که تاسو د ماشین زده کړې سیسټمونه جوړوئ یا ارزونه کوئ، نو تاسو به ژر یا وروسته ورته خنډ سره مخ شئ: لیبل شوي ډاټا. ماډلونه په جادویی ډول نه پوهیږي چې څه شی دی. خلک، پالیسۍ، او ځینې وختونه پروګرامونه باید دوی ته درس ورکړي. نو، د AI ډیټا لیبل کول څه شی دی؟ په لنډه توګه، دا د خام معلوماتو ته معنی اضافه کولو عمل دی ترڅو الګوریتمونه ترې زده کړي...😊
🔗 د مصنوعي ذهانت اخلاق څه شی دی؟
د اخلاقي اصولو عمومي کتنه چې د مصنوعي ذهانت د مسؤلیت پراختیا او ځای پرځای کولو لارښوونه کوي.
🔗 په AI کې MCP څه شی دی؟
د ماډل کنټرول پروتوکول او د AI چلند اداره کولو کې د هغې رول تشریح کوي.
🔗 ایج AI څه شی دی؟
پوښښ کوي چې څنګه AI په مستقیم ډول په څنډه کې وسیلو کې معلومات پروسس کوي.
🔗 اجنټک AI څه شی دی؟
د پلان جوړونې، استدلال او خپلواک عمل وړتیا لرونکي خپلواک مصنوعي ذهانت اجنټان معرفي کوي.
په حقیقت کې د AI ډیټا لیبل کول څه شی دی؟ 🎯
د مصنوعي ذهانت د معلوماتو لیبل کول د انسانانو د پوهیدو وړ ټګونو، سپینو، بکسونو، کټګوریو، یا درجه بندي سره د متن، انځورونو، آډیو، ویډیو، یا وخت لړۍ په څیر خامو معلوماتو سره نښلولو پروسه ده ترڅو ماډلونه نمونې کشف کړي او وړاندوینې وکړي. د موټرو شاوخوا بکسونو، په خلکو او متن کې ځایونو کې د وجود ټګونو، یا د غوره توبونو په اړه فکر وکړئ چې د چیټ بوټ ځواب ډیر ګټور احساس کوي. د دې لیبلونو پرته، کلاسیک نظارت شوی زده کړه هیڅکله له ځمکې څخه نه ځي.
تاسو به د ځمکې حقیقت یا د سرو زرو معلوماتو : د واضح لارښوونو لاندې موافق ځوابونه، د ماډل چلند روزلو، تاییدولو او تفتیش لپاره کارول کیږي. حتی د بنسټ ماډلونو او مصنوعي معلوماتو په عمر کې، لیبل شوي سیټونه لاهم د ارزونې، فین ټونینګ، د خوندیتوب سره ټیم کولو، او اوږد لکۍ څنډې قضیو لپاره مهم دي - د بیلګې په توګه، ستاسو ماډل څنګه په هغه عجیب شیانو چلند کوي چې ستاسو کاروونکي یې په حقیقت کې کوي. وړیا ډوډۍ نشته، یوازې د پخلنځي غوره وسایل.
څه شی د AI ډیټا لیبل کول ښه کوي ✅
په ساده ډول: ښه لیبل کول په غوره لاره کې ستړي کوونکی دی. دا د وړاندوینې وړ، تکرار کیدونکی، او یو څه ډیر مستند شوی احساس کوي. دلته هغه څه دي چې داسې ښکاري:
-
یو کلک انټولوژي : د ټولګیو، ځانګړتیاوو او اړیکو نومول شوی سیټ چې تاسو یې پاملرنه کوئ.
-
کرسټال لارښوونې : کار شوي مثالونه، متضاد مثالونه، ځانګړي قضیې، او د ټای بریک قواعد.
-
د بیاکتونکي کړۍ : د دندو په یوه ټوټه کې د سترګو دوهمه جوړه.
-
د موافقې میټریکونه : د تشریح کونکو ترمنځ تړون (د مثال په توګه، د کوهن κ، د کریپینډورف α) نو تاسو د همغږۍ اندازه کوئ، نه وایبونه. α په ځانګړي ډول ګټور دی کله چې لیبلونه ورک وي یا ډیری تشریح کونکي مختلف توکي پوښي [1].
-
د څنډې په څیر باغداري : په منظم ډول عجیب، مخالف، یا یوازې نادر قضیې راټول کړئ.
-
د تعصب چکونه : د معلوماتو سرچینې، ډیموګرافیک، سیمې، لهجې، د رڼا شرایط، او نور تفتیش.
-
سرچینه او محرمیت : تعقیب کړئ چې معلومات له کوم ځای څخه راغلي، د هغې د کارولو حقونه، او څنګه PII اداره کیږي (څه شی د PII په توګه شمیرل کیږي، تاسو یې څنګه طبقه بندي کوئ، او محافظتونه) [5].
-
د روزنې په اړه غبرګون : لیبلونه په سپریډ شیټ هدیره کې نه ژوند کوي - دوی بیرته فعال زده کړې، ښه کولو، او ارزونې ته تغذیه کوي.
کوچنی اعتراف: تاسو به خپل لارښوونې څو ځله بیا ولیکئ. دا عادي خبره ده. د ډوډۍ د پخولو په څیر، یو کوچنی بدلون ډیر اوږد کار کوي.
د ساحې چټکه کیسه: یوې ډلې خپل UI ته یو واحد "پریکړه نشي کولی - د پالیسۍ اړتیاوې" اختیار اضافه کړ. موافقه لوړه شوه ځکه چې تشریح کونکو د اټکلونو جبري کول بند کړل، او د پریکړې لاګ په شپه کې ډیر تیز شو. ستړي کوونکی بریالی شو.
د پرتله کولو جدول: د AI معلوماتو لیبل کولو لپاره وسایل 🔧
بشپړ نه دی، او هو، کلمې په قصدي ډول یو څه ګډوډې دي. د نرخ بدلون - تل د بودیجې جوړولو دمخه د پلورونکو سایټونو کې تایید کړئ.
| وسیله | لپاره غوره | د نرخ سټایل (اشاره کونکی) | ولې دا کار کوي |
|---|---|---|---|
| د لیبل بکس | شرکتونه، CV + NLP مخلوط | د کارولو پر بنسټ، وړیا کچه | د کیفیت د ډاډمن کولو ښه کاري جریان، اونټولوژي، او میټریکونه؛ پیمانه په ښه توګه اداره کوي. |
| د AWS سیج میکر ځمکنی حقیقت | د AWS متمرکز سازمانونه، د HITL پایپ لاینونه | په هر کار + د AWS کارول | د AWS خدماتو، د انسان په دننه کې د انتخابونو، او قوي زیربنايي هکونو سره ښه سمبال. |
| پیمانه AI | پیچلي دندې، اداره شوي کاري ځواک | دودیز نرخ، په کټګورۍ کې | د لوړ لمس خدماتو او وسایلو سره؛ د سختو قضیو لپاره قوي عملیات. |
| سوپر انوټیټ | د لید درانه ټیمونه، نوي شرکتونه | درجې، وړیا آزموینه | پالش شوی UI، همکاري، د ماډل په مرسته ګټور وسایل. |
| تکړه | هغه پراختیا کونکي چې سیمه ایز کنټرول غواړي | د ژوند جواز، په هر څوکۍ کې | د لیکلو وړ، ګړندي لوپونه، ګړندي ترکیبونه - په محلي کچه چلیږي؛ د NLP لپاره عالي. |
| ډوکان | د خلاصې سرچینې NLP پروژې | وړیا، خلاص سرچینه | د ټولنې لخوا پرمخ وړل شوی، د کارولو لپاره اسانه، د طبقه بندي او ترتیب کار لپاره ښه |
د نرخونو په ماډلونو کې د واقعیت چک کول : پلورونکي د مصرف واحدونه، د هر کار فیسونه، درجې، دودیز تصدۍ نرخونه، یو ځل جوازونه، او خلاص سرچینه سره یوځای کوي. پالیسۍ بدلیږي؛ د تدارکاتو په سپریډ شیټ کې شمیرې اچولو دمخه د پلورونکي اسنادو سره مستقیم مشخصات تایید کړئ.
د لیبل عام ډولونه، د چټکو ذهني انځورونو سره 🧠
-
د انځور طبقه بندي : د ټول انځور لپاره یو یا څو لیبل ټګونه.
-
د شیانو کشف : د شیانو شاوخوا تړل شوي بکسونه یا څرخیدونکي بکسونه.
-
طبقه بندي : د پکسل کچې ماسکونه-مثال یا سیمانټیک؛ کله چې پاک وي په عجیب ډول قناعت بخښونکی دی.
-
کلیدي ټکي او پوزونه : نښې لکه بندونه یا د مخ ټکي.
-
NLP : د سند لیبلونه، د نومول شویو ادارو لپاره ساحې، اړیکې، د اصلي حوالې لینکونه، ځانګړتیاوې.
-
آډیو او وینا : نقل، د سپیکر ډایریزیشن، د ارادې ټګونه، اکوسټیک پیښې.
-
ویډیو : د چوکاټ له مخې بکسونه یا ټریکونه، وختي پیښې، د عمل لیبلونه.
-
د وخت لړۍ او سینسرونه : کړکۍ شوي پیښې، بې نظمۍ، د رجحان رژیمونه.
-
د تولید کاري جریان : د غوره توب درجه بندي، د خوندیتوب سره بیرغونه، د صداقت درجه بندي، د روبریک پر بنسټ ارزونه.
-
لټون او RAG : د پوښتنې-دستاویز اړوندتیا، د ځواب ورکولو وړتیا، د بیرته ترلاسه کولو غلطۍ.
که چیرې یو انځور د پیزا وي، نو قطع کول هره ټوټه په سمه توګه پرې کول دي، پداسې حال کې چې کشف کول په ګوته کول او ویل دي چې یوه ټوټه شتون لري ... هلته چیرته.
د کاري جریان اناتومي: له لنډ څخه تر سرو زرو معلوماتو پورې 🧩
د لیبل کولو یوه قوي پایپ لاین معمولا دا شکل تعقیبوي:
-
د انټولوژي تعریف : ټولګي، ځانګړتیاوې، اړیکې، او اجازه ورکړل شوي ابهامونه.
-
د مسودې لارښوونې : مثالونه، لنډې قضیې، او پیچلي ضد مثالونه.
-
د پیلوټ سیټ نښه کړئ : د سوریو موندلو لپاره څو سوه مثالونه تشریح کړئ.
-
د اندازه کولو تړون : د κ/α محاسبه کول؛ لارښوونې بیاکتنه کړئ تر هغه چې تشریح کونکي سره یوځای شي [1].
-
د کیفیت ډاډ ډیزاین : د موافقې رایه ورکول، قضاوت، د مراتبو بیاکتنه، او ځایي چکونه.
-
د تولید جریان : د تولید د سرعت، کیفیت او جریان څارنه.
-
لوپ وتړئ : د ماډل او محصول د پراختیا سره سم بیا روزنه، بیا نمونه، او د روبریکونو تازه کول.
هغه لارښوونه چې تاسو به یې وروسته له ځانه مننه وکړئ: د پریکړې ژوندۍ لاګ . هر هغه وضاحتي قاعده ولیکئ چې تاسو یې اضافه کوئ او ولې . راتلونکی - تاسو به شرایط هیر کړئ. راتلونکی - تاسو به د هغې په اړه غوسه شئ.
په پټه کې انسان، کمزوری څارنه، او "ډیر لیبلونه، لږ کلیکونه" ذهنیت 🧑💻🤝
د انسان په داخل کې (HITL) پدې معنی ده چې خلک د روزنې، ارزونې، یا ژوندیو عملیاتو په اوږدو کې د ماډلونو سره همکاري کوي - د ماډل وړاندیزونو تایید، اصلاح، یا ډډه کول. د سرعت ګړندي کولو لپاره یې وکاروئ پداسې حال کې چې خلک د کیفیت او خوندیتوب مسؤل ساتي. HITL د باور وړ AI خطر مدیریت (انساني نظارت، اسناد، څارنه) [2] کې یو اصلي عمل دی.
کمزورې څارنه یوه بله خو بشپړونکې چل ده: د پروګرام قواعد، هوریسټیک، لرې څارنه، یا نورې شورماشورې سرچینې په پیمانه لنډمهاله لیبلونه تولیدوي، بیا تاسو یې شور کم کړئ. د ډیټا پروګرامینګ د ډیری شورماشورې لیبل سرچینو (چې د لیبل کولو دندې ) سره یوځای کول او د دوی دقت زده کول د لوړ کیفیت روزنیز سیټ تولیدولو لپاره مشهور کړل [3].
په عمل کې، د لوړ سرعت ټیمونه دا درې واړه سره یوځای کوي: د سرو زرو سیټونو لپاره لاسي لیبلونه، د بوټسټریپ لپاره ضعیف څارنه، او د ورځني کار ګړندي کولو لپاره HITL. دا دوکه نه ده. دا هنر دی.
فعاله زده کړه: د لیبل کولو لپاره بل غوره شی غوره کړئ 🎯📈
فعاله زده کړه معمول جریان بدلوي. د لیبل کولو لپاره د معلوماتو په ناڅاپي ډول نمونې کولو پرځای، تاسو ماډل ته اجازه ورکوئ چې خورا معلوماتي مثالونه وغواړئ: لوړ ناڅرګندتیا، لوړ اختلاف، متنوع استازي، یا د پریکړې حد ته نږدې ټکي. د ښه نمونې اخیستلو سره، تاسو د لیبل کولو ضایعات کم کړئ او په اغیز تمرکز وکړئ. عصري سروېګانې چې ژورې فعالې زده کړې پوښي د لږو لیبلونو سره قوي فعالیت راپور ورکوي کله چې د اوریکل لوپ ښه ډیزاین شوی وي [4].
یو اساسي ترکیب چې تاسو یې پیل کولی شئ، پرته له ډرامې:
-
د تخمونو په یوه کوچنۍ سیټ تمرین وکړئ.
-
بې نښه شوي حوض ته نمره ورکړئ.
-
د ناڅرګندتیا یا ماډل اختلاف له مخې پورته K غوره کړئ.
-
لیبل. بیا روزنه. په معمولي ډلو کې تکرار کړئ.
-
د اعتبار منحني او د موافقې میټریکونه وګورئ ترڅو تاسو شور تعقیب نه کړئ.
تاسو به پوه شئ چې دا کار کوي کله چې ستاسو ماډل ستاسو د میاشتني لیبل کولو بل دوه چنده کیدو پرته ښه شي.
د کیفیت کنټرول چې په حقیقت کې کار کوي 🧪
تاسو اړتیا نلرئ چې سمندر جوش کړئ. د دې چکونو لپاره هدف وکړئ:
-
د سرو زرو پوښتنې : پیژندل شوي توکي داخل کړئ او د هر لیبلر دقت تعقیب کړئ.
-
د قضاوت سره اجماع : دوه خپلواک لیبلونه او د اختلافونو په اړه یو بیاکتونکی.
-
د تشریح کونکو ترمنځ تړون : کله چې تاسو ډیری تشریح کونکي یا نیمګړي لیبلونه لرئ α وکاروئ، د جوړو لپاره κ؛ د یوې واحد حد شرایطو مسلو په اړه لیوالتیا مه کوئ [1].
-
د لارښوونو بیاکتنې : تکراري غلطۍ معمولا د مبهم لارښوونو معنی لري، نه د بدو تشریح کونکو.
-
د ډریفټ چیکونه : د وخت، جغرافیې، او ان پټ چینلونو په اوږدو کې د لیبل ویش پرتله کړئ.
که تاسو یوازې یو میټریک غوره کوئ، موافقه غوره کړئ. دا د روغتیا چټک سیګنال دی. یو څه نیمګړتیا لرونکی استعاره: که ستاسو لیبلرونه سره سمون نه لري، ستاسو ماډل په ټپه ولاړ څرخونو روان دی.
د کاري ځواک ماډلونه: دننه، BPO، ګڼه ګوڼه، یا هایبرډ 👥
-
دننه : د حساسو معلوماتو، لنډو ساحو، او ګړندي متقابل زده کړې لپاره غوره.
-
متخصص پلورونکي : په ټول وخت زونونو کې دوامداره تولید، روزل شوي کیفیت تضمین، او پوښښ.
-
کراوډ سورسنګ : په هر کار کې ارزانه، مګر تاسو به قوي سرو زرو او سپیم کنټرول ته اړتیا ولرئ.
-
هایبرډ : د متخصصینو اصلي ټیم وساتئ او د بهرني ظرفیت سره وده وکړئ.
هر هغه څه چې تاسو یې غوره کوئ، په پیل، لارښود روزنې، کیلیبریشن پړاوونو، او پرله پسې فیډبیک کې پانګونه وکړئ. ارزانه لیبلونه چې درې بیا لیبل پاسونه اړوي ارزانه ندي.
لګښت، وخت، او د پانګونې بیرته راستنیدنه: د واقعیت یوه چټکه کتنه 💸⏱️
لګښتونه په کاري ځواک، پلیټ فارم، او QA ویشل شوي دي. د یوې دقیقې پلان جوړونې لپاره، خپل پایپ لاین په دې ډول نقشه کړئ:
-
د تولید هدف : د هر لیبلر لپاره هره ورځ توکي × لیبلر.
-
د QA اضافي لګښت : % دوه ځله لیبل شوی یا بیاکتل شوی.
-
د بیا کار کچه : د لارښود تازه معلوماتو وروسته د بیا تشریح لپاره بودیجه.
-
د اتومات کولو لفټ : د ماډل په مرسته مخکیني لیبلونه یا پروګراماتي قواعد کولی شي لاسي هڅې د یوې معنی لرونکې برخې په واسطه کمې کړي (جادویی نه، مګر معنی لرونکې).
که تدارکات د شمېرې غوښتنه کوي، نو دوی ته یو ماډل ورکړئ - نه اټکل - او دا تازه وساتئ ځکه چې ستاسو لارښوونې ثبات لري.
هغه خطرونه چې تاسو به یې لږ تر لږه یو ځل ووهئ، او څنګه یې له منځه یوسئ 🪤
-
د لارښوونې څپې : لارښوونې په یوه ناول بدلېږي. د پریکړې ونې + ساده مثالونو سره حل کړئ.
-
د ټولګي غوړېدل : ډېر ټولګي چې مبهم سرحدونه لري. یو سخت "بل" د پالیسۍ سره یوځای کړئ یا تعریف کړئ.
-
په سرعت باندې ډیر شاخص ورکول : ګړندي لیبلونه په خاموشۍ سره د روزنې معلومات زهرجن کوي. د سرو زرو داخل کړئ؛ تر ټولو بد سلپونه محدود کړئ.
-
د وسیلې بندول : د صادراتو بڼې خرابې دي. د JSONL سکیمونو او غیر فعال توکي IDs په اړه ژر پریکړه وکړئ.
-
د ارزونې له پامه غورځول : که تاسو لومړی د eval سیټ لیبل نه کړئ، تاسو به هیڅکله ډاډه نه شئ چې څه ښه شوي دي.
راځئ چې صادق واوسو، تاسو به کله ناکله شاته ځئ. دا سمه ده. چل دا دی چې شاته ځئ ولیکئ ترڅو بل ځل دا قصدي وي.
کوچني پوښتنې: چټک او صادق ځوابونه 🙋♀️
پوښتنه: د نښې ایښودلو او تشریح کولو ترمنځ توپیر څه دی؟
ځواب: په عمل کې خلک دوی د یو بل په څیر کاروي. تشریح د نښه کولو یا نښه کولو عمل دی. لیبل کول ډیری وختونه د QA او لارښوونو سره د ځمکې حقیقت ذهنیت معنی لري. کچالو، کچالو.
پوښتنه: ایا زه کولی شم د مصنوعي معلوماتو یا ځان څارنې له امله لیبل کول پریږدم؟
ځواب: تاسو کولی شئ کم کړئ ، نه یې پریږدئ. تاسو لاهم د ارزونې، ساتونکو، ښه کولو، او د محصول ځانګړي چلندونو لپاره لیبل شوي معلوماتو ته اړتیا لرئ. کمزوری څارنه کولی شي تاسو لوړ کړي کله چې یوازې لاسي لیبل کول به یې کم نه کړي [3].
پوښتنه: ایا زه لاهم د کیفیت میټریکونو ته اړتیا لرم که زما بیاکتونکي متخصصین وي؟
ځواب: هو. متخصصین هم موافق نه دي. د مبهم تعریفونو او مبهم ټولګیو موندلو لپاره د موافقې میټریکونه (κ/α) وکاروئ، بیا د انټولوژي یا قواعدو سختول [1].
پوښتنه: ایا انسان په لوپ کې یوازې بازار موندنه کوي؟
ځواب: نه. دا یوه عملي نمونه ده چیرې چې انسانان د ماډل چلند لارښوونه کوي، سموي او ارزوي. دا د باور وړ AI د خطر مدیریت کړنو کې سپارښتنه کیږي [2].
پوښتنه: زه څنګه هغه څه ته لومړیتوب ورکړم چې بل لیبل کړم؟
الف: د فعالې زده کړې سره پیل وکړئ: خورا ناڅرګند یا متنوع نمونې واخلئ ترڅو هر نوی لیبل تاسو ته د ماډل اعظمي پرمختګ درکړي [4].
د ساحې یادښتونه: کوچني شیان چې لوی توپیر رامینځته کوي ✍️
-
په خپل ریپو کې د ټیکسونامي ژوندۍ وساتئ
-
هرکله چې لارښوونې تازه کوئ، د مخکې او وروسته خوندي کړئ
-
یو کوچنی، بشپړ سیټ او د ککړتیا څخه یې وساتئ.
-
د کیلیبریشن سیشنونه بدل کړئ : 10 توکي وښایاست، په خاموشۍ سره لیبل کړئ، پرتله کړئ، بحث وکړئ، قواعد تازه کړئ.
-
د لیبلر تحلیلونه تعقیب کړئ - په مهربانۍ سره قوي ډشبورډونه، هیڅ شرم نشته. تاسو به د روزنې فرصتونه ومومئ، نه بدمعاشان.
-
د ماډل په مرسته وړاندیزونه اضافه کړئ . که چیرې مخکینۍ نښې غلطې وي، نو دوی انسانان ورو کوي. که چیرې دوی ډیری وخت سم وي، نو دا جادو ده.
وروستۍ تبصرې: لیبلونه ستاسو د محصول حافظه ده 🧩💡
د AI ډیټا لیبلینګ په اصل کې څه شی دی؟ دا ستاسو د پریکړې کولو لاره ده چې ماډل باید نړۍ څنګه وګوري، په یو وخت کې یو محتاط پریکړه. دا په ښه توګه ترسره کړئ او هرڅه د ښکته جریان لپاره اسانه کیږي: غوره دقت، لږ ریګریشنونه، د خوندیتوب او تعصب په اړه روښانه بحثونه، اسانه لیږد. دا په بې پروایۍ سره ترسره کړئ او تاسو به پوښتنه وکړئ چې ولې ماډل غلط چلند کوي - کله چې ځواب ستاسو په ډیټاسیټ کې ناست وي چې غلط نوم ټګ اغوستی وي. هرڅه لوی ټیم یا فینسي سافټویر ته اړتیا نلري - مګر هرڅه پاملرنې ته اړتیا لري.
ډېر وخت مې ونه لوست : په یوه روښانه اونټولوژي پانګونه وکړئ، واضح قوانین ولیکئ، تړون اندازه کړئ، لارښود او پروګراماتي لیبلونه ګډ کړئ، او فعالې زده کړې ته اجازه ورکړئ چې ستاسو راتلونکی غوره توکي غوره کړي. بیا تکرار کړئ. بیا. او بیا ... او په عجیبه توګه، تاسو به ترې خوند واخلئ. 😄
ماخذونه
[1] ارټسټین، آر.، او پوسیو، ایم. (2008). د کمپیوټري ژبپوهنې لپاره د کوډر بین الافغاني تړون . کمپیوټري ژبپوهنه، 34(4)، 555–596. (د κ/α او د تړون د تفسیر کولو څرنګوالی پوښي، په شمول د ورک شوي معلوماتو.)
PDF
[2] NIST (2023). د مصنوعي استخباراتو د خطر مدیریت چوکاټ (AI RMF 1.0) . (د باور وړ AI لپاره د بشري څارنې، اسنادو او د خطر کنټرولونه.)
PDF
[3] راټنر، اې جي، ډي سا، سي، وو، ايس، سيلسم، ډي، او ري، سي (۲۰۱۶). د معلوماتو پروګرام کول: د لویو روزنیزو سیټونو جوړول، په چټکۍ سره . نیوریپس. (د کمزوري څارنې او د شور لیبلونو د کمولو لپاره بنسټیز چلند.)
PDF
[4] لي، ډي، وانګ، زي، چن، يو، او نور (2024). د ژورې فعالې زده کړې په اړه یوه سروې: وروستي پرمختګونه او نوي سرحدونه . (د لیبل اغیزمن فعالې زده کړې لپاره شواهد او نمونې.)
PDF
[5] NIST (2010). SP 800-122: د شخصي پیژندلو وړ معلوماتو (PII) د محرمیت ساتنې لارښود . (څه شی د PII په توګه شمیرل کیږي او ستاسو د معلوماتو پایپ لاین کې یې څنګه خوندي کړئ.)
PDF