Machine Learning ආකෘති දැන් සෑම තැනකම තිබේ. දිවා කාලයේදී, ඔබ බොහෝ විට මෙම ආකෘති ඔබ තේරුම් ගන්නවාට වඩා බොහෝ සෙයින් භාවිතා කරයි. සමාජ මාධ්ය ගවේෂණය, ඡායාරූප ගැනීම සහ කාලගුණය පරීක්ෂා කිරීම වැනි පොදු කාර්යයන් සඳහා යන්ත්ර ඉගෙනුම් ආකෘති භාවිතා වේ.
යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමයක් ඔබට මෙම බ්ලොගය නිර්දේශ කර ඇත. මෙම ආකෘති පුහුණු කිරීම සඳහා කොපමණ කාලයක් වැය වන බව අපි කවුරුත් අසා ඇත්තෙමු. මෙම ආකෘති පුහුණු කිරීම කාලය ගතවන බව අපි කවුරුත් අසා ඇත්තෙමු.
කෙසේ වෙතත්, මෙම ආකෘතීන් පිළිබඳ නිගමනය කිරීම බොහෝ විට ගණනය කිරීම සඳහා මිල අධික වේ.
අපි යන්ත්ර ඉගෙනුම් සේවා භාවිතා කරන වේගය හැසිරවීමට තරම් වේගවත් පරිගණක පද්ධති අපට අවශ්යයි. මෙහි ප්රතිඵලයක් වශයෙන්, මෙම මාදිලිවලින් බහුතරයක් CPU සහ GPU පොකුරු සහිත දැවැන්ත දත්ත මධ්යස්ථාන මත ක්රියාත්මක වේ (සමහර අවස්ථාවලදී TPU පවා).
ඔබ පින්තූරයක් ගන්නා විට, ඔබට අවශ්යයි යන්ත්ර ඉගෙනීම එය ක්ෂණිකව වැඩිදියුණු කිරීමට. රූපය දත්ත මධ්යස්ථානයකට මාරු කර, සැකසීමට සහ ඔබ වෙත ආපසු එන තෙක් බලා සිටීමට ඔබට අවශ්ය නැත. මෙම අවස්ථාවේදී, යන්ත්ර ඉගෙනුම් ආකෘතිය දේශීයව ක්රියාත්මක කළ යුතුය.
ඔබ "Hey Siri" හෝ "OK, Google" කී විට, ඔබට ඔබේ උපකරණ වහාම ප්රතිචාර දැක්වීමට අවශ්ය වේ. ඔබේ හඬ පරිගණක වෙත සම්ප්රේෂණය වන තෙක් බලා සිටීම, එහිදී එය ඇගයීමට ලක් කර දත්ත ලබා ගනු ඇත.
මෙය කාලය ගත වන අතර පරිශීලක අත්දැකීමට අහිතකර බලපෑමක් ඇති කරයි. මෙම අවස්ථාවේදී, ඔබට අවශ්ය වන්නේ යන්ත්ර ඉගෙනීමේ ආකෘතිය දේශීයව ද ක්රියා කිරීමට ය. TinyML පැමිණෙන්නේ මෙහිදීය.
මෙම ලිපියෙන්, අපි TinyML, එය ක්රියා කරන ආකාරය, එහි භාවිතයන්, එය සමඟ ආරම්භ කරන්නේ කෙසේද සහ තවත් බොහෝ දේ සොයා බලමු.
මොකක්ද TinyML?
TinyML යනු කුඩා උපාංග සහ කාවැද්දූ පද්ධතිවල ක්රියාකාරීත්වය සහ බල සීමාවන් සඳහා යන්ත්ර ඉගෙනීමේ විප්ලවීය විභවයන් යොදන අති නවීන විනයකි.
මෙම කර්මාන්තයේ සාර්ථක යෙදවීම සඳහා යෙදුම්, ඇල්ගොරිතම, දෘඩාංග සහ මෘදුකාංග පිළිබඳ මනා අවබෝධයක් අවශ්ය වේ. එය ක්ෂුද්ර පාලක, සංඛ්යාංක සංඥා ප්රොසෙසර හෝ වෙනත් අතිශය අඩු බල විශේෂිත ප්රොසෙසර භාවිතා කරන කාවැද්දූ පද්ධතිවල ගැඹුරු ඉගෙනුම් සහ යන්ත්ර ඉගෙනුම් ආකෘති භාවිතා කරන යන්ත්ර ඉගෙනීමේ උප ප්රභේදයකි.
TinyML-සක්රීය කාවැද්දූ උපාංග විශේෂිත කාර්යයක් සඳහා යන්ත්ර ඉගෙනීමේ ඇල්ගොරිතමයක් ධාවනය කිරීමට අදහස් කරයි, සාමාන්යයෙන් උපාංගයේ කොටසක් ලෙස පරිගණක තාක්ෂණය.
නැවත ආරෝපණය කිරීම හෝ බැටරි ආදේශ කිරීමකින් තොරව සති, මාස හෝ වසර ගණනාවක් ධාවනය කිරීමට නම්, මෙම කාවැද්දූ පද්ධති 1 mW ට අඩු බලශක්ති පරිභෝජනයක් තිබිය යුතුය.
එය ක්රියාත්මක වන්නේ කෙසේද?
ක්ෂුද්ර පාලක සහ පරිගණක සමඟ භාවිතා කළ හැකි එකම යන්ත්ර ඉගෙනුම් රාමුව වේ ටෙන්සර් ෆ්ලෝ ලයිට්. එය සංවර්ධකයින්ට ඔවුන්ගේ මාදිලි ජංගම, කාවැද්දූ සහ දාර උපාංග මත ධාවනය කිරීමට ඉඩ සලසන මෙවලම් සමූහයකි, පියාසර කරන විට යන්ත්ර ඉගෙනීමට ඉඩ සලසයි.
ක්ෂුද්ර පාලකයේ අතුරු මුහුණත සංවේදක වලින් (මයික්රොෆෝන, කැමරා, හෝ කාවැද්දූ සංවේදක වැනි) දත්ත රැස් කිරීමට භාවිතා කරයි.
ක්ෂුද්ර පාලකය වෙත යැවීමට පෙර, දත්ත වලාකුළු මත පදනම් වූ යන්ත්ර ඉගෙනුම් ආකෘතියකට ඇතුළත් කර ඇත. මෙම ආකෘති පුහුණු කිරීම සඳහා නොබැඳි මාදිලියේ කණ්ඩායම් පුහුණුව බහුලව භාවිතා වේ. සඳහා භාවිතා කරනු ලබන සංවේදක දත්ත ඉගෙනීම සහ නිගමනය නිශ්චිත යෙදුම සඳහා දැනටමත් තීරණය කර ඇත.
උදාහරණයක් ලෙස, අවදි වචනයක් හඳුනා ගැනීමට ආකෘතිය පුහුණු කරන්නේ නම්, එය මයික්රෆෝනයකින් අඛණ්ඩ ශ්රව්ය ප්රවාහයක් හැසිරවීමට දැනටමත් සකසා ඇත.
දත්ත කට්ටලය තෝරා ගැනීම, සාමාන්යකරණය, ආකෘතිය අඩු කිරීම හෝ වැඩිපුර ගැළපීම, විධිමත් කිරීම, දත්ත වැඩි කිරීම, පුහුණුව, වලංගු කිරීම සහ පරීක්ෂා කිරීම ඇතුළුව, TensorFlow Lite සම්බන්ධයෙන් Google Colab වැනි ක්ලවුඩ් වේදිකාවක් ආධාරයෙන් සෑම දෙයක්ම දැනටමත් සිදු කර ඇත.
සම්පුර්ණයෙන්ම පුහුණු වූ ආකෘතියක් අවසානයේ පරිවර්තනය කර නොබැඳි කණ්ඩායම් පුහුණුවෙන් පසු ක්ෂුද්ර පාලකය, ක්ෂුද්ර පරිගණකය හෝ ඩිජිටල් සංඥා ප්රොසෙසරය වෙත මාරු කරනු ලැබේ. කාවැද්දූ උපාංගයකට මාරු කිරීමෙන් පසු ආකෘතියට අමතර පුහුණුවක් නොමැත. ඒ වෙනුවට, එය ආකෘතිය යෙදීම සඳහා සංවේදක හෝ ආදාන උපාංග වලින් තත්ය කාලීන දත්ත පමණක් භාවිතා කරයි.
එහි ප්රතිඵලයක් වශයෙන්, TinyML යන්ත්ර ඉගෙනුම් ආකෘතියක් සුවිශේෂී ලෙස කල් පවත්නා විය යුතු අතර වසර ගණනාවකට පසු නැවත පුහුණු කිරීමට හෝ කිසි විටෙක නැවත පුහුණු කිරීමට නොහැකි විය යුතුය. සියලුම විභව මාදිලියේ ඌනතාවයන් සහ අධික ලෙස ගැලපීම විමර්ශනය කළ යුතු අතර එමඟින් ආකෘතිය දීර්ඝ කාලයක් සඳහා, ඉතා මැනවින් දින නියමයක් නොමැතිව අදාළ වේ.
නමුත් TinyML භාවිතා කරන්නේ ඇයි?
TinyML ආරම්භ වූයේ මූලික කුඩා පරිමාණයන් සඳහා IoT හි වලාකුළු සේවා මත යැපීම ඉවත් කිරීමට හෝ අඩු කිරීමට උත්සාහයක් වශයෙනි. යන්ත්ර ඉගෙනීම මෙහෙයුම්. මේ සඳහා අද්දර උපාංගවලම යන්ත්ර ඉගෙනුම් ආකෘති භාවිතය අවශ්ය විය. එය පහත සඳහන් ප්රධාන ප්රතිලාභ සපයයි:
- අඩු බලය පරිභෝජනය: TinyML යෙදුමක් මිලිවොට් 1 ට වඩා අඩු බලයක් භාවිතා කළ යුතුය. එවැනි අඩු බල පරිභෝජනයක් සමඟ, උපාංගයක් කාසි බැටරියකින් බල ගැන්වුවද, මාස හෝ වසර ගණනාවක් සංවේදක දත්ත වලින් නිගමන ලබා ගත හැකිය.
- අඩු පිරිවැය: එය අඩු වියදම් 32-bit microcontrollers හෝ DSPs මත ධාවනය කිරීමට සැලසුම් කර ඇත. මෙම ක්ෂුද්ර පාලක සාමාන්යයෙන් ශත කිහිපයක් බැගින් වන අතර, ඒවා සමඟ සංවර්ධනය කරන ලද සම්පූර්ණ කාවැද්දූ පද්ධතිය ඩොලර් 50 ට වඩා අඩුය. කුඩා යන්ත්ර ඉගෙනුම් වැඩසටහන් මහා පරිමාණයෙන් ක්රියාත්මක කිරීම සඳහා මෙය ඉතා ලාභදායී විකල්පයක් වන අතර, යන්ත්ර ඉගෙනීම යෙදිය යුතු IoT යෙදුම්වල එය විශේෂයෙන් ප්රයෝජනවත් වේ.
- අඩු ප්රමාදය: එහි යෙදුම් වලට ජාලය හරහා දත්ත ප්රවාහනය කිරීමට හෝ හුවමාරු කිරීමට අවශ්ය නොවන බැවින් අඩු ප්රමාදයක් ඇත. සියලුම සංවේදක දත්ත දේශීයව වාර්තා කර ඇති අතර, දැනටමත් පුහුණු කර ඇති ආකෘතියක් භාවිතයෙන් නිගමනවලට එළඹේ. උපාංගය ක්රියා කිරීමට මෙය අත්යවශ්ය නොවන නමුත්, ලොග් වීම හෝ අතිරේක සැකසුම් සඳහා අනුමානවල ප්රතිඵල සේවාදායකයකට හෝ වලාකුළකට යැවිය හැක. මෙය ජාල ප්රමාදය අවම කරන අතර වලාකුළක හෝ සේවාදායකයක යන්ත්ර ඉගෙනීමේ මෙහෙයුම් සිදු කිරීමේ අවශ්යතාවය ඉවත් කරයි.
- පුද්ගලිකත්වය: එය අන්තර්ජාලයේ සහ දේවල් අන්තර්ජාලයේ ඇති ප්රධාන සැලකිල්ලකි. TinyML යෙදුම්වල යන්ත්ර ඉගෙනීමේ කාර්යය සංවේදක/පරිශීලක දත්ත සේවාදායකයකට/වලාකුළකට ගබඩා කිරීම හෝ යැවීමකින් තොරව දේශීයව සිදු කෙරේ. එහි ප්රතිඵලයක් වශයෙන්, ජාලයකට සම්බන්ධ කර තිබියදී පවා, මෙම යෙදුම් භාවිතයට ආරක්ෂිත වන අතර පුද්ගලිකත්ව අවදානම් ඇති නොකරයි.
අයදුම්පත්
- කෘෂිකර්මය - කවදාද ගොවීන් ශාකයක ඡායාරූපයක් ගනී, TensorFlow Lite යෙදුම එහි රෝග හඳුනා ගනී. එය ඕනෑම උපාංගයක ක්රියා කරන අතර අන්තර්ජාල සම්බන්ධතාවයක් අවශ්ය නොවේ. ක්රියා පටිපාටිය කෘෂිකාර්මික අවශ්යතා ආරක්ෂා කරන අතර ග්රාමීය ගොවීන් සඳහා තීරණාත්මක අවශ්යතාවයකි.
- යාන්ත්ර විද්යාව නඩත්තු කිරීම - TinyML, අඩු බලැති උපාංගවල භාවිතා කරන විට, යන්ත්රයක පවතින දෝෂ අඛණ්ඩව හඳුනා ගත හැක. එය පුරෝකථනය මත පදනම් වූ නඩත්තු කිරීම ඇතුළත් වේ. ඔස්ට්රේලියානු ආරම්භක පිං සර්විසස් විසින් ටර්බයිනයේ පිටතින් සවිකර සුළං ටර්බයින නිරීක්ෂණය කරන IoT ගැජට් එකක් හඳුන්වා දී ඇත. එය සිදුවිය හැකි කිසියම් ගැටලුවක් හෝ අක්රියතාවයක් හඳුනාගත් විට එය බලධාරීන්ට දැනුම් දෙයි.
- රෝහල් - ද Solar Scare යනු ව්යාපෘතියකි. ඩෙංගු සහ මැලේරියාව වැනි රෝග පැතිරීම නැවැත්වීමට මදුරුවන් TinyML භාවිතා කරයි. එය සූර්ය ශක්තියෙන් ක්රියාත්මක වන අතර මදුරුවන් බෝවීම වැළැක්වීම සඳහා ජලය සංඥා කිරීමට පෙර මදුරුවන් බෝවන තත්ත්වයන් හඳුනා ගනී.
- රථවාහන නිරීක්ෂණ - විසින් තත්ය කාලීන ගමනාගමන දත්ත රැස් කරන සංවේදකවලට TinyML යෙදීමෙන්, අපට ඒවා වඩා හොඳ ගමනාගමනය මෙහෙයවීමට සහ හදිසි වාහන සඳහා ප්රතිචාර දැක්වීමේ වේලාවන් අඩු කිරීමට භාවිත කළ හැක. නිදසුනක් ලෙස, Swim.AI, මගීන්ගේ ආරක්ෂාව වැඩි කිරීමට ප්රවාහ දත්ත පිළිබඳ මෙම තාක්ෂණය භාවිතා කරන අතරම, ස්මාර්ට් මාර්ගගත කිරීම හරහා තදබදය සහ විමෝචනය අඩු කරයි.
- නීති: TinyML නීතිය ක්රියාත්මක කිරීමේදී යන්ත්ර ඉගෙනීම සහ අභිනය හඳුනාගැනීම භාවිතා කරමින් කැරලි ගැසීම් සහ සොරකම් කිරීම වැනි නීති විරෝධී ක්රියා හඳුනා ගැනීමට භාවිතා කළ හැක. බැංකු ස්වයංක්රීය ටෙලර් යන්ත්ර සුරක්ෂිත කිරීම සඳහා ද එවැනිම වැඩසටහනක් භාවිතා කළ හැකිය. පරිශීලක හැසිරීම නැරඹීමෙන්, TinyML ආකෘතියක් මඟින් පරිශීලකයා ගනුදෙනුවක් සම්පූර්ණ කරන සැබෑ පාරිභෝගිකයෙක්ද නැතිනම් ATM හැක් කිරීමට හෝ විනාශ කිරීමට උත්සාහ කරන අනවසරයෙන් ඇතුළුවන්නෙක්ද යන්න පුරෝකථනය කළ හැක.
TinyML සමඟ ආරම්භ කරන්නේ කෙසේද?
TensorFlow Lite හි TinyML සමඟ ආරම්භ කිරීමට, ඔබට ගැළපෙන ක්ෂුද්ර පාලක පුවරුවක් අවශ්ය වේ. Microcontrollers සඳහා TensorFlow Lite පහත ලැයිස්තුගත කර ඇති microcontrollers සඳහා සහය දක්වයි.
- Wio පර්යන්තය: ATSAMD51
- Himax WE-I Plus EVB Endpoint AI සංවර්ධන මණ්ඩලය
- STM32F746 ඩිස්කවරි කට්ටලය
- Adafruit EdgeBadge
- Synopsys DesignWare ARC EM මෘදුකාංග සංවර්ධන වේදිකාව
- සෝනි ස්ප්රෙසන්ස්
- ආර්ඩුයිනෝ නැනෝ 33 බීඑල්ඊ සෙන්ස්
- SparkFun Edge
- Microcontrollers Kit සඳහා Adafruit TensorFlow Lite
- Adafruit Circuit Playground Bluefruit
- Espressif ESP32-DevKitC
- Espressif ESP-EYE
මේවා යන්ත්ර ඉගෙනීමේ ආකෘතියක් ක්රියාත්මක කිරීමට ප්රමාණවත් ෆ්ලෑෂ් මතකයක්, RAM සහ ඔරලෝසු සංඛ්යාතයක් සහිත 32-bit microcontrollers වේ. ඕනෑම කාවැද්දූ වැඩසටහනක් ක්රියාත්මක කිරීමට සහ ඉලක්කගත යෙදුමට යන්ත්ර ඉගෙනුම් ආකෘති යෙදීමට හැකියාව ඇති පුවරු සංවේදක ගණනාවක් ද ඇත. වෙත යන්ත්ර ඉගෙනීමේ ආකෘතියක් සාදන්න, දෘඪාංග වේදිකාවට අමතරව ඔබට ලැප්ටොප් හෝ පරිගණකයක් අවශ්ය වනු ඇත.
සෑම දෘඪාංග වේදිකාවක්ම මයික්රොකොන්ට්රෝලර් පැකේජය සඳහා TensorFlow Lite භාවිතා කරන යන්ත්ර ඉගෙනුම් ආකෘති ගොඩනැගීම, පුහුණු කිරීම සහ ගෙනයාම සඳහා තමන්ගේම ක්රමලේඛන මෙවලම් ඇත. TensorFlow Lite එය භාවිතා කිරීමට සහ වෙනස් කිරීමට නොමිලේ වේ විවෘත කේතයකි.
TinyML සහ TensorFlow Lite සමඟ ආරම්භ කිරීම සඳහා, ඔබට අවශ්ය වන්නේ ඉහත සඳහන් කාවැද්දූ දෘඪාංග වේදිකාවලින් එකක්, පරිගණකයක්/ලැප්ටොප් පරිගණකයක්, USB කේබලයක්, USB-to-Serial පරිවර්තකයක් - සහ කාවැද්දූ පද්ධති සමඟින් යන්ත්ර ඉගෙනීමට ඇති ආශාවයි. .
අභියෝග
TinyML හි ප්රගතිය බොහෝ ධනාත්මක ප්රතිඵල ලබා දී ඇතත්, යන්ත්ර ඉගෙනුම් කර්මාන්තය තවමත් සැලකිය යුතු බාධකවලට මුහුණ දෙයි.
- මෘදුකාංග විවිධත්වය - අතින් කේතීකරණය, කේත උත්පාදනය, සහ ML පරිවර්තකයන් TinyML උපාංග මත ආකෘති යෙදවීම සඳහා සියලු විකල්ප වන අතර, ඒ සෑම එකක්ම වෙනස් කාලයක් සහ වෑයමක් ගනී. මේ නිසා විවිධ රංගනයන් මතු විය හැකිය.
- දෘඪාංග විවිධත්වය - එහි දෘඪාංග විකල්ප කිහිපයක් තිබේ. TinyML වේදිකා පොදු කාර්ය ක්ෂුද්ර පාලකයන්ගේ සිට අති නවීන ස්නායු ප්රොසෙසර දක්වා ඕනෑම දෙයක් විය හැක. මෙය විවිධ ගෘහනිර්මාණ හරහා ආදර්ශ යෙදවීමේ ගැටළු ඇති කරයි.
- දෝශ නිරාකරණය/නිදොස්කරණය - කවදාද ML ආකෘතියක් වලාකුළ මත දුර්වල ලෙස ක්රියා කරයි, දත්ත දෙස බැලීම සහ වැරදි සිදුවන්නේ කුමක්දැයි සොයා බැලීම සරල ය. වලාකුළට දත්ත ප්රවාහයක් ආපසු නොපැමිණෙන, TinyML උපාංග දහස් ගණනක් පුරා ආකෘතියක් පැතිරී ඇති විට, නිදොස්කරණය අපහසු වන අතර වෙනත් ක්රමයක් අවශ්ය විය හැකිය.
- මතක සීමාවන් - සාම්ප්රදායික ස්මාර්ට් ෆෝන් සහ ලැප්ටොප් වැනි වේදිකා සඳහා ගිගාබයිට් RAM අවශ්ය වන අතර TinyML උපාංග කිලෝබයිට් හෝ මෙගාබයිට් භාවිතා කරයි. එහි ප්රතිඵලයක් වශයෙන්, යෙදවිය හැකි ආකෘතියේ ප්රමාණය සීමා වේ.
- ආදර්ශ පුහුණුව - නමුත් TinyML උපාංග මත ML මාදිලි යෙදවීමේ වාසි කිහිපයක් ඇත, ML මාදිලිවලින් වැඩි ප්රමාණයක් තවමත් ක්ලවුඩ් මත පුනරුච්චාරණය කිරීමට සහ මාදිලි නිරවද්යතාව අඛණ්ඩව වැඩි දියුණු කිරීමට පුහුණු කර ඇත.
අනාගතය
TinyML, එහි කුඩා අඩිපාර, අඩු බැටරි පරිභෝජනය, සහ අන්තර්ජාල සම්බන්ධතාව මත අඩු හෝ සීමිත විශ්වාසයක් සහිත, පටු බහුතරයක් ලෙස අනාගතයේ දී දැවැන්ත විභවයක් ඇත. කෘතිම බුද්ධිය එජ් උපාංග හෝ ස්වාධීන කාවැද්දූ උපකරණ මත ක්රියාත්මක කෙරේ.
එය IoT යෙදුම් උත්තෝලනය කිරීමෙන් වඩාත් පුද්ගලික සහ ආරක්ෂිත කරයි. නමුත් TensorFlow Lite දැනට ක්ෂුද්ර පාලක සහ ක්ෂුද්ර පරිගණක සඳහා වන එකම යන්ත්ර ඉගෙනීමේ රාමුව වේ, සංවේදකය සහ ARM හි CMSIS-NN වැනි අනෙකුත් සැසඳිය හැකි රාමු ක්රියාත්මක වේ.
TensorFlow Lite යනු Google හි කණ්ඩායම සමඟ විශිෂ්ට ආරම්භයක් ලබා ගත් විවෘත මූලාශ්ර ව්යාපෘතියක් වන අතර, ප්රධාන ධාරාවට පිවිසීමට එයට ප්රජා සහාය අවශ්ය වේ.
නිගමනය
TinyML යනු යන්ත්ර ඉගෙනීම සමඟ කාවැද්දූ පද්ධති ඒකාබද්ධ කරන නව ප්රවේශයකි. පටු AI බොහෝ සිරස් සහ වසම් වල උච්ච වන විට, තාක්ෂණය යන්ත්ර ඉගෙනීමේ සහ කෘතිම බුද්ධියේ ප්රමුඛ උප ක්ෂේත්රයක් ලෙස මතු විය හැකිය.
IoT අංශය සහ බොහෝ වසම්-විශේෂිත විෂයයන් සඳහා යන්ත්ර ඉගෙනීමේ යෙදෙන වෘත්තිකයන් දැන් මුහුණ දෙන අභියෝග රාශියකට එය විසඳුමක් සපයයි.
යන්ත්ර ඉගෙනීම භාවිතා කිරීමේ සංකල්පය කුඩා පරිගණනයක් සහිත එජ් උපාංග පා සටහන් සහ බලශක්ති පරිභෝජනය කාවැද්දූ පද්ධති සහ රොබෝ තාක්ෂණය ගොඩනඟන ආකාරය සැලකිය යුතු ලෙස පරිවර්තනය කිරීමේ හැකියාව ඇත.
ඔබමයි