අදහස් විවෘත කර අයාචිත තැපෑලෙන් ගිලී නොයන ආකාරය

ඔබේ කාර්යය ලස්සන දෙයක් නිර්මාණය කිරීම වන විට, ඔබ ඒ ගැන වැඩිය කතා කළ යුතු නැත, මන්ද ප්රතිඵලය සෑම කෙනෙකුගේම ඇස් ඉදිරිපිට ඇත. නමුත් ඔබ වැටවල් වලින් සෙල්ලිපි මකා දැමුවහොත්, වැටවල් විනීත ලෙස පෙනෙන තාක් හෝ ඔබ යම් වැරැද්දක් මකා දමන තුරු ඔබේ වැඩ කිසිවෙකු නොදකිනු ඇත.

ඔබට අදහස් දැක්වීමට, සමාලෝචනය කිරීමට, පණිවිඩයක් යැවීමට හෝ පින්තූර උඩුගත කිරීමට හැකි ඕනෑම සේවාවක් ඉක්මනින් හෝ පසුව අයාචිත තැපැල්, වංචා සහ අසභ්‍ය ගැටලුවට මුහුණ දෙයි. මෙය වළක්වා ගත නොහැක, නමුත් එය සමඟ කටයුතු කළ යුතුය.

මගේ නම මිහායිල්, මම වැඩ කරන්නේ Antispam කණ්ඩායමේ, Yandex සේවාවන් භාවිතා කරන්නන් එවැනි ගැටළු වලින් ආරක්ෂා කරයි. අපගේ කාර්යය කලාතුරකින් දක්නට ලැබේ (එය හොඳ දෙයක්!), එබැවින් අද මම ඔබට ඒ ගැන වැඩි විස්තර කියන්නම්. මධ්‍යස්ථභාවය නිෂ්ඵල වන විට සහ නිරවද්‍යතාවය එහි කාර්යක්ෂමතාවයේ එකම දර්ශකය නොවන්නේ මන්දැයි ඔබ ඉගෙන ගනු ඇත. බළලුන් සහ බල්ලන්ගේ ආදර්ශය භාවිතා කරමින් දිවුරුම් දීම ගැන අපි කතා කරමු සහ සමහර විට “දිවුරුම් දෙන්නෙකු මෙන් සිතීම” ප්‍රයෝජනවත් වන්නේ මන්දැයි අපි කතා කරමු.

පරිශීලකයින් ඔවුන්ගේ අන්තර්ගතය ප්‍රකාශයට පත් කරන Yandex හි වැඩි වැඩියෙන් සේවාවන් දිස් වේ. ඔබට Yandex.Q හි ප්‍රශ්නයක් ඇසීමට හෝ පිළිතුරක් ලිවිය හැකිය, Yandex.District හි අංගන ප්‍රවෘත්ති සාකච්ඡා කරන්න, Yandex.Maps හි සංවාදවල ගමනාගමන තත්ත්වයන් බෙදා ගන්න. නමුත් සේවාවේ ප්‍රේක්ෂක සංඛ්‍යාව වැඩි වන විට, එය වංචාකරුවන්ට සහ අයාචිත තැපැල් කරන්නන්ට ආකර්ශනීය වේ. ඔවුන් පැමිණ අදහස් පුරවයි: ඔවුන් පහසු මුදල් ලබා දෙයි, ආශ්චර්යමත් සුව කිරීම් ප්‍රචාරණය කරයි සහ සමාජ ප්‍රතිලාභ පොරොන්දු වේ. අයාචිත තැපැල් කරුවන් නිසා, සමහර පරිශීලකයින්ට මුදල් අහිමි වන අතර අනෙක් අය අයාචිත තැපෑලෙන් වැසී ගිය අපිරිසිදු සේවාවක් සඳහා කාලය ගත කිරීමට ඇති ආශාව නැති වී යයි.

තවද මෙය එකම ගැටළුව නොවේ. අපි උත්සාහ කරන්නේ වංචාකරුවන්ගෙන් පරිශීලකයින් ආරක්ෂා කිරීමට පමණක් නොව, සන්නිවේදනය සඳහා සුවපහසු වාතාවරණයක් නිර්මාණය කිරීමට ය. අදහස් දැක්වීමේදී මිනිසුන්ට කුණුහරුප සහ අපහාසවලට මුහුණ දීමට සිදුවුවහොත්, ඔවුන් පිටව යාමට ඉඩ ඇති අතර කිසි විටෙකත් ආපසු නොඑනු ඇත. මෙයින් අදහස් කරන්නේ ඔබටත් මෙය සමඟ කටයුතු කිරීමට හැකි විය යුතු බවයි.

වෙබ් පිරිසිදු කරන්න

බොහෝ විට අපට සිදු වන පරිදි, සෙවුම් ප්‍රතිඵලවල අයාචිත තැපැල් සමඟ සටන් කරන කොටසෙහි පළමු වර්ධනයන් සෙවීමේදී උපත ලැබීය. වසර දහයකට පමණ පෙර, පවුලේ සෙවුම් සඳහා සහ 18+ කාණ්ඩයෙන් පිළිතුරු අවශ්‍ය නොවන විමසුම් සඳහා වැඩිහිටි අන්තර්ගතයන් පෙරීමේ කාර්යය එහි දර්ශනය විය. අසභ්‍ය සහ දිවුරුම් දීමේ පළමු අතින් ටයිප් කරන ලද ශබ්දකෝෂ දර්ශනය වූ ආකාරය මෙයයි, ඒවා විශ්ලේෂකයින් විසින් නැවත පුරවන ලදී. ප්‍රධාන කර්තව්‍යය වූයේ ඉල්ලීම් වැඩිහිටි අන්තර්ගතය පෙන්වීමට පිළිගත හැකි තැන්වලට සහ එසේ නොවන තැන්වලට වර්ග කිරීමයි. මෙම කාර්යය සඳහා, සලකුණු එකතු කරන ලදී, හූරිස්ටික්ස් ගොඩනඟා, ආකෘති පුහුණු කරන ලදී. අනවශ්‍ය අන්තර්ගතයන් පෙරීම සඳහා වූ පළමු වර්ධනයන් දිස්වූයේ එලෙසිනි.

කාලයාගේ ඇවෑමෙන්, UGC (පරිශීලක උත්පාදනය කරන ලද අන්තර්ගතය) Yandex හි දිස් වීමට පටන් ගත්තේය - පරිශීලකයින් විසින්ම ලියන ලද පණිවිඩ, සහ Yandex පමණක් ප්‍රකාශයට පත් කරයි. ඉහත විස්තර කර ඇති හේතු නිසා, බොහෝ පණිවිඩ බැලීමකින් තොරව ප්‍රකාශයට පත් කළ නොහැක - මධ්‍යස්ථ කිරීම අවශ්‍ය විය. පසුව ඔවුන් සියලු Yandex UGC නිෂ්පාදන සඳහා අයාචිත තැපැල් සහ ප්‍රහාරකයින්ට එරෙහිව ආරක්ෂාව සපයන සේවාවක් නිර්මාණය කිරීමට සහ සෙවීමේ අනවශ්‍ය අන්තර්ගතයන් පෙරීමට වර්ධනයන් භාවිතා කිරීමට තීරණය කළහ. සේවාව "පිරිසිදු වෙබ්" ලෙස හැඳින්වේ.

නව කාර්යයන් සහ තල්ලු කරන්නන්ගෙන් උපකාර

මුලදී, සරල ස්වයංක්‍රීයකරණය පමණක් අප වෙනුවෙන් ක්‍රියාත්මක විය: සේවාවන් අපට පෙළ එවූ අතර, අපි අසභ්‍ය ශබ්දකෝෂ, අසභ්‍ය ශබ්දකෝෂ සහ සාමාන්‍ය ප්‍රකාශන ධාවනය කළෙමු - විශ්ලේෂකයින් සියල්ල අතින් සම්පාදනය කළහ. නමුත් කාලයත් සමඟම, Yandex නිෂ්පාදන වැඩිවන සංඛ්යාවක මෙම සේවාව භාවිතා කරන ලද අතර, නව ගැටළු සමඟ වැඩ කිරීමට අපට ඉගෙන ගැනීමට සිදු විය.

බොහෝ විට, සමාලෝචනයක් වෙනුවට, පරිශීලකයින් අර්ථ විරහිත ලිපි මාලාවක් ප්‍රකාශයට පත් කරයි, ඔවුන්ගේ ජයග්‍රහණ වැඩි කිරීමට උත්සාහ කරයි, සමහර විට ඔවුන් තරඟකරුවන්ගේ සමාගමක සමාලෝචනවල තම සමාගම ප්‍රචාරණය කරයි, සමහර විට ඔවුන් හුදෙක් සංවිධාන ව්‍යාකූල කර සුරතල් ගබඩාවක් පිළිබඳ සමාලෝචනයක ලියයි: “ හොඳින් පිසූ මාළු! ” සමහර විට යම් දිනක කෘතිම බුද්ධිය ඕනෑම පෙළක අර්ථය මනාව ග්‍රහණය කර ගැනීමට ඉගෙන ගනු ඇත, නමුත් දැන් ස්වයංක්‍රීයකරණය සමහර විට මිනිසුන්ට වඩා නරක ලෙස මුහුණ දෙයි.

අතින් සලකුණු කිරීමකින් තොරව අපට මෙය කළ නොහැකි බව පැහැදිලි වූ අතර, අපි අපගේ පරිපථයට දෙවන අදියර එකතු කළෙමු - එය පුද්ගලයෙකු විසින් අතින් පරීක්ෂා කිරීම සඳහා යවනු ලැබේ. වර්ගීකරණයට කිසිදු ගැටළුවක් නොපෙනෙන ප්‍රකාශිත පෙළ එහි ඇතුළත් කර ඇත. එවැනි කාර්යයක පරිමාණය ඔබට පහසුවෙන් සිතාගත හැකිය, එබැවින් අපි තක්සේරුකරුවන් මත විශ්වාසය තැබුවා පමණක් නොව, "සමූහයේ ප්රඥාව" ප්රයෝජනයට ගත්තා, එනම්, අපි උපකාරය සඳහා ටොලොකර් වෙත හැරී ගියෙමු. යන්ත්‍රයට මඟ හැරුණු දේ හඳුනාගෙන එය උගන්වන්නේ ඔවුන් අපට උපකාර කරන අයයි.

Smart caching සහ LSH හැෂිං

අදහස් සමඟ වැඩ කිරීමේදී අප මුහුණ දුන් තවත් ගැටළුවක් වූයේ ස්පෑම්, හෝ වඩාත් නිවැරදිව, එහි පරිමාව සහ පැතිරීමේ වේගයයි. Yandex.Region ප්‍රේක්ෂකයින් වේගයෙන් වර්ධනය වීමට පටන් ගත් විට, ස්පෑම්කරුවන් එහි පැමිණියහ. පාඨය මඳක් වෙනස් කිරීමෙන් සාමාන්‍ය ප්‍රකාශන මඟ හැරීමට ඔවුහු ඉගෙන ගත්හ. ඇත්ත වශයෙන්ම, අයාචිත තැපැල් තවමත් සොයාගෙන මකා දමා ඇත, නමුත් Yandex පරිමාණයෙන්, මිනිත්තු 5 ක් සඳහා පවා පළ කරන ලද පිළිගත නොහැකි පණිවිඩයක් සිය ගණනක් මිනිසුන්ට දැක ගත හැකිය.

ඇත්ත වශයෙන්ම, මෙය අපට නොගැලපෙන අතර, අපි LSH මත පදනම්ව ස්මාර්ට් පෙළ හැඹිලිය සෑදුවෙමු (දේශීය-සංවේදී හැෂිං) එය මේ ආකාරයට ක්‍රියා කරයි: අපි පෙළ සාමාන්‍යකරණය කර, එයින් සබැඳි ඉවත් කර එය n-ග්‍රෑම් වලට කපා (n අකුරු අනුපිළිවෙල). ඊළඟට, n-ග්රෑම් වල හෑෂ් ගණනය කරන ලද අතර, ලේඛනයේ LSH දෛශිකය ඔවුන්ගෙන් ගොඩනගා ඇත. කාරණය වන්නේ සමාන පාඨ, ඒවා තරමක් වෙනස් වුවද, සමාන දෛශික බවට පත් වීමයි.

මෙම විසඳුම සමාන පාඨ සඳහා වර්ගීකරණ සහ ටෝලෝකර්ගේ තීන්දු නැවත භාවිතා කිරීමට හැකි විය. අයාචිත තැපැල් ප්‍රහාරයක් අතරතුර, පළමු පණිවිඩය ස්කෑන් කිරීම සමත් වී “ස්පෑම්” තීන්දුවක් සමඟ හැඹිලියට ඇතුළු වූ විගසම, සියලුම නව සමාන පණිවිඩ, වෙනස් කළ ඒවා පවා එකම තීන්දුව ලබාගෙන ස්වයංක්‍රීයව මකා දමන ලදී. පසුව, අපි ස්පෑම් වර්ගීකාරක පුහුණු කරන ආකාරය සහ ස්වයංක්‍රීයව නැවත පුහුණු කරන ආකාරය ඉගෙන ගත්තෙමු, නමුත් මෙම "ස්මාර්ට් හැඹිලිය" අප සමඟ රැඳී සිටි අතර තවමත් බොහෝ විට අපට උපකාර කරයි.

හොඳ පෙළ වර්ගීකරණයක්

අයාචිත තැපෑලට එරෙහිව සටන් කිරීමෙන් විවේකයක් ගැනීමට කාලය නොමැතිව, අපගේ අන්තර්ගතයෙන් 95% ක් අතින් නවීකරණය කර ඇති බව අපට වැටහුණි: වර්ගීකරණය කරන්නන් ප්‍රතික්‍රියා කරන්නේ උල්ලංඝනයන්ට පමණක් වන අතර බොහෝ පාඨ හොඳ ය. 95 න් 100 කදී "සියල්ල හරි" ශ්‍රේණිගත කිරීම ලබා දෙන පිරිසිදු කරන්නන් අපි පටවන්නෙමු. මට අසාමාන්‍ය කාර්යයක් කිරීමට සිදු විය - හොඳ අන්තර්ගතයන් වර්ගීකරණය කිරීම, වාසනාවකට මෙන් මෙම කාලය තුළ ප්‍රමාණවත් තරම් ලකුණු එකතු වී තිබුණි.

පළමු වර්ගීකරණය මේ ආකාරයට පෙනුනි: අපි පෙළ ලෙමටයිස් කරන්නෙමු (වචන ඒවායේ ආරම්භක ස්වරූපයට අඩු කරන්න), කථනයේ සියලුම සහායක කොටස් ඉවත දමා පෙර සූදානම් කළ “හොඳ ලම්මා ශබ්දකෝෂයක්” භාවිතා කරන්න. පෙළෙහි ඇති සියලුම වචන "හොඳ" නම්, සම්පූර්ණ පාඨය කිසිදු උල්ලංඝනයක් අඩංගු නොවේ. විවිධ සේවාවන්හි, මෙම ප්‍රවේශය වහාම අතින් සලකුණු කිරීමේ 25 සිට 35% දක්වා ස්වයංක්‍රීයකරණය ලබා දුන්නේය. ඇත්ත වශයෙන්ම, මෙම ප්රවේශය පරමාදර්ශී නොවේ: අහිංසක වචන කිහිපයක් ඒකාබද්ධ කිරීම සහ ඉතා අප්රසන්න ප්රකාශයක් ලබා ගැනීම පහසුය, නමුත් එය ඉක්මනින් හොඳ මට්ටමේ ස්වයංක්රීයකරණයකට ළඟා වීමට අපට ඉඩ ලබා දුන් අතර වඩාත් සංකීර්ණ ආකෘති පුහුණු කිරීමට අපට කාලය ලබා දුන්නේය.

හොඳ පෙළ වර්ගීකරණවල මීළඟ අනුවාදයන් දැනටමත් රේඛීය ආකෘති, තීරණ ගස් සහ ඒවායේ සංයෝජන ඇතුළත් විය. රළුබව සහ අපහාස සලකුණු කිරීම සඳහා, උදාහරණයක් ලෙස, අපි BERT ස්නායු ජාලය උත්සාහ කරමු. සන්දර්භය තුළ වචනයක අර්ථය සහ විවිධ වාක්‍ය වලින් වචන අතර සම්බන්ධය ග්‍රහණය කර ගැනීම වැදගත් වන අතර BERT මේ සඳහා හොඳ කාර්යයක් කරයි. (මාර්ගය වන විට, ප්‍රවෘත්ති වලින් මෑතකදී සගයන් කිව්වා, සම්මත නොවන කාර්යයක් සඳහා තාක්ෂණය භාවිතා කරන ආකාරය - ශීර්ෂකවල දෝෂ සෙවීම.) ප්රතිඵලයක් වශයෙන්, සේවාව මත පදනම්ව, ප්රවාහයෙන් 90% දක්වා ස්වයංක්රීය කිරීමට හැකි විය.

නිරවද්යතාව, සම්පූර්ණත්වය සහ වේගය

සංවර්ධනය කිරීම සඳහා, ඇතැම් ස්වයංක්‍රීය වර්ගීකරණ යන්ත්‍ර ගෙන එන ප්‍රතිලාභ මොනවාද, ඒවායේ වෙනස්කම් සහ අතින් චෙක්පත් වල ගුණාත්මකභාවය පිරිහෙන්නේද යන්න ඔබ තේරුම් ගත යුතුය. මෙය සිදු කිරීම සඳහා, අපි නිරවද්‍ය සහ නැවත කැඳවීමේ ප්‍රමිතික භාවිතා කරමු.

නිරවද්‍යතාව යනු නරක අන්තර්ගතය පිළිබඳ සියලු තීන්දු අතර නිවැරදි තීන්දුවල අනුපාතයයි. නිරවද්‍යතාවය වැඩි වන තරමට ව්‍යාජ ධනාත්මක කරුණු අඩු වේ. ඔබ නිරවද්‍යතාවයට අවධානය යොමු නොකරන්නේ නම්, න්‍යායාත්මකව ඔබට සියලු අයාචිත තැපැල් සහ අසභ්‍ය දේ මකා දැමිය හැකි අතර ඒවා සමඟ හොඳ පණිවිඩ වලින් අඩක්. අනෙක් අතට, ඔබ නිරවද්‍යතාවය මත පමණක් රඳා සිටින්නේ නම්, හොඳම තාක්‍ෂණය කිසිවෙකු අල්ලා නොගන්නා එකක් වනු ඇත. එබැවින්, සම්පූර්ණත්වය පිළිබඳ දර්ශකයක් ද ඇත: නරක අන්තර්ගතයේ මුළු පරිමාව අතර හඳුනාගත් නරක අන්තර්ගතයේ කොටස. මෙම මිතික දෙක එකිනෙක සමතුලිත කරයි.

මැනීමට, අපි එක් එක් සේවාව සඳහා සම්පූර්ණ එන ප්‍රවාහය සාම්පල කර, විශේෂඥ ඇගයීම සහ යන්ත්‍ර විසඳුම් සමඟ සැසඳීම සඳහා තක්සේරුකරුවන්ට අන්තර්ගත සාම්පල ලබා දෙන්නෙමු.

නමුත් තවත් වැදගත් දර්ශකයක් තිබේ.

පිළිගත නොහැකි පණිවිඩයක් විනාඩි 5කින් වුවද සිය ගණනකට දැකගත හැකි බව මා ඉහත ලියා ඇත. එබැවින් අපි එය සැඟවීමට පෙර මිනිසුන්ට නරක අන්තර්ගතය පෙන්වූ වාර ගණන ගණන් කරමු. කාර්යක්ෂමව වැඩ කිරීමට ප්රමාණවත් නොවන නිසා මෙය වැදගත් වේ - ඔබ ඉක්මනින් වැඩ කිරීමටද අවශ්ය වේ. ඒ වගේම අපි දිවුරුම් දීමට එරෙහිව ආරක්ෂාවක් ගොඩනඟා ගත් විට, අපට එය උපරිමයෙන් දැනුණා.

බළලුන් සහ බල්ලන් ආදර්ශය භාවිතා කරමින් ප්‍රතිවිරෝධතා

කුඩා ගීතමය අපගමනයකි. අසභ්‍ය හා අපහාස ද්වේෂසහගත සබැඳි තරම් භයානක නොවන බවත් ස්පෑම් තරම් කරදරකාරී නොවන බවත් ඇතැමුන් පැවසිය හැකිය. නමුත් අපි මිලියන ගණනක් පරිශීලකයින් සඳහා සන්නිවේදනය සඳහා සුවපහසු කොන්දේසි පවත්වා ගැනීමට උත්සාහ කරන අතර, මිනිසුන්ට අපහාස කරන ස්ථානවලට නැවත පැමිණීමට කැමති නැත. හබ්රේ ඇතුළු බොහෝ ප්‍රජාවන්ගේ නීතිවල දිවුරුම් දීම සහ අපහාස කිරීම තහනම් කිරීම නිකම්ම නොවේ. නමුත් අපි හැරෙනවා.

දිවුරුම් ශබ්ද කෝෂවලට රුසියානු භාෂාවේ සියලු පොහොසත්කම සමඟ සාර්ථකව කටයුතු කළ නොහැක. ප්‍රධාන දිවුරුම් මූලයන් හතරක් පමණක් තිබුණද, ඒවායින් ඔබට කිසිදු සාමාන්‍ය එන්ජිමකට අල්ලා ගත නොහැකි වචන ගණන් කළ නොහැකි සංඛ්‍යාවක් සෑදිය හැකිය. ඊට අමතරව, ඔබට අක්ෂර පරිවර්තනයේදී වචනයක කොටසක් ලිවිය හැකිය, සමාන සංයෝජන සමඟ අකුරු ප්‍රතිස්ථාපනය කරන්න, අකුරු නැවත සකස් කරන්න, තරු ලකුණු එකතු කරන්න, යනාදිය සමහර විට, සන්දර්භය නොමැතිව, පරිශීලකයා දිවුරන වචනයක් අදහස් කළේ යැයි තීරණය කිරීම මූලික වශයෙන් කළ නොහැක. අපි හබ්ර්ගේ නීතිවලට ගරු කරමු, එබැවින් අපි මෙය සජීවී උදාහරණ සමඟ නොව, බළලුන් සහ බල්ලන් සමඟ පෙන්වමු.

“නීතිය,” බළලා කීවේය. ඒත් අපිට තේරෙනවා පූසා කිව්වේ වෙන වචනයක් කියලා...

අපි අපගේ ශබ්දකෝෂය සඳහා "නොපැහැදිලි ගැලපීමේ" ඇල්ගොරිතම ගැන සහ වඩා හොඳ පෙර සැකසුම් ගැන සිතන්නට පටන් ගත්තෙමු: අපි අක්ෂර පරිවර්තනය, ඇලවූ අවකාශයන් සහ විරාම ලකුණු එකට සපයා, රටා සොයමින් ඒවා මත වෙන වෙනම නිත්‍ය ප්‍රකාශන ලිව්වෙමු. මෙම ප්‍රවේශය ප්‍රතිඵල ගෙන ආ නමුත් බොහෝ විට නිරවද්‍යතාවය අඩු වූ අතර අපේක්ෂිත සම්පූර්ණත්වය ලබා දුන්නේ නැත.

ඊට පස්සේ අපි තීරණය කළා "දිව්රරන්නන් වගේ හිතන්න". අපි විසින්ම දත්තවලට ශබ්දය හඳුන්වා දීමට පටන් ගත්තෙමු: අපි අකුරු නැවත සකස් කිරීම, යතුරු ලියනය කිරීම, සමාන අක්ෂර වින්‍යාස සහිත අකුරු ප්‍රතිස්ථාපනය කිරීම යනාදිය. මේ සඳහා මූලික ලකුණු කිරීම ගනු ලැබුවේ විශාල ග්‍රන්ථ සඳහා මැට් ශබ්දකෝෂ යෙදීමෙනි. ඔබ එක් වාක්‍යයක් ගෙන එය ක්‍රම කිහිපයකින් කරකවන්නේ නම්, ඔබට අවසානයේ බොහෝ වාක්‍ය ලැබේ. මේ ආකාරයෙන් ඔබට පුහුණු නියැදිය දස ගුණයකින් වැඩි කළ හැකිය. ඉතිරිව ඇත්තේ සන්දර්භය සැලකිල්ලට ගත් අඩු හෝ වැඩි ස්මාර්ට් මාදිලියක් ප්‍රතිඵලයක් ලෙස ලැබෙන සංචිතය මත පුහුණු කිරීම පමණි.

අවසන් තීරණය ගැන කතා කිරීමට තවම කල් වැඩිය. අපි තවමත් මෙම ගැටලුව සඳහා ප්‍රවේශයන් සමඟ අත්හදා බලමින් සිටිමු, නමුත් ස්ථර කිහිපයකින් යුත් සරල සංකේතාත්මක සංවෘත ජාලයක් ශබ්දකෝෂ සහ සාමාන්‍ය එන්ජින් සැලකිය යුතු ලෙස අභිබවා යන බව අපට දැනටමත් දැක ගත හැකිය: නිරවද්‍යතාවය සහ නැවත කැඳවීම යන දෙකම වැඩි කළ හැකිය.

ඇත්ත වශයෙන්ම, වඩාත්ම දියුණු ස්වයංක්‍රීයකරණය පවා මඟ හැරීමට සෑම විටම ක්‍රම ඇති බව අපි තේරුම් ගනිමු, විශේෂයෙන් කාරණය ඉතා භයානක වන විට: මෝඩ යන්ත්‍රයකට නොතේරෙන ආකාරයට ලියන්න. මෙහිදී, අයාචිත තැපැල් වලට එරෙහි සටනේදී මෙන්, අපගේ ඉලක්කය වන්නේ අසභ්‍ය දෙයක් ලිවීමේ හැකියාව මුලිනුපුටා දැමීම නොවේ; අපගේ කාර්යය වන්නේ ක්‍රීඩාව ඉටිපන්දම වටින්නේ නැති බවට වග බලා ගැනීමයි.

ඔබේ මතය බෙදා ගැනීමට, සන්නිවේදනය කිරීමට සහ අදහස් දැක්වීමට අවස්ථාව විවෘත කිරීම අපහසු නැත. මිනිසුන්ට ආරක්ෂිත, සුවපහසු තත්වයන් සහ ගෞරවනීය සැලකීම සාක්ෂාත් කර ගැනීම වඩා දුෂ්කර ය. ඒවගේම මේකෙන් තොරව කිසිම ප්‍රජාවක දියුණුවක් ඇති වෙන්නේ නැහැ.

මූලාශ්රය: www.habr.com