ਜਦੋਂ ਤੋਂ ChatGPT ਇੱਕ ਘਰ-ਘਰ ਦਾ ਨਾਮ ਬਣ ਗਿਆ ਹੈ, AI ਡਿਟੈਕਟਰਾਂ ਦੇ ਆਲੇ-ਦੁਆਲੇ ਇੱਕ ਮਿਥਿਹਾਸ ਜਿਹਾ ਬਣ ਗਿਆ ਹੈ। ਲੋਕ ਉਹਨਾਂ ਨੂੰ ਡਿਜੀਟਲ ਬਲੱਡਹਾਊਂਡਸ (bloodhounds) ਵਾਂਗ ਦੇਖਦੇ ਹਨ ਜੋ ChatGPT ਦੇ ਨਿਸ਼ਾਨਾਂ ਨੂੰ ਸੁੰਘ ਰਹੇ ਹਨ। ਸੱਚਾਈ ਇਸ ਤੋਂ ਕਿਤੇ ਜ਼ਿਆਦਾ ਘੱਟ ਫ਼ਿਲਮੀ ਹੈ। ਇਹ ਟੂਲ ਕਿਸੇ ਅਜਿਹੇ ਗੁਪਤ ਡਾਟਾਬੇਸ ਦੀ ਜਾਂਚ ਨਹੀਂ ਕਰਦੇ ਜਿਸ ਵਿੱਚ ਉਹ ਸਭ ਕੁਝ ਹੋਵੇ ਜੋ ਇੱਕ LLM ਨੇ ਕਦੇ ਲਿਖਿਆ ਹੋਵੇ। ਉਹਨਾਂ ਦਾ ਤੁਹਾਡੀ ਬ੍ਰਾਊਜ਼ਰ ਹਿਸਟਰੀ ਨਾਲ ਕੋਈ ਸਿੱਧਾ ਸਬੰਧ ਨਹੀਂ ਹੈ। ਉਹ ਅਸਲ ਵਿੱਚ ਕੀ ਕਰਦੇ ਹਨ ਕਿ ਤੁਹਾਡੇ ਟੈਕਸਟ ਨੂੰ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਮਾਡਲਾਂ (statistical models) ਰਾਹੀਂ ਲੰਘਾਉਂਦੇ ਹਨ ਅਤੇ ਉਹਨਾਂ ਗਣਿਤਕ ਸੰਕੇਤਾਂ ਦੀ ਭਾਲ ਕਰਦੇ ਹਨ ਜੋ ਮਸ਼ੀਨ ਦੁਆਰਾ ਤਿਆਰ ਕੀਤੇ ਗਏ ਲਿਖਤ (prose) ਨਾਲ ਮੇਲ ਖਾਂਦੇ ਹਨ। ਉਹਨਾਂ ਸੰਕੇਤਾਂ ਨੂੰ ਸਮਝਣਾ ਤੁਹਾਨੂੰ ਉਹਨਾਂ ਦੇ ਨਤੀਜਿਆਂ ਦੀ ਸਹੀ ਵਿਆਖਿਆ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਅਤੇ ਇਹ ਤੁਹਾਨੂੰ ਕਿਸੇ ਪ੍ਰਤੀਸ਼ਤ ਸਕੋਰ 'ਤੇ ਅੰਨ੍ਹਾ ਵਿਸ਼ਵਾਸ ਕਰਨ ਤੋਂ ਬਚਾਉਂਦਾ ਹੈ।

ਇਹ ਟੂਲ ਅਸਲ ਵਿੱਚ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ

ਆਪਣੇ ਮੂਲ ਵਿੱਚ, AI ਡਿਟੈਕਟਰ ਸੰਭਾਵਨਾ (probability) 'ਤੇ ਚੱਲਣ ਵਾਲੇ ਪੈਟਰਨ-ਮੈਚਿੰਗ ਇੰਜਣ ਹਨ। ਲਾਰਜ ਲੈਂਗੂਏਜ ਮਾਡਲ (Large language models) ਇੱਕ ਤੋਂ ਬਾਅਦ ਇੱਕ ਵਾਕ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਅਗਲੇ ਸਭ ਤੋਂ ਸੰਭਾਵਿਤ ਟੋਕਨ (token) ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਕੇ ਕੰਮ ਕਰਦੇ ਹਨ। ਹਜ਼ਾਰਾਂ ਸ਼ਬਦਾਂ ਦੇ ਉੱਪਰ, ਉਹ ਆਦਤ ਇੱਕ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਅਵਸ਼ੇਸ਼ (statistical residue) ਛੱਡ ਜਾਂਦੀ ਹੈ। ਡਿਟੈਕਟਰ ਉਸ ਅਵਸ਼ੇਸ਼ ਨੂੰ ਮਾਪਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦੇ ਹਨ।

ਇਸ ਨੂੰ ਹੱਥ ਲਿਖਤ ਦੇ ਵਿਸ਼ਲੇਸ਼ਣ ਵਾਂਗ ਸਮਝੋ। ਇੱਕ ਮਾਹਰ ਤੁਹਾਡੇ "g" ਦੀ ਤੁਲਨਾ ਹਰ ਲਿਖੇ ਗਏ "g" ਦੇ ਮਾਸਟਰ ਡਾਟਾਬੇਸ ਨਾਲ ਨਹੀਂ ਕਰਦਾ। ਇਸ ਦੀ ਬਜਾਏ, ਉਹ ਲੈਅ (rhythm), ਝੁਕਾਅ, ਦਬਾਅ ਅਤੇ ਅੰਤਰਾਲ (spacing) ਨੂੰ ਦੇਖਦੇ ਹਨ। ਡਿਟੈਕਟਰ ਟੈਕਸਟ 'ਤੇ ਵੀ ਅਜਿਹੀ ਹੀ ਤਰਕ ਲਾਗੂ ਕਰਦੇ ਹਨ। ਉਹ ਜਾਂਚ ਕਰਦੇ ਹਨ ਕਿ ਭਾਸ਼ਾ ਕਿੰਨੀ ਭਵਿੱਖਬਾਣੀਯੋਗ (predictable) ਹੈ, ਢਾਂਚਾ ਕਿੰਨਾ ਇੱਕਸਾਰ ਰਹਿੰਦਾ ਹੈ, ਅਤੇ ਕੀ ਸ਼ਬਦਾਵਲੀ ਸਿੰਥੈਟਿਕ ਲਿਖਤ (synthetic writing) ਦੇ ਆਮ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਦਾਇਰੇ ਵਿੱਚ ਆਉਂਦੀ ਹੈ।

ਕਿਉਂਕਿ ਹਰ ਡਿਟੈਕਟਰ ਪ੍ਰਦਾਤਾ ਆਪਣੇ ਮਾਡਲ ਨੂੰ ਵੱਖ-ਵੱਖ ਕੋਰਪਸ (corpora) 'ਤੇ ਸਿਖਲਾਈ ਦਿੰਦਾ ਹੈ ਅਤੇ ਆਪਣੀ ਸੰਵੇਦਨਸ਼ੀਲਤਾ ਨੂੰ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਟਿਊਨ ਕਰਦਾ ਹੈ, ਇਸ ਲਈ ਇੱਕੋ ਪੈਰਾਗ੍ਰਾਫ ਇੱਕ ਪਲੇਟਫਾਰਮ 'ਤੇ 12 ਪ੍ਰਤੀਸ਼ਤ ਅਤੇ ਦੂਜੇ 'ਤੇ 87 ਪ੍ਰਤੀਸ਼ਤ ਸਕੋਰ ਕਰ ਸਕਦਾ ਹੈ। "AI-ness" ਲਈ ਕੋਈ ਵਿਸ਼ਵਵਿਆਪੀ ਮਿਆਰ ਨਹੀਂ ਹੈ। ਹਰ ਟੂਲ ਅਸਲ ਵਿੱਚ ਗਣਿਤ ਰਾਹੀਂ ਪ੍ਰਗਟ ਕੀਤਾ ਗਿਆ ਇੱਕ ਵਿਚਾਰ ਹੈ।

ਚਾਰ ਸੰਕੇਤ ਜਿਨ੍ਹਾਂ ਦੀ ਡਿਟੈਕਟਰ ਭਾਲ ਕਰਦੇ ਹਨ

ਜ਼ਿਆਦਾਤਰ ਡਿਟੈਕਸ਼ਨ ਪਲੇਟਫਾਰਮ ਕੁਝ ਖਾਸ ਨਿਸ਼ਾਨਾਂ ਦੀ ਭਾਲ ਕਰਦੇ ਹਨ। ਇਹ ਜਾਣਨਾ ਕਿ ਉਹ ਕੀ ਹਨ, ਬਹੁਤ ਸਾਰੀ ਉਲਝਣ ਨੂੰ ਦੂਰ ਕਰਦਾ ਹੈ।

Predictability (ਭਵਿੱਖਬਾਣੀਯੋਗਤਾ) ਮਨੁੱਖੀ ਭਾਸ਼ਾ ਅਨਿਯਮਿਤ ਹੁੰਦੀ ਹੈ। ਇੱਕ ਕੈਫੇ ਦਾ ਵਰਣਨ ਕਰਨ ਵਾਲਾ ਵਿਅਕਤੀ ਐਸਪ੍ਰੈਸੋ ਦੀ ਜਲੀ ਹੋਈ ਮਹਿਕ ਦਾ ਜ਼ਿਕਰ ਕਰ ਸਕਦਾ ਹੈ, ਫਿਰ ਆਪਣੀ ਦਾਦੀ ਦੀ ਰਸੋਈ ਦੀ ਯਾਦ ਵਿੱਚ ਜਾ ਸਕਦਾ ਹੈ, ਅਤੇ ਫਿਰ ਫਿਰ ਤੋਂ ਫਰਸ਼ ਦੇ ਦਾਗਾਂ ਵੱਲ ਵਾਪਸ ਆ ਸਕਦਾ ਹੈ। ਇੱਕ AI ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਨਾ ਵਾਲੇ ਰਸਤੇ ਦੀ ਪਾਲਣਾ ਕਰਨ ਦੀ ਪ੍ਰਵਿਰਤੀ ਰੱਖਦਾ ਹੈ। ਇਹ ਉਹ ਸ਼ਬਦ ਚੁਣਦਾ ਹੈ ਜੋ ਇਸਦੇ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਨੇ ਸਭ ਤੋਂ ਸੁਰੱਖਿਅਤ ਅਤੇ ਸਭ ਤੋਂ ਵੱਧ ਉਮੀਦ ਕੀਤੇ ਮਿਲੇ ਹਨ। ਡਿਟੈਕਟਰ ਇਸਨੂੰ 'ਪਰਪਲੈਕਸਿਟੀ' (perplexity) ਵਰਗੇ ਪ੍ਰੌਕਸੀਆਂ ਰਾਹੀਂ ਮਾਪਦੇ ਹਨ। ਜੇਕਰ ਤੁਹਾਡਾ ਟੈਕਸਟ ਡਿਟੈਕਟਰ ਦੇ ਆਪਣੇ ਅੰਦਰੂਨੀ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਬਹੁਤ ਘੱਟ ਹੈਰਾਨ ਕਰਦਾ ਹੈ, ਤਾਂ ਟੂਲ AI ਦੀ ਸ਼ਮੂਲੀਅਤ ਦਾ ਸ਼ੱਕ ਕਰਦਾ ਹੈ। ਲਿਖਤ ਜਿੰਨੀ ਜ਼ਿਆਦਾ ਭਵਿੱਖਬਾਣੀਯੋਗ ਹੋਵੇਗੀ, ਫਲੈਗ (flag) ਉਨਾ ਹੀ ਉੱਚਾ ਹੋਵੇਗਾ।

Sentence variation (ਵਾਕਾਂ ਦੀ ਵਿਭਿੰਨਤਾ) ਬਿਨਾਂ ਸੰਪਾਦਿਤ AI ਆਉਟਪੁੱਟ ਦੇ ਇੱਕ ਹਜ਼ਾਰ ਸ਼ਬਦ ਉੱਚੀ ਪੜ੍ਹੋ, ਅਤੇ ਤੁਸੀਂ ਇੱਕ ਮੈਟਰੋਨੋਮ (metronome) ਪ੍ਰਭਾਵ ਮਹਿਸੂਸ ਕਰ ਸਕਦੇ ਹੋ। ਵਾਕ ਅਕਸਰ ਸ਼ਬਦਾਂ ਦੀ ਇੱਕੋ ਜਿਹੀ ਗਿਣਤੀ ਦੇ ਦਾਇਰੇ ਵਿੱਚ ਹੁੰਦੇ ਹਨ, ਆਮ ਤੌਰ 'ਤੇ ਸੰਯੋਜਕਾਂ (conjunctions) ਦੁਆਰਾ ਜੋੜੇ ਗਏ ਗੁੰਝਲਦਾਰ ਢਾਂਚੇ। ਮਨੁੱਖੀ ਲੇਖਕ ਪੰਨੇ 'ਤੇ ਵੱਖਰੇ ਤਰੀਕੇ ਨਾਲ ਲਿਖਦੇ ਹਨ। ਉਹ ਟੁਕੜੇ ਲਿਖਦੇ ਹਨ। ਉਹ ਇੱਕ ਲੰਬੇ, ਘੁੰਮਾਓਦਾਰ ਵਾਕ ਤੋਂ ਬਾਅਦ ਇੱਕ ਛੋਟਾ ਵਾਕ ਲਿਖ ਕੇ ਪ੍ਰਭਾਵ ਪਾਉਂਦੇ ਹਨ। ਉਹ ਸਵਾਲ ਪੁੱਛਦੇ ਹਨ। ਉਹ ਜਾਣਬੁੱਝ ਕੇ ਲੈਅ ਨੂੰ ਤੋੜਦੇ ਹਨ। ਡਿਟੈਕਟਰ ਇਸ ਅਨਿਯਮਿਤਤਾ ਦੀ ਭਾਲ ਕਰਦੇ ਹਨ, ਜਿਸ ਨੂੰ ਅਕਸਰ "ਬਰਸਟੀਨੈੱਸ" (burstiness) ਕਿਹਾ ਜਾਂਦਾ ਹੈ। ਸੁਚੱਜੀ, ਇੱਕਸਾਰ ਲੈਅ ਅੰਕੜਾ ਵਿਗਿਆਨਕ ਲੱਗਦੀ ਹੈ। ਅਸਮਾਨਤਾ ਵਾਲੀ, ਅਸਮੋਲ ਲੈਅ ਮਨੁੱਖੀ ਲੱਗਦੀ ਹੈ।

Consistency of tone and perspective (ਲਹਿਜੇ ਅਤੇ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਦੀ ਇਕਸਾਰਤਾ) AI ਆਉਟਪੁੱਟ ਪਹਿਲੇ ਵਾਕ ਤੋਂ ਆਖਰੀ ਵਾਕ ਤੱਕ ਇੱਕੋ ਜਿਹੇ ਲਹਿਜੇ ਵਿੱਚ ਰਹਿਣ ਦੀ ਪ੍ਰਵਿਰਤੀ ਰੱਖਦਾ ਹੈ। ਜੇਕਰ ਇਹ ਇੱਕ ਰਸਮੀ ਤੀਜੇ ਪੁਰਖ (third-person) ਦੀ ਆਵਾਜ਼ ਵਿੱਚ ਸ਼ੁਰੂ ਹੁੰਦਾ ਹੈ, ਤਾਂ ਇਹ ਆਮ ਤੌਰ 'ਤੇ ਉੱਥੇ

ਕੁਝ ਟੂਲ ਮੁੱਖ ਤੌਰ 'ਤੇ ਪੁਰਾਣੇ GPT-3.5 ਆਉਟਪੁੱਟ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਕਰਦੇ ਹਨ। ਕੁਝ ਨਵੇਂ GPT-4 ਜਨਰੇਸ਼ਨਾਂ ਨੂੰ ਲੈਂਦੇ ਹਨ ਜਾਂ ਕਈ ਮਾਡਲਾਂ ਤੋਂ ਸਿੰਥੈਟਿਕ ਟੈਕਸਟ ਨੂੰ ਮਿਲਾਉਂਦੇ ਹਨ। ਉਹਨਾਂ ਦੇ ਫੀਚਰ ਵੇਟਿੰਗ (feature weightings) ਵੀ ਵੱਖ-ਵੱਖ ਹੁੰਦੇ ਹਨ। ਇੱਕ ਪਲੇਟਫਾਰਮ ਵਾਕ ਦੀ ਲੰਬਾਈ ਦੀ ਇਕਸਾਰਤਾ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਮਹੱਤਵ ਦੇ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਦੂਜਾ ਪਰਪਲੈਕਸਿਟੀ (perplexity) ਨੂੰ ਮਹੱਤਵ ਦਿੰਦਾ ਹੈ। ਥ੍ਰੈਸ਼ਹੋਲਡ (Thresholds) ਮਨਮਾਨੇ ਅੰਦਰੂਨੀ ਚੋਣਾਂ ਹਨ। ਇੱਕ ਵੈਂਡਰ 60 ਪ੍ਰਤੀਸ਼ਤ ਤੋਂ ਉੱਪਰ ਦੀ ਕਿਸੇ ਵੀ ਚੀਜ਼ ਨੂੰ "ਸੰਭਾਵਿਤ AI" ਵਜੋਂ ਲੇਬਲ ਕਰ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਇੱਕ ਮੁਕਾਬਲੇਬਾਜ਼ ਉਸ ਲੇਬਲ ਨੂੰ 90 ਪ੍ਰਤੀਸ਼ਤ ਲਈ ਰਾਖਵਾਂ ਰੱਖਦਾ ਹੈ।

ਇਹਨਾਂ ਟੂਲਜ਼ ਨੂੰ ਪ੍ਰਮਾਣਿਤ ਕਰਨ ਵਾਲੀ ਕੋਈ ਵੀ ਸ਼ਾਸਨ ਸੰਸਥਾ ਨਹੀਂ ਹੈ। ਉਹਨਾਂ ਨੂੰ ਯਕੀਨੀਨ ਦੇ ਭਰੋਸੇ ਨਾਲ ਵਿਕਿਆ ਜਾਂਦੇ ਪ੍ਰਯੋਗਾਤਮਕ ਸਾਧਨ ਹਨ। ਉਹਨਾਂ ਦੇ ਫੈਸਲਿਆਂ ਨੂੰ ਕਾਨੂੰਨੀ ਸਬੂਤ ਜਾਂ ਅਕਾਦਮਿਕ ਸਜ਼ਾ ਦੇ ਆਧਾਰ ਵਜੋਂ ਮੰਨਣਾ ਅਜਿਹਾ ਹੈ ਜਿਵੇਂ ਪੂਰੇ ਸੀਜ਼ਨ ਲਈ ਫਸਲਾਂ ਦੀ ਪੈਦਾਵਾਰ ਦਾ ਅੰਦਾਜ਼ਾ ਲਗਾਉਣ ਲਈ ਇੱਕ ਹੈਂਡਹੈਲਡ ਵੈਦਰ ਸਟੇਸ਼ਨ ਦੀ ਵਰਤੋਂ ਕਰਨਾ।

ਗਲਤ ਪਛਾਣ (False Positive) ਦੀ ਸਮੱਸਿਆ

ਕਿਉਂਕਿ ਡਿਟੈਕਟਰ ਸਿੱਧੇ ਸਬੂਤ ਦੀ ਬਜਾਏ ਅੰਕੜਾਤਮਕ ਸਬੰਧ (statistical correlation) 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਹਨ, ਉਹ ਅਕਸਰ ਮਨੁੱਖੀ ਲਿਖਤ ਨੂੰ ਸਿੰਥੈਟਿਕ ਵਜੋਂ ਗਲਤ ਪਛਾਣ ਲੈਂਦੇ ਹਨ। ਜਾਇਜ਼ ਗਦ (prose) ਦੀਆਂ ਕਈ ਸ਼੍ਰੇਣੀਆਂ ਖਾਸ ਤੌਰ 'ਤੇ ਇਸ ਤੋਂ ਪ੍ਰਭਾਵਿਤ ਹੁੰਦੀਆਂ ਹਨ।

ਅਕਾਦਮਿਕ ਪੇਪਰ ਸਖ਼ਤ ਰਵਾਇਤਾਂ ਦੀ ਪਾਲਣਾ ਕਰਦੇ ਹਨ। ਪੈਸਿਵ ਵੌਇਸ (passive voice), ਸੰਭਾਵਨਾਵਾਦੀ ਸ਼ਬਦ (hedging phrases), ਅਤੇ ਮਿਆਰੀ ਸੈਕਸ਼ਨ ਹੈਡਿੰਗ ਇੱਕ ਬਹੁਤ ਹੀ ਨਿਯਮਤ ਅੰਕੜਾਤਮਕ ਪ੍ਰੋਫਾਈਲ ਬਣਾਉਂਦੇ ਹਨ ਜੋ AI ਮਾਡਲਾਂ ਦੇ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੀ ਨਕਲ ਕਰਦਾ ਹੈ। ਤਕਨੀਕੀ ਮੈਨੂਅਲ ਵੀ ਇਸੇ ਸਮੱਸਿਆ ਦਾ ਸਾਹਮਣਾ ਕਰਦੇ ਹਨ। ਉਹ ਇਕਸਾਰ ਸ਼ਬਦਾਵਲੀ, ਛੋਟੇ ਘੋਸ਼ਣਾਤਮਕ ਵਾਕ, ਅਤੇ ਘੱਟ ਭਾਵਨਾਤਮਕ ਤਬਦੀਲੀ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹਨ, ਜੋ ਕਿ ਪੈਟਰਨ-ਅਧਾਰਤ ਸ਼ੱਕ ਨੂੰ ਜਨਮ ਦਿੰਦੇ ਹਨ। ਕਾਨੂੰਨੀ ਦਸਤਾਵੇਜ਼ ਅਸਲ ਵਿੱਚ ਢਾਂਚਾਗਤ ਟੈਂਪਲੇਟ ਹੁੰਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਦੀ ਵਾਰ-ਵਾਰ ਹੋਣ ਵਾਲੀ ਸਟੀਕਤਾ ਇੱਕ ਕਲਾਸੀਫਾਇਰ (classifier) ਨੂੰ ਐਲਗੋਰਿਦਮਿਕ ਲੱਗਦੀ ਹੈ।

ਗੈਰ-ਮਾਤ ਭਾਸ਼ਾ ਬੋਲਣ ਵਾਲੇ ਅੰਗਰੇਜ਼ੀ ਬੋਲਣ ਵਾਲੇ ਅਕਸਰ ਅਜਿਹੀ ਲਿਖਤ ਲਿਖਦੇ ਹਨ ਜੋ ਵਿਆਕਰਣਕ ਤੌਰ 'ਤੇ ਸਹੀ ਹੁੰਦੀ ਹੈ ਪਰ ਵਾਕ-ਰਚਨਾ ਵਿੱਚ ਸਰਲ ਹੁੰਦੀ ਹੈ। ਉਹਨਾਂ ਦੀ ਸਾਵਧਾਨੀ ਨਾਲ ਕੀਤੀ ਗਈ ਰਚਨਾ—ਠੀਕ ਇਸੇ ਕਰਕੇ ਕਿਉਂਕਿ ਇਹ ਮਾਤ ਭਾਸ਼ਾ ਬੋਲਣ ਵਾਲੇ ਦੀ ਮੁਹਾਵਰੇਦਾਰ ਉਲਝਣ ਤੋਂ ਬਚਦੀ ਹੈ—ਮਸ਼ੀਨੀ ਟੈਕਸਟ ਦੇ ਅੰਕੜਾਤਮਕ ਖੇਤਰ ਵਿੱਚ ਆ ਸਕਦੀ ਹੈ। ਇੱਕ ਵਿਦਿਆਰਥੀ ਜਿਸਨੇ ਲੇਖ ਤਿਆਰ ਕਰਨ ਲਈ ਕਈ ਘੰਟੇ ਮਿਹਨਤ ਕੀਤੀ ਹੈ, ਉਸ 'ਤੇ ਸਿਰਫ ਇਸ ਲਈ ਗਲਤ ਦੋਸ਼ ਲਗਾਇਆ ਜਾ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਉਸਦੇ ਅਨੁਸ਼ਾਸਿਤ, ਸਪਸ਼ਟ ਵਾਕ ਡਿਟੈਕਟਰ ਨੂੰ ਬਹੁਤ ਜ਼ਿਆਦਾ ਵਿਵਸਥਿਤ ਲੱਗਦੇ ਹਨ।

ਡਿਟੈਕਟਰਾਂ ਦੀ ਵਰਤੋਂ ਬਿਨਾਂ ਉਹਨਾਂ ਦੇ ਤੁਹਾਡੇ ਉੱਤੇ ਹਾਵੀ ਹੋਣ ਦੇ

ਇਹਨਾਂ ਟੂਲਜ਼ ਨਾਲ ਜੁੜਨ ਦਾ ਸਭ ਤੋਂ ਸਿਹਤਮੰਦ ਤਰੀਕਾ ਇਹ ਹੈ ਕਿ ਉਹਨਾਂ ਨੂੰ ਪਹਿਲੇ ਪੜਾਅ ਦੇ ਫਿਲਟਰ ਵਜੋਂ ਦੇਖਿਆ ਜਾਵੇ, ਨਾ ਕਿ ਜਿਊਰੀ ਦੇ ਫੈਸਲੇ ਵਜੋਂ। ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਸੰਪਾਦਕ, ਅਧਿਆਪਕ, ਜਾਂ ਹਾਇਰਿੰਗ ਮੈਨੇਜਰ ਹੋ, ਤਾਂ ਉੱਚ ਸਕੋਰ ਨੂੰ ਦੋਸ਼ ਲਗਾਉਣ ਦੀ ਬਜਾਏ ਗੱਲਬਾਤ ਸ਼ੁਰੂ ਕਰਨ ਦਾ ਇੱਕ ਜ਼ਰੀਆ ਬਣਾਓ। ਲੇਖਕ ਨੂੰ ਉਹਨਾਂ ਦੀ ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਪੁੱਛੋ। ਇੱਕ ਰੂਪਰੇਖਾ (outline) ਜਾਂ ਖਰੜਾ (rough draft) ਮੰਗੋ। ਗਦ ਦੇ ਅੰਦਰ ਅਸਲ ਸੋਚ ਦੀ ਭਾਲ ਕਰੋ।

ਜੇਕਰ ਤੁਸੀਂ ਇੱਕ ਲੇਖਕ ਹੋ, ਤਾਂ ਡਿਟੈਕਟਰ ਨੂੰ ਧੋਖਾ ਦੇਣ ਲਈ ਆਪਣੇ ਕੰਮ ਨੂੰ ਬਦਲੋ ਨਾ। ਜਿਸ ਪਲ ਤੁਸੀਂ "ਵਧੇਰੇ ਮਨੁੱਖੀ" ਦਿਖਣ ਲਈ ਰੈਂਡਮ ਟਾਈਪੋ (typos) ਪਾਉਣਾ, ਵਾਕਾਂ ਨੂੰ ਬਨਾਵਟੀ ਤਰੀਕੇ ਨਾਲ ਕੱਟਣਾ, ਜਾਂ ਸਹੀ ਸ਼ਬਦਾਂ ਦੀ ਜਗ੍ਹਾ ਅਜੀਬ ਸਮਾਨਾਰਥੀ ਸ਼ਬਦਾਂ ਦੀ ਵਰਤੋਂ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰਦੇ ਹੋ, ਤਾਂ ਤੁਸੀਂ ਸਪਸ਼ਟਤਾ ਦੀ ਬਜਾਏ ਭੈੜੇਪਨ ਨੂੰ ਚੁਣ ਲੈਂਦੇ ਹੋ। ਤੁਸੀਂ ਹੁਣ ਪਾਠਕ ਲਈ ਨਹੀਂ ਲਿਖ ਰਹੇ ਹੋ। ਤੁਸੀਂ ਇੱਕ ਐਲਗੋਰਿਦਮ ਲਈ ਪ੍ਰਦਰਸ਼ਨ ਕਰ ਰਹੇ ਹੋ।

ਉਸੇ ਤਰੀਕੇ ਨਾਲ ਲਿਖੋ ਜਿਸ ਤਰੀਕੇ ਨਾਲ ਤੁਸੀਂ ਸੋਚਦੇ ਹੋ। ਆਪਣੀ ਲੈਅ ਨੂੰ ਕੁਦਰਤੀ ਤੌਰ 'ਤੇ ਬਦਲੋ। ਆਪਣੇ ਖੇਤਰ ਦੀ ਵਿਸ਼ੇਸ਼ ਸ਼ਬਦਾਵਲੀ ਦੀ ਵਰਤੋਂ ਕਰੋ। ਅਜਿਹੇ ਨਿਰੀਖਣ ਸ਼ਾਮਲ ਕਰੋ ਜੋ ਸਿਰਫ ਤੁਸੀਂ ਹੀ ਕਰ ਸਕਦੇ ਹੋ। ਉਹ ਬਣਤਰ ਕਿਸੇ ਵੀ ਡਿਟੈਕਟਰ ਵਿਰੁੱਧ ਤੁਹਾਡਾ ਸਭ ਤੋਂ ਵਧੀਆ ਬਚਾਅ ਹੈ, ਅਤੇ ਇਸ ਤੋਂ ਵੀ ਮਹੱਤਵਪੂਰਨ, ਇਹ ਉਹ ਚੀਜ਼ ਹੈ ਜੋ ਤੁਹਾਡੀ ਲਿਖਤ ਨੂੰ ਪੜ੍ਹਨਯੋਗ ਬਣਾਉਂਦੀ ਹੈ।

ਮੁੱਖ ਨਿਸ਼ਕਰਸ਼

AI ਡਿਟੈਕਟਰ ਵਿਸ਼ਲੇਸ਼ਣਾਤਮਕ ਸਾਈਡਕਾਰ (analytical sidecars) ਹਨ, ਡਰਾਈਵਰ ਨਹੀਂ। ਉਹ ਦੱਸ ਸਕਦੇ ਹਨ ਕਿ ਟੈਕਸਟ ਅੰਕੜਾਤਮਕ ਤੌਰ 'ਤੇ ਕਿੰਨਾ ਸੁਚੱਜਾ ਲੱਗਦਾ ਹੈ, ਪਰ ਉਹ ਅੰਤਰਦ੍ਰਿਸ਼ਟੀ, ਰਚਨਾਤਮਕਤਾ, ਜਾਂ ਜੀਵਨ ਦੇ ਅਨੁਭਵ ਨੂੰ ਮਾਪ ਨਹੀਂ ਸਕਦੇ। ਇੱਕ ਭਰੋਸੇਯੋਗ ਸਕੋਰ ਤੁਹਾਨੂੰ ਇਹ ਨਹੀਂ ਦੱਸ ਸਕਦਾ ਕਿ ਕੋਈ ਦਲੀਲ ਮੌਲਿਕ ਹੈ, ਕੋਈ ਕਹਾਣੀ ਸੱਚੀ ਹੈ, ਜਾਂ ਕੋਈ ਤਕਨੀਕੀ ਵਿਆਖਿਆ ਸਹੀ ਹੈ।

ਸਪਸ਼ਟਤਾ 'ਤੇ ਧਿਆਨ ਦਿਓ। ਸਕ੍ਰੀਨ ਦੇ ਦੂਜੇ ਪਾਸੇ ਮੌਜੂਦ ਮਨੁੱਖ ਨੂੰ ਪਹਿਲ ਦਿਓ। ਮੌਲਿਕ ਵਿਚਾਰਾਂ ਦੀ ਇੱਕ ਅਜਿਹੀ ਬਣਤਰ ਹੁੰਦੀ ਹੈ ਜਿਸ ਨੂੰ ਕੋਈ ਵੀ ਕਲਾਸੀਫਾਇਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਹੀਂ ਫੜ ਸਕਦਾ, ਅਤੇ ਕੋਈ ਵੀ ਪ੍ਰਤੀਸ਼ਤ ਕਦੇ ਵੀ ਇੱਕ ਸਾਵਧਾਨ ਪਾਠਕ ਦੇ ਫੈਸਲੇ ਦੀ ਜਗ੍ਹਾ ਨਹੀਂ ਲੈ ਸਕਦਾ।