مضمون میں بیان کیا گیا ہے کہ کس طرح عمل کرنا ہے۔ WMS-سسٹم، ہمیں ایک غیر معیاری کلسٹرنگ کے مسئلے کو حل کرنے کی ضرورت تھی اور ہم اسے حل کرنے کے لیے کون سے الگورتھم استعمال کرتے تھے۔ ہم آپ کو بتائیں گے کہ ہم نے مسئلہ کو حل کرنے کے لیے ایک منظم، سائنسی طریقہ کار کو کس طرح استعمال کیا، ہمیں کن مشکلات کا سامنا کرنا پڑا اور ہم نے کیا سبق سیکھا۔
یہ اشاعت مضامین کا ایک سلسلہ شروع کرتی ہے جس میں ہم گودام کے عمل میں اصلاحی الگورتھم کو لاگو کرنے کے اپنے کامیاب تجربے کا اشتراک کرتے ہیں۔ مضامین کی سیریز کا مقصد سامعین کو گودام کے آپریشنز کی اصلاح کے مسائل کی اقسام سے واقف کرانا ہے جو تقریباً کسی بھی درمیانے اور بڑے گودام میں پیدا ہوتے ہیں، ساتھ ہی اس طرح کے مسائل کو حل کرنے میں ہمارے تجربے اور راستے میں پیش آنے والی خامیوں کے بارے میں بتانا ہے۔ . مضامین ان لوگوں کے لیے کارآمد ہوں گے جو گودام لاجسٹکس کی صنعت میں کام کرتے ہیں، لاگو کرتے ہیں۔ WMS-سسٹمز، نیز پروگرامرز جو کاروبار میں ریاضی کے اطلاق اور انٹرپرائز میں عمل کی اصلاح میں دلچسپی رکھتے ہیں۔
عمل میں رکاوٹ
2018 میں، ہم نے لاگو کرنے کے لیے ایک پروجیکٹ مکمل کیا۔ WMS- چیلیابنسک میں کمپنی "ٹریڈنگ ہاؤس "LD" کے گودام میں سسٹم۔ ہم نے پروڈکٹ "1C-لاجسٹکس: ویئر ہاؤس مینجمنٹ 3" کو 20 کام کی جگہوں کے لیے نافذ کیا: آپریٹرز WMSاسٹور کیپرز، فورک لفٹ ڈرائیور۔ اوسط گودام تقریباً 4 ہزار m2 ہے، خلیوں کی تعداد 5000 ہے اور SKUs کی تعداد 4500 ہے۔ گودام 1 کلو سے 400 کلوگرام تک مختلف سائز کے ہماری اپنی پیداوار کے بال والوز کو محفوظ کرتا ہے۔ گودام میں انوینٹری بیچوں میں محفوظ کی جاتی ہے، کیونکہ FIFO کے مطابق سامان کا انتخاب کرنے کی ضرورت ہوتی ہے۔
گودام کے عمل کی آٹومیشن اسکیموں کو ڈیزائن کرتے وقت، ہمیں انوینٹری کے غیر موزوں ذخیرہ کے موجودہ مسئلے کا سامنا کرنا پڑا۔ کرینوں کو ذخیرہ کرنے اور ذخیرہ کرنے کی تفصیلات اس طرح ہیں کہ ایک یونٹ اسٹوریج سیل میں صرف ایک بیچ کی اشیاء شامل ہوسکتی ہیں۔ مصنوعات روزانہ گودام میں پہنچتی ہیں اور ہر آنے کا الگ بیچ ہوتا ہے۔ مجموعی طور پر، گودام کے 1 ماہ کے آپریشن کے نتیجے میں، 30 الگ الگ بیچز بنائے گئے ہیں، اس حقیقت کے باوجود کہ ہر ایک کو الگ سیل میں رکھنا چاہیے۔ مصنوعات کو اکثر پورے پیلیٹ میں نہیں بلکہ ٹکڑوں میں منتخب کیا جاتا ہے، اور اس کے نتیجے میں، بہت سے خلیات میں پیس سلیکشن زون میں مندرجہ ذیل تصویر دیکھی جاتی ہے: 1 m3 سے زیادہ حجم والے سیل میں کرینوں کے کئی ٹکڑے ہوتے ہیں۔ سیل کے حجم کے 5-10٪ سے کم پر قبضہ کرتے ہیں۔
تصویر 1. ایک سیل میں سامان کے کئی ٹکڑوں کی تصویر
یہ واضح ہے کہ ذخیرہ کرنے کی صلاحیت کو زیادہ سے زیادہ استعمال نہیں کیا جا رہا ہے۔ تباہی کے پیمانے کا تصور کرنے کے لیے، میں اعداد و شمار دے سکتا ہوں: گودام کے آپریشن کے مختلف ادوار کے دوران اوسطاً ایسے خلیات کے 1 سے 3 خلیے ہوتے ہیں جن کا حجم 100 m300 سے زیادہ ہوتا ہے۔ چونکہ گودام نسبتاً چھوٹا ہوتا ہے، اس لیے گودام کے مصروف موسموں کے دوران یہ عنصر ایک "روکاوٹ" بن جاتا ہے اور گودام کے عمل کو بہت سست کر دیتا ہے۔
مسئلے کے حل کا خیال
ایک خیال پیدا ہوا: قریب ترین تاریخوں کے ساتھ بچ جانے والے کھیپوں کو کم کر کے ایک ہی کھیپ میں رکھ دیا جانا چاہیے، اور متحد بیچ کے ساتھ اس طرح کے بچ جانے والے حصے کو ایک خلیے میں، یا کئی میں، اگر ایک میں اتنی جگہ نہ ہو کہ ایک سیل میں رکھ دیا جائے۔ باقیات کی پوری رقم۔
تصویر 2۔ خلیات میں باقیات کو کمپریس کرنے کی اسکیم
یہ آپ کو گودام کی مقبوضہ جگہ کو نمایاں طور پر کم کرنے کی اجازت دیتا ہے جو کہ نئے سامان کے لیے استعمال کیا جائے گا۔ ایسی صورت حال میں جہاں گودام کی گنجائش بہت زیادہ ہے، ایسا اقدام انتہائی ضروری ہے، بصورت دیگر نئے سامان کو ایڈجسٹ کرنے کے لیے کافی خالی جگہ نہیں ہوسکتی ہے، جس کی وجہ سے گودام کی جگہ اور دوبارہ بھرنے کے عمل رک جائیں گے۔ نفاذ سے پہلے پہلے WMSسسٹمز نے یہ آپریشن دستی طور پر کیا، جو کہ غیر موثر تھا، کیونکہ خلیات میں مناسب باقیات کی تلاش کا عمل کافی طویل تھا۔ اب، WMS سسٹم کے متعارف ہونے کے ساتھ، ہم نے اس عمل کو خودکار بنانے، اسے تیز کرنے اور اسے ذہین بنانے کا فیصلہ کیا۔
اس طرح کے مسئلے کو حل کرنے کے عمل کو 2 مراحل میں تقسیم کیا گیا ہے:
- پہلے مرحلے پر ہمیں بیچوں کے گروپس ملتے ہیں جو کمپریشن کی تاریخ میں قریب ہوتے ہیں۔
- دوسرے مرحلے پر، بیچوں کے ہر گروپ کے لیے ہم خلیات میں باقی سامان کی سب سے زیادہ کمپیکٹ جگہ کا حساب لگاتے ہیں۔
موجودہ مضمون میں ہم الگورتھم کے پہلے مرحلے پر توجہ مرکوز کریں گے، اور اگلے مضمون کے لیے دوسرے مرحلے کی کوریج چھوڑ دیں گے۔
مسئلہ کا ایک ریاضیاتی ماڈل تلاش کریں۔
اس سے پہلے کہ ہم کوڈ لکھنے بیٹھیں اور اپنے پہیے کو دوبارہ ایجاد کریں، ہم نے اس مسئلے سے سائنسی طور پر رجوع کرنے کا فیصلہ کیا، یعنی: اسے ریاضیاتی طور پر وضع کریں، اسے ایک معروف مجرد اصلاحی مسئلہ تک کم کریں اور اسے حل کرنے کے لیے موثر موجودہ الگورتھم استعمال کریں، یا ان موجودہ الگورتھم کو استعمال کریں۔ ایک بنیاد کے طور پر اور انہیں حل کیے جانے والے عملی مسئلے کی تفصیلات میں ترمیم کریں۔
چونکہ یہ واضح طور پر اس مسئلے کی کاروباری تشکیل سے پیروی کرتا ہے جسے ہم سیٹ کے ساتھ نمٹ رہے ہیں، ہم سیٹ تھیوری کے لحاظ سے اس طرح کا مسئلہ تشکیل دیں گے۔
چلو۔ - کسی گودام میں کسی خاص پروڈکٹ کے باقی تمام بیچوں کا سیٹ۔ چلو - دن کی مسلسل دی گئی. چلو - بیچوں کا ایک ذیلی سیٹ، جہاں سب سیٹ میں بیچوں کے تمام جوڑوں کے لیے تاریخوں کا فرق ایک مستقل سے زیادہ نہیں ہوتا ہے۔ . ہمیں الگ الگ ذیلی سیٹوں کی کم از کم تعداد تلاش کرنے کی ضرورت ہے۔ ، اس طرح کہ تمام ذیلی سیٹ ایک ساتھ لیا بہت سے دے گا .
دوسرے لفظوں میں، ہمیں ملتے جلتے جماعتوں کے گروپ یا کلسٹر تلاش کرنے کی ضرورت ہے، جہاں مماثلت کا معیار مستقل . یہ کام ہمیں کلسٹرنگ کے معروف مسئلے کی یاد دلاتا ہے۔ یہ کہنا ضروری ہے کہ زیر غور مسئلہ کلسٹرنگ کے مسئلے سے مختلف ہے کیونکہ ہمارے مسئلے میں کلسٹر عناصر کی مماثلت کے معیار کے لیے ایک سختی سے متعین شرط ہے، جس کا تعین مستقل ، لیکن کلسٹرنگ کے مسئلے میں ایسی کوئی شرط نہیں ہے۔ کلسٹرنگ کے مسئلے کا بیان اور اس مسئلے پر معلومات مل سکتی ہیں۔
لہذا، ہم مسئلہ کو ترتیب دینے میں کامیاب ہوگئے اور اسی طرح کی تشکیل کے ساتھ ایک کلاسیکی مسئلہ تلاش کیا۔ اب اسے حل کرنے کے لیے معروف الگورتھم پر غور کرنے کی ضرورت ہے، تاکہ پہیے کو دوبارہ ایجاد نہ کیا جائے، بلکہ بہترین طریقوں کو اپنایا جائے اور ان کا اطلاق کیا جائے۔ کلسٹرنگ کے مسئلے کو حل کرنے کے لیے، ہم نے سب سے مشہور الگورتھم پر غور کیا، یعنی: -یعنی - یعنی، منسلک اجزاء کی شناخت کے لیے الگورتھم، کم سے کم پھیلے ہوئے درخت کا الگورتھم۔ اس طرح کے الگورتھم کی تفصیل اور تجزیہ پایا جا سکتا ہے۔
ہمارے مسئلے کو حل کرنے کے لیے، کلسٹرنگ الگورتھم - مطلب اور -ذرائع بالکل لاگو نہیں ہوتے ہیں، کیونکہ کلسٹرز کی تعداد پہلے سے کبھی نہیں معلوم ہوتی ہے۔ اور اس طرح کے الگورتھم مسلسل دنوں کی پابندی کو مدنظر نہیں رکھتے۔ اس طرح کے الگورتھم کو ابتدائی طور پر غور سے خارج کر دیا گیا تھا۔
ہمارے مسئلے کو حل کرنے کے لیے، منسلک اجزاء کی شناخت کے لیے الگورتھم اور کم سے کم پھیلے ہوئے درختوں کا الگورتھم زیادہ موزوں ہے، لیکن جیسا کہ یہ نکلا، ان کو حل کیے جانے والے مسئلے پر "ہیڈ آن" نہیں لگایا جا سکتا اور ایک اچھا حل حاصل کیا جا سکتا ہے۔ اس کی وضاحت کے لیے آئیے اپنے مسئلے کے سلسلے میں اس طرح کے الگورتھم کے آپریشن کی منطق پر غور کریں۔
گراف پر غور کریں۔ ، جس میں عمودی پارٹیوں کا مجموعہ ہے۔ ، اور چوٹیوں کے درمیان کنارہ и بیچوں کے درمیان دنوں کے فرق کے برابر وزن ہے۔ и . منسلک اجزاء کی شناخت کے لیے الگورتھم میں، ان پٹ پیرامیٹر کی وضاحت کی گئی ہے۔ جہاں ، اور گراف میں تمام کناروں کو ہٹا دیا جاتا ہے جس کے لئے وزن زیادہ ہے . اشیاء کے صرف قریب ترین جوڑے جڑے رہتے ہیں۔ الگورتھم کا نقطہ اس قدر کو منتخب کرنا ہے۔ ، جس میں گراف متعدد مربوط اجزاء میں "جگ جاتا ہے"، جہاں ان اجزاء سے تعلق رکھنے والے فریق ہمارے مماثلت کے معیار کو پورا کریں گے، جس کا تعین مستقل . نتیجے میں اجزاء کلسٹر ہیں.
کم از کم پھیلے ہوئے درخت کا الگورتھم پہلے گراف پر بنتا ہے۔ minimum spanning tree، اور پھر ترتیب وار طور پر سب سے زیادہ وزن والے کناروں کو ہٹاتا ہے جب تک کہ گراف کئی مربوط اجزاء میں "الگ پڑ جائے"، جہاں ان اجزاء سے تعلق رکھنے والے فریق ہمارے مماثلت کے معیار کو بھی پورا کریں گے۔ نتیجے میں اجزاء کلسٹرز ہوں گے.
زیر غور مسئلے کو حل کرنے کے لیے اس طرح کے الگورتھم استعمال کرتے وقت، تصویر 3 کی طرح ایک صورت حال پیدا ہو سکتی ہے۔
تصویر 3۔ حل ہونے والے مسئلے کے لیے کلسٹرنگ الگورتھم کا اطلاق
آئیے کہتے ہیں کہ بیچ کے دنوں کے درمیان فرق کے لیے ہمارا مستقل 20 دن ہے۔ گراف بصری ادراک کی آسانی کے لیے مقامی شکل میں دکھایا گیا تھا۔ دونوں الگورتھم نے 3-کلسٹر حل تیار کیا، جسے الگ الگ کلسٹرز میں رکھے ہوئے بیچوں کو ایک دوسرے کے ساتھ ملا کر آسانی سے بہتر کیا جا سکتا ہے! یہ واضح ہے کہ اس طرح کے الگورتھم کو حل ہونے والے مسئلے کی تفصیلات کے مطابق تبدیل کرنے کی ضرورت ہے، اور ہمارے مسئلے کے حل کے لیے ان کا خالص شکل میں اطلاق خراب نتائج دے گا۔
لہٰذا، اس سے پہلے کہ ہم نے اپنے کام کے لیے ترمیم شدہ گراف الگورتھم کے لیے کوڈ لکھنا شروع کیا اور اپنی سائیکل کو از سر نو ایجاد کرنا شروع کیا (جس کے خاکے میں ہم مربع پہیوں کے خاکے کو پہلے ہی سمجھ سکتے ہیں)، ہم نے پھر، سائنسی طور پر اس طرح کے مسئلے سے رجوع کرنے کا فیصلہ کیا، یعنی: اسے ایک اور مجرد مسئلہ کی اصلاح تک کم کرنے کی کوشش کریں، اس امید میں کہ اسے حل کرنے کے لیے موجودہ الگورتھم بغیر کسی ترمیم کے لاگو کیے جاسکتے ہیں۔
اسی طرح کے کلاسیکی مسئلے کی ایک اور تلاش کامیاب ہو گئی ہے! ہم ایک مجرد اصلاحی مسئلہ تلاش کرنے میں کامیاب ہوئے، جس کی تشکیل ہمارے مسئلے کی تشکیل کے ساتھ 1 میں 1 سے ملتی ہے۔ یہ کام نکلا۔ ڈھکنے کا مسئلہ طے کریں۔. آئیے اپنی تصریحات کے حوالے سے مسئلہ کی تشکیل پیش کرتے ہیں۔
ایک محدود سیٹ ہے۔ اور خاندان پارٹیوں کے اس کے تمام متضاد ذیلی سیٹوں میں سے، جیسے کہ ہر سب سیٹ کے پارٹیوں کے تمام جوڑوں کے لیے تاریخوں میں فرق خاندان سے مستقل سے زیادہ نہیں ہے . ڈھانپنے کو خاندان کہتے ہیں۔ کم سے کم طاقت، جس کے عناصر سے تعلق رکھتے ہیں۔ ، اس طرح کہ سیٹوں کا اتحاد خاندان سے تمام جماعتوں کا سیٹ دینا چاہئے .
اس مسئلہ کا تفصیلی تجزیہ کیا جا سکتا ہے۔ и کورنگ کے مسئلے اور اس میں ترمیم کے عملی اطلاق کے لیے دیگر آپشنز مل سکتے ہیں۔
مسئلہ حل کرنے کے لیے الگورتھم
ہم نے حل کرنے والے مسئلے کے ریاضیاتی ماڈل پر فیصلہ کیا ہے۔ اب اسے حل کرنے کے الگورتھم کو دیکھتے ہیں۔ ذیلی سیٹ خاندان سے مندرجہ ذیل طریقہ کار سے آسانی سے پایا جا سکتا ہے۔
- ایک سیٹ سے بیچوں کو ترتیب دیں۔ ان کی تاریخوں کے نزولی ترتیب میں۔
- بیچ کی کم از کم اور زیادہ سے زیادہ تاریخیں تلاش کریں۔
- ہر دن کے لیے کم از کم تاریخ سے زیادہ سے زیادہ تک، تمام بیچز تلاش کریں جن کی تاریخیں مختلف ہیں۔ اس سے زیادہ نہیں (تو قدر یکساں نمبر لینا بہتر ہے)۔
سیٹوں کا خاندان بنانے کے طریقہ کار کی منطق میں دنوں کو شکل 4 میں پیش کیا گیا ہے۔
تصویر 4۔ جماعتوں کے ذیلی سیٹوں کی تشکیل
یہ طریقہ کار ہر کسی کے لیے ضروری نہیں ہے۔ دیگر تمام بیچوں میں جائیں اور ان کی تاریخوں میں یا موجودہ قیمت سے فرق چیک کریں۔ بائیں یا دائیں منتقل کریں جب تک کہ آپ کو کوئی ایسا بیچ نہ ملے جس کی تاریخ مختلف ہو۔ مستقل کی قدر کے نصف سے زیادہ۔ تمام بعد کے عناصر، جب دائیں اور بائیں دونوں طرف منتقل ہوتے ہیں، ہمارے لیے دلچسپ نہیں ہوں گے، کیونکہ ان کے لیے دنوں کا فرق صرف بڑھے گا، کیونکہ صف میں موجود عناصر کو ابتدائی طور پر ترتیب دیا گیا تھا۔ یہ طریقہ کار نمایاں طور پر وقت کی بچت کرے گا جب پارٹیوں کی تعداد اور ان کی تاریخوں کا پھیلاؤ نمایاں طور پر زیادہ ہو۔
سیٹ کورنگ کا مسئلہ ہے۔ -مشکل، جس کا مطلب ہے کہ کوئی تیز رفتار نہیں ہے (ان پٹ ڈیٹا کے کثیر نام کے برابر آپریٹنگ ٹائم کے ساتھ) اور اسے حل کرنے کے لیے درست الگورتھم۔ لہذا، سیٹ کورنگ کے مسئلے کو حل کرنے کے لیے، ایک تیز لالچی الگورتھم کا انتخاب کیا گیا، جو یقیناً درست نہیں ہے، لیکن اس کے درج ذیل فوائد ہیں:
- چھوٹے سائز کے مسائل کے لیے (اور یہ بالکل ہمارا معاملہ ہے)، یہ ان حلوں کا حساب لگاتا ہے جو زیادہ سے زیادہ قریب ہیں۔ جیسے جیسے مسئلہ کا سائز بڑھتا ہے، حل کا معیار خراب ہوتا جاتا ہے، لیکن پھر بھی کافی آہستہ۔
- لاگو کرنے کے لئے بہت آسان؛
- تیز، چونکہ اس کے چلنے کے وقت کا تخمینہ ہے۔ .
لالچی الگورتھم مندرجہ ذیل اصول کی بنیاد پر سیٹوں کا انتخاب کرتا ہے: ہر مرحلے پر، ایک سیٹ کا انتخاب کیا جاتا ہے جس میں زیادہ سے زیادہ عناصر کا احاطہ کیا جاتا ہے جن کا ابھی تک احاطہ نہیں کیا گیا ہے۔ الگورتھم اور اس کے سیوڈو کوڈ کی تفصیلی وضاحت مل سکتی ہے۔
اس طرح کے لالچی الگورتھم کی درستگی کا موازنہ دوسرے معلوم الگورتھم جیسے کہ امکانی لالچی الگورتھم، چیونٹی کالونی الگورتھم، وغیرہ کے ساتھ حل کیے جانے والے مسئلے کے ٹیسٹ ڈیٹا پر نہیں کیا گیا ہے۔ پیدا شدہ بے ترتیب ڈیٹا پر اس طرح کے الگورتھم کا موازنہ کرنے کے نتائج مل سکتے ہیں۔
الگورتھم کا نفاذ اور نفاذ
اس الگورتھم کو زبان میں لاگو کیا گیا تھا۔ 1S اور اسے "ریزیڈیو کمپریشن" نامی ایک بیرونی پروسیسنگ میں شامل کیا گیا تھا جس سے منسلک تھا۔ WMS-سسٹم. ہم نے زبان میں الگورتھم نافذ نہیں کیا۔ سی ++ اور اسے کسی بیرونی مقامی جزو سے استعمال کریں، جو زیادہ درست ہوگا، کیونکہ کوڈ کی رفتار کم ہے C ++ اوقات اور کچھ مثالوں میں اسی طرح کے کوڈ کی رفتار سے بھی دس گنا زیادہ تیز 1S. زبان پر 1S الگورتھم کو ترقی کے وقت کو بچانے اور کسٹمر کے پروڈکشن بیس پر ڈیبگنگ میں آسانی کے لیے لاگو کیا گیا تھا۔ الگورتھم کا نتیجہ شکل 5 میں پیش کیا گیا ہے۔
تصویر 5۔ باقیات کو "کمپریس" کرنے کے لیے پروسیسنگ
شکل 5 سے پتہ چلتا ہے کہ مخصوص گودام میں، سٹوریج سیلز میں سامان کے موجودہ بیلنس کو کلسٹرز میں تقسیم کیا گیا ہے، جس کے اندر سامان کے بیچوں کی تاریخیں ایک دوسرے سے 30 دنوں سے زیادہ مختلف نہیں ہوتیں۔ چونکہ گاہک گودام میں دھاتی بال والوز بناتا اور ذخیرہ کرتا ہے، جن کی شیلف لائف کا حساب سالوں میں لگایا جاتا ہے، اس لیے تاریخ کے اس فرق کو نظر انداز کیا جا سکتا ہے۔ نوٹ کریں کہ اس طرح کی پروسیسنگ فی الحال پیداوار اور آپریٹرز میں منظم طریقے سے استعمال ہوتی ہے۔ WMS پارٹی کلسٹرنگ کے اچھے معیار کی تصدیق کریں۔
نتیجہ اور تسلسل
اس طرح کے عملی مسئلے کو حل کرنے سے جو اہم تجربہ ہمیں حاصل ہوا وہ پیراڈیم: ریاضی کے استعمال کی تاثیر کی تصدیق ہے۔ مسئلہ یہ بیان مشہور چٹائی. ماڈل مشہور الگورتھم مسئلہ کی تفصیلات کو مدنظر رکھتے ہوئے الگورتھم۔ مجرد اصلاح تقریباً 300 سال سے زیادہ عرصے سے ہے، اور اس دوران لوگوں نے بہت سے مسائل پر غور کرنے اور ان کو حل کرنے میں کافی تجربہ حاصل کیا ہے۔ سب سے پہلے، اس تجربے کی طرف رجوع کرنے کا زیادہ مشورہ دیا جاتا ہے، اور اس کے بعد ہی اپنے پہیے کو دوبارہ شروع کرنا شروع کر دیں۔
اگلے مضمون میں ہم آپٹیمائزیشن الگورتھم کے بارے میں کہانی کو جاری رکھیں گے اور سب سے زیادہ دلچسپ اور بہت زیادہ پیچیدہ دیکھیں گے: سیل کی باقیات کے بہترین "کمپریشن" کے لیے ایک الگورتھم، جو بیچ کلسٹرنگ الگورتھم سے حاصل کردہ ڈیٹا کو بطور ان پٹ استعمال کرتا ہے۔
مضمون تیار کیا۔
رومن شانگین، پروجیکٹس ڈیپارٹمنٹ کے پروگرامر،
پہلی BIT کمپنی، چیلیابنسک
ماخذ: www.habr.com