വിവരങ്ങൾ വിശകലനം ചെയ്യാൻ AI എങ്ങനെ ഉപയോഗിക്കാം?
ലളിതമായ ഒരു വിശകലനത്തിന്റെ മിക്കവാറും എല്ലാ ഘട്ടങ്ങളിലും AI ഉപയോഗിക്കാം: ചോദ്യം വ്യക്തമാക്കൽ, വിവരശേഖരം വിവരിക്കൽ, വിവരങ്ങൾ ശുദ്ധീകരിക്കുന്നതിനുള്ള ഘട്ടങ്ങൾ നിർദേശിക്കൽ, സംഗ്രഹക്കണക്കുകൾ തയ്യാറാക്കൽ, സൂത്രവാക്യങ്ങളോ Python നിർദേശങ്ങളോ എഴുതൽ, രേഖാചിത്രങ്ങൾ തയ്യാറാക്കൽ, വ്യാഖ്യാനത്തിന്റെ കരട് എഴുതൽ എന്നിവയിൽ. ആവർത്തനസ്വഭാവമുള്ള ഘട്ടങ്ങളിലാണ് പ്രധാനമായും സമയം ലാഭിക്കുന്നത്. അപകടസാധ്യത കൂടുതലും അവസാന ഘട്ടത്തിലാണ്; ഒഴുക്കോടെ എഴുതിയ ഒരു ഖണ്ഡികയിൽ, വിവരങ്ങൾ പിന്തുണയ്ക്കാത്ത ഒരു നിഗമനം അവതരിപ്പിക്കപ്പെട്ടേക്കാം.
വിദഗ്ധരല്ലാത്തവർ നടത്തുന്ന ദൈനംദിന ബിസിനസ് വിശകലനത്തെക്കുറിച്ചാണ് ഈ വഴികാട്ടി: മാസാടിസ്ഥാനത്തിലുള്ള വിൽപ്പന പരിശോധിക്കുന്ന മാനേജർ, സഹായ അഭ്യർഥനകളുടെ എണ്ണം പരിശോധിക്കുന്ന ഉപഭോക്തൃസഹായ വിഭാഗം മേധാവി, വിതരണക്കാർ സാധനങ്ങൾ എത്തിക്കാൻ എടുക്കുന്ന സമയം താരതമ്യം ചെയ്യുന്ന പ്രവർത്തന ഏകോപകൻ എന്നിവരെക്കുറിച്ച്. ഇതോടൊപ്പമുള്ള Excel-ൽ AI ഉപയോഗിക്കുന്നതിനുള്ള വഴികാട്ടി സൂത്രവാക്യങ്ങളും സ്പ്രെഡ്ഷീറ്റിലെ വിവരങ്ങൾ വൃത്തിയാക്കുന്നതും വിശദമായി പ്രതിപാദിക്കുന്നു.
ഏതൊക്കെ തരത്തിലുള്ള ഡാറ്റാ വിശകലനത്തിന് AI സഹായിക്കും?
വിശകലനത്തെ സാധാരണയായി നാല് തരങ്ങളായി വിവരിക്കാറുണ്ട്. ഓരോന്നിലും AI വ്യത്യസ്ത അളവിൽ സഹായിക്കുന്നു. ചോദ്യം എന്ത് സംഭവിച്ചു എന്നതിൽനിന്ന് എന്തുകൊണ്ട് സംഭവിച്ചു, എന്ത് ചെയ്യണം എന്നതിലേക്ക് നീങ്ങുന്തോറും, ഉത്തരത്തിന് കൂടുതൽ മാനുഷിക വിലയിരുത്തലും പശ്ചാത്തല ധാരണയും ആവശ്യമായി വരുന്നു.
| വിശകലനത്തിന്റെ തരം | ഇത് ഉത്തരം നൽകുന്ന ചോദ്യം | AI എത്രത്തോളം സഹായിക്കും |
|---|---|---|
| വിവരണാത്മകം | എന്താണ് സംഭവിച്ചത്? | പലതും: ആകെ തുകകൾ, പ്രവണതകൾ, ഇനം തിരിച്ചുള്ള കണക്കുകൾ, ചാർട്ടുകൾ; എല്ലാം പരിശോധിക്കാവുന്നവ |
| പ്രാരംഭനിലാ പരിശോധന | എന്തുകൊണ്ടാണ് അത് സംഭവിച്ചത്? | ഒരു പരിധിവരെ: പരിശോധിക്കേണ്ട അനുമാനങ്ങളും വിവരങ്ങളെ വേർതിരിക്കേണ്ട രീതികളും നിർദേശിക്കാം, പക്ഷേ കാരണം സ്ഥിരീകരിക്കാനാവില്ല |
| പ്രവചനാത്മകം | അടുത്തതായി എന്താണ് പ്രതീക്ഷിക്കാവുന്നത്? | വിദഗ്ധരല്ലാത്തവർക്ക് പരിമിതമായ പ്രയോജനം: പ്രവചനങ്ങൾക്ക് രീതിയും സാധുതാ പരിശോധനയും ആവശ്യമാണ് |
| നടപടി നിർദേശിക്കുന്നത് | നമ്മൾ എന്തു ചെയ്യണം? | തിരഞ്ഞെടുക്കാവുന്ന സാധ്യതകളുടെ പ്രാരംഭ പട്ടിക; തീരുമാനവും അതിലെ വിട്ടുവീഴ്ചകളും മനുഷ്യരുടെ ഉത്തരവാദിത്തമായി തുടരും |
ChatGPT വിവരവിശകലനം നടത്തുമോ?
ChatGPT, Claude, Gemini തുടങ്ങിയ പൊതുവായ സഹായികൾക്ക് രണ്ട് രീതിയിൽ ഡാറ്റാ വിശകലനത്തിൽ സഹായിക്കാം: നിങ്ങൾ ഒട്ടിക്കുകയോ വിവരിക്കുകയോ ചെയ്യുന്ന ഡാറ്റയെക്കുറിച്ച് യുക്തിപരമായി പരിശോധിച്ചും, ചില പ്ലാനുകളിൽ നിങ്ങൾ അപ്‌ലോഡ് ചെയ്യുന്ന ഫയലിൽ കോഡ് പ്രവർത്തിപ്പിച്ചും. ഒരു ഉപകരണം കോഡ് പ്രവർത്തിപ്പിക്കുമ്പോൾ, എഴുത്തിലൂടെ സംഖ്യകൾ ഏകദേശമായി കണക്കാക്കുന്നതിനേക്കാൾ അതിന്റെ ഗണിതം സാധാരണയായി കൂടുതൽ വിശ്വസനീയമായിരിക്കും. എന്നാൽ നിങ്ങൾ ഉദ്ദേശിച്ചതിൽ നിന്ന് അൽപ്പം വ്യത്യസ്തമായ ഒരു ചോദ്യത്തിനായിരിക്കാം ആ കോഡ് ഉത്തരം നൽകുന്നത്. നിങ്ങളുടെ സ്ഥാപനം അംഗീകരിച്ച പ്ലാനിൽ ഏതെല്ലാം കഴിവുകൾ ഉൾപ്പെടുന്നുവെന്ന് സേവനദാതാവിന്റെ നിലവിലെ രേഖകളിൽ പരിശോധിക്കുക.
സ്പ്രെഡ്ഷീറ്റ് സഹായികളും മറ്റൊരു മാർഗമാണ്. Excel-ലെ Copilot-ൽ ചാറ്റ് മാത്രം ഉപയോഗിക്കുന്ന ഒരു രീതി ഉണ്ടെന്ന് Microsoft വിശദീകരിക്കുന്നു. ഇത് വർക്ക്ബുക്ക് മാറ്റാതെ അതിലെ വിവരങ്ങൾ വിശകലനം ചെയ്ത് ഉൾക്കാഴ്ചകൾ നൽകുന്നു. Sheets-ലെ Gemini-ക്ക് വിവരങ്ങൾ വിശകലനം ചെയ്യാനും ഉൾക്കാഴ്ചകൾ നൽകാനും ചാർട്ടുകൾ തയ്യാറാക്കാനും കഴിയുമെന്ന് Google പറയുന്നു. Gemini തെറ്റായ വിവരങ്ങൾ നിർദേശിച്ചേക്കാമെന്നും Google-ന്റെ പേജ് മുന്നറിയിപ്പ് നൽകുന്നു. ഏത് മാർഗം ഉപയോഗിച്ചാലും ഈ മാർഗദർശികയിലെ പരിശോധനകൾ ബാധകമാണ്.
AI ഉപയോഗിച്ച് ഡാറ്റ വിശകലനം ചെയ്യാനുള്ള സുരക്ഷിതമായ രീതി എന്താണ്?
ഉപകരണം തുറക്കുന്നതിനുമുമ്പ് ചോദ്യം എഴുതിവെക്കുക, ഡാറ്റ കൃത്യമായി വിവരിക്കുക, ഉത്തരം ചോദിക്കുന്നതിനുമുമ്പ് രീതി ചോദിക്കുക, നിങ്ങൾ വീണ്ടും ഉപയോഗിക്കാൻ പോകുന്ന ഓരോ സംഖ്യയും പരിശോധിച്ച് ഉറപ്പാക്കുക. താഴെയുള്ള ഘട്ടങ്ങൾ ചെറുകിട ബിസിനസുകളിലെ മിക്ക വിശകലനങ്ങൾക്കും അനുയോജ്യമാണ്.
ചോദ്യം വ്യക്തമാക്കുക
ഒരു വാചകം എഴുതുക: ഇത് ഏത് തീരുമാനത്തിന് സഹായിക്കും, നിങ്ങളുടെ നിലപാട് മാറ്റാൻ എന്താണ് വേണ്ടത്? ഇതില്ലെങ്കിൽ ഉപകരണം പാറ്റേണുകൾ കണ്ടെത്തും; അവയിൽ ചിലത് അർഥമില്ലാത്തവയായിരിക്കും.
വിവരങ്ങളുടെ സ്വഭാവം വിവരിക്കുക
നിരകൾ, അളവുകൾ, കാലയളവ്, ഓരോ വരിയും രേഖപ്പെടുത്തിയ രീതി, വിട്ടുപോയതായി അറിയാവുന്ന കാര്യങ്ങൾ എന്നിവ. തെറ്റിദ്ധാരണകൾ കണ്ടെത്താൻ കഴിയുന്ന വിധത്തിൽ ഇവ സ്വന്തം വാക്കുകളിൽ ആവർത്തിക്കാൻ ടൂളിനോട് ആവശ്യപ്പെടുക.
ആദ്യം പദ്ധതി ആവശ്യപ്പെടുക
ചോദ്യത്തിന് എങ്ങനെ ഉത്തരം നൽകുമെന്നും ഏതൊക്കെ കണക്കുകൂട്ടലുകൾ നടത്തുമെന്നും ചോദിക്കുക. സംഖ്യകൾ നൽകുന്നതിനുമുമ്പ് പദ്ധതി തിരുത്തുക.
പ്രധാനപ്പെട്ട കണക്കുകൾ വീണ്ടും കണക്കാക്കുക
നിങ്ങളുടെ സംഗ്രഹത്തിൽ ഉൾപ്പെടുത്തുന്ന രണ്ടോ മൂന്നോ കണക്കുകൾ ഒരു സൂത്രവാക്യം, പിവറ്റ് പട്ടിക അല്ലെങ്കിൽ കാൽക്കുലേറ്റർ ഉപയോഗിച്ച് പരിശോധിക്കുക.
കണ്ടെത്തലിനെ വിശദീകരണത്തിൽ നിന്ന് വേർതിരിക്കുക
ഡാറ്റ കാണിക്കുന്നത് എന്തെന്ന് എഴുതുക. അതിനുള്ള സാധ്യതയുള്ള വിശദീകരണങ്ങളും അവ എങ്ങനെ പരിശോധിക്കുമെന്നതും പ്രത്യേകം എഴുതുക.
നിങ്ങൾ ചെയ്തത് രേഖപ്പെടുത്തുക
മറ്റൊരാൾക്ക് പിന്തുടരാൻ കഴിയുന്ന വിധത്തിൽ ചോദ്യം, ഉപയോഗിച്ച ഡാറ്റയുടെ പതിപ്പ്, രീതി, പരിശോധനകൾ എന്നിവ സൂക്ഷിക്കുക.
ഇത് ഒരു തൊഴിൽചുമതലയുമായി എങ്ങനെ ബന്ധപ്പെട്ടിരിക്കുന്നുവെന്ന് കാണണോ?
ടീമുകൾക്കായി ആസൂത്രണം ചെയ്തിരിക്കുന്ന പരീക്ഷണാവസരം പരിചയപ്പെടൂ ↗തെറ്റിദ്ധരിപ്പിക്കുന്ന ഒരു AI വിശകലനം എങ്ങനെയായിരിക്കും?
സാങ്കൽപ്പിക കണക്കുകളോടുകൂടിയ വിശദമാക്കിയ ഉദാഹരണം ഇതാ. ലൂമെൻ ബോക്സ് എന്ന ചെറിയ സബ്സ്ക്രിപ്ഷൻ കമ്പനി സെപ്റ്റംബർ 1-ന് പ്രതിമാസ പദ്ധതിയുടെ വില ഉയർത്തി. സ്ഥാപകൻ റദ്ദാക്കലുകളുടെ പട്ടിക അപ്‌ലോഡ് ചെയ്ത് ചോദിക്കുന്നു: വിലവർധന കൂടുതൽ റദ്ദാക്കലുകൾക്ക് കാരണമായോ? ഓഗസ്റ്റ് തുടക്കത്തിൽ സജീവമായ 1,950 വരിക്കാരും ആ മാസം 100 റദ്ദാക്കലുകളും ഉണ്ടായിരുന്നതായി കണക്കുകൾ കാണിക്കുന്നു. സെപ്റ്റംബർ തുടക്കത്തിൽ 2,000 വരിക്കാരും ആ മാസം 140 റദ്ദാക്കലുകളും ഉണ്ടായിരുന്നു.
ആദ്യ AI മറുപടി: സെപ്റ്റംബറിൽ റദ്ദാക്കലുകൾ 40 ശതമാനം വർധിച്ചു. വിലവർധന ഉപഭോക്താക്കളെ അകറ്റിയെന്നാണ് ഇത് കാണിക്കുന്നത്. വിലവർധന പിൻവലിക്കുന്നത് പരിഗണിക്കണം. ഇതിൽ മൂന്ന് പ്രശ്നങ്ങളുണ്ട്. 40 ശതമാനം എന്നത് റദ്ദാക്കലുകളുടെ എണ്ണത്തിലുണ്ടായ വർധനയാണ്, 100-ൽ നിന്ന് 140-ലേക്ക്; റദ്ദാക്കൽ നിരക്ക് ഏകദേശം 5.1 ശതമാനത്തിൽ നിന്ന് 7.0 ശതമാനമായി, അതായത് ഏകദേശം രണ്ട് ശതമാന പോയിന്റുകളുടെ വർധന. ശതമാനവും ശതമാന പോയിന്റുകളും തമ്മിൽ തെറ്റിക്കുന്നതാണ് AI എഴുതുന്ന വിശകലനങ്ങളിലെ ഏറ്റവും സാധാരണമായ പിശകുകളിൽ ഒന്ന്. രണ്ടാമതായി, വിലയിലെ മാറ്റമാണ് വർധനയ്ക്ക് കാരണമെന്ന് രണ്ട് മാസത്തെ വിവരങ്ങൾകൊണ്ട് തെളിയിക്കാനാവില്ല; മറ്റ് കാരണങ്ങളാൽ സെപ്റ്റംബർ വ്യത്യസ്തമായിരിക്കാം. മൂന്നാമതായി, ചോദിച്ചതിനും ലഭ്യമായ വിവരങ്ങൾ കാണിക്കുന്നതിനും ഏറെ അപ്പുറത്തേക്കാണ് ശുപാർശ പോകുന്നത്.
മെച്ചപ്പെട്ട തുടർ പ്രോംപ്റ്റ്: അപ്‌ലോഡ് ചെയ്ത ഷീറ്റ് മാത്രം ഉപയോഗിച്ച്, ഓഗസ്റ്റിലെയും സെപ്റ്റംബറിലെയും റദ്ദാക്കൽ നിരക്ക് കണക്കുകൂട്ടൽ സഹിതം നൽകുക. തുടർന്ന് സെപ്റ്റംബറിലെ റദ്ദാക്കലുകൾ പ്ലാനിന്റെ തരം അനുസരിച്ച് വേർതിരിക്കുക; പ്രതിമാസ പ്ലാനിന്റെ വില മാത്രമാണ് മാറിയത്. കാരണം എന്താണെന്ന് പ്രസ്താവിക്കരുത്. വിലമാറ്റമാണോ കാരണമെന്ന് പരിശോധിക്കാൻ സഹായിക്കുന്ന മറ്റ് വിവരങ്ങൾ ഏതൊക്കെയെന്ന് പട്ടികപ്പെടുത്തുക.
അവലോകനം ചെയ്ത കണ്ടെത്തൽ: പ്രതിമാസ റദ്ദാക്കൽ നിരക്ക് ഓഗസ്റ്റിലെ ഏകദേശം 5.1 ശതമാനത്തിൽനിന്ന് സെപ്റ്റംബറിൽ 7.0 ശതമാനമായി ഉയർന്നു. പ്രതിമാസ പദ്ധതിയുടെ നിരക്ക് 1 സെപ്റ്റംബറിന് മാറ്റിയ സമയത്താണ് ഈ വർധനയും ഉണ്ടായത്. അതാണോ കാരണമെന്ന് പരിശോധിക്കാൻ, പ്രതിമാസ പദ്ധതിയിലെ റദ്ദാക്കലുകൾ നിരക്ക് മാറാത്ത വാർഷിക പദ്ധതിയിലേതുമായി താരതമ്യം ചെയ്യുക, ഉപഭോക്താക്കൾ നൽകിയ റദ്ദാക്കൽ കാരണങ്ങൾ വായിക്കുക, കഴിഞ്ഞ വർഷത്തെ ഇതേ മാസങ്ങളിലെ കണക്കുകൾ പരിശോധിക്കുക. പങ്കിടുന്നതിന് മുമ്പ് സ്ഥാപകൻ രണ്ട് നിരക്കുകളും നേരിട്ട് കണക്കുകൂട്ടി പരിശോധിച്ചു.
ഏതൊക്കെ വിവരങ്ങളാണ് ഒരു AI ഉപകരണത്തിന് നൽകരുതാത്തത്?
നിങ്ങളുടെ കമ്പനി ആ ഉപകരണവും അതിലെ സേവനപദ്ധതിയും ഈ ആവശ്യത്തിന് അംഗീകരിച്ചിട്ടില്ലെങ്കിൽ, AI ഉപകരണത്തിന് വ്യക്തിഗതമോ രഹസ്യമോ ആയ വിവരങ്ങൾ നൽകരുത്. ഉപഭോക്തൃ പട്ടികകൾ, ജീവനക്കാരുടെ രേഖകൾ, ആരോഗ്യവിവരങ്ങൾ, പുറത്തുവിടാത്ത സാമ്പത്തിക ഫലങ്ങൾ എന്നിവയ്ക്ക് സാധാരണയായി വ്യക്തമായ അനുമതി ആവശ്യമാണ്. പേരുകൾക്ക് പകരം കോഡുകൾ ഉപയോഗിക്കുന്നത് സഹായിക്കും; എന്നാൽ ആ കോഡുകളെ വ്യക്തികളുമായി വീണ്ടും ബന്ധിപ്പിക്കാൻ ആർക്കെങ്കിലും കഴിയുമെങ്കിൽ വിവരങ്ങൾ അജ്ഞാതമാകുന്നില്ല. ആളുകളെ തിരിച്ചറിയാൻ ആവശ്യമായ അധിക വിവരങ്ങൾ കൈവശമുള്ള ഒരാളുടെ പക്കലുള്ള, തിരിച്ചറിയൽ വിവരങ്ങൾക്ക് പകരം കോഡുകൾ നൽകിയ ഡാറ്റ വ്യക്തിഗത ഡാറ്റ തന്നെയാണെന്ന് യുകെയിലെ ICO വ്യക്തമാക്കുന്നു.
പലപ്പോഴും ഈ ചോദ്യം ഒഴിവാക്കാനാകും. ആദ്യം വിവരങ്ങൾ സംഗ്രഹിക്കുക; അങ്ങനെ വ്യക്തിഗത വരികൾക്കുപകരം പ്രതിമാസ മൊത്തങ്ങൾ പങ്കിടാം. അല്ലെങ്കിൽ നിരകൾ വിവരിച്ച്, സാങ്കൽപ്പിക മാതൃകാ വരികൾ ഉപയോഗിച്ച് സൂത്രവാക്യമോ കോഡോ നേടുക. തുടർന്ന് നിങ്ങളുടെ സ്വന്തം സംവിധാനങ്ങൾക്കുള്ളിൽ യഥാർഥ വിവരങ്ങളിൽ അത് പ്രവർത്തിപ്പിക്കുക. ഇത് പൊതുവിവരമാണ്, നിയമോപദേശമല്ല; നിങ്ങളുടെ നയം പരിശോധിക്കുക, ആവശ്യമെങ്കിൽ വിവരസംരക്ഷണ ചുമതലയുള്ളയാളുമായി സംസാരിക്കുക.
ഡാറ്റാ വിശകലനത്തിന് Copilot നല്ലതാണോ?
നിങ്ങളുടെ സ്ഥാപനത്തിൽ ഇതിനകം ലഭ്യമാണെങ്കിൽ, ദൈനംദിന വിശകലനത്തിന് Excel-ലെ Copilot യുക്തമായ ഒരു തിരഞ്ഞെടുപ്പാണ്. കാരണം, ഡാറ്റ സൂക്ഷിച്ചിരിക്കുന്ന വർക്ക്ബുക്കിൽത്തന്നെ അത് പ്രവർത്തിക്കുന്നു. കൂടാതെ, തിരുത്തലുകൾ വരുത്താതെ വിശകലനം ചെയ്യുന്ന ഒരു രീതി അതിൽ ലഭ്യമാണെന്ന് Microsoft പറയുന്നു. ഒരു പ്രത്യേക വിശകലനത്തിന് അത് അനുയോജ്യമാണോ എന്നത് മറ്റേതൊരു ഉപകരണത്തിന്റെയും കാര്യത്തിലെന്നപോലെ ചില കാര്യങ്ങളെ ആശ്രയിച്ചിരിക്കുന്നു: ഡാറ്റ എത്രത്തോളം ശുദ്ധമാണ്, നിങ്ങൾ എത്ര കൃത്യമായി ചോദിക്കുന്നു, ഫലം പരിശോധിക്കുന്നുണ്ടോ എന്നിവ. യുക്തമായ ഒരു ഉത്തരം എങ്ങനെയിരിക്കണമെന്ന അറിവിന് ഇത് പകരമാകുന്നില്ല.
വിശകലനത്തിനായി നിങ്ങളുടെ ടീം സഹായികളെ താരതമ്യം ചെയ്യുകയാണെങ്കിൽ, ഉത്തരം നിങ്ങൾക്ക് ഇതിനകം അറിയാവുന്നതും രഹസ്യവിവരങ്ങൾ ഉൾപ്പെടാത്തതുമായ ഒരു യഥാർഥ ചോദ്യം നൽകി ഓരോന്നും പരീക്ഷിക്കുക. സവിശേഷതകൾ താരതമ്യം ചെയ്യുന്നതിനെക്കാൾ കൂടുതൽ വിവരം അത് നൽകും.
പകരം ഒരു വിശകലന വിദഗ്ധന്റെ സഹായം തേടേണ്ടത് എപ്പോൾ?
തീരുമാനം ചെലവേറിയതാകുമ്പോൾ, വിവരങ്ങൾ വളരെയധികമോ ക്രമരഹിതമോ ആകുമ്പോൾ, അല്ലെങ്കിൽ ചോദ്യം കാരണബന്ധം, പ്രവചനം, ഒരു വ്യത്യാസം യഥാർഥമാണോ അതോ യാദൃച്ഛിക വ്യതിയാനമാണോ എന്നിവയെക്കുറിച്ചാകുമ്പോൾ ഒരു വിശകലന വിദഗ്ധന്റെയോ സ്ഥിതിവിവരശാസ്ത്ര പരിശീലനമുള്ള ഒരാളുടെയോ സഹായം തേടുക. വിശ്വാസ്യത തോന്നിക്കുന്ന ഒരു ചാർട്ടും വൃത്തിയുള്ള ഒരു ഖണ്ഡികയും സൃഷ്ടിക്കുന്നത് AI എളുപ്പമാക്കുന്നു. എന്നാൽ അടിസ്ഥാന സ്ഥിതിവിവരശാസ്ത്രം അതുകൊണ്ട് ലളിതമാകുന്നില്ല. ഉപകരണത്തോട് ഏത് ചോദ്യം ചോദിക്കണമെന്ന് വിദഗ്ധനല്ലാത്ത ഒരാൾക്ക് അറിയണമെന്നുമില്ല.
ലഭ്യമല്ലാത്ത ഡാറ്റയ്ക്ക് പകരമാകാനും AI-ക്ക് കഴിയില്ല. ചോദ്യത്തിന് ഉത്തരം നൽകാൻ ആവശ്യമായ വിവരങ്ങൾ ഒരിക്കലും രേഖപ്പെടുത്തിയിട്ടില്ലെങ്കിൽ, അത് വ്യക്തമാക്കുന്ന കുറിപ്പും വിവരങ്ങൾ ശേഖരിക്കാനുള്ള പദ്ധതിയുമാണ് ശരിയായ മറുപടി.
ഉറവിടങ്ങളും പരിധിയും
Microsoft സഹായവിഭാഗം, Excel-ൽ Copilot ഉപയോഗിച്ചുതുടങ്ങുക, സന്ദർശിച്ചത് 16 October 2026 ↗