diff --git a/4-manufacturing/translations/README.hi.md b/4-manufacturing/translations/README.hi.md
index 316dfc9b..6d9f4bc3 100644
--- a/4-manufacturing/translations/README.hi.md
+++ b/4-manufacturing/translations/README.hi.md
@@ -4,7 +4,7 @@
 
 अधिक आधुनिक सेटअप छँटाई के लिए IoT पर निर्भर करते हैं। [वीको](https://wecotek.com) के सॉर्टर्स (छँटाई के उपकरण) जैसे कुछ शुरुआती उपकरण उत्पाद की गुणवत्ता का पता लगाने के लिए ऑप्टिकल सेंसर का उपयोग करते हैं, उदाहरण के लिए हरे टमाटर को अस्वीकार करते हैं। इन्हें खेत में ही हार्वेस्टर में या प्रसंस्करण संयंत्रों में लगाया जा सकता है।
 
-जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (एआई) और मशीन लर्निंग (एमएल) में प्रगति होती है, फल और विदेशी वस्तुओं जैसे चट्टानों, गंदगी या कीड़ों के बीच अंतर करने के लिए प्रशिक्षित एमएल मॉडल का उपयोग करके ये मशीनें और अधिक उन्नत हो सकती हैं। इन मॉडलों को फलों की गुणवत्ता का पता लगाने के लिए भी प्रशिक्षित किया जा सकता है, न केवल टूटे हुए फल बल्कि बीमारी या अन्य फसल समस्याओं का जल्द पता लगाना।
+जैसे-जैसे आर्टिफिशियल इंटेलिजेंस (AI) और मशीन लर्निंग (ML) में प्रगति होती है, फल और विदेशी वस्तुओं, जैसे चट्टानों, गंदगी या कीड़ों, के बीच अंतर करने के लिए प्रशिक्षित ML मॉडल का उपयोग करके ये मशीनें और अधिक उन्नत हो सकती हैं। इन मॉडलों को फलों की गुणवत्ता का पता लगाने के लिए भी प्रशिक्षित किया जा सकता है, न केवल टूटे हुए फलों को पहचानना, बल्कि बीमारी या अन्य फसल सम्बन्धी समस्याओं का जल्द पता लगाना।
 
 >🎓शब्द *एमएल मॉडल* डेटा के एक सेट पर प्रशिक्षण मशीन लर्निंग सॉफ्टवेयर के आउटपुट को संदर्भित करता है। उदाहरण के लिए, आप पके और कच्चे टमाटर के बीच अंतर करने के लिए एमएल मॉडल को प्रशिक्षित कर सकते हैं, फिर नई छवियों पर मॉडल का उपयोग करके देखें कि टमाटर पके हैं या नहीं।