ai-agents-for-beginners
AI முகவர்களுக்கு நினைவகம்
AI முகவர்கள் உருவாக்குவதன் தனித்துவமான நன்மைகள் பற்றி பேசும்போது, இரண்டு முக்கிய அம்சங்கள் பேசப்படுகின்றன: பணிகளை முடிக்க கருவிகளை அழைக்கும் திறன் மற்றும் காலப்போக்கில் மேம்படுவதற்கான திறன். நினைவகம் என்பது தன்னைத்தானே மேம்படுத்தக்கூடிய முகவர்களை உருவாக்கும் அடிப்படையாகும், இது எங்கள் பயனர்களுக்கான சிறந்த அனுபவங்களை உருவாக்க உதவுகிறது.
இந்த பாடத்தில், AI முகவர்களுக்கு நினைவகம் என்பது என்ன மற்றும் அதனை எவ்வாறு நிர்வகித்து, எங்கள் பயன்பாடுகளின் நன்மைக்காக பயன்படுத்தக்கூடியது என்பதைக் காண்போம்அ.
அறிமுகம்
இந்த பாடம் கீழ்க்கண்டவை உள்ளடக்கியது:
• AI முகவர் நினைவகத்தை புரிந்துகொள்ளுதல்: நினைவகம் என்பது என்ன மற்றும் முகவர்களுக்கு இது ஏன் அவசியம் என்பதைப் பற்றி.
• நினைவகத்தை செயல்படுத்தி சேமிப்பது: உங்கள் AI முகவர்களுக்கு நினைவக திறன்களைச் சேர்ப்பதற்கான நடைமுறை முறைகள், குறுகிய மற்றும் நீண்டகால நினைவகத்திற்கு கவனம் செலுத்துதல்.
• AI முகவர்களை தன்னைத்தானே மேம்படுத்துதல்: கடந்த தொடர்புகளிலிருந்து கற்றுக்கொண்டு காலப்போக்கில் மேம்பட நினைவகம் எப்படி உதவுகிறது என்பதைக் காண்பது.
қол жетімді செயல்பாடுகள்
இந்த பாடத்தில் இரண்டு விரிவான நோட்புக் கையேடுகள் உள்ளன:
• 13-agent-memory.ipynb: Microsoft Agent Framework உடன் Mem0 மற்றும் Azure AI Search மூலம் நினைவகத்தை செயல்படுத்துகிறது
• 13-agent-memory-cognee.ipynb: Cognee பயன்படுத்தி கட்டமைக்கப்பட்ட நினைவகத்தை செயல்படுத்துகிறது, embeddings மூலம் ஆதரப்பிக்கப்பட்ட அறிவுக் கோப்பையும், கோப்பைப் படமாக்கவும், அறிவாற்றல் மேலோட்ட உத்தரவாதத் தேடலும் செய்கிறது
கற்றல் இலக்குகள்
இந்த பாடத்தை முடித்த பிறகு, நீங்கள்:
• வேறு வகையான AI முகவர் நினைவகங்களை வேறுபடுத்த தெரிந்துகொள்ளுவீர்கள், அதில் வேலை நினைவகம், குறுகியகால நினைவகம், நீண்டகால நினைவகம் போன்றவை மற்றும் தனித்துவமான வகைகள் Persona மற்றும் Episodic நினைவகம் உள்ளன.
• குறுகிய மற்றும் நீண்டகால நினைவகங்களை வழங்க Microsoft Agent Framework பயன்படுத்தி செயல்படுத்தி நிர்வகிக்க எப்படி என அறிந்துகொள்ளுவீர்கள், Mem0, Cognee, Whiteboard நினைவகம் போன்ற கருவிகளையும் Azure AI Search உடன் ஒருங்கிணைத்தல்.
• தன்னைத்தானே மேம்படும் AI முகவர்களின் கோட்பாடுகளை புரிந்து கொள்ளுவீர்கள் மற்றும் இருமுறையான நினைவக நிர்வகிப்பு அமைப்புகள் தொடர்ச்சியான கற்றல் மற்றும் தழுவலுக்கு எப்படி உதவுகின்றன என்பதைக் கற்றுக்கொள்ளுவீர்கள்.
AI முகவர் நினைவகத்தை புரிந்துகொள்ளுதல்
முதன்மையாக, AI முகவர்களை நினைவகம் என்பது அவர்கள் தகவலை நினைவுக்குத் தக்கவைத்துக் கொண்டு மீண்டும் அறிந்துகொள்ளும் முறை அமைப்புகளைக் குறிக்கிறது. இந்தத் தகவல் உரையாடல் பற்றிய குறிப்புகள், பயனர் விருப்பங்கள், கடந்த செயல்கள் அல்லது கற்றுக்கொண்ட வார்த்தைகள் போன்றவையாக இருக்கலாம்.
நினைவகம் இல்லாமல் AI பயன்பாடுகள் பெரும்பாலும் நிலைமையற்றதாக இருக்கும், அதாவது ஒவ்வொரு தொடர்பும் புதியதாக தொடங்கும். இது மறு மீண்டும் அதேவிதமான மற்றும் அதிர்ச்சிகரமான பயனர் அனுபவத்துக்கு வழிவகுக்கிறது, அங்கு முகவர் கடந்த தொடர்புகளை அல்லது விருப்பங்களை “மறந்து” விடுவான்.
நினைவகம் ஏன் முக்கியம்?
ஒரு முகவரின் நுண்ணறிவு அதன் கடந்தத் தகவலை நினைவுகூர்ந்து பயன்படுத்தக்கூடிய திறனுடன் ஆழமாக தொடர்புடையது. நினைவகம் முகவர்களை இதுவாக ஆக்குகிறது:
• பரிசீலனையாளராக: கடந்த செயல்கள் மற்றும் முடிவுகளிலிருந்து கற்றுக்கொள்ளவும்.
• இணையற்றவராக: நடந்து கொண்டிருக்கும் உரையாடலில் சூழலை பராமரிக்கவும்.
• முன்கூட்டிய மற்றும் எதிர்வினையாற்றும்: பழைய தரவின் அடிப்படையில் தேவைகளை முன்கூட்டியே அறிந்து அதற்கேற்ற பதிலளிக்கவும்.
• சுயாதீனமாக: சேமிக்கப்பட்ட அறிவைக் பயன்படுத்தி தன்னாட்சி செயற்படவும்.
நினைவகம் செயல்படுத்துவதன் குறிக்கோள் முகவர்களை நம்பகமான மற்றும் திறம்பட செயல்படக்கூடியதாக மாற்றுவதே.
நினைவக வகைகள்
வேலை நினைவகம்
இதை ஒரு ஓர் பணியின் அல்லது எண்ணத்திட்டத்தின் போது முகவர் பயன்படுத்தும் ஒரு தற்காலிக குறிப்பு என நினைக்கலாம். அடுத்த செயலுக்கு தேவையான உடனடி தகவலை இது கையாள்கிறது.
AI முகவர்களுக்கு, வேலை நினைவகம் பெரும்பாலும் உரையாடலிலிருந்து மிக முக்கியமானத் தகவலைப் பிடித்து காப்பது, முழுப் பேச்சுப் பொருள் நீண்டதாகவும் துண்டிக்கப்பட்டதாகவும் இருந்தாலும் கூட. இது தேவைகள், முன்மொழிவுகள், முடிவுகள் மற்றும் செயல்களை கவனமாக எடுத்து கொள்கிறது.
வேலை நினைவகம் உதாரணம்
ஒரு பயணம் முன்பதிவு முகவரில், வேலை நினைவகம் பயனர் தற்போது கேட்கும் “நான் பாரிஸுக்கு பயணம் முன்பதிவு செய்ய விரும்புகிறேன்” என்ற கேள்வியைப் பிடிக்கும். இந்த குறிப்பான கோரிக்கை முகவரின் உடனடி சூழலைக் கையாள உதவும்.
குறுகியகால நினைவகம்
இந்த நினைவகம் ஒரே உரையாடல் அல்லது அமர்வு முழுவதும் தகவலை பாதுகாக்கிறது. இது நடந்து கொண்டிருக்கும் உரையாடலின் சூழலைப் பராமரிக்காது, அப்போதைய உரையாடலில் முகவருக்கு முன்பு நடந்ததைக் கொண்டு செல்ல உதவும்.
Microsoft Agent Framework Python SDK எடுத்துக்காட்டுகளின் படி, இது AgentSessionக்கு இணையானது, இது agent.create_session() மூலம் உருவாக்கப்படுகிறது. அமர்வு என்பது Frameworkஇன் உட்பட்ட குறுகியகால நினைவகம்: அதே அமர்வு மீண்டும் பயன்படுத்தப்படும் வரை உரையாடல் சூழல் கிடைக்கிறது, ஆனால் அமர்வு முடிந்தவுடன் அல்லது பயன்பாடு மீண்டும் துவங்கும்போது அது நிலைத்திராது. உண்மைகள் மற்றும் விருப்பங்களை பல அமர்வுகளை கடந்தும் பாதுகாக்க நீண்டகால நினைவகம் பயன்படுத்தப்படும், பொதுவாக தரவுத்தளம், வெக்டர் குறியீடு அல்லது மற்ற நிலையான சேமிப்பிடம் வழியாக.
குறுகியகால நினைவகம் உதாரணம்
ஒரு பயனர் கேட்கிறார், “பாரிசுக்கு உள்ள விமானம் எவ்வளவு விலை?” பிறகு தொடர்ந்து “அங்கே வதியிடம் பற்றி என்ன?” என்றால், குறுகியகால நினைவகம் “அங்கே” என்பது “பாரிஸ்” என அந்த உரையாடலில் தெளிவுபடுத்தும்.
நீண்டகால நினைவகம்
பல உரையாடல்களும் அமர்வுகளும் கடந்தும் தொடரும் தகவல் இது. பயனர் விருப்பங்கள், வரலாற்று தொடர்புகள், அல்லது பொதுவான அறிவு ஆகியவற்றை நீண்டநாள் நினைவில் வைத்திருக்க உதவும். இதுவே தனிப்பயனாக்கத்திற்கு மிக முக்கியம்.
நீண்டகால நினைவகம் உதாரணம்
நீண்டகால நினைவகம் “பென் ஸ்கீயிங் தொடங்கிட விளையாட்டு ஆர்வம் கொண்டவர், மலைக்காட்சி கூடிய காஃபி விரும்புகிறார், கடந்த ஒரு காயத்தின் காரணமாக முன்னேற்றமான ஸ்கீ பாதைகள் தவிர்க்க விரும்புகிறார்” என்பதை சேமிக்கலாம். இது முன்பு நடந்த தொடர்புகளிலிருந்து கற்றுக்கொண்ட தகவல், எதிர்கால பயண திட்டமிடல்களில் பரிந்துரைகளை தனிப்பயனாக்குகிறது.
Persona நினைவகம்
இது ஒரு தனித்துவ நினைவக வகை, முகவரின் கூற்று அல்லது “பயனாளர் தன்மை” என்பதில் உறுதியான உருவாக்கத்தை உதவுகிறது. இது முகவருக்கு தன்னைத்தான் அல்லது அந்த முகவரின் நோக்கத்தைப் பற்றிய விவரங்களை நினைவில் வைத்திருக்க உதவுகிறது, இதனால் தொடர்புகள் மாறாததும் கவனமுடனும் இருக்கும்.
Persona நினைவகம் உதாரணம்
பயண முகவர் ஒரு “திறமையான ஸ்கீ திட்டமிடுபவர்” ஆக வடிவமைக்கப்பட்டிருந்தால், Persona நினைவகம் இந்த பங்கு உறுதிப்படுத்தி, அதன் பதில்களை ஒரு நிபுணரின் சாயல் மற்றும் அறிவு போல வைத்து மேம்படுத்தும்.
Workflow/Episodic நினைவகம்
ஓர் முகவர் ஒரு சிக்கலான பணி மேற்கொண்டபோது எடுத்த படிகள் (வெற்றி தோல்விகள் உட்பட) இது சேமிக்கிறது. இது கடந்த “காட்சிகள்” அல்லது அனுபவங்களை நினைவில் வைத்து கற்றுக்கொள்ள உதவும்.
Episodic நினைவகம் உதாரணம்
முகவர் ஒரு குறிப்பிட்ட விமானத்தை முன்பதிவு செய்ய முயற்சித்த பின்னர் அது கிடைக்காமை காரணமாக தோல்வியடைந்தால், episodic நினைவகம் இந்த தோல்வியைக் பதிவு செய்து, அடுத்த முறை முயற்சிக்கும் போதோ அல்லது பயனருக்கு தகவல் வழங்கும் போதோ மாற்று விருப்பங்களை பரிந்துரை செய்ய உதவும்.
Entity நினைவகம்
உரையாடல்களில் இருந்து குறிப்பிட்ட உள்ளடக்கங்கள் (மக்கள், இடங்கள், பொருட்கள் போன்றவை) மற்றும் நிகழ்வுகளை எடுத்து, அத்தகைய முக்கிய கூறுகளை நினைவில் வைக்க உதவுகிறது. இது முகவருக்கு கட்டமைக்கப்பட்ட புரிதலை உருவாக்க உதவும்.
Entity நினைவகம் உதாரணம்
ஒரு கடந்த பயணத்தைப் பற்றிய உரையாடலில், முகவர் “பாரிஸ்,” “ஐஃபல் கோபுரம்,” மற்றும் “Le Chat Noir உணவகம்” என்பவற்றை எழுதப்படுத்தி நினைவில் வைக்கலாம். எதிர்கால உரையாடலில், “Le Chat Noir” நினைவுக்கு வந்து புதிய முன்பதிவை செய்ய பரிந்துரைக்கலாம்.
கட்டமைக்கப்பட்ட RAG (Retrieval Augmented Generation)
RAG என்பது பரவலான தொழில்நுட்பமாக இருக்கும் போது, “கட்டமைக்கப்பட்ட RAG” என்பது ஓர் சக்திவாய்ந்த நினைவக தொழில்நுட்பமாகும். இது உரையாடல்கள், மின்னஞ்சல்கள், படங்கள் போன்ற பல்வேறு ஆதாரங்களிலிருந்து அடர்த்தியான, கட்டமைக்கப்பட்ட தரவை எடுத்து, பதில்களில் துல்லியத்தை, நினைவீட்டை மற்றும் வேகத்தை மேம்படுத்த பயன்படுத்துகிறது. பாரம்பரியமான RAG semantik ஒத்துப்போற்றுதலை மட்டுமே பயன்படுத்தும் ஆனால் கட்டமைக்கப்பட்ட RAG தகவலின் இயல்பான கட்டமைப்புடன் செயல்படுகிறது.
கட்டமைக்கப்பட்ட RAG உதாரணம்
சொற்களை பொருந்துவது மட்டுமல்லாமல், கட்டமைக்கப்பட்ட RAG மின்னஞ்சலில் இருந்து விமான விவரங்களை (இலக்கு, தேதி, நேரம், விமானம்) பிரித்து கொண்டு அதனை ஒழுங்குபடுத்திய வடிவில் சேமிக்கலாம். இதன் மூலம் “செவ்வாயிற்றளியில் பாரிஸுக்கு நான் எந்த விமானத்தை முன்பதிவு செய்தேன்?” போன்ற துல்லியமான கேள்விகளுக்கு பதில் தர முடியும்.
நினைவகத்தை செயல்படுத்தி சேமிப்பது
AI முகவர்களின் நினைவகத்தை செயல்படுத்துவது என்பது நினைவக நிர்வாகத்தின் நுட்பமான செயல்முறை ஆகும், இதில் உருவாக்கல், சேமித்தல், மீட்டெடுக்கும், ஒருங்கிணைக்கும், புதுப்பிக்கும் மற்றும் மறந்திருத்தல்களும் அடங்கும். குறிப்பாக மீட்டெடுப்பு மிக முக்கியமானது.
சிறப்பு நினைவக கருவிகள்
Mem0
ஒரு வழி AI முகவர்களின் நினைவகத்தை சேமித்து நிர்வகிப்பதற்கான சிறப்பு கருவி Mem0 ஆகும். Mem0 என்பது நிலைத்திருக்கும் நினைவக அடுக்கு ஆகும், இது முகவர்களுக்கு தொடர்புகளை நினைவுகூரும், பயனர் விருப்பங்கள் மற்றும் உண்மையான சூழலைச் சேமிக்கும் மற்றும் வெற்றி தோல்விகளிலிருந்து காலப்போக்கில் கற்றுக்கொள்ள உதவுகிறது. இது செயல்முறை இல்லாத முகவர்களை நிலைமையுள்ளவை ஆக்குகிறது.
இது ஒரு இரு கட்ட நினைவக செயல்முறை: எடுக்கும் மற்றும் புதுப்பிக்கும் மூலம் வேலை செய்கிறது. முதலில், முகவரின் உரையாடல் செய்திகள் Mem0 சேவையில் அனுப்பப்படுகிறது, இது பெரிய மொழி மாதிரி (LLM) பயன்படுத்தி உரையாடல் வரலாற்றை சுருக்கி புதிய நினைவகங்களை எடுக்கும். பின்னர், LLM இயக்கும் புதுப்பிப்பு கட்டத்தில் இந்த நினைவகங்களை சேர்க்க, மாற்ற, அல்லது நீக்க தீர்மானிக்கிறது; அவை வெக்டர், கோப்புப் படி மற்றும் முக்கிய-மதிப்பு தரவுத் தரவு அடங்கிய ஒரு கலவையான தரவுத்தளத்தில் சேமிக்கப்படுகின்றன. இந்த அமைப்பு பலக் நினைவக வகைகளையும் மற்றும் அங்கங்களுக்கிடையேயான தொடர்புகளை நிர்வகிக்க கோப்புப் நினைவகத்தையும் ஆதரிக்கிறது.
Cognee
மற்றொரு சக்திவாய்ந்த அணுகுமுறை AI முகவர்களுக்கு திறன் அறிவாற்றலான நினைவகத்தை வழங்கும் Cognee ஆகும், இது கட்டமைக்கப்பட்ட மற்றும் கட்டமைக்கப்படாத தரவை embeddings மூலம் ஆதரிக்கப்படும் அறிவுக் கோப்புகளாக மாற்றுகிறது. Cognee இரட்டை சேமிப்பக கட்டமைப்பை வழங்குகிறது, வெக்டர் ஒத்துப்போற்றுதல் மற்றும் கோப்புப் பிணைப்புகளைக் கொண்டு, முகவர்கள் பெறும் தகவலின் ஒற்றுமையையும், கருத்துக்கள் ஒருவருடன் தொடர்பு கொண்டிருக்கும் விதத்தையும் புரிந்து கொள்கின்றனர்.
இது கலந்த மீட்டெடுப்பை சிறப்பாகச் செய்யும், அதில் வெக்டர் ஒத்துப்போற்றுதல், கோப்புப்படை அமைப்பு மற்றும் LLM காரணிகள் ஒருங்கிணைக்கப்படுகின்றன - மூல துண்டுத்தேர்வு முதல் கோப்புப்படை அறிவார்ந்த கேள்விகளுக்குப் பதிலளிப்புவரை. அமைப்பு ஒருங்கிணைக்கப்பட்ட நினைவகத்தை பராமரிக்கின்றது, இது வளர்ந்து வளர்கிறது மற்றும் ஒன்று சேர்ந்த கோப்புப்படையாக இருப்பதால் கேள்வி விசாரிக்க கூடியதாகும். இது குறுகியகால அமர்வினைப் பொருத்தப்படுத்தல் மற்றும் நீண்டகால நிலைத்த நினைவகத்தையும் ஆதரிக்கிறது.
Cognee நோட்புக் கையேடு (13-agent-memory-cognee.ipynb) இந்த ஒருங்கிணைந்த நினைவக அடுக்கை உருவாக்குவதை, விதிவிலக்கு தரவுத் தளங்களை உட்கொள்ளும் நடைமுறை உதாரணங்கள், அறிவுக்கோப்பை படமாக்கல் மற்றும் தனித்த AI முகவர் தேவைகளுக்கெதிரான வேறு வேறு தேடல் யுக்திகளுடன் கேள்வி விசாரணை செய்து காட்டுகிறது.
RAG மூலம் நினைவகத்தை சேமிப்பது
Mem0 போன்ற சிறப்பு நினைவக கருவிகளுக்கு மேலாக, உங்கள் நினைவகங்களை சேமிப்பதற்கும் மீட்டெடுப்பதற்கும், குறிப்பாக கட்டமைக்கப்பட்ட RAGக்காக, Azure AI Search போன்ற வலுவான தேடல் சேவைகளை பின்னணியாக பயன்படுத்தி நீங்கள் செயல்படுத்தலாம்.
இதன் மூலம் முகவரின் பதில்களை உங்கள் சொந்த தரவுடன் உறுதிப்படுத்தி, மேலும் பொருத்தமான மற்றும் துல்லியமான விடைகளை வழங்க முடியும். Azure AI Search பயனருக்கான பயண நினைவகங்கள், தயாரிப்பு பட்டியல்கள் அல்லது வேறு சிறப்பான அறிவு எந்த துறையிலும் சேமிக்கப் பயன்படுகிறது.
Azure AI Search கட்டமைக்கப்பட்ட RAG போன்ற திறன்களை ஆதரிக்கிறது, இது உரையாடல் வரலாறு, மின்னஞ்சல்கள், படங்கள் போன்ற பெரிய தரவுத்தொகுதிகளிலிருந்து அடர்த்தியான மற்றும் கட்டமைக்கப்பட்ட தகவலை எடுத்து மீட்டெடுப்பதில் சிறந்த துல்லியத்தையும் நினைவீட்டையும் தருகிறது. இது பாரம்பரிய உரை துண்டட்டும் மற்றும் embeddings முறைகளுக்கு மும்முர கோபுரமாக செயல்படுகிறது.
AI முகவர்களை தன்னைத்தானே மேம்படுத்துதல்
தன்னைத்தானே மேம்படும் முகவர்களுக்கு ஒரு பொதுவான முறை “அறிவு முகவர்”-ஐ அறிமுகப்படுத்துவது ஆகும். இந்த தனி முகவர், பயனர் மற்றும் முதன்மை முகவருக்கிடையேயான உரையாடலை கவனிக்கின்றது. இதன் பங்கு:
-
முக்கியமான தகவலை அடையாளப்படுத்துதல்: உரையாடலில் எதையாவது பொதுவான அறிவு அல்லது தனிப்பயனர் விருப்பமாகச் சேமிக்க தகுதியானதாக இருக்கிறதா என தீர்மானிக்கிறது.
-
எடுத்து சுருக்குதல்: உரையாடலில் இருந்து முக்கியமான கற்றல் அல்லது விருப்பத்தை சுருக்குகிறது.
-
அறிவுத் தளத்தில் சேமித்தல்: இந்த எடுத்த தகவலை தொடர்ந்து பின்பு மீட்டெடுக்க Vector தரவுத்தளத்தில் நிலைத்திருக்கச் செய்கிறது.
-
எதிர்கால கேள்விகளை மேம்படுத்துதல்: பயனர் புதிய கேள்வியை தொடங்கும் போது, அறிவு முகவர் சம்பந்தப்பட்ட தகவலை மீட்டெடுத்து, பயனர் கேள்வி முன்கூட்டிய நிலையில் முதன்மை முகவருக்கு ஏற்ற சூழலை வழங்குகிறது (RAG போல).
நினைவகத்திற்கு ஆப்டிமைசேஷன்கள்
• தாமத நிர்வகிப்பு: பயனர் தொடர்புக்களை மெதுவாக்காமல், முதலில் மலிவு மற்றும் வேகமான மாடலைப் பயன்படுத்தி தகவல் சேமிக்க அல்லது மீட்டெடுக்க வேண்டுமா என்பதை விரைவாகச் சரிபார்க்கலாம், பின்னர் மிகக் கோட்பாட்டு செயல்முறையை மட்டும் அழைக்கும்.
• அறிவுத் தள பராமரிப்பு: ஒரு வளர்ந்து வரும் அறிவுத் தளத்திற்கு, குறைவாக பயன்படுத்தப்படும் தகவல்களை “குளிர் சேமிப்பிடம்”க்கு மாற்றி செலவுகளை குறைக்க முடியும்.
முகவர் நினைவகத்தைப் பற்றி மேலதிக கேள்விகள் உள்ளதா?
Microsoft Foundry Discordஇல் சேர்ந்துகொண்டு மற்ற கற்றுக்கொள்ளுநர்களுடன் சந்தித்து, அலுவலக நேரங்களில் கலந்துரையாடி உங்கள் AI முகவர் கேள்விகளுக்கான பதில்களை பெறுங்கள்.
மறுப்பு: இந்த ஆவணம் AI மொழிபெயர்ப்பு சேவை Co-op Translator பயன்படுத்தி மொழிபெயர்க்கப்பட்டுள்ளது. நாங்கள் துல்லியத்திற்காக முயற்சி செய்துள்ளோம், ஆனால் தானாக செய்யப்படும் மொழிபெயர்ப்புகளில் பிழைகள் அல்லது தவறுகள் இருக்கலாம் என்பதை கவனத்தில் கொள்ளவும். அசல் ஆவணம் அதன் தாய்மொழியில் அதிகாரப்பூர்வ ஆதாரமாக கருதப்பட வேண்டும். முக்கியமான தகவல்களுக்கு, தொழில்நுட்பமான மனித மொழிபெயர்ப்பு பரிந்துரைக்கப்படுகிறது. இந்த மொழிபெயர்ப்பைப் பயன்படுத்துவதால் ஏற்படும் எந்த தவறான புரிதல்கள் அல்லது தவறான விளக்கத்திற்கும் நாங்கள் பொறுப்பில்வில்லை.