2018 میں، MLOps کا تصور پیشہ ور حلقوں میں اور AI کے لیے مخصوص موضوعاتی کانفرنسوں میں نمودار ہوا، جس نے صنعت میں تیزی سے قبضہ جما لیا اور اب ایک آزاد سمت کے طور پر ترقی کر رہا ہے۔ مستقبل میں، MLOps IT میں سب سے زیادہ مقبول علاقوں میں سے ایک بن سکتا ہے۔ یہ کیا ہے اور اسے کس چیز کے ساتھ کھایا جاتا ہے؟آئیے ذیل میں جانتے ہیں۔
MLOps کیا ہے؟
MLOps (مشین لرننگ ٹیکنالوجیز اور پروسیسز اور ترقی یافتہ ماڈلز کو کاروباری عمل میں لاگو کرنے کے طریقوں کو یکجا کرنا) مصنوعی ذہانت کے نظام کو تخلیق کرتے وقت کاروباری نمائندوں، سائنسدانوں، ریاضی دانوں، مشین لرننگ ماہرین اور IT انجینئرز کے درمیان تعاون کا ایک نیا طریقہ ہے۔
دوسرے لفظوں میں، یہ مشین لرننگ کے طریقوں اور ٹیکنالوجیز کو کاروباری مسائل کو حل کرنے کے لیے ایک مفید ٹول میں تبدیل کرنے کا ایک طریقہ ہے۔
یہ سمجھنا ضروری ہے کہ پیداواریت کا سلسلہ ماڈل کی ترقی سے بہت پہلے شروع ہو جاتا ہے۔ اس کا پہلا قدم کاروباری مسئلے کی وضاحت کرنا ہے، اس قدر کے بارے میں ایک مفروضہ جو ڈیٹا سے نکالا جا سکتا ہے، اور اسے لاگو کرنے کے لیے ایک کاروباری خیال۔
MLOps کا تصور ہی مشین لرننگ ماڈلز اور ٹیکنالوجیز کے سلسلے میں DevOps کے تصور سے مشابہت کے طور پر پیدا ہوا۔ DevOps سافٹ ویئر ڈویلپمنٹ کا ایک نقطہ نظر ہے جو آپ کو متعدد طریقوں کا استعمال کرتے ہوئے لچک اور وشوسنییتا کو برقرار رکھتے ہوئے انفرادی تبدیلیوں کے نفاذ کی رفتار بڑھانے کی اجازت دیتا ہے، بشمول مسلسل ترقی، متعدد آزاد مائیکرو سروسز میں افعال کی تقسیم، خودکار جانچ اور فرد کی تعیناتی۔ تبدیلیاں، عالمی صحت کی نگرانی، پتہ چلنے والی ناکامیوں کے لیے تیز رفتار رسپانس سسٹم، وغیرہ۔
DevOps نے سافٹ ویئر لائف سائیکل کی تعریف کی ہے، اور کمیونٹی نے بڑے ڈیٹا پر اسی طریقہ کار کو لاگو کرنے کا خیال پیش کیا ہے۔ DataOps متنوع اور انٹرآپریبل پلیٹ فارمز میں ڈیٹا کی بڑی مقدار کو ذخیرہ کرنے، منتقل کرنے اور اس پر کارروائی کرنے کی خصوصیات کو مدنظر رکھتے ہوئے طریقہ کار کو اپنانے اور بڑھانے کی کوشش ہے۔
انٹرپرائزز کے کاروباری عمل میں لاگو مشین لرننگ ماڈلز کے ایک خاص اہم ماس کی آمد کے ساتھ، ریاضی کے مشین لرننگ ماڈلز کے لائف سائیکل اور سافٹ ویئر لائف سائیکل کے درمیان ایک مضبوط مماثلت دیکھی گئی۔ فرق صرف اتنا ہے کہ ماڈل الگورتھم مشین لرننگ ٹولز اور طریقوں کا استعمال کرتے ہوئے بنائے گئے ہیں۔ لہذا، یہ خیال قدرتی طور پر پیدا ہوا کہ مشین لرننگ ماڈلز کے لیے سافٹ ویئر ڈویلپمنٹ کے لیے پہلے سے معلوم طریقوں کو لاگو کیا جائے اور ان کو اپنایا جائے۔ اس طرح، مشین لرننگ ماڈلز کے لائف سائیکل میں درج ذیل کلیدی مراحل کو پہچانا جا سکتا ہے:
- کاروباری خیال کی وضاحت؛
- ماڈل ٹریننگ؛
- کاروباری عمل میں ماڈل کی جانچ اور نفاذ؛
- ماڈل کے آپریشن.
جب آپریشن کے دوران نئے ڈیٹا پر ماڈل کو تبدیل کرنے یا دوبارہ تربیت دینے کی ضرورت ہوتی ہے، تو سائیکل دوبارہ شروع ہوتا ہے - ماڈل کو بہتر کیا جاتا ہے، ٹیسٹ کیا جاتا ہے، اور ایک نیا ورژن تعینات کیا جاتا ہے۔
پیچھے ہٹنا۔ کیوں دوبارہ تربیت دیں اور دوبارہ تربیت نہ دیں؟ "ماڈل ری ٹریننگ" کی اصطلاح کا دوہرا مطلب ہے: ماہرین کے نزدیک اس کا مطلب ماڈل کی خرابی ہے، جب ماڈل اچھی پیش گوئی کرتا ہے، درحقیقت تربیتی سیٹ پر پیش گوئی شدہ پیرامیٹر کو دہراتا ہے، لیکن بیرونی ڈیٹا کے نمونے پر اس سے کہیں زیادہ خراب کارکردگی کا مظاہرہ کرتا ہے۔ قدرتی طور پر، اس طرح کے ماڈل ایک عیب ہے، کیونکہ یہ عیب اس کے استعمال کی اجازت نہیں دیتا.
اس لائف سائیکل میں، DevOps ٹولز کا استعمال منطقی معلوم ہوتا ہے: خودکار جانچ، تعیناتی اور نگرانی، علیحدہ مائیکرو سروسز کی شکل میں ماڈل کیلکولیشنز کو ڈیزائن کرنا۔ لیکن بہت سی خصوصیات ایسی بھی ہیں جو اضافی ایم ایل بائنڈنگ کے بغیر ان ٹولز کے براہ راست استعمال کو روکتی ہیں۔
ماڈلز کو کام کرنے اور منافع بخش بنانے کا طریقہ
ایک مثال کے طور پر جس میں ہم MLOps اپروچ کے استعمال کا مظاہرہ کریں گے، ہم بینکنگ (یا کسی اور) پروڈکٹ کے لیے چیٹ سپورٹ کو روبوٹائز کرنے کا بہترین کام لیں گے۔ عام طور پر، ایک چیٹ سپورٹ کاروباری عمل اس طرح نظر آتا ہے: ایک کلائنٹ چیٹ میں سوال کے ساتھ ایک پیغام داخل کرتا ہے اور پہلے سے طے شدہ ڈائیلاگ ٹری کے اندر ایک ماہر سے جواب وصول کرتا ہے۔ اس طرح کے چیٹ کو خودکار بنانے کا کام عام طور پر ماہرانہ طور پر طے شدہ اصولوں کے سیٹ کا استعمال کرتے ہوئے حل کیا جاتا ہے، جو تیار کرنے اور برقرار رکھنے کے لیے بہت محنت طلب ہوتے ہیں۔ اس طرح کے آٹومیشن کی کارکردگی، کام کی پیچیدگی کی سطح پر منحصر ہے، 20-30٪ ہوسکتی ہے. قدرتی طور پر، یہ خیال پیدا ہوتا ہے کہ مصنوعی ذہانت کے ماڈیول کو لاگو کرنا زیادہ منافع بخش ہے - ایک ماڈل جو مشین لرننگ کا استعمال کرتے ہوئے تیار کیا گیا ہے، جو:
- آپریٹر کی شرکت کے بغیر درخواستوں کی ایک بڑی تعداد پر کارروائی کرنے کے قابل ہے (موضوع پر منحصر ہے، بعض صورتوں میں کارکردگی 70-80% تک پہنچ سکتی ہے)؛
- مکالمے میں غیر معیاری الفاظ کو بہتر طور پر ڈھال لیتا ہے - واضح طور پر تیار کردہ درخواست کی بنیاد پر صارف کی اصل خواہش، ارادے کا تعین کرنے کے قابل ہے۔
- یہ جانتا ہے کہ ماڈل کا جواب کب مناسب ہے اس کا تعین کیسے کریں، اور جب اس جواب کی "آگاہی" کے بارے میں شکوک و شبہات ہوں اور آپ کو ایک اضافی وضاحتی سوال پوچھنے یا آپریٹر سے رجوع کرنے کی ضرورت ہو؛
- اضافی طور پر خود بخود تربیت دی جا سکتی ہے (ڈیولپرز کے ایک گروپ کے جوابی اسکرپٹس کو مسلسل ڈھالنے اور درست کرنے کے بجائے، ماڈل کو اضافی طور پر ڈیٹا سائنس کے ماہر کے ذریعہ مناسب مشین لرننگ لائبریریوں کا استعمال کرتے ہوئے تربیت دی جاتی ہے)۔
اس طرح کے اعلی درجے کے ماڈل کو کیسے کام کیا جائے؟
جیسا کہ کسی دوسرے مسئلے کو حل کرنے کے ساتھ، اس طرح کے ماڈیول کو تیار کرنے سے پہلے، ضروری ہے کہ کاروباری عمل کی وضاحت کی جائے اور اس مخصوص کام کی رسمی طور پر وضاحت کی جائے جسے ہم مشین لرننگ کے طریقہ کار سے حل کریں گے۔ اس مقام پر، آپریشنلائزیشن کا عمل شروع ہوتا ہے، جسے مخفف Ops کے ذریعے نامزد کیا گیا ہے۔
اگلا مرحلہ یہ ہے کہ ڈیٹا سائنسدان، ڈیٹا انجینئر کے ساتھ مل کر، ڈیٹا کی دستیابی اور کفایت اور کاروباری خیال کے قابل عمل ہونے کے بارے میں کاروباری مفروضے کی جانچ کرتا ہے، ایک پروٹو ٹائپ ماڈل تیار کرتا ہے اور اس کی اصل تاثیر کو جانچتا ہے۔ کاروبار کی طرف سے تصدیق کے بعد ہی کسی ماڈل کو تیار کرنے سے لے کر اسے ایسے نظاموں میں ضم کرنے تک کی منتقلی شروع ہو سکتی ہے جو ایک مخصوص کاروباری عمل انجام دیتے ہیں۔ اختتام سے آخر تک عمل درآمد کی منصوبہ بندی، ہر مرحلے پر ایک گہری تفہیم کہ ماڈل کو کس طرح استعمال کیا جائے گا اور اس سے کیا معاشی اثرات مرتب ہوں گے، کمپنی کے تکنیکی منظر نامے میں MLOps نقطہ نظر کو متعارف کرانے کے عمل میں ایک بنیادی نکتہ ہے۔
AI ٹیکنالوجیز کی ترقی کے ساتھ، مشین لرننگ کے ذریعے حل کیے جانے والے مسائل کی تعداد اور مختلف قسموں میں تیزی سے اضافہ ہو رہا ہے۔ اس طرح کا ہر کاروباری عمل بڑے پیمانے پر ملازمین کی محنت (کال سینٹر، دستاویزات کی جانچ اور چھانٹنا وغیرہ) کی آٹومیشن کی وجہ سے کمپنی کے لیے بچت ہے، یہ نئے پرکشش اور آسان فنکشنز کو شامل کرکے کلائنٹ بیس کی توسیع ہے۔ ان کے زیادہ سے زیادہ استعمال اور وسائل کی دوبارہ تقسیم اور بہت کچھ کی وجہ سے پیسہ بچا رہا ہے۔ بالآخر، کوئی بھی عمل قدر پیدا کرنے پر مرکوز ہے اور اس کے نتیجے میں، ایک خاص اقتصادی اثر لانا چاہیے۔ یہاں یہ بہت اہم ہے کہ کاروباری آئیڈیا کو واضح طور پر وضع کیا جائے اور کمپنی کے مجموعی ویلیو تخلیق ڈھانچے میں ماڈل کو لاگو کرنے سے متوقع منافع کا حساب لگایا جائے۔ ایسے حالات ہوتے ہیں جب کسی ماڈل کو لاگو کرنا خود کو درست ثابت نہیں کرتا، اور مشین لرننگ کے ماہرین کی طرف سے خرچ کردہ وقت اس کام کو انجام دینے والے آپریٹر کے کام کی جگہ سے کہیں زیادہ مہنگا ہوتا ہے۔ اس لیے ضروری ہے کہ اے آئی سسٹم بنانے کے ابتدائی مراحل میں ایسے کیسز کی نشاندہی کرنے کی کوشش کی جائے۔
نتیجتاً، ماڈل صرف اسی وقت منافع کمانا شروع کرتے ہیں جب MLOps کے عمل میں کاروباری مسئلہ کو درست طریقے سے وضع کیا گیا ہو، ترجیحات کا تعین کیا گیا ہو، اور ماڈل کو نظام میں متعارف کرانے کا عمل ترقی کے ابتدائی مراحل میں وضع کیا گیا ہو۔
نیا عمل - نئے چیلنجز
بنیادی کاروباری سوال کا ایک جامع جواب کہ ML ماڈل مسائل کو حل کرنے کے لیے کس حد تک لاگو ہوتے ہیں، AI پر اعتماد کا عمومی مسئلہ MLOps طریقوں کو تیار کرنے اور لاگو کرنے کے عمل میں کلیدی چیلنجوں میں سے ایک ہے۔ ابتدائی طور پر، کاروباری اداروں کو مشین لرننگ کے عمل میں متعارف کرانے کے بارے میں شکوک و شبہات ہیں - ان جگہوں پر ماڈلز پر انحصار کرنا مشکل ہے جہاں پہلے، ایک اصول کے طور پر، لوگ کام کرتے تھے۔ کاروبار کے لیے، پروگرام ایک "بلیک باکس" دکھائی دیتے ہیں، جس کی مطابقت کو ابھی بھی ثابت کرنے کی ضرورت ہے۔ اس کے علاوہ، بینکنگ میں، ٹیلی کام آپریٹرز اور دیگر کے کاروبار میں، حکومتی ریگولیٹرز کے سخت تقاضے ہیں۔ تمام نظام اور الگورتھم جو بینکنگ کے عمل میں لاگو ہوتے ہیں وہ آڈٹ کے تابع ہیں۔ اس مسئلے کو حل کرنے کے لیے، کاروباری اداروں اور ریگولیٹرز کو مصنوعی ذہانت کے جوابات کی درستگی اور درستگی کو ثابت کرنے کے لیے، ماڈل کے ساتھ مانیٹرنگ ٹولز متعارف کرائے جا رہے ہیں۔ اس کے علاوہ، توثیق کا ایک آزاد طریقہ کار ہے، جو ریگولیٹری ماڈلز کے لیے لازمی ہے، جو مرکزی بینک کی ضروریات کو پورا کرتا ہے۔ ایک آزاد ماہر گروپ ان پٹ ڈیٹا کو مدنظر رکھتے ہوئے ماڈل کے ذریعے حاصل کردہ نتائج کا آڈٹ کرتا ہے۔
دوسرا چیلنج مشین لرننگ ماڈل کو لاگو کرتے وقت ماڈل کے خطرات کا اندازہ لگانا اور اسے مدنظر رکھنا ہے۔ اگر کوئی شخص سو فیصد یقین کے ساتھ اس سوال کا جواب نہ دے سکے کہ وہی لباس سفید تھا یا نیلا، تب بھی مصنوعی ذہانت کو غلطی کرنے کا حق حاصل ہے۔ یہ بات بھی قابل غور ہے کہ ڈیٹا وقت کے ساتھ بدل سکتا ہے، اور کافی حد تک درست نتیجہ پیدا کرنے کے لیے ماڈلز کو دوبارہ تربیت دینے کی ضرورت ہے۔ اس بات کو یقینی بنانے کے لیے کہ کاروباری عمل متاثر نہ ہو، یہ ضروری ہے کہ ماڈل کے خطرات کا انتظام کیا جائے اور ماڈل کی کارکردگی کی نگرانی کی جائے، اسے باقاعدگی سے نئے ڈیٹا پر دوبارہ تربیت دی جائے۔
لیکن بداعتمادی کے پہلے مرحلے کے بعد الٹا اثر ظاہر ہونا شروع ہو جاتا ہے۔ جتنے زیادہ ماڈلز کو کامیابی کے ساتھ عمل میں لاگو کیا جاتا ہے، مصنوعی ذہانت کے استعمال کے لیے کاروبار کی اتنی ہی زیادہ خواہش بڑھتی جاتی ہے - نئے اور نئے مسائل مل رہے ہیں جنہیں مشین لرننگ کے طریقوں سے حل کیا جا سکتا ہے۔ ہر کام ایک پورے عمل کو متحرک کرتا ہے جس کے لیے کچھ قابلیت کی ضرورت ہوتی ہے:
- ڈیٹا انجینئرز ڈیٹا تیار اور پراسیس کرتے ہیں۔
- ڈیٹا سائنسدان مشین لرننگ ٹولز استعمال کرتے ہیں اور ایک ماڈل تیار کرتے ہیں۔
- IT ماڈل کو سسٹم میں لاگو کرتا ہے۔
- ایم ایل انجینئر یہ تعین کرتا ہے کہ اس ماڈل کو صحیح طریقے سے اس عمل میں کیسے ضم کیا جائے، کون سے IT ٹولز کو استعمال کرنا ہے، ماڈل کے اطلاق کے طریقہ کار کی ضروریات پر منحصر ہے، درخواستوں کے بہاؤ، جوابی وقت وغیرہ کو مدنظر رکھتے ہوئے۔
- ایک ایم ایل آرکیٹیکٹ ڈیزائن کرتا ہے کہ کس طرح ایک سافٹ ویئر پروڈکٹ کو صنعتی نظام میں جسمانی طور پر لاگو کیا جا سکتا ہے۔
پورے چکر کے لیے بڑی تعداد میں اعلیٰ تعلیم یافتہ ماہرین کی ضرورت ہوتی ہے۔ کاروباری عمل میں ایم ایل ماڈلز کی ترقی اور رسائی کے ایک خاص نقطہ پر، یہ پتہ چلتا ہے کہ کاموں کی تعداد میں اضافے کے تناسب سے ماہرین کی تعداد کو خطی طور پر پیمانہ کرنا مہنگا اور غیر موثر ہو جاتا ہے۔ لہذا، MLOps کے عمل کو خودکار کرنے کا سوال پیدا ہوتا ہے - مشین لرننگ کے مسائل کی کئی معیاری کلاسوں کی وضاحت، معیاری ڈیٹا پروسیسنگ پائپ لائنز تیار کرنا اور ماڈلز کی اضافی تربیت۔ ایک مثالی تصویر میں، اس طرح کے مسائل کو حل کرنے کے لیے ایسے پیشہ ور افراد کی ضرورت ہوتی ہے جو بگ ڈیٹا، ڈیٹا سائنس، DevOps اور IT کے چوراہے پر قابلیت میں یکساں طور پر ماہر ہوں۔ لہذا، ڈیٹا سائنس کی صنعت میں سب سے بڑا مسئلہ اور MLOps کے عمل کو منظم کرنے میں سب سے بڑا چیلنج موجودہ ٹریننگ مارکیٹ میں اس طرح کی قابلیت کا فقدان ہے۔ ان ضروریات کو پورا کرنے والے ماہرین فی الحال لیبر مارکیٹ میں نایاب ہیں اور ان کا وزن سونے میں ہے۔
اہلیت کے معاملے پر
نظریہ میں، تمام MLOps کاموں کو کلاسک DevOps ٹولز کا استعمال کرتے ہوئے اور رول ماڈل کی خصوصی توسیع کا سہارا لیے بغیر حل کیا جا سکتا ہے۔ پھر، جیسا کہ ہم نے اوپر لکھا، ایک ڈیٹا سائنسدان کو نہ صرف ایک ریاضی دان اور ڈیٹا تجزیہ کار ہونا چاہیے، بلکہ وہ پوری پائپ لائن کا گرو بھی ہونا چاہیے - وہ فن تعمیر پر منحصر کئی زبانوں میں فن تعمیر، پروگرامنگ کے ماڈلز تیار کرنے کا ذمہ دار ہے۔ ایک ڈیٹا مارٹ اور خود ایپلی کیشن کی تعیناتی۔ تاہم، MLOps کے اختتام سے آخر تک عمل میں لاگو ہونے والے تکنیکی فریم ورک کو بنانے میں 80% تک لیبر لاگت آتی ہے، جس کا مطلب ہے کہ ایک مستند ریاضی دان، جو ایک معیاری ڈیٹا سائنسدان ہے، اپنے وقت کا صرف 20% اپنی خاصیت کے لیے وقف کرے گا۔ . لہذا، مشین لرننگ ماڈلز کو لاگو کرنے کے عمل میں شامل ماہرین کے کردار کو بیان کرنا ضروری ہو جاتا ہے۔
کرداروں کو کس قدر تفصیل سے بیان کیا جانا چاہیے اس کا انحصار انٹرپرائز کے سائز پر ہے۔ یہ ایک چیز ہے جب ایک اسٹارٹ اپ میں ایک ماہر ہوتا ہے، توانائی کے ذخائر میں ایک محنتی کارکن، جو اس کا اپنا انجینئر، آرکیٹیکٹ، اور DevOps ہوتا ہے۔ یہ بالکل مختلف معاملہ ہے جب، ایک بڑے ادارے میں، ماڈل کی ترقی کے تمام عمل چند اعلیٰ سطحی ڈیٹا سائنس ماہرین پر مرکوز ہوتے ہیں، جب کہ ایک پروگرامر یا ڈیٹا بیس ماہر - لیبر مارکیٹ میں زیادہ عام اور کم مہنگی قابلیت - لے سکتا ہے۔ زیادہ تر کاموں پر۔ معمول کے کام۔
اس طرح، ترقی یافتہ ماڈلز کی رفتار اور معیار، ٹیم کی پیداواری صلاحیت اور اس میں موجود مائیکرو آب و ہوا کا براہ راست انحصار اس بات پر ہے کہ MLOps کے عمل کو سپورٹ کرنے کے لیے ماہرین کے انتخاب میں سرحد کہاں ہے اور ترقی یافتہ ماڈلز کو چلانے کے عمل کو کس طرح منظم کیا جاتا ہے۔ .
جو ہماری ٹیم پہلے ہی کر چکی ہے۔
ہم نے حال ہی میں ایک قابلیت کا ڈھانچہ اور MLOps عمل بنانا شروع کیا ہے۔ لیکن ماڈل لائف سائیکل مینجمنٹ اور ماڈلز کو بطور سروس استعمال کرنے سے متعلق ہمارے پروجیکٹس پہلے سے ہی MVP جانچ کے مرحلے میں ہیں۔
ہم نے ایک بڑے انٹرپرائز کے لیے بہترین قابلیت کے ڈھانچے اور عمل میں تمام شرکاء کے درمیان تعامل کے تنظیمی ڈھانچے کا بھی تعین کیا۔ کاروباری صارفین کی پوری رینج کے مسائل کو حل کرنے کے لیے چست ٹیموں کو منظم کیا گیا، اور پلیٹ فارم اور انفراسٹرکچر بنانے کے لیے پروجیکٹ ٹیموں کے ساتھ بات چیت کا ایک عمل قائم کیا گیا، جو کہ زیر تعمیر MLOps عمارت کی بنیاد ہے۔
مستقبل کے لیے سوالات
MLOps ایک بڑھتا ہوا علاقہ ہے جو قابلیت کی کمی کا سامنا کر رہا ہے اور مستقبل میں اس کی رفتار بڑھے گی۔ اس دوران، DevOps کی ترقیوں اور طریقوں کو تیار کرنا بہتر ہے۔ MLOps کا بنیادی ہدف کاروباری مسائل کو حل کرنے کے لیے ML ماڈلز کو زیادہ مؤثر طریقے سے استعمال کرنا ہے۔ لیکن یہ بہت سے سوالات کو جنم دیتا ہے:
- ماڈلز کو پروڈکشن میں لانچ کرنے کا وقت کیسے کم کیا جائے؟
- مختلف اہلیتوں کی ٹیموں کے درمیان بیوروکریٹک رگڑ کو کیسے کم کیا جائے اور تعاون پر توجہ کیسے بڑھائی جائے؟
- ماڈلز کو کیسے ٹریک کریں، ورژنز کا نظم کریں اور موثر نگرانی کا اہتمام کیسے کریں؟
- جدید ایم ایل ماڈل کے لیے واقعی ایک سرکلر لائف سائیکل کیسے بنایا جائے؟
- مشین سیکھنے کے عمل کو معیاری کیسے بنایا جائے؟
ان سوالات کے جوابات بڑی حد تک اس بات کا تعین کریں گے کہ MLOps کتنی جلدی اپنی پوری صلاحیت تک پہنچ جائے گا۔
ماخذ: www.habr.com