AI ప్రపంచాన్ని నిశ్శబ్దంగా మారుస్తున్న పరిశోధనా ధోరణులు

బృట్ ఫోర్స్ శకానికి ముగింపు

AI మోడల్స్‌ను కేవలం పెద్దవిగా మార్చే కాలం ముగిసింది. ఏళ్ల తరబడి, పరిశ్రమ ఒక ఊహించదగిన మార్గంలో నడిచింది – ఎక్కువ డేటా మరియు ఎక్కువ చిప్స్ ఉంటే మెరుగైన పనితీరు వస్తుందని భావించారు. కానీ ఈ ధోరణి ఇప్పుడు ఒక పరిమితికి చేరుకుంది. లో, దృష్టి మోడల్‌కు ఎంత తెలుసు అనే దాని నుండి, అది ఎంత బాగా ఆలోచించగలదు అనే దానిపైకి మారింది. ఈ మార్పు కేవలం సాఫ్ట్‌వేర్‌లోని చిన్న అప్‌డేట్ మాత్రమే కాదు. ఇది సమాధానం ఇచ్చే ముందు తన స్వంత తర్కాన్ని విశ్లేషించే ‘రీజనింగ్ మోడల్స్’ వైపు సాగుతున్న ఒక ప్రాథమిక అడుగు. ఈ మార్పు కోడింగ్ మరియు గణితం వంటి సంక్లిష్టమైన పనుల కోసం AIని మరింత నమ్మదగినదిగా మారుస్తుంది. ఇది మనం ఈ సిస్టమ్స్‌తో వ్యవహరించే విధానాన్ని కూడా మారుస్తోంది. మనం తక్షణమే వచ్చే, తరచుగా తప్పుగా ఉండే సమాధానాల నుండి, నెమ్మదిగా, ఆలోచనాత్మకంగా మరియు అత్యంత ఖచ్చితమైన ఫలితాల వైపు మళ్లుతున్నాము. లార్జ్ లాంగ్వేజ్ మోడల్స్ వచ్చిన తర్వాత ఈ రంగంలో వచ్చిన అత్యంత ముఖ్యమైన పరిణామం ఇదే. సమాధానం ఇచ్చే వేగం కంటే, ఆలోచన నాణ్యత ముఖ్యమైన కాలం ఇది. టెక్ పరిశ్రమలో ముందుండాలనుకునే ఎవరికైనా ఈ మార్పును అర్థం చేసుకోవడం చాలా అవసరం.

మాట్లాడే ముందు ఆలోచించే ధోరణి

ఈ మార్పుకు ప్రధాన కారణం Inference-time compute అనే భావన. సాంప్రదాయ మోడల్స్‌లో, సిస్టమ్ తాను నేర్చుకున్న పద్ధతుల ఆధారంగా తదుపరి పదాన్ని అంచనా వేస్తుంది. ఇది దాదాపు తక్షణమే జరుగుతుంది. కానీ కొత్త తరం మోడల్స్ భిన్నంగా పనిచేస్తాయి. మీరు ఒక ప్రశ్న అడిగినప్పుడు, మోడల్ మొదటిగా వచ్చే సమాధానాన్ని వెంటనే చెప్పదు. బదులుగా, అది అనేక అంతర్గత తర్క మార్గాలను (lines of reasoning) సృష్టిస్తుంది. ఆ మార్గాల్లోని తప్పులను సరిచూసుకుంటుంది. తార్కిక ముగింపు లేని మార్గాలను తిరస్కరిస్తుంది. యూజర్ ఒక్క పదాన్ని చూడకముందే ఈ ప్రక్రియ తెరవెనుక జరుగుతుంది. ఇది నిజానికి మాట్లాడే ముందు ఆలోచించే ఒక డిజిటల్ వెర్షన్. ఈ విధానం వల్ల గతంలో మనుషులు చేయాల్సిన పనులను కూడా మోడల్స్ పరిష్కరించగలవు. ఉదాహరణకు, ఒక మోడల్ కష్టమైన ఫిజిక్స్ సమస్యను పరిష్కరించడానికి ముప్పై సెకన్లు లేదా కొన్ని నిమిషాలు తీసుకోవచ్చు. ఇది కేవలం సమాచార డేటాబేస్ మాత్రమే కాదు, ఒక లాజిక్ ఇంజిన్. ఇది ‘స్టోకాస్టిక్ ప్యారెట్’ (stochastic parrot) శకం నుండి వచ్చిన మార్పు. అప్పుడు మోడల్స్ అర్థం చేసుకోకుండా కేవలం మనుషుల మాటలను అనుకరించేవి. ప్రశ్న అడిగిన సమయంలో ఎక్కువ కంప్యూటింగ్ పవర్‌ను కేటాయించడం ద్వారా, డెవలపర్లు ట్రైనింగ్ డేటా పరిమితులను అధిగమించారు. అంటే ఒక మోడల్ తాను నేర్చుకున్న డేటా కంటే తెలివైనదిగా మారగలదు, ఎందుకంటే అది కొత్త ముగింపులకు చేరుకోవడానికి తర్కాన్ని ఉపయోగించగలదు. ప్రస్తుత పరిశోధనల సారాంశం ఇదే. ఇది ముడి పరిమాణం కంటే సామర్థ్యం మరియు తర్కంపై ఆధారపడి ఉంటుంది.

సంక్లిష్ట తర్కం కోసం కొత్త ఆర్థిక ఇంజిన్

రీజనింగ్ మోడల్స్ వల్ల ప్రపంచవ్యాప్తంగా భారీ మార్పులు రానున్నాయి. ప్రత్యేక రంగాలలో ఎదురయ్యే సంక్లిష్టమైన, అరుదైన సమస్యలను పరిష్కరించగల AI సిస్టమ్స్‌ను మనం మొదటిసారిగా చూస్తున్నాము. గతంలో, AI సాధారణ పనులకు బాగుండేది, కానీ హై-స్టేక్స్ ఇంజనీరింగ్ లేదా లీగల్ ప్రశ్నల వద్ద విఫలమయ్యేది. ఇప్పుడు, బహుళ-దశల సమస్యలను తర్కంతో పరిష్కరించే సామర్థ్యం ఉండటంతో, ప్రపంచంలోని ప్రతి మూలలో ఉన్న కంపెనీలు గతంలో చాలా రిస్క్‌తో కూడుకున్న పనులను ఆటోమేట్ చేయగలవు. ఇది లేబర్ మార్కెట్‌పై గణనీయమైన ప్రభావాన్ని చూపుతుంది. ఇది కేవలం సాధారణ రైటింగ్ పనులను భర్తీ చేయడం మాత్రమే కాదు, అత్యంత నైపుణ్యం కలిగిన నిపుణుల పనిని మెరుగుపరచడం. అభివృద్ధి చెందుతున్న దేశాలలో, ఈ సాంకేతికత ఒక వంతెనలా పనిచేస్తుంది. ప్రత్యేక ఇంజనీర్లు లేదా వైద్యుల కొరత ఉన్న ప్రాంతాల్లో కూడా ఇది ఉన్నత స్థాయి సాంకేతిక నైపుణ్యాన్ని అందుబాటులోకి తెస్తుంది. ఆర్థిక ప్రభావం అనేది తప్పుల తగ్గింపుతో ముడిపడి ఉంది. శాస్త్రీయ పరిశోధన వంటి రంగాలలో, AI తన స్వంత తర్కాన్ని సరిచూసుకోగలగడం వల్ల కొత్త పదార్థాలు లేదా మందుల ఆవిష్కరణ వేగవంతం అవుతుంది. ఇది ఏదో భవిష్యత్తులో కాదు, ఇప్పుడే జరుగుతోంది. OpenAI మరియు Natureలో ప్రచురించబడిన పరిశోధనలు ఈ లాజిక్-హెవీ సిస్టమ్స్ ప్రత్యేక బెంచ్‌మార్క్‌లలో ఎలా మెరుగ్గా పనిచేస్తున్నాయో ఇప్పటికే నిరూపించాయి.

ప్రపంచ టెక్ రంగం వనరులను తిరిగి సర్దుబాటు చేసుకుంటోంది. కంపెనీలు ఇప్పుడు దొరికిన ప్రతి చిప్‌ను కొనడం లేదు. ఈ రీజనింగ్ మోడల్స్‌ను మరింత సమర్థవంతంగా ఎలా రన్ చేయాలో చూస్తున్నాయి. దీనివల్ల కొన్ని కీలక రంగాలపై దృష్టి పెరిగింది:

• AI సంక్లిష్ట అసెంబ్లీ లైన్లలో తార్కిక లోపాలను పర్యవేక్షించే హై-ప్రెసిషన్ మాన్యుఫ్యాక్చరింగ్.
• మార్కెట్ అస్థిరతలను నివారించడానికి మోడల్స్ తర్కాన్ని ఉపయోగించే గ్లోబల్ ఫైనాన్స్.
• రసాయన చర్యలను మరింత ఖచ్చితత్వంతో అనుకరించడానికి AIని ఉపయోగించే సైంటిఫిక్ ల్యాబ్స్.
• తక్కువ మానవ పర్యవేక్షణతో కోడ్‌ను రాసే మరియు డీబగ్ చేసే సాఫ్ట్‌వేర్ డెవలప్‌మెంట్.

ఒక్క మధ్యాహ్నంలో అసాధ్యమైన వాటిని పరిష్కరించడం

ఇది ఆచరణలో ఎలా పనిచేస్తుందో చూడటానికి, మార్కస్ అనే సీనియర్ సాఫ్ట్‌వేర్ ఆర్కిటెక్ట్ ఉదాహరణను తీసుకుందాం. మార్కస్ ఒక లాజిస్టిక్స్ కంపెనీ కోసం భారీ, పాత కోడ్‌బేస్‌ను నిర్వహిస్తుంటాడు. గతంలో, అతను కొన్ని ప్రత్యేక పరిస్థితుల్లో మాత్రమే కనిపించే బగ్‌ల కోసం వారానికి గంటల తరబడి వెతికేవాడు. అతను కోడ్ రాయడానికి సాంప్రదాయ AIని ఉపయోగించేవాడు, కానీ అది తరచుగా తార్కిక తప్పులు చేసేది, వాటిని మార్కస్ మాన్యువల్‌గా సరిచేయాల్సి వచ్చేది. ఈరోజు, మార్కస్ ఒక రీజనింగ్ మోడల్‌ను ఉపయోగిస్తున్నాడు. అతను బగ్ రిపోర్ట్‌ను మరియు కొన్ని వేల లైన్ల కోడ్‌ను మోడల్‌కు ఇస్తాడు. తక్షణమే వచ్చే సగం సమాధానం కోసం కాకుండా, మార్కస్ రెండు నిమిషాలు వేచి ఉంటాడు. ఈ సమయంలో, AI వివిధ పరికల్పనలను (hypotheses) అన్వేషిస్తుంది. కోడ్ ఎలా రన్ అవుతుందో సిమ్యులేట్ చేస్తుంది. చివరకు, బగ్ ఎందుకు వచ్చిందో మరియు ఆ పరిష్కారం భవిష్యత్తులో సమస్యలను ఎలా నివారిస్తుందో వివరణతో సహా పరిష్కారాన్ని అందిస్తుంది. ఇది మార్కస్‌కు గంటల కొద్దీ సమయాన్ని ఆదా చేస్తుంది. ఇప్పుడు అతను సింటాక్స్ ఎర్రర్లలో మునిగిపోకుండా, హై-లెవల్ స్ట్రాటజీపై దృష్టి పెట్టగలడు.

విద్యార్థులు టెక్నాలజీతో వ్యవహరించే విధానంలో కూడా ఈ మార్పు కనిపిస్తోంది. అడ్వాన్స్‌డ్ కాలిక్యులస్‌తో ఇబ్బంది పడే విద్యార్థి ఇప్పుడు తార్కికంగా సరైన స్టెప్-బై-స్టెప్ వివరణను పొందవచ్చు. మోడల్ కేవలం సమాధానం మాత్రమే ఇవ్వదు, ప్రతి అడుగు వెనుక ఉన్న తర్కాన్ని వివరిస్తుంది. ఇది AIని షార్ట్‌కట్‌గా కాకుండా, ట్యూటర్‌గా మార్చే దిశగా సాగుతోంది. చాలా మందికి ఉన్న గందరగోళం ఏంటంటే, AI అంటే ఇప్పటికీ సెర్చ్ ఇంజిన్‌కు మెరుగైన వెర్షన్ అని అనుకుంటారు. వారు తక్షణ సమాధానాలను ఆశిస్తారు. ఒక రీజనింగ్ మోడల్ సమాధానం ఇవ్వడానికి ముప్పై సెకన్లు తీసుకుంటే, అది పాడైపోయిందని అనుకుంటారు. నిజానికి, ఆ ఆలస్యం యంత్రం సమస్యను పరిష్కరిస్తున్న శబ్దం. ప్రజల అవగాహన మరియు వాస్తవికత వేరుగా ఉన్నాయి. గత కొన్ని ఏళ్లుగా వేగవంతమైన, ‘వైబ్స్-బేస్డ్’ AIకి అలవాటు పడ్డారు. కానీ ఇప్పుడు నిజంగా వారి పనులను చేయగల నెమ్మదైన, ఆలోచనాత్మకమైన AIకి వారు ఇంకా సిద్ధంగా లేరు.

ఈ మార్పు AIని మరింత నమ్మదగినదిగా మారుస్తోంది, ఇది ‘ఏదో ఒకలా పని పూర్తి చేస్తే చాలు’ అనుకునే వారికి ప్రమాదకరంగా మారుతోంది. మానవ పనితీరుకు ప్రమాణాలు పెరుగుతున్నాయి, ఎందుకంటే AI అవుట్‌పుట్ స్థాయి ఇప్పుడు ‘దాదాపు సరైనది’ నుండి ‘తార్కికంగా ధృవీకరించబడింది’ అనే స్థాయికి మారింది. ఇది ఆఫీసుల్లో మరియు తరగతి గదుల్లో జరుగుతున్న ప్రత్యక్ష మార్పు. ఇటీవలి AI ప్రచురణ ధోరణులు, ఈ మోడల్స్ ప్రొఫెషనల్ వర్క్‌ఫ్లోలలో భాగమవుతున్న కొద్దీ తార్కిక ధృవీకరణపై దృష్టి మరింత పెరుగుతుందని సూచిస్తున్నాయి.

మేము కవర్ చేయాలని మీరు భావించే AI కథ, సాధనం, ట్రెండ్ లేదా ప్రశ్న మీ వద్ద ఉందా? మీ వ్యాసం ఆలోచనను మాకు పంపండి — దానిని వినడానికి మేము ఇష్టపడతాము.

డిజిటల్ ఆలోచనల ఖర్చు

ఈ ఆలోచించే యంత్రాలను మనం స్వీకరిస్తున్నప్పుడు, దాగి ఉన్న ఖర్చుల గురించి కష్టమైన ప్రశ్నలు వేసుకోవాలి. ఒక మోడల్ తర్కంతో సమాధానం ఇవ్వడానికి పది రెట్లు ఎక్కువ కంప్యూటింగ్ పవర్ అవసరమైతే, పర్యావరణంపై దాని ప్రభావం ఏమిటి? మోడల్స్‌కు శిక్షణ ఇవ్వడానికి ఉపయోగించే శక్తి గురించి మనం తరచుగా మాట్లాడుకుంటాం, కానీ ఒకే ఒక సంక్లిష్ట ఇన్ఫరెన్స్ సెషన్ సమయంలో వాడే శక్తి గురించి చర్చించము. పెరిగిన ఖచ్చితత్వం కార్బన్ ఫుట్‌ప్రింట్‌కు విలువైనదేనా? గోప్యత (privacy) గురించి కూడా ప్రశ్న ఉంది. ఒక మోడల్ ఆలోచనా క్రమాన్ని (chain of thought) సృష్టించినప్పుడు, ఆ డేటా ఎక్కడ నిల్వ చేయబడుతుంది? ఒకవేళ మోడల్ సున్నితమైన వైద్య డేటా లేదా కార్పొరేట్ రహస్యాల గురించి ఆలోచిస్తుంటే, ఆ అంతర్గత తర్క మార్గం భవిష్యత్తు మోడల్స్‌కు శిక్షణ ఇవ్వడానికి ఉపయోగించబడుతుందా? మనం నిజానికి ఈ సిస్టమ్స్‌కు ఆలోచించడానికి ఒక ప్రైవేట్ వర్క్‌స్పేస్‌ను ఇస్తున్నాము. ఆ వర్క్‌స్పేస్‌లో ఏం జరుగుతుందో చూసే హక్కు మనకు ఉందా, లేదా సామర్థ్యాన్ని కాపాడటానికి అది ‘బ్లాక్ బాక్స్’గా మిగిలిపోవాలా? మరొక ఆందోళన తర్కం యొక్క స్టోకాస్టిక్ స్వభావం. ఒక మోడల్ తర్కంతో ఒక ముగింపుకు వస్తే, ఆ తర్కం నిజంగా సరైనదేనా, లేక అది మరింత నమ్మదగిన ‘హాలూసినేషన్’ వెర్షనా? మనం ఈ సిస్టమ్స్ తార్కికంగా ఉంటాయని నమ్ముతున్నాము, కానీ అవి ఇప్పటికీ గణాంక సంభావ్యతలపై (statistical probabilities) ఆధారపడి ఉన్నాయి. ఒక మోడల్ తార్కికంగా స్థిరంగా ఉండి, వాస్తవానికి తప్పుగా ఉండే సమాధానాన్ని ఇస్తే ఏమవుతుంది? AI నియంత్రణలో తదుపరి దశను నిర్ణయించే ప్రశ్నలు ఇవే. యంత్రాలు తమంతట తాముగా ఆలోచించగలగడం మనకు సౌకర్యంగా ఉందో లేదో మనం నిర్ణయించుకోవాలి, ముఖ్యంగా ఆ ఆలోచన వెనుక ఉన్న మెకానిక్స్ మనకు పూర్తిగా అర్థం కానప్పుడు.

దాగి ఉన్న తర్కం యొక్క ఆర్కిటెక్చర్

పవర్ యూజర్లు మరియు డెవలపర్ల కోసం, రీజనింగ్ మోడల్స్‌కు మారడం కొత్త సాంకేతిక సవాళ్లను తెస్తుంది. అత్యంత ముఖ్యమైనది ‘రీజనింగ్ టోకెన్ల’ నిర్వహణ. సాధారణ API కాల్‌లో, మీరు ఇన్‌పుట్ మరియు అవుట్‌పుట్ కోసం చెల్లిస్తారు. రీజనింగ్ మోడల్స్‌తో, మూడవ వర్గం అంతర్గత టోకెన్లు ఉంటాయి. ఇవి మోడల్ ఆలోచించడానికి ఉపయోగించే టోకెన్లు. మీరు వాటిని ఫైనల్ అవుట్‌పుట్‌లో చూడకపోయినా, వాటికి కూడా బిల్లు పడుతుంది. దీనివల్ల ఒకే క్వెరీ ఊహించిన దానికంటే చాలా ఖరీదైనదిగా మారవచ్చు. డెవలపర్లు ఇప్పుడు ఈ దాగి ఉన్న ఖర్చులను నిర్వహించడానికి తమ ప్రాంప్ట్‌లను ఆప్టిమైజ్ చేయాలి. మరొక అంశం లేటెన్సీ. గతంలో, మొదటి టోకెన్‌ను యూజర్‌కు వీలైనంత వేగంగా అందించడం లక్ష్యంగా ఉండేది. ఇప్పుడు, తార్కిక ముగింపుకు పట్టే సమయం ముఖ్యమైన కొలమానం. ఇది మనం యూజర్ ఇంటర్‌ఫేస్‌లను నిర్మించే విధానాన్ని మారుస్తుంది. లోడింగ్ స్పిన్నర్ల కంటే, ఆలోచన కోసం ప్రోగ్రెస్ బార్‌లు అవసరం.

లోకల్ స్టోరేజ్ మరియు డిప్లాయ్‌మెంట్ కూడా మారుతున్నాయి. అతిపెద్ద రీజనింగ్ మోడల్స్‌కు భారీ సర్వర్ ఫామ్‌లు అవసరమైనప్పటికీ, పరిశోధకులు ఈ రీజనింగ్ సామర్థ్యాన్ని చిన్న మోడల్స్‌లోకి తీసుకురావడానికి మార్గాలను కనుగొంటున్నారు. ఇప్పుడు మీరు హై-ఎండ్ వర్క్‌స్టేషన్‌లో రీజనింగ్ సామర్థ్యాలున్న మోడల్‌ను రన్ చేయవచ్చు. గోప్యతను కోరుకునే సంస్థలకు ఇది పెద్ద మార్పు. ఈ సిస్టమ్స్ కోసం సాంకేతిక అవసరాలు:

• ఇన్‌ఫరెన్స్ సమయంలో లాజిక్ పాత్‌లను వేగంగా మార్చడానికి హై-బ్యాండ్‌విడ్త్ మెమరీ.
• చైన్ ఆఫ్ థాట్ ప్రక్రియను ఆప్టిమైజ్ చేసే ప్రత్యేక కెర్నల్స్ కోసం మద్దతు.
• డెవలపర్లు తర్కాన్ని రియల్-టైమ్‌లో పర్యవేక్షించడానికి వీలుగా రీజనింగ్ ప్రక్రియను స్ట్రీమింగ్ చేసే API ఇంటిగ్రేషన్లు.
• మోడల్స్ అనంతమైన రీజనింగ్ లూప్‌లలో చిక్కుకోకుండా నిరోధించడానికి కఠినమైన టోకెన్ పరిమితులు.

లో, మోడల్ యొక్క రీజనింగ్ లోతును యూజర్లు మార్చుకునేలా మరిన్ని టూల్స్ వస్తాయని ఆశిస్తున్నాము. ఇది పనిని బట్టి వేగం మరియు ఖచ్చితత్వం మధ్య సమతుల్యతను సాధించడానికి సహాయపడుతుంది. ఖర్చు మరియు పనితీరును జాగ్రత్తగా బ్యాలెన్స్ చేయాల్సిన ఎంటర్‌ప్రైజ్ అప్లికేషన్లకు ఈ నియంత్రణ చాలా అవసరం. ఈ మోడల్స్ మరింత సమర్థవంతంగా మారే కొద్దీ, సంక్లిష్టమైన లాజిక్ ఇంజిన్‌లను లోకల్‌గా రన్ చేయడానికి అవరోధాలు తగ్గుతూనే ఉంటాయి.

స్మార్ట్ సిస్టమ్స్ కోసం ముందుకు సాగే మార్గం

రీజనింగ్ మోడల్స్ వైపు సాగుతున్న ప్రయాణం నేడు AIలో అత్యంత ముఖ్యమైన ధోరణి. ఇది వేగవంతమైన, నమ్మలేని సమాధానాల శకానికి ముగింపు మరియు తార్కిక లోతుతో కూడిన కొత్త కాలానికి ఆరంభం. ఈ మార్పు AIని శాస్త్రవేత్తలు, ఇంజనీర్లు మరియు విద్యార్థులకు మరింత శక్తివంతమైన సాధనంగా మారుస్తుంది. అయితే, ఇది శక్తి, గోప్యత మరియు సంక్లిష్టత పరంగా కొత్త ఖర్చులను కూడా తెస్తుంది. వేగవంతమైన AI మరియు స్మార్ట్ AI మధ్య గందరగోళం కొంతకాలం కొనసాగవచ్చు. మనం ముందుకు సాగుతున్నప్పుడు, AI ఎంత సమాచారాన్ని కలిగి ఉండగలదు అనేది ప్రశ్న కాదు, ప్రపంచంలోని అత్యంత కష్టమైన సమస్యలను పరిష్కరించడానికి ఆ సమాచారాన్ని ఎంత సమర్థవంతంగా ఉపయోగించగలదు అనేది ముఖ్యం. సాంకేతికత ఇప్పుడు కేవలం తదుపరి పదాన్ని అంచనా వేయడం లేదు. ఇది ప్రపంచాన్ని అర్థం చేసుకోవడానికి ప్రయత్నిస్తోంది. మన ముందు ఒక పెద్ద ప్రశ్న మిగిలి ఉంది. ఈ మోడల్స్ తమ పనిని తామే సరిచూసుకోవడంలో మెరుగవుతున్న కొద్దీ, మానవ పర్యవేక్షణ అవసరం లేని స్థాయికి అవి చేరుకుంటాయా?

ఎడిటర్ గమనిక: కంప్యూటర్ గీక్స్ కాని, కానీ కృత్రిమ మేధస్సును అర్థం చేసుకోవాలనుకునే, దానిని మరింత విశ్వాసంతో ఉపయోగించాలనుకునే మరియు ఇప్పటికే వస్తున్న భవిష్యత్తును అనుసరించాలనుకునే వ్యక్తుల కోసం మేము ఈ సైట్‌ను బహుభాషా AI వార్తలు మరియు గైడ్‌ల హబ్‌గా సృష్టించాము.

ఒక లోపాన్ని కనుగొన్నారా లేదా సరిదిద్దాల్సిన ఏదైనా ఉందా? మాకు తెలియజేయండి.