AI मॉडल के सत्यापन में मूल्यांकन डेटा को उपयोग के उद्देश्य के अनुसार अलग करना चाहिए। मीथेन डेटा विश्लेषण में एक ही खेत के पास-पास के समयों के डेटा को मिलाकर हासिल किया गया प्रदर्शन, दूसरे खेत में लागू प्रदर्शन से अलग हो सकता है। 『कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान』 का अध्याय 8 प्रशिक्षण और मूल्यांकन के बीच की सीमा तथा सरल आधार मॉडल से तुलना पर ज़ोर देता है।
पहले अवधारणा और लागू दायरा तय करें
मूल्यांकन डेटा को मॉडल चुनने में इस्तेमाल किए गए डेटा और अंतिम प्रदर्शन जाँच के लिए रखे गए डेटा में अलग करना आवश्यक है। यदि कई तरीकों की तुलना में बार-बार इस्तेमाल किए गए डेटा को अंतिम मूल्यांकन की तरह प्रस्तुत किया जाए, तो वास्तविक उपयोग का प्रदर्शन बढ़ा-चढ़ाकर आंका जा सकता है। उपयोग के उद्देश्य के अनुसार मूल्यांकन प्रक्रिया पहले तय करनी चाहिए। ज़मीनी स्तर पर डेटा का वितरण और संचालन की परिस्थितियाँ बदल सकती हैं। बदलाव पहचानने के मानदंड, दोबारा मूल्यांकन और उपयोग बंद करने की प्रक्रियाएँ दर्ज करें। प्रदर्शन संकेतकों के साथ यह भी देखें कि गलत अनुमान से कौन-सी कार्रवाई और लागत पैदा हो सकती है।
रिपोर्टिंग (R) संदर्भ और गणना का रिकॉर्ड रखती है। मूल डेटा को किन नियमों से संसाधित करके किस निष्कर्ष तक पहुँचे, इसकी पूरी प्रक्रिया दस्तावेज़ में लिखी जाती है। इसमें यह शामिल है कि अनुपलब्ध डेटा कैसे भरा गया, असामान्य मान किस मानदंड पर हटाए गए, मॉडल का कौन-सा संस्करण इस्तेमाल हुआ और अनिश्चितता का अनुमान कैसे लगाया गया। रिपोर्ट की गुणवत्ता निष्कर्षों की चमक से नहीं, बल्कि उन्हें दोहराकर प्राप्त कर सकने से आँकी जाती है।
प्रणाली की सीमा वह मानदंड है जो तय करता है कि गणना में कौन-से उत्सर्जन स्रोत, गैसें, अवधि और संगठन शामिल होंगे। सीमा स्पष्ट न हो तो एक ही उत्सर्जन-कमी की मात्रा को लेकर अलग-अलग पक्ष अलग नतीजों की अपेक्षा कर सकते हैं। लागू पद्धति के शामिल करने और बाहर रखने के नियम तथा महत्व के मानदंड जाँचें; और रिपोर्ट की शुरुआत में स्पष्ट करें कि परिणाम पूरे खेत का है या किसी खास उत्सर्जन स्रोत का।
उत्सर्जन कारक पर आधारित आधाररेखा भी एक विकल्प है। IPCC Tier 1 में डिफ़ॉल्ट कारक का उपयोग होता है, जबकि आंत्र किण्वन के लिए Tier 2 में पशुपालन की विशेषताओं, कुल ऊर्जा सेवन और मीथेन रूपांतरण दर जैसी बातों को अधिक विस्तार से शामिल किया जाता है। केवल औसत कारक से किसी एक खेत पर तकनीक का प्रभाव पकड़ना कठिन हो सकता है, लेकिन कारक का उपयोग अपने-आप में भुगतान के लिए अनुपयुक्त नहीं है। निर्णय इस आधार पर होना चाहिए कि लागू पद्धति द्वारा अनुमत कारक और गतिविधि डेटा, लागू शर्तों की पुष्टि, अनिश्चितता प्रबंधन और सत्यापन उपलब्ध हैं या नहीं।
विकास का व्यावहारिक रास्ता है कि सांद्रता के अवलोकन और आधारभूत उत्सर्जन दर के मापन को साथ-साथ जमा किया जाए, तथा वेंटिलेशन, मौसम, पशुओं की संख्या और चारे की जानकारी को जोड़ा जाए। मॉडल बनाने में जिन खेतों और अवधियों का उपयोग नहीं हुआ, उनसे पूर्वानुमान त्रुटि का मूल्यांकन करें और लागू दायरा स्पष्ट करें। साथ-साथ किए गए अवलोकन बढ़ने पर भी यदि प्रतिनिधित्व अपर्याप्त हो या साझा पूर्वाग्रह हो, तो मॉडल पर भरोसा अपने-आप नहीं बढ़ता।
चारा खिलाने और जुगाली के कारण मीथेन उत्सर्जन एक ही दिन के भीतर भी बदलता है। उत्सर्जन का चरम समय चारे, खिलाने के तरीके और पशु के व्यवहार पर निर्भर करता है, इसलिए इसे दसियों मिनट की किसी एक निश्चित अवधि में बाँधा नहीं जा सकता। अभिलेखों के समय में त्रुटि और पाइप में गैस के पहुँचने की देरी, जिस बदलाव का विश्लेषण किया जा रहा है उसके समय-पैमाने की तुलना में पर्याप्त रूप से कम रखनी चाहिए।
यदि समय का मानक पुष्ट न हो, तो पहले त्रुटि और देरी का परिमाण अनुमानित करें और विश्लेषण पर उसके असर का मूल्यांकन करें। दैनिक समेकन के लिए छोटी त्रुटि, मिनट-स्तर की घटना के विश्लेषण में बड़ी हो सकती है। जिन डेटा को बहाल नहीं किया जा सकता, उन्हें उस समय-पैमाने के संयुक्त विश्लेषण से बाहर रखें या व्याख्या का दायरा सीमित करें, और कारण दर्ज करें।
ज़मीनी उपयोग की शर्तें और सीमाएँ
मान लीजिए कई दिनों के सेंसर अभिलेखों को यादृच्छिक रूप से बाँटकर प्रशिक्षण और मूल्यांकन में इस्तेमाल किया गया। बार-बार दोहरने वाले दैनिक पैटर्न से अच्छा मेल, नए खेत की परिस्थितियाँ समझाने का प्रमाण नहीं है। भविष्य के संचालन के लिए मूल्यांकन और खेतों में विस्तार के लिए मूल्यांकन—दोनों में डेटा बाँटने का तरीका अलग होना चाहिए। पूर्व-प्रक्रिया और अनुपलब्ध डेटा संभालने में भी मूल्यांकन डेटा की जानकारी पहले से उपयोग नहीं होनी चाहिए।
मूल्यांकन डेटा को पहले अलग रखें। यदि एक ही खेत के पास-पास के समयों का डेटा यादृच्छिक रूप से मिलाया जाए, तो स्थानीय दोहराव वाले पैटर्न को याद रखने वाले प्रदर्शन को नए खेत पर प्रदर्शन समझने की भूल हो सकती है। भविष्य का संचालन उद्देश्य हो तो समय के क्रम से, और दूसरे खेत में उपयोग उद्देश्य हो तो खेत के आधार पर डेटा अलग करें। मॉडल चुनने के लिए प्रयुक्त सत्यापन डेटा और अंतिम प्रदर्शन जाँच के डेटा को अलग रखें; डेटा की पूर्व-प्रक्रिया और छूटे मानों का सुधार भी प्रशिक्षण डेटा पर तय नियमों के अनुसार करें।
AI मूल्यांकन डेटा को उपयोग के उद्देश्य के अनुसार अलग रखें। भविष्य के संचालन का अनुमान लगाना हो तो समय-क्रम पर विचार करें; दूसरे खेतों में लागू करना हो तो खेत के आधार पर डेटा अलग रखने पर विचार करें। मॉडल चुनने के लिए इस्तेमाल किया गया डेटा और अंतिम प्रदर्शन जाँच के लिए इस्तेमाल होने वाला डेटा भी अलग होना चाहिए। एक साधारण आधार मॉडल से तुलना करें और औसत त्रुटि के साथ-साथ खेत और मौसम के अनुसार पक्षपात तथा विफलता की परिस्थितियाँ जाँचें; तभी वास्तविक उपयोग का दायरा समझाया जा सकेगा।
यह भी लिखें कि विफलता होने पर क्या किया जाएगा। अंशांकन की वैधता अवधि बीत जाने, संचार छूटने, या ऐसे चारे, मौसम अथवा वेंटिलेशन की परिस्थितियों में जिनका मूल्यांकन नहीं हुआ है, आउटपुट पर सीमा का संकेत दें या उपयोग रोककर मामला ज़िम्मेदार व्यक्ति को सौंपें। दोबारा प्रशिक्षण देने से मॉडल तुरंत फिर उपयोग के लिए तैयार नहीं हो जाता। बदले हुए मॉडल को स्वतंत्र मूल्यांकन डेटा से जाँचें और लागू करने का समय तथा अनुमोदनकर्ता दर्ज करें। मॉडल का निर्णय-सहायता कार्य और उत्सर्जन-कमी की बाहरी पुष्टि अलग काम हैं।
निवेश समीक्षा के लिए आवश्यक प्रमाण
निवेशकों को औसत प्रदर्शन के अलावा खेत और मौसम के अनुसार त्रुटि तथा लगातार बने रहने वाले पूर्वाग्रह को देखना चाहिए। यह भी जाँचें कि पुराने सरल पूर्वानुमान तरीके से क्या बेहतर हुआ है। दोबारा प्रशिक्षण के बाद स्वतंत्र मूल्यांकन डेटा से बदले हुए प्रदर्शन की पुष्टि करें और लागू करने का समय तथा अनुमोदनकर्ता दर्ज करें।
डेटा वंशावली वह रास्ता है जो दिखाता है कि अंतिम आँकड़ा किस मूल डेटा से किन रूपांतरणों के बाद बना। उपकरण और चैनल, डेटा बनने का समय, तथा इकाई रूपांतरण, सुधार, फ़िल्टरिंग और समेकन के नियम दर्ज करें। किसने प्रक्रिया चलाई और अनुमोदित की, तथा बाद में क्या और क्यों बदला गया, यह भी लिखें। मूल डेटा मौजूद है या नहीं और योग्य समीक्षक प्रक्रिया को दोबारा जाँच सकता है या नहीं—इन दोनों बातों की साथ में पुष्टि करनी चाहिए।
यदि परीक्षण के प्रश्न और निर्णय मानदंड पहले तय किए जाएँ, तो प्रतिभागी भी समझ सकते हैं कि डेटा क्यों दर्ज कर रहे हैं। नतीजे अपेक्षा से अलग आएँ तब भी डेटा सुरक्षित रखें, और तय करें कि किस हिस्से को विस्तार देना है तथा किसे सुधारना या रोकना है।
निर्णय के लिए बनाए रखने योग्य मानदंड
मॉडल का सत्यापन उच्च अंक दिखाने की प्रक्रिया पर समाप्त नहीं होता। तैनाती के उद्देश्य और विफलता की लागत के अनुरूप डेटा से उपयोग का दायरा जाँचना चाहिए। प्रशिक्षण के दायरे से बाहर की परिस्थितियों में दोबारा मूल्यांकन करने या उपयोग सीमित करने का आधार आवश्यक है।
लेखक परिचय
बोंगजुन ली ने सोगांग विश्वविद्यालय के प्रौद्योगिकी प्रबंधन स्नातकोत्तर विद्यालय (MOT) में अपनी पढ़ाई पूरी की। उन्होंने Infitron Co., Ltd. में 7 वर्ष और Honeywell में 20 वर्ष सहित गैस मापन के क्षेत्र में 27 वर्षों तक सेवा इंजीनियरिंग, तकनीकी बिक्री और चैनल प्रबंधन के काम किए। वर्तमान में AI Safety Korea Co., Ltd. के संस्थापक के रूप में वे सेंसर, AI और डेटा विश्लेषण का उपयोग करते हुए पशुधन मीथेन निगरानी तथा मापन, रिपोर्टिंग और सत्यापन (MRV) व्यवस्था पर शोध कर रहे हैं।