38 KiB
जिम्मेवार AI को साथमा मेसिन लर्निङ समाधानहरू निर्माण गर्नुहोस्
स्केच नोट टोमोमी इमुरा द्वारा
पूर्व-व्याख्यान प्रश्नोत्तरी
परिचय
यस पाठ्यक्रममा, तपाईंले मेसिन लर्निङले हाम्रो दैनिक जीवनमा कसरी प्रभाव पारिरहेको छ र पार्न सक्छ भन्ने कुरा पत्ता लगाउन सुरु गर्नुहुनेछ। अहिले पनि, प्रणालीहरू र मोडेलहरू स्वास्थ्य सेवा निदान, ऋण स्वीकृति, वा ठगी पत्ता लगाउने जस्ता दैनिक निर्णय प्रक्रियाहरूमा संलग्न छन्। त्यसैले, यी मोडेलहरूले विश्वासयोग्य परिणामहरू प्रदान गर्न राम्रोसँग काम गर्नु महत्त्वपूर्ण छ। कुनै पनि सफ्टवेयर अनुप्रयोग जस्तै, AI प्रणालीहरूले कहिलेकाहीँ अपेक्षाहरू पूरा गर्न सक्दैनन् वा अवाञ्छित परिणाम दिन सक्छन्। त्यसैले, AI मोडेलको व्यवहार बुझ्न र व्याख्या गर्न सक्षम हुनु अत्यावश्यक छ।
कल्पना गर्नुहोस्, तपाईंले यी मोडेलहरू निर्माण गर्न प्रयोग गर्ने डाटामा कुनै निश्चित जनसांख्यिकीय, जस्तै जाति, लिङ्ग, राजनीतिक दृष्टिकोण, धर्म, वा असमान रूपमा प्रतिनिधित्व गर्ने जनसांख्यिकीयको अभाव छ भने के हुन्छ? यदि मोडेलको परिणामले कुनै जनसांख्यिकीयलाई प्राथमिकता दिएको रूपमा व्याख्या गरिन्छ भने के हुन्छ? अनुप्रयोगको लागि यसको परिणाम के हुन्छ? साथै, यदि मोडेलको प्रतिकूल परिणामले मानिसहरूलाई हानि पुर्याउँछ भने के हुन्छ? AI प्रणालीको व्यवहारको लागि को जिम्मेवार हुन्छ? यी केही प्रश्नहरू हुन् जुन हामी यस पाठ्यक्रममा अन्वेषण गर्नेछौं।
यस पाठमा, तपाईं:
- मेसिन लर्निङमा निष्पक्षताको महत्त्व र निष्पक्षतासँग सम्बन्धित हानिहरूप्रति सचेत हुनुहुनेछ।
- असामान्य परिदृश्यहरू अन्वेषण गर्ने अभ्याससँग परिचित हुनुहुनेछ ताकि विश्वसनीयता र सुरक्षाको सुनिश्चितता गर्न सकियोस्।
- सबैलाई सशक्त बनाउन समावेशी प्रणालीहरू डिजाइन गर्ने आवश्यकतालाई बुझ्नुहुनेछ।
- डाटा र व्यक्तिहरूको गोपनीयता र सुरक्षाको रक्षा गर्न कत्तिको महत्त्वपूर्ण छ भन्ने कुरा अन्वेषण गर्नुहोस्।
- AI मोडेलहरूको व्यवहार व्याख्या गर्न "ग्लास बक्स" दृष्टिकोणको महत्त्व देख्नुहोस्।
- AI प्रणालीहरूमा विश्वास निर्माण गर्न उत्तरदायित्व कत्तिको महत्त्वपूर्ण छ भन्ने कुरा बुझ्नुहोस्।
पूर्वआवश्यकता
पूर्वआवश्यकताका रूपमा, कृपया "जिम्मेवार AI सिद्धान्तहरू" सिक्ने मार्ग लिनुहोस् र तलको भिडियो हेर्नुहोस्:
जिम्मेवार AI को बारेमा थप जान्न यो सिक्ने मार्ग अनुसरण गर्नुहोस्।
🎥 माथिको छवि क्लिक गर्नुहोस्: Microsoft को जिम्मेवार AI को दृष्टिकोण
निष्पक्षता
AI प्रणालीहरूले सबैलाई निष्पक्ष रूपमा व्यवहार गर्नुपर्छ र समान समूहका मानिसहरूलाई फरक तरिकाले असर गर्नबाट बच्नुपर्छ। उदाहरणका लागि, जब AI प्रणालीहरूले चिकित्सा उपचार, ऋण आवेदन, वा रोजगारीमा मार्गदर्शन प्रदान गर्छन्, तिनीहरूले समान लक्षण, आर्थिक अवस्था, वा व्यावसायिक योग्यतासहित सबैलाई समान सिफारिस गर्नुपर्छ। हामी प्रत्येक मानिसले हाम्रो निर्णय र कार्यहरूलाई असर गर्ने पूर्वाग्रहहरू बोक्छौं। यी पूर्वाग्रहहरू हामीले AI प्रणालीहरूलाई तालिम दिन प्रयोग गर्ने डाटामा देखिन सक्छ। यस्तो हेरफेर कहिलेकाहीँ अनजानेमा हुन सक्छ। डाटामा पूर्वाग्रह कहिले परिचय गराइन्छ भन्ने कुरा सचेत रूपमा जान्न गाह्रो हुन्छ।
"असमानता" भनेको कुनै समूहका मानिसहरूका लागि नकारात्मक प्रभावहरू, वा "हानिहरू" समावेश गर्दछ, जस्तै जाति, लिङ्ग, उमेर, वा अपाङ्गता स्थितिको आधारमा परिभाषित गरिएका। मुख्य निष्पक्षतासँग सम्बन्धित हानिहरूलाई यसरी वर्गीकृत गर्न सकिन्छ:
- आवंटन, यदि कुनै लिङ्ग वा जातिलाई अर्कोभन्दा प्राथमिकता दिइन्छ भने।
- सेवाको गुणस्तर। यदि तपाईंले डाटालाई कुनै विशिष्ट परिदृश्यका लागि तालिम दिनुभयो तर वास्तविकता धेरै जटिल छ भने, यसले खराब प्रदर्शन गर्ने सेवामा पुर्याउँछ। उदाहरणका लागि, एउटा हात धुने साबुन डिस्पेन्सरले गाढा छालाका मानिसहरूलाई चिन्न नसक्ने समस्या। सन्दर्भ
- अपमान। कुनै कुरा वा कसैलाई अन्यायपूर्ण रूपमा आलोचना र लेबल गर्नु। उदाहरणका लागि, छविलाई लेबल गर्ने प्रविधिले गाढा छालाका मानिसहरूको छविलाई गोरिल्ला भनेर गलत लेबल गरेको थियो।
- अधिक वा कम प्रतिनिधित्व। विचार यो हो कि कुनै निश्चित समूहलाई कुनै निश्चित पेशामा देखिँदैन, र कुनै पनि सेवा वा कार्यले यसलाई निरन्तर प्रवर्द्धन गरिरहन्छ भने, यसले हानि पुर्याउँछ।
- रूढीवादी सोच। कुनै समूहलाई पूर्वनिर्धारित विशेषतासँग जोड्नु। उदाहरणका लागि, अंग्रेजी र टर्किश भाषाको अनुवाद प्रणालीले लिङ्गसँग रूढीवादी सम्बन्ध भएका शब्दहरूको कारण गलत अनुवाद गर्न सक्छ।
टर्किशमा अनुवाद
अंग्रेजीमा पुन: अनुवाद
AI प्रणालीहरू डिजाइन र परीक्षण गर्दा, हामीले सुनिश्चित गर्नुपर्छ कि AI निष्पक्ष छ र पूर्वाग्रही वा भेदभावपूर्ण निर्णयहरू गर्न प्रोग्राम गरिएको छैन, जुन मानिसहरूलाई पनि गर्न निषेध गरिएको छ। AI र मेसिन लर्निङमा निष्पक्षता सुनिश्चित गर्नु एक जटिल सामाजिक-प्राविधिक चुनौती हो।
विश्वसनीयता र सुरक्षा
विश्वास निर्माण गर्न, AI प्रणालीहरू विश्वसनीय, सुरक्षित, र सामान्य र अप्रत्याशित अवस्थाहरूमा स्थिर हुनुपर्छ। AI प्रणालीहरूले विभिन्न परिस्थितिहरूमा कसरी व्यवहार गर्नेछन् भन्ने कुरा जान्न महत्त्वपूर्ण छ, विशेष गरी जब तिनीहरू असामान्य हुन्छन्। AI समाधानहरू निर्माण गर्दा, AI समाधानहरूले सामना गर्ने विभिन्न परिस्थितिहरूलाई कसरी व्यवस्थापन गर्ने भन्नेमा पर्याप्त ध्यान केन्द्रित गर्न आवश्यक छ। उदाहरणका लागि, एउटा स्वचालित कारले मानिसहरूको सुरक्षालाई उच्च प्राथमिकतामा राख्नुपर्छ। त्यसैले, कारलाई शक्ति दिने AI ले रात, आँधीबेहरी, वा हिउँको आँधी, सडकमा दौडिरहेका बच्चाहरू, घरपालुवा जनावरहरू, सडक निर्माणहरू आदि जस्ता सबै सम्भावित परिदृश्यहरू विचार गर्नुपर्छ। AI प्रणालीले विभिन्न अवस्थाहरूलाई विश्वसनीय र सुरक्षित रूपमा कसरी व्यवस्थापन गर्न सक्छ भन्ने कुरा डेटा वैज्ञानिक वा AI विकासकर्ताले प्रणालीको डिजाइन वा परीक्षणको क्रममा कत्तिको विचार गरे भन्ने स्तरलाई प्रतिबिम्बित गर्दछ।
समावेशिता
AI प्रणालीहरू सबैलाई संलग्न र सशक्त बनाउन डिजाइन गरिनुपर्छ। AI प्रणालीहरू डिजाइन र कार्यान्वयन गर्दा, डेटा वैज्ञानिक र AI विकासकर्ताहरूले प्रणालीमा अनजानेमा मानिसहरूलाई बहिष्कृत गर्न सक्ने सम्भावित बाधाहरू पहिचान र सम्बोधन गर्छन्। उदाहरणका लागि, विश्वभर १ अर्ब अपाङ्गता भएका मानिसहरू छन्। AI को प्रगतिसँगै, उनीहरूले आफ्नो दैनिक जीवनमा धेरै जानकारी र अवसरहरू सजिलैसँग पहुँच गर्न सक्छन्। बाधाहरू सम्बोधन गरेर, यसले सबैलाई फाइदा पुर्याउने राम्रो अनुभवसहित AI उत्पादनहरू नवप्रवर्तन र विकास गर्ने अवसर सिर्जना गर्दछ।
सुरक्षा र गोपनीयता
AI प्रणालीहरू सुरक्षित हुनुपर्छ र मानिसहरूको गोपनीयताको सम्मान गर्नुपर्छ। गोपनीयता, जानकारी, वा जीवन जोखिममा राख्ने प्रणालीहरूमा मानिसहरूको विश्वास कम हुन्छ। मेसिन लर्निङ मोडेलहरू तालिम दिन, हामीले उत्कृष्ट परिणामहरू उत्पादन गर्न डाटामा भर पर्छौं। यसो गर्दा, डाटाको उत्पत्ति र अखण्डता विचार गर्नुपर्छ। उदाहरणका लागि, डाटा प्रयोगकर्ताले पेश गरेको हो वा सार्वजनिक रूपमा उपलब्ध छ? त्यसपछि, डाटासँग काम गर्दा, गोपनीय जानकारीको रक्षा गर्न र आक्रमणहरू प्रतिरोध गर्न सक्ने AI प्रणालीहरू विकास गर्नु महत्त्वपूर्ण छ। AI अधिक प्रचलित हुँदै जाँदा, गोपनीयता रक्षा र महत्त्वपूर्ण व्यक्तिगत र व्यावसायिक जानकारी सुरक्षित गर्नु अझ महत्त्वपूर्ण र जटिल हुँदै गइरहेको छ। गोपनीयता र डेटा सुरक्षा मुद्दाहरू AI को लागि विशेष रूपमा नजिकबाट ध्यान दिन आवश्यक छ किनभने डेटा पहुँच AI प्रणालीहरूले मानिसहरूबारे सटीक र सूचित भविष्यवाणी र निर्णय गर्न आवश्यक छ।
- उद्योगका रूपमा, हामीले गोपनीयता र सुरक्षामा महत्त्वपूर्ण प्रगति गरेका छौं, GDPR (जनरल डेटा प्रोटेक्सन रेगुलेसन) जस्ता नियमहरूले महत्त्वपूर्ण रूपमा प्रेरित गरेका छन्।
- यद्यपि AI प्रणालीहरूसँग, हामीले प्रणालीलाई अझ व्यक्तिगत र प्रभावकारी बनाउन थप व्यक्तिगत डाटाको आवश्यकताको र गोपनीयताको बीचको तनावलाई स्वीकार गर्नुपर्छ।
- इन्टरनेटसँग जडान भएका कम्प्युटरहरूको जन्मसँगै, हामी AI सम्बन्धित सुरक्षा मुद्दाहरूको संख्यामा ठूलो वृद्धि देखिरहेका छौं।
- त्यस्तै, हामीले AI लाई सुरक्षा सुधार गर्न प्रयोग गरिएको देखेका छौं। उदाहरणका लागि, आजका अधिकांश आधुनिक एन्टी-भाइरस स्क्यानरहरू AI ह्युरिस्टिक्सद्वारा सञ्चालित छन्।
- हामीले सुनिश्चित गर्नुपर्छ कि हाम्रो डेटा विज्ञान प्रक्रिया नवीनतम गोपनीयता र सुरक्षा अभ्यासहरूसँग सामंजस्यपूर्ण रूपमा मिश्रित छ।
पारदर्शिता
AI प्रणालीहरू बुझ्न सकिने हुनुपर्छ। पारदर्शिताको एक महत्त्वपूर्ण भाग भनेको AI प्रणालीहरूको व्यवहार र तिनका घटकहरूको व्याख्या गर्नु हो। AI प्रणालीहरूको बुझाइ सुधार गर्न, सरोकारवालाहरूले तिनीहरू कसरी र किन काम गर्छन् भन्ने कुरा बुझ्न आवश्यक छ ताकि तिनीहरूले सम्भावित प्रदर्शन समस्याहरू, सुरक्षा र गोपनीयता चिन्ताहरू, पूर्वाग्रहहरू, बहिष्करण अभ्यासहरू, वा अनपेक्षित परिणामहरू पहिचान गर्न सकून्। हामी यो पनि विश्वास गर्छौं कि AI प्रणालीहरू प्रयोग गर्नेहरूले तिनीहरूलाई कहिले, किन, र कसरी प्रयोग गर्ने निर्णय गर्छन् भन्ने बारे इमानदार र स्पष्ट हुनुपर्छ। साथै, तिनीहरूले प्रयोग गर्ने प्रणालीहरूको सीमाहरूको बारेमा पनि। उदाहरणका लागि, यदि कुनै बैंकले आफ्नो उपभोक्ता ऋण निर्णयहरू समर्थन गर्न AI प्रणाली प्रयोग गर्छ भने, परिणामहरूको परीक्षण गर्नु र प्रणालीको सिफारिसहरूमा कुन डाटाले प्रभाव पार्छ भन्ने कुरा बुझ्नु महत्त्वपूर्ण छ। सरकारहरूले उद्योगहरूमा AI नियमन गर्न सुरु गरिरहेका छन्, त्यसैले डेटा वैज्ञानिक र संगठनहरूले AI प्रणालीले नियामक आवश्यकताहरू पूरा गर्छ कि गर्दैन भन्ने कुरा व्याख्या गर्नुपर्छ, विशेष गरी जब अवाञ्छित परिणाम हुन्छ।
- AI प्रणालीहरू यति जटिल छन् कि तिनीहरूले कसरी काम गर्छन् र परिणामहरूको व्याख्या गर्न गाह्रो छ।
- यो बुझाइको अभावले यी प्रणालीहरू कसरी व्यवस्थापन, सञ्चालन, र कागजात गरिन्छ भन्ने कुरालाई असर गर्छ।
- यो बुझाइको अभावले अझ महत्त्वपूर्ण रूपमा यी प्रणालीहरूले उत्पादन गर्ने परिणामहरू प्रयोग गरेर गरिएका निर्णयहरूलाई असर गर्छ।
उत्तरदायित्व
AI प्रणालीहरू डिजाइन र तैनाथ गर्ने मानिसहरूले तिनीहरूको प्रणालीहरू कसरी सञ्चालन गर्छन् भन्ने कुराको लागि उत्तरदायी हुनुपर्छ। संवेदनशील प्रयोग प्रविधिहरू जस्तै अनुहार पहिचानको साथमा उत्तरदायित्वको आवश्यकता विशेष रूपमा महत्त्वपूर्ण छ। हालै, अनुहार पहिचान प्रविधिको माग बढ्दै गएको छ, विशेष गरी कानून प्रवर्तन संगठनहरूबाट जसले हराएका बच्चाहरू फेला पार्न जस्ता प्रयोगहरूमा प्रविधिको सम्भावना देख्छन्। यद्यपि, यी प्रविधिहरूले सरकारलाई आफ्ना नागरिकहरूको मौलिक स्वतन्त्रतालाई जोखिममा राख्न सक्षम बनाउन सक्छ, उदाहरणका लागि, विशिष्ट व्यक्तिहरूको निरन्तर निगरानी सक्षम गरेर। त्यसैले, डेटा वैज्ञानिक र संगठनहरूले आफ्नो AI प्रणालीले व्यक्तिहरू वा समाजलाई कसरी असर गर्छ भन्ने कुराको लागि जिम्मेवार हुनुपर्छ।
🎥 माथिको छवि क्लिक गर्नुहोस्: अनुहार पहिचान मार्फत व्यापक निगरानीको चेतावनी
अन्ततः, हाम्रो पुस्ताका लागि सबैभन्दा ठूलो प्रश्नहरूमध्ये एक, AI लाई समाजमा ल्याउने पहिलो पुस्ताका रूपमा, कम्प्युटरहरू मानिसहरूप्रति उत्तरदायी रहन कसरी सुनिश्चित गर्ने र कम्प्युटरहरू डिजाइन गर्ने मानिसहरू सबैप्रति उत्तरदायी रहन कसरी सुनिश्चित गर्ने भन्ने हो।
प्रभाव मूल्याङ्कन
मेसिन लर्निङ मोडेल तालिम दिनुअघि, AI प्रणालीको उद्देश्य बुझ्न, यसको इच्छित प्रयोग के हो, यो कहाँ तैनाथ हुनेछ, र प्रणालीसँग को अन्तरक्रिया गर्नेछ भन्ने कुरा बुझ्न प्रभाव मूल्याङ्कन गर्नु महत्त्वपूर्ण छ। यी समीक्षक(हरू) वा प्रणालीको मूल्याङ्कन गर्ने परीक्षकहरूको लागि उपयोगी हुन्छन् ताकि सम्भावित जोखिमहरू र अपेक्षित परिणामहरू पहिचान गर्दा कुन कारकहरू विचार गर्नुपर्छ भन्ने कुरा थाहा पाउन सकियोस्।
प्रभाव मूल्याङ्कन गर्दा ध्यान दिनुपर्ने क्षेत्रहरू:
- व्यक्तिहरूमा प्रतिकूल प्रभाव। प्रणालीको प्रदर्शनलाई बाधा पुर्याउने कुनै पनि प्रतिबन्ध वा आवश्यकताहरू, असमर्थित प्रयोग वा कुनै ज्ञात सीमाहरूको बारेमा सचेत हुनु महत्त्वपूर्ण छ ताकि प्रणालीलाई व्यक्तिहरूलाई हानि पुर्याउने तरिकामा प्रयोग नगरियोस्।
- डाटा आवश्यकताहरू। प्रणालीले डाटालाई कसरी र कहाँ प्रयोग गर्नेछ भन्ने कुरा बुझेर समीक्षकहरूले तपाईंले विचार गर्नुपर्ने कुनै पनि डाटा आवश्यकताहरू (जस्तै, GDPR वा HIPPA डेटा नियमहरू) अन्वेषण गर्न सक्षम बनाउँछ। साथै, तालिमका लागि स्रोत वा डाटाको मात्रा पर्याप्त छ कि छैन भन्ने कुरा जाँच गर्नुहोस्।
- प्रभावको सारांश। प्रणाली प्रयोग गर्दा उत्पन्न हुन सक्ने सम्भावित हानिहरूको सूची सङ्कलन गर्नुहोस्। ML जीवनचक्रभरि, पहिचान गरिएका मुद्दाहरू कम गरिएका छन् वा सम्बोधन गरिएका छन् कि छैनन् भन्ने कुरा समीक्षा गर्नुहोस्।
- छ वटा मुख्य सिद्धान्तहरूको लागि लागू हुने लक्ष्यहरू। प्रत्येक सिद्धान्तका लक्ष्यहरू पूरा भएका छन् कि छैनन् र कुनै खाडलहरू छन् कि छैनन् भन्ने कुरा मूल्याङ्कन गर्नुहोस्।
जिम्मेवार AI को साथमा डिबगिङ
सफ्टवेयर अनुप्रयोग डिबगिङ जस्तै, AI प्रणाली डिबगिङ भनेको प्रणालीमा समस्या पहिचान र समाधान गर्ने आवश्यक प्रक्रिया हो। प्रणालीले अपेक्षाअनुसार वा जिम्मेवार रूपमा प्रदर्शन नगर्ने धेरै कारकहरू छन्। अधिकांश परम्परागत मोडेल प्रदर्शन मेट्रिक्स मोडेलको प्रदर्शनको मात्रात्मक समग्र हुन्, जसले मोडेलले जिम्मेवार AI सिद्धान्तहरूको उल्लङ्घन कसरी गर्छ भन्ने कुरा विश्लेषण गर्न पर्याप्त हुँदैन। अझै, मेसिन लर्निङ मोडेल एउटा ब्ल्याक बक्स हो जसले यसको परिणामलाई के चलाउँछ भन्ने कुरा बुझ्न वा गल्ती गर्दा व्याख्या प्रदान गर्न गाह्रो बनाउँछ। यस पाठ्यक्रमको पछि, हामी जिम्मेवार AI ड्यासबोर्ड प्रयोग गरेर AI प्रणालीहरू डिबग गर्न सिक्नेछौं। ड्यासबोर्डले डेटा वैज्ञानिक र AI विकासकर्ताहरूलाई निम्न कार्यहरू गर्न समग्र उपकरण प्रदान गर्दछ:
- त्रुटि विश्लेषण। मोडेलको त्रुटि वितरण पहिचान गर्न जसले प्रणालीको निष्पक्षता वा विश्वसनीयतालाई असर गर्न सक्छ।
- मोडेल अवलोकन। डेटा समूहहरूमा मोडेलको प्रदर्शनमा असमानता कहाँ छ भनेर पत्ता लगाउन।
- डाटा विश्लेषण। डाटा वितरण बुझ्न र डाटामा कुनै सम्भावित पूर्वाग्रह पहिचान गर्न जसले निष्पक्षता, समावेशिता, र विश्वसनीयता मुद्दाहरू निम्त्याउन सक्छ।
- मोडेल व्याख्यात्मकता। मोडेलको भविष्यवाणीलाई के असर गर्छ वा प्रभाव पार्छ भन्ने कुरा बुझ्न। यसले मोडेलको व्यवहार व्याख्या गर्न मद्दत गर्छ, जुन पारदर्शिता र उत्तरदायित्वका लागि महत्त्वपूर्ण छ।
🚀 चुनौती
हानिहरूलाई सुरुमा नै रोक्न, हामीले:
- प्रणालीहरूमा काम गर्ने मानिसहरूको पृष्ठ यस पाठमा, तपाईंले मेसिन लर्निङमा निष्पक्षता र अन्यायका अवधारणाहरूको केही आधारभूत कुरा सिक्नुभएको छ।
यो कार्यशालालाई हेरेर विषयहरूमा अझ गहिरो जानकारी लिनुहोस्:
- जिम्मेवार AI को खोजीमा: सिद्धान्तलाई व्यवहारमा ल्याउने Besmira Nushi, Mehrnoosh Sameki र Amit Sharma द्वारा
🎥 माथिको तस्बिरमा क्लिक गर्नुहोस् भिडियोका लागि: RAI Toolbox: जिम्मेवार AI निर्माणका लागि खुला स्रोत फ्रेमवर्क Besmira Nushi, Mehrnoosh Sameki, र Amit Sharma द्वारा
साथै, पढ्नुहोस्:
-
Microsoft को RAI स्रोत केन्द्र: Responsible AI Resources – Microsoft AI
-
Microsoft को FATE अनुसन्धान समूह: FATE: Fairness, Accountability, Transparency, and Ethics in AI - Microsoft Research
RAI Toolbox:
Azure Machine Learning का उपकरणहरू निष्पक्षता सुनिश्चित गर्नका लागि पढ्नुहोस्:
असाइनमेन्ट
अस्वीकरण:
यो दस्तावेज़ AI अनुवाद सेवा Co-op Translator प्रयोग गरेर अनुवाद गरिएको छ। हामी यथार्थताको लागि प्रयास गर्छौं, तर कृपया ध्यान दिनुहोस् कि स्वचालित अनुवादहरूमा त्रुटिहरू वा अशुद्धताहरू हुन सक्छ। यसको मूल भाषा मा रहेको मूल दस्तावेज़लाई आधिकारिक स्रोत मानिनुपर्छ। महत्वपूर्ण जानकारीको लागि, व्यावसायिक मानव अनुवाद सिफारिस गरिन्छ। यस अनुवादको प्रयोगबाट उत्पन्न हुने कुनै पनि गलतफहमी वा गलत व्याख्याको लागि हामी जिम्मेवार हुने छैनौं।