સામગ્રીનું કોષ્ટક[છુપાવો][બતાવો]
ઘણા રોબોટ્સની કલ્પના કરે છે જેમ કે સાયન્સ ફિક્શન ફિલ્મોમાં કે જેઓ જ્યારે આર્ટિફિશિયલ ઈન્ટેલિજન્સ, ડીપ લર્નિંગ અને મશીન લર્નિંગ જેવા શબ્દો સાંભળે છે ત્યારે માનવ બુદ્ધિની નકલ કરે છે અથવા તો તેને વટાવે છે.
અન્ય લોકો માને છે કે આ ઉપકરણો ફક્ત માહિતી લે છે અને તેમાંથી તેમના પોતાના પર શીખે છે. સારું… તે થોડું છેતરામણું છે. ડેટા લેબલીંગ એ કમ્પ્યુટરને "સ્માર્ટ" બનવાની તાલીમ આપવા માટે વપરાતી પદ્ધતિ છે કારણ કે તેમની પાસે માનવ સૂચના વિના મર્યાદિત ક્ષમતાઓ છે.
કમ્પ્યુટરને "સ્માર્ટલી" કાર્ય કરવા માટે તાલીમ આપવા માટે, અમે ડેટાને વિવિધ સ્વરૂપોમાં ઇનપુટ કરીએ છીએ અને ડેટા લેબલિંગની સહાયથી તેને વિવિધ વ્યૂહરચના શીખવીએ છીએ.
ડેટાસેટ્સ વિજ્ઞાન અંતર્ગત ડેટા લેબલીંગના ભાગરૂપે સમાન માહિતીના અસંખ્ય ક્રમચયો સાથે ટીકા અથવા લેબલ થયેલ હોવા જોઈએ.
અંતિમ ઉત્પાદનમાં મૂકવામાં આવેલ પ્રયત્નો અને સમર્પણ પ્રશંસનીય છે, ભલે તે આશ્ચર્યજનક હોય અને આપણા રોજિંદા જીવનને સરળ બનાવે.
તે શું છે, તે કેવી રીતે કાર્ય કરે છે, વિવિધ પ્રકારના ડેટા લેબલીંગ, અવરોધો અને ઘણું બધું જાણવા માટે આ લેખમાં ડેટા લેબલીંગ વિશે જાણો.
તો, ડેટા લેબલીંગ શું છે?
In મશીન શિક્ષણ, ઇનપુટ ડેટાની કેલિબર અને પ્રકૃતિ આઉટપુટની કેલિબર અને પ્રકૃતિ નક્કી કરે છે. તમારા AI મોડલની સચોટતા તેને તાલીમ આપવા માટે ઉપયોગમાં લેવાતા ડેટાના કેલિબર દ્વારા વધારે છે.
અન્ય શબ્દોમાં, ડેટા લેબલીંગ એ કમ્પ્યુટરને તેમની વચ્ચેના તફાવતો અને પેટર્નને ઓળખવા માટે શીખવવા માટે વિવિધ અનસ્ટ્રક્ચર્ડ અથવા સ્ટ્રક્ચર્ડ ડેટા સેટ્સનું લેબલિંગ અથવા ટીકા કરવાનું કાર્ય છે.
એક ઉદાહરણ તમને આ સમજવામાં મદદ કરશે. કોમ્પ્યુટર માટે દરેક લાલ લાઇટને વિવિધ ઈમેજીસમાં ટેગ કરવું જરૂરી છે તે જાણવા માટે કે લાલ બત્તી એ બંધ થવાનો સંકેત છે.
તેના આધારે, AI એક અલ્ગોરિધમ વિકસાવે છે જે, દરેક પરિસ્થિતિમાં, સ્ટોપ સંકેત તરીકે લાલ લાઇટનું અર્થઘટન કરશે. અન્ય દ્રષ્ટાંત જાઝ, પોપ, રોક, ક્લાસિકલ અને વધુના શીર્ષકો હેઠળ વિવિધ મ્યુઝિકલ શૈલીઓને અલગ કરવા માટે વિવિધ ડેટાસેટ્સને વર્ગીકૃત કરવાની ક્ષમતા છે.
તેને સરળ રીતે કહીએ તો, મશીન લર્નિંગમાં ડેટા લેબલિંગ એ લેબલ વગરના ડેટા (જેમ કે ફોટા, ટેક્સ્ટ ફાઇલો, વિડિયો વગેરે) શોધવાની અને સંદર્ભ ઓફર કરવા માટે એક અથવા વધુ સંબંધિત લેબલ્સ ઉમેરવાની પ્રક્રિયાનો સંદર્ભ આપે છે જેથી મશીન લર્નિંગ મોડેલ શીખી શકે. તે
લેબલ્સ કહી શકે છે, દાખલા તરીકે, જો એક્સ-રે ગાંઠ બતાવે છે કે નહીં, ઓડિયો ક્લિપમાં કયા શબ્દો કહેવામાં આવ્યા છે, અથવા જો કોઈ પક્ષી અથવા ઓટોમોબાઈલનું ચિત્ર છે.
વાણી ઓળખ સહિત ઉપયોગના સંખ્યાબંધ કેસ માટે ડેટા લેબલીંગ આવશ્યક છે. કમ્પ્યુટર દ્રષ્ટિ, અને કુદરતી ભાષા પ્રક્રિયા.
ડેટા લેબલીંગ: તે શા માટે મહત્વનું છે?
પ્રથમ, ચોથી ઔદ્યોગિક ક્રાંતિ પ્રશિક્ષણ મશીનોની કુશળતા પર કેન્દ્રિત છે. પરિણામે, તે વર્તમાનની સૌથી નોંધપાત્ર સોફ્ટવેર એડવાન્સમેન્ટ્સમાં સ્થાન ધરાવે છે.
તમારી મશીન લર્નિંગ સિસ્ટમ બનાવવી પડશે, જેમાં ડેટા લેબલિંગ સામેલ છે. તે સિસ્ટમની ક્ષમતાઓ સ્થાપિત કરે છે. જો ડેટા લેબલ ન હોય તો ત્યાં કોઈ સિસ્ટમ નથી.
ડેટા લેબલીંગ સાથેની શક્યતાઓ ફક્ત તમારી સર્જનાત્મકતા દ્વારા મર્યાદિત છે. તમે સિસ્ટમમાં મેપ કરી શકો તે કોઈપણ ક્રિયા નવી માહિતી સાથે પુનરાવર્તિત થશે.
મતલબ કે ડેટાનો પ્રકાર, જથ્થો અને વિવિધતા તમે સિસ્ટમને શીખવી શકો છો તે તેની બુદ્ધિ અને ક્ષમતા નક્કી કરશે.
બીજું એ છે કે ડેટા લેબલીંગ કાર્ય ડેટા સાયન્સ વર્ક પહેલા આવે છે. તદનુસાર, ડેટા વિજ્ઞાન માટે ડેટા લેબલીંગ જરૂરી છે. ડેટા લેબલીંગમાં નિષ્ફળતા અને ભૂલો ડેટા વિજ્ઞાનને અસર કરે છે. વૈકલ્પિક રીતે, ક્રૂડર ક્લિચનો ઉપયોગ કરવા માટે, "કચરામાં નાખો, કચરો બહાર કાઢો."
ત્રીજું, ધી આર્ટ ઓફ ડેટા લેબલીંગ એ ફેરફાર દર્શાવે છે કે લોકો AI સિસ્ટમના વિકાસ માટે કેવી રીતે સંપર્ક કરે છે. અમે ફક્ત ગાણિતિક તકનીકોને વધારવાનો પ્રયાસ કરવાને બદલે અમારા લક્ષ્યોને વધુ સારી રીતે પૂર્ણ કરવા માટે ડેટા લેબલિંગની રચનાને એકસાથે રિફાઇન કરીએ છીએ.
આધુનિક ઓટોમેશન આના પર આધારિત છે, અને તે હાલમાં ચાલી રહેલા AI ટ્રાન્સફોર્મેશનનું કેન્દ્ર છે. હવે પહેલા કરતાં વધુ, જ્ઞાન કાર્યનું યાંત્રિકીકરણ થઈ રહ્યું છે.
ડેટા લેબલીંગ કેવી રીતે કાર્ય કરે છે?
ડેટા લેબલીંગ પ્રક્રિયા દરમિયાન નીચેના કાલક્રમનું પાલન કરવામાં આવે છે.
ડેટા એકત્રીકરણ
ડેટા એ કોઈપણ મશીન લર્નિંગ પ્રયાસનો આધાર છે. ડેટા લેબલીંગના પ્રારંભિક તબક્કામાં વિવિધ સ્વરૂપોમાં કાચા ડેટાની યોગ્ય માત્રા એકત્ર કરવાનો સમાવેશ થાય છે.
ડેટા એકત્રીકરણ બેમાંથી એક સ્વરૂપ લઈ શકે છે: કાં તો તે આંતરિક સ્ત્રોતોમાંથી આવે છે જેનો વ્યવસાય ઉપયોગ કરી રહ્યો છે, અથવા તે સાર્વજનિક રીતે સુલભ બાહ્ય સ્રોતોમાંથી આવે છે.
તે કાચા સ્વરૂપમાં હોવાથી, ડેટાસેટ લેબલ્સ બનાવવામાં આવે તે પહેલાં આ ડેટાને સાફ અને પ્રક્રિયા કરવાની જરૂર છે. મોડલને પછી આ સાફ અને પ્રીપ્રોસેસ્ડ ડેટાનો ઉપયોગ કરીને તાલીમ આપવામાં આવે છે. ડેટા સેટ જેટલા મોટા અને વધુ વૈવિધ્યસભર હશે તેટલા તારણો વધુ સચોટ હશે.
એનોટેટિંગ ડેટા
ડેટા ક્લિનિંગ પછી, ડોમેન નિષ્ણાતો ડેટાની તપાસ કરે છે અને ઘણી ડેટા લેબલિંગ તકનીકોનો ઉપયોગ કરીને લેબલ્સ લાગુ કરે છે. મોડેલનો અર્થપૂર્ણ સંદર્ભ છે જેનો ઉપયોગ જમીની સત્ય તરીકે થઈ શકે છે.
આ તે ચલો છે જે તમે મોડેલને અનુમાન કરવા માંગો છો, જેમ કે ફોટા.
ગુણવત્તાની ખાતરી
ડેટાની ગુણવત્તા, જે વિશ્વાસપાત્ર, સચોટ અને સુસંગત હોવી જોઈએ, તે ML મોડેલ તાલીમની સફળતા માટે નિર્ણાયક છે. આ ચોક્કસ અને સાચા ડેટા લેબલિંગની બાંયધરી આપવા માટે નિયમિત QA પરીક્ષણો અમલમાં મૂકવા આવશ્યક છે.
કન્સેન્સસ અને ક્રોનબેકના આલ્ફા ટેસ્ટ જેવી QA તકનીકોનો ઉપયોગ કરીને આ ટીકાઓની ચોકસાઈનું મૂલ્યાંકન કરવું શક્ય છે. નિયમિત QA નિરીક્ષણો દ્વારા પરિણામોની શુદ્ધતામાં નોંધપાત્ર સુધારો થયો છે.
તાલીમ અને પરીક્ષણ મોડલ
ઉપરોક્ત પ્રક્રિયાઓ માત્ર ત્યારે જ અર્થપૂર્ણ બને છે જો ડેટાની ચોકસાઈ માટે તપાસ કરવામાં આવે. તે ઇચ્છિત પરિણામો આપે છે કે કેમ તે ચકાસવા માટે અનસ્ટ્રક્ચર્ડ ડેટાસેટનો સમાવેશ કરીને આ ટેકનિકની ચકાસણી કરવામાં આવશે.
ડેટા લેબલીંગ વ્યૂહરચના
ડેટા લેબલીંગ એ એક કપરું પ્રક્રિયા છે જે વિગતવાર ધ્યાનની જરૂર છે. ડેટાની ટીકા કરવા માટે વપરાતી પદ્ધતિ ઇશ્યુ સ્ટેટમેન્ટ, કેટલો ડેટા ટેગ કરવાનો છે, ડેટા કેટલો જટિલ છે અને શૈલીના આધારે બદલાશે.
ચાલો તમારા વ્યવસાય પાસેના કેટલાક વિકલ્પો પર જઈએ, તેની પાસે રહેલા સંસાધનો અને તેની પાસે ઉપલબ્ધ સમયના આધારે.
ડેટા લેબલીંગ ઇન-હાઉસ
નામ પ્રમાણે, ઇન-હાઉસ ડેટા લેબલીંગ કંપનીના નિષ્ણાતો દ્વારા કરવામાં આવે છે. જ્યારે તમારી પાસે પૂરતો સમય, કર્મચારીઓ અને નાણાકીય સંસાધનો હોય, ત્યારે તે શ્રેષ્ઠ વિકલ્પ છે કારણ કે તે સૌથી સચોટ લેબલિંગની ખાતરી આપે છે. જો કે, તે ધીમે ધીમે આગળ વધે છે.
આઉટસોર્સિંગ
વસ્તુઓ પૂર્ણ કરવા માટેનો બીજો વિકલ્પ ડેટા લેબલિંગ કાર્યો માટે ફ્રીલાન્સર્સને હાયર કરવાનો છે જેઓ અપવર્ક જેવા વિવિધ જોબ-સીકિંગ અને ફ્રીલાન્સ માર્કેટપ્લેસ પર શોધી શકાય છે.
ડેટા લેબલિંગ સેવાઓ મેળવવા માટે આઉટસોર્સિંગ એ એક ઝડપી વિકલ્પ છે, જો કે, અગાઉની પદ્ધતિની જેમ ગુણવત્તાને નુકસાન થઈ શકે છે.
crowdsourcing
તમે વિનંતીકર્તા તરીકે લૉગ ઇન કરી શકો છો અને વિશિષ્ટ ક્રાઉડસોર્સિંગ પ્લેટફોર્મ પર ઉપલબ્ધ કોન્ટ્રાક્ટરોને વિવિધ લેબલિંગ જોબ્સનું વિતરણ કરી શકો છો જેમ કે એમેઝોન યાંત્રિક ટર્ક (MTurk).
પદ્ધતિ, અંશે ઝડપી અને સસ્તી હોવા છતાં, સારી ગુણવત્તાવાળો એનોટેડ ડેટા પ્રદાન કરી શકતી નથી.
આપમેળે ડેટાનું લેબલીંગ.
આ પ્રક્રિયાને મેન્યુઅલી હાથ ધરવા ઉપરાંત સોફ્ટવેર દ્વારા પણ મદદ મળી શકે છે. સક્રિય શિક્ષણ અભિગમનો ઉપયોગ કરીને, ટૅગ્સ આપમેળે શોધી શકાય છે અને તાલીમ ડેટાસેટમાં ઉમેરી શકાય છે.
સારમાં, માનવ નિષ્ણાતો લેબલ વગરના, કાચા ડેટાને ચિહ્નિત કરવા માટે AI ઓટો-લેબલ મોડલ વિકસાવે છે. પછી તેઓ નક્કી કરે છે કે શું મોડેલ યોગ્ય રીતે લેબલિંગ લાગુ કરે છે. માણસો નિષ્ફળતા પછી ભૂલો સુધારે છે અને અલ્ગોરિધમને ફરીથી તાલીમ આપે છે.
કૃત્રિમ ડેટાનો વિકાસ.
વાસ્તવિક દુનિયાના ડેટાની જગ્યાએ, કૃત્રિમ માહિતી લેબલ થયેલ ડેટાસેટ છે જે કૃત્રિમ રીતે બનાવવામાં આવ્યું હતું. તે અલ્ગોરિધમ્સ અથવા કોમ્પ્યુટર સિમ્યુલેશન દ્વારા બનાવવામાં આવે છે અને તેનો વારંવાર ઉપયોગ થાય છે ટ્રેન મશીન લર્નિંગ મોડલ્સ.
લેબલીંગ પ્રક્રિયાઓના સંદર્ભમાં ડેટાની અછત અને વિવિધતાના મુદ્દાઓ માટે સિન્થેટીક ડેટા ઉત્તમ જવાબ છે. ની રચના કૃત્રિમ માહિતી શરૂઆતથી ઉકેલ આપે છે.
આઇટમ્સ સાથે 3D સેટિંગ્સની રચના અને મોડેલની આસપાસના ડેટાસેટ વિકાસકર્તાઓ દ્વારા ઓળખવામાં સક્ષમ હોવા જોઈએ. પ્રોજેક્ટ માટે જરૂરી હોય તેટલો સિન્થેટિક ડેટા રેન્ડર કરી શકાય છે.
ડેટા લેબલીંગની પડકારો
વધુ સમય અને પ્રયત્નની જરૂર છે
મોટી માત્રામાં ડેટા (ખાસ કરીને હેલ્થકેર જેવા ઉચ્ચ વિશિષ્ટ ઉદ્યોગો માટે) મેળવવા માટે પડકારરૂપ હોવા ઉપરાંત, દરેક ડેટાના ટુકડાને હાથથી લેબલ કરવું શ્રમ-સઘન અને કપરું બંને છે, જેને માનવ લેબલર્સની સહાયની જરૂર છે.
ML વિકાસના સમગ્ર ચક્રમાં પ્રોજેક્ટ પર ખર્ચવામાં આવેલ સમયનો લગભગ 80% ડેટા તૈયાર કરવામાં ખર્ચવામાં આવે છે, જેમાં લેબલિંગનો સમાવેશ થાય છે.
અસંગતતા માટે શક્યતા
મોટા ભાગના સમયે, ક્રોસ-લેબલિંગ, જે ત્યારે થાય છે જ્યારે ઘણા લોકો ડેટાના સમાન સેટને લેબલ કરે છે, જે વધુ ચોકસાઈમાં પરિણમે છે.
જો કે, કારણ કે વ્યક્તિઓ પાસે કેટલીકવાર ક્ષમતાની વિવિધ ડિગ્રી હોય છે, લેબલિંગ ધોરણો અને લેબલ્સ પોતે અસંગત હોઈ શકે છે, જે બીજી સમસ્યા છે, બે અથવા વધુ ટીકાકારો માટે કેટલાક ટૅગ્સ પર અસંમત થવું શક્ય છે.
દાખલા તરીકે, એક નિષ્ણાત હોટલ સમીક્ષાને અનુકૂળ તરીકે રેટ કરી શકે છે જ્યારે અન્ય તેને કટાક્ષ ગણશે અને તેને નીચું રેટિંગ સોંપશે.
ડોમેન જ્ઞાન
તમને કેટલાક ક્ષેત્રો માટે વિશિષ્ટ ઉદ્યોગ જ્ઞાન ધરાવતા લેબલર્સને ભાડે રાખવાની આવશ્યકતા લાગશે.
દાખલા તરીકે, જરૂરી ડોમેન જ્ઞાન વગરના એનોટેટરને હેલ્થકેર સેક્ટર માટે ML એપ્લિકેશન બનાવતી વખતે વસ્તુઓને યોગ્ય રીતે ટેગ કરવામાં ખૂબ જ મુશ્કેલ સમય આવશે.
ભૂલો માટે વલણ
તમારા લેબલર્સ કેટલા જાણકાર અને સાવચેત છે તે ધ્યાનમાં લીધા વિના મેન્યુઅલ લેબલિંગ માનવીય ભૂલોને આધીન છે. હકીકત એ છે કે ટીકાકારો વારંવાર પ્રચંડ કાચા ડેટા સેટ સાથે કામ કરે છે, આ અનિવાર્ય છે.
કલ્પના કરો કે કોઈ વ્યક્તિ 100,000 જેટલી અલગ અલગ વસ્તુઓ સાથે 10 ઈમેજોની ટીકા કરે છે.
ડેટા લેબલીંગના સામાન્ય પ્રકારો
કમ્પ્યુટર વિઝન
તમારા તાલીમ ડેટાસેટને વિકસાવવા માટે, તમારે કમ્પ્યુટર વિઝન સિસ્ટમ બનાવતી વખતે, પ્રથમ ચિત્રો, પિક્સેલ્સ અથવા કી સ્પોટ્સને લેબલ કરવું આવશ્યક છે, અથવા એક સીમા સ્થાપિત કરવી જોઈએ જે સંપૂર્ણપણે ડિજિટલ ઈમેજને બંધ કરે છે, જેને બાઉન્ડિંગ બોક્સ તરીકે ઓળખવામાં આવે છે.
ફોટોગ્રાફ્સને વિવિધ રીતે વર્ગીકૃત કરી શકાય છે, જેમાં સામગ્રી (વાસ્તવમાં ઇમેજમાં શું છે) અને ગુણવત્તા (જેમ કે ઉત્પાદન વિ. જીવનશૈલી શોટ્સ)નો સમાવેશ થાય છે.
છબીઓને પિક્સેલ સ્તરે સેગમેન્ટમાં પણ વિભાજિત કરી શકાય છે. આ પ્રશિક્ષણ ડેટાનો ઉપયોગ કરીને વિકસાવવામાં આવેલ કમ્પ્યુટર વિઝન મોડલનો ઉપયોગ પછીથી છબીઓને આપમેળે વર્ગીકૃત કરવા, ઑબ્જેક્ટનું સ્થાન નક્કી કરવા, છબીના મુખ્ય વિસ્તારોને પ્રકાશિત કરવા અને છબીઓને સેગમેન્ટ કરવા માટે થઈ શકે છે.
કુદરતી ભાષા પ્રોસેસીંગ
તમારા પ્રાકૃતિક ભાષા પ્રક્રિયા તાલીમ ડેટાસેટનું નિર્માણ કરતા પહેલા, તમારે મેન્યુઅલી સંબંધિત ટેક્સ્ટના ટુકડાઓ પસંદ કરવા અથવા ઉલ્લેખિત લેબલ્સ સાથે સામગ્રીનું વર્ગીકરણ કરવું આવશ્યક છે.
દાખલા તરીકે, તમે વાણીની પેટર્નને ઓળખવા, સ્થાનો અને લોકો જેવા યોગ્ય સંજ્ઞાઓનું વર્ગીકરણ કરવા અને ઈમેજીસ, પીડીએફ અથવા અન્ય મીડિયામાં ટેક્સ્ટને ઓળખવા માગી શકો છો. તમે ટેક્સ્ટ બ્લર્બની ભાવના અથવા ઉદ્દેશ્ય પણ નક્કી કરવા માગી શકો છો.
આ પરિપૂર્ણ કરવા માટે તમારા તાલીમ ડેટાસેટમાં ટેક્સ્ટની આસપાસ બાઉન્ડિંગ બૉક્સ બનાવો અને પછી તેને મેન્યુઅલી ટ્રાંસ્ક્રાઇબ કરો.
ઓપ્ટિકલ કેરેક્ટર રેકગ્નિશન, એન્ટિટી નામની ઓળખ, અને ભાવના વિશ્લેષણ બધું કુદરતી ભાષા પ્રોસેસિંગ મોડલ્સનો ઉપયોગ કરીને કરવામાં આવે છે.
Audioડિઓ પ્રોસેસીંગ
ઓડિયો પ્રોસેસિંગ તમામ પ્રકારના અવાજોને સંરચિત ફોર્મેટમાં રૂપાંતરિત કરે છે જેથી તેનો ઉપયોગ મશીન લર્નિંગમાં થઈ શકે, જેમાં ભાષણ, પ્રાણીઓના અવાજો (છાલ, સિસોટી અથવા ચીપ), અને મકાનના અવાજો (તૂટેલા કાચ, સ્કેનિંગ અથવા સાયરન)નો સમાવેશ થાય છે.
ઘણીવાર, તમે ઑડિયોને હેન્ડલ કરી શકો તે પહેલાં, તમારે તેને મેન્યુઅલી ટેક્સ્ટમાં કન્વર્ટ કરવું આવશ્યક છે. તે પછી, વર્ગીકરણ કરીને અને ઑડિયોમાં ટૅગ્સ ઉમેરીને, તમે તેના વિશે વધુ ઊંડાણપૂર્વકની માહિતી જાણી શકો છો. તમારા તાલીમ ડેટાસેટ આ વર્ગીકૃત ઓડિયો છે.
ઉપસંહાર
નિષ્કર્ષમાં, તમારા ડેટાને ઓળખવા એ કોઈપણ AI મોડેલને તાલીમ આપવાનો એક નિર્ણાયક ભાગ છે. એક ઝડપી ગતિશીલ સંસ્થા, જોકે, તે જાતે કરવામાં સમય પસાર કરી શકતી નથી કારણ કે તે સમય માંગી લેતી અને ઊર્જા-સઘન છે.
વધુમાં, તે એક એવી પ્રક્રિયા છે જે અચોક્કસતાની સંભાવના ધરાવે છે અને મહાન ચોકસાઈનું વચન આપતી નથી. તે એટલું મુશ્કેલ હોવું જરૂરી નથી, જે ઉત્તમ સમાચાર છે.
આજની ડેટા લેબલીંગ ટેક્નોલોજીઓ વિવિધ મશીન લર્નિંગ એપ્લિકેશન્સ માટે ચોક્કસ અને ઉપયોગી ડેટા પ્રદાન કરવા માટે માનવો અને મશીનો વચ્ચે સહયોગને સક્ષમ કરે છે.
એક જવાબ છોડો