നിങ്ങൾ കഴിഞ്ഞ ചൊവ്വാഴ്ച ഉപയോഗിച്ച അതേ ചാറ്റ് വിൻഡോ തുറക്കുന്നു, AI നിങ്ങൾ നിർത്തിവെച്ച അതേ ഇടത്തുനിന്നും സംഭാഷണം തുടരുന്നു. അത് നിങ്ങളുടെ മുൻപത്തെ നിർദ്ദേശങ്ങൾ പരാമർശിക്കുന്നു, നിങ്ങളുടെ പരിഹാസരൂപേണയുള്ള ശൈലി അനുകരിക്കുന്നു, ആ റിപ്പോർട്ട് പൂർത്തിയാക്കിയോ എന്ന് ചോദിക്കുന്നു. ഒരു നിമിഷത്തേക്ക്, ശ്രദ്ധയോടെ കേൾക്കുന്ന ഒരു സഹപ്രവർത്തകനോട് സംസാരിക്കുന്നതുപോലെ നിങ്ങൾക്ക് തോന്നും. എന്നാൽ നിങ്ങൾ ഒരു പുതിയ സംഭാഷണം തുടങ്ങുമ്പോൾ എല്ലാം അപ്രത്യക്ഷമാകുന്നു. ശൈലി മാറിയെന്ന് വരുന്നു. പ്രോജക്റ്റ് വിവരങ്ങൾ അപ്രത്യക്ഷമാകുന്നു. അത് നിങ്ങളെ തെറ്റായ പേര് വിളിക്കുന്നു. എന്താണ് സംഭവിച്ചത്?

മെഷീൻ നിങ്ങളെ മറന്നതല്ല. അത് നിങ്ങളെ ഒരിക്കലും അറിഞ്ഞിരുന്നതേയില്ല.

ഓർമ്മയുടെ മിഥ്യ

എല്ലായിടത്തും ഓർമ്മയെ കാണാൻ നമ്മുടെ മനസ്സ് പാകപ്പെട്ടതാണ്. ഒരു ബാർടെൻഡർ നിങ്ങളുടെ പതിവ് ഓർഡർ ഓർത്തെടുക്കുന്നത് പോലെ, ഒരു ചാറ്റ്ബോട്ട് നിങ്ങൾ ബുള്ളറ്റ് പോയിന്റുകൾ ഇഷ്ടപ്പെടുന്നു എന്നോ നിങ്ങൾ ഹെൽത്ത് കെയർ മേഖലയിൽ ജോലി ചെയ്യുന്നു എന്നോ ഓർത്തെടുക്കുമ്പോൾ അത് നമ്മുടെ ഉള്ളിലെ അതേ സഹജവാസനയെ ഉണർത്തുന്നു. എന്നാൽ ഇത് ബുദ്ധിപരമായ ഒരു കഴിവല്ല, മറിച്ച് രൂപകൽപ്പനയിലെ ഒരു തന്ത്രമാണ്. Large language models അവയുടെ weights-നുള്ളിൽ നിങ്ങളുടെ വിവരങ്ങൾ സംഭരിച്ചുവെക്കുന്നില്ല. നിങ്ങളുടെ ഇടപെടലുകളെക്കുറിച്ച് അവയ്ക്ക് ഒരു ഡയറിയുമില്ല. "User Preferences" എന്ന് പേരുള്ള ഒരു ഫോൾഡറിലേക്ക് നോക്കാൻ അവയ്ക്ക് കഴിയില്ല, കാരണം അങ്ങനെയൊരു ഫോൾഡർ നിലവിലില്ല.

ഓർമ്മയായി തോന്നുന്നത് യഥാർത്ഥത്തിൽ ഒരു context window-ൽ ഇരിക്കുന്ന ടെക്സ്റ്റ് മാത്രമാണ്. മോഡൽ സമീപകാല ചാറ്റ് ഹിസ്റ്ററിയും, നിങ്ങളുടെ നിലവിലെ prompt-ഉം, ഡെവലപ്പർ നൽകിയിട്ടുള്ള സിസ്റ്റം നിർദ്ദേശങ്ങളും ഒരേസമയം വായിക്കുന്നു. ഇവയെല്ലാം ഒരുമിച്ച് വിശകലനം ചെയ്ത് അടുത്ത വാക്ക് പ്രവചിക്കുകയും മറുപടി നൽകുകയും ചെയ്യുന്നു. ആ ടെക്സ്റ്റ് അപ്രത്യക്ഷമാകുമ്പോൾ "ഓർമ്മയും" ഇല്ലാതാകുന്നു. മോഡൽ അതിന്റെ അടിസ്ഥാന സ്വഭാവത്തിലേക്ക് മടങ്ങുന്നു; അത് പലപ്പോഴും ആത്മവിശ്വാസമുള്ളതും, പൊതുവായതും, അമിതമായി ആവേശഭരിതവുമാകാറുണ്ട്. കോൺടെക്സ്റ്റ് (context) മാറിയതുകൊണ്ടാണ് ഈ മിഥ്യ തകരുന്നത്, അല്ലാതെ AI-ക്ക് മറവി വന്നതുകൊണ്ടല്ല.

AI യഥാർത്ഥത്തിൽ ഉപയോഗിക്കുന്നത് എന്താണ്

നിങ്ങൾക്ക് വിശ്വസനീയമായ ഔട്ട്പുട്ട് വേണമെങ്കിൽ, വിവരങ്ങൾ യഥാർത്ഥത്തിൽ എവിടെ നിന്നാണ് വരുന്നതെന്ന് നിങ്ങൾ മനസ്സിലാക്കേണ്ടതുണ്ട്:

  • Chat history: നിങ്ങളുടെ നിലവിലെ ചാറ്റിലെ സമീപകാല സംഭാഷണങ്ങൾ. ഇത് താൽക്കാലികമാണ്. ഒരു പുതിയ ചാറ്റ് തുടങ്ങിയാൽ ഇത് ഇല്ലാതാകും.
  • Specific instructions in the prompt: നിങ്ങൾ ഇപ്പോൾ ബോക്സിൽ ടൈപ്പ് ചെയ്യുകയോ പേസ്റ്റ് ചെയ്യുകയോ ചെയ്യുന്ന കാര്യങ്ങൾ. നിയന്ത്രണത്തിനുള്ള ഏറ്റവും നേരിട്ടുള്ള മാർഗ്ഗമാണിത്.
  • Documents from a knowledge base: സിസ്റ്റത്തിന് തിരയാനും prompt-ലേക്ക് ഉൾപ്പെടുത്താനും കഴിയുന്ന ഫയലുകൾ അല്ലെങ്കിൽ ഡാറ്റാബേസുകൾ. ഇതിന് ഒരു retrieval ഘട്ടം ആവശ്യമാണ്, ആ ഘട്ടം പരാജയപ്പെട്ടേക്കാം.
  • Data fetched from a workflow: API calls, ഡാറ്റാബേസ് ലുക്കപ്പുകൾ, അല്ലെങ്കിൽ തേർഡ് പാർട്ടി ആപ്പുകൾ ചേർക്കുന്ന മെമ്മറി ഫീച്ചറുകൾ. ഇവയെ ബന്ധിപ്പിക്കുന്ന കോഡിന്റെ ഗുണനിലവാരത്തിനനുസരിച്ചായിരിക്കും ഇവയുടെ പ്രവർത്തനവും.

ഇവയൊന്നും സ്വാഭാവികമായ ഓർമ്മയല്ല. ഇവ വെറും സംവിധാനങ്ങൾ മാത്രമാണ്. ഒരു പൈപ്പ് വിട്ടുപോയാലോ അല്ലെങ്കിൽ തെറ്റായ ഡോക്യുമെന്റ് prompt-ലേക്ക് വന്നാലോ AI നിങ്ങളെ മുന്നറിയിപ്പ് നൽകില്ല. അത് കാണുന്ന വിവരങ്ങൾ ഉപയോഗിച്ച് വളരെ മിനുസമാർന്നതും വിശ്വസനീയമെന്ന് തോന്നുന്നതും എന്നാൽ തികച്ചും തെറ്റായതുമായ ഉത്തരം നൽകും.

കോൺടെക്സ്റ്റ് തകരുമ്പോൾ: ഒരു യഥാർത്ഥ ഉദാഹരണം

ഉപഭോക്താക്കൾക്ക് ഇമെയിൽ അയക്കാൻ ഒരു മാർക്കറ്റിംഗ് ടീം AI ഉപയോഗിക്കുന്നത് സങ്കൽപ്പിക്കുക. തിങ്കളാഴ്ച, സാറ ഒരു ചാറ്റ് തുടങ്ങുകയും ഒരു ചെറിയ സ്റ്റൈൽ ഗൈഡ് പേസ്റ്റ് ചെയ്യുകയും ചെയ്യുന്നു: "ശാന്തവും മിതവുമായ ഭാഷ ഉപയോഗിക്കുക. വിസ്മയചിഹ്നങ്ങൾ (exclamation points) ഒഴിവാക്കുക. കമ്പനിയുടെ പേര് മാത്രം അവസാനം നൽകുക." AI ആ ഗൈഡ് കൃത്യമായി പാലിക്കുന്നു. ടീമിന് ആ ഡ്രാഫ്റ്റുകൾ ഇഷ്ടപ്പെടുന്നു.

ബുധനാഴ്ച, ജേക്ക് ഒരു പുതിയ ചാറ്റ് തുടങ്ങുന്നു. അവൻ ടൈപ്പ് ചെയ്യുന്നു, "Draft the follow-up customer emails." അവൻ സ്റ്റൈൽ ഗൈഡ് പേസ്റ്റ് ചെയ്തില്ല. വിരുദ്ധമായ നിർദ്ദേശങ്ങളൊന്നും കാണാത്തതിനാൽ, AI സാധാരണ രീതിയിലുള്ള ആവേശഭരിതമായ മാർക്കറ്റിംഗ് ശൈലി സ്വീകരിക്കുന്നു. വിസ്മയചിഹ്നങ്ങൾ നിറയുന്നു. അത് "Let's crush this!" എന്ന് നിർദ്ദേശിക്കുന്നു. ടീം നിരാശരാകുന്നു. "എന്തുകൊണ്ടാണ് AI ഇത് മറന്നത്?" അവർ ചോദിക്കുന്നു.

അത് മറന്നതല്ല. മറക്കാൻ അവിടെ ഒന്നുമില്ലായിരുന്നു. പുതിയ context window-ൽ സ്റ്റൈൽ ഗൈഡ് ഉൾപ്പെടുത്താൻ ജേക്ക് പരാജയപ്പെട്ടു. രണ്ട് ദിവസം മുമ്പ് മറ്റൊരു സംഭാഷണത്തിൽ ടീം ഒരു നിയമം ഉണ്ടാക്കിയ കാര്യം അറിയാൻ മോഡലിന് കഴിയില്ലായിരുന്നു. നിരാശ സ്വാഭാവികമാണ്, പക്ഷേ അതിന്റെ കാരണം യന്ത്രമല്ല, മനുഷ്യനാണ്. ടീം സ്ഥിരമായ ഓർമ്മ (persistent memory) പ്രതീക്ഷിച്ചു, എന്നാൽ ആ ടൂൾ നൽകിയത് താൽക്കാലികമായ ഒരു കുറിപ്പട (scratchpad) മാത്രമായിരുന്നു.

യഥാർത്ഥ പരിശോധന: മെഷീൻ കാണുന്നത് ഓഡിറ്റ് ചെയ്യുക

നിങ്ങളുടെ ഫലങ്ങൾ മെച്ചപ്പെടുത്താനുള്ള ഏറ്റവും വേഗത്തിലുള്ള മാർഗ്ഗം "AI ഇത് ഓർക്കുന്നുണ്ടോ?" എന്ന് ചോദിക്കുന്നത് നിർത്തുകയും "ഇപ്പോൾ അതിന് യഥാർത്ഥത്തിൽ ലഭിക്കുന്ന കോൺടെക്സ്റ്റ് എന്താണ്?" എന്ന് ചോദിച്ചു തുടങ്ങുകയുമാണ്. നിങ്ങളുടെ സെറ്റപ്പ് ഈ മൂന്ന് ചോദ്യങ്ങളിലൂടെ പരിശോധിക്കുക:

എപ്പോഴൊക്കെ AI അറിയേണ്ടതുണ്ട്? ഇതാണ് നിങ്ങളുടെ ഒഴിവാക്കാനാവാത്ത കോൺടെക്സ്റ്റ്. ബ്രാൻഡ് വോയിസ്, സുരക്ഷാ നയങ്ങൾ, ഔട്ട്പുട്ട് ഫോർമാറ്റുകൾ, നിയമപരമായ നിയന്ത്രണങ്ങൾ എന്നിവ ഇതിൽ ഉൾപ്പെടുന്നു. ഇത് നിർണ്ണായകമാണെങ്കിൽ, അത് മൂന്നാഴ്ച മുമ്പുള്ള ഒരു ചാറ്റ് ത్రెഡിലല്ല, മറിച്ച് ഓരോ പ്രോംപ്റ്റിലും ഉൾപ്പെടുത്തുന്ന ഒരു റഫറൻസ് ഡോക്യുമെന്റിൽ ആയിരിക്കണം.

പിന്നീട് ഉപയോഗിക്കാൻ നിങ്ങൾക്ക് എന്ത് സംഭരിക്കാം? പഴയ പ്രോജക്റ്റ് കുറിപ്പുകൾ, ഉൽപ്പന്ന വിവരങ്ങൾ, അല്ലെങ്കിൽ മുൻകാല ഗവേഷണങ്ങൾ എന്നിവ ഒരു ഘടനാപരമായ ഫയലിലോ ഡാറ്റാബേസിലോ സൂക്ഷിക്കാം. എന്നാൽ സംഭരണം മാത്രം പോരാ. ആ സ്റ്റോറേജിൽ നിന്ന് ഏത് ഭാഗമാണ് സംഭാഷണത്തിലേക്ക് എടുക്കേണ്ടതെന്ന് സിസ്റ്റം എങ്ങനെ തീരുമാനിക്കുന്നു എന്ന് നിങ്ങൾ കൃത്യമായി അറിയണം. വിവരങ്ങൾ എടുക്കുന്നത് (retrieval) ഒരു കീവേഡ് മാച്ചിനെ (keyword match) ആശ്രയിച്ചാണെങ്കിൽ, നിങ്ങളുടെ പ്രോംപ്റ്റിലെ ചെറിയൊരു മാറ്റം തെറ്റായ പേജ് എടുക്കാൻ കാരണമായേക്കാം.

ഒരാൾ എന്തൊക്കെ കാര്യങ്ങളാണ് നേരിട്ട് പരിശോധിക്കേണ്ടത്?

തെറ്റുകൾ വരുത്തിയാൽ വലിയ പ്രത്യാഘാതങ്ങൾ ഉണ്ടാകുന്ന സാഹചര്യങ്ങളിൽ—സാമ്പത്തിക കണക്കുകൾ, മെഡിക്കൽ സംഗ്രഹങ്ങൾ, നിയമപരമായ ഭാഷ, ഉപഭോക്താക്കളിലേക്കുള്ള അറിയിപ്പുകൾ—AI പ്രക്രിയകളെ (pipeline) അന്ധമായി വിശ്വസിക്കരുത്. AI ശരിയായ ഡോക്യുമെന്റ് പതിപ്പാണ് (version) ഉപയോഗിച്ചതെന്നും അതിന്റെ ഫലം പ്രായോഗികമായി ശരിയാണെന്നും ഒരു മനുഷ്യൻ പരിശോധിക്കേണ്ടതുണ്ട്. കഴിഞ്ഞ വർഷത്തെ വിലവിവരപ്പട്ടികയാണ് ഉപയോഗിച്ചതെന്ന് മോഡൽ നിങ്ങളോട് പറയില്ല. പ്രോംപ്റ്റിൽ (prompt) സൂചിപ്പിക്കാത്തിടത്തോളം കാലം ഇപ്പോൾ ഏത് വർഷമാണെന്ന് അതിന് അറിയില്ല.

കോൺടെക്സ്റ്റ്-ആദ്യമായ (Context-First) ഒരു വർക്ക്ഫ്ലോ നിർമ്മിക്കുക

വിശ്വസനീയമായ AI പ്രവർത്തനങ്ങൾ പ്രധാനമായും മികച്ച ഇൻഫർമേഷൻ ആർക്കിടെക്ചറിനെ (information architecture) ആശ്രയിച്ചിരിക്കുന്നു. അത് എങ്ങനെ നിർമ്മിക്കാം എന്ന് താഴെ നൽകുന്നു.

നിങ്ങളുടെ സ്ഥിരമായ നിയമങ്ങൾ ഒരു റഫറൻസ് ഡോക്യുമെന്റിൽ സൂക്ഷിക്കുക. ഇതാണ് നിങ്ങളുടെ ഏക ആധികാരിക സ്രോതസ്സ് (single source of truth). നിയമങ്ങളിൽ മാറ്റം വരുമ്പോൾ ഈ ഒരു ഫയൽ മാത്രം എഡിറ്റ് ചെയ്താൽ മതി. നിർദ്ദേശങ്ങൾ പല ചാറ്റ് ത്രെഡുകളിലായി ചിതറിക്കിടക്കരുത്.

ആ ഡോക്യുമെന്റിലെ പ്രസക്തമായ ഭാഗങ്ങൾ മാത്രം നിലവിലെ ടാസ്കിലേക്ക് നൽകുക. നൂറിലധികം പേജുകളുള്ള ഒരു മാനുവൽ പ്രോംപ്റ്റിലേക്ക് നൽകുന്നത് ചിലവേറിയതും ആശയക്കുഴപ്പമുണ്ടാക്കുന്നതുമാണ്. ഈ ചോദ്യത്തിന് ആവശ്യമായ രണ്ട് പേജുകൾ മാത്രം എടുക്കുക. അളവിനേക്കാൾ പ്രധാനം കൃത്യതയാണ്.

ലഘുവായ വിവരങ്ങൾ (short-term details) ആക്ടീവ് പ്രോംപ്റ്റിൽ തന്നെ നിലനിർത്തുക. ഇലക്ട്രിക് ബൈക്കുകളെക്കുറിച്ചുള്ള ഒരു ബ്ലോഗ് പോസ്റ്റിനായി തലക്കെട്ടുകൾ ആലോചിക്കുകയാണെങ്കിൽ, പ്രോംപ്റ്റിൽ "electric bikes" എന്ന് പ്രത്യേകം പറയുക. ഇന്നലെ പറഞ്ഞതുകൊണ്ട് നിങ്ങൾ ഇപ്പോൾ എന്തിനെക്കുറിച്ചാണ് ചിന്തിക്കുന്നത് എന്ന് മോഡലിന് അറിയാമെന്ന് കരുതരുത്.

തെറ്റുകൾ വലിയ നഷ്ടമുണ്ടാക്കുന്ന സാഹചര്യങ്ങളിൽ ഔട്ട്പുട്ടുകൾ പരിശോധിക്കാൻ ഒരു മനുഷ്യനെ ഉപയോഗിക്കുക. AI-ക്ക് ഒരിക്കലും നാണക്കേട് തോന്നില്ല. മറ്റെല്ലാ കാര്യങ്ങളിലും കാണിക്കുന്ന അതേ ആത്മവിശ്വാസത്തോടെ തന്നെ അത് തെറ്റായ ഇൻവോയ്‌സോ അല്ലെങ്കിൽ അനുചിതമായ മാപ്പപേക്ഷയോ അയച്ചേക്കാം. കാര്യങ്ങൾ ശരിയാണോ എന്ന് പരിശോധിക്കാൻ ഒരാൾ ആവശ്യമാണ്.

ലെയറുകളായി ചിന്തിക്കുക

AI വിവരങ്ങളെ ഓരോന്നിനും അതിന്റേതായ വിശ്വാസ്യതയും അപകടസാധ്യതയുമുള്ള നാല് പാളികളായി (layers) സങ്കൽപ്പിക്കുന്നത് സഹായകരമാണ്.

ഇമ്മീഡിയറ്റ് കോൺടെക്സ്റ്റ് (Immediate context) എന്നത് നിലവിലെ പ്രോംപ്റ്റാണ്. ഇത് നൂറു ശതമാനം നിങ്ങളുടെ നിയന്ത്രണത്തിലാണ്, പക്ഷേ നിങ്ങൾ അത് കൃത്യമായി എഴുതുകയാണെങ്കിൽ മാത്രം. അവ്യക്തമായ പ്രോംപ്റ്റുകൾ അവ്യക്തമായ ഫലങ്ങൾ മാത്രമേ നൽകൂ.

സ്റ്റോർഡ് കോൺടെക്സ്റ്റ് (Stored context) എന്നത് നിങ്ങൾ എവിടെയെങ്കിലും സേവ് ചെയ്തിട്ടുള്ള വിവരങ്ങളാണ്: ഒരു Notion wiki, ഒരു vector database, അല്ലെങ്കിൽ PDF-കളുടെ ഒരു ഫോൾഡർ. ഇത് നിലവിലുണ്ട്, പക്ഷേ ഒരു ഇടനിലക്കാരൻ (bridge) ഇല്ലാതെ AI-ക്ക് ഇത് കാണാൻ കഴിയില്ല.

റിട്രീവ്ഡ് കോൺടെക്സ്റ്റ് (Retrieved context) എന്നത് സെർച്ച് ലോജിക്, കോഡ് അല്ലെങ്കിൽ ഒരു പ്ലഗിൻ എന്നിവ വഴി സ്റ്റോറേജ് నుండి പ്രോംപ്റ്റിലേക്ക് എത്തിക്കുന്ന ഡാറ്റയാണ്. മിക്കവാറും നിശബ്ദമായ പരാജയങ്ങൾ (silent failures) സംഭവിക്കുന്നത് ഇവിടെയാണ്. പുതുക്കിയ കരാറിന് പകരം പഴയ കരാറോ, അല്ലെങ്കിൽ സ്പ്രെഡ്ഷീറ്റിന് പകരം ഒരു സ്ക്രീൻഷോട്ടോ സിസ്റ്റം എടുക്കാൻ സാധ്യതയുണ്ട്.

ഹ്യൂമൻ കോൺടെക്സ്റ്റ് (Human context) എന്നത് എന്താണ് സത്യം, എന്താണ് പ്രസക്തം, എന്താണ് തെറ്റായി തോന്നുന്നത് എന്നതിനെക്കുറിച്ചുള്ള നിങ്ങളുടെ സ്വന്തം വിവേചനമാണ്. ഒരു ഉത്തരം കാലഹരണപ്പെട്ടതാണോ, ഒരു സ്രോതസ്സ് വിശ്വസനീയമാണോ, അല്ലെങ്കിൽ ആ സാഹചര്യത്തിന് അനുയോജ്യമായ രീതിയിലാണോ അത് നൽകിയിരിക്കുന്നത് എന്ന് അറിയാൻ കഴിയുന്ന ഏക പാളി ഇതാണ്. ഈ ഉത്തരവാദിത്തം മറ്റൊരാൾക്കോ മെഷീനിനോ വിട്ടുകൊടുക്കരുത്.

മികച്ച ഫലങ്ങൾ നേടുന്ന ടീമുകൾ കൂടുതൽ ബുദ്ധിയുള്ള മോഡലുകൾ ഉപയോഗിക്കുന്നവരല്ല. പകരം, കോൺടെക്സ്റ്റ് വ്യക്തമായി കാണാൻ കഴിയുന്നതും, പതിപ്പുകൾ (versioned) തിരിച്ചറിയാൻ കഴിയുന്നതും, എളുപ്പത്തിൽ പരിശോധിക്കാൻ കഴിയുന്നതുമായ സിസ്റ്റങ്ങൾ അവർ നിർമ്മിക്കുന്നു. കൃത്യമായ കോൺടെക്സ്റ്റുള്ള ഒരു AI, തെറ്റായ വിവരങ്ങൾ ഉപയോഗിച്ച് പ്രവർത്തിക്കുന്ന ഒരു അതിബുദ്ധിമാനായ മോഡലിനേക്കാൾ എപ്പോഴും മികച്ച പ്രകടനം കാഴ്ചവെക്കുമെന്ന് അവർക്കറിയാം.

അതുകൊണ്ട്, ഈ ടൂളുകളെ വഴക്ക് പറയേണ്ട മറവി സ്വഭാവമുള്ള ഇന്റേണുകളെപ്പോലെ കാണുന്നത് നിർത്തുക. അവയെ ലെൻസുകളെപ്പോലെ കാണുക. നിങ്ങൾ അവയ്ക്ക് മുന്നിൽ എന്ത് വെക്കുന്നുവോ അത് മാത്രമേ അവ കാണിച്ചുതരികയുള്ളൂ. കാഴ്ചയെ കുറ്റപ്പെടുത്തുന്നതിന് മുമ്പ് ലെൻസ് പരിശോധിക്കുന്ന ശീലം വളർത്തിയെടുക്കുക.

Join the GyaanSetu AI learning community: https://t.me/GyaanSetuAi