हम एक एग्जॉस्ट चीट शीट पेश करते हैं जहां हम सरल शब्दों में बताते हैं कि आर्टिफिशियल इंटेलिजेंस "क्या करता है" और यह सब कैसे काम करता है।

आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और डेटा साइंस में क्या अंतर है?

कृत्रिम बुद्धिमत्ता और डेटा विश्लेषण के क्षेत्र में अवधारणाओं का विभेदन।

कृत्रिम बुद्धिमत्ता - AI (कृत्रिम बुद्धिमत्ता)

वैश्विक सार्वभौमिक अर्थों में, AI यथासंभव व्यापक शब्द है। इसमें मानव बुद्धि के करीब कार्यक्रम बनाने के लिए वैज्ञानिक सिद्धांत और विशिष्ट तकनीकी अभ्यास दोनों शामिल हैं।

मशीन लर्निंग - एमएल (मशीन लर्निंग)

धारा एआई, सक्रिय रूप से व्यवहार में लागू। आज, जब व्यवसाय या विनिर्माण में एआई का उपयोग करने की बात आती है, तो अक्सर हम मशीन लर्निंग का मतलब निकालते हैं।

एमएल-एल्गोरिदम, एक नियम के रूप में, एक सीखने वाले गणितीय मॉडल के सिद्धांत पर काम करते हैं जो डेटा की एक बड़ी मात्रा के आधार पर विश्लेषण करते हैं, जबकि कठोर नियम निर्धारित किए बिना निष्कर्ष निकाले जाते हैं।

मशीन लर्निंग में सबसे आम प्रकार का कार्य एक शिक्षक के साथ सीख रहा है। इस तरह की समस्याओं को हल करने के लिए, प्रशिक्षण का उपयोग डेटा की एक सरणी पर किया जाता है, जिसके लिए उत्तर पहले से जाना जाता है (नीचे देखें)।

डेटा साइंस - DS (डेटा साइंस)

मशीन लर्निंग सहित सभी प्रकार के गणितीय तरीकों का उपयोग करके बड़ी मात्रा में डेटा का विश्लेषण करने का विज्ञान और अभ्यास, साथ ही डेटा सरणियों के संग्रह, भंडारण और प्रसंस्करण से संबंधित संबंधित कार्यों को हल करना।

डेटा वैज्ञानिक डेटा विशेषज्ञ हैं, विशेष रूप से, जो मशीन सीखने का उपयोग करके विश्लेषण करते हैं।

मशीन लर्निंग कैसे काम करती है?

बैंकिंग स्कोरिंग के कार्य के उदाहरण पर एमएल के काम पर विचार करें। बैंक के पास मौजूदा ग्राहकों का डेटा है। वह जानता है कि क्या किसी के पास ऋण भुगतान की अधिकता है। कार्य यह निर्धारित करना है कि एक नया संभावित ग्राहक समय पर भुगतान करेगा या नहीं। प्रत्येक ग्राहक के लिए, बैंक में कुछ लक्षणों / विशेषताओं का एक संयोजन होता है: लिंग, आयु, मासिक आय, पेशा, निवास स्थान, शिक्षा, आदि। विशेषताओं में खराब संरचित पैरामीटर हो सकते हैं, जैसे कि सामाजिक नेटवर्क से डेटा या खरीद इतिहास। इसके अलावा, डेटा को बाहरी स्रोतों से जानकारी के साथ समृद्ध किया जा सकता है: विनिमय दर, क्रेडिट ब्यूरो से डेटा आदि।

एक मशीन किसी भी ग्राहक को सुविधाओं के संयोजन के रूप में देखती है: $$$X_ {1}, X_ {2} ..., X_ {n}$। उदाहरण के लिए कहाँ $$$X_ {1}$- उम्र $$$X_ {2}$- आय, और $$$X_ {3}$- प्रति माह महंगी खरीद की तस्वीरों की संख्या (व्यवहार में, एक समान कार्य के हिस्से के रूप में, डेटा वैज्ञानिक एक सौ से अधिक सुविधाओं के साथ काम करता है)। प्रत्येक ग्राहक के पास एक और चर है - $$$य$दो संभावित परिणामों के साथ: 1 (देर से भुगतान) या 0 (कोई देर से भुगतान नहीं) हैं।

सभी डेटा की समग्रता $$$X$और $$$य$- एक डेटा सेट है। इस डेटा का उपयोग करके, डेटा साइंटिस्ट एक मॉडल बनाता है $$$एफ$, मशीन लर्निंग एल्गोरिदम का चयन और संशोधन।

इस मामले में, विश्लेषण मॉडल इस तरह दिखता है:

$$

$$F (X_ {1}, X_ {2} ..., X_ {n}) = Y$$

मशीन लर्निंग एल्गोरिदम मॉडल प्रतिक्रियाओं के एक चरणबद्ध सन्निकटन का अर्थ है $$$एफ$सही उत्तर के लिए (जो प्रशिक्षण डेटा सेट में अग्रिम रूप से जाना जाता है)। यह एक विशेष नमूने में एक शिक्षक के साथ प्रशिक्षण है।

व्यवहार में, बहुधा मशीन केवल चयनित एल्गोरिथ्म की शुद्धता को सत्यापित करने के लिए शेष (20%) का उपयोग करके सरणी (80%) के एक भाग पर ही सीखती है। उदाहरण के लिए, एक प्रणाली को एक सरणी पर प्रशिक्षित किया जा सकता है जिसमें से एक जोड़ी क्षेत्रों के डेटा को बाहर रखा गया है, जिस पर मॉडल की सटीकता के बाद सत्यापित किया गया है।

अब, जब एक नया ग्राहक बैंक में आता है, जिसके अनुसार $$$य$बैंक अभी तक ज्ञात नहीं है, सिस्टम भुगतानकर्ता की विश्वसनीयता को उसके बारे में ज्ञात आंकड़ों के आधार पर बताएगा $$$F (X_ {1}, X_ {2} ..., X_ {n}) = Y$।

हालांकि, एक शिक्षक के साथ पढ़ाना केवल समस्याओं का एक वर्ग नहीं है जिसे एमएल हल कर सकता है।

कार्यों की एक और श्रेणी क्लस्टरिंग है, जो वस्तुओं को उनकी विशेषताओं के अनुसार अलग करने में सक्षम है, उदाहरण के लिए, व्यक्तिगत ऑफ़र बनाने के लिए उनके लिए विभिन्न श्रेणियों के ग्राहकों की पहचान करना।

इसके अलावा, एमएल-एल्गोरिदम की मदद से, एक सहायक विशेषज्ञ के संचार को मॉडलिंग करने या मानव कृतियों से कला अविभाज्य बनाने के कार्य जैसे (उदाहरण के लिए, तंत्रिका नेटवर्क पेंट चित्र) हल किए जाते हैं।

कार्यों का एक नया और लोकप्रिय वर्ग सुदृढीकरण प्रशिक्षण है, जो एक सीमित वातावरण में होता है जो एजेंटों के कार्यों का मूल्यांकन करता है (उदाहरण के लिए, इस एल्गोरिथ्म का उपयोग करके, अल्फा गो बनाया गया था जिसने व्यक्ति को गो में हराया था)।

तंत्रिका नेटवर्क

मशीन लर्निंग के तरीकों में से एक। मानव मस्तिष्क की संरचना से प्रेरित एक एल्गोरिथ्म, जो न्यूरॉन्स और उनके बीच के संबंधों पर आधारित है। सीखने की प्रक्रिया में, पूरे नेटवर्क की त्रुटियों को कम करने के लिए न्यूरॉन्स के बीच कनेक्शन को इस तरह से समायोजित किया जाता है।

तंत्रिका नेटवर्क की एक विशेषता लगभग किसी भी डेटा प्रारूप के लिए उपयुक्त आर्किटेक्चर की उपस्थिति है: चित्रों का विश्लेषण करने के लिए प्रेरक तंत्रिका नेटवर्क, ग्रंथों और अनुक्रमों का विश्लेषण करने के लिए आवर्तक तंत्रिका नेटवर्क, डेटा संपीड़न के लिए ऑटो-एनकोडर, नई वस्तुएं बनाने के लिए जनरेटिव तंत्रिका नेटवर्क आदि।

इसी समय, लगभग सभी तंत्रिका नेटवर्क में एक महत्वपूर्ण सीमा होती है - उनके प्रशिक्षण के लिए, बड़ी मात्रा में डेटा की आवश्यकता होती है (इस नेटवर्क में न्यूरॉन्स के बीच कनेक्शन की संख्या से अधिक परिमाण के आदेश)। इस तथ्य के कारण कि हाल ही में विश्लेषण के लिए तैयार आंकड़ों की मात्रा में काफी वृद्धि हुई है, गुंजाइश भी बढ़ रही है। उदाहरण के लिए, आज तंत्रिका नेटवर्क की मदद से, छवि पहचान कार्यों को हल किया जाता है, जैसे कि वीडियो से किसी व्यक्ति की उम्र और लिंग का निर्धारण करना, या कार्यकर्ता पर हेलमेट होना।

परिणाम की व्याख्या

डेटा विज्ञान अनुभाग, जो एमएल मॉडल द्वारा एक या दूसरे समाधान को चुनने के कारणों को समझने की अनुमति देता है।

अनुसंधान के दो मुख्य क्षेत्र हैं:

• एक ब्लैक बॉक्स के रूप में मॉडल का अध्ययन। इसमें लोड किए गए उदाहरणों का विश्लेषण करते हुए, एल्गोरिथ्म इन उदाहरणों की विशेषताओं और एल्गोरिथम के निष्कर्षों की तुलना करता है, उनमें से किसी की प्राथमिकता के बारे में निष्कर्ष बनाता है। तंत्रिका नेटवर्क के मामले में, आमतौर पर एक ब्लैक बॉक्स का उपयोग किया जाता है।
  
• मॉडल के गुणों का अध्ययन करना। उन विशेषताओं का अध्ययन जो मॉडल उनके महत्व की डिग्री निर्धारित करने के लिए उपयोग करता है। अधिकांश अक्सर निर्णय ट्री विधि के आधार पर एल्गोरिदम पर लागू होते हैं।
  

उदाहरण के लिए, जब उत्पादन में दोषों का अनुमान लगाया जाता है, तो वस्तुओं के संकेत $$$X$- यह मशीनों की सेटिंग्स, कच्चे माल की रासायनिक संरचना, सेंसर के संकेतक, कन्वेयर से वीडियो, आदि-आदि के उत्तर पर डेटा है। $$$य$- ये सवाल का जवाब हैं कि शादी होगी या नहीं।

स्वाभाविक रूप से, उत्पादन न केवल विवाह के पूर्वानुमान में, बल्कि परिणाम की व्याख्या में भी रुचि रखता है, अर्थात्, उनके बाद के उन्मूलन के लिए विवाह के कारणों का। यह मशीन के रख-रखाव, कच्चे माल की गुणवत्ता या कुछ सेंसर की असामान्य रीडिंग की लंबी अनुपस्थिति हो सकती है, जिस पर टेक्नोलॉजिस्ट को ध्यान देना चाहिए।

इसलिए, उत्पादन में विवाह के पूर्वानुमान के लिए परियोजना के ढांचे में, एक एमएल मॉडल न केवल बनाया जाना चाहिए, बल्कि इसकी व्याख्या करने के लिए भी काम किया जाना चाहिए, अर्थात्, उन कारकों की पहचान करना जो शादी को प्रभावित करते हैं।

मशीन लर्निंग कब प्रभावी है?

जब सांख्यिकीय आंकड़ों का एक बड़ा सेट होता है, लेकिन विशेषज्ञ या शास्त्रीय गणितीय तरीकों का उपयोग करते हुए निर्भरता खोजना असंभव या बहुत श्रमसाध्य होता है। इसलिए, यदि इनपुट पर हजार से अधिक पैरामीटर हैं (जिनमें संख्यात्मक और पाठ दोनों के साथ-साथ वीडियो, ऑडियो और चित्र भी हैं), तो मशीन के बिना उन पर परिणाम की निर्भरता का पता लगाना असंभव है।

उदाहरण के लिए, बातचीत में प्रवेश करने वाले पदार्थों के अलावा, एक रासायनिक प्रतिक्रिया कई मापदंडों से प्रभावित होती है: तापमान, आर्द्रता, कंटेनर की सामग्री जिसमें यह होता है, आदि। रसायनज्ञ के लिए प्रतिक्रिया समय की सही गणना करने के लिए इन सभी संकेतों को ध्यान में रखना मुश्किल है। सबसे अधिक संभावना है, वह कई प्रमुख मापदंडों को ध्यान में रखेगा और उसके अनुभव पर आधारित होगा। इसी समय, पिछली प्रतिक्रियाओं के डेटा के आधार पर, मशीन लर्निंग सभी संकेतों को ध्यान में रखने और अधिक सटीक पूर्वानुमान देने में सक्षम होगा।

बिग डेटा और मशीन लर्निंग कैसे संबंधित हैं?

मशीन लर्निंग मॉडल बनाने के लिए, विभिन्न मामलों में, संख्यात्मक, पाठ्य, फोटो, वीडियो, ऑडियो और अन्य डेटा की आवश्यकता होती है। इस जानकारी को संग्रहीत और विश्लेषण करने के लिए, प्रौद्योगिकी का एक पूरा क्षेत्र है - बिग डेटा। इष्टतम डेटा भंडारण और विश्लेषण के लिए, वे "डेटा लेक" बनाते हैं - बिग डेटा प्रौद्योगिकियों के आधार पर खराब संरचित जानकारी के बड़े संस्करणों के लिए विशेष वितरित भंडारण।

इलेक्ट्रॉनिक पासपोर्ट के रूप में डिजिटल डबल

एक डिजिटल डबल एक वास्तविक सामग्री वस्तु, प्रक्रिया या संगठन की एक आभासी प्रति है, जो आपको अध्ययन की गई वस्तु / प्रक्रिया के व्यवहार का अनुकरण करने की अनुमति देता है। उदाहरण के लिए, आप उत्पादन लाइनों की सेटिंग में बदलाव, कुछ विशेषताओं के साथ विज्ञापन अभियान के बाद बिक्री में परिवर्तन आदि के बाद कारखाने में रासायनिक संरचना में परिवर्तनों के परिणामों को पूर्व-निर्धारित रूप से देख सकते हैं। इस मामले में, पूर्वानुमान संचित डेटा के आधार पर एक डिजिटल डबल द्वारा किए जाते हैं, और परिदृश्य और भविष्य की स्थितियों को मॉडल किया जाता है। मशीन सीखने के तरीकों सहित।

गुणवत्ता मशीन सीखने के लिए क्या आवश्यक है?

डेटा वैज्ञानिक! यह वे हैं जो पूर्वानुमान एल्गोरिथ्म बनाते हैं: वे उपलब्ध डेटा का अध्ययन करते हैं, डेटा सेट के आधार पर मॉडल बनाते हैं, आगे की परिकल्पना करते हैं। उनके पास कौशल के तीन मुख्य समूह होने चाहिए: आईटी साक्षरता, गणितीय और सांख्यिकीय ज्ञान, और किसी विशेष क्षेत्र में महत्वपूर्ण अनुभव।

मशीन लर्निंग तीन खंभों पर खड़ा है

डेटा पुनर्प्राप्ति
संबंधित प्रणालियों के डेटा का उपयोग किया जा सकता है: कार्य अनुसूची, बिक्री योजना। डेटा को बाहरी स्रोतों द्वारा भी समृद्ध किया जा सकता है: विनिमय दर, मौसम, छुट्टी कैलेंडर आदि। प्रत्येक प्रकार के डेटा के साथ काम करने के लिए एक कार्यप्रणाली विकसित करना और इसे मशीन लर्निंग मॉडल प्रारूप (संख्याओं का एक सेट) में बदलने के लिए एक पाइपलाइन के माध्यम से सोचना आवश्यक है।

संकेत का निर्माण
इसे आवश्यक क्षेत्र के विशेषज्ञों के साथ मिलकर किया जाता है। यह उन आंकड़ों की गणना करने में मदद करता है जो पूर्वानुमान उद्देश्यों के लिए अच्छी तरह से अनुकूल हैं: बाजार पूर्वानुमान के लिए पिछले महीने में बिक्री की संख्या में आंकड़े और परिवर्तन।

मशीन सीखने का मॉडल
इस व्यवसाय की समस्या को हल करने का तरीका डेटा वैज्ञानिक ने स्वतंत्र रूप से अपने अनुभव और विभिन्न मॉडलों की क्षमताओं के आधार पर चुना है। प्रत्येक विशिष्ट कार्य के लिए, आपको एक अलग एल्गोरिदम चुनने की आवश्यकता है। स्रोत डेटा प्रोसेसिंग परिणाम की गति और सटीकता सीधे चयनित विधि पर निर्भर करती है।


एमएल मॉडल बनाने की प्रक्रिया।

परिकल्पना से परिणाम तक

1. यह सब एक परिकल्पना के साथ शुरू होता है

समस्या की प्रक्रिया का विश्लेषण करते समय, कर्मचारियों के अनुभव या उत्पादन पर नए सिरे से विचार करते हुए एक परिकल्पना का जन्म होता है। आमतौर पर, एक परिकल्पना एक ऐसी प्रक्रिया को प्रभावित करती है जहां व्यक्ति शारीरिक रूप से कई कारकों को ध्यान में रखने में असमर्थ होता है और गोलाई, मान्यताओं का उपयोग करता है, या जैसा वह हमेशा करता है।

इस प्रक्रिया में, मशीन लर्निंग का उपयोग आपको निर्णय लेते समय काफी अधिक जानकारी का उपयोग करने की अनुमति देता है, इसलिए, बेहतर परिणाम प्राप्त करना संभव है। इसके अलावा, एमएल का उपयोग करने वाली प्रक्रियाओं का स्वचालन और किसी विशिष्ट व्यक्ति पर निर्भरता में कमी मानव कारक (बीमारी, कम एकाग्रता, आदि) को काफी कम कर देती है।

2. परिकल्पना का आकलन

तैयार की गई परिकल्पना के आधार पर, मशीन लर्निंग मॉडल के विकास के लिए आवश्यक डेटा का चयन किया जाता है। प्रासंगिक डेटा के लिए एक खोज की जाती है और मौजूदा प्रक्रियाओं में मॉडल को एम्बेड करने के लिए उनकी उपयुक्तता का आकलन निर्धारित किया जाता है कि इसके उपयोगकर्ता कौन होंगे और जिसके कारण प्रभाव प्राप्त होता है। यदि आवश्यक हो, तो संगठनात्मक और कोई अन्य परिवर्तन किए जाते हैं।

3. आर्थिक प्रभाव की गणना और निवेश पर लाभ (ROI)

कार्यान्वित समाधान का आर्थिक प्रभाव संबंधित विभागों के साथ विशेषज्ञों द्वारा मूल्यांकन किया जाता है: दक्षता, वित्त, आदि। इस स्तर पर, आपको यह समझने की आवश्यकता है कि वास्तव में मीट्रिक क्या है (सही ढंग से पहचाने गए ग्राहकों की संख्या / उपभोग्य वस्तुओं की बचत / उत्पादन में वृद्धि, आदि) और स्पष्ट रूप से मापा लक्ष्य स्पष्ट।

4. समस्या का गणितीय सूत्रीकरण

व्यावसायिक परिणाम को समझने के बाद, इसे मापक मैट्रिक्स और प्रतिबंधों को परिभाषित करने के लिए इसे गणितीय विमान में स्थानांतरित करना आवश्यक है। डेटा चरणों डेटा
एक व्यवसायी ग्राहक के साथ मिलकर एक वैज्ञानिक कार्य करता है।

5. डेटा संग्रह और विश्लेषण

एक स्थान पर डेटा एकत्र करना, उनका विश्लेषण करना, विभिन्न आँकड़ों पर विचार करना, संकेत बनाने के लिए इन आंकड़ों की संरचना और छिपे हुए रिश्तों को समझना आवश्यक है।

6. एक प्रोटोटाइप बनाना

यह वास्तव में परिकल्पना का परीक्षण है। यह वर्तमान डेटा पर एक मॉडल बनाने और अपने काम के परिणामों को सत्यापित करने का एक अवसर है। आमतौर पर, मौजूदा आंकड़ों पर एकीकरण विकसित किए बिना और वास्तविक समय में एक धारा के साथ काम करने पर एक प्रोटोटाइप बनाया जाता है।

किसी समस्या को हल किया जा रहा है या नहीं, इसकी जांच करने के लिए प्रोटोटाइप एक त्वरित और सस्ता तरीका है। यह बहुत उपयोगी है जब अग्रिम में यह समझना असंभव है कि क्या वांछित आर्थिक प्रभाव को प्राप्त करना संभव होगा। इसके अलावा, एक प्रोटोटाइप बनाने की प्रक्रिया आपको समाधान को लागू करने के लिए इस तरह के कार्यान्वयन के लिए आर्थिक औचित्य तैयार करने के लिए परियोजना के दायरे और विवरण का बेहतर आकलन करने की अनुमति देती है।

DevOps और DataOps

ऑपरेशन के दौरान, एक नया प्रकार का डेटा दिखाई दे सकता है (उदाहरण के लिए, मशीन पर एक और सेंसर दिखाई देगा या गोदाम में एक नया प्रकार का माल दिखाई देगा) फिर मॉडल को प्रशिक्षित करने की आवश्यकता है। DevOps और DataOps कार्यप्रणाली हैं जो डेटा साइंस टीमों, डेटा तैयारी इंजीनियरों, आईटी विकास और संचालन सेवाओं के बीच सहयोग और अंत-टू-एंड प्रक्रियाओं को सेट करने में मदद करती हैं, और इस तरह के परिवर्धन को मौजूदा प्रक्रिया का हिस्सा जल्दी बनाने में मदद करती हैं, बिना त्रुटियों और प्रत्येक अद्वितीय समाधान के बिना। समस्याओं।

7. एक समाधान बनाना

उस समय, जब प्रोटोटाइप कार्य के परिणाम संकेतकों की आत्मविश्वासपूर्ण उपलब्धि को प्रदर्शित करते हैं, एक पूर्ण समाधान बनाया जाता है जहां मशीन लर्निंग मॉडल केवल अध्ययन की गई प्रक्रियाओं का एक घटक है। अगला, एकीकरण, आवश्यक उपकरण की स्थापना, स्टाफ प्रशिक्षण, निर्णय लेने की प्रक्रिया को बदलना, आदि।

8. पायलट और औद्योगिक संचालन

परीक्षण ऑपरेशन के दौरान, सिस्टम सलाह के मोड में संचालित होता है, जबकि विशेषज्ञ अभी भी सामान्य कार्यों को दोहराता है, प्रत्येक बार सिस्टम में आवश्यक सुधारों पर प्रतिक्रिया देता है और पूर्वानुमान की सटीकता बढ़ाता है।

अंतिम भाग औद्योगिक संचालन है, जब स्थापित प्रक्रियाएं पूरी तरह से स्वचालित रखरखाव पर स्विच करती हैं।

---

आप लिंक से धोखा पत्र डाउनलोड कर सकते हैं।

कल आर्टिफिशियल इंटेलिजेंस सिस्टम RAIF 2019 पर 09:30 - 10:45 पर मंच पर एक पैनल चर्चा होगी: "लोगों के लिए AI: हम सरल शब्दों में समझते हैं।"

इस खंड में, एक बहस प्रारूप में, वक्ताओं जीवन उदाहरण पर सरल शब्दों के साथ जटिल प्रौद्योगिकियों की व्याख्या करेंगे। और निम्नलिखित विषयों पर भी चर्चा करें:

• आर्टिफिशियल इंटेलिजेंस, मशीन लर्निंग और डेटा साइंस में क्या अंतर है?
• मशीन लर्निंग कैसे काम करती है?
• तंत्रिका नेटवर्क कैसे काम करते हैं?
• गुणवत्ता मशीन सीखने के लिए क्या आवश्यक है?
• मार्कअप, डेटा लेबलिंग क्या है?
• डिजिटल डबल क्या है और वास्तविक भौतिक वस्तुओं की आभासी प्रतियों के साथ कैसे काम करना है?
• परिकल्पना का सार क्या है? परिणाम के मूल्यांकन और व्याख्या के लिए इसे प्रस्तुत करने के तरीके से कैसे प्राप्त करें?

चर्चा में भाग लिया है:

निकोले मरीन, प्रौद्योगिकी निदेशक, रूस में आईबीएम और सीआईएस
एलेक्सी नैटकिन, संस्थापक, ओपन डेटा साइंस एक्स डेटा सोल
एलेक्सी हखुनोव, सीटीओ, डब्रेन
एवगेनी कोलेनिकोव, निदेशक, मशीन लर्निंग सेंटर, जेट इन्फोसिस्टम्स
पावेल डोरोनिन, सीईओ, एआई टुडे

चर्चा अक्टूबर के अंत में Jet Infosystems YouTube चैनल पर उपलब्ध होगी।