ജനറേറ്റീവ് AI എങ്ങനെയാണ് പ്രവർത്തിക്കുന്നത്?

നേട്ടങ്ങൾ:

• ടോക്കണിന് പ്രോബബിലിറ്റിയുടെയും പ്രവചനത്തിൻ്റെയും ആശയങ്ങൾ അവബോധപൂർവ്വം വിശദീകരിക്കാൻ കഴിയും
• ഒരു ഭാഷാ മോഡൽ 'പീസ്മീൽ' എന്ന വാചകം നിർമ്മിക്കുന്നത് എന്തുകൊണ്ടാണെന്ന് മനസ്സിലാക്കുന്നു
• എന്തുകൊണ്ടാണ് മോഡൽ ചിലപ്പോൾ നിർണ്ണായകമായും ചിലപ്പോൾ ക്രിയാത്മകമായും പെരുമാറുന്നത് എന്ന് വ്യാഖ്യാനിക്കാൻ കഴിയും

നിങ്ങൾ "ഇസ്താംബൂളിനെക്കുറിച്ചുള്ള ഏറ്റവും മികച്ച കാര്യം" ഒരു ഭാഷാ മാതൃകയിൽ എഴുതുമ്പോൾ, അത് കുറച്ച് നിമിഷങ്ങൾക്കുള്ളിൽ ഒഴുക്കുള്ള ഒരു ഖണ്ഡിക സൃഷ്ടിക്കുന്നു. ഇത് എങ്ങനെ സംഭവിക്കുന്നു? മോഡൽ ശരിക്കും "ചിന്തിക്കുന്നുണ്ടോ" അതോ അതിലും ലളിതവും എന്നാൽ ശക്തവുമായ ഒരു സംവിധാനമുണ്ടോ? സാങ്കേതിക സമവാക്യങ്ങളിലേക്ക് കടക്കാതെ ശരിയായ അവബോധം സ്ഥാപിച്ചുകൊണ്ട് ജനറേറ്റീവ് AI എങ്ങനെ പ്രവർത്തിക്കുന്നുവെന്ന് ഈ യൂണിറ്റിൽ ഞങ്ങൾ വിശദീകരിക്കും. ഈ അവബോധമാണ് തുടർന്നുള്ള എല്ലാത്തിനും അടിസ്ഥാനം-പ്രത്യേകിച്ച് ഭ്രമാത്മകത, സ്ഥിരീകരണം, നല്ല വേഗത്തിലുള്ള എഴുത്ത് എന്നീ വിഷയങ്ങൾ. ജനറേറ്റീവ് AI, അതായത്, "ജനറേറ്റീവ് ആർട്ടിഫിഷ്യൽ ഇൻ്റലിജൻസ്", നിലവിലുള്ള ഉത്തരം കണ്ടെത്തുന്നതിനും കണ്ടെത്തുന്നതിനും പകരം ആദ്യം മുതൽ ടെക്‌സ്‌റ്റ് സൃഷ്‌ടിക്കുന്ന ഉപകരണങ്ങളുടെ പൊതുവായ പേരാണ്.

അടിസ്ഥാന ആശയം: അടുത്ത ഭാഗം പ്രവചിക്കുന്നു

ഒരു ഭാഷാ മോഡൽ പഠിക്കുന്ന ഒരേയൊരു അടിസ്ഥാന ദൗത്യം "ഒരു വാചകത്തിൻ്റെ ഏത് ഭാഗമാണ് പിന്തുടരാൻ സാധ്യത?" എന്നതാണ് അതിശയിപ്പിക്കുന്ന കാര്യം. എന്ന ചോദ്യത്തിന് ഉത്തരം നൽകുക എന്നതാണ്. മാതൃക ഒരു സമ്പൂർണ്ണ വാക്യം തയ്യാറാക്കി നിങ്ങളുടെ മുന്നിൽ അവതരിപ്പിക്കുന്നില്ല. പകരം, അത് ഇടത്തുനിന്ന് വലത്തോട്ട് കഷണങ്ങളായി വാക്യം നിർമ്മിക്കുന്നു.

ഘട്ടം ഘട്ടമായി ഇത് എങ്ങനെ പ്രവർത്തിക്കുന്നു എന്നത് ഇതാ:

1. നിങ്ങൾ എഴുതുന്ന വാചകം (പ്രോംപ്റ്റ്) ഇത് വായിക്കുന്നു.
2. ഈ വാചകം പിന്തുടരാൻ ഏറ്റവും സാധ്യതയുള്ള ഭാഗം പ്രവചിക്കുന്നു.
3. ആ ഭാഗം ചേർക്കുന്നു.
4. ഇത് വീണ്ടും പുതുതായി രൂപപ്പെടുത്തിയ വാചകത്തിലേക്ക് നോക്കുകയും അടുത്ത ഏറ്റവും സാധ്യതയുള്ള ഭാഗം ഊഹിക്കുകയും ചെയ്യുന്നു.
5. ഉത്തരം പൂർത്തിയാകുന്നതുവരെ ആവർത്തിക്കുന്നു.

ഉദാഹരണം: "രാവിലെ എഴുന്നേൽക്കുമ്പോൾ ഒരു ചൂടുള്ള കപ്പ് കഴിക്കൂ..." എന്ന വാചകമാണ് നിങ്ങൾ മോഡലിന് നൽകിയതെങ്കിൽ, ഏറ്റവും സാധ്യതയുള്ള തുടർച്ച "ചായ" അല്ലെങ്കിൽ "കാപ്പി" ആയിരിക്കും; "അസ്ഫാൽറ്റ്" അല്ല. ദശലക്ഷക്കണക്കിന് ഗ്രന്ഥങ്ങളിൽ നിന്ന് അത്തരം സാധ്യതകൾ മോഡൽ പഠിച്ചു. തുടർന്ന് അവൻ "ചായ" ചേർക്കുന്നു, തുടർന്ന് പുതിയ വാചകം നോക്കുകയും അടുത്ത ഏറ്റവും സാധ്യതയുള്ള ഭാഗം ഊഹിക്കുകയും ചെയ്യുന്നു.

മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, ഓരോ ഘട്ടത്തിലും, മോഡൽ എഴുതിയത് നോക്കി അടുത്ത ഘട്ടം എടുക്കുന്നു. അതുകൊണ്ടാണ് ഇതിനെ ചിലപ്പോൾ "ഓട്ടോകംപ്ലീറ്റിൻ്റെ വളരെ വിപുലമായ പതിപ്പ്" എന്ന് വിളിക്കുന്നത്. എന്നാൽ ഈ സാമ്യം പ്രതിഭയെ ചെറുതാക്കരുത്; ശരിയായ സ്കെയിലിൽ, ഈ പ്രവചനത്തിന് ന്യായവാദം പോലെ തോന്നിക്കുന്ന ഫലങ്ങൾ സൃഷ്ടിക്കാൻ കഴിയും.

ടോക്കൺ: ഒരു വാക്കിൻ്റെ ചെറിയ കഷണങ്ങൾ

മോഡൽ യഥാർത്ഥത്തിൽ പ്രവർത്തിക്കുന്നത് പൂർണ്ണമായ "വാക്കുകൾ" ഉപയോഗിച്ചല്ല, മറിച്ച് ടോക്കണുകൾ എന്ന് വിളിക്കപ്പെടുന്ന ചെറിയ കഷണങ്ങൾ ഉപയോഗിച്ചാണ്. ഒരു ടോക്കൺ; ചിലപ്പോൾ ഇത് മുഴുവൻ പദമാണ്, ചിലപ്പോൾ ഇത് ഒരു വാക്കിൻ്റെ ഭാഗമാണ്, ചിലപ്പോൾ ഇത് ഒരു വിരാമചിഹ്നമാണ്.

• "പുസ്തകം" എന്നത് ഒരൊറ്റ ടോക്കൺ ആകാം.
• "നമ്മുടെ പുസ്തകങ്ങളിൽ നിന്ന്" എന്നത് "പുസ്തകം", "കൾ", "ഞങ്ങളുടെ", "നിന്ന്" എന്നിങ്ങനെ പല ടോക്കണുകളായി തിരിക്കാം.
• സ്‌പെയ്‌സുകളും വിരാമചിഹ്നങ്ങളും ടോക്കണുകളായി കണക്കാക്കുന്നു.

ശ്രദ്ധിക്കുക: ടോക്കൺ ഒരു സാങ്കേതിക വിശദാംശം മാത്രമല്ല. മിക്ക AI ടൂളുകളും ടോക്കണുകളുടെ എണ്ണം അനുസരിച്ച് ചാർജ് ചെയ്യുന്നു, കൂടാതെ ഒരു സമയം പ്രോസസ്സ് ചെയ്യാനാകുന്ന ടെക്സ്റ്റ് (സന്ദർഭ വിൻഡോ) മോഡലുകളുടെ ദൈർഘ്യവും ടോക്കണുകളിൽ പരിമിതമാണ്. അതിനാൽ "നിങ്ങൾ എത്രത്തോളം എഴുതുന്നു" എന്നത് നേരിട്ടുള്ള ചെലവും പരിധിയുമാണ്.

പ്രോബബിലിറ്റിയും "ഊഷ്മളതയും": നിർണ്ണയം അല്ലെങ്കിൽ സർഗ്ഗാത്മകത?

ഓരോ ഘട്ടത്തിലും, മോഡൽ ഒരു കൃത്യമായ ഉത്തരമല്ല, സാധ്യമായ തുടർച്ചകളുടെ ഒരു പ്രോബബിലിറ്റി ലിസ്റ്റ് നിർമ്മിക്കുന്നു. ഉദാഹരണത്തിന്, "ചൂട്" എന്ന വാക്കിന് ശേഷം: ചായ 55%, കാപ്പി 35%, പാൽ 7%, മറ്റ് 3%. അപ്പോൾ അവൻ ഏതാണ് തിരഞ്ഞെടുക്കുന്നത്?

ഇവിടെ, താപനില എന്ന ഒരു ക്രമീകരണം പ്രവർത്തിക്കുന്നു. മോഡൽ എത്രത്തോളം "റിസ്ക്" ചെയ്യുമെന്ന് നിർണ്ണയിക്കുന്ന ഒരു തരം സർഗ്ഗാത്മകതയാണ് താപനില.

ക്രമീകരണം

പെരുമാറ്റം

ഉപസംഹാരം

ഇത് എവിടെയാണ് ഉപയോഗപ്രദം?

കുറഞ്ഞ താപനില

എല്ലായ്പ്പോഴും ഏറ്റവും സാധ്യതയുള്ള ഓപ്ഷൻ എടുക്കുന്നു

സ്ഥിരതയുള്ള, ആവർത്തിക്കാവുന്ന

നിയമ സംഗ്രഹം, സാങ്കേതിക വിവരണം, ഡാറ്റ എക്സ്ട്രാക്ഷൻ

ഇടത്തരം താപനില

സമതുലിതമായ തിരഞ്ഞെടുപ്പ്

സ്വാഭാവികവും എന്നാൽ സ്ഥിരതയുള്ളതും

പൊതുവായ ഇമെയിൽ, റിപ്പോർട്ട് ഡ്രാഫ്റ്റ്

ഉയർന്ന താപനില

സാധ്യത കുറഞ്ഞ ഓപ്ഷനുകൾ പരീക്ഷിക്കുന്നു

സൃഷ്ടിപരമായ, വൈവിധ്യമാർന്ന, പ്രവചനാതീതമായ

മസ്തിഷ്കപ്രക്ഷോഭം, മുദ്രാവാക്യം, നാമനിർമ്മാണം

ഇത് പതിവായി ചോദിക്കുന്ന ചോദ്യവും വിശദീകരിക്കുന്നു: "ഞാൻ ഒരേ ചോദ്യം രണ്ടുതവണ ചോദിക്കുമ്പോൾ എനിക്ക് വ്യത്യസ്തമായ ഉത്തരങ്ങൾ ലഭിക്കുന്നത് എന്തുകൊണ്ട്?" കാരണം തിരഞ്ഞെടുക്കൽ പ്രക്രിയയിൽ ചില ക്രമരഹിതതയുണ്ട്; മോഡൽ ഒരു ഡാറ്റാബേസിൽ നിന്ന് സ്ഥിരമായ ഉത്തരം നൽകുന്നില്ല, അത് ഓരോ തവണയും അത് പുനർനിർമ്മിക്കുന്നു.

ദുർബലമായ പ്രോംപ്റ്റ് / ശക്തമായ പ്രോംപ്റ്റ്

മോഡൽ "പ്രോബബിലിറ്റി" ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്നുവെന്ന് അറിയുന്നത്, നിങ്ങൾ അതിനെ എങ്ങനെ നിർദ്ദേശിക്കുന്നു എന്നതും മാറ്റുന്നു. നിങ്ങൾ കൂടുതൽ സന്ദർഭം നൽകുന്നു, ശരിയായ തുടർച്ചയായിരിക്കും കൂടുതൽ സാധ്യത.

ദുർബലമായ നിർദ്ദേശം: ഒരു ആമുഖ വാചകം എഴുതുക.

ഫലം: ഏത് ഉൽപ്പന്നം, ഏത് പ്രേക്ഷകർ, ഏത് ടോൺ എന്നിവ അറിയാത്തതിനാൽ മോഡൽ ഏറ്റവും "ശരാശരി", പൊതുവായ വാചകം നിർമ്മിക്കുന്നു.

ശക്തമായ നിർദ്ദേശം: ഒരു ചെറിയ കഫേയുടെ പുതിയ ഫിൽട്ടർ കോഫിക്കായി ഒരു ഇൻസ്റ്റാഗ്രാം പ്രൊമോഷണൽ വാചകം എഴുതുക. പ്രേക്ഷകർ: 25-35 വയസ്സ്, കാപ്പി പ്രേമി. ടോൺ: സൗഹൃദം, ഹ്രസ്വം. പരമാവധി 3 വാക്യങ്ങൾ, അവസാനം 2 ഹാഷ്‌ടാഗുകൾ.

ഫലം: സന്ദർഭം സാധ്യതകളെ ചുരുക്കുന്നതിനാൽ പ്രസക്തമായ ഉപയോഗയോഗ്യമായ ഒരു വാചകം.

മൂന്ന് മിനി കേസുകൾ

കേസ് 1 - മാർക്കറ്റിംഗ്, ഉയർന്ന ഇനം. ഒരു പുതിയ ഉൽപ്പന്നത്തിനായി ഒരു ടീമിന് 30 മുദ്രാവാക്യങ്ങൾ വേണം. ഉയർന്ന താപനില ക്രമീകരണം ഉപയോഗിച്ച്, മോഡൽ വ്യത്യസ്തവും ക്രിയാത്മകവുമായ ഓപ്ഷനുകൾ നിർമ്മിച്ചു; ടീം 30-ൽ 4 എണ്ണം തിരഞ്ഞെടുത്ത് വികസിപ്പിക്കുന്നു. ആകെ സമയം: 10 മിനിറ്റ്. ഇത് കൈകൊണ്ട് ചെയ്താൽ പകുതി ദിവസം എടുക്കും.

കേസ് 2 - നിയമം, ഉയർന്ന ദൃഢനിശ്ചയം. അതേ കമ്പനിയുടെ നിയമസംഘം ഒരു കരാർ വ്യവസ്ഥ ലളിതമാക്കുകയായിരുന്നു. അവർക്ക് വേണ്ടത് സ്ഥിരതയാണ്, സർഗ്ഗാത്മകതയല്ല; കുറഞ്ഞ താപനിലയിൽ മോഡൽ ഓരോ തവണയും ഏതാണ്ട് ഒരേ, യാഥാസ്ഥിതിക സംഗ്രഹം നൽകി. അതിനാൽ, വ്യത്യസ്ത പരീക്ഷണങ്ങൾക്കിടയിൽ പൊരുത്തക്കേടുകളൊന്നും ഉണ്ടായിരുന്നില്ല.

കേസ് 3 - "എന്തുകൊണ്ടാണ് ഇത് മാറിയത്?" ചോദ്യം. ഒരു ജീവനക്കാരൻ ഒരേ ഇമെയിൽ ഡ്രാഫ്റ്റ് രണ്ടുതവണ അഭ്യർത്ഥിക്കുകയും രണ്ട് വ്യത്യസ്ത ഫലങ്ങൾ ലഭിക്കുകയും ചെയ്തു; അതൊരു "തെറ്റ്" ആണെന്ന് അയാൾ കരുതി. വാസ്തവത്തിൽ, ഇത് മോഡലിൻ്റെ ക്രമരഹിതതയുടെ സ്വാഭാവിക അനന്തരഫലമാണ്. ജോലിക്കാരൻ തനിക്ക് ഇഷ്ടപ്പെട്ട പതിപ്പ് സേവ് ചെയ്യാൻ പഠിച്ചുകഴിഞ്ഞാൽ, ആവശ്യമെങ്കിൽ "മുമ്പത്തെപ്പോലെ ഉണ്ടാക്കുക" എന്ന് പറയുക, ഒരു പ്രശ്നവുമില്ല.

മോഡലിന് "കിട്ടിയോ"?

ഏറ്റവും കൗതുകകരമായ ചോദ്യമാണിത്. മോഡൽ വാക്കുകൾ തമ്മിലുള്ള സ്ഥിതിവിവരക്കണക്ക് ബന്ധങ്ങൾ വളരെ നന്നായി പഠിച്ചു, അത് പല ജോലികളും മനസ്സിലാക്കുന്നതായി നടിക്കുന്നു. എന്നാൽ അതിന് ബോധപൂർവമായ ധാരണയോ ഉദ്ദേശ്യമോ യാഥാർത്ഥ്യത്തെ നിയന്ത്രിക്കുന്ന സംവിധാനമോ ഇല്ല. ഇത് "ഏറ്റവും സാധ്യതയുള്ള തുടർച്ച" നിർമ്മിക്കുന്നു; "ഏറ്റവും കൃത്യമായ വിവരങ്ങൾ" നിർമ്മിക്കുന്നതിന് ഇത് ഉറപ്പുനൽകുന്നില്ല. ഈ വ്യതിരിക്തതയാണ് ഹാലുസിനേഷൻ എന്ന വിഷയത്തിൻ്റെ അടിസ്ഥാനം, അത് അടുത്ത യൂണിറ്റുകളിൽ നമ്മൾ ചർച്ച ചെയ്യും.

സാധാരണ തെറ്റുകൾ

സാധാരണ തെറ്റുകൾ

• ഒരു സെർച്ച് എഞ്ചിൻ എന്ന മോഡൽ തെറ്റിദ്ധരിക്കുന്നു. മോഡൽ ഇൻ്റർനെറ്റിൽ തിരയുകയും ഉറവിടങ്ങൾ വീണ്ടെടുക്കുകയും ചെയ്യുന്നില്ല (ഒരു പ്രത്യേക തിരയൽ സവിശേഷത ഇല്ലെങ്കിൽ); മെമ്മറിയിൽ നിന്ന് സാധ്യമായ വാചകം സൃഷ്ടിക്കുന്നു. അതിനാൽ അവന് ഉറവിടം/ചിത്രം ഉണ്ടാക്കാം.
• ഫ്ലൂൻസി കൃത്യതയ്ക്കായി തെറ്റിദ്ധരിക്കുന്നു. വാചകം മനോഹരവും ആത്മവിശ്വാസവും ഉള്ളതിനാൽ അതിൻ്റെ ഉള്ളടക്കം ശരിയാണെന്ന് അർത്ഥമാക്കുന്നില്ല.
• ഓരോ തവണയും ഒരേ ഉത്തരം പ്രതീക്ഷിക്കുന്നു. ക്രമരഹിതം സ്വാഭാവികമാണ്; നിർണായക ജോലികൾക്കായി നിങ്ങൾ ഇഷ്ടപ്പെടുന്ന ഔട്ട്പുട്ട് സംരക്ഷിക്കുക.
• വളരെ ദൈർഘ്യമേറിയതും അനാവശ്യവുമായ വാചകം ഒട്ടിക്കുകയും ടോക്കൺ പരിധി ഉയർത്തുകയും ചെയ്യുന്നു. ദൈർഘ്യം രണ്ടും ചെലവ് വർദ്ധിപ്പിക്കുകയും മോഡലിൻ്റെ ശ്രദ്ധ വ്യതിചലിപ്പിക്കുകയും ചെയ്യും; ആവശ്യമായ സന്ദർഭം മാത്രം നൽകുക.

ശ്രദ്ധിക്കുക: മോഡൽ ഒഴുക്കോടെയും ആത്മവിശ്വാസത്തോടെയും സംസാരിക്കുന്നു എന്നതുകൊണ്ട് അവൾ ശരിയായി സംസാരിക്കുന്നുവെന്ന് അർത്ഥമാക്കുന്നില്ല. പ്രോബബിലിറ്റി എസ്റ്റിമേഷൻ്റെ സ്വാഭാവിക പരിണതഫലമാണ് ഒഴുക്ക്; വെവ്വേറെയും സ്വതന്ത്രമായും പരിശോധിക്കേണ്ട ഒന്നാണ് കൃത്യത.

ചുരുക്കത്തിൽ

• ജനറേറ്റീവ് AI അടുത്ത ഏറ്റവും സാധ്യതയുള്ള ശകലം (ടോക്കൺ) പ്രവചിച്ചുകൊണ്ട് ഘട്ടം ഘട്ടമായി ടെക്‌സ്‌റ്റ് സൃഷ്‌ടിക്കുന്നു; വാക്യം ഓരോന്നായി നിർമ്മിക്കുന്നു.
• ടോക്കണുകൾ വാക്കുകളുടെ ചെറിയ ഭാഗങ്ങളാണ്, വിലയും ദൈർഘ്യവും പരിധി നിശ്ചയിക്കുന്നു.
• ഓരോ ഘട്ടത്തിലും, മോഡൽ സാധ്യതകളുടെ ഒരു ലിസ്റ്റ് നിർമ്മിക്കുന്നു; ഔട്ട്‌പുട്ട് എത്രത്തോളം സ്ഥിരതയുള്ളതോ സർഗ്ഗാത്മകമോ ആയിരിക്കുമെന്ന് താപനില ക്രമീകരണം നിർണ്ണയിക്കുന്നു.
• ഒരേ ചോദ്യത്തിനുള്ള വ്യത്യസ്ത ഉത്തരങ്ങളുടെ കാരണം ഈ പ്രക്രിയയിൽ അന്തർലീനമായ ക്രമരഹിതമാണ്.
• മോഡൽ ഒഴുക്കോടെ സംസാരിക്കുന്നു, എന്നാൽ ഇത് അവൾ സത്യമാണ് പറയുന്നതെന്ന് ഉറപ്പുനൽകുന്നില്ല; ഒഴുക്കും കൃത്യതയും വ്യത്യസ്ത കാര്യങ്ങളാണ്.

ആപ്ലിക്കേഷൻ ടാസ്ക്

നിങ്ങളുടെ AI ടൂളിന് ഒരേ ക്രിയേറ്റീവ് ടാസ്‌ക് നൽകുക (ഉദാ. “വേഗത്തിലുള്ള നന്ദി കുറിപ്പ് എഴുതുക”) തുടർച്ചയായി രണ്ടുതവണ, ഔട്ട്‌പുട്ടുകൾ എങ്ങനെ വ്യത്യാസപ്പെട്ടിരിക്കുന്നുവെന്ന് നിരീക്ഷിക്കുക. “പവർഫുൾ പ്രോംപ്റ്റ്” ടെംപ്ലേറ്റ് ഉപയോഗിച്ച് അതേ ടാസ്‌ക് ആവർത്തിക്കുക, സന്ദർഭം ചേർക്കുക, രണ്ട് ഫലങ്ങൾ തമ്മിലുള്ള ഗുണനിലവാരത്തിലെ വ്യത്യാസം ശ്രദ്ധിക്കുക.

ചെക്ക്‌ലിസ്റ്റ്

• [ ] "അടുത്ത സാധ്യമായ ഭാഗം പ്രവചിച്ചുകൊണ്ട്" മോഡൽ വാചകം നിർമ്മിക്കുന്നുവെന്ന് എനിക്ക് വിശദീകരിക്കാൻ കഴിയും.
• ടോക്കൺ എന്താണെന്നും അത് ചെലവ്/പരിധി എന്തിനാണെന്നും എനിക്കറിയാം.
• [ ] നിശ്ചയദാർഢ്യം ആവശ്യമുള്ളതും സർഗ്ഗാത്മകത ആവശ്യമുള്ളതുമായ ജോലികൾ തമ്മിൽ എനിക്ക് വേർതിരിച്ചറിയാൻ കഴിയും.
• [ ] ഒരേ ചോദ്യത്തിന് വ്യത്യസ്ത ഉത്തരങ്ങൾ ലഭിക്കുന്നത് സാധാരണമാണെന്ന് എനിക്കറിയാം.
• [ ] ഒഴുക്ക് കൃത്യതയ്ക്ക് ഒരു ഗ്യാരണ്ടിയുമല്ലെന്ന് ഞാൻ ആന്തരികവൽക്കരിച്ചു.