ഒരു പൂച്ച എങ്ങനെയാണ് സ്റ്റേബിൾ ഡിഫ്യൂഷൻ ഡീബഗ്ഗ് ചെയ്തത് (2023)

AI ചരിത്രത്തിലെ ഏറ്റവും അപ്രതീക്ഷിതമായ ഡീബഗ്ഗിംഗ് സ്റ്റോറികളിലൊന്നിൽ, സ്റ്റേബിൾ ഡിഫ്യൂഷൻ്റെ ഇമേജ് ജനറേഷൻ പൈപ്പ്‌ലൈനിലെ നിർണായകമായ ലാറ്റൻ്റ് സ്പേസ് ഡിസ്റ്റോർഷൻ തിരിച്ചറിയാൻ എഞ്ചിനീയർമാരെ ഒരു വീട്ടുപൂച്ച അശ്രദ്ധമായി സഹായിച്ചു. 2023-ലെ സംഭവം, പ്രവചനാതീതമായ യഥാർത്ഥ-ലോക ഇൻപുട്ടുകൾക്ക് എങ്ങനെയാണ് ആയിരക്കണക്കിന് മണിക്കൂറുകൾ ഘടനാപരമായ പരിശോധനകൾ പൂർണ്ണമായും നഷ്ടപ്പെടുന്ന ന്യൂനതകൾ തുറന്നുകാട്ടുന്നത് എന്നതിൻ്റെ ഒരു സുപ്രധാന കേസ് പഠനമായി മാറി.

പൂച്ചയ്ക്കും സ്ഥിരതയുള്ള വ്യാപനത്തിനും യഥാർത്ഥത്തിൽ എന്താണ് സംഭവിച്ചത്?

2023-ൻ്റെ തുടക്കത്തിൽ, വീട്ടിൽ നിന്ന് ജോലി ചെയ്യുന്ന ഒരു മെഷീൻ ലേണിംഗ് എഞ്ചിനീയർ ഒരു പ്രത്യേക കാര്യം ശ്രദ്ധിച്ചു. അവരുടെ പൂച്ച, ഒരു സ്റ്റേബിൾ ഡിഫ്യൂഷൻ പരിശീലന ഓട്ടത്തിനിടയിൽ കീബോർഡിന് കുറുകെ നടന്നു, ഒരു പ്രോംപ്റ്റ് ബാച്ചിലേക്ക് അസംബന്ധ കഥാപാത്രങ്ങളുടെ ഒരു നിര അവതരിപ്പിച്ചു. ഗാർബിൾഡ് ഔട്ട്‌പുട്ടുകൾ സൃഷ്‌ടിക്കുന്നതിനോ ഒരു പിശക് സൃഷ്‌ടിക്കുന്നതിനോ പകരം, സ്ഥിരതയുള്ളതും വളരെ നിർദ്ദിഷ്ടവുമായ വിഷ്വൽ ആർട്ടിഫാക്‌റ്റ് ഉപയോഗിച്ച് മോഡൽ ചിത്രങ്ങളുടെ ഒരു ശ്രേണി സൃഷ്‌ടിച്ചു - പ്രോംപ്‌റ്റ് ഇൻപുട്ടുകൾ നൽകുമ്പോൾ നിലനിൽക്കാൻ പാടില്ലാത്ത ആവർത്തിച്ചുള്ള ടെസ്സലേഷൻ പാറ്റേൺ.

ഇത് ക്രമരഹിതമായ ശബ്ദമായിരുന്നില്ല. മോഡലിൻ്റെ ക്രോസ്-അറ്റൻഷൻ ലെയറുകളിൽ മുമ്പ് കണ്ടെത്താത്ത പക്ഷപാതം പാറ്റേൺ വെളിപ്പെടുത്തി, പ്രത്യേകിച്ചും യു-നെറ്റ് ആർക്കിടെക്ചർ സാധാരണ ഭാഷാ അതിരുകൾക്ക് പുറത്തുള്ള ചില ടോക്കൺ കോമ്പിനേഷനുകൾ എങ്ങനെ പ്രോസസ്സ് ചെയ്തു എന്നതിൽ. പൂച്ചയുടെ കീബോർഡ് മാഷിംഗ് ഫലപ്രദമായി ഒരു മനുഷ്യ പരീക്ഷകനും ശ്രമിക്കാൻ വിചാരിച്ചിട്ടില്ലാത്ത ഒരു പ്രതികൂല നിർദ്ദേശം സൃഷ്ടിച്ചു, ഇത് മോഡലിൻ്റെ CLIP ടെക്സ്റ്റ് എൻകോഡർ സംയോജനത്തിലെ ഒരു പിഴവ് തുറന്നുകാട്ടുന്നു, ഇത് ഡിനോയിസിംഗ് പ്രക്രിയയിൽ സ്പേഷ്യൽ ബന്ധങ്ങൾ എങ്ങനെ കണക്കാക്കുന്നു എന്നതിനെ ബാധിച്ചു.

എഞ്ചിനിയറിംഗ് ടീം തുടർന്നുള്ള ആഴ്‌ചകൾ പുരാവസ്തുവിൻ്റെ മൂലകാരണത്തിലേക്ക് തിരികെയെത്തി: പ്രത്യേക ടോക്കണൈസേഷൻ എഡ്ജ് കേസുകളിൽ മാത്രം പ്രകടമാകുന്ന ഒളിഞ്ഞിരിക്കുന്ന ഡിഫ്യൂഷൻ ഷെഡ്യൂളറിലെ ഫ്ലോട്ടിംഗ്-പോയിൻ്റ് റൗണ്ടിംഗ് പ്രശ്‌നം. എല്ലാ പ്രോംപ്റ്റ് തരങ്ങളിലുമുള്ള മെച്ചപ്പെടുത്തിയ ഇമേജ് കോഹറൻസ് 3-4% ആയി കണക്കാക്കുന്നു, ഇത് ജനറേറ്റീവ് AI പ്രകടനത്തിലെ ഗണ്യമായ നേട്ടം.

QA ടീമുകൾ കാണാതെ പോകുന്ന ബഗുകൾ പാരമ്പര്യേതര ഇൻപുട്ടുകൾ പിടിക്കുന്നത് എന്തുകൊണ്ട്?

ഘടനാപരമായ പരിശോധന മനുഷ്യ യുക്തിയെ പിന്തുടരുന്നു. പ്രതീക്ഷിക്കുന്ന ഉപയോക്തൃ പെരുമാറ്റം, അവർക്ക് സങ്കൽപ്പിക്കാൻ കഴിയുന്ന എഡ്ജ് കേസുകൾ, മുൻ ആവർത്തനങ്ങളിൽ നിന്ന് അറിയപ്പെടുന്ന പരാജയ മോഡുകൾ എന്നിവയെ അടിസ്ഥാനമാക്കിയാണ് എഞ്ചിനീയർമാർ ടെസ്റ്റ് കേസുകൾ എഴുതുന്നത്. എന്നാൽ സോഫ്‌റ്റ്‌വെയർ - പ്രത്യേകിച്ച് കോടിക്കണക്കിന് പാരാമീറ്ററുകളുള്ള AI സിസ്റ്റങ്ങൾ - ഒരു ടെസ്റ്റിംഗ് ചട്ടക്കൂടിനും പൂർണ്ണമായി ഉൾക്കൊള്ളാൻ കഴിയാത്ത സാധ്യമായ അവസ്ഥകളുടെ സംയോജിത സ്‌ഫോടനം അടങ്ങിയിരിക്കുന്നു.

"ഏറ്റവും അപകടകരമായ ബഗുകൾ നിങ്ങൾ പരീക്ഷിക്കാത്ത കോഡിൽ ഒളിഞ്ഞിരിക്കുന്നവയല്ല. തെറ്റായ അനുമാനങ്ങളോടെ നിങ്ങൾ പരീക്ഷിച്ച കോഡിൽ ഒളിഞ്ഞിരിക്കുന്നവയാണ് അവ." — പരമ്പരാഗത സോഫ്‌റ്റ്‌വെയർ എഞ്ചിനീയറിംഗിൽ വളരെക്കാലമായി മനസ്സിലാക്കിയിട്ടുള്ള ഈ തത്വം, ഇൻപുട്ട് സ്‌പേസ് ഫലത്തിൽ അനന്തമായ മെഷീൻ ലേണിംഗ് സിസ്റ്റങ്ങളിൽ കൂടുതൽ നിർണായകമാണ്.

വർഷങ്ങളായി എഞ്ചിനീയറിംഗ് പ്രാക്ടീഷണർമാർക്ക് അറിയാവുന്ന കുഴപ്പങ്ങളെ പൂച്ച സംഭവം ശക്തിപ്പെടുത്തി: ക്രമരഹിതവും പ്രവചനാതീതവുമായ ഇൻപുട്ടുകൾ രീതിപരമായ പരിശോധനയ്ക്ക് കഴിയാത്ത വ്യവസ്ഥാപരമായ ബലഹീനതകൾ വെളിപ്പെടുത്തുന്നു. മനപ്പൂർവ്വം വികലമായ ഡാറ്റയെ കേടുപാടുകൾ കണ്ടെത്തുന്നതിന് സിസ്റ്റങ്ങളിലേക്ക് ഫീഡ് ചെയ്യുന്ന ഫസ് ടെസ്റ്റിംഗിന് പിന്നിലുള്ള അതേ തത്വമാണിത്. ഫസറിന് നാല് കാലുകളും വാലും ഉണ്ടായിരുന്നു എന്നതാണ് ഇവിടെയുള്ള വ്യത്യാസം.

AI ഡീബഗ്ഗിംഗ് ചലഞ്ചുകളെക്കുറിച്ച് ഇത് എന്താണ് വെളിപ്പെടുത്തിയത്?

ജനറേറ്റീവ് AI മോഡലുകൾ ഡീബഗ്ഗിംഗ് ചെയ്യുന്നത് പരമ്പരാഗത സോഫ്‌റ്റ്‌വെയർ ഡീബഗ്ഗിംഗിൽ നിന്ന് അടിസ്ഥാനപരമായി വ്യത്യസ്തമാണ്. ഒരു പരമ്പരാഗത ആപ്ലിക്കേഷൻ പരാജയപ്പെടുമ്പോൾ, നിങ്ങൾക്ക് ഒരു പിശക് ലോഗ്, ഒരു സ്റ്റാക്ക് ട്രെയ്സ്, ഒരു പുനരുൽപ്പാദിപ്പിക്കാവുന്ന പാത എന്നിവ ലഭിക്കും. ഒരു AI മോഡൽ സൂക്ഷ്മമായി തെറ്റായ ഔട്ട്പുട്ടുകൾ പുറപ്പെടുവിക്കുമ്പോൾ, പരാജയം മാസങ്ങളോളം ശ്രദ്ധിക്കപ്പെടാതെ പോകും, കാരണം താരതമ്യം ചെയ്യാൻ "ശരിയായ" ഉത്തരം ഒന്നുമില്ല.

• ലാറ്റൻ്റ് സ്പേസ് അതാര്യത: ഡിഫ്യൂഷൻ മോഡലുകളിലെ ആന്തരിക പ്രാതിനിധ്യങ്ങൾ വ്യാഖ്യാനിക്കാൻ കുപ്രസിദ്ധമാണ്, ഇത് നിർദ്ദിഷ്ട കമ്പ്യൂട്ടേഷണൽ പരാജയങ്ങളിലേക്ക് ഔട്ട്പുട്ട് ആർട്ടിഫാക്റ്റുകൾ കണ്ടെത്തുന്നത് ബുദ്ധിമുട്ടാക്കുന്നു.
• പ്രോംപ്റ്റ് സെൻസിറ്റിവിറ്റി: ടെക്‌സ്‌റ്റ് ഇൻപുട്ടിലെ ചെറിയ വ്യതിയാനങ്ങൾക്ക് വ്യത്യസ്‌തമായ ഔട്ട്‌പുട്ടുകൾ സൃഷ്‌ടിക്കാൻ കഴിയും, അതായത് ഇടുങ്ങിയതും പ്രവചനാതീതവുമായ സാഹചര്യങ്ങളിൽ മാത്രമേ ബഗുകൾ പ്രത്യക്ഷപ്പെടുകയുള്ളൂ.
• മൂല്യനിർണ്ണയ ആത്മനിഷ്ഠത: അളക്കാനാവുന്ന കൃത്യതയോടെയുള്ള വർഗ്ഗീകരണ ജോലികളിൽ നിന്ന് വ്യത്യസ്തമായി, ഇമേജ് ജനറേഷൻ നിലവാരം ഭാഗികമായി ആത്മനിഷ്ഠമാണ്, ഇത് സ്വയമേവയുള്ള പരിശോധനകളിലൂടെ സൂക്ഷ്മമായ ഡീഗ്രേഡേഷനുകളെ അനുവദിക്കുന്നു.
• കാസ്‌കേഡിംഗ് ഡിപൻഡൻസികൾ: ക്രോസ്-അറ്റൻഷൻ മെക്കാനിസം, ഡിനോയിസിംഗ് ഷെഡ്യൂളർ, VAE ഡീകോഡർ എന്നിവയിലൂടെ ടെക്‌സ്‌റ്റ് എൻകോഡറിലെ ഒരു പിഴവ് പ്രചരിപ്പിക്കാം, ഇത് മൂലകാരണ വിശകലനത്തെ അത്യന്തം സങ്കീർണ്ണമാക്കുന്നു.
• പരിശീലന ഡാറ്റ എൻടാൻഗ്ലെമെൻ്റ്: മോഡൽ ആർക്കിടെക്ചറിലെ ബഗുകളും പരിശീലന ഡാറ്റയിൽ നിന്ന് പാരമ്പര്യമായി ലഭിക്കുന്ന പക്ഷപാതങ്ങളും തമ്മിൽ വേർതിരിച്ചറിയാൻ സമയമെടുക്കുന്നതും കണക്കുകൂട്ടൽ ചെലവേറിയതുമായ സൂക്ഷ്മമായ അബ്ലേഷൻ പഠനങ്ങൾ ആവശ്യമാണ്.

ഈ സംഭവം AI വികസന രീതികളെ എങ്ങനെ സ്വാധീനിച്ചു?

കാറ്റ് ഡീബഗ്ഗിംഗ് സ്റ്റോറി, ഉപരിതലത്തിൽ നർമ്മം നിറഞ്ഞതാണെങ്കിലും, AI ടീമുകൾ ഗുണനിലവാര ഉറപ്പിനെ എങ്ങനെ സമീപിക്കുന്നു എന്നതിൽ നിരവധി വ്യക്തമായ മാറ്റങ്ങൾക്ക് പ്രേരിപ്പിച്ചു. ഒന്നിലധികം ഓർഗനൈസേഷനുകൾ ജനറേറ്റീവ് മോഡലുകൾക്കായി അവരുടെ ഫസ് ടെസ്റ്റിംഗ് പ്രോട്ടോക്കോളുകൾ വിപുലീകരിച്ചു, പ്രത്യേകമായി ഭാഷാ ഇതര ഇൻപുട്ടുകളെ അനുകരിക്കുന്ന ക്രമരഹിതവും പ്രതികൂലവുമായ ടോക്കൺ സീക്വൻസുകൾ ഉൾപ്പെടുത്തി. ചില ടീമുകൾ ഇപ്പോൾ അവരുടെ തുടർച്ചയായ സംയോജന പൈപ്പ് ലൈനുകളുടെ ഭാഗമായി ഓട്ടോമേറ്റഡ് "കീബോർഡ് വാക്ക്" സിമുലേഷനുകൾ പ്രവർത്തിപ്പിക്കുന്നു.

ഡിഫ്യൂഷൻ മോഡലുകൾക്കുള്ള ഇൻ്റർപ്രെബിലിറ്റി ടൂളുകളോടുള്ള താൽപ്പര്യവും ഈ സംഭവം പുതുക്കി. വിഷ്വൽ ആർട്ടിഫാക്‌റ്റ് വ്യക്തമല്ലായിരുന്നുവെങ്കിൽ - ബോൾഡ് ടെസ്സലേഷനേക്കാൾ സൂക്ഷ്മമായ വർണ്ണ മാറ്റം - അത് അനിശ്ചിതമായി ശ്രദ്ധിക്കപ്പെടാതെ പോയേക്കാം. ഇത് ജനറേറ്റഡ് ഔട്ട്‌പുട്ടുകൾക്കായി മികച്ച ഓട്ടോമേറ്റഡ് അനോമലി ഡിറ്റക്ഷൻ വികസിപ്പിക്കുന്നതിലേക്ക് സമൂഹത്തെ പ്രേരിപ്പിച്ചു, വ്യക്തിഗത ഇമേജുകൾ ഉപരിപ്ലവമായി സാധാരണ ദൃശ്യമാകുമ്പോൾ പോലും സ്ഥിതിവിവരക്കണക്ക് ക്രമക്കേടുകൾ ഫ്ലാഗ് ചെയ്യാൻ കഴിയുന്ന സംവിധാനങ്ങൾ.

AI വികസനം, ഉൽപ്പന്ന ആവർത്തനം, ഗുണനിലവാര ഉറപ്പ് എന്നിവയിലുടനീളമുള്ള സങ്കീർണ്ണമായ വർക്ക്ഫ്ലോകൾ കൈകാര്യം ചെയ്യുന്ന ടീമുകൾക്ക്, ഇതുപോലുള്ള സംഭവങ്ങൾ കേന്ദ്രീകൃത പ്രവർത്തന ദൃശ്യപരതയുടെ ആവശ്യകതയെ എടുത്തുകാണിക്കുന്നു. ഒരു ബഗ് ടെക്സ്റ്റ് എൻകോഡർ, ഷെഡ്യൂളർ, ഡീകോഡർ എന്നിവയിൽ വ്യാപിക്കുമ്പോൾ, ചിതറിക്കിടക്കുന്ന ടൂളുകളിലും വിച്ഛേദിക്കപ്പെട്ട ആശയവിനിമയ ചാനലുകളിലും അന്വേഷണം ട്രാക്കുചെയ്യുന്നത് അതിൻ്റേതായ ഘർഷണ പാളി സൃഷ്ടിക്കുന്നു.

പതിവ് ചോദിക്കുന്ന ചോദ്യങ്ങൾ

സ്റ്റേബിൾ ഡിഫ്യൂഷൻ ക്യാറ്റ് ഡീബഗ്ഗിംഗ് സംഭവം ഒരു യഥാർത്ഥ സംഭവമായിരുന്നോ?

2023-ൽ AI എഞ്ചിനീയറിംഗ് കമ്മ്യൂണിറ്റിയിൽ നിന്ന് വ്യാപകമായി പങ്കിട്ട ഒരു അക്കൗണ്ടിനെ അടിസ്ഥാനമാക്കിയുള്ളതാണ് പ്രധാന സ്‌റ്റോറി. നിർദ്ദിഷ്ട വിശദാംശങ്ങൾ റീടെല്ലിംഗിൽ ഒരു പരിധിവരെ പുരാണവൽക്കരിക്കപ്പെട്ടിട്ടുണ്ടെങ്കിലും, അന്തർലീനമായ സാങ്കേതിക സാഹചര്യം - റാൻഡം കീബോർഡ് ഇൻപുട്ട് ഒരു ഒളിഞ്ഞിരിക്കുന്ന സ്പേസ് ബഗ് തുറന്നുകാട്ടുന്നു - നന്നായി രേഖപ്പെടുത്തുകയും ഡിഫ്യൂഷൻ മോഡലിലെ അറിയപ്പെടുന്ന പരാജയ മോഡുകളുമായി പൊരുത്തപ്പെടുകയും ചെയ്യുന്നു. സോഫ്‌റ്റ്‌വെയർ എഞ്ചിനീയറിംഗ് ചരിത്രത്തിലുടനീളം സമാനമായ ആകസ്‌മിക കണ്ടെത്തലുകൾ സംഭവിച്ചിട്ടുണ്ട്.

ജനറേറ്റീവ് AI മോഡലുകളിലെ ബഗുകൾ വിശ്വസനീയമായി പിടിക്കാൻ ഫസ് പരിശോധനയ്ക്ക് കഴിയുമോ?

പ്രത്യേകിച്ച് ഇൻപുട്ട് പാഴ്‌സിംഗ്, ടോക്കണൈസേഷൻ എഡ്ജ് കേസുകൾ, സംഖ്യാ സ്ഥിരത പ്രശ്‌നങ്ങൾ എന്നിവയുമായി ബന്ധപ്പെട്ട ചില ബഗുകൾ കണ്ടെത്തുന്നതിന് ഫസ് ടെസ്റ്റിംഗ് ഫലപ്രദമാണ്. എന്നിരുന്നാലും, ജനറേറ്റീവ് AI-ക്ക് ഇത് ഒരു വെള്ളി ബുള്ളറ്റല്ല. ഈ മോഡലുകൾ നിർണ്ണായകമായവയ്ക്ക് പകരം പ്രോബബിലിസ്റ്റിക് ഔട്ട്‌പുട്ടുകൾ ഉൽപ്പാദിപ്പിക്കുന്നതിനാൽ, ഫസ് ടെസ്റ്റിംഗ് സമയത്ത് "പരാജയം" എന്താണെന്ന് നിർവചിക്കുന്നതിന് ലളിതമായ പാസ്/ഫെയ്ൽ അസെർഷനുകളേക്കാൾ സങ്കീർണ്ണമായ അനോമലി ഡിറ്റക്ഷൻ സംവിധാനങ്ങൾ ആവശ്യമാണ്.

സങ്കീർണ്ണമായ സിസ്റ്റങ്ങളിൽ ഉടനീളമുള്ള ഡീബഗ്ഗിംഗ് വർക്ക്ഫ്ലോകൾ പ്രൊഫഷണൽ AI ടീമുകൾ എങ്ങനെ കൈകാര്യം ചെയ്യുന്നു?

പക്വതയുള്ള മിക്ക AI ടീമുകളും പരീക്ഷണ ട്രാക്കിംഗ് പ്ലാറ്റ്‌ഫോമുകൾ, കേന്ദ്രീകൃത ലോഗിംഗ്, സഹകരണ ഡോക്യുമെൻ്റേഷൻ, ഘടനാപരമായ പ്രോജക്റ്റ് മാനേജ്മെൻ്റ് എന്നിവയുടെ സംയോജനത്തെ ആശ്രയിക്കുന്നു. ട്രെയ്‌സിബിലിറ്റി നിലനിർത്തുക എന്നതാണ് പ്രധാന വെല്ലുവിളി - ഒരു നിർദ്ദിഷ്ട ഔട്ട്‌പുട്ട് ആർട്ടിഫാക്‌റ്റ് മോഡൽ പതിപ്പുമായി ബന്ധിപ്പിക്കുക, പരിശീലന ഡാറ്റ, ഹൈപ്പർപാരാമീറ്ററുകൾ, കോഡ് കമ്മിറ്റ് എന്നിവ അത് നിർമ്മിച്ചു. ഈ വർക്ക്ഫ്ലോകളെ ഏകീകൃത പ്രവർത്തന സംവിധാനങ്ങളിലേക്ക് ഏകീകരിക്കുന്ന ടീമുകൾ, കോർഡിനേഷൻ ഓവർഹെഡിൽ ഗണ്യമായി കുറച്ച് സമയവും യഥാർത്ഥ പ്രശ്‌നപരിഹാരത്തിന് കൂടുതൽ സമയവും ചെലവഴിക്കുന്നു.

നിങ്ങളുടെ പ്രവർത്തന സങ്കീർണ്ണത ലളിതമാക്കുക

നിങ്ങൾ AI മോഡലുകൾ ഡീബഗ്ഗ് ചെയ്യുകയാണെങ്കിലും അല്ലെങ്കിൽ മറ്റേതെങ്കിലും സങ്കീർണ്ണമായ ബിസിനസ്സ് ഓപ്പറേഷൻ കൈകാര്യം ചെയ്യുകയാണെങ്കിലും, വിഘടിച്ച ഉപകരണങ്ങൾ വിഘടിച്ച ചിന്ത സൃഷ്ടിക്കുന്നു. 138,000-ത്തിലധികം ഉപയോക്താക്കൾ വിശ്വസിക്കുന്ന ഒരൊറ്റ ബിസിനസ്സ് ഓപ്പറേറ്റിംഗ് സിസ്റ്റത്തിലേക്ക് 207 സംയോജിത മൊഡ്യൂളുകൾ Mewayz കൊണ്ടുവരുന്നു - നിങ്ങളുടെ ടീമിന് അവരുടെ ഉറവിടത്തിലെ പ്രശ്നങ്ങൾ കണ്ടെത്തുന്നതിനും പ്രതികരണങ്ങൾ ഏകോപിപ്പിക്കുന്നതിനും വേഗത്തിൽ നീങ്ങുന്നതിനും ആവശ്യമായ കേന്ദ്രീകൃത ദൃശ്യപരത നൽകുന്നു. app.mewayz.com-ൽ നിങ്ങളുടെ സൗജന്യ ട്രയൽ ആരംഭിക്കുക കൂടാതെ ഏകീകൃത പ്രവർത്തനങ്ങൾ എങ്ങനെയായിരിക്കുമെന്ന് കാണുക.