નફો:
- કાપડના ઉત્પાદન, ગુણવત્તા, ડિઝાઇન અને સપ્લાય ચેઇન વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં વાસ્તવિક મૂલ્ય બનાવે છે અને કયા નિર્ણયો એ એન્જિનિયરની જવાબદારી રહેવા જોઈએ તે પારખવાની ક્ષમતા
- ત્રણ એન્કર શિસ્ત લાગુ કરવાની ક્ષમતા જે દરેક AI આઉટપુટને ભૌતિક પરીક્ષણ, પ્રયોગશાળા માપન અને તીવ્રતાના ઓર્ડર સાથે ક્રોસ-વેલિડેટ કરે છે
- આભાસ, ડેટા ગોપનીયતા અને ડિઝાઇન કૉપિરાઇટના જોખમોને ઓળખો અને સંદર્ભને અનામી કરીને સુરક્ષિત પ્રોમ્પ્ટ સેટ કરવાની આદત વિકસાવો.
ટેક્સટાઇલ એન્જિનિયરિંગ એ એન્ડ-ટુ-એન્ડ ચેઇન એન્જિનિયરિંગ છે જેમાં ફાઇબર સ્તરે માઇક્રોસ્કોપિક માળખું આખરે ફેબ્રિકના મીટરમાં અને પછી લાખો ટુકડાઓના સંગ્રહમાં ફેરવાય છે. આ સાંકળની દરેક લિંક પર સંખ્યાત્મક ડેટા બનાવવામાં આવે છે: યાર્નની ગણતરી અને ટ્વિસ્ટ, ફેબ્રિકનું વજન અને ઘનતા, ડાઈ રેસીપીમાં ગ્રામ/લિટર મૂલ્યો, ગુણવત્તા નિયંત્રણમાં ગણાયેલી ખામીઓ, સપ્લાયર ડિલિવરી સમય, સ્ટોર વેચાણના આંકડા. આર્ટિફિશિયલ ઇન્ટેલિજન્સ (અંગ્રેજીમાં AI; સૉફ્ટવેર સિસ્ટમ્સ જે મોટા ડેટા પેટર્નમાંથી શીખે છે અને ટેક્સ્ટ/ઇમેજ/નંબર બનાવે છે) આ ડેટા-સઘન સાંકળમાં એક મહાન પ્રવેગક છે. પરંતુ તે જ આર્ટિફિશિયલ ઈન્ટેલિજન્સ તેની અસ્ખલિત અને આત્મવિશ્વાસપૂર્ણ ભાષાને કારણે ભૂલોને સરળતાથી છુપાવી શકે છે. આ એકમ બે પાયા મૂકે છે જેના પર સમગ્ર મોડ્યુલ બાંધવામાં આવશે: જ્યાં ટેક્સટાઇલ વર્કફ્લોમાં કૃત્રિમ બુદ્ધિ વાસ્તવિક મૂલ્ય ઉત્પન્ન કરે છે અને અમે દરેક આઉટપુટને કેવી રીતે માન્ય કરીએ છીએ.
ચાલો શરૂઆતથી જ સ્પષ્ટ થઈએ: તમે આ મોડ્યુલમાં શીખો છો તે કોઈપણ તકનીક લાયકાત ધરાવતા ટેક્સટાઈલ એન્જિનિયર અથવા લેબોરેટરી, ભૌતિક પરીક્ષણ અને તમારા વ્યાવસાયિક ચુકાદાની મંજૂરીનો વિકલ્પ નથી. કૃત્રિમ બુદ્ધિ એ સહાયક છે; ઝડપથી વાંચે છે, ઝડપથી લખે છે, પેટર્ન પકડે છે. પરંતુ જો ડાઈ રેસીપી કામ ન કરે અને ટન ફેબ્રિકનો વ્યય થાય, જો ગુણવત્તાયુક્ત નિર્ણય ખોટો હોય અને ખોટી બેચ ગ્રાહકને જાય, જો તાકાતની ગણતરી ખૂટે અને ઉત્પાદન ઉપયોગમાં લેવાતું હોય, તો જવાબદારી સોફ્ટવેરની નહીં, પરંતુ તે એન્જિનિયરની છે જેણે નિર્ણય લીધો અને તેના પર હસ્તાક્ષર કર્યા. તમે આ વાક્યને મોડ્યુલના દરેક એકમમાં વિવિધ સ્વરૂપોમાં ફરીથી જોશો, કારણ કે સલામતી અને કોન્ટ્રાક્ટ ક્રિટિકલ એન્જિનિયરિંગમાં તે એકમાત્ર સત્ય છે.
ટેક્સટાઇલ વર્કફ્લોમાં આર્ટિફિશિયલ ઇન્ટેલિજન્સ ક્યાં મૂલ્યનું સર્જન કરે છે?
ટેક્સટાઇલ એન્જિનિયરના સપ્તાહને લગભગ ત્રણ પ્રકારના કામમાં વહેંચવામાં આવે છે: ડેટા તૈયારી (ઉત્પાદન અહેવાલોનું સંપાદન, ટેબ્યુલેટિંગ લેબ પ્રિન્ટઆઉટ, અસંગત એકમોને સાફ કરવું), અર્થઘટન અને વિશ્લેષણ (પેરામીટર ઑપ્ટિમાઇઝેશન, ખામીનું વર્ગીકરણ, રંગ મેચિંગ, માંગની આગાહી), અને સંચાર (તકનીકી અહેવાલ, સપ્લાયર, પ્રેઝન્ટ કલેક્શન, મોનોબોર્ડ કલેક્શન). AI ત્રણેય ક્ષેત્રોને સ્પર્શે છે, પરંતુ દરેકમાં તેનું યોગદાન અને જોખમ અલગ-અલગ છે.
ડેટાની તૈયારી એ આર્ટિફિશિયલ ઇન્ટેલિજન્સનું સૌથી સુરક્ષિત અને સૌથી નફાકારક ક્ષેત્ર છે. ફ્રી-ટેક્સ્ટ પ્રોડક્શન નોટ્સને સ્ટ્રક્ચર્ડ કોષ્ટકોમાં રૂપાંતરિત કરવું, વિવિધ યાર્ન કાઉન્ટ સિસ્ટમ્સને પ્રમાણિત કરવું, Uster આઉટપુટની હજારો લાઇનમાં આઉટલીયર્સને ફ્લેગ કરવું - આ પુનરાવર્તિત, નિયમો-આધારિત, ચકાસવા માટે સરળ કાર્યો છે. જો અહીં કોઈ ભૂલ હોય તો પણ, સ્રોત (કાચા ડેટા) પર પાછા જવા માટે અને તેને તપાસવામાં મિનિટ લાગે છે.
અર્થઘટન અને વિશ્લેષણનું ક્ષેત્ર સૌથી વધુ મૂલ્ય અને સૌથી વધુ જોખમ ધરાવે છે. AI ઉત્પાદન ડેટામાંથી ખામીના મૂળ કારણ વિશે એક પૂર્વધારણા પેદા કરી શકે છે; તે એક સહસંબંધ જાહેર કરી શકે છે જે અનુભવી આંખ ચૂકી શકે છે. પરંતુ તે જ મોડેલ આત્મવિશ્વાસપૂર્વક અવિદ્યમાન ધોરણ અથવા કાલ્પનિક સહિષ્ણુતા મૂલ્ય (આ ઘટનાને આભાસ કહેવામાં આવે છે: મોડેલ એવી માહિતી ઉત્પન્ન કરે છે જે વાસ્તવમાં અસ્તિત્વમાં નથી, જાણે તે વાસ્તવિક હોય). આ ક્ષેત્રમાં, AI એ પૂર્વધારણા જનરેટર છે, નિર્ણય નિર્માતા નથી.
સંદેશાવ્યવહારના ક્ષેત્રમાં, કૃત્રિમ બુદ્ધિ એ ડ્રાફ્ટ એક્સિલરેટર છે. તકનીકી અહેવાલના પદ્ધતિ વિભાગનો ડ્રાફ્ટ, સપ્લાયર ઈમેઈલ, મિનિટોમાં સંગ્રહ વર્ણન. અહીં જોખમ એ છે કે બનાવેલા નંબરો અને ખોટા શબ્દો વહેતા લખાણમાં કોઈનું ધ્યાન ન રાખતા હસ્તાક્ષરમાં તેમનો માર્ગ શોધી શકે છે.
માન્યતા શિસ્ત: ત્રણ એન્કર નિયમ
આ મોડ્યુલનું હાર્દ એક આદત છે: કોઈપણ AI આઉટપુટને પ્રોડક્શન અથવા ગુણવત્તાના નિર્ણયમાં તેને માન્ય કર્યા વિના સામેલ કરશો નહીં. અમે માન્યતાને ત્રણ સ્વતંત્ર એન્કર પર આધાર રાખીએ છીએ.
પ્રથમ એન્કર - તીવ્રતાનો ક્રમ. શું પરિણામ અંદાજે અપેક્ષિત શ્રેણીની અંદર છે? રીંગ કોટન યાર્નની મજબૂતાઈ સામાન્ય રીતે 12-22 cN/tex ની રેન્જમાં હોય છે (ટેક્સ દીઠ સેન્ટીન્યુટન; રેખીય ઘનતા દીઠ યાર્ન જે બળનો સામનો કરી શકે છે); જો મોડેલે 85 cN/tex આપ્યું હોય, તો આ એરામિડ જેવું ઉચ્ચ પ્રદર્શન ફાઇબર સ્તર છે અને કપાસ માટે હાસ્યાસ્પદ છે. ટી-શર્ટ ફેબ્રિકનું ગ્રામમેજ લગભગ 120-220 g/m² છે; 20 g/m² ટ્યૂલ, 900 g/m² કાર્પેટ. આ ચેક સેકન્ડ લે છે અને મોટાભાગની ભૂલો પકડે છે.
બીજું એન્કર — પ્રક્રિયા/ભૌતિકશાસ્ત્રની બુદ્ધિગમ્યતા. શું આઉટપુટ પ્રક્રિયાના ભૌતિકશાસ્ત્ર સાથે સુસંગત છે? મોડલ ખોટું છે જો તે દાવો કરે છે કે મર્યાદા વગર તાકાત વધે છે કારણ કે ટ્વિસ્ટ વધે છે; ચોક્કસ ટ્વિસ્ટ ગુણાંક પછી, તાકાત ઘટે છે (અતિશય ટ્વિસ્ટ રેસાને બરડ બનાવે છે). કોટનને બદલે પોલિએસ્ટરને પ્રતિક્રિયાશીલ રંગની ભલામણ કરવી એ રાસાયણિક રીતે અસંગત છે. પ્રક્રિયા જ્ઞાન એ વાજબીતાનું ફિલ્ટર છે જેના દ્વારા દરેક અર્થઘટન પસાર થવું જોઈએ.
ત્રીજો એન્કર - શારીરિક પરીક્ષણ/માપ. આ સૌથી મજબૂત એન્કર છે. લેબોરેટરી ડાઈંગ, સ્પેક્ટ્રોફોટોમીટર (ઉપકરણ કે જે રંગને સ્પેક્ટ્રલી માપે છે) રીડિંગ, ટેન્સાઈલ-ટીયર ટેસ્ટ, ફિઝિકલ ફેબ્રિક ઈન્સ્પેક્શન. AI દ્વારા સૂચવવામાં આવેલી રંગની રેસીપીનું પ્રથમ પ્રયોગશાળામાં પરીક્ષણ કરવામાં આવે છે. વાસ્તવિક નમૂના પર માનવ આંખ દ્વારા ખામી વર્ગીકરણની પુષ્ટિ થાય છે. ભૌતિક વાસ્તવિકતા હંમેશા જીતે છે.
ત્રણ મિની કેસ: સંખ્યાઓ દ્વારા
કેસ 1 - રિપોર્ટ ઓટોમેશનમાં સમયની બચત. ગુણવત્તાયુક્ત એન્જિનિયર મેન્યુઅલી એક્સેલમાં ફેબ્રિકના 60 રોલ્સના 4-પોઇન્ટ નિરીક્ષણ પરિણામો દાખલ કરી રહ્યો હતો અને સારાંશ અહેવાલ લખી રહ્યો હતો; રોલ દીઠ સરેરાશ 12 મિનિટ, કુલ લગભગ 12 કલાક. AI-સંચાલિત ટેબ્યુલેશન અને સારાંશ પ્રવાહ સાથે, તેણે પ્રથમ ડ્રાફ્ટને લગભગ 2 કલાક સુધી ઘટાડ્યો, બાકીનો સમય સ્કોર્સની ચોકસાઈને દૃષ્ટિની રીતે તપાસવા માટે ફાળવ્યો. મહત્ત્વની બાબત એ હતી કે જે સમય બચ્યો હતો તે નિયંત્રણમાં ખર્ચવામાં આવ્યો હતો.
કેસ 2 - કેપ્ચર થયેલ આભાસ. જ્યારે એક ઇન્ટર્નએ AI ને ફેબ્રિક માટે કેર લેબલ સ્ટાન્ડર્ડ વિશે પૂછ્યું, ત્યારે ટેક્સ્ટમાં ચોક્કસ વાક્ય હતું “40°C મર્યાદા ISO 3758 અનુસાર ફરજિયાત છે”; જો કે, ધોરણમાં આવી આવશ્યકતા નહોતી, મોડેલ બનાવવામાં આવ્યું હતું. પ્રક્રિયાની વાજબીતાના ફિલ્ટર અને ધોરણના મૂળ લખાણને જોવાની ટેવને લીધે લેબલ છાપવામાં આવે તે પહેલાં ભૂલ પકડાઈ.
કેસ 3 - એકમ ભૂલ. વજનની ગણતરીમાં, મોડેલે ધાર્યું કે નમૂના 100 cm² (સમાન વિસ્તાર, પરંતુ મધ્યવર્તી પગલામાં 10 ગણો મૂંઝવણ) કરતાં 1 dm² છે, ફેબ્રિકના વજનને 10 ગણો ગુણાકાર કરે છે અને 180 g/m² ફેબ્રિકને 1800 g/m² તરીકે જાણ કરે છે. મેગ્નિટ્યુડ ચેકના ઓર્ડર-"શર્ટનું ફેબ્રિક તાડપત્રી ન હોઈ શકે"-એ તરત જ ભૂલ જાહેર કરી.
નબળા પ્રોમ્પ્ટ / મજબૂત પ્રોમ્પ્ટ
નબળા પ્રોમ્પ્ટ:
આ ફેબ્રિકના ઉત્પાદન પરિમાણો પર ટિપ્પણી કરો અને સુધારાઓ સૂચવો.[ડેટા]
શક્તિશાળી પ્રોમ્પ્ટ:
તમારી ભૂમિકા: વરિષ્ઠ ટેક્સટાઇલ મેન્યુફેક્ચરિંગ એન્જિનિયર. ફક્ત આપેલ સંખ્યાઓના આધારે નીચેના ઉત્પાદન ડેટાનું અર્થઘટન કરો. - ડેટામાં ન હોય તેવા કોઈપણ ધોરણો, સહિષ્ણુતા અથવા મૂલ્યો ઉમેરશો નહીં. - દરેક અર્થઘટનની બાજુમાં, ડેટાની રેખા સૂચવો કે જેના પર તમે તેને કૌંસમાં બેઝ કરો છો. - જ્યાં શંકા હોય, "ડેટા અપૂરતા" લખો, અનુમાન ન કરો. - છેલ્લે: 3 ધારણાઓની સૂચિ બનાવો કે જેને પ્રયોગશાળા/પરીક્ષણમાં ચકાસવાની જરૂર છે. ડેટા: [ઉત્પાદન ડેટા]
મજબૂત પ્રોમ્પ્ટ મોડેલ પર ત્રણ બાબતો લાદે છે: સ્ત્રોતને વળગી રહેવું, અનિશ્ચિતતા સ્વીકારવી અને ચકાસવા માટે વસ્તુઓને ચિહ્નિત કરવી. આનાથી આભાસનો સંપૂર્ણ અંત આવતો નથી, પરંતુ તે તેને દૃશ્યમાન બનાવે છે.
ચાર નકલ કરી શકાય તેવા નમૂનાઓ
1) અનામી સંદર્ભની સ્થાપના:
મને ટેક્સટાઇલ એન્જિનિયરિંગ અસાઇનમેન્ટમાં મદદ જોઈએ છે. ગ્રાહકનું નામ, રેસીપીનું રહસ્ય, કિંમત અને સપ્લાયરની માહિતી ગોપનીય છે; હું તેમને "ગ્રાહક-એ", "રેસીપી-1" જેવા પ્રતિનિધિ અભિવ્યક્તિઓ સાથે આપીશ. ક્વેસ્ટ: [ક્વેસ્ટ]. હું તમને જે ટેકનિકલ ડેટા આપું છું તેના પર જ આધાર રાખો.
2) ત્રણ એન્કર ચકાસણી વિનંતીઓ:
નીચેના આઉટપુટ માટે ત્રણ તપાસ કરો: 1) તીવ્રતાનો ક્રમ: શું દરેક સંખ્યા લાક્ષણિક કાપડ શ્રેણીમાં છે? જો નહીં, તો માર્ક. 2) પ્રક્રિયાની બુદ્ધિગમ્યતા: શું કોઈ રાસાયણિક/શારીરિક રીતે અસંગત દાવો છે? 3) પરીક્ષણ સૂચિ: પદાર્થો કે જેની પ્રયોગશાળા/ઉત્પાદનમાં પુષ્ટિ કરવાની જરૂર છે. આઉટપુટ: [ટેક્સ્ટ]
3) અસ્પષ્ટતા લાગુ કરવી:
આત્મવિશ્વાસના ત્રણ સ્તરો પર તમારું અર્થઘટન આપો: - ઉચ્ચ આત્મવિશ્વાસ (સીધા ડેટા દ્વારા સપોર્ટેડ) - મધ્યમ આત્મવિશ્વાસ (વાજબી અનુમાન) - સટ્ટાકીય (વધારાના પરીક્ષણ/ડેટા જરૂરી) કાર્ય: [કાર્ય]. ડેટા: [ડેટા]
4) નિર્ણય/સમર્થન તફાવત:
નીચેના કાર્યને બે ભાગમાં વિભાજીત કરો: A) ડેટા/ડ્રાફ્ટ કાર્ય કે જે AI વિશ્વાસ સાથે કરી શકે છેB) નિર્ણયના મુદ્દા જેના માટે અધિકૃત એન્જિનિયર/લેબની મંજૂરી ફરજિયાત છે કાર્યનું વર્ણન: [વ્યાખ્યા]
AI યોગદાન અને જોખમ: ડોમેન દ્વારા સારાંશ કોષ્ટક
વ્યવસાય વિસ્તાર
AI નું લાક્ષણિક યોગદાન
જોખમ સ્તર
ફરજિયાત ચકાસણી
ડેટા સફાઈ / રિપોર્ટિંગ
ઉચ્ચ, સલામત
નીચું
સ્ત્રોત ડેટા સાથે સરખામણી
પરિમાણ અર્થઘટન
મધ્યમ-ઉચ્ચ
મધ્યમ
Uster/લેબ પરીક્ષણ, પ્રક્રિયા ભૌતિકશાસ્ત્ર
ખામી શોધ (છબી)
ઉચ્ચ
મધ્યમ-ઉચ્ચ
માનવ નિરીક્ષણ, ભૌતિક નિરીક્ષણ
રંગ રેસીપી
મધ્યમ
ઉચ્ચ
લેબોરેટરી સ્ટેનિંગ + સ્પેક્ટ્રોફોટોમીટર
પેટર્ન/સંગ્રહ
ઉચ્ચ (વિચાર)
માધ્યમ (કોપીરાઈટ)
અધિકૃતતા/ઉલ્લંઘનની ચકાસણી
તાકાત/સુરક્ષા ગણતરી
ઓછું (ફક્ત ડ્રાફ્ટ)
ખૂબ ઊંચી
સક્ષમ ઇજનેર + શારીરિક પરીક્ષણ
સામાન્ય ભૂલો
- ચોકસાઈ માટે ભૂલથી પ્રવાહિતા. ટેક્સ્ટ સાચો હોવાનો અર્થ એ નથી કે સંખ્યા સાચી છે.
- સ્ત્રોતને પૂછ્યા વિના સ્વીકારવું. "તમે કયા ડેટા પર આધાર રાખ્યો હતો?" દરેક ટિપ્પણી હેઠળ પ્રશ્ન મૂકવો જોઈએ.
- જેમ છે તેમ ગોપનીય ડેટા મોકલી રહ્યું છે. ગ્રાહક, પ્રિસ્ક્રિપ્શન અને કિંમતની માહિતી અનામી વિના શેર કરવી જોઈએ નહીં.
- એક એન્કર પર નિર્ભર. એકલી મહાનતા કે માત્ર વ્યાજબીતા પૂરતી નથી; નિર્ણાયક નિર્ણયોમાં શારીરિક પરીક્ષણ જરૂરી છે.
- નિર્ણય લેવા માટે AI ને ભૂલ કરવી. મોડેલ પૂર્વધારણાઓ પેદા કરે છે; એન્જિનિયર નિર્ણય અને જવાબદારી ધરાવે છે.
ટીપ: દરેક AI સત્રની શરૂઆત "સ્ત્રોતને ક્રેડિટ કરો અને જો તમને ખાતરી ન હોય તો મને જણાવો" સૂચના સાથે શરૂ કરવાથી પછીના તમામ આઉટપુટની ચકાસણીની ક્ષમતા ધરમૂળથી વધે છે.
સાવધાની: આઉટપુટનું જોખમ એ નુકસાન જેટલું જ છે જો તે આઉટપુટ ખામીયુક્ત હોય. જ્યારે મૂડબોર્ડ આઇડિયામાં ભૂલ હાનિકારક હોય છે, ત્યારે પેઇન્ટ રેસીપીની ભૂલને કારણે ઘણા બધા બગાડ અને કરાર દંડ થઈ શકે છે; તે મુજબ તમારી ચકાસણીની તીવ્રતા માપો.
સારાંશમાં
ટેક્સટાઇલ ચેઇનમાં દરેક ડેટા-સઘન લિંક પર AI એક શક્તિશાળી પ્રવેગક છે, પરંતુ તેની પ્રવાહી ભાષા ભૂલોને છુપાવી શકે છે. તે ડેટાની તૈયારી અને ડ્રાફ્ટ વર્કમાં સૌથી સુરક્ષિત રીતે મૂલ્ય ઉત્પન્ન કરે છે; અર્થઘટન અને નિર્ણાયક નિર્ણયોમાં, તે માત્ર એક પૂર્વધારણા જનરેટર છે. ત્રણ એન્કર - ક્રમની તીવ્રતા, પ્રક્રિયા/ભૌતિકશાસ્ત્રની બુદ્ધિગમ્યતા, ભૌતિક પરીક્ષણ - એ ફિલ્ટર છે જેના દ્વારા દરેક આઉટપુટ પસાર થવું જોઈએ. નિર્ણય અને જવાબદારી હંમેશા એન્જિનિયર પાસે રહે છે.
એપ્લિકેશન કાર્ય
તમારા પોતાના (અથવા કાલ્પનિક) કાપડ વ્યવસાયમાંથી એક અઠવાડિયા માટે લાક્ષણિક કાર્યોની સૂચિ બનાવો. દરેક કાર્યને "ડેટા તૈયારી / અર્થઘટન-વિશ્લેષણ / સંચાર" લેબલ આપો. પછી દરેક કાર્યને જોખમનું સ્તર (નીચું/મધ્યમ/ઉચ્ચ) આપો અને ઉચ્ચ જોખમની બાજુમાં કયા ભૌતિક પરીક્ષણ/મંજૂરી જરૂરી છે તે લખો. AI ને પણ આ એકમમાં ટેમ્પલેટ 4 ("નિર્ણય/સમર્થન તફાવત") સાથે આ સૂચિ બનાવવા માટે કહો અને તમારી પોતાની વિશિષ્ટતા સાથે તેની તુલના કરો.
ચેકલિસ્ટ
- [ ] હું દરેક AI સત્રની શરૂઆત સ્ત્રોત અને અનિશ્ચિતતા સૂચના સાથે કરું છું.
- [ ] હું ત્રણ એન્કર દ્વારા આઉટપુટ પસાર કરું છું: તીવ્રતાનો ક્રમ, પ્રક્રિયાની વ્યાજબીતા, ભૌતિક પરીક્ષણ.
- [ ] હું ગોપનીય ગ્રાહક/પ્રિસ્ક્રિપ્શન/કિંમત ડેટાને અનામી રાખું છું.
- [ ] હું જોખમના સ્તર અનુસાર કાર્યોને અલગ કરું છું અને નિર્ણાયક કાર્યો માટે એન્જિનિયરની મંજૂરી માંગું છું.
- [ ] હું AI ને પૂર્વધારણાઓ અને બ્લુપ્રિન્ટ્સના જનરેટર તરીકે સ્થાન આપું છું, નિર્ણય નિર્માતા તરીકે નહીં.