ai-agents-for-beginners
AI முகவரிகளுக்கான நினைவகம்
AI முகவரிகளை உருவாக்குவதின் தனித்துவமான நன்மைகள் குறித்து பேசுகிறபோது, இரண்டு விஷயங்கள் முக்கியமாக குறிப்பிடப்படுகின்றன: பணிகளை நிறைவேற்ற கருவிகளை அழைக்கக்கூடிய திறன் மற்றும் காலத்திற்குட்பட்ட மேம்பாடு செய்யக்கூடிய திறன். நமது பயனர்களுக்கு சிறந்த அனுபவங்களை உருவாக்கும் சுய-மேம்படுத்தக்கூடிய முகவரியை உருவாக்குவதற்கான அடித்தளம் நினைவகமே.
இந்த பாடத்தில், AI முகவரிகளுக்கான நினைவகம் என்ன என்பது, அதை எவ்வாறு மேலாண்மை செய்வது மற்றும் எங்கள் செயலிகளுக்கு அதன் பயன்பாட்டைப் பற்றி பார்க்கப்போகிறோம்.
அறிமுகம்
இந்த பாடம் கீழ்க்கண்டவற்றை கொண்டுள்ளது:
• AI முகவர் நினைவகத்தை புரிந்து கொள்ளுதல்: நினைவகம் என்பது என்ன மற்றும் அது முகவர்களுக்கு ஏன் அவசியம் என்பதைக் காரணம்.
• நினைவகத்தை அமல்படுத்துதல் மற்றும் சேமித்தல்: குறுகிய கால மற்றும் நீண்ட கால நினைவகங்களை கவனத்தில் கொண்டு உங்கள் AI முகவரிகளில் நினைவக திறன்களைச் சேர்ப்பதற்கான நடைமுறைகள்.
• AI முகவர்களை சுய-மேம்படுத்தக்கூடியதாக மாற்றுதல்: முன்னைய உரையாடல்களிலிருந்து அலர்ந்து یاد்படுத்தி, காலத்திற்கு இணங்க மேம்படுத்தும் போது நினைவகம் எப்படி உதவுகிறது என்பதைக் கற்றுக்கொள்வது.
கிடைக்கும் செயலாக்கங்கள்
இந்த பாடத்தில் இரண்டு விரிவான நோட்புக் பயிற்சிகள் உள்ளன:
• 13-agent-memory.ipynb: Mem0 மற்றும் Azure AI Search ஐ Microsoft Agent Framework உடன் பயன்படுத்தி நினைவகத்தை செயல்படுத்துகிறது
• 13-agent-memory-cognee.ipynb: Cognee பயன்படுத்தி அமைப்படைந்த நினைவகத்தை செயல்படுத்துகிறது, embeddings மூலம் ஆதரிக்கப்பட்ட அறிவு கிராப்பை தானாக உருவாக்குகிறது, கிராப் காட்சிபடுத்துகிறது மற்றும் நுண்ணறிவு மீட்பை செய்கிறது
கற்றல் இலக்குகள்
இந்த பாடத்தை முடித்த பிறகு, நீங்கள் அறிந்திருப்பீர்கள்:
• வேறுபட்ட AI முகவர் நினைவக வகைகளின் மத்தியில் வேறுபாடு செய்ய: வேலைச் நினைவு, குறுகிய கால நினைவு மற்றும் நீண்ட கால நினைவு போன்றவை, மற்றும் persona மற்றும் episodic நினைவகப் போன்ற சிறப்பு வடிவங்கள்.
• Microsoft Agent Framework பயன்படுத்தி AI முகவரிகளுக்கான குறுகிய மற்றும் நீண்ட கால நினைவகத்தை செயல்படுத்தி, நிர்வகிக்க: Mem0, Cognee, Whiteboard memory போன்ற கருவிகளை பயன்படுத்துவதும், Azure AI Search உடன் ஒருங்கிணைப்பதும்.
• சுய-மேம்படுத்தக்கூடிய AI முகவரிகளின் அடிப்படை நெறிமுறைகளை புரிந்து கொள்வது மற்றும் பல்திறன் நினைவக மேலாண்மை அமைப்புகள் தொடர்ச்சியான கற்றலும் ஏற்படுத்தலுக்கும் எவ்வாறு உதவுகின்றன என்பதைக் கற்றுக்கொள்வது.
AI முகவர் நினைவகத்தைப் புரிந்து கொள்வது
அதன் மையத்தில், AI முகவரிகளுக்கான நினைவகம் அவர்களுக்கு தகவலைக் காப்பாற்றவும் மீட்டெடுக்கவும் அனுமதிக்கும் இயந்திரங்கள் என்றதைக் குறிக்கிறது. இந்த தகவல் உரையாடல் பற்றி குறிப்பிட்ட விவரங்கள், பயனர் விருப்பங்கள், கடந்த செயல்கள் அல்லது கற்றுக்கொள்ளப்பட்ட மாதிரிகள் ஆகியவை இருக்கலாம்.
நினைவகம் இல்லாமல், AI செயலிகள் அந்நிலைத்தன்மையற்றவை என்றால், ஒவ்வொரு தொடர்பும் புதிதாகத் தொடங்கும். இது முகவரியின் முந்தைய contexto அல்லது விருப்பங்களை “மறந்து” விடுவதால் நகல் மற்றும் சளைக்கொள்ளும் பயனர் அனுபவத்தைத் தருகிறது.
நினைவகம் ஏன் முக்கியம்?
ஒரு முகவரியின் நுண்ணறிவு அதன் முந்தைய தகவலை நினைவில் வைத்து பயன்படுத்தும் திறனுடன் தீவிரமாக இணைக்கப்பட்டிருக்கிறது. நினைவகம் மூலம் முகவர்கள்:
• பின்தொடர்ச்சி: கடந்த செயல்கள் மற்றும் முடிவுகளிலிருந்து கற்றுக்கொள்வது.
• இணையாக்கமானவை: தொடர்ந்த உரையாடலில் contexto காக்குதல்.
• முன்னுரிமை மற்றும் எதிர்வினை: வரலாற்று தரவின் அடிப்படையில் தேவைகளை முன்னறிவிப்பு செய்தல் அல்லது ஏற்புடைய முறையில் பதிலளித்தல்.
• சுயாதீனமானவை: சேமித்த அறிவை அடிப்படையாகக் கொண்டு அதிக சுயாதீனமாக செயல்படுதல்.
நினைவகத்தை செயல்படுத்தும் குறிக்கோள் முகவர்களை மேலும் நம்பகமான மற்றும் திறமையானவைகள் ஆக செய்யுதல்.
நினைவக வகைகள்
வேலைச் நினைவு
ஒரு தனி தொடர்ச்சியான பணிக்கோ அல்லது சிந்தனை செயலுக்கு ஒரு முகவர் பயன்படுத்தும் ஓர் துடிப்புக் காகிதம் என்று இதைக் கருதுங்கள். இது அடுத்த படியைக் கணிக்க தேவையான உடனடி தகவலைக் காப்பாற்றுகிறது.
AI முகவரிகளுக்கு, வேலைச் நினைவு சந்திப்பு முறையாக உரையாடலின் மிகவும் தொடர்புடைய தகவலைப் பிடிக்கிறது, முழு சந்திப்பு வரலாறு நீளம் அல்லது வெட்டப்பட்டாலும் கூட. இது தேவைகள், பரிந்துரைகள், முடிவுகள் மற்றும் நடவடிக்கைகள் போன்ற முக்கிய கூறுகளை எடுக்கும் மீது கவனம் செலுத்துகிறது.
வேலைச் நினைவு உதாரணம்
ஒரு பயண முன்பதிவு முகவரியில், வேலைச் நினைவு பயனர் தற்போதைய கோரிக்கையைப் பிடிக்கலாம், உதாரணமாக “நான் பாரிஸுக்கு ஒரு பயணம் முன்பதிவு செய்ய விரும்புகிறேன்”. இந்த குறிப்பிட்ட தேவையை தற்போதைய தொடர்புக்கு வழி காட்டுவதற்காக முகவரியின் உடனடி contexto இல் வைத்திருக்கலாம்.
குறுகிய கால நினைவு
இந்த நினைவு ஒரு தனி உரையாடல் அல்லது அமர்வு காலத்திற்கு தகவலை பாதுகாக்கும். இது தற்போதைய உரையாடலின் contexto, முகவர் உரையாடலின் முந்தைய முறைமைகளுக்கு மீண்டும் குறிப்பிட்டுகொள்ள அனுமதிக்கிறது.
குறுகிய கால நினைவு உதாரணம்
ஒரு பயனர் “பாரிஸுக்கு போக்குவரத்து எவ்வளவு வரும்?” என்று கேட்ட பிறகு “அங்கே தங்குமிடம் பற்றி என்ன?” என்று தொடர்ந்தால், குறுகிய கால நினைவு அந்த உரையாடலுடன் “அங்கே” என்பது “பாரிஸ்” என்பதை முகவரிக்கு தெரியும் வகையில் ஒத்துப்போகிறது.
நீண்ட கால நினைவு
இது பல உரையாடல்கள் அல்லது அமர்வுகள் தாண்டியும் நிலைத்திருக்கும் தகவல். இது முகவர்களுக்கு பயனர் விருப்பங்கள், வரலாற்று தொடர்புகள் அல்லது நீண்ட காலம் அகலமாக உள்ள பொது அறிவைக் கற்பிக்க அனுமதிக்கிறது. இது தனிப்பயன் தயாரிப்புக்கு முக்கியம்.
நீண்ட கால நினைவு உதாரணம்
நீண்ட கால நினைவு “Ben சறுக்கடிக்க விரும்புகிறார் மற்றும் வெளிநிலையில் செயற்பாடுகளை விரும்புகிறான், காப்பி மவுன்டன் பார்வையுடன் பிடிக்கும், மற்றும் கடந்த உள்ளேற்றம் காரணமாக முன்னேறிய ஸ்கி தடைகளைத் தவிர்க்க விரும்புகிறான்” என்று சேமிக்கலாம். இந்த தகவல் கடந்த உரையாடல்களிலிருந்து கற்றது, எதிர்கால பயண திட்டமிடல்களில் பரிந்துரைகளை மிகவும் தனிப்பயனாக்க உதவுகிறது.
Persona நினைவு
இந்த சிறப்பு நினைவு வகை முகவரிக்கு ஒரு தொடர்ச்சியான “பேர்சனாலிட்டி” அல்லது “பெர்சோனா” உருவாக்க உதவுகிறது. இது முகவர் தன் பற்றி அல்லது அதன் நோக்கப்பட்ட வேடத்தைப் பற்றி விவரங்களை நினைவில் வைத்துக்கொள்ளும், உரையாடல்களை மேலும் சரளமாகவும் கவனமாயும் செய்கிறது.
Persona நினைவு உதாரணம் பயண முகவர் “முனைவர் ஸ்கி திட்டமிடுனர்” ஆக வடிவமைக்கப்பட்டிருந்தால், persona நினைவு இந்த வேடத்தை வலுப்படுத்தி, ஒரு நிபுணரின் தொனிக்கும் அறிவிற்கும் ஏற்புடைய பதில்களை ஊக்குவிக்கலாம்.
Workflow/Episodic நினைவு
இந்த நினைவகம் ஒரு காம்ப்ளக்ஸ் பணியின் போது முகவர் எடுக்கப்படும் படிகளின் வரிசையையும், வெற்றி மற்றும் தோல்விகளையும் சேமிக்கிறது. இது குறிப்பிட்ட “எபிசோடுகள்” அல்லது கடந்த அனுபவங்களைப் போன்று நினைவில் வைக்கிறது, அவற்றிலிருந்து கற்றுக்கொள்வதற்காக.
Episodic நினைவு உதாரணம்
முகவர் குறிப்பிட்ட விமானத்தை முன்பதிவு செய்ய முயன்றது ஆனால் கிடைக்காமையால் தோல்வியானால், episodic நினைவு இந்த தோல்வியை பதிவு செய்யலாம், அடுத்த முயற்சியில் மாற்றமுள்ள விமானங்களை முயற்சி செய்யவோ அல்லது பயனரை இந்த பிரச்சனை பற்றி செறிவாக அறிவிக்கவோ உதவலாம்.
Entity நினைவு
இதில் உரையாடல்களில் இருந்து குறிப்பிட்ட அலகுகள் (பேர், இடம் அல்லது பொருட்கள்) மற்றும் நிகழ்வுகளை பிரித்தெடுத்து நினைவில் வைக்குதல் அடங்கும். இது முகவரிக்கு முக்கிய கூறுகள் குறித்து அமைப்படைந்த புரிதலை உருவாக்க அனுமதிக்கிறது.
Entity நினைவை உதாரணம்
கடந்த பயணத்தைக் குறித்து உரையாடலில் இருந்து, முகவர் “Paris”, “Eiffel Tower”, மற்றும் “dinner at Le Chat Noir restaurant” போன்ற அலகுகளை எடுத்து வைத்திருக்கலாம். எதிர்காலத்தில், முகவர் “Le Chat Noir” ஐ நினைவுகூர்ந்து அங்கே புதிய முன்பதிவை செய்ய முன்மொழியலாம்.
Structured RAG (Retrieval Augmented Generation)
RAG என்பது ஒரு பரந்த தொழில்நுட்பம் என்றாலும், “Structured RAG” ஒரு சக்திவாய்ந்த நினைவக தொழில்நுட்பமாக எடுத்துக்காட்டப்படுகிறது. இது உரையாடல்கள், மின்னஞ்சல்கள், படங்கள் போன்ற பல்வேறு ஆதாரத்திலிருந்து அடிக்கடிதமான, அமைப்படைந்த தகவலை எடுக்கும் மற்றும் பதில்களில் துல்லியம், மீட்புத்தன்மை மற்றும் வேகத்தை மேம்படுத்த பயன்படுத்தப்படுகிறது. பாரம்பரிய RAG முழுவதும் அர்த்த தொடர்பின் ஒத்திசைவை மட்டும் சாராதபடி, Structured RAG தகவலின் உடன் உள்ள அமைப்புடன் பணியாற்றுகிறது.
Structured RAG உதாரணம்
வார்த்தை பொருத்தங்களை மட்டும் பொருந்தாமல், Structured RAG ஒரு மின்னஞ்சலிலிருந்து பயண விவரங்கள் (இருப்பிடம், தேதி, நேரம், விமான நிறுவனம்) போன்றவற்றை பகுத்தறிந்து அவற்றை அமைப்பாக சேமிக்கலாம். இது “நான் செவ்வாய்க்கிழமை பாரிஸுக்கு எந்த விமானத்தை முன்பதிவு செய்தேன்?” என்பதுபோன்ற நேர்மையான வினாக்களுக்குப் பதிலளிக்க உதவுகிறது.
நினைவகத்தை செயல்படுத்தலும் சேமிப்பும்
AI முகவரிகளுக்கான நினைவகத்தை செயல்படுத்துவது ஒரு கட்டமைப்பான செயல்முறை olan நினைவக மேலாண்மை ஐ உட்படுத்துகிறது, இதில் நினைவுகளை உருவாக்குதல், சேமித்தல், மீட்டெடுதல், ஒருங்கிணைத்தல், புதுப்பித்தல் மற்றும் கூட “மறவல்” (அதாவது நீக்குதல்) ஆகியவை அடங்கும். மீட்டெடுதல் ஒரு மிக முக்கியமான அம்சமாகும்.
சிறப்பு நினைவக கருவிகள்
Mem0
முகவர் நினைவகத்தை சேமித்து நிர்வகிக்க ஒரு வழி Mem0 போன்ற சிறப்பு கருவிகளைப் பயன்படுத்துவதாகும். Mem0 ஒரு நிலையான நினைவக அடுக்காக செயல்பட்டு, முகவர்கள் இணக்கமான உரையாடல்களை நினைவில் வைத்துக்கொள்ள, பயனர் விருப்பங்களையும் விரிவான CONTEXTஐச் சேமிக்க மற்றும் வெற்றி மற்றும் தோல்விகள் மூலம் காலத்தால் கற்றுக்கொள்ள அனுமதிக்கிறது. யோசனை இங்கே அது அந்நிலையற்ற முகவரிகள் நிலைமையுள்ளவர்களாக மாறுகின்றன.
இது இரு-பருவ நினைவக குழிவழி: எடுத்துக்காட்டுதல் மற்றும் புதுப்பிப்பு மூலம் வேலை செய்கிறது. முதலில், முகவரியின் திரெட்டிற்குச் சேர்க்கப்படும் செய்திகள் Mem0 சேவைக்கு அனுப்பப்படுகின்றன, அது ஒரு பெரிய மொழி மாதிரியை (LLM) பயன்படுத்தி உரையாடல் வரலாற்றைக் குறிப்பாய்ந்து சுருக்கி புதிய நினைவுகளை எடுக்கும். பின்பு, LLM ஓட்டுநர் மூலம் நடைபெறும் புதுப்பிப்பு பருவம் இந்த நினைவுகளைச் சேர்க்கவேண்டுமா, மாற்றமா அல்லது நீக்கமா என்பதை தீர்மானித்து, அவற்றை வேக்டர், கிராஃப் மற்றும் விசை-மதிப்புக் கோரிக்கை தரவுத்தளங்கள் போன்ற ஹைபிரிட் தரவுத் தளத்தில் சேமிக்கிறது. இந்த அமைப்பு பல நினைவக வகைகளையும் ஆதரவளிக்கிறது மற்றும் அமைப்புகளுக்கு இடையேயான தொடர்புகளை நிர்வகிக்க கிராஃப் நினைவகத்தையும் ஒருங்கிணைக்க முடியும்.
Cognee
மற்றொரு சக்திவாய்ந்த அணுகுமுறை Cognee பயன்படுத்துவது ஆகும், இது திறந்த மூல செமாண்டிக் நினைவகமாக AI முகவரிகளுக்காக அமைப்பு மற்றும் அமைப்பிடாத தரவுகளை embeddings மூலம் ஆதரிக்கப்பட்ட கேள்வியிடக்கூடிய அறிவு கிராப்களை மாற்றுகிறது. Cognee ஒரு இரட்டை-சேமிப்பு கட்டமைப்பை வழங்குகிறது, இது வேக்டர் ஒத்திசைவு தேடலை கிராஃப் உறவுகளுடன் இணைக்கிறது, அதன் மூலம் முகவர்கள் என்ன தகவல் ஒத்துப்போகிறது என்பதை மட்டுமல்லாமல் கருத்துக்களின் ஒருவருடன் மற்றொருவர் தொடர்பை விளங்க முடிகிறது.
இது ஹைப்ரிட் மீட்பு இல் மிகவும் சிறப்பு, இது வேக்டர் ஒத்திசைவு, கிராஃப் அமைப்பு மற்றும் LLM யார்னிங் ஆகியவற்றை ஒன்றிணைக்கிறது - மூலத் தகவல் துண்டுப் பார்க்குதல் முதல் கிராஃப்-அறிந்த கேள்வி-பதிலளிக்குதலுக்கு. இந்த அமைப்பு ஒரு இணைந்த கிராப் போல கேள்வி கேட்கக்கூடியவாறு வளர்ந்து மாறும் “இருங்கும் நினைவகத்தை” பராமரிக்கிறது, குறுகிய கால அமர்வு contexto மற்றும் நீண்ட கால நிலையான நினைவகத்தையும் ஆதரிக்கிறது.
Cognee நோட்புக் பயிற்சி (13-agent-memory-cognee.ipynb) இந்த ஒருங்கிணைந்த நினைவக அட層ை கட்டுவதையும், பல்வேறு தரவு ஆதாரங்களைச் செதுக்குவதின் நடைமுறை உதாரணங்களை, அறிவு கிராபை காண்பிப்பதை மற்றும் முகவர் தேவைகளுக்காக வேறுபட்ட தேடல் நெறிமுறைகளைப் பயன்படுத்தி கேள்வி கேட்கல் ஆகியவற்றை காண்பிக்கிறது.
RAG உடன் நினைவகத்தை சேமித்தல்
Mem0 போன்ற சிறப்பு நினைவக கருவிகளைக் கடந்தும், நீங்கள் நினைவுகளை சேமிக்க மற்றும் மீட்டெடுக்க ஒரு பின்னணியாக Azure AI Search போன்ற திடமான தேடல் சேவைகளை பயன்படுத்தலாம், குறிப்பாக அமைப்பிடப்பட்ட Structured RAG க்காக.
இது உங்கள் முகவரியின் பதில்களை உங்கள் சொந்த தரவுகளால் வேரிச் செய்ய அனுமதிக்கிறது, மேலும் தொடர்புடைய மற்றும் துல்லியமான பதில்களுக்கு உதவுகிறது. Azure AI Search பயனர்-சார்ந்த பயண நினைவுகள், தயாரிப்பு பட்டியல்கள் அல்லது வேறு எந்த துறை-அறிவும் சேமிக்க பயன்படுத்தப்படலாம்.
Azure AI Search Structured RAG போன்ற திறன்களை ஆதரிக்கிறது, இது முழுமையான தரவுத்தொகுதிகளில் இருந்து அடிக்கடி அமைப்படைந்த, செறிவான தகவல்களை எடுப்பதில் வல்லமை வாய்ந்தது, உதாரணங்களுக்கு உரையாடல் வரலாறு, மின்னஞ்சல்கள் அல்லது படங்களோடும். இது பாரம்பரிய உரை துண்டாக்கலும் embedding அணுகுமுறைகளையும் விட “மாநாடுகள் தவிர்க்கப்பட்ட துல்லியத்தையும் மீட்டெடுக்கும் திறனையும்” வழங்குகிறது.
AI முகவர்களை சுய-மேம்படுத்தக்கூடியதாகச் செய்வது
சுய-மேம்படுத்தக்கூடிய முகவரிகளுக்கான பொதுவான முறையில் ஒரு “அறிவு முகவர்” என்ற ஒரு தனித்தனி முகவரியை அறிமுகப்படுத்துவது அடங்கும். இந்த பிரித்தனி முகவர் பயனர் மற்றும் முதன்மை முகவரியிடையிலான முதன்மை உரையாடலை கவனிக்கும். அதன் பங்கு:
-
மதிப்புடைய தகவலை அடையாளம் கூටல்: உரையாடலின் எந்த பகுதியை பொதுமையான அறிவாக அல்லது குறிப்பிட்ட பயனர் விருப்பமாக சேமிக்க கொள்ளத்தக்கது என தீர்மானித்தல்.
-
எடுக்கவும் சுருக்கவும்: உரையாடலிலிருந்து முக்கியக் கற்றலையோ அல்லது விருப்பத்தையோ சுருக்குவது.
-
அறிவு ஆதாரத்தில் சேமித்தல்: இந்த எடுத்துக்காட்டப்பட்ட தகவலை, பெரும்பாலும் வேக்டர் தரவுத்தளத்தில், பின்னர் மீட்டெடுக்கக் கூடியவாறு சேமித்தல்.
-
எதிர்கால வினாக்களுக்கு நீடித்த சேர்: பயனர் புதிய வினாவை தொடங்கும் போது, அறிவு முகவர் தொடர்புடைய சேமிக்கப்பட்ட தகவலை மீட்டெடுத்து பயனர் கேள்வியில் அதனை இணைத்து முதன்மை முகவரிக்கு முக்கிய contexto வழங்குமாறு (RAG போல).
நினைவகத்திற்கு செய்யக்கூடிய முகாமைகள்
• இடைவெளி மேலாண்மை: பயனர் தொடர்புகளை மெதுவாக்காமல் இருக்க, முதலில் குறைந்த செலவு மற்றும் வேகமான மாதிரியைப் பயன்படுத்தி தகவல் சேமிக்கவா அல்லது மீட்டெடுக்கவா என்பது விரைவில் பரிசோதிக்கலாம், தேவைப்பட்டால் மட்டுமே அதிக சிக்கலான எடுத்துக்காட்டுதல்/மீட்டெடுதல் செயலியை அழைப்பது.
• அறிவு ஆதாரம் பராமரிப்பு: விருத்தி அடைந்த அறிவு ஆதாரத்திற்காக, குறைந்தளவு பயன்படுத்தப்படும் தகவலை “குளிர்ந்த சேமிப்பு” யுக்கு மாற்றி செலவுகளை நிர்வகிக்கலாம்.
முகவர் நினைவகத்தைப் பற்றி இன்னும் கேள்விகள் உள்ளதா?
Join the Microsoft Foundry Discord to meet with other learners, attend office hours and get your AI Agents questions answered.
மறுப்பு அறிக்கை: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவையான Co-op Translator (https://github.com/Azure/co-op-translator) மூலம் மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியம் பேண முயற்சித்தாலும், தானாக நிகழும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறான தகவல்களிருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அதன் சொந்த மொழியில் உள்ள மூல ஆவணம் ஆதாரமானதாகக் கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில் நுட்பம் வாய்ந்த மனித மொழிபெயர்ப்பை பரிந்துரைக்கிறோம். இந்த மொழிபெயர்ப்பு பயன்பாட்டால் ஏற்படும் எந்த தவறான புரிதல்களுக்கும் அல்லது தவறான விளக்கங்களுக்கும் நாங்கள் பொறுப்பேற்கமாட்டோம்.