सेंसर के ग्राफ में खाली जगह दिखे तो उसे जल्दी भरने का मन करता है। लेकिन मैं यह भी देखने का सुझाव दूँगा कि वह खाली जगह बनी क्यों। यह 『कार्बन उत्सर्जन में कमी प्रमाणित करने की तकनीक और समाधान』 के आठवें अध्याय में कार्बन डेटा की गुणवत्ता पर चर्चा है। सेंसर डेटा का गायब होना केवल असुविधा हो सकता है, लेकिन यह खराबी या चारा देना बंद होने जैसा नतीजे से जुड़ा संकेत भी हो सकता है।
किताब में पहले इन बातों को अलग-अलग समझें
गायब डेटा को पूरा करने का तरीका भी डेटा का हिस्सा समझें। दर्ज करें कि कितनी अवधि के अंतराल का किस नियम से अनुमान लगाया गया। नतीजा देखने के बाद केवल अनुकूल तरीका चुनने से बचने के लिए प्रक्रिया के मानदंड पहले तय कर लें। अवलोकन के मानों में संशोधन होना अपने आप में गलत नहीं है, लेकिन संशोधन का कारण और लागू दायरा जाँचा जा सकना चाहिए। मूल डेटा और उससे पूरा किया गया डेटा अलग रखने से दूसरों को भी नतीजों की दोबारा समीक्षा करने में मदद मिलती है।
रिपोर्टिंग (R) में संदर्भ और गणना दर्ज होते हैं। मूल डेटा को किन नियमों से संसाधित करके किस निष्कर्ष तक पहुँचे, इसकी पूरी प्रक्रिया लिखी जाती है। इसमें यह शामिल है कि गायब डेटा कैसे भरा, असामान्य मान किन मानदंडों से हटाए, किस मॉडल का कौन-सा संस्करण इस्तेमाल किया और अनिश्चितता का अनुमान कैसे लगाया। रिपोर्ट की गुणवत्ता उसके निष्कर्षों की चमक से नहीं, बल्कि नतीजे दोहराने की क्षमता से आँकी जाती है।
मौसम। गर्मी और सर्दी में सेवन की मात्रा, चारे की संरचना और वेंटिलेशन की शर्तें अलग हों तो साधारण पहले-बाद की तुलना में मौसम का असर शामिल हो जाता है। उस अंतर को पूरी तरह तकनीक का या पूरी तरह मौसम का प्रभाव न मानें; तुलना के डिजाइन और सुधार की वैधता जाँचें।
गुणवत्ता नियंत्रण (QC) डेटा संग्रह और गणना की प्रक्रिया में एकरूपता, पूर्णता और त्रुटियों की जाँच है। गुणवत्ता आश्वासन (QA) में यह समीक्षा भी शामिल है कि व्यवस्था और नतीजे तय गुणवत्ता लक्ष्यों को पूरा करते हैं या नहीं। योजना के दौरान रोकथाम, काम के दौरान जाँच और नतीजों की समीक्षा—ये एक-दूसरे को पूरा करने चाहिए। ठोस भूमिकाएँ और प्रक्रियाएँ लागू दिशानिर्देशों के अनुसार तय करें; QA को केवल रोकथाम और QC को केवल बाद में सुधार करने तक सीमित न करें।
सांद्रता हवा में गैस का अनुपात है, जबकि उत्सर्जन दर प्रति इकाई समय में निकलने वाला द्रव्यमान है। उत्सर्जन की मात्रा मापने या अनुमान लगाने के लिए उद्देश्य के अनुरूप सांद्रता, प्रवाह दर और मापन मॉडल को जोड़ना चाहिए। सांद्रता घटने पर भी यदि हवा का प्रवाह बढ़ा हो, तो यह मान लेना ठीक नहीं कि द्रव्यमान उत्सर्जन दर भी उसी दिशा में बदलेगी। समय के साथ उत्सर्जन दर को कुल उत्सर्जन मात्रा से जोड़ने के लिए मापन अवधि और छूटे हुए समय के डेटा का प्रबंधन भी जरूरी है।
यदि समय के मानक की पुष्टि न हो, तो पहले त्रुटि और देरी की मात्रा का अनुमान लगाएँ और विश्लेषण पर उसका असर जाँचें। दिन के आधार पर एकत्र करने में छोटी लगने वाली त्रुटि, मिनट-दर-मिनट घटनाओं के विश्लेषण में बड़ी हो सकती है। यदि डेटा को बहाल नहीं किया जा सकता, तो उस समयावधि के संयुक्त विश्लेषण से उसे बाहर रखें या व्याख्या का दायरा सीमित करें और कारण दर्ज करें।
AI का उपयोग असामान्य संकेतों के संभावित मामलों को पहचानने, तय शर्तों के भीतर थोड़े समय के लिए गायब डेटा का अनुमान लगाने और कई चर के संबंध तलाशने में किया जा सकता है। यह डेटा व्यवस्थित करने, गुणवत्ता की जाँच और रिपोर्ट का मसौदा बनाने में भी मदद कर सकता है। हर काम का उद्देश्य और विफलता की लागत अलग होती है, इसलिए सबका मूल्यांकन एक ही प्रदर्शन संकेतक से न करें। परिणाम किन इनपुट और मान्यताओं से बना, यह बताएँ और अनुमानित मानों को प्रत्यक्ष रूप से देखे गए मानों से अलग रखें।
खेत पर इन बातों को इस तरह देखें
सोचिए कि संचार कुछ समय के लिए बंद हुआ था या उपकरण खराब हुआ था। स्क्रीन पर दोनों ही खाली जगह की तरह दिख सकते हैं, लेकिन क्या उन्हें एक ही तरीके से पूरा किया जा सकता है, यह अलग सवाल है। अवलोकन गायब होने का कारण, अवधि और उस समय संचालन की स्थिति देखें। यदि अनुमान से मान भरा गया है तो उसे सीधे मापे गए मानों से अलग रखें।
AI अवलोकनों को व्यवस्थित कर सकता है और गायब मानों का अनुमान लगा सकता है। इसका मूल्य अनुमान की बात छिपाने में नहीं, बल्कि यह दिखाने में है कि किन डेटा और मान्यताओं से किस सीमा तक भरोसेमंद मान तैयार हुआ।
मूल्यांकन के डेटा को पहले अलग-अलग हिस्सों में बाँटें। एक ही खेत के आस-पास के समय के डेटा को यादृच्छिक रूप से बाँटने पर मॉडल को खेत के दोहराए जाने वाले पैटर्न याद हो सकते हैं, और उस प्रदर्शन को नए खेत पर काम करने की क्षमता समझने की गलती हो सकती है। यदि लक्ष्य भविष्य में संचालन का अनुमान लगाना है तो समय के क्रम से बाँटें; दूसरे खेतों में उपयोग करना हो तो खेत के स्तर पर बाँटें। मॉडल चुनने के लिए इस्तेमाल किए गए सत्यापन डेटा और अंत में प्रदर्शन की जाँच वाले डेटा को अलग रखें; पूर्व-संसाधन और गायब डेटा का सुधार भी प्रशिक्षण डेटा से तय नियमों के अनुसार करें।
अंत में, निजता और डेटा अधिकारों का प्रश्न है। खेत का डेटा पशु की जानकारी, उत्पादन के नतीजों और वित्तीय जानकारी से जुड़ा हो सकता है। यदि उत्सर्जन-कटौती सत्यापन के उद्देश्य से परे इस डेटा का वित्त, बीमा या विपणन में फिर से उपयोग किया जाए, तो पशुपालकों का भरोसा टूट सकता है। जैसा पहले अध्याय में बताया गया है, भरोसा खोने से डेटा की गुणवत्ता भी घटती है। इसलिए उद्देश्य सीमित करना, अलग सहमति लेना, पहुँच के अधिकार अलग-अलग तय करना और आपत्ति दर्ज करने की प्रक्रिया रखना—ये तकनीकी सुरक्षा जितने ही महत्वपूर्ण हैं। इन व्यवस्थाओं को बारहवें अध्याय के अनुबंध संबंधी विचार और नीति सुझाव संख्या 12 में विस्तार से बताया गया है।
निवेश की समीक्षा में ये सवाल भी पूछें
यदि आपको डेटा मिला है तो गायब मानों का अनुपात और साथ में हटाने या पूरा करने के नियम पूछें। यह भी महत्वपूर्ण है कि उन नियमों को लागू करने से निष्कर्ष कितना बदलता है। सेंसर, फीडर और वेंटिलेशन नियंत्रक की घड़ियाँ एक-दूसरे से मेल खाती हैं या नहीं—यह जाँचना भी आसानी से छूट सकता है। अलग-अलग समय के डेटा को एक ही परिस्थिति मानकर जोड़ने से व्याख्या बदल सकती है।
यदि तुलना समूह बनाना कठिन हो, तो बदलाव और समय के रुझान समझने के लिए दोहराई गई आधाररेखा का उपयोग करें; लेकिन केवल उसी डेटा से यह नहीं मानना चाहिए कि सभी भ्रमकारी कारक हट गए। अलग-अलग अवलोकनों के प्राकृतिक उतार-चढ़ाव से छोटा बदलाव भी पर्याप्त स्वतंत्र पुनरावृत्तियों के आधार पर औसत प्रभाव का अनुमान दे सकता है। इसके उलट, बड़ा दिखने वाला अंतर मौसम या वृद्धि का असर हो सकता है। प्रभाव का अनुमान, विश्वास अंतराल और कारणात्मक व्याख्या की सीमाएँ साथ प्रस्तुत करें।
उम्मीद से कम या कोई स्पष्ट प्रभाव न मिलने के नतीजे भी दर्ज करें। रिपोर्ट में अप्रत्याशित अवलोकन और उनके कारणों की समीक्षा शामिल करने से आगे के परीक्षणों में वही समस्या दोहराने से बचा जा सकता है।
किताब बंद करने से पहले ये सवाल सोचें
कभी-कभी चिकने ग्राफ से ज्यादा मददगार वह रिकॉर्ड होता है जो खाली हिस्सों और उन्हें संभालने का कारण समझा सके। खाली जगह न छिपाएँ; लिखें कि किस डेटा से और किस सीमा तक उसे पूरा किया गया। यह विवरण अगली समीक्षा का शुरुआती बिंदु बनता 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।