RAG आणि नॉलेज बेस स्पेशालिस्टना कामावर घ्या
तुमच्या संस्थेचे ज्ञान दस्तऐवज, विकी, डेटाबेस आणि फाइल सिस्टममध्ये बंद आहे ज्यामध्ये AI मॉडेल्स डीफॉल्टनुसार प्रवेश करू शकत नाहीत — आणि तुमच्या विशिष्ट डेटामधून प्रश्नांची अचूक उत्तरे देणाऱ्या AI प्रणाली तयार करण्याचा एकमेव मार्ग म्हणजे पुनर्प्राप्ती-वर्धित निर्मिती (RAG). RAG ही अशी आर्किटेक्चर आहे जी सामान्य-उद्देशीय AI मॉडेलला तुमच्या व्यवसायातील तज्ञांमध्ये रूपांतरित करते, क्वेरीच्या वेळी तुमच्या दस्तऐवजांशी जोडून, त्याला सामान्य प्रतिसाद किंवा काल्पनिक माहितीऐवजी आधारित, अचूक, उद्धृत करण्यायोग्य उत्तरे देण्यासाठी आवश्यक संदर्भ देते.
Zinn Hub वर, अनुभवी AI अभियंते कस्टम RAG पाइपलाइन, वेक्टर डेटाबेस सिस्टम, डॉक्युमेंट इनजेस्टन वर्कफ्लो, नॉलेज बेस चॅटबॉट्स, हायब्रिड सर्च इम्प्लिमेंटेशन्स आणि इव्हॅल्युएशन फ्रेमवर्क तयार करतात जे तुमच्या संस्थेचे ज्ञान नैसर्गिक भाषेत शोधण्यायोग्य बनवतात. हे असे विशेषज्ञ आहेत जे संपूर्ण RAG स्टॅक समजून घेतात — डॉक्युमेंट पार्सिंग, चंकिंग स्ट्रॅटेजीज, एम्बेडिंग मॉडेल्स, वेक्टर डेटाबेस, रिट्रीव्हल अल्गोरिदम, ग्राउंडेड जनरेशनसाठी प्रॉम्प्ट इंजिनिअरिंग आणि विश्वसनीय प्रणालींना अविश्वसनीय प्रणालींपासून वेगळे करणारी इव्हॅल्युएशन मेथोडोलॉजी. प्रत्येक लिस्टिंगवर क्रिप्टो वापरून पैसे द्या आणि तुमचे पहिले $500 कमिशन-मुक्त आहे.
तुमच्या व्यवसायासाठी RAG महत्त्वाचे का आहे
प्रत्येक संस्थेला ज्ञानाची समस्या असते — महत्त्वाची माहिती दस्तऐवजीकरण, धोरणे, मदत लेख, अंतर्गत विकी, स्लॅक थ्रेड्स, ईमेल आर्काइव्ह्ज आणि वैयक्तिक कौशल्यांमध्ये विखुरलेली असते. कर्मचारी संस्थेमध्ये कुठेतरी अस्तित्वात असलेल्या परंतु शोधणे कठीण असलेल्या उत्तरांसाठी तासभर शोधण्यात घालवतात. एजंट मॅन्युअली ज्ञानकोषांमध्ये शोधत असताना ग्राहक समर्थन प्रतिसादांची वाट पाहतात. नवीन टीम सदस्यांना माहिती नसलेल्या किंवा दडलेल्या संस्थात्मक ज्ञानामुळे रुळायला महिने लागतात. RAG हे सोडवते तुमच्या विद्यमान ज्ञानावर एक AI स्तर तयार करून ज्याला कोणीही नैसर्गिक भाषेत प्रश्न विचारू शकतो. डझनभर दस्तऐवजांमध्ये शोधण्याऐवजी आणि योग्य कीवर्ड जुळतील अशी आशा करण्याऐवजी, वापरकर्ते नैसर्गिकरित्या प्रश्न विचारतात आणि स्त्रोत दस्तऐवजांकडे निर्देश करणाऱ्या संदर्भांसह अचूक उत्तरे प्राप्त करतात. AI अंदाज लावत नाही — ते तुमच्या डेटामधून संबंधित उतारे पुनर्प्राप्त करते आणि त्या पुराव्यावर आधारित उत्तरे तयार करते. हे कर्मचाऱ्यांना ChatGPT मध्ये प्रवेश देण्यापेक्षा मूलभूतपणे वेगळे आहे, ज्याला तुमच्या विशिष्ट व्यवसायाबद्दल काहीही माहिती नाही. तुमच्या दस्तऐवजीकरणावर प्रशिक्षित RAG प्रणाली तुमच्या उत्पादने, प्रक्रिया, धोरणे आणि कार्यपद्धतींवर नेहमी उपलब्ध तज्ञ बनते — जी सातत्याने उत्तरे देते, कधीही विसरत नाही आणि तुमच्या संस्थेतील प्रत्येक व्यक्तीला एकाच वेळी सेवा देण्यासाठी वाढते.
Zinn Hub वर RAG आणि नॉलेज बेस सेवा
- सानुकूल RAG पाइपलाइन विकास — तुमच्या दस्तऐवजांना AI मॉडेल्सशी जोडणाऱ्या एंड-टू-एंड रिट्रीव्हल ऑगमेंटेड जनरेशन सिस्टीम. दस्तऐवज इनजेशन, चंकिंग, एम्बेडिंग, वेक्टर स्टोरेज, रिट्रीव्हल, प्रॉम्प्ट इंजिनियरिंग आणि उद्धरण समर्थनासह उत्तर निर्मिती.
- वेक्टर डेटाबेस सेटअप आणि कॉन्फिगरेशन — पाइनकोन, वीविएट, क्वाड्रंट, मिलव्हस, क्रोमाडीबी किंवा पीजीवेक्टर इन्स्टॉलेशन, स्कीमा डिझाइन, इंडेक्सिंग स्ट्रॅटेजीज, मेटाडेटा फिल्टरिंग, नेमस्पेस कॉन्फिगरेशन आणि क्वेरी परफॉर्मन्स ऑप्टिमायझेशन.
- दस्तऐवज अंतर्ग्रहण पाइपलाइन — PDFs, Word दस्तऐवज, स्प्रेडशीट्स, वेब पृष्ठे, कॉन्फ्लुएन्स, नोशन, शेअरपॉईंट, Google ड्राइव्ह आणि इतर स्त्रोतांचे स्वयंचलित प्रक्रिया खंडित, एम्बेडेड, अनुक्रमित सामग्रीमध्ये बदल शोध आणि वाढीव पुनर्-अनुक्रमणासह.
- AI-शक्तीवर आधारित दस्तऐवज प्रश्नोत्तर प्रणाली — चॅट किंवा शोध इंटरफेस जिथे वापरकर्ते नैसर्गिक भाषेतील प्रश्न विचारतात आणि तुमच्या दस्तऐवजातून संदर्भ, आत्मविश्वास गुण आणि स्त्रोत सामग्रीच्या लिंक्ससह अचूक उत्तरे मिळवतात.
- नॉलेज बेस चॅटबॉट्स — ग्राहक-केंद्रित किंवा अंतर्गत AI सहाय्यक जे तुमच्या नॉलेज बेस, उत्पादन दस्तऐवज, मदत केंद्र, SOPs किंवा धोरण दस्तऐवजांमधून ब्रँडेड इंटरफेस, संभाषण इतिहास आणि फीडबॅक संकलनासह प्रश्नांची उत्तरे देतात.
- हायब्रिड शोध अंमलबजावणी — वेक्टर समानता शोध BM25 कीवर्ड शोधासह एकत्रित करणे, जे सिमेंटिक अर्थ आणि अचूक शब्दावली, तांत्रिक शब्दजाल आणि योग्य संज्ञा दोन्ही हाताळते, जे शुद्ध वेक्टर शोध चुकवू शकते.
- चंकिंग स्ट्रॅटेजी ऑप्टिमायझेशन — तुमच्या सामग्री प्रकारांविरुद्ध निश्चित-आकाराचे, सिमेंटिक, रिकर्सिव्ह आणि पालक-बाल चंकिंग दृष्टिकोन यांची पद्धतशीर चाचणी, इष्टतम रणनीती निश्चित करण्यासाठी परिमाणित अचूकता तुलनांसह.
- एम्बेडिंग मॉडेल निवड आणि फाइन-ट्यूनिंग — OpenAI, Cohere, Voyage, BGE, E5 आणि इतर एम्बेडिंग मॉडेल्सची तुमच्या डेटाविरुद्ध बेंचमार्किंग. सुधारित पुनर्प्राप्ती प्रासंगिकतेसाठी तुमच्या डोमेन शब्दसंग्रहावर पर्यायी फाइन-ट्यूनिंग.
- मल्टी-मोडल RAG सिस्टीम्स — मजकूराव्यतिरिक्त प्रतिमा, आकृत्या, चार्ट आणि सारण्यांवर पुनर्प्राप्ती, ज्यामुळे AI तुमच्या दस्तऐवजांमध्ये एम्बेड केलेल्या व्हिज्युअल सामग्रीबद्दल प्रश्नांची उत्तरे देऊ शकते.
- RAG मूल्यमापन आणि निरीक्षण — स्वयंचलित मूल्यमापन पाइपलाइन जे पुनर्प्राप्तीची अचूकता, उत्तराची सत्यता, भ्रमनिरास दर आणि प्रतिसादाची गुणवत्ता मोजतात. अचूकता ट्रॅकिंग, लेटन्सी मेट्रिक्स आणि वापर विश्लेषणासह उत्पादन निरीक्षण डॅशबोर्ड.
RAG आर्किटेक्चर लेयर्स
उत्पादन RAG प्रणालीमध्ये अनेक तांत्रिक स्तर असतात जे प्रत्येक उत्तराच्या गुणवत्तेवर परिणाम करतात. अंतर्ग्रहण स्तर दस्तऐवज पार्सिंग, साफसफाई आणि चंकिंग हाताळतो. एम्बेडिंग स्तर मजकूर चंक्सना वेक्टर प्रतिनिधित्वांमध्ये रूपांतरित करतो. स्टोरेज स्तर — वेक्टर डेटाबेस — या वेक्टर्सना जलद समानता शोधासाठी अनुक्रमित करतो आणि सेवा देतो. पुनर्प्राप्ती स्तर शोध धोरणे एकत्र करतो, फिल्टर लागू करतो आणि परिणामांना रँक करतो. उत्पादन स्तर AI मॉडेलच्या प्रतिसादाला पुनर्प्राप्त केलेल्या संदर्भात आधार देण्यासाठी प्रॉम्प्ट अभियांत्रिकी वापरतो. आणि मूल्यांकन स्तर एंड-टू-एंड गुणवत्ता मोजतो. कोणत्याही स्तरावरील कमकुवतपणा संपूर्ण प्रणालीला खराब करतो, म्हणूनच RAG ला संपूर्ण स्टॅक समजणाऱ्या तज्ञांची आवश्यकता असते, केवळ एका घटकाची नाही.
संबंधित सेवा
RAG आणि नॉलेज बेस डेव्हलपमेंट Zinn Hub वरील इतर AI आणि डेव्हलपमेंट सेवांशी जोडले जाते. तुमच्या RAG सिस्टीमच्या जनरेशन लेयरला पॉवर देणाऱ्या प्रॉम्प्टसाठी, प्रॉम्प्ट इंजिनिअरिंग सेवा ब्राउझ करा. RAG क्वेरी ट्रिगर करणाऱ्या आणि परिणामांवर प्रक्रिया करणाऱ्या स्वयंचलित वर्कफ्लोसाठी, AI ऑटोमेशन आणि वर्कफ्लो सेवा पहा. कोडशिवाय RAG-पॉवर्ड इंटरफेस तयार करण्यासाठी, नो-कोड आणि लो-कोड डेव्हलपमेंट एक्सप्लोर करा. RAG ला पूरक असलेल्या सानुकूल AI मॉडेल प्रशिक्षण आणि फाइन-ट्यूनिंगसाठी, AI डेव्हलपमेंट पालक श्रेणी ब्राउझ करा. सेल्फ-मॅनेज्ड वेक्टर डेटाबेस आणि RAG पाइपलाइन होस्ट करणाऱ्या सर्व्हर इन्फ्रास्ट्रक्चरसाठी, Linux सर्व्हर ॲडमिनिस्ट्रेशन पहा. RAG सिस्टीमसाठी डिप्लॉयमेंट पाइपलाइन आणि इन्फ्रास्ट्रक्चर-ॲज-कोडसाठी, DevOps इंजिनिअरिंग सेवा ब्राउझ करा.
तुम्ही अनुभवी RAG अभियंता आहात का? Zinn Hub वर RAG आणि नॉलेज बेस सेवा विकण्यास सुरुवात करा आणि जगभरातील व्यवसायांशी कनेक्ट व्हा ज्यांना कस्टम रिट्रीव्हल ऑगमेंटेड जनरेशन सिस्टीम, वेक्टर डेटाबेस कौशल्य आणि AI-शक्तीवर चालणारी दस्तऐवज शोधण्याची आवश्यकता आहे. Zinner म्हणून विनामूल्य नोंदणी करा आणि आजच लिस्टिंग सुरू करा.
RAG आणि नॉलेज बेस विशेषज्ञ कसे नियुक्त करावे
तुमचे डेटा स्रोत आणि वापर प्रकरण परिभाषित करा तुमच्या AI प्रणालीला शोधण्यासाठी आवश्यक असलेले दस्तऐवज आणि डेटा ओळखा — PDF, मदत लेख, विकी, डेटाबेस, वेब पृष्ठे किंवा अंतर्गत दस्तऐवजीकरण. वापरकर्ते प्रणालीशी कसे संवाद साधतील हे परिभाषित करा आणि अचूकता आवश्यकता आणि अपेक्षित प्रश्नांचे प्रकार निर्दिष्ट करा.
RAG विशेषज्ञ निवडा Zinn Hub वर RAG आणि ज्ञान आधार सेवा ब्राउझ करा. तुमच्या दस्तऐवजाचे प्रकार, डेटा व्हॉल्यूम आणि उपयोजन वातावरणासह अनुभवासाठी पोर्टफोलिओचे पुनरावलोकन करा. उत्तराची अचूकता आणि प्रणालीच्या विश्वासार्हतेसाठी खरेदीदारांच्या पुनरावलोकनांची तपासणी करा. तुमच्या आवश्यकतांवर चर्चा करण्यासाठी तज्ञांना संदेश पाठवा.
दस्तऐवज आणि प्रवेश प्रदान करा तुमचा दस्तऐवज संग्रह सामायिक करा किंवा तुमच्या सामग्री प्लॅटफॉर्मवर API प्रवेश प्रदान करा. नमुना प्रश्न, मूल्यांकनासाठी अपेक्षित उत्तरे आणि कोणतीही डोमेन-विशिष्ट शब्दावली प्रदान करा. भिन्न वापरकर्त्यांनी भिन्न सामग्री पाहिल्यास प्रवेश नियंत्रण आवश्यकता निर्दिष्ट करा.
मूल्यांकन करा, तैनात करा आणि निरीक्षण करा पुनर्प्राप्ती अचूकता, उत्तराची अचूकता आणि भ्रमनिरास दर दर्शविणारे मूल्यांकन परिणाम तपासा. वास्तविक वापरकर्ते आणि एज केसेससह चाचणी करा. अचूकता, वापर आणि कार्यप्रदर्शन ट्रॅक करणाऱ्या मॉनिटरिंग डॅशबोर्डसह तैनात करा. संपूर्ण आर्किटेक्चर दस्तऐवजीकरण आणि देखभाल प्रक्रिया प्राप्त करा.
RAG आणि नॉलेज बेसेसबद्दल वारंवार विचारले जाणारे प्रश्न
Zinn Hub वर मी कोणत्या RAG आणि ज्ञान आधार सेवा खरेदी करू शकेन?+
Zinn Hub अनुभवी AI अभियंत्यांकडून RAG आणि नॉलेज बेस डेव्हलपमेंट सेवांची संपूर्ण श्रेणी ऑफर करते. तुम्ही कस्टम RAG पाइपलाइन डेव्हलपमेंट खरेदी करू शकता — एंड-टू-एंड रिट्रीव्हल ऑगमेंटेड जनरेशन सिस्टीम जे तुमचे दस्तऐवज, डेटाबेस आणि नॉलेज सोर्स AI मॉडेल्सशी जोडतात जेणेकरून ते तुमच्या विशिष्ट डेटाचा वापर करून प्रश्नांची अचूक उत्तरे देतात. वेक्टर डेटाबेस सेटअप आणि कॉन्फिगरेशन — Pinecone, Weaviate, Qdrant, Milvus, ChromaDB किंवा pgvector इन्स्टॉलेशन, स्कीमा डिझाइन, इंडेक्सिंग स्ट्रॅटेजीज, मेटाडेटा फिल्टरिंग आणि क्वेरी ऑप्टिमायझेशन. डॉक्युमेंट इनजेस्टन पाइपलाइन — PDF, Word डॉक्युमेंट्स, स्प्रेडशीट्स, वेब पेजेस, Confluence wikis, Notion डेटाबेस, SharePoint लायब्ररीज आणि इतर स्त्रोतांवर प्रक्रिया करून चंक केलेले, एम्बेडेड, अनुक्रमित सामग्री रिट्रीव्हलसाठी तयार करणे. AI-शक्तीवर चालणाऱ्या डॉक्युमेंट Q&A सिस्टीम — चॅटबॉट किंवा सर्च इंटरफेस जिथे वापरकर्ते नैसर्गिक भाषेतील प्रश्न विचारतात आणि तुमच्या डॉक्युमेंटेशनमधून थेट उद्धरणांसह अचूक उत्तरे मिळवतात. नॉलेज बेस चॅटबॉट्स — ग्राहक-केंद्रित किंवा अंतर्गत AI असिस्टंट जे तुमच्या नॉलेज बेस, उत्पादन डॉक्युमेंटेशन, हेल्प सेंटर आर्टिकल्स, SOPs किंवा पॉलिसी डॉक्युमेंट्समधून प्रश्नांची उत्तरे देतात. हायब्रिड सर्च इम्प्लिमेंटेशन — BM25 वापरून वेक्टर सिमिलॅरिटी सर्चला पारंपारिक कीवर्ड सर्चसह एकत्र करणे जे सिमेंटिक अर्थ आणि अचूक शब्दावली दोन्ही हाताळते. चंकिंग स्ट्रॅटेजी ऑप्टिमायझेशन — तुमच्या सामग्री प्रकारासाठी योग्य डॉक्युमेंट स्प्लिटिंग दृष्टिकोन तपासणे आणि अंमलात आणणे, इष्टतम रिट्रीव्हल अचूकतेसाठी चंक आकार, ओव्हरलॅप आणि मेटाडेटा संरक्षण संतुलित करणे. एम्बेडिंग मॉडेल निवड आणि फाइन-ट्यूनिंग — तुमच्या डोमेन आणि सामग्री प्रकारासाठी योग्य एम्बेडिंग मॉडेल निवडणे, पर्यायांचे बेंचमार्किंग करणे आणि सुधारित रिट्रीव्हल प्रासंगिकतेसाठी तुमच्या डेटावर एम्बेडिंगला वैकल्पिकरित्या फाइन-ट्यून करणे. मल्टी-मोडल RAG सिस्टीम — मजकूराव्यतिरिक्त प्रतिमा, आकृत्या, सारण्या आणि चार्टवर रिट्रीव्हल, AI ला तुमच्या डॉक्युमेंट्समधील व्हिज्युअल सामग्रीबद्दल प्रश्नांची उत्तरे देण्यास सक्षम करणे. आणि RAG मूल्यांकन आणि मॉनिटरिंग — रिट्रीव्हल अचूकता, उत्तराची अचूकता, हॅल्युसिनेशन दर आणि स्वयंचलित स्कोअरिंगसह प्रतिसादाची गुणवत्ता मोजणाऱ्या मूल्यांकन पाइपलाइन तयार करणे.
Zinn Hub वर RAG आणि नॉलेज बेस सेवांचा खर्च किती आहे?+
खर्च RAG आर्किटेक्चरच्या जटिलतेवर, स्त्रोत दस्तऐवजांचे प्रमाण आणि विविधता आणि आवश्यक अचूकता स्तरावर अवलंबून असतात. एकाच दस्तऐवज संग्रहामध्ये 500 पानांपर्यंतच्या साध्या चॅट इंटरफेससह मूलभूत RAG प्रणालीची किंमत $500-1500 आहे. एकाधिक दस्तऐवज स्त्रोत, संकरित शोध, मेटाडेटा फिल्टरिंग, उद्धरण निर्मिती आणि पॉलिश केलेल्या चॅट UI सह उत्पादन RAG पाइपलाइनची किंमत $1500-5000 आहे. स्कीमा डिझाइन, अनुक्रमणिका ऑप्टिमायझेशन आणि क्वेरी ट्यूनिंगसह वेक्टर डेटाबेस सेटअप आणि कॉन्फिगरेशनची किंमत $300-1000 आहे. कॉन्फ्लुएन्स, नोटियन, शेअरपॉईंट किंवा इतर प्लॅटफॉर्मवरील सामग्रीवर प्रक्रिया करणारी स्वयंचलित सिंक्रनाइझेशनसह दस्तऐवज अंतर्ग्रहण पाइपलाइनची किंमत $500-2000 आहे. ब्रँडेड इंटरफेस, संभाषण इतिहास, अभिप्राय संकलन आणि विश्लेषणे असलेल्या ग्राहक-केंद्रित ज्ञान आधार चॅटबॉटची किंमत $1000-4000 आहे. वेक्टर आणि कीवर्ड शोध एकत्र करून प्रासंगिकता ट्यूनिंगसह संकरित शोध अंमलबजावणीची किंमत $500-1500 आहे. एकाधिक दृष्टिकोनांवर पद्धतशीर चाचणी आणि परिमाणित अचूकता तुलनांसह चंकिंग धोरण ऑप्टिमायझेशनची किंमत $300-1000 आहे. तुमच्या विशिष्ट सामग्री डोमेनसाठी एम्बेडिंग मॉडेल बेंचमार्किंग आणि निवडीची किंमत $300-800 आहे. एकाधिक डेटा स्त्रोत, भूमिका-आधारित प्रवेश नियंत्रणे, ऑडिट लॉगिंग, मूल्यांकन पाइपलाइन आणि चालू देखरेखीसह सर्वसमावेशक एंटरप्राइझ RAG प्रणालीची किंमत $3000-10000 आहे. री-इंडेक्सिंग, अचूकता देखरेख, प्रॉम्प्ट अद्यतने आणि स्त्रोत सिंक्रनाइझेशनसह चालू मासिक देखरेख सामान्यतः प्रति महिना $200-800 पर्यंत असते.
RAG म्हणजे काय आणि ते कसे कार्य करते?+
RAG — Retrieval Augmented Generation — ही एक आर्किटेक्चर आहे जी AI भाषा मॉडेल्सना तुमच्या विशिष्ट डेटाशी जोडते जेणेकरून ते त्यांच्या प्रशिक्षण डेटावर पूर्णपणे अवलंबून न राहता तुमच्या दस्तऐवज, डेटाबेस आणि ज्ञान स्रोतांच्या माहितीचा वापर करून प्रश्नांची अचूक उत्तरे देऊ शकतील. RAG शिवाय, AI मॉडेल्स केवळ प्रशिक्षणादरम्यान त्यांनी जे शिकले त्यावर आधारित प्रतिसाद देऊ शकतात — ते तुमच्या अंतर्गत दस्तऐवजीकरण, उत्पादन वैशिष्ट्ये, कंपनी धोरणे, ग्राहक डेटा किंवा त्यांच्या प्रशिक्षण संचामध्ये नसलेल्या कोणत्याही माहितीमध्ये प्रवेश करू शकत नाहीत. RAG जनरेशनपूर्वी एक पुनर्प्राप्ती चरण जोडून हे सोडवते. ही प्रक्रिया तीन टप्प्यांत कार्य करते. प्रथम, तुमचे दस्तऐवज इनजेशन टप्प्यात प्रक्रिया केले जातात — ते चंक्समध्ये विभागले जातात, प्रत्येक चंक एम्बेडिंग मॉडेल वापरून एम्बेडिंग नावाच्या संख्यात्मक प्रतिनिधित्वात रूपांतरित केला जातो आणि हे एम्बेडिंग मूळ मजकूर आणि मेटाडेटासह वेक्टर डेटाबेसमध्ये संग्रहित केले जातात. दुसरे, जेव्हा वापरकर्ता प्रश्न विचारतो, तेव्हा प्रश्न देखील एम्बेडिंगमध्ये रूपांतरित केला जातो आणि वेक्टर डेटाबेसमध्ये प्रश्नाच्या एम्बेडिंगशी सर्वात समान असलेल्या चंक्ससाठी शोध घेतला जातो — हा सिमेंटिक शोध आहे, कीवर्ड जुळण्याऐवजी अर्थानुसार सामग्री शोधणे. तिसरे, सर्वात संबंधित चंक्स पुनर्प्राप्त केले जातात आणि वापरकर्त्याच्या प्रश्नासह संदर्भाच्या रूपात AI मॉडेलला दिले जातात आणि मॉडेल त्या पुनर्प्राप्त केलेल्या सामग्रीवर आधारित उत्तर तयार करते. याचा परिणाम म्हणजे एक AI प्रणाली जी तुमच्या विशिष्ट डेटाचा वापर करून प्रश्नांची अचूक उत्तरे देते, तिचे स्रोत उद्धृत करू शकते, तुमचे दस्तऐवज अद्यतनित केल्यानुसार अद्ययावत राहते आणि माहितीची कल्पना करत नाही कारण ती स्मृतीऐवजी पुनर्प्राप्त केलेल्या पुराव्यावरून तयार करत आहे.
वेक्टर डेटाबेस म्हणजे काय आणि मला RAG साठी त्याची गरज का आहे?+
एक वेक्टर डेटाबेस हा उच्च-आयामी संख्यात्मक वेक्टर्स संग्रहित आणि शोधण्यासाठी डिझाइन केलेला एक विशेष डेटाबेस आहे — एम्बेडिंग मॉडेल्सद्वारे तयार केलेल्या मजकूर, प्रतिमा किंवा इतर सामग्रीचे गणितीय प्रतिनिधित्व. पारंपारिक डेटाबेस अचूक जुळण्या किंवा कीवर्ड नमुन्यांद्वारे शोधतात. वेक्टर डेटाबेस समानतेनुसार शोधतात — दिलेल्या क्वेरी वेक्टरसाठी, ते संग्रहित वेक्टर्स शोधतात जे अर्थाने सर्वात जवळचे आहेत, जरी ते पूर्णपणे भिन्न शब्द वापरत असले तरीही. तुम्हाला RAG साठी वेक्टर डेटाबेसची आवश्यकता आहे कारण सिमेंटिक शोध ही मुख्य यंत्रणा आहे जी पुनर्प्राप्ती कार्य करते. जेव्हा वापरकर्ता तुमच्या दस्तऐवजीकरणाबद्दल प्रश्न विचारतो, तेव्हा प्रणालीला सर्वात संबंधित परिच्छेद शोधण्याची आवश्यकता असते — कीवर्ड जुळवून नाही, तर अर्थ समजून. परतावा धोरणांबद्दलच्या प्रश्नाला तुमच्या परतावा दस्तऐवजीकरण शोधण्याची आवश्यकता आहे जरी "परतावा" हा अचूक शब्द क्वेरीमध्ये दिसत नसला तरीही. वेक्टर डेटाबेस हे समानता शोध जलद आणि स्केलेबल बनवतात, अगदी लाखो दस्तऐवज खंडांमध्येही. लोकप्रिय वेक्टर डेटाबेसमध्ये पाइनकोन (Pinecone) समाविष्ट आहे जो साध्या API प्रवेश आणि स्वयंचलित स्केलिंगसह पूर्णपणे व्यवस्थापित क्लाउड सेवा आहे. वीविएट (Weaviate) जो वेक्टर आणि कीवर्ड पुनर्प्राप्ती एकत्र करून अंगभूत संकरित शोधासह मुक्त-स्रोत आहे. क्वाड्रंट (Qdrant) जो मजबूत फिल्टरिंग क्षमता आणि कार्यक्षम मेमरी वापरासह मुक्त-स्रोत आहे. क्रोमाडीबी (ChromaDB) जो हलका आणि विकसक-अनुकूल आहे, प्रोटोटाइपिंग आणि लहान उपयोजनांसाठी आदर्श आहे. मिल्व्हस (Milvus) जो मुक्त-स्रोत आहे आणि मोठ्या प्रमाणात एंटरप्राइझ उपयोजनांसाठी डिझाइन केलेला आहे. आणि pgvector जो एक PostgreSQL विस्तार आहे जो तुमच्या विद्यमान PostgreSQL डेटाबेसमध्ये वेक्टर शोध जोडतो, स्वतंत्र प्रणालीची आवश्यकता टाळतो. निवड स्केल, पायाभूत सुविधा प्राधान्ये, तुम्हाला व्यवस्थापित किंवा स्वयं-होस्टेड हवे आहे की नाही आणि तुम्हाला संकरित शोध, मल्टी-टेनन्सी किंवा प्रगत फिल्टरिंग यासारख्या वैशिष्ट्यांची आवश्यकता आहे की नाही यावर अवलंबून असते.
RAG आणि AI मॉडेलला फाइन-ट्यूनिंग करण्यामध्ये काय फरक आहे?+
RAG आणि फाइन-ट्यूनिंग वेगवेगळ्या समस्या सोडवतात आणि अनेकदा गोंधळात टाकतात. फाइन-ट्यूनिंग AI मॉडेलला अतिरिक्त डेटावर प्रशिक्षित करून ते स्वतः सुधारते — मॉडेल कायमस्वरूपी नवीन नमुने, लेखन शैली किंवा डोमेन ज्ञान शिकते. RAG मॉडेलमध्ये बदल करत नाही — ते बाह्य ज्ञान बेसवरून क्वेरीच्या वेळी संबंधित संदर्भ प्रदान करते आणि मॉडेल त्या संदर्भावर आधारित उत्तरे तयार करते. मॉडेलला विशिष्ट लेखन शैली, टोन किंवा स्वरूप शिकवण्यासाठी फाइन-ट्यूनिंग सर्वोत्तम आहे. मॉडेलमध्ये डोमेन-विशिष्ट शब्दावली आणि तर्क नमुने एम्बेड करण्यासाठी. सामान्य सूचना मॉडेलच्या वजनामध्ये एन्कोड करून प्रॉम्प्टची लांबी कमी करण्यासाठी. आणि ज्या कार्यांसाठी आवश्यक ज्ञान स्थिर आहे आणि वारंवार बदलत नाही अशा कार्यांसाठी. मोठ्या, विकसित होत असलेल्या दस्तऐवज संग्रहातून प्रश्नांची उत्तरे देण्यासाठी RAG सर्वोत्तम आहे. ज्या कार्यांसाठी स्त्रोत माहिती वारंवार बदलते आणि अद्ययावत राहणे आवश्यक आहे. विशिष्ट स्त्रोत दस्तऐवजांवर आधारित, सत्यापित करण्यायोग्य उत्तरे प्रदान करण्यासाठी. मॉडेल प्रशिक्षणात समाविष्ट नसावे अशा मालकीच्या किंवा संवेदनशील डेटासह कार्य करण्यासाठी. आणि ज्या कार्यांमध्ये अचूकता आणि ग्राउंडेडनेस शैलीत्मक अनुकूलनापेक्षा अधिक महत्त्वाचे आहे. व्यवहारात, बहुतेक व्यवसाय ज्ञान बेस आणि दस्तऐवज Q&A ॲप्लिकेशन्ससाठी RAG हा योग्य पर्याय आहे कारण माहिती कालांतराने बदलते, वापरकर्त्यांना स्त्रोतांविरुद्ध उत्तरे सत्यापित करणे आवश्यक आहे आणि सामग्रीचे प्रमाण मॉडेलमध्ये आर्थिकदृष्ट्या फाइन-ट्यून करण्यासाठी खूप मोठे आहे. दोन्ही दृष्टिकोन एकत्र केले जाऊ शकतात — एक फाइन-ट्यून केलेले मॉडेल जे पुनर्प्राप्तीसाठी RAG देखील वापरते — परंतु बहुतेक अंमलबजावणी केवळ RAG सह सुरू होतात कारण ते मॉडेल प्रशिक्षणाच्या खर्च आणि जटिलतेशिवाय त्वरित मूल्य प्रदान करते.
RAG प्रणालीमध्ये मी विविध दस्तऐवज प्रकार कसे हाताळू?+
वास्तविक-जगातील ज्ञानकोशांमध्ये विविध प्रकारच्या दस्तऐवजांचा समावेश असतो ज्यांना प्रत्येकाला वेगवेगळ्या अंतर्ग्रहण पद्धतींची आवश्यकता असते. PDF सर्वात सामान्य आणि सर्वात आव्हानात्मक आहेत — त्यामध्ये मजकूर, सारण्या, प्रतिमा, शीर्षलेख, तळटीप, बहु-स्तंभ लेआउट आणि स्कॅन केलेली पृष्ठे असू शकतात. मजकूर-आधारित PDF PyMuPDF, pdfplumber किंवा Unstructured सारख्या लायब्ररी वापरून पार्स केल्या जातात, ज्यामध्ये सारण्या आणि बहु-स्तंभ लेआउटसाठी विशेष हाताळणी आवश्यक असते. स्कॅन केलेल्या PDF ला Tesseract किंवा क्लाउड OCR सेवांसारख्या साधनांसह OCR आवश्यक असते, त्यानंतर मजकूर खंडित करून एम्बेड केला जातो. Word दस्तऐवज python-docx किंवा तत्सम लायब्ररी वापरून पार्स केले जातात, दस्तऐवज पदानुक्रमाचा आदर करणाऱ्या बुद्धिमान खंडनासाठी शीर्षलेख रचना जतन केली जाते. स्प्रेडशीट्सना पंक्ती किंवा विभागांना नैसर्गिक भाषेतील वर्णनांमध्ये किंवा संरचित मजकूर प्रतिनिधित्वांमध्ये रूपांतरित करणे आवश्यक असते जे एम्बेडिंग मॉडेल्स अर्थपूर्णपणे प्रक्रिया करू शकतील. वेब पृष्ठे स्क्रॅप केली जातात आणि मुख्य सामग्री काढण्यासाठी स्वच्छ केली जातात, तर नेव्हिगेशन, जाहिराती आणि बॉयलरप्लेट काढून टाकली जाते. Confluence, Notion आणि SharePoint सामग्री त्यांच्या संबंधित API द्वारे ॲक्सेस केली जाते, ज्यामध्ये पृष्ठ रचना आणि मेटाडेटा जतन केला जातो. कोड रिपॉझिटरीजना विशेष खंडनाची आवश्यकता असते जे फंक्शन आणि क्लासच्या सीमांचा आदर करते. मार्कडाउन आणि साध्या मजकूर फाइल्स प्रक्रिया करण्यासाठी सर्वात सोप्या आहेत परंतु तरीही रचना-जागरूक खंडनाचा फायदा होतो. मुख्य तत्त्व असे आहे की प्रत्येक दस्तऐवज प्रकाराला अनुरूप पार्सिंग आणि खंडन धोरणाची आवश्यकता असते — स्वच्छ मजकूर दस्तऐवजांसाठी चांगले कार्य करणारी पाइपलाइन सारण्या आणि आकृत्यांसह जटिल PDF वर खराब परिणाम देईल. एक मजबूत RAG प्रणालीमध्ये दस्तऐवज प्रकार ओळखणे, प्रत्येक प्रकारासाठी विशेष पार्सर आणि गुणवत्ता तपासणी समाविष्ट असते जे दूषित सामग्री अनुक्रमणिकेत प्रवेश करण्यापूर्वी पार्सिंगमधील त्रुटी दर्शवते.
चंकिंग म्हणजे काय आणि चंकचा आकार महत्त्वाचा का आहे?+
चंकिंग ही तुमच्या दस्तऐवजांना लहान तुकड्यांमध्ये विभाजित करण्याची प्रक्रिया आहे, जे वैयक्तिकरित्या एम्बेड केले जातात आणि वेक्टर डेटाबेसमध्ये संग्रहित केले जातात. जेव्हा एखादा वापरकर्ता प्रश्न विचारतो, तेव्हा सिस्टम संपूर्ण दस्तऐवज नव्हे, तर सर्वात संबंधित चंक्स पुनर्प्राप्त करते — त्यामुळे चंकचा आकार पुनर्प्राप्तीची अचूकता आणि उत्तराच्या गुणवत्तेवर थेट परिणाम करतो. जर चंक्स खूप मोठे असतील, तर त्यात खूप जास्त माहिती असते आणि संबंधित वाक्ये आजूबाजूच्या सामग्रीमुळे पातळ होतात. एम्बेडिंग संपूर्ण चंकचा सरासरी अर्थ दर्शवते, त्यामुळे अनेक विषयांबद्दलचा मोठा चंक त्यापैकी एका विशिष्ट प्रश्नाशी चांगला जुळणार नाही. पुनर्प्राप्त केलेले मोठे चंक्स AI मॉडेलची संदर्भ विंडो देखील जास्त वापरतात, ज्यामुळे अनेक स्त्रोतांसाठी आणि निर्मिती प्रॉम्प्टसाठी कमी जागा राहते. जर चंक्स खूप लहान असतील, तर ते संदर्भ गमावतात — एकच वाक्य मॉडेलला उपयुक्त उत्तर देण्यासाठी पुरेशी माहिती देऊ शकत नाही आणि आजूबाजूच्या वाक्यांमधील महत्त्वाचा संदर्भ गमावला जातो. खूप लहान चंक्स डेटाबेसमध्ये वेक्टर्सची संख्या आणि विषय कव्हर करण्यासाठी आवश्यक असलेल्या पुनर्प्राप्ती परिणामांची संख्या देखील वाढवतात. इष्टतम चंकचा आकार तुमच्या सामग्रीचा प्रकार आणि प्रश्नांच्या पद्धतींवर अवलंबून असतो. मदत लेख आणि उत्पादन मार्गदर्शकांसारख्या तथ्यात्मक दस्तऐवजीकरणासाठी, 200-500 टोकनचे चंक्स चांगले काम करतात कारण माहिती केंद्रित असते. अहवाल आणि विश्लेषणासारख्या वर्णनात्मक सामग्रीसाठी, 500-1000 टोकनचे मोठे चंक्स तर्कप्रवाह टिकवून ठेवतात. चंक्समधील ओव्हरलॅप — सामान्यतः चंकच्या सीमांवर 50-100 टोकनची सामायिक सामग्री — हे सुनिश्चित करते की चंकच्या सीमांवर विभाजित केलेली माहिती अजूनही पुनर्प्राप्त करण्यायोग्य आहे. अधिक प्रगत दृष्टिकोनांमध्ये नैसर्गिक विषय सीमांवर विभाजन करणारे सिमेंटिक चंकिंग, पदानुक्रमित प्रतिनिधित्व तयार करणारे रिकर्सिव्ह चंकिंग आणि पालक-बाल चंकिंग यांचा समावेश आहे, जिथे लहान चंक्स पुनर्प्राप्त केले जातात परंतु अधिक संदर्भासाठी मोठ्या पालक चंक्स मॉडेलला दिले जातात.
RAG प्रणालीमध्ये भ्रम कमी कसा करू?+
RAG प्रणालींमध्ये भ्रम (Hallucination) तेव्हा होतो जेव्हा AI मॉडेल प्राप्त संदर्भात नसलेली माहिती तयार करते — एकतर तथ्ये तयार करणे, स्त्रोत सामग्री चुकीच्या पद्धतीने सादर करणे किंवा प्राप्त माहितीला त्याच्या स्वतःच्या प्रशिक्षण ज्ञानाशी दिशाभूल करणाऱ्या पद्धतीने मिसळणे. अनेक तंत्रे पद्धतशीरपणे भ्रम कमी करतात. प्रथम पुनर्प्राप्तीची अचूकता सुधारा — भ्रमाचे सर्वात सामान्य कारण मॉडेल नसून खराब पुनर्प्राप्ती आहे. जर योग्य स्त्रोत दस्तऐवज पुनर्प्राप्त झाले नाहीत, तर मॉडेल एकतर उत्तर देऊ शकत नाही हे मान्य करते, जे अपेक्षित वर्तन आहे, किंवा त्याच्या प्रशिक्षण डेटामधून उत्तर तयार करते, जे भ्रम आहे. चांगले चंकिंग, हायब्रिड शोध, मेटाडेटा फिल्टरिंग आणि एम्बेडिंग मॉडेल निवड या सर्वांमुळे पुनर्प्राप्तीची अचूकता सुधारते. तुमच्या सिस्टम प्रॉम्प्टमध्ये स्पष्ट ग्राउंडिंग सूचना वापरा — मॉडेलला केवळ प्रदान केलेल्या संदर्भातून उत्तर देण्यास सांगा, जेव्हा संदर्भात उत्तर नसेल तेव्हा ते माहित नाही असे सांगण्यास सांगा आणि त्याच्या प्रशिक्षण डेटामधून माहिती कधीही पूरक करू नका. उद्धरण आवश्यकता समाविष्ट करा — मॉडेलला प्रत्येक दाव्यासाठी विशिष्ट स्त्रोत आणि विभाग उद्धृत करण्यास सांगा, ज्यामुळे ते प्रत्येक विधान प्राप्त सामग्रीमध्ये आधारित करण्यास भाग पाडते आणि तयार केलेले दावे स्पष्ट होतात. उत्तर पडताळणी लागू करा — तयार केलेले उत्तर खरोखरच प्राप्त संदर्भाद्वारे समर्थित आहे की नाही हे तपासण्यासाठी दुसरा AI कॉल वापरा, ज्यामध्ये दावे स्त्रोत सामग्रीशी जोडले जाऊ शकत नाहीत अशा प्रतिसादांना ध्वजांकित करा किंवा फिल्टर करा. आत्मविश्वास स्कोअरिंग जोडा — प्रदान केलेल्या संदर्भाद्वारे उत्तर पूर्णपणे समर्थित आहे याबद्दल मॉडेलला त्याचा आत्मविश्वास रेट करण्यास सांगा. पुनर्प्राप्ती स्कोअर थ्रेशोल्ड वापरा — जर प्राप्त चंक्सचे समानता स्कोअर थ्रेशोल्डपेक्षा कमी असतील, तर कमकुवत संदर्भातून उत्तर देण्याचा प्रयत्न करण्याऐवजी अपुरी माहिती दर्शवणारा प्रतिसाद परत करा. आणि मूल्यांकन पाइपलाइन तयार करा जे ज्ञात उत्तरांसह चाचणी प्रश्नांवर भ्रमाचे दर सतत मोजतात.
माझे दस्तऐवज बदलल्यास अद्ययावत राहणारी RAG प्रणाली मी तयार करू शकेन का?+
होय — उत्पादन RAG प्रणालीला स्वयंचलित पाइपलाइनची आवश्यकता असते जी दस्तऐवजातील बदल शोधते आणि त्यानुसार वेक्टर इंडेक्स अद्यतनित करते. डेमो RAG प्रणाली आणि उत्पादन प्रणालीमधील हा एक महत्त्वाचा फरक आहे. दृष्टिकोन तुमच्या दस्तऐवज स्त्रोतांवर अवलंबून असतो. Confluence, Notion, SharePoint किंवा Google Drive सारख्या क्लाउड प्लॅटफॉर्ममध्ये संग्रहित दस्तऐवजांसाठी, इनजेशन पाइपलाइन प्लॅटफॉर्म API वापरून नवीन, सुधारित आणि हटवलेली पृष्ठे एका वेळापत्रकानुसार शोधते — सामान्यतः तासाभराने किंवा दररोज, तुमच्या सामग्रीमध्ये किती वेळा बदल होतो यावर अवलंबून. नवीन पृष्ठे खंडित केली जातात, एम्बेड केली जातात आणि वेक्टर इंडेक्समध्ये जोडली जातात. सुधारित पृष्ठांचे जुने खंड हटवले जातात आणि नवीन खंड समाविष्ट केले जातात. हटवलेल्या पृष्ठांचे खंड इंडेक्समधून काढले जातात. फाइल-आधारित दस्तऐवज स्टोअरसाठी, पाइपलाइन चेकसम किंवा सुधारणा टाइमस्टॅम्प वापरून फाइल बदलांसाठी डिरेक्टरीजचे निरीक्षण करते. वेब सामग्रीसाठी, पाइपलाइन वेळापत्रकानुसार स्त्रोत URL पुन्हा क्रॉल करते आणि बदल शोधण्यासाठी सामग्री हॅशची तुलना करते. मुख्य आर्किटेक्चरल निर्णय म्हणजे सिंक वारंवारता — पाइपलाइन किती वेळा बदलांसाठी तपासते — आणि बदल शोधण्याची ग्रॅन्युलॅरिटी — तुम्ही संपूर्ण दस्तऐवज पुन्हा प्रक्रिया करता की फक्त बदललेले विभाग. केवळ बदललेली सामग्री पुन्हा एम्बेड करणारी वाढीव प्रक्रिया अधिक कार्यक्षम आहे परंतु पूर्ण पुन्हा-इनजेशनपेक्षा अंमलबजावणीसाठी अधिक जटिल आहे. तुम्हाला मेटाडेटा अद्यतने देखील हाताळावी लागतील — जेव्हा दस्तऐवजाचे शीर्षक, लेखक किंवा श्रेणी बदलते, तेव्हा वेक्टर डेटाबेसमध्ये संबंधित खंड मेटाडेटा अद्यतनित करणे आवश्यक आहे. Zinn Hub वरील विशेषज्ञ उत्पादन RAG उपयोजनांचा भाग म्हणून या स्वयंचलित सिंक पाइपलाइन तयार करतात जेणेकरून तुमचा ज्ञानकोश मॅन्युअल हस्तक्षेपाशिवाय अद्ययावत राहतो.
Zinn Hub वर RAG आणि नॉलेज बेस विशेषज्ञ कसे निवडू?+
Zinn Hub वर RAG आणि नॉलेज बेस विशेषज्ञ निवडताना, केवळ प्रॉम्प्ट इंजिनिअरिंग किंवा चॅटबॉट इंटरफेस नव्हे, तर एंड-टू-एंड RAG सिस्टीम तयार करण्याचा अनुभव शोधा. RAG मध्ये डॉक्युमेंट प्रोसेसिंग, एम्बेडिंग मॉडेल्स, वेक्टर डेटाबेस, रिट्रीव्हल अल्गोरिदम, प्रॉम्प्ट इंजिनिअरिंग आणि इव्हॅल्युएशन यासह अनेक तांत्रिक डोमेन समाविष्ट आहेत आणि तज्ञाला त्या सर्वांमध्ये सखोल ज्ञान असणे आवश्यक आहे. तुमच्यासारख्या डॉक्युमेंट प्रकार आणि व्हॉल्यूम हाताळणाऱ्या RAG प्रोजेक्ट्ससाठी त्यांचे पोर्टफोलिओ तपासा. तुमच्याकडे टेबल्स आणि इमेजेससह जटिल PDF असल्यास, त्यांना त्या विशिष्ट पार्सिंग आव्हानांचा अनुभव असल्याची खात्री करा. तुम्हाला कॉन्फ्लुएन्स, शेअरपॉईंट किंवा डेटाबेसमधून मल्टी-सोर्स इनजेशनची आवश्यकता असल्यास, त्या विशिष्ट इंटिग्रेशन्सचा अनुभव तपासा. उत्तर अचूकता, रिट्रीव्हल गुणवत्ता, सिस्टीम विश्वसनीयता आणि डॉक्युमेंटेशनवरील फीडबॅकसाठी खरेदीदारांच्या पुनरावलोकने वाचा. त्यांच्या चंकिंग आणि एम्बेडिंग दृष्टिकोनाबद्दल विचारा — एक चांगला विशेषज्ञ चंकिंग स्ट्रॅटेजीजमधील ट्रेड-ऑफवर चर्चा करेल आणि एक-आकार-फिट-ऑल पद्धत वापरण्याऐवजी तुमच्या सामग्री प्रकारावर आधारित दृष्टिकोन सुचवेल. ते गुणवत्ता कशी मोजतात हे विचारा — व्यावसायिक RAG अभियंते ज्ञात प्रश्न आणि अपेक्षित उत्तरांसह मूल्यांकन संच तयार करतात आणि रिट्रीव्हल अचूकता, उत्तर अचूकता आणि हॅल्युसिनेशन दर संख्यात्मकदृष्ट्या मोजतात. हॅल्युसिनेशन प्रतिबंधासाठी त्यांच्या दृष्टिकोनाबद्दल विचारा — ग्राउंडिंग सूचना, उद्धरण निर्मिती, आत्मविश्वास स्कोअरिंग आणि पडताळणी पायऱ्या. त्यांच्या सिस्टीममध्ये चालू देखभालीसाठी काय समाविष्ट आहे हे विचारा — स्वयंचलित री-इंडेक्सिंग, मॉनिटरिंग डॅशबोर्ड, अचूकता ट्रॅकिंग आणि अलर्ट कॉन्फिगरेशन. एंटरप्राइझ डिप्लॉयमेंट्ससाठी, ॲक्सेस कंट्रोल्स, मल्टी-टेनन्सी, ऑडिट लॉगिंग आणि अनुपालन आवश्यकतांचा अनुभव असल्याची खात्री करा. ऑर्डर देण्यापूर्वी तज्ञांना तुमच्या डॉक्युमेंट स्त्रोत, व्हॉल्यूम, प्रश्नांचे प्रकार आणि अचूकता आवश्यकतांवर चर्चा करण्यासाठी संदेश पाठवा.
