వ్యాఖ్యలను ఎలా తెరవాలి మరియు స్పామ్‌లో మునిగిపోకూడదు

మీ పని అందమైనదాన్ని సృష్టించినప్పుడు, మీరు దాని గురించి ఎక్కువగా మాట్లాడవలసిన అవసరం లేదు, ఎందుకంటే ఫలితం అందరి కళ్ళ ముందు ఉంటుంది. కానీ మీరు కంచెల నుండి శాసనాలను చెరిపివేస్తే, కంచెలు మర్యాదగా కనిపించేంత వరకు లేదా మీరు ఏదైనా తప్పును తొలగించే వరకు మీ పనిని ఎవరూ గమనించరు.

మీరు వ్యాఖ్యానించగల, సమీక్షించగల, సందేశం పంపగల లేదా చిత్రాలను అప్‌లోడ్ చేయగల ఏదైనా సేవ త్వరగా లేదా తర్వాత స్పామ్, మోసం మరియు అశ్లీలత సమస్యను ఎదుర్కొంటుంది. దీనిని నివారించలేము, కానీ ఇది తప్పనిసరిగా పరిష్కరించబడాలి.

నా పేరు మిఖాయిల్, నేను యాంటిస్పామ్ బృందంలో పని చేస్తున్నాను, ఇది Yandex సేవల వినియోగదారులను అటువంటి సమస్యల నుండి రక్షిస్తుంది. మా పని చాలా అరుదుగా గమనించబడింది (మరియు అది మంచి విషయం!), కాబట్టి ఈ రోజు నేను దాని గురించి మీకు మరింత చెబుతాను. నియంత్రణ నిరుపయోగంగా ఉన్నప్పుడు మరియు ఖచ్చితత్వం మాత్రమే దాని ప్రభావానికి సూచిక కాదని మీరు నేర్చుకుంటారు. మేము పిల్లులు మరియు కుక్కల ఉదాహరణను ఉపయోగించి ప్రమాణం చేయడం గురించి మాట్లాడుతాము మరియు కొన్నిసార్లు "ప్రమాణకర్తలా ఆలోచించడం" ఎందుకు ఉపయోగపడుతుంది.

వినియోగదారులు తమ కంటెంట్‌ను ప్రచురించే Yandexలో మరిన్ని సేవలు కనిపిస్తాయి. మీరు Yandex.Qలో ప్రశ్న అడగవచ్చు లేదా సమాధానం వ్రాయవచ్చు, Yandex.Districtలో యార్డ్ వార్తలను చర్చించవచ్చు, Yandex.Mapsలో సంభాషణలలో ట్రాఫిక్ పరిస్థితులను పంచుకోవచ్చు. కానీ సేవ యొక్క ప్రేక్షకులు పెరిగినప్పుడు, అది స్కామర్‌లు మరియు స్పామర్‌లకు ఆకర్షణీయంగా మారుతుంది. వారు వచ్చి వ్యాఖ్యలను పూరిస్తారు: వారు సులభంగా డబ్బును అందిస్తారు, అద్భుత నివారణలను ప్రచారం చేస్తారు మరియు సామాజిక ప్రయోజనాలను వాగ్దానం చేస్తారు. స్పామర్‌ల కారణంగా, కొంతమంది వినియోగదారులు డబ్బును కోల్పోతారు, మరికొందరు స్పామ్‌తో నిండిన పనికిమాలిన సేవలో సమయాన్ని వెచ్చించాలనే కోరికను కోల్పోతారు.

మరియు ఇది మాత్రమే సమస్య కాదు. మేము స్కామర్ల నుండి వినియోగదారులను రక్షించడానికి మాత్రమే కాకుండా, కమ్యూనికేషన్ కోసం సౌకర్యవంతమైన వాతావరణాన్ని సృష్టించడానికి కూడా ప్రయత్నిస్తాము. వ్యాఖ్యలలో ప్రజలు తిట్లు మరియు అవమానాలను ఎదుర్కొంటే, వారు వెళ్లిపోతారు మరియు తిరిగి రాలేరు. దీని అర్థం మీరు కూడా దీనిని ఎదుర్కోగలగాలి.

క్లీన్ వెబ్

మా విషయంలో తరచుగా జరిగే విధంగా, శోధన ఫలితాల్లో స్పామ్‌తో పోరాడే భాగంలో శోధనలో మొదటి పరిణామాలు పుట్టాయి. దాదాపు పది సంవత్సరాల క్రితం, కుటుంబ శోధనల కోసం మరియు 18+ వర్గం నుండి సమాధానాలు అవసరం లేని ప్రశ్నల కోసం పెద్దల కంటెంట్‌ను ఫిల్టర్ చేసే పని కనిపించింది. అశ్లీల మరియు తిట్ల యొక్క మొదటి మాన్యువల్‌గా టైప్ చేసిన నిఘంటువులు ఈ విధంగా కనిపించాయి, అవి విశ్లేషకులచే తిరిగి నింపబడ్డాయి. అభ్యర్థనలను అడల్ట్ కంటెంట్‌ని చూపించడానికి ఆమోదయోగ్యమైన మరియు లేని చోట వర్గీకరించడం ప్రధాన పని. ఈ పని కోసం, మార్కప్ సేకరించబడింది, హ్యూరిస్టిక్స్ నిర్మించబడ్డాయి మరియు నమూనాలు శిక్షణ పొందాయి. అవాంఛిత కంటెంట్‌ని ఫిల్టర్ చేయడానికి మొదటి పరిణామాలు ఈ విధంగా కనిపించాయి.

కాలక్రమేణా, UGC (వినియోగదారు సృష్టించిన కంటెంట్) Yandexలో కనిపించడం ప్రారంభించింది - వినియోగదారులు స్వయంగా వ్రాసిన సందేశాలు మరియు Yandex మాత్రమే ప్రచురిస్తుంది. పైన వివరించిన కారణాల వల్ల, చాలా సందేశాలను చూడకుండా ప్రచురించడం సాధ్యం కాదు - నియంత్రణ అవసరం. అప్పుడు వారు అన్ని Yandex UGC ఉత్పత్తులకు స్పామ్ మరియు దాడి చేసేవారి నుండి రక్షణను అందించే సేవను సృష్టించాలని నిర్ణయించుకున్నారు మరియు శోధనలో అవాంఛిత కంటెంట్‌ను ఫిల్టర్ చేయడానికి అభివృద్ధిని ఉపయోగించారు. సేవ "క్లీన్ వెబ్" అని పిలువబడింది.

కొత్త పనులు మరియు పుషర్ల నుండి సహాయం

మొదట, సాధారణ ఆటోమేషన్ మాత్రమే మాకు పనిచేసింది: సేవలు మాకు పాఠాలు పంపాయి మరియు మేము వాటిపై అశ్లీల నిఘంటువులు, అశ్లీల నిఘంటువులు మరియు సాధారణ వ్యక్తీకరణలను అమలు చేసాము - విశ్లేషకులు ప్రతిదీ మానవీయంగా సంకలనం చేసారు. కానీ కాలక్రమేణా, ఈ సేవ పెరుగుతున్న సంఖ్యలో Yandex ఉత్పత్తులలో ఉపయోగించబడింది మరియు మేము కొత్త సమస్యలతో పని చేయడం నేర్చుకోవాలి.

తరచుగా, సమీక్షకు బదులుగా, వినియోగదారులు తమ విజయాలను పెంచుకోవడానికి ప్రయత్నిస్తూ అర్థరహితమైన అక్షరాలను ప్రచురిస్తారు, కొన్నిసార్లు వారు తమ కంపెనీని పోటీదారు కంపెనీకి సంబంధించిన సమీక్షలలో ప్రచారం చేస్తారు మరియు కొన్నిసార్లు వారు సంస్థలను గందరగోళానికి గురిచేస్తారు మరియు పెట్ స్టోర్ గురించి సమీక్షలో వ్రాస్తారు: “ ఖచ్చితంగా వండిన చేప! ” బహుశా ఏదో ఒక రోజు కృత్రిమ మేధస్సు ఏదైనా టెక్స్ట్ యొక్క అర్ధాన్ని సంపూర్ణంగా గ్రహించడం నేర్చుకుంటుంది, కానీ ఇప్పుడు ఆటోమేషన్ కొన్నిసార్లు మానవుల కంటే ఘోరంగా ఉంటుంది.

మాన్యువల్ మార్కింగ్ లేకుండా మేము దీన్ని చేయలేమని స్పష్టమైంది మరియు మేము మా సర్క్యూట్‌కు రెండవ దశను జోడించాము-ఒక వ్యక్తి ద్వారా మాన్యువల్ తనిఖీ కోసం పంపడం. వర్గీకరణదారు ఎటువంటి సమస్యలను చూడని ప్రచురించిన గ్రంథాలు అక్కడ చేర్చబడ్డాయి. అటువంటి పని యొక్క స్థాయిని మీరు సులభంగా ఊహించవచ్చు, కాబట్టి మేము మదింపుదారులపై మాత్రమే ఆధారపడలేదు, కానీ "సమూహం యొక్క జ్ఞానం" యొక్క ప్రయోజనాన్ని కూడా పొందాము, అంటే, మేము సహాయం కోసం టోలోకర్ల వైపు తిరిగాము. యంత్రం తప్పిపోయిన వాటిని గుర్తించడంలో మాకు సహాయపడే వారు మరియు తద్వారా దానిని బోధిస్తారు.

స్మార్ట్ కాషింగ్ మరియు LSH హ్యాషింగ్

వ్యాఖ్యలతో పని చేస్తున్నప్పుడు మేము ఎదుర్కొన్న మరొక సమస్య స్పామ్ లేదా మరింత ఖచ్చితంగా చెప్పాలంటే, దాని వాల్యూమ్ మరియు స్ప్రెడ్ వేగం. Yandex.Region ప్రేక్షకులు వేగంగా పెరగడం ప్రారంభించినప్పుడు, స్పామర్లు అక్కడికి వచ్చారు. వారు వచనాన్ని కొద్దిగా మార్చడం ద్వారా సాధారణ వ్యక్తీకరణలను దాటవేయడం నేర్చుకున్నారు. స్పామ్, వాస్తవానికి, ఇప్పటికీ కనుగొనబడింది మరియు తొలగించబడింది, కానీ Yandex స్థాయిలో, 5 నిమిషాల పాటు పోస్ట్ చేసిన ఆమోదయోగ్యం కాని సందేశాన్ని వందలాది మంది వ్యక్తులు చూడవచ్చు.

వాస్తవానికి, ఇది మాకు సరిపోలేదు మరియు మేము LSH ఆధారంగా స్మార్ట్ టెక్స్ట్ కాషింగ్ చేసాము (స్థానికత-సెన్సిటివ్ హ్యాషింగ్) ఇది ఇలా పనిచేస్తుంది: మేము వచనాన్ని సాధారణీకరించాము, దాని నుండి లింక్‌లను తీసివేసి, దానిని n-గ్రాములు (n అక్షరాల క్రమాలు)గా కట్ చేసాము. తరువాత, n-గ్రాముల హాష్‌లు లెక్కించబడ్డాయి మరియు పత్రం యొక్క LSH వెక్టర్ వాటి నుండి నిర్మించబడింది. సారూప్య గ్రంథాలు, వాటిని కొద్దిగా మార్చినప్పటికీ, సారూప్య వెక్టర్‌లుగా మారాయి.

ఈ పరిష్కారం సారూప్య గ్రంథాల కోసం వర్గీకరణదారులు మరియు టోలోకర్‌ల తీర్పులను మళ్లీ ఉపయోగించడం సాధ్యం చేసింది. స్పామ్ దాడి సమయంలో, మొదటి సందేశం స్కాన్‌ను ఆమోదించి, "స్పామ్" తీర్పుతో కాష్‌లోకి ప్రవేశించిన వెంటనే, అన్ని కొత్త సారూప్య సందేశాలు, సవరించినవి కూడా ఒకే తీర్పును పొందాయి మరియు స్వయంచాలకంగా తొలగించబడతాయి. తర్వాత, మేము స్పామ్ వర్గీకరణదారులకు శిక్షణ ఇవ్వడం మరియు స్వయంచాలకంగా తిరిగి శిక్షణ ఇవ్వడం ఎలాగో నేర్చుకున్నాము, అయితే ఈ “స్మార్ట్ కాష్” మాతోనే ఉండిపోయింది మరియు ఇప్పటికీ మాకు సహాయం చేస్తుంది.

మంచి వచన వర్గీకరణ

స్పామ్‌తో పోరాడకుండా విరామం తీసుకోకుండా, మా కంటెంట్‌లో 95% మాన్యువల్‌గా మోడరేట్ చేయబడిందని మేము గ్రహించాము: వర్గీకరణదారులు ఉల్లంఘనలకు మాత్రమే ప్రతిస్పందిస్తారు మరియు చాలా టెక్స్ట్‌లు మంచివి. మేము 95కి 100 కేసుల్లో "అంతా సరే" అనే రేటింగ్ ఇచ్చే క్లీనర్‌లను లోడ్ చేస్తాము. నేను అసాధారణమైన పనిని చేయవలసి వచ్చింది - మంచి కంటెంట్ యొక్క వర్గీకరణలను తయారు చేయడం, అదృష్టవశాత్తూ ఈ సమయంలో తగినంత మార్కప్ సేకరించబడింది.

మొదటి వర్గీకరణ ఇలా ఉంది: మేము టెక్స్ట్‌ను లెమ్మటైజ్ చేస్తాము (పదాలను వాటి ప్రారంభ రూపానికి తగ్గించండి), ప్రసంగంలోని అన్ని సహాయక భాగాలను విసిరివేసి, ముందుగా సిద్ధం చేసిన “మంచి లెమ్మాస్ నిఘంటువు”ని ఉపయోగిస్తాము. టెక్స్ట్‌లోని అన్ని పదాలు “మంచివి” అయితే, మొత్తం వచనం ఎటువంటి ఉల్లంఘనలను కలిగి ఉండదు. వివిధ సేవలపై, ఈ విధానం వెంటనే మాన్యువల్ మార్కప్ యొక్క 25 నుండి 35% ఆటోమేషన్‌ను అందించింది. వాస్తవానికి, ఈ విధానం అనువైనది కాదు: అనేక అమాయక పదాలను కలపడం మరియు చాలా అప్రియమైన ప్రకటనను పొందడం సులభం, అయితే ఇది మంచి స్థాయి ఆటోమేషన్‌ను త్వరగా చేరుకోవడానికి మాకు వీలు కల్పించింది మరియు మరింత సంక్లిష్టమైన మోడళ్లకు శిక్షణ ఇవ్వడానికి మాకు సమయం ఇచ్చింది.

మంచి టెక్స్ట్ క్లాసిఫైయర్‌ల తదుపరి వెర్షన్‌లలో ఇప్పటికే లీనియర్ మోడల్‌లు, డెసిషన్ ట్రీలు మరియు వాటి కాంబినేషన్‌లు ఉన్నాయి. మొరటుతనం మరియు అవమానాలను గుర్తించడానికి, ఉదాహరణకు, మేము BERT న్యూరల్ నెట్‌వర్క్‌ని ప్రయత్నిస్తాము. సందర్భానుసారంగా ఒక పదం యొక్క అర్థాన్ని మరియు వివిధ వాక్యాల నుండి పదాల మధ్య సంబంధాన్ని గ్రహించడం చాలా ముఖ్యం మరియు BERT దీనికి మంచి పని చేస్తుంది. (మార్గం ద్వారా, వార్తలు నుండి ఇటీవల సహోద్యోగులు చెప్పారు, ప్రామాణికం కాని పని కోసం సాంకేతికత ఎలా ఉపయోగించబడుతుంది - హెడర్‌లలో లోపాలను కనుగొనడం.) ఫలితంగా, సేవ ఆధారంగా 90% వరకు ప్రవాహాన్ని ఆటోమేట్ చేయడం సాధ్యమైంది.

ఖచ్చితత్వం, పరిపూర్ణత మరియు వేగం

అభివృద్ధి చేయడానికి, నిర్దిష్ట ఆటోమేటిక్ వర్గీకరణలు ఎలాంటి ప్రయోజనాలను తెస్తాయి, వాటిలో మార్పులు మరియు మాన్యువల్ తనిఖీల నాణ్యత దిగజారిపోతున్నాయో మీరు అర్థం చేసుకోవాలి. దీన్ని చేయడానికి, మేము ఖచ్చితమైన మరియు రీకాల్ మెట్రిక్‌లను ఉపయోగిస్తాము.

ఖచ్చితత్వం అనేది చెడు కంటెంట్ గురించిన అన్ని తీర్పులలో సరైన తీర్పుల నిష్పత్తి. ఎక్కువ ఖచ్చితత్వం, తప్పుడు పాజిటివ్‌లు తక్కువగా ఉంటాయి. మీరు ఖచ్చితత్వానికి శ్రద్ధ చూపకపోతే, సిద్ధాంతపరంగా మీరు అన్ని స్పామ్ మరియు అశ్లీలతలను తొలగించవచ్చు మరియు వాటితో పాటు మంచి సందేశాలలో సగం కూడా తొలగించవచ్చు. మరోవైపు, మీరు ఖచ్చితత్వంపై మాత్రమే ఆధారపడినట్లయితే, ఎవరినీ పట్టుకోని సాంకేతికత ఉత్తమమైనది. అందువల్ల, సంపూర్ణత యొక్క సూచిక కూడా ఉంది: చెడు కంటెంట్ మొత్తం వాల్యూమ్‌లో గుర్తించబడిన చెడు కంటెంట్ యొక్క వాటా. ఈ రెండు కొలమానాలు ఒకదానికొకటి సమతుల్యం చేస్తాయి.

కొలవడానికి, మేము ప్రతి సేవ కోసం మొత్తం ఇన్‌కమింగ్ స్ట్రీమ్‌ను శాంపిల్ చేస్తాము మరియు నిపుణుల మూల్యాంకనం మరియు మెషిన్ సొల్యూషన్‌లతో పోల్చడం కోసం మదింపుదారులకు కంటెంట్ నమూనాలను అందిస్తాము.

కానీ మరొక ముఖ్యమైన సూచిక ఉంది.

ఆమోదయోగ్యం కాని సందేశాన్ని 5 నిమిషాల్లో కూడా వందల మంది చూడవచ్చని నేను పైన వ్రాసాను. కాబట్టి మేము చెడు కంటెంట్‌ను దాచడానికి ముందు వ్యక్తులకు ఎన్నిసార్లు చూపించామో లెక్కిస్తాము. ఇది ముఖ్యం ఎందుకంటే ఇది సమర్ధవంతంగా పని చేయడానికి సరిపోదు - మీరు కూడా త్వరగా పని చేయాలి. మరియు మేము ప్రమాణానికి వ్యతిరేకంగా రక్షణను నిర్మించినప్పుడు, మేము దానిని పూర్తి స్థాయిలో భావించాము.

పిల్లులు మరియు కుక్కల ఉదాహరణను ఉపయోగించి యాంటిమాటిజం

ఒక చిన్న లిరికల్ డైగ్రెషన్. అశ్లీలత మరియు అవమానాలు హానికరమైన లింక్‌ల వలె ప్రమాదకరమైనవి కావు మరియు స్పామ్ వలె బాధించేవి కావు అని కొందరు చెప్పవచ్చు. కానీ మిలియన్ల మంది వినియోగదారులకు కమ్యూనికేషన్ కోసం సౌకర్యవంతమైన పరిస్థితులను నిర్వహించడానికి మేము కృషి చేస్తాము మరియు ప్రజలు అవమానించబడిన ప్రదేశాలకు తిరిగి రావడానికి ఇష్టపడరు. ప్రమాణం మరియు అవమానాలపై నిషేధం హబ్రేతో సహా అనేక సంఘాల నియమాలలో పేర్కొనబడినది ఏమీ కాదు. కానీ మేము తప్పుకుంటాము.

ప్రమాణ నిఘంటువులు రష్యన్ భాష యొక్క అన్ని గొప్పతనాన్ని భరించలేవు. నాలుగు ప్రధాన ప్రమాణ మూలాలు మాత్రమే ఉన్నప్పటికీ, వాటి నుండి మీరు ఏ సాధారణ ఇంజిన్‌ల ద్వారా పట్టుకోలేని లెక్కలేనన్ని పదాలను తయారు చేయవచ్చు. అదనంగా, మీరు ఒక పదంలో కొంత భాగాన్ని లిప్యంతరీకరణలో వ్రాయవచ్చు, అక్షరాలను ఒకే విధమైన కలయికలతో భర్తీ చేయవచ్చు, అక్షరాలను క్రమాన్ని మార్చవచ్చు, ఆస్టరిస్క్‌లను జోడించవచ్చు. మేము హబ్ర్ నియమాలను గౌరవిస్తాము, కాబట్టి మేము దీనిని ప్రత్యక్ష ఉదాహరణలతో కాకుండా పిల్లులు మరియు కుక్కలతో ప్రదర్శిస్తాము.

"చట్టం," పిల్లి చెప్పింది. కానీ పిల్లి వేరే మాట చెప్పిందని మనకు అర్థమైంది...

మేము మా నిఘంటువు కోసం "అస్పష్టమైన సరిపోలిక" అల్గారిథమ్‌ల గురించి మరియు తెలివిగా ప్రీప్రాసెసింగ్ గురించి ఆలోచించడం ప్రారంభించాము: మేము లిప్యంతరీకరణ, అతికించిన ఖాళీలు మరియు విరామచిహ్నాలను కలిపి అందించాము, నమూనాల కోసం వెతుకుతున్నాము మరియు వాటిపై ప్రత్యేక సాధారణ వ్యక్తీకరణలను వ్రాసాము. ఈ విధానం ఫలితాలను తెచ్చింది, కానీ తరచుగా ఖచ్చితత్వాన్ని తగ్గించింది మరియు కావలసిన సంపూర్ణతను అందించలేదు.

అప్పుడు మేము "ప్రమాణకారుల వలె ఆలోచించాలని" నిర్ణయించుకున్నాము. మేము డేటాలో శబ్దాన్ని పరిచయం చేయడం ప్రారంభించాము: మేము అక్షరాలను పునర్వ్యవస్థీకరించాము, అక్షరదోషాలను సృష్టించాము, అక్షరాలను ఒకే విధమైన స్పెల్లింగ్‌లతో భర్తీ చేసాము మరియు మొదలైనవి. పెద్ద కార్పోరా టెక్స్ట్‌లకు మ్యాట్ నిఘంటువులను వర్తింపజేయడం ద్వారా దీని కోసం ప్రారంభ మార్కప్ తీసుకోబడింది. మీరు ఒక వాక్యాన్ని తీసుకొని దానిని అనేక రకాలుగా తిప్పితే, మీరు అనేక వాక్యాలతో ముగుస్తుంది. ఈ విధంగా మీరు శిక్షణ నమూనాను పదులసార్లు పెంచవచ్చు. సందర్భాన్ని పరిగణనలోకి తీసుకున్న కొన్ని ఎక్కువ లేదా తక్కువ స్మార్ట్ మోడల్‌లో ఫలిత పూల్‌పై శిక్షణ ఇవ్వడం మాత్రమే మిగిలి ఉంది.

తుది నిర్ణయం గురించి మాట్లాడటానికి ఇది చాలా తొందరగా ఉంది. మేము ఇప్పటికీ ఈ సమస్యకు సంబంధించిన విధానాలతో ప్రయోగాలు చేస్తున్నాము, అయితే అనేక పొరల యొక్క సాధారణ సింబాలిక్ కన్వల్యూషనల్ నెట్‌వర్క్ నిఘంటువులను మరియు సాధారణ ఇంజిన్‌లను గణనీయంగా అధిగమిస్తుందని మేము ఇప్పటికే చూడవచ్చు: ఖచ్చితత్వం మరియు రీకాల్ రెండింటినీ పెంచడం సాధ్యమవుతుంది.

వాస్తవానికి, అత్యంత అధునాతనమైన ఆటోమేషన్‌ను కూడా దాటవేయడానికి ఎల్లప్పుడూ మార్గాలు ఉంటాయని మేము అర్థం చేసుకున్నాము, ముఖ్యంగా విషయం చాలా ప్రమాదకరం అయినప్పుడు: తెలివితక్కువ యంత్రం అర్థం చేసుకోని విధంగా వ్రాయండి. ఇక్కడ, స్పామ్‌పై పోరాటంలో వలె, మా లక్ష్యం అశ్లీలంగా ఏదైనా వ్రాసే అవకాశాన్ని నిర్మూలించడం కాదు; ఆట కొవ్వొత్తికి విలువైనది కాదని నిర్ధారించుకోవడం మా పని.

మీ అభిప్రాయాన్ని పంచుకోవడానికి, కమ్యూనికేట్ చేయడానికి మరియు వ్యాఖ్యానించడానికి అవకాశాన్ని తెరవడం కష్టం కాదు. సురక్షితమైన, సౌకర్యవంతమైన పరిస్థితులు మరియు ప్రజల పట్ల గౌరవప్రదమైన చికిత్సను సాధించడం చాలా కష్టం. ఇది లేకుండా ఏ సమాజం అభివృద్ధి చెందదు.

మూలం: www.habr.com