ความน่าเชื่อถือและความไว้วางใจ

AI สำหรับนักวิเคราะห์ข้อมูล

Andy Cotgreave

Author and Speaker, Former Technical Evangelist at Tableau

เกือบพลาด...

เกือบพลาด...

AI แสดงความมั่นใจเสมอ

 

• ผลลัพธ์ที่ผิดดูดีไม่ต่างจากผลลัพธ์ที่ถูก
• ไม่มีสัญญาณบอกว่า "ตรงนี้อาจผิดนะ"
• ถ้าไม่ตรวจสอบ คุณ คือคนที่ปล่อยข้อผิดพลาดออกไป

การตรวจสอบไม่ใช่การทำงานซ้ำ

 

• สัญชาตญาณที่ผิด: ทำงานซ้ำ ในเครื่องมือ BI
• มองผลลัพธ์จาก AI เหมือน นักวิเคราะห์จูเนียร์ฝีมือดี ทรงพลังแต่ไม่ได้น่าเชื่อถือโดยอัตโนมัติ
• หน้าที่ของคุณ: ทดสอบความน่าเชื่อถือ ไม่ใช่ทำงานซ้ำ

ขั้นตอนการตรวจสอบ

ขั้นตอนการตรวจสอบ

 

1. เลือก จุดข้อมูลจุดหนึ่ง
2. กรอง ข้อมูลดิบด้วยตัวเองไปยังจุดนั้น
3. ตรวจสอบ การคำนวณของจุดนั้น

ขั้นตอนการตรวจสอบ

 

1. คัดลอก โค้ดหรือผลลัพธ์จาก AI
2. วาง ลงในผู้ช่วยหรือบทสนทนาอื่น
3. ให้ ตรวจหาข้อผิดพลาดเชิงตรรกะ

ขั้นตอนการตรวจสอบ

 

1. ทำ การตรวจสอบเชิงตรรกะทางธุรกิจ
2. ถาม: ข้อมูลเชิงลึกนี้สอดคล้องกับประสบการณ์หรือไม่

ขั้นตอนการตรวจสอบ

 

1. ให้ AI รันโค้ดของตัวเองกับกรณีขอบ (ค่า null ค่าซ้ำ ค่าศูนย์)

ปรับความเข้มข้นให้เหมาะกับความเสี่ยง

• งานสำรวจหรืองานเฉพาะกิจ → ตรวจสอบแบบเบา
• แดชบอร์ดที่ใช้งานจริง การนำเสนอต่อบอร์ดบริหาร ฯลฯ → ตรวจสอบแบบเข้มข้น

มนุษย์ต้องอยู่ในวงจรเสมอ

AI ประจบเอาใจ

 

• AI มักเห็นด้วยกับคุณ
• ใบ้ ผลักดัน หรือสื่อสมมติฐาน → AI จะทำตามสัญญาณนั้น
• แนวป้องกันฝั่งพรอมป์: ใช้ภาษาที่เป็นกลาง
• แนวป้องกันฝั่งตรวจสอบ: เข้มงวดที่สุดกับผลลัพธ์ที่ ยืนยัน สิ่งที่ต้องการอยู่แล้ว

มาฝึกกันเถอะ!

AI สำหรับนักวิเคราะห์ข้อมูล