ලාභ:
- රෙදිපිළි නිෂ්පාදනය, ගුණාත්මකභාවය, සැලසුම් සහ සැපයුම් දාම වැඩ ප්රවාහය තුළ කෘතිම බුද්ධිය සැබෑ වටිනාකමක් ඇති කරන්නේ කොතැනද සහ ඉංජිනේරුවන්ගේ වගකීම ලෙස පැවතිය යුතු තීරණ වෙන්කර හඳුනා ගැනීමේ හැකියාව.
- භෞතික පරීක්ෂණ, රසායනාගාර මිනුම් සහ විශාලත්වයේ ඇණවුම් සමඟ එක් එක් AI ප්රතිදානය හරස් වලංගු කරන නැංගුරම් විෂයයන් තුනක් යෙදීමේ හැකියාව
- මායාව, දත්ත රහස්යභාවය සහ නිර්මාණ ප්රකාශන හිමිකම පිළිබඳ අවදානම හඳුනා ගැනීම සහ සන්දර්භය නිර්නාමික කිරීම මගින් ආරක්ෂිත විමසීම් සැකසීමේ පුරුද්ද වර්ධනය කිරීම.
රෙදිපිළි ඉංජිනේරු විද්යාව යනු කෙඳි මට්ටමේ ඇති අන්වීක්ෂීය ව්යුහයක් අවසානයේ රෙදි මීටර බවටත් පසුව කෑලි මිලියන ගණනක එකතුවක් බවටත් පත්වන අන්තයේ සිට අවසානය දාම ඉංජිනේරු විද්යාවකි. මෙම දාමයේ එක් එක් සබැඳිය තුළ සංඛ්යාත්මක දත්ත නිපදවනු ලැබේ: නූල් ගණන සහ ඇඹරීම, රෙදි වල බර සහ ඝනත්වය, ඩයි වට්ටෝරුවේ ග්රෑම් / ලීටර් අගයන්, තත්ත්ව පාලනයේ ගණනය කර ඇති දෝෂ, සැපයුම්කරු බෙදා හැරීමේ වේලාවන්, ගබඩා විකුණුම් සංඛ්යා. කෘතිම බුද්ධිය (ඉංග්රීසියෙන් AI; විශාල දත්ත රටා වලින් ඉගෙන ගන්නා සහ පෙළ/රූප/අංක නිපදවන මෘදුකාංග පද්ධති) මෙම දත්ත තීව්ර දාමයේ විශිෂ්ට ත්වරණයකි. නමුත් එම කෘත්රිම බුද්ධියටම එහි චතුර සහ විශ්වාසී භාෂාව නිසා වැරදි පහසුවෙන් සැඟවිය හැක. මෙම ඒකකය සම්පූර්ණ මොඩියුලය ගොඩනගනු ලබන අත්තිවාරම් දෙක තබයි: රෙදිපිළි වැඩ ප්රවාහය තුළ කෘතිම බුද්ධිය සැබෑ වටිනාකමක් නිපදවන්නේ කොතැනද සහ අපි එක් එක් ප්රතිදානය වලංගු කරන්නේ කෙසේද.
අපි ආරම්භයේ සිටම පැහැදිලි වෙමු: ඔබ මෙම මොඩියුලයේ ඉගෙන ගන්නා ඕනෑම තාක්ෂණයක් සුදුසුකම් ලත් රෙදිපිළි ඉංජිනේරුවෙකු හෝ රසායනාගාරයක්, භෞතික පරීක්ෂණ සහ ඔබේ වෘත්තීය විනිශ්චය මගින් අනුමැතිය සඳහා ආදේශකයක් නොවේ. කෘතිම බුද්ධිය සහායකයෙකි; වේගයෙන් කියවයි, වේගයෙන් ලියයි, රටා අල්ලා ගනී. නමුත් ඩයි රෙසිපියක් වැඩ නොකර රෙදි ටොන් ගනන් අපතේ යනවා නම්, ගුණාත්මක තීරණයක් වැරදි නම් සහ වැරදි කණ්ඩායම පාරිභෝගිකයා වෙත ගියහොත්, ශක්තිය ගණනය කිරීම අතුරුදහන් වී නිෂ්පාදනය භාවිතයේ ඉරී ගියහොත්, වගකීම ඇත්තේ මෘදුකාංගයට නොව, එය තීරණය කර අත්සන් කළ ඉංජිනේරුවරයාට ය. මොඩියුලයේ එක් එක් ඒකකය තුළ ඔබට මෙම වාක්යය නැවත විවිධ ආකාරවලින් පෙනෙනු ඇත, මන්ද එය ආරක්ෂාව සහ කොන්ත්රාත්තු විවේචනාත්මක ඉංජිනේරු විද්යාවේ එකම සත්යය වන බැවිනි.
කෘත්රිම බුද්ධිය රෙදිපිළි වැඩ ප්රවාහයේ වටිනාකමක් ඇති කරන්නේ කොතැනින්ද?
රෙදිපිළි ඉංජිනේරුවෙකුගේ සතිය දළ වශයෙන් වැඩ වර්ග තුනකට බෙදා ඇත: දත්ත සකස් කිරීම (නිෂ්පාදන වාර්තා සංස්කරණය කිරීම, විද්යාගාර මුද්රණ පිටපත් කිරීම, නොගැලපෙන ඒකක ඉවත් කිරීම), අර්ථ නිරූපණය සහ විශ්ලේෂණය (පරාමිති ප්රශස්තකරණය, දෝෂ වර්ගීකරණය, වර්ණ ගැලපීම, ඉල්ලුම පුරෝකථනය) සහ සන්නිවේදනය (තාක්ෂණ වාර්තාව, සැපයුම්කරු ලිපි හුවමාරුව, එකතු කිරීම ඉදිරිපත් කිරීම, මූඩ්බෝඩ්). AI ක්ෂේත්ර තුනම ස්පර්ශ කරයි, නමුත් එහි දායකත්වය සහ අවදානම එක් එක් අංශවල වෙනස් වේ.
දත්ත සැකසීම යනු කෘතිම බුද්ධියේ ආරක්ෂිතම සහ වඩාත්ම ලාභදායී ක්ෂේත්රයයි. නිදහස්-පෙළ නිෂ්පාදන සටහන් ව්යුහගත වගු බවට පරිවර්තනය කිරීම, විවිධ නූල් ගණන් කිරීමේ පද්ධති ප්රමිතිගත කිරීම, Uster ප්රතිදානයේ පේළි දහස් ගණනකින් පිටස්තර සලකුණු කිරීම - මේවා පුනරාවර්තන, රීති මත පදනම් වූ, සත්යාපනය කිරීමට පහසු කාර්යයන් වේ. මෙහි දෝෂයක් ඇති වුවද, මූලාශ්රය වෙත ආපසු ගොස් (අමු දත්ත) එය පරීක්ෂා කිරීමට මිනිත්තු කිහිපයක් ගතවනු ඇත.
අර්ථ නිරූපණය සහ විශ්ලේෂණ ක්ෂේත්රය ඉහළම අගය සහ ඉහළම අවදානම දරයි. AI හට නිෂ්පාදන දත්ත වලින් දෝෂයක මූල හේතුව ගැන උපකල්පනයක් ජනනය කළ හැක; පළපුරුදු ඇසකට මග හැරිය හැකි සහසම්බන්ධයක් එයින් හෙළි විය හැකිය. නමුත් එම ආකෘතියට නොපවතින සම්මතයක් හෝ කල්පිත ඉවසීමේ අගයක් විශ්වාසයෙන් යුතුව නිපදවිය හැකිය (මෙම සංසිද්ධිය මායාව ලෙස හැඳින්වේ: ආකෘතිය ඇත්ත වශයෙන්ම නොපවතින තොරතුරු නිපදවයි, එය සැබෑවක් මෙන්). මෙම ක්ෂේත්රය තුළ, AI යනු උපකල්පිත උත්පාදකයකි, තීරණ ගන්නෙකු නොවේ.
සන්නිවේදන ක්ෂේත්රයේ කෘතිම බුද්ධිය යනු කෙටුම්පත් ත්වරණයකි. තාක්ෂණික වාර්තාවක ක්රම අංශය, සැපයුම්කරු ඊමේල්, එකතු කිරීමේ ආඛ්යානය මිනිත්තු කිහිපයකින් කෙටුම්පත් කරයි. මෙහි ඇති අවදානම නම්, සාදන ලද අංක සහ වැරදි නියමයන් ගලා යන පාඨයක නොදැනුවත්වම අත්සනට ඇතුල් විය හැකි වීමයි.
වලංගු කිරීමේ විනය: ඇන්කර් තුනේ රීතිය
මෙම මොඩියුලයේ හදවත එක් පුරුද්දකි: කිසිවිටෙක AI ප්රතිදානයක් වලංගු කිරීමකින් තොරව නිෂ්පාදනයක් හෝ තත්ත්ව තීරණයකට ඇතුළත් නොකරන්න. අපි ස්වාධීන නැංගුරම් තුනක් මත වලංගුකරණය පදනම් කරමු.
පළමු නැංගුරම - විශාලත්වයේ අනුපිළිවෙල. ප්රතිඵලය දළ වශයෙන් අපේක්ෂිත පරාසය තුළ තිබේද? වළලු කපු නූල් වල ශක්තිය සාමාන්යයෙන් 12-22 cN/tex පරාසයක පවතී (ටෙක්ස් එකකට centinewton; නූල් රේඛීය ඝනත්වයකට ඔරොත්තු දිය හැකි බලය); ආකෘතිය 85 cN/tex ලබා දුන්නේ නම්, මෙය aramid වැනි ඉහළ කාර්ය සාධන තන්තු මට්ටමක් වන අතර කපු සඳහා විහිළුවක් වේ. ටී-ෂර්ට් රෙදි වල ව්යාකරණ 120-220 g/m² පමණ වේ; 20 g/m² tulle, 900 g/m² කාපට්. මෙම චෙක්පත තත්පර කිහිපයක් ගත වන අතර බොහෝ දෝෂ අල්ලා ගනී.
දෙවන නැංගුරම - ක්රියාවලි/භෞතික විද්යාව පිළිගත හැකි බව. ප්රතිදානය ක්රියාවලියේ භෞතික විද්යාවට අනුකූලද? twist වැඩි වන විට සීමාවකින් තොරව ශක්තිය වැඩි වන බව ප්රකාශ කරන්නේ නම් ආකෘතිය වැරදිය; යම් විකෘති සංගුණකයකින් පසුව, ශක්තිය අඩු වේ (අධික ලෙස ඇඹරීම තන්තු භංගුර කරයි). කපු වලට වඩා පොලියෙස්ටර් වලට ප්රතික්රියාශීලී සායම් නිර්දේශ කිරීම රසායනිකව නොගැලපේ. ක්රියාවලි දැනුම යනු සෑම අර්ථකථනයක්ම සමත් විය යුතු සාධාරණත්වයේ පෙරහනයි.
තුන්වන නැංගුරම - භෞතික පරීක්ෂණ / මිනුම්. මෙය ශක්තිමත්ම නැංගුරමයි. රසායනාගාර ඩයි කිරීම, වර්ණාවලීක්ෂ දර්ශක (වර්ණ වර්ණාවලි මනින උපාංගය) කියවීම, ආතන්ය-කඳුළු පරීක්ෂාව, භෞතික රෙදි පරීක්ෂාව. AI විසින් යෝජනා කරන ලද සායම් වට්ටෝරුවක් පළමුව රසායනාගාර පරීක්ෂණයකදී පරීක්ෂා කරනු ලැබේ. දෝෂ වර්ගීකරණයක් සත්ය සාම්පලයේ මිනිස් ඇස මගින් තහවුරු වේ. භෞතික යථාර්ථය සැමවිටම ජය ගනී.
කුඩා අවස්ථා තුනක්: අංක අනුව
1 වන අවස්ථාව - වාර්තා ස්වයංක්රීයකරණයේ කාලය ඉතිරි කිරීම. ගුණාත්මක ඉංජිනේරුවෙක් රෙදි රෝල් 60ක ලකුණු 4ක පරීක්ෂණ ප්රතිඵල එක්සෙල් වෙත අතින් ඇතුල් කර සාරාංශ වාර්තාවක් ලියමින් සිටියේය. රෝල් එකකට සාමාන්ය මිනිත්තු 12ක්, මුළු පැය 12ක් පමණ. AI බලයෙන් ක්රියාත්මක වන වගු සහ සාරාංශගත කිරීමේ ප්රවාහයක් සමඟින්, ඔහු පළමු කෙටුම්පත දළ වශයෙන් පැය 2කට අඩු කළේය, ඉතිරි කාලය ලකුණුවල නිරවද්යතාවය දෘෂ්යව පරීක්ෂා කිරීමට කැප කළේය. වැදගත්ම දෙය නම් ඉතිරි කළ කාලය පාලනය කිරීම සඳහා වැය කිරීමයි.
නඩුව 2 - අල්ලාගත් මායාව. රෙද්දක් සඳහා වන සත්කාර ලේබල ප්රමිතිය පිළිබඳව සීමාවාසිකයෙකු AI වෙතින් විමසූ විට, එම පාඨයේ “40°C සීමාව ISO 3758 අනුව අනිවාර්ය වේ” යන නිශ්චිත වාක්යය අඩංගු විය; කෙසේ වෙතත්, සම්මතයට එවැනි අවශ්යතාවක් නොතිබුණි, ආකෘතිය සෑදී ඇත. ක්රියාවලි සාධාරණත්වයේ පෙරහන සහ සම්මතයේ මුල් පෙළ බැලීමේ පුරුද්ද ලේබලය මුද්රණය කිරීමට පෙර දෝෂයට හසු විය.
නඩුව 3 - ඒකක දෝෂය. බර ගණනය කිරීමේදී, ආකෘතිය උපකල්පනය කළේ නියැදිය 100 cm² ට වඩා 1 dm² (එකම ප්රදේශය, නමුත් අතරමැදි පියවරේදී ව්යාකූලත්වය 10 ගුණයක්), රෙදි බර 10 ගුණයකින් ගුණ කර 180 g/m² රෙදි 1800 g/m² ලෙස වාර්තා කරන ලදී. විශාලත්වය පිරික්සීමේ අනුපිළිවෙල - "කමිසයක රෙදි ටාපෝලින් විය නොහැක" - වහාම දෝෂය අනාවරණය විය.
දුර්වල ක්ෂණික / ශක්තිමත් ක්ෂණික
දුර්වල ක්ෂණික:
මෙම රෙදිපිළි නිෂ්පාදන පරාමිතීන් පිළිබඳව අදහස් දක්වමින් වැඩිදියුණු කිරීම් යෝජනා කරන්න.[data]
බලවත් විමසුම:
ඔබේ කාර්යභාරය: ජ්යෙෂ්ඨ රෙදිපිළි නිෂ්පාදන ඉංජිනේරුවෙක්. ලබා දී ඇති සංඛ්යා මත පමණක් පදනම්ව පහත නිෂ්පාදන දත්ත අර්ථ දක්වන්න. - දත්තවල නොමැති ප්රමිතීන්, ඉවසීම් හෝ අගයන් එකතු නොකරන්න. - එක් එක් අර්ථ නිරූපණයට ඊළඟට, ඔබ එය පදනම් කරගත් දත්ත රේඛාව වරහන් තුළ දක්වන්න. - සැක සහිත නම්, "දත්ත ප්රමාණවත් නොවේ" ලියන්න, අනුමාන නොකරන්න. - අවසාන වශයෙන්: රසායනාගාරයේ/පරීක්ෂණයේදී තහවුරු කළ යුතු උපකල්පන 3ක් ලැයිස්තුගත කරන්න. දත්ත: [නිෂ්පාදන දත්ත]
ප්රබල විමසුම ආකෘතිය මත කරුණු තුනක් පනවයි: මූලාශ්රයට ඇලී සිටීම, අවිනිශ්චිත බව පිළිගැනීම සහ සත්යාපනය කිරීමට දේවල් සලකුණු කිරීම. මෙය මායාව සම්පූර්ණයෙන්ම අවසන් නොකරයි, නමුත් එය දෘශ්යමාන කරයි.
පිටපත් කළ හැකි සැකිලි හතරක්
1) නිර්නාමික සන්දර්භය ස්ථාපිත කිරීම:
මම රෙදිපිළි ඉංජිනේරු පැවරුමක් සඳහා උදව් කිරීමට කැමතියි. පාරිභෝගික නම, වට්ටෝරු රහස, මිල සහ සැපයුම්කරු තොරතුරු රහසිගතය; "පාරිභෝගික-ඒ", "වට්ටෝරුව-1" වැනි නියෝජිත ප්රකාශන සමඟ මම ඔවුන්ට දෙන්නෙමි. ගවේෂණය: [ක්වෙස්ට්]. මම ඔබට ලබා දෙන තාක්ෂණික දත්ත මත පමණක් රඳා සිටින්න.
2) නැංගුරම් සත්යාපන ඉල්ලීම් තුනක්:
පහත ප්රතිදානය සඳහා චෙක්පත් තුනක් කරන්න:1) විශාලත්වයේ අනුපිළිවෙල: සෑම අංකයක්ම සාමාන්ය රෙදිපිළි පරාසය තුළ තිබේද? එසේ නොවේ නම්, ලකුණ.2) ක්රියාවලි විශ්වසනීයත්වය: රසායනිකව/භෞතිකව නොගැලපෙන හිමිකම් තිබේද?3) පරීක්ෂණ ලැයිස්තුව: රසායනාගාරයේ/නිෂ්පාදනයේදී තහවුරු කළ යුතු ද්රව්ය. ප්රතිදානය: [පෙළ]
3) අපැහැදිලි බව බලාත්මක කිරීම:
විශ්වාසනීය මට්ටම් තුනකින් ඔබේ අර්ථ නිරූපණය දෙන්න:- ඉහළ විශ්වාසය (දත්ත මගින් සෘජුවම සහාය දක්වයි)- මධ්යම විශ්වාසය (සාධාරණ අනුමාන)- සමපේක්ෂන (අතිරේක පරීක්ෂණ/දත්ත අවශ්ය) කාර්යය: [කාර්යය]. දත්ත: [දත්ත]
4) තීරණය/සහාය වෙනස:
පහත කාර්යය දෙකට බෙදන්න:A) AI හට විශ්වාසයෙන් කළ හැකි දත්ත/කෙටුම්පත් කාර්යයB) බලයලත් ඉංජිනේරුවෙකු/ රසායනාගාර අනුමැතිය අනිවාර්ය කාර්ය විස්තරය වන තීරණ ලක්ෂ්ය: [අර්ථ දැක්වීම]
AI දායකත්වය සහ අවදානම: වසම මගින් සාරාංශ වගුව
ව්යාපාරික ප්රදේශය
AI හි සාමාන්ය දායකත්වය
අවදානම් මට්ටම
අනිවාර්ය සත්යාපනය
දත්ත පිරිසිදු කිරීම / වාර්තා කිරීම
ඉහළ, ආරක්ෂිත
අඩු
මූලාශ්ර දත්ත සමඟ සැසඳීම
පරාමිති අර්ථ නිරූපණය
මධ්යම-ඉහළ
මධ්යම
Uster/lab testing, process physics
දෝෂ හඳුනාගැනීම (රූපය)
ඉහළ
මධ්යම-ඉහළ
මානව පරීක්ෂාව, භෞතික පරීක්ෂාව
ඩයි වට්ටෝරුව
මධ්යම
ඉහළ
රසායනාගාර වර්ණ ගැන්වීම + වර්ණාවලි ඡායාරූපමානය
රටාව / එකතුව
ඉහළ (අදහස)
මධ්යම (ප්රකාශන හිමිකම)
සත්යතාව/උල්ලංඝන පරීක්ෂාව
ශක්තිය / ආරක්ෂාව ගණනය කිරීම
අඩු (කෙටුම්පත පමණි)
ඉතා ඉහළ
දක්ෂ ඉංජිනේරු + භෞතික පරීක්ෂණ
පොදු වැරදි
- නිරවද්යතාවය සඳහා චතුර ලෙස වරදවා වටහා ගැනීම. පාඨය නිවැරදි වූ පමණින් එම අංකය නිවැරදි බව අදහස් නොවේ.
- මූලාශ්රයක් නොවිමසා පිළිගැනීම. "ඔබ රඳා සිටියේ කුමන දත්තද?" සෑම කමෙන්ටුවක් යටතේම ප්රශ්නය තැබිය යුතුය.
- රහසිගත දත්ත එලෙසම යැවීම. පාරිභෝගික, බෙහෙත් වට්ටෝරුව සහ මිල තොරතුරු නිර්නාමික කිරීමකින් තොරව බෙදා නොගත යුතුය.
- එක් නැංගුරමක් මත රඳා පවතී. ශ්රේෂ්ඨත්වය පමණක් හෝ සාධාරණත්වය පමණක් ප්රමාණවත් නොවේ; තීරණාත්මක තීරණ ගැනීමේදී ශාරීරික පරීක්ෂණය අත්යවශ්ය වේ.
- තීරණ ගැනීම සඳහා AI වරදවා වටහා ගැනීම. ආකෘතිය උපකල්පන ජනනය කරයි; ඉංජිනේරුවරයා තීරණය සහ වගකීම දරයි.
ඉඟිය: සෑම AI සැසියක්ම "මූලාශ්රයට බැර කර ඔබට විශ්වාස නැතිනම් මට කියන්න" යන උපදෙස් සමඟින් ආරම්භ කිරීම සියලු පසුකාලීන ප්රතිදානයේ සත්යාපනය රැඩිකල් ලෙස වැඩි කරයි.
අවවාදයයි: ප්රතිදානයක අවදානම එම ප්රතිදානය දෝෂ සහිත නම් එයින් සිදුවන හානියට සමාන වේ. මූඩ්බෝඩ් අදහසක වරදක් හානිකර නොවන අතර, තීන්ත වට්ටෝරු වැරදීමකින් ටොන් ගණනක් නාස්තිය සහ කොන්ත්රාත්තුවේ දඬුවම් ඇති විය හැක; ඒ අනුව ඔබේ සත්යාපන තීව්රතාවය පරිමාණය කරන්න.
සාරාංශයක් ලෙස
AI යනු රෙදිපිළි දාමයේ සෑම දත්ත-අවශ්ය සබැඳියකම ප්රබල ත්වරණකාරකයකි, නමුත් එහි තරල භාෂාවට දෝෂ සැඟවිය හැක. එය දත්ත සැකසීමේ සහ කෙටුම්පත් වැඩ වලදී ආරක්ෂිතම ආකාරයෙන් අගය නිෂ්පාදනය කරයි; අර්ථකථනය සහ විවේචනාත්මක තීරණ වලදී ඔහු උපකල්පිත උත්පාදකයෙකු පමණි. නැංගුරම් තුනක් - විශාලත්වයේ අනුපිළිවෙල, ක්රියාවලි/භෞතික විද්යාව පිළිගත හැකි බව, භෞතික පරීක්ෂණය - සෑම ප්රතිදානයක්ම ගමන් කළ යුතු පෙරහන වේ. තීරණය සහ වගකීම සෑම විටම ඉංජිනේරුවරයා සතුව පවතී.
යෙදුම් කාර්යය
ඔබේම (හෝ මනඃකල්පිත) රෙදිපිළි ව්යාපාරයකින් සතියක් සඳහා සාමාන්ය කාර්යයන් ලැයිස්තුවක් සාදන්න. සෑම කාර්යයක්ම "දත්ත සැකසීම / අර්ථ නිරූපණය-විශ්ලේෂණය / සන්නිවේදනය" ලෙස ලේබල් කරන්න. ඉන්පසු එක් එක් කාර්යයට අවදානම් මට්ටමක් (අඩු/මධ්යම/ඉහළ) ලබා දී ඉහළ අවදානම් ඒවා අසලින් අවශ්ය භෞතික පරීක්ෂණ/අනුමැතිය මොනවාදැයි ලියන්න. මෙම ඒකකයේ ("තීරණය/සහාය වෙනස") සැකිල්ල 4 සමඟින් මෙම ලැයිස්තුව සාදා ඔබේම වෙනස සමඟ සසඳන්න.
පිරික්සුම් ලැයිස්තුව
- [ ] මම සෑම AI සැසියක්ම මූලාශ්රය සහ අවිනිශ්චිත උපදෙස් සමඟින් ආරම්භ කරමි.
- [ ] මම ප්රතිදානයන් නැංගුරම් තුනක් හරහා යමි: විශාලත්වයේ අනුපිළිවෙල, ක්රියාවලි සාධාරණත්වය, භෞතික පරීක්ෂණ.
- [ ] මම රහස්ය පාරිභෝගික/බෙහෙත් වට්ටෝරුව/මිල දත්ත නිර්නාමික කරමි.
- [ ] මම අවදානම් මට්ටම අනුව කාර්යයන් වෙන් කරන අතර තීරණාත්මක ඒවා සඳහා ඉංජිනේරු අනුමැතිය ලබා ගන්නෙමි.
- [ ] මම AI ස්ථානගත කරන්නේ කල්පිත සහ බ්ලූප්රින්ට් උත්පාදකයක් ලෙස මිස තීරණ ගන්නෙකු ලෙස නොවේ.