବହାର କରେ କି ନାହିଁ ଯାଞ୍ଚ କରନ୍ତୁ (ଉଦାହରଣ ସ୍ୱରୂପ, ଏହା 85% ନିଶ୍ଚିତ କି?) ଏଗୁଡ଼ିକ ହେଉଛି ପଏଣ୍ଟ ଯେଉଁଠାରେ AI ଏକ ଚୂଡ଼ାନ୍ତ ପସନ୍ଦ କରେ | ସିଷ୍ଟମ୍ ଅନୁମାନ କରିବାକୁ ପଡିବ (ଏକ ସମ୍ଭାବନା ଦିଅନ୍ତୁ) କେଉଁ ଅନୁଚ୍ଛେଦ (ଗୁଡିକ) ଏକ ମାନକ ଦାୟିତ୍ cla ର ଧାରା ସହିତ ଅତି ନିକଟତର | ଏହାର ସର୍ବୋତ୍ତମ ଅନୁମାନ ପାଇଁ ଏହା ଏକ ଆତ୍ମବିଶ୍ୱାସ ସ୍କୋର ନ୍ୟସ୍ତ କରେ | ସେହି ଅନୁମାନ ଏକ ନିଷ୍ପତ୍ତି ନୋଡ୍ | ଇଣ୍ଟରଫେସ୍ ଓକିଲଙ୍କୁ ଏହା କହିବା ଆବଶ୍ୟକ ଯେ ଏହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଧାରା ପାଇଛି ବୋଲି କହିବା ପରିବର୍ତ୍ତେ ଏକ ସମ୍ଭାବ୍ୟ ମ୍ୟାଚ୍ ହାଇଲାଇଟ୍ କରୁଛି |
ପସନ୍ଦକୁ ପରୀକ୍ଷା କରନ୍ତୁ: ପ୍ରତ୍ୟେକ ପସନ୍ଦ ବିନ୍ଦୁ ପାଇଁ, ନିର୍ଦ୍ଦିଷ୍ଟ ଆଭ୍ୟନ୍ତରୀଣ ଗଣିତ କିମ୍ବା ତୁଳନା କରାଯାଉଥିବା ତୁଳନା କରନ୍ତୁ (ଯଥା, ଚୁକ୍ତିନାମାର ଏକ ଅଂଶକୁ ଏକ ପଲିସି ସହିତ ମେଳ କରିବା କିମ୍ବା ଭଙ୍ଗା କାରର ଚିତ୍ରକୁ ନଷ୍ଟ ହୋଇଥିବା କାର ଫଟୋ ଲାଇବ୍ରେରୀ ସହିତ ତୁଳନା କରିବା) | ଇଞ୍ଜିନିୟର୍ ବ୍ୟାଖ୍ୟା କରିଛନ୍ତି ଯେ ସିଷ୍ଟମ୍ ବିଭିନ୍ନ ଅନୁଚ୍ଛେଦଗୁଡ଼ିକୁ ଅତୀତର ଫାର୍ମ ମାମଲାଗୁଡ଼ିକର ମାନକ ଦାୟିତ୍ cla ର ଡାଟାବେସ୍ ସହିତ ତୁଳନା କରେ | ସମ୍ଭାବ୍ୟତା ଉପରେ ଆଧାର କରି ଏକ ମ୍ୟାଚ୍ ସ୍ଥିର କରିବାକୁ ଏହା ଏକ ପାଠ୍ୟ ସମାନତା ସ୍କୋରକୁ ଗଣନା କରେ |
ସ୍ପଷ୍ଟ ବ୍ୟାଖ୍ୟା ଲେଖ: ଉପଭୋକ୍ତା ପାଇଁ ବାର୍ତ୍ତା ସୃଷ୍ଟି କର ଯାହାକି AI ଏକ ପସନ୍ଦ କଲାବେଳେ ଘଟୁଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବର୍ଣ୍ଣନା କରେ | ବିଷୟବସ୍ତୁ ଡିଜାଇନର୍ ଏହି ସଠିକ୍ ମୁହୂର୍ତ୍ତ ପାଇଁ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବାର୍ତ୍ତା ଲେଖନ୍ତି | ପାଠ୍ୟ ପ read ଼ିଛି: ସମ୍ଭାବ୍ୟ ଦାୟିତ୍ risks ର ବିପଦକୁ ଚିହ୍ନିବା ପାଇଁ ଡକ୍ୟୁମେଣ୍ଟ ପାଠ୍ୟକୁ ଷ୍ଟାଣ୍ଡାର୍ଡ ଫାର୍ମ ଧାରା ସହିତ ତୁଳନା କରିବା |
ସ୍କ୍ରିନ୍ ଅପଡେଟ୍ କରନ୍ତୁ: “ଚୁକ୍ତିନାମା ସମୀକ୍ଷା” ପରି ଅସ୍ପଷ୍ଟ ବାର୍ତ୍ତାଗୁଡ଼ିକୁ ବଦଳାଇ ଉପଭୋକ୍ତା ଇଣ୍ଟରଫେସରେ ଏହି ନୂତନ, ସ୍ୱଚ୍ଛ ବ୍ୟାଖ୍ୟା ରଖନ୍ତୁ | ଡିଜାଇନ୍ ଦଳ ଜେନେରିକ୍ ପ୍ରକ୍ରିୟାକରଣ PDF ଲୋଡିଂ ସ୍ପିନରକୁ ଅପସାରଣ କରେ | AI ଭାବୁଥିବାବେଳେ ସେମାନେ ଡକ୍ୟୁମେଣ୍ଟ୍ ଦର୍ଶକଙ୍କ ଉପରେ ଅବସ୍ଥିତ ଏକ ଷ୍ଟାଟସ୍ ବାର୍ ରେ ନୂତନ ବ୍ୟାଖ୍ୟା ସନ୍ନିବେଶ କରନ୍ତି |
ବିଶ୍ୱାସ ପାଇଁ ଯା Check ୍ଚ କରନ୍ତୁ: ନିଶ୍ଚିତ କରନ୍ତୁ ଯେ ନୂତନ ପରଦା ସନ୍ଦେଶ ବ୍ୟବହାରକାରୀଙ୍କୁ ଯେକ wait ଣସି ଅପେକ୍ଷା ସମୟ କିମ୍ବା ପରିଣାମ ପାଇଁ ଏକ ସରଳ କାରଣ ଦେଇଥାଏ, ଯାହା ସେମାନଙ୍କୁ ଅଧିକ ଆତ୍ମବିଶ୍ୱାସ ଏବଂ ବିଶ୍ୱାସ କରିବା ଉଚିତ୍ |
ପ୍ରଭାବ / ବିପଦ ମ୍ୟାଟ୍ରିକ୍ସ | ଥରେ ଆପଣ AI ର ପ୍ରକ୍ରିୟାକୁ ଅତି ନିକଟରୁ ଦେଖିଲେ, ଆପଣ ସମ୍ଭବତ many ଅନେକ ପଏଣ୍ଟ ପାଇବେ ଯେଉଁଠାରେ ଏହା ଏକ ପସନ୍ଦ କରେ | ଗୋଟିଏ AI ଏକ ଜଟିଳ କାର୍ଯ୍ୟ ପାଇଁ ଅନେକଗୁଡ଼ିଏ ଛୋଟ ପସନ୍ଦ କରିପାରେ | ସେଗୁଡିକୁ ଦେଖାଇବା ଅତ୍ୟଧିକ ଅନାବଶ୍ୟକ ସୂଚନା ସୃଷ୍ଟି କରେ | ଆପଣ ଏହି ପସନ୍ଦଗୁଡିକୁ ଗ୍ରୁପ୍ କରିବା ଆବଶ୍ୟକ କରନ୍ତି | AI ନେଉଥିବା କାର୍ଯ୍ୟ (ପ୍ରକାର) ଉପରେ ଆଧାର କରି ଏହି ପସନ୍ଦଗୁଡ଼ିକୁ ସଜାଡ଼ିବା ପାଇଁ ଆପଣ ଏକ ଇମ୍ପାକ୍ଟ / ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସ ବ୍ୟବହାର କରିପାରିବେ | ପ୍ରଭାବ / ବିପଦ ମ୍ୟାଟ୍ରିକ୍ସର ଉଦାହରଣ ଏଠାରେ ଅଛି: ପ୍ରଥମେ, ନିମ୍ନମାନର ଏବଂ ନିମ୍ନ ପ୍ରଭାବର ନିଷ୍ପତ୍ତି ଖୋଜ | ନିମ୍ନ ଭାଗ / ନିମ୍ନ ପ୍ରଭାବ
ଉଦାହରଣ: ଏକ ଫାଇଲ୍ ସଂରଚନାକୁ ସଂଗଠିତ କରିବା କିମ୍ବା ଏକ ଡକ୍ୟୁମେଣ୍ଟର ନାମ ପରିବର୍ତ୍ତନ କରିବା | ସ୍ୱଚ୍ଛତା ଆବଶ୍ୟକତା: ସର୍ବନିମ୍ନ | ଏକ ସୂକ୍ଷ୍ମ ଟୋଷ୍ଟ ବିଜ୍ଞପ୍ତି କିମ୍ବା ଏକ ଲଗ୍ ଏଣ୍ଟ୍ରି ଯଥେଷ୍ଟ | ଉପଭୋକ୍ତାମାନେ ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକୁ ସହଜରେ ପୂର୍ବବତ୍ କରିପାରିବେ |
ତା’ପରେ ଉଚ୍ଚ-ଷ୍ଟକ୍ ଏବଂ ଉଚ୍ଚ-ପ୍ରଭାବ ନିଷ୍ପତ୍ତି ଚିହ୍ନଟ କର | ଉଚ୍ଚ ଅଂଶ / ଉଚ୍ଚ ପ୍ରଭାବ |
ଉଦାହରଣ: ଏକ loan ଣ ଆବେଦନକୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବା କିମ୍ବା ଏକ ଷ୍ଟକ୍ ବାଣିଜ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା | ସ୍ୱଚ୍ଛତା ଆବଶ୍ୟକତା: ଉଚ୍ଚ | ଏହି କାର୍ଯ୍ୟଗୁଡ଼ିକ କାର୍ଯ୍ୟର ପ୍ରୁଫ୍ ଆବଶ୍ୟକ କରେ | ସିଷ୍ଟମ୍ କାର୍ଯ୍ୟ କରିବା ପୂର୍ବରୁ କିମ୍ବା ତୁରନ୍ତ ଯୁକ୍ତିଯୁକ୍ତ ପ୍ରଦର୍ଶନ କରିବା ଆବଶ୍ୟକ |
ଏକ ଆର୍ଥିକ ବାଣିଜ୍ୟ ବଟକୁ ବିଚାର କରନ୍ତୁ ଯାହା ସମସ୍ତ କ୍ରୟ / ବିକ୍ରୟ ଅର୍ଡର ସମାନ ବ୍ୟବହାର କରେ | ଏହା $ 50,000 ବାଣିଜ୍ୟ ସହିତ ସମାନ ସ୍ୱଚ୍ଛତା ସହିତ $ 5 ବାଣିଜ୍ୟ କାର୍ଯ୍ୟକାରୀ କରେ | ଉପଭୋକ୍ତାମାନେ ପ୍ରଶ୍ନ କରିପାରନ୍ତି ଯେ ସାଧନ ଏକ ବୃହତ ଡଲାର କାରବାର ଉପରେ ସ୍ୱଚ୍ଛତାର ସମ୍ଭାବ୍ୟ ପ୍ରଭାବକୁ ଚିହ୍ନିଥାଏ କି? ହାଇ-ଷ୍ଟେକ୍ ବାଣିଜ୍ୟ ପାଇଁ ବିରାମ ଏବଂ ଏହାର କାର୍ଯ୍ୟ ଦେଖାଇବା ପାଇଁ ସେମାନେ ସିଷ୍ଟମ୍ ଆବଶ୍ୟକ କରନ୍ତି | ଏହାର ସମାଧାନ ହେଉଛି ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଡଲାର ପରିମାଣରୁ ଅଧିକ ଯେକ any ଣସି କାରବାର ପାଇଁ ଏକ ସମୀକ୍ଷା ସମୀକ୍ଷା ତର୍କର ପରିଚୟ ଦେବା, ଯାହା ବ୍ୟବହାରକାରୀଙ୍କୁ ନିଷ୍ପାଦନ ପୂର୍ବରୁ ନିଷ୍ପତ୍ତି ଚଳାଉଥିବା କାରକଗୁଡିକୁ ଅନୁମତି ଦେଇଥାଏ | ନୋଡଗୁଡିକ ପ୍ୟାଟର୍ନଗୁଡିକରେ ମ୍ୟାପିଙ୍ଗ୍: ଏକ ଡିଜାଇନ୍ ପାଟର୍ନ ଚୟନ ରୁବ୍ରିକ୍ | ଥରେ ତୁମେ ତୁମର ଅଭିଜ୍ଞତାର ମୁଖ୍ୟ ନିଷ୍ପତ୍ତି ନୋଡଗୁଡ଼ିକୁ ଚିହ୍ନଟ କରିସାରିବା ପରେ, ତୁମେ ପ୍ରଦର୍ଶନ କରିବାକୁ ଥିବା ପ୍ରତ୍ୟେକଟି ପାଇଁ କେଉଁ UI ପ୍ୟାଟର୍ ପ୍ରଯୁଜ୍ୟ ତାହା ତୁମେ ନିଶ୍ଚୟ ସ୍ଥିର କରିବ | ଏଜେଣ୍ଟିକ୍ ଏଇ ପାଇଁ ଡିଜାଇନ୍ କରିବାରେ, ଆମେ ଇଣ୍ଟେଣ୍ଟ୍ ପ୍ରିଭ୍ୟୁ (ହାଇ-ଷ୍ଟେକ୍ କଣ୍ଟ୍ରୋଲ୍ ପାଇଁ) ଏବଂ ଆକ୍ସନ୍ ଅଡିଟ୍ (ରିଟ୍ରୋସ୍ପେକ୍ଟିଭ୍ ସୁରକ୍ଷା ପାଇଁ) ପରି s ାଞ୍ଚାଗୁଡ଼ିକୁ ଉପସ୍ଥାପନ କରିଥିଲୁ | ସେମାନଙ୍କ ମଧ୍ୟରେ ବାଛିବାରେ ନିର୍ଣ୍ଣାୟକ କାରକ ହେଉଛି ଓଲଟା | ଆମେ ପ୍ରତ୍ୟେକ ଫିଲ୍ଟର୍ କରୁ |ସଠିକ୍ pattern ାଞ୍ଚା ନ୍ୟସ୍ତ କରିବାକୁ ପ୍ରଭାବ ମ୍ୟାଟ୍ରିକ୍ସ ମାଧ୍ୟମରେ ନିଷ୍ପତ୍ତି ନୋଡ୍: ହାଇ ଷ୍ଟେକ୍ ଏବଂ ପ୍ରତ୍ୟାବର୍ତ୍ତନଯୋଗ୍ୟ: ଏହି ନୋଡଗୁଡିକ ଏକ ଇଣ୍ଟେଣ୍ଟ୍ ପ୍ରିଭ୍ୟୁ ଆବଶ୍ୟକ କରେ | କାରଣ ଉପଭୋକ୍ତା କାର୍ଯ୍ୟକୁ ସହଜରେ ପୂର୍ବବତ୍ କରିପାରିବେ ନାହିଁ (ଯଥା, ଏକ ଡାଟାବେସ୍ ସ୍ଥାୟୀ ଭାବରେ ଡିଲିଟ୍ କରିବା), କାର୍ଯ୍ୟକାରିତା ପୂର୍ବରୁ ସ୍ୱଚ୍ଛତା ମୁହୂର୍ତ୍ତ ନିଶ୍ଚୟ ଘଟିବ | ସିଷ୍ଟମ୍ ନିଶ୍ଚିତ ଭାବରେ ବିରାମ, ଏହାର ଉଦ୍ଦେଶ୍ୟ ବ୍ୟାଖ୍ୟା କରିବା ଏବଂ ନିଶ୍ଚିତକରଣ ଆବଶ୍ୟକ କରେ | ହାଇ ଷ୍ଟେକ୍ ଏବଂ ରିଭର୍ସିବଲ୍: ଏହି ନୋଡଗୁଡିକ ଆକ୍ସନ୍ ଅଡିଟ୍ ଏବଂ Undo ପ୍ୟାଟର୍ ଉପରେ ନିର୍ଭର କରିପାରିବ | ଯଦି AI ଚାଳିତ ବିକ୍ରୟ ଏଜେଣ୍ଟ ଏକ ଭିନ୍ନ ପାଇପଲାଇନକୁ ଏକ ଲିଡ୍ ଘୁଞ୍ଚାଏ, ଯେପର୍ଯ୍ୟନ୍ତ ଏହା ଉପଭୋକ୍ତାଙ୍କୁ ସୂଚିତ କରେ ଏବଂ ତୁରନ୍ତ Undo ବଟନ୍ ପ୍ରଦାନ କରେ ସେ ପର୍ଯ୍ୟନ୍ତ ଏହା ସ୍ onom ତ ously ସ୍ପୃତ ଭାବରେ କରିପାରିବ | ଏହି ଉପାୟରେ ନୋଡଗୁଡ଼ିକୁ କଠୋର ଶ୍ରେଣୀଭୁକ୍ତ କରି, ଆମେ “ସଚେତନ ଥକ୍କା” କୁ ଏଡ଼େଇ ଦିଏ | ଅନ୍ୟ ସବୁ ଜିନିଷ ପାଇଁ ଗତି ବଜାୟ ରଖିବା ପାଇଁ ଆକ୍ସନ୍ ଅଡିଟ୍ ଉପରେ ନିର୍ଭର କରୁଥିବାବେଳେ ଆମେ କେବଳ ପ୍ରକୃତ ଘୂର୍ଣ୍ଣନ ମୁହୂର୍ତ୍ତ ପାଇଁ ଉଚ୍ଚ-ଘର୍ଷଣ ଇଣ୍ଟେଣ୍ଟ୍ ପ୍ରିଭ୍ୟୁ ସଂରକ୍ଷଣ କରିଥାଉ |
ଓଲଟା ପ୍ରତ୍ୟାବର୍ତ୍ତନଯୋଗ୍ୟ | ନିମ୍ନ ପ୍ରଭାବ ପ୍ରକାର: ଅଟୋ-ଏକଜେକ୍ୟୁଟ୍ ୟୁ: ପାସିଭ୍ ଟୋଷ୍ଟ / LogEx: ଏକ ଫାଇଲ୍ ର ନାମ ପରିବର୍ତ୍ତନ | ପ୍ରକାର: ConfirmUI: ସରଳ Undo ଅପ୍ସନ୍ ଏକ୍ସ: ଏକ ଇମେଲ୍ ଅଭିଲେଖାଗାର | ଉଚ୍ଚ ପ୍ରଭାବ ପ୍ରକାର: ସମୀକ୍ଷା ୟୁୟୁ: ବିଜ୍ଞପ୍ତି + ସମୀକ୍ଷା ଟ୍ରେଲ୍ ଏକ୍ସ: ଏକ ଗ୍ରାହକଙ୍କୁ ଏକ ଡ୍ରାଫ୍ଟ ପଠାଇବା | ପ୍ରକାର: ଉଦ୍ଦେଶ୍ୟ ପୂର୍ବାବଲୋକନ UI: ମୋଡାଲ୍ / ସ୍ପଷ୍ଟ ଅନୁମତି ଏକ୍ସ: ଏକ ସର୍ଭର ବିଲୋପ କରିବା |
ସାରଣୀ :: ପ୍ରଭାବ ଏବଂ ରିଭର୍ସିବିଲିଟି ମ୍ୟାଟ୍ରିକ୍ସ ତାପରେ ତୁମର ସ୍ୱଚ୍ଛତାର ମୂହୁର୍ତ୍ତଗୁଡ଼ିକୁ ଡିଜାଇନ୍ s ାଞ୍ଚାରେ ମାନଚିତ୍ର କରିବା ପାଇଁ ବ୍ୟବହୃତ ହୋଇପାରିବ | ଗୁଣାତ୍ମକ ବ id ଧତା: “ଅପେକ୍ଷା କର, କାହିଁକି?” ପରୀକ୍ଷା ଆପଣ ଏକ ହ୍ it ାଇଟବୋର୍ଡରେ ସମ୍ଭାବ୍ୟ ନୋଡଗୁଡିକ ଚିହ୍ନଟ କରିପାରିବେ, କିନ୍ତୁ ଆପଣ ନିଶ୍ଚିତ ଭାବରେ ସେମାନଙ୍କୁ ମାନବୀୟ ଆଚରଣ ସହିତ ବ valid ଧ କରିବେ | ତୁମର ମାନଚିତ୍ର ବ୍ୟବହାରକାରୀଙ୍କ ମାନସିକ ମଡେଲ ସହିତ ମେଳ ଖାଉଛି କି ନାହିଁ ତାହା ଯାଞ୍ଚ କରିବାକୁ ପଡିବ | ମୁଁ “ଅପେକ୍ଷା କର, କାହିଁକି?” ନାମକ ଏକ ପ୍ରୋଟୋକଲ୍ ବ୍ୟବହାର କରେ | ପରୀକ୍ଷା ଏକ ଟାସ୍କ ସଂପୂର୍ଣ୍ଣ କରିବାକୁ ଏକ ଉପଭୋକ୍ତାଙ୍କୁ କୁହନ୍ତୁ | ସେମାନଙ୍କୁ ଉଚ୍ଚ ସ୍ୱରରେ କହିବାକୁ ନିର୍ଦ୍ଦେଶ ଦିଅ | ଯେତେବେଳେ ସେମାନେ ଏକ ପ୍ରଶ୍ନ ପଚାରନ୍ତି, “ଅପେକ୍ଷା କର, ଏହା କାହିଁକି କଲା?” କିମ୍ବା “ଏହା ଅଟକି ଯାଇଛି କି?” କିମ୍ବା "ଏହା ମୋତେ ଶୁଣିଛି କି?" - ତୁମେ ଏକ ଟାଇମଷ୍ଟ୍ୟାମ୍ପ ଚିହ୍ନିତ କର | ଏହି ପ୍ରଶ୍ନଗୁଡ଼ିକ ଉପଭୋକ୍ତା ଦ୍ୱନ୍ଦ୍ୱକୁ ସଙ୍କେତ ଦେଇଥାଏ | ଉପଭୋକ୍ତା ଅନୁଭବ କରନ୍ତି ଯେ ସେମାନଙ୍କର ନିୟନ୍ତ୍ରଣ ଦୂରେଇ ଯାଉଛି | ଉଦାହରଣ ସ୍ .ରୁପ, ଏକ ସ୍ୱାସ୍ଥ୍ୟସେବା ନିର୍ଧାରିତ ସହାୟକ ପାଇଁ ଏକ ଅଧ୍ୟୟନରେ, ଉପଭୋକ୍ତାମାନେ ଏକ ନିଯୁକ୍ତିକୁ ବୁକ୍ ବୁକ୍ ଦେଖିଲେ | ଚାରି ସେକେଣ୍ଡ ପାଇଁ ପରଦା ସ୍ଥିର ରହିଲା | ଅଂଶଗ୍ରହଣକାରୀମାନେ କ୍ରମାଗତ ଭାବରେ ପଚାରିଥିଲେ, "ଏହା ମୋର କ୍ୟାଲେଣ୍ଡର ଯାଞ୍ଚ କରୁଛି ନା ଡାକ୍ତରଙ୍କ?"
ସେହି ପ୍ରଶ୍ନ ଏକ ନିଖୋଜ ସ୍ୱଚ୍ଛତା ମୁହୂର୍ତ୍ତକୁ ପ୍ରକାଶ କଲା | ସେହି ଚାରି ସେକେଣ୍ଡର ଅପେକ୍ଷାକୁ ଦୁଇଟି ପୃଥକ ପଦକ୍ଷେପରେ ବିଭକ୍ତ କରିବାକୁ ସିଷ୍ଟମ୍ ଆବଶ୍ୟକ: “ତୁମର ଉପଲବ୍ଧତା ଯାଞ୍ଚ” ଏବଂ ତା’ପରେ “ପ୍ରଦାନକାରୀ କାର୍ଯ୍ୟସୂଚୀ ସହିତ ସିଙ୍କ୍” | ଏହି ଛୋଟ ପରିବର୍ତ୍ତନ ଉପଭୋକ୍ତାମାନଙ୍କର ଉଦ୍ବେଗର ସ୍ତରକୁ ହ୍ରାସ କଲା | ଯେତେବେଳେ ଏହା କେବଳ ଏକ ସିଷ୍ଟମ କାର୍ଯ୍ୟକୁ ବର୍ଣ୍ଣନା କରେ ସେତେବେଳେ ସ୍ୱଚ୍ଛତା ବିଫଳ ହୁଏ | ଇଣ୍ଟରଫେସ୍ ନିଶ୍ଚିତ ଭାବରେ ବ technical ଷୟିକ ପ୍ରକ୍ରିୟାକୁ ଉପଭୋକ୍ତାଙ୍କର ନିର୍ଦ୍ଦିଷ୍ଟ ଲକ୍ଷ୍ୟ ସହିତ ସଂଯୋଗ କରିବ | “ଆପଣଙ୍କର ଉପଲବ୍ଧତା ଯାଞ୍ଚ” ପ୍ରଦର୍ଶନ କରୁଥିବା ଏକ ସ୍କ୍ରିନ୍ ସମତଳ ହୋଇଯାଏ କାରଣ ଏହାର ପ୍ରସଙ୍ଗ ଅଭାବ | ଉପଭୋକ୍ତା ବୁ understand ନ୍ତି ଯେ AI ଏକ କ୍ୟାଲେଣ୍ଡରକୁ ଦେଖୁଛି, କିନ୍ତୁ ସେମାନେ କାହିଁକି ଜାଣନ୍ତି ନାହିଁ | ଫଳାଫଳ ସହିତ ଆମେ କ୍ରିୟାକୁ ଯୋଡିବା ଜରୁରୀ | ସିଷ୍ଟମ୍ ସେହି ଚାରି ସେକେଣ୍ଡ୍ ଅପେକ୍ଷାକୁ ଦୁଇଟି ପୃଥକ ପଦକ୍ଷେପରେ ବିଭକ୍ତ କରିବା ଆବଶ୍ୟକ କରେ | ପ୍ରଥମେ, ଇଣ୍ଟରଫେସ୍ “ଖୋଲା ସମୟ ଖୋଜିବା ପାଇଁ ଆପଣଙ୍କର କ୍ୟାଲେଣ୍ଡର ଯାଞ୍ଚ କରୁଛି | ତା’ପରେ ଏହା “ତୁମର ନିଯୁକ୍ତିକୁ ସୁରକ୍ଷିତ କରିବା ପାଇଁ ପ୍ରଦାନକାରୀଙ୍କ କାର୍ଯ୍ୟସୂଚୀ ସହିତ ସିଙ୍କ୍” କୁ ଅପଡେଟ୍ କରେ | ଏହା ଉପଭୋକ୍ତାଙ୍କର ପ୍ରକୃତ ଜୀବନରେ ଯାନ୍ତ୍ରିକ ପ୍ରକ୍ରିୟାକୁ ଭିତ୍ତି କରେ | ଏକ ସ୍ଥାନୀୟ କାଫେ ପାଇଁ ଏକ AI ପରିଚାଳନା ତାଲିକାକୁ ବିଚାର କରନ୍ତୁ | ସିଷ୍ଟମ୍ ଯୋଗାଣ ଅଭାବର ସମ୍ମୁଖୀନ ହୁଏ | “ଯୋଗାଯୋଗ ବିକ୍ରେତା” କିମ୍ବା “ସମୀକ୍ଷା ସମୀକ୍ଷା” ପ reading ୁଥିବା ଏକ ଇଣ୍ଟରଫେସ୍ ଚିନ୍ତା ସୃଷ୍ଟି କରେ | ମ୍ୟାନେଜର ପ୍ରଶ୍ନ କରିଛନ୍ତି ଯେ ସିଷ୍ଟମ ଅର୍ଡର ବାତିଲ କରୁଛି କିମ୍ବା ଏକ ମହଙ୍ଗା ବିକଳ୍ପ କିଣୁଛି | ଉଦ୍ଦେଶ୍ୟମୂଳକ ଫଳାଫଳକୁ ବ୍ୟାଖ୍ୟା କରିବା ପାଇଁ ଏକ ଉତ୍ତମ ପନ୍ଥା: “ତୁମର ଶୁକ୍ରବାର ବିତରଣ କାର୍ଯ୍ୟସୂଚୀ ବଜାୟ ରଖିବା ପାଇଁ ବିକଳ୍ପ ଯୋଗାଣକାରୀଙ୍କୁ ମୂଲ୍ୟାଙ୍କନ କରିବା |” AI କ’ଣ ହାସଲ କରିବାକୁ ଚେଷ୍ଟା କରୁଛି ତାହା ଉପଭୋକ୍ତାଙ୍କୁ କହିଥାଏ | ଅଡିଟ୍ କାର୍ଯ୍ୟକ୍ଷମ କରିବା | ଆପଣ ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ ସମାପ୍ତ କରିଛନ୍ତି ଏବଂ ଇମ୍ପାକ୍ଟ ଏବଂ ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସ ମାଧ୍ୟମରେ ଆପଣଙ୍କର ତାଲିକା ଫିଲ୍ଟର୍ କରିଛନ୍ତି | ସ୍ୱଚ୍ଛ ହେବା ପାଇଁ ତୁମର ବର୍ତ୍ତମାନ ଏକ ଜରୁରୀ ମୁହୂର୍ତ୍ତର ଏକ ତାଲିକା ଅଛି | ପରବର୍ତ୍ତୀ ସମୟରେ, ଆପଣ ସେମାନଙ୍କୁ UI ରେ ସୃଷ୍ଟି କରିବା ଆବଶ୍ୟକ କରନ୍ତି | ଏହି ପଦକ୍ଷେପଟି ବିଭିନ୍ନ ବିଭାଗରେ ଦଳଗତ କାର୍ଯ୍ୟ ଆବଶ୍ୟକ କରେ | ଆପଣ ଏକ ଡିଜାଇନ୍ ଉପକରଣ ବ୍ୟବହାର କରି ନିଜେ ସ୍ୱଚ୍ଛତା ଡିଜାଇନ୍ କରିପାରିବେ ନାହିଁ | ପରଦା ପଛରେ ସିଷ୍ଟମ୍ କିପରି କାମ କରେ ତୁମେ ବୁ to ିବା ଆବଶ୍ୟକ | ଏକ ତର୍କ ସମୀକ୍ଷା ସହିତ ଆରମ୍ଭ କରନ୍ତୁ | ତୁମର ଲିଡ୍ ସିଷ୍ଟମ୍ ଡିଜାଇନର୍ ସହିତ ସାକ୍ଷାତ କର | ନିଷ୍ପତ୍ତି ନୋଡଗୁଡିକର ମାନଚିତ୍ର ଆଣ | ଆପଣଙ୍କୁ ନିଶ୍ଚିତ କରିବାକୁ ପଡିବ ଯେ ସିଷ୍ଟମ୍ ପ୍ରକୃତରେ ଏହି ରାଜ୍ୟଗୁଡିକୁ ଅଂଶୀଦାର କରିପାରିବ | ମୁଁ ପ୍ରାୟତ find ଜାଣେ ଯେ ବ the ଷୟିକ ବ୍ୟବସ୍ଥା ମୁଁ ଦେଖାଇବାକୁ ଚାହୁଁଥିବା ସଠିକ୍ ସ୍ଥିତିକୁ ପ୍ରକାଶ କରେ ନାହିଁ | ଇଞ୍ଜିନିୟର ହୁଏତ କହିପାରନ୍ତି ଯେ ସିଷ୍ଟମ୍ କେବଳ ଏକ ସାଧାରଣ “କାର୍ଯ୍ୟ” ସ୍ଥିତିକୁ ଫେରାଇଥାଏ | ଏକ ବିସ୍ତୃତ ଅଦ୍ୟତନ ପାଇଁ ତୁମେ ନିଶ୍ଚୟ ଠେଲି ହେବ | ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ନୋଟିସ୍ ପଠାଇବା ପାଇଁ ଆପଣଙ୍କୁ ସିଷ୍ଟମ୍ ଦରକାର |ଯେତେବେଳେ ଏହା ପାଠ ପ reading ିବା ଠାରୁ ନିୟମ ଯାଞ୍ଚକୁ ବଦଳିଯାଏ | ସେହି ବ technical ଷୟିକ ସଂଯୋଗ ବିନା, ଆପଣଙ୍କର ଡିଜାଇନ୍ ନିର୍ମାଣ କରିବା ଅସମ୍ଭବ | ପରବର୍ତ୍ତୀ ସମୟରେ, ବିଷୟବସ୍ତୁ ଡିଜାଇନ୍ ଦଳକୁ ଜଡିତ କରନ୍ତୁ | AI ର କାର୍ଯ୍ୟ ପାଇଁ ଆପଣଙ୍କର ବ technical ଷୟିକ କାରଣ ଅଛି, କିନ୍ତୁ ଆପଣଙ୍କୁ ଏକ ସ୍ୱଚ୍ଛ, ମାନବ-ଅନୁକୂଳ ବ୍ୟାଖ୍ୟା ଆବଶ୍ୟକ | ଇଞ୍ଜିନିୟର୍ମାନେ ଅନ୍ତର୍ନିହିତ ପ୍ରକ୍ରିୟା ପ୍ରଦାନ କରନ୍ତି, କିନ୍ତୁ ବିଷୟବସ୍ତୁ ଡିଜାଇନର୍ମାନେ ଏହା ଯୋଗାଯୋଗ କରିବାର ଉପାୟ ପ୍ରଦାନ କରନ୍ତି | ଏହି ବାର୍ତ୍ତାଗୁଡ଼ିକୁ କେବଳ ଲେଖନ୍ତୁ ନାହିଁ | ଜଣେ ଡେଭଲପର୍ ହୁଏତ “ଏକଜେକ୍ୟୁଟ୍ ଫଙ୍କସନ୍ 402” ଲେଖିପାରେ, ଯାହା ଟେକ୍ନିକାଲ୍ ସଠିକ୍ କିନ୍ତୁ ଉପଭୋକ୍ତା ପାଇଁ ଅର୍ଥହୀନ | ଜଣେ ଡିଜାଇନର୍ ହୁଏତ “ଚିନ୍ତା” ଲେଖିପାରେ, ଯାହା ବନ୍ଧୁତ୍ୱପୂର୍ଣ୍ଣ କିନ୍ତୁ ଅତ୍ୟନ୍ତ ଅସ୍ପଷ୍ଟ | ଏକ ବିଷୟବସ୍ତୁ ରଣନୀତିଜ୍ଞ ସଠିକ୍ ମଧ୍ୟମ ସ୍ଥାନ ଖୋଜନ୍ତି | ସେମାନେ ନିର୍ଦ୍ଦିଷ୍ଟ ବାକ୍ୟାଂଶ ସୃଷ୍ଟି କରନ୍ତି, ଯେପରିକି “ଦାୟିତ୍ risks ର ବିପଦ ପାଇଁ ସ୍କାନିଂ”, ଯାହା ଦର୍ଶାଏ ଯେ AI ଉପଭୋକ୍ତାଙ୍କୁ ଦ୍ୱନ୍ଦରେ ନକରି କାର୍ଯ୍ୟ କରୁଛି | ଶେଷରେ, ଆପଣଙ୍କର ସନ୍ଦେଶଗୁଡ଼ିକର ସ୍ୱଚ୍ଛତା ପରୀକ୍ଷା କରନ୍ତୁ | ପାଠ୍ୟ କାର୍ଯ୍ୟ କରୁଛି କି ନାହିଁ ଦେଖିବା ପାଇଁ ଅନ୍ତିମ ଉତ୍ପାଦ ନିର୍ମାଣ ହେବା ପର୍ଯ୍ୟନ୍ତ ଅପେକ୍ଷା କରନ୍ତୁ ନାହିଁ | ମୁଁ ସରଳ ପ୍ରୋଟୋଟାଇପ୍ ଉପରେ ତୁଳନାତ୍ମକ ପରୀକ୍ଷଣ କରେ ଯେଉଁଠାରେ କେବଳ ପରିବର୍ତ୍ତନ ହେଉଛି ସ୍ଥିତି ବାର୍ତ୍ତା | ଉଦାହରଣ ସ୍ୱରୂପ, ମୁଁ ଗୋଟିଏ ଗୋଷ୍ଠୀ (ଗ୍ରୁପ୍ ଏ) କୁ ଏକ ମେସେଜ୍ ଦେଖାଏ ଯାହା “ପରିଚୟ ଯାଞ୍ଚ” ଏବଂ ଅନ୍ୟ ଗୋଷ୍ଠୀ (ଗ୍ରୁପ୍ ବି) ଏକ ମେସେଜ୍ ଯାହା “ସରକାରୀ ଡାଟାବେସ୍ ଚେକ୍ କରୁଛି” କହିଥାଏ (ଏଗୁଡ଼ିକ ମେକ୍ ଇନ୍ ଉଦାହରଣ, କିନ୍ତୁ ତୁମେ ବୁ point ିପାରୁଛ) | ତା’ପରେ ମୁଁ ସେମାନଙ୍କୁ ପଚାରିଲି କେଉଁ AI ଅଧିକ ସୁରକ୍ଷିତ ଅନୁଭବ କରେ | ଆପଣ ପ୍ରାୟତ discover ଆବିଷ୍କାର କରିବେ ଯେ କିଛି ଶବ୍ଦ ଚିନ୍ତାର କାରଣ ହୋଇଥାଏ, ଅନ୍ୟମାନେ ବିଶ୍ୱାସ ସୃଷ୍ଟି କରନ୍ତି | ତୁମେ ଶବ୍ଦଟିକୁ ପରୀକ୍ଷା କରିବା ଏବଂ ପ୍ରଭାବଶାଳୀ ପ୍ରମାଣ କରିବା ଆବଶ୍ୟକ କରୁଥିବା ଜିନିଷ ପରି ବ୍ୟବହାର କରିବା ଜରୁରୀ | ଏହା କିପରି ଡିଜାଇନ୍ ପ୍ରକ୍ରିୟାକୁ ପରିବର୍ତ୍ତନ କରେ | ଏହି ଅଡିଟ୍ ପରିଚାଳନା କରିବା ଦ୍ୱାରା ଏକ ଦଳ କିପରି ଏକତ୍ର କାର୍ଯ୍ୟ କରେ ତାହା ମଜବୁତ କରିବାର ସାମର୍ଥ୍ୟ ଅଛି | ଆମେ ପଲିସ୍ ହୋଇଥିବା ଡିଜାଇନ୍ ଫାଇଲ୍ ଦେବା ବନ୍ଦ କରିଦେଉ | ଆମେ ଅଶୁଭ ପ୍ରୋଟୋଟାଇପ୍ ଏବଂ ଅଂଶୀଦାର ସ୍ପ୍ରେଡସିଟ୍ ବ୍ୟବହାର କରିବା ଆରମ୍ଭ କରିବା | ମୂଳ ଉପକରଣ ଏକ ସ୍ୱଚ୍ଛତା ମାଟ୍ରିକ୍ ହୋଇଯାଏ | ଇଞ୍ଜିନିୟର୍ ଏବଂ ବିଷୟବସ୍ତୁ ଡିଜାଇନର୍ମାନେ ଏହି ସ୍ପ୍ରେଡସିଟ୍ ଏକତ୍ର ସଂପାଦନ କରନ୍ତି | ଉପଭୋକ୍ତା ପ read ଼ୁଥିବା ଶବ୍ଦଗୁଡ଼ିକରେ ସେମାନେ ସଠିକ୍ ବ technical ଷୟିକ ସଂକେତଗୁଡିକ ମାନଚିତ୍ର କରନ୍ତି | ତର୍କ ସମୀକ୍ଷା ସମୟରେ ଦଳଗୁଡିକ ଘର୍ଷଣ ଅନୁଭବ କରିବେ | କଳ୍ପନା କରନ୍ତୁ ଯେ ଜଣେ ଡିଜାଇନର୍ ଇଞ୍ଜିନିୟରଙ୍କୁ ପଚାରିଛନ୍ତି ଯେ AI କିପରି ଏକ ଖର୍ଚ୍ଚ ରିପୋର୍ଟରେ ଦାଖଲ ହୋଇଥିବା କାରବାରକୁ ପ୍ରତ୍ୟାଖ୍ୟାନ କରିବାକୁ ନିଷ୍ପତ୍ତି ନେଇଛି | ଇଞ୍ଜିନିୟର ହୁଏତ କହିପାରନ୍ତି ଯେ ବ୍ୟାକେଣ୍ଡ୍ କେବଳ “ଏରର୍: ମିସିଙ୍ଗ୍ ଡାଟା” ପରି ଏକ ଜେନେରିକ୍ ଷ୍ଟାଟସ୍ କୋଡ୍ ଆଉଟପୁଟ୍ କରେ | ଡିଜାଇନର୍ ଦର୍ଶାଇଛନ୍ତି ଯେ ଏହା ପରଦାରେ କାର୍ଯ୍ୟକ୍ଷମ ସୂଚନା ନୁହେଁ | ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ବ technical ଷୟିକ ହୁକ୍ ତିଆରି କରିବାକୁ ଡିଜାଇନର୍ ଇଞ୍ଜିନିୟରଙ୍କ ସହ ବୁ negoti ାମଣା କରନ୍ତି | ଇଞ୍ଜିନିୟର ଏକ ନୂତନ ନିୟମ ଲେଖନ୍ତି ତେଣୁ ସିଷ୍ଟମ୍ କ’ଣ ଅନୁପସ୍ଥିତ ତାହା ରିପୋର୍ଟ କରେ, ଯେପରି ଏକ ନିଖୋଜ ରସିଦ ପ୍ରତିଛବି | ବିଷୟବସ୍ତୁ ଡିଜାଇନର୍ମାନେ ଏହି ପର୍ଯ୍ୟାୟରେ ଅନୁବାଦକ ଭାବରେ କାର୍ଯ୍ୟ କରନ୍ତି | ଜଣେ ଡେଭଲପର୍ ହୁଏତ ବିକ୍ରେତା ମେଳଣ ପାଇଁ ଆତ୍ମବିଶ୍ୱାସ ସୀମା ହିସାବ କରିବା ପରି ଏକ ଯାନ୍ତ୍ରିକ ସଠିକ୍ ଷ୍ଟ୍ରିଙ୍ଗ୍ ଲେଖିପାରନ୍ତି | ଏକ ବିଷୟବସ୍ତୁ ଡିଜାଇନର୍ ସେହି ବାକ୍ୟକୁ ଏକ ବାକ୍ୟରେ ଅନୁବାଦ କରେ ଯାହା ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଫଳାଫଳ ପାଇଁ ବିଶ୍ୱାସ ସୃଷ୍ଟି କରେ | ରଣନୀତିଜ୍ଞ ଏହାକୁ “ତୁମର ଶୁକ୍ରବାର ବିତରଣକୁ ସୁରକ୍ଷିତ ରଖିବା ପାଇଁ ସ୍ଥାନୀୟ ବିକ୍ରେତା ମୂଲ୍ୟ ତୁଳନା କରିବା” ଭାବରେ ପୁନ r ଲିଖନ କରେ | ଉପଭୋକ୍ତା କ୍ରିୟା ଏବଂ ଫଳାଫଳ ବୁ understand ନ୍ତି | ସମଗ୍ର କ୍ରସ୍-ଫଙ୍କସନାଲ ଦଳ ଉପଭୋକ୍ତା ପରୀକ୍ଷା ଅଧିବେଶନରେ ବସିଥାଏ | ସେମାନେ ଦେଖନ୍ତି ଜଣେ ପ୍ରକୃତ ବ୍ୟକ୍ତି ବିଭିନ୍ନ ସ୍ଥିତି ବାର୍ତ୍ତା ଉପରେ ପ୍ରତିକ୍ରିୟା କରନ୍ତି | ଏକ ଉପଭୋକ୍ତା ଆତଙ୍କ ଦେଖିବା କାରଣ ସ୍କ୍ରିନ୍ କହୁଛି “ବାଣିଜ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା” ଦଳକୁ ସେମାନଙ୍କ ଆଭିମୁଖ୍ୟ ବିଷୟରେ ପୁନର୍ବିଚାର କରିବାକୁ ବାଧ୍ୟ କରିଥାଏ | ଇଞ୍ଜିନିୟର୍ ଏବଂ ଡିଜାଇନର୍ମାନେ ଉନ୍ନତ ଶବ୍ଦ ଉପରେ ଆଲାଇନ୍ ହୁଅନ୍ତି | ଷ୍ଟକ୍ କିଣିବା ପୂର୍ବରୁ ସେମାନେ ଟେକ୍ସଟ୍ କୁ “ପର୍ଯ୍ୟାପ୍ତ ପାଣ୍ଠି ଯାଞ୍ଚ” ରେ ପରିବର୍ତ୍ତନ କରନ୍ତି | ଏକତ୍ର ପରୀକ୍ଷା କରିବା ଅନ୍ତିମ ଇଣ୍ଟରଫେସ୍ ଉଭୟ ସିଷ୍ଟମ୍ ଲଜିକ୍ ଏବଂ ଉପଭୋକ୍ତାଙ୍କର ମାନସିକ ଶାନ୍ତି ପ୍ରଦାନ କରେ | ଏହି ଅତିରିକ୍ତ କାର୍ଯ୍ୟକଳାପଗୁଡିକ ଦଳର କ୍ୟାଲେଣ୍ଡରରେ ଅନ୍ତର୍ଭୁକ୍ତ କରିବାକୁ ଏହା ସମୟ ଆବଶ୍ୟକ କରେ | ତଥାପି, ଶେଷ ଫଳାଫଳ ଏକ ଦଳ ହେବା ଉଚିତ ଯାହାକି ଅଧିକ ଖୋଲାଖୋଲି ଭାବରେ ଯୋଗାଯୋଗ କରେ, ଏବଂ ଉପଭୋକ୍ତା ଯେଉଁମାନେ ସେମାନଙ୍କର AI ଚାଳିତ ଉପକରଣଗୁଡ଼ିକ ସେମାନଙ୍କ ତରଫରୁ କ’ଣ କରୁଛନ୍ତି (ଏବଂ କାହିଁକି) ବିଷୟରେ ଭଲ ଭାବରେ ବୁ understanding ିପାରନ୍ତି | ଏହି ଇଣ୍ଟିଗ୍ରେଟେଡ୍ ପନ୍ଥା ହେଉଛି ପ୍ରକୃତ ବିଶ୍ୱାସଯୋଗ୍ୟ AI ଅଭିଜ୍ଞତାକୁ ଡିଜାଇନ୍ କରିବାର ଏକ ମୂଳଦୁଆ | ବିଶ୍ୱାସ ହେଉଛି ଏକ ଡିଜାଇନ୍ ପସନ୍ଦ | ଆମେ ପ୍ରାୟତ trust ବିଶ୍ୱାସକୁ ଏକ ଭଲ ଉପଭୋକ୍ତା ଅଭିଜ୍ଞତାର ଏକ ଭାବପ୍ରବଣ ଉପାଦାନ ଭାବରେ ଦେଖୁ | ଭବିଷ୍ୟବାଣୀ ଯୋଗାଯୋଗର ଯାନ୍ତ୍ରିକ ଫଳାଫଳ ଭାବରେ ବିଶ୍ୱାସକୁ ଦେଖିବା ସହଜ ଅଟେ | ସଠିକ୍ ସମୟରେ ସଠିକ୍ ସୂଚନା ଦେଖାଇ ଆମେ ବିଶ୍ୱାସ ଗ build ଼ିବା | ଉପଭୋକ୍ତାଙ୍କୁ ଅଡୁଆରେ ପକାଇ କିମ୍ବା ଯନ୍ତ୍ରକୁ ସଂପୂର୍ଣ୍ଣ ଲୁଚାଇ ଆମେ ଏହାକୁ ନଷ୍ଟ କରିଦେଉ | ବିଶେଷକରି ଏଜେଣ୍ଟ୍ AI ଉପକରଣ ଏବଂ ଉତ୍ପାଦଗୁଡ଼ିକ ପାଇଁ ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ ସହିତ ଆରମ୍ଭ କରନ୍ତୁ | ସେହି ମୁହୂର୍ତ୍ତଗୁଡିକ ଖୋଜ ଯେଉଁଠାରେ ସିଷ୍ଟମ୍ ଏକ ବିଚାର କଲ୍ କରେ | ସେହି ମୁହୂର୍ତ୍ତଗୁଡ଼ିକୁ ରିସ୍କ ମ୍ୟାଟ୍ରିକ୍ସରେ ମାନଚିତ୍ର କରନ୍ତୁ | ଯଦି ଷ୍ଟକ୍ ଅଧିକ, ବାକ୍ସ ଖୋଲ | କାର୍ଯ୍ୟ ଦେଖାନ୍ତୁ | ପରବର୍ତ୍ତୀ ଆର୍ଟିକିଲରେ, ଆମେ ଏହି ମୂହୁର୍ତ୍ତଗୁଡିକୁ କିପରି ଡିଜାଇନ୍ କରିବୁ ତାହା ଦେଖିବା: କପି କିପରି ଲେଖିବେ, UI ଗଠନ କରିବେ, ଏବଂ ଯେତେବେଳେ ଏଜେଣ୍ଟ ଭୁଲ୍ ହୁଏ ସେତେବେଳେ ଅପରିହାର୍ଯ୍ୟ ତ୍ରୁଟିଗୁଡିକ ପରିଚାଳନା କରିବେ | ପରିଶିଷ୍ଠ: ନିଷ୍ପତ୍ତି ନୋଡ୍ ଅଡିଟ୍ ଯାଞ୍ଚ ତାଲିକା | ପ୍ରଥମ ପର୍ଯ୍ୟାୟ: ସେଟଅପ୍ ଏବଂ ମ୍ୟାପିଙ୍ଗ୍ | The ଦଳକୁ ଏକତ୍ର କର: ଉତ୍ପାଦ ମାଲିକ, ବ୍ୟବସାୟ ବିଶ୍ଳେଷଣକାରୀ, ଡିଜାଇନର୍,ମୁଖ୍ୟ ନିଷ୍ପତ୍ତି ନେଉଥିବା ବ୍ୟକ୍ତି, ଏବଂ AI ନିର୍ମାଣ କରିଥିବା ଇଞ୍ଜିନିୟର୍ | ସୂଚନା: ପ୍ରକୃତ ବ୍ୟାକେଣ୍ଡ୍ ତର୍କକୁ ବୁ explain ାଇବା ପାଇଁ ତୁମର ଇଞ୍ଜିନିୟରମାନେ ଆବଶ୍ୟକ କରନ୍ତି | ଏହି ପଦକ୍ଷେପକୁ ଏକାକୀ ଚେଷ୍ଟା କରନ୍ତୁ ନାହିଁ | Process ସମଗ୍ର ପ୍ରକ୍ରିୟା ଅଙ୍କନ କରନ୍ତୁ: ଉପଭୋକ୍ତାଙ୍କର ପ୍ରଥମ କାର୍ଯ୍ୟଠାରୁ ଅନ୍ତିମ ଫଳାଫଳ ପର୍ଯ୍ୟନ୍ତ AI ନେଇଥିବା ପ୍ରତ୍ୟେକ ପଦକ୍ଷେପକୁ ଡକ୍ୟୁମେଣ୍ଟ୍ କରନ୍ତୁ | ସୂଚନା: ଏହି ପ୍ରାରମ୍ଭିକ ପଦକ୍ଷେପଗୁଡ଼ିକୁ ଅଙ୍କନ କରିବା ପାଇଁ ଏକ ଭ physical ତିକ ହ୍ ebo ାଇଟବୋର୍ଡ ଅଧିବେଶନ ପ୍ରାୟତ best ସର୍ବୋତ୍ତମ କାର୍ଯ୍ୟ କରିଥାଏ | ଦ୍ୱିତୀୟ ପର୍ଯ୍ୟାୟ: ଲୁକ୍କାୟିତ ତର୍କକୁ ଖୋଜିବା | Things ଜିନିଷଗୁଡିକ କେଉଁଠାରେ ଅସ୍ପଷ୍ଟ ତାହା ଖୋଜ: ଯେକ any ଣସି ସ୍ପଟ୍ ପାଇଁ ପ୍ରକ୍ରିୟା ମାନଚିତ୍ରକୁ ଦେଖ, ଯେଉଁଠାରେ AI ବିକଳ୍ପ କିମ୍ବା ଇନପୁଟ୍ ତୁଳନା କରେ ଯାହାର ଗୋଟିଏ ସିଦ୍ଧ ମେଳ ନାହିଁ | ସର୍ବୋତ୍ତମ ଅନୁମାନ ପଦକ୍ଷେପଗୁଡିକ ଚିହ୍ନଟ କରନ୍ତୁ: ପ୍ରତ୍ୟେକ ଅସ୍ପଷ୍ଟ ସ୍ଥାନ ପାଇଁ, ସିଷ୍ଟମ୍ ଏକ ଆତ୍ମବିଶ୍ୱାସ ସ୍କୋର ବ୍ୟବହାର କରେ କି ନାହିଁ ଯାଞ୍ଚ କରନ୍ତୁ | ଉଦାହରଣ ସ୍ୱରୂପ, ସିଷ୍ଟମ୍ 85 ପ୍ରତିଶତ ନିଶ୍ଚିତ କି ବୋଲି ପଚାରନ୍ତୁ | ଏଗୁଡ଼ିକ ହେଉଛି ପଏଣ୍ଟ ଯେଉଁଠାରେ AI ଏକ ଚୂଡ଼ାନ୍ତ ପସନ୍ଦ କରେ | The ପସନ୍ଦକୁ ପରୀକ୍ଷା କରନ୍ତୁ: ପ୍ରତ୍ୟେକ ପସନ୍ଦ ପଏଣ୍ଟ ପାଇଁ, ନିର୍ଦ୍ଦିଷ୍ଟ ଆଭ୍ୟନ୍ତରୀଣ ଗଣିତ କିମ୍ବା ତୁଳନା କରାଯାଉଥିବା ତୁଳନା କରନ୍ତୁ | ଏକ ଉଦାହରଣ ଏକ ଚୁକ୍ତି ସହିତ ଏକ ନୀତି ସହିତ ମେଳ ଖାଉଛି | ଅନ୍ୟ ଏକ ଉଦାହରଣରେ ଭଙ୍ଗା କାରର ଚିତ୍ରକୁ ନଷ୍ଟ ହୋଇଥିବା କାର ଫଟୋଗୁଡ଼ିକର ଲାଇବ୍ରେରୀ ସହିତ ତୁଳନା କରିବା ଅନ୍ତର୍ଭୁକ୍ତ | ଚରଣ 3: ଉପଭୋକ୍ତା ଅଭିଜ୍ଞତା ସୃଷ୍ଟି କରିବା | Clear ସ୍ପଷ୍ଟ ବ୍ୟାଖ୍ୟା ଲେଖନ୍ତୁ: ଉପଭୋକ୍ତା ପାଇଁ ବାର୍ତ୍ତା ସୃଷ୍ଟି କରନ୍ତୁ ଯାହା AI ଏକ ପସନ୍ଦ କଲାବେଳେ ଘଟୁଥିବା ନିର୍ଦ୍ଦିଷ୍ଟ ଆଭ୍ୟନ୍ତରୀଣ କାର୍ଯ୍ୟକୁ ସ୍ପଷ୍ଟ ଭାବରେ ବର୍ଣ୍ଣନା କରେ | ସୂଚନା: କଂକ୍ରିଟ୍ ବାସ୍ତବରେ ଆପଣଙ୍କର ବାର୍ତ୍ତାଗୁଡ଼ିକୁ ଗ୍ରାଉଣ୍ଡ୍ କରନ୍ତୁ | ଯଦି ଏକ AI ସ୍ଥାନୀୟ କାଫେରେ କ୍ଲାଏଣ୍ଟ ସହିତ ଏକ ମିଟିଂ ବୁକ୍ କରେ, ଉପଭୋକ୍ତାଙ୍କୁ କୁହନ୍ତୁ ସିଷ୍ଟମ୍ କାଫେ ସଂରକ୍ଷଣ ବ୍ୟବସ୍ଥା ଯାଞ୍ଚ କରୁଛି | ସ୍କ୍ରିନ୍ ଅପଡେଟ୍ କରନ୍ତୁ: ଏହି ନୂତନ, ସ୍ପଷ୍ଟ ବ୍ୟାଖ୍ୟାଗୁଡ଼ିକୁ ଉପଭୋକ୍ତା ଇଣ୍ଟରଫେସରେ ରଖନ୍ତୁ | ତୁମର ନିର୍ଦ୍ଦିଷ୍ଟ ବ୍ୟାଖ୍ୟା ସହିତ ଚୁକ୍ତିନାମା ସମୀକ୍ଷା କରିବା ପରି ଅସ୍ପଷ୍ଟ ବାର୍ତ୍ତାଗୁଡ଼ିକୁ ବଦଳାନ୍ତୁ | Trust ଟ୍ରଷ୍ଟ ପାଇଁ ଯା Check ୍ଚ କରନ୍ତୁ: ନିଶ୍ଚିତ କରନ୍ତୁ ଯେ ନୂତନ ପରଦା ସନ୍ଦେଶ ବ୍ୟବହାରକାରୀଙ୍କୁ ଯେକ wait ଣସି ଅପେକ୍ଷା ସମୟ କିମ୍ବା ପରିଣାମ ପାଇଁ ଏକ ସରଳ କାରଣ ଦେଇଥାଏ | ଏହା ସେମାନଙ୍କୁ ଆତ୍ମବିଶ୍ୱାସ ଏବଂ ବିଶ୍ୱାସ କରିବା ଉଚିତ୍ | ସୂଚନା: ନିର୍ଦ୍ଦିଷ୍ଟ ଫଳାଫଳ ହାସଲ କରୁଥିବା ବୁ understand ିବା ପାଇଁ ପ୍ରକୃତ ଉପଭୋକ୍ତାମାନଙ୍କ ସହିତ ଏହି ବାର୍ତ୍ତାଗୁଡ଼ିକୁ ପରୀକ୍ଷା କରନ୍ତୁ |
