ପରିଚୟ

ସଫ୍ଟୱେର୍ ପ୍ରୟୋଗଗୁଡ଼ିକରେ ଆର୍ଟିଫିସିଆଲ୍ ଇଣ୍ଟେଲିଜେନ୍ସ (AI) ର ଏକୀକରଣ, ଆମେ ସମସ୍ୟାର ସମାଧାନ, ନିଷ୍ପତ୍ତି ନେବା ଏବଂ ସ୍ୱୟଂଚାଳିତ ଆଭିମୁଖ୍ୟରେ ପରିବର୍ତ୍ତନ ଆଣିଛି | ତଥାପି, ଯେହେତୁ AI ଦ୍ୱାରା ପରିଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ଜଟିଳ ହେବାରେ ଲାଗିଛି, ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ ସ୍ଥାପତ୍ୟର ଆବଶ୍ୟକତା ଏକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଚିନ୍ତାର ବିଷୟ ହୋଇଛି | ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ DevOps ପାଇପଲାଇନରେ ସଂଯୋଗ କରିବା ପାଇଁ DSPy ଏବଂ LangChain ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣ ବ୍ୟବହାର ଉପରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁରୁତ୍ୱ ଦେଇ AI, ସଫ୍ଟୱେୟାର ଇଞ୍ଜିନିୟରିଂ ଏବଂ DevOps ର ଛକ ଅନୁସନ୍ଧାନ କରିବୁ |

AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଆହ୍ୱାନ |

AI ଚାଳିତ ସଫ୍ଟୱେର୍ ପ୍ରୟୋଗଗୁଡ଼ିକ ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟର୍ ଏବଂ DevOps ଦଳ ପାଇଁ ଅନନ୍ୟ ଆହ୍ .ାନ ସୃଷ୍ଟି କରେ | କେତେକ ମୁଖ୍ୟ ଆହ୍ include ାନ ଅନ୍ତର୍ଭୁକ୍ତ:

• ** ମାପନୀୟତା **: AI ମଡେଲଗୁଡିକ ଗୁରୁତ୍ୱପୂର୍ଣ୍ଣ ଗଣନା ଉତ୍ସ ଆବଶ୍ୟକ କରେ, ଯାହା ଉତ୍ପାଦନ ପରିବେଶରେ ମାପନୀୟତା ସମସ୍ୟାକୁ ନେଇପାରେ |
• ** ସୁରକ୍ଷା **: AI ମଡେଲଗୁଡିକ ଆକ୍ରମଣ ପାଇଁ ଅସୁରକ୍ଷିତ ହୋଇପାରେ, ଯେପରିକି ଡାଟା ବିଷାକ୍ତତା ଏବଂ ମଡେଲ୍ ବିପରୀତ ଆକ୍ରମଣ |
• ** ଏକୀକରଣ **: AI ମଡେଲଗୁଡିକ ବିଦ୍ୟମାନ ସଫ୍ଟୱେର୍ ସିଷ୍ଟମ ସହିତ ଏକୀଭୂତ ହେବା ଆବଶ୍ୟକ, ଯାହା ଏକ ଜଟିଳ କାର୍ଯ୍ୟ ହୋଇପାରେ |
• ** ମନିଟରିଂ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ **: AI ମଡେଲଗୁଡିକ ନିରନ୍ତର ମନିଟରିଂ ଏବଂ ରକ୍ଷଣାବେକ୍ଷଣ ଆବଶ୍ୟକ କରେ ଯେ ସେମାନେ ସଠିକ୍ ଏବଂ ନିର୍ଭରଯୋଗ୍ୟ ରହିବେ |

ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡିକ: DSPy ଏବଂ LangChain |

DSPy ଏବଂ LangChain ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣଗୁଡ଼ିକ ଏହି ଚ୍ୟାଲେଞ୍ଜଗୁଡ଼ିକର ସମାଧାନ ପ୍ରଦାନ କରିଥାଏ ଯାହାକି DevOps ପାଇପଲାଇନରେ AI ଏଜେଣ୍ଟଗୁଡିକର ଏକୀକରଣକୁ ସକ୍ଷମ କରିଥାଏ | ଏହି ଉପକରଣଗୁଡିକ AI ମଡେଲଗୁଡିକ ନିର୍ମାଣ, ନିୟୋଜନ ଏବଂ ପରିଚାଳନା ପାଇଁ ଏକ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ, AI ଚାଳିତ ପ୍ରୟୋଗଗୁଡ଼ିକ ପାଇଁ ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ ସ୍ଥାପତ୍ୟକୁ ସୁନିଶ୍ଚିତ କରେ |

DSPy

DSPy ହେଉଛି ଏକ ମୁକ୍ତ ଉତ୍ସ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା ପାଇଥନ୍ ଉପରେ ନିର୍ମିତ | AI ମଡେଲଗୁଡିକ ନିର୍ମାଣ, ନିୟୋଜନ ଏବଂ ପରିଚାଳନା ପାଇଁ ଏହା ଏକ ସରଳ ଏବଂ ଅନ୍ତର୍ନିହିତ API ପ୍ରଦାନ କରେ | DSPy ଟେନସର୍ଫ୍ଲୋ, ପାଇଟର୍ଚ୍ ଏବଂ ସ୍କିକିଟ୍-ଲର୍ନ୍ ସହିତ AI framework ାଞ୍ଚାର ଏକ ବ୍ୟାପକ ସୀମାକୁ ସମର୍ଥନ କରେ |

ଲାଙ୍ଗ୍ ଚେନ୍ |

LangChain ହେଉଛି ଅନ୍ୟ ଏକ ମୁକ୍ତ ଉତ୍ସ ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଟୁଲ୍ ଯାହା AI ମଡେଲଗୁଡିକ ନିର୍ମାଣ, ନିୟୋଜନ ଏବଂ ପରିଚାଳନା ପାଇଁ ଏକ framework ାଞ୍ଚା ପ୍ରଦାନ କରିଥାଏ | ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ରୁଷ୍ଟର ଉପରେ ନିର୍ମିତ ଏବଂ DevOps ପାଇପଲାଇନରେ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ ଏକୀକୃତ କରିବା ପାଇଁ ଏକ ଉଚ୍ଚ-କ୍ଷମତା ସମ୍ପନ୍ନ API ପ୍ରଦାନ କରେ |

DSPy ସହିତ ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା |

ଏହି ବିଭାଗରେ, ଆମେ DSPy ସହିତ ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବାର ଏକ ସରଳ ଉଦାହରଣ ଅନୁସନ୍ଧାନ କରିବୁ |

ଉଦାହରଣ: DSPy ସହିତ ଏକ ସରଳ AI ମଡେଲ୍ ନିର୍ମାଣ |

ଆସନ୍ତୁ DSPy ବ୍ୟବହାର କରି ଏକ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ ନିର୍ମାଣ କରିବାର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା | ଏକ ର ar ଖିକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ନିର୍ମାଣ କରିବାକୁ ଆମେ ସ୍କିକିଟ୍-ଲର୍ଣ୍ଣ ଲାଇବ୍ରେରୀ ବ୍ୟବହାର କରିବୁ |

"ପାଇଥନ୍ | dspy କୁ dsp ଭାବରେ ଆମଦାନି କରନ୍ତୁ | sklearn.linear_model ଆମଦାନି LinearRegression ରୁ | sklearn.datasets ରୁ load_diabetes ଆମଦାନି କରନ୍ତୁ |

ଡାଇବେଟିସ୍ ଡାଟାସେଟ୍ ଲୋଡ୍ କରନ୍ତୁ |

ଡାଟାସେଟ୍ = ଲୋଡ୍_ ଡାଇବେଟିସ୍ ()

ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ସେଟରେ ଡାଟାସେଟ୍କୁ ବିଭକ୍ତ କରନ୍ତୁ |

X_ ଟ୍ରେନ୍, X_ ଟେଷ୍ଟ, y_ ଟ୍ରେନ୍, y_test = dsp.split_dataset (dataset.data, dataset.target, test_size = 0.2)

ଏକ ର ar ଖିକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ନିର୍ମାଣ କରନ୍ତୁ |

ମଡେଲ୍ = ଲାଇନ୍ ରେଗ୍ରେସନ୍ ()

ତାଲିମ ତଥ୍ୟ ଉପରେ ମଡେଲକୁ ତାଲିମ ଦିଅ |

model.fit (X_train, y_train)

ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ମଡେଲର ମୂଲ୍ୟାଙ୍କନ କର |

ସଠିକତା = model.score (X_test, y_test) ମୁଦ୍ରଣ (f "ମଡେଲ୍ ସଠିକତା: {ସଠିକତା: .2f}") ``

DSPy ବ୍ୟବହାର କରି ଏକ ସରଳ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ କିପରି ନିର୍ମାଣ କରାଯିବ ଏହି କୋଡ୍ ବ୍ଲକ୍ ଦର୍ଶାଏ | ଆମେ ଡାଇବେଟିସ୍ ଡାଟାସେଟ୍ ଲୋଡ୍ କରୁ, ଏହାକୁ ଟ୍ରେନିଂ ଏବଂ ଟେଷ୍ଟିଂ ସେଟ୍ ରେ ବିଭକ୍ତ କରୁ, ଏକ ର ar ଖିକ ରିଗ୍ରେସନ୍ ମଡେଲ୍ ନିର୍ମାଣ କରୁ, ଏହାକୁ ଟ୍ରେନିଂ ଡାଟା ଉପରେ ତାଲିମ ଦେବୁ ଏବଂ ପରୀକ୍ଷା ତଥ୍ୟ ଉପରେ ଏହାର ସଠିକତାକୁ ଆକଳନ କରୁ |

LangChain ସହିତ ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବା |

ଏହି ବିଭାଗରେ, ଆମେ LangChain ସହିତ ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କାର୍ଯ୍ୟକାରୀ କରିବାର ଏକ ସରଳ ଉଦାହରଣ ଅନୁସନ୍ଧାନ କରିବୁ |

ଉଦାହରଣ: LangChain ସହିତ ଏକ ସରଳ AI ମଡେଲ୍ ନିର୍ମାଣ |

ଚାଲନ୍ତୁ, LangChain ବ୍ୟବହାର କରି ଏକ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ ନିର୍ମାଣ କରିବାର ଏକ ସରଳ ଉଦାହରଣକୁ ବିଚାର କରିବା | ଏକ ନ୍ୟୁରାଲ୍ ନେଟୱାର୍କ ମଡେଲ୍ ନିର୍ମାଣ ପାଇଁ ଆମେ ଟେନସର୍ ଫ୍ଲୋ ଲାଇବ୍ରେରୀ ବ୍ୟବହାର କରିବୁ |

"କଳଙ୍କ langchain କୁ lc ଭାବରେ ବ୍ୟବହାର କରନ୍ତୁ; tensorflow :: prelude :: * ବ୍ୟବହାର କରନ୍ତୁ;

// ଏକ ସରଳ ସ୍ନାୟୁ ନେଟୱାର୍କ ମଡେଲକୁ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | fn ମଡେଲ୍ (ଇନପୁଟ୍: & ଟେନସର୍) -> ଟେନସର୍ { let output = input.matmul (& Tensor :: new (1, 1)); ଆଉଟପୁଟ୍ }

// ଏକ LangChain ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରନ୍ତୁ | ଏଜେଣ୍ଟ = lc :: ଏଜେଣ୍ଟ :: ନୂତନ (ମଡେଲ୍) ଦିଅନ୍ତୁ;

// ଏକ ଡାଟାସେଟ୍ ବ୍ୟାଖ୍ୟା କରନ୍ତୁ | dataset = lc :: Dataset :: new (vec! [ lc :: ଉଦାହରଣ :: ନୂତନ (vec! [1.0, 2.0], vec! [3.0]), lc :: ଉଦାହରଣ :: ନୂତନ (vec! [4.0, 5.0], vec! [6.0]), ]);

// ଡାଟାସେଟରେ ମଡେଲ୍ ଟ୍ରେନ୍ କରନ୍ତୁ | agent.train (& dataset);

// ଡାଟାସେଟରେ ମଡେଲର ମୂଲ୍ୟାଙ୍କନ କର | ସଠିକତା = agent.evaluate (& dataset) ଦିଅନ୍ତୁ; println! ("ମଡେଲ୍ ସଠିକତା: {}", ସଠିକତା); ``

ଏହି କୋଡ୍ ବ୍ଲକ୍ ଦର୍ଶାଏ ଯେ କିପରି LangChain ବ୍ୟବହାର କରି ଏକ ସରଳ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ ନିର୍ମାଣ କରାଯିବ | ଆମେ ଏକ ସରଳ ସ୍ନାୟୁ ନେଟୱାର୍କ ମଡେଲକୁ ବ୍ୟାଖ୍ୟା କରୁ, ଏକ ଲ୍ୟାଙ୍ଗଚେନ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରୁ, ଏକ ଡାଟାସେଟକୁ ବ୍ୟାଖ୍ୟା କରୁ, ମଡେଲକୁ ଡାଟାସେଟରେ ତାଲିମ ଦେଇଥାଉ ଏବଂ ଡାଟାସେଟରେ ଏହାର ସଠିକତାକୁ ମୂଲ୍ୟାଙ୍କନ କରୁ |

ଶୀର୍ଷ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ ନିର୍ଦ୍ଦେଶ / ସ୍ନିପେଟ୍ |

DSPy ଏବଂ LangChain ପାଇଁ ଏଠାରେ ସର୍ବାଧିକ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଅଛି:

DSPy

• dsp.split_dataset (ତଥ୍ୟ, ଲକ୍ଷ୍ୟ, test_size = 0.2): ଡାଟାସେଟକୁ ତାଲିମ ଏବଂ ପରୀକ୍ଷଣ ସେଟରେ ବିଭକ୍ତ କରେ |
• dsp.build_model (model_name, model_params): ନିର୍ଦ୍ଦିଷ୍ଟ ମଡେଲ ନାମ ଏବଂ ପାରାମିଟର ବ୍ୟବହାର କରି ଏକ ମେସିନ୍ ଶିକ୍ଷା ମଡେଲ ନିର୍ମାଣ କରେ |
• "dsp.train_model (ମଡେଲ୍, ଡାଟା)": ନିର୍ଦ୍ଦିଷ୍ଟ ତଥ୍ୟ ଉପରେ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲକୁ ତାଲିମ ଦିଏ |
• "dsp.evaluate_model (ମଡେଲ୍, ଡାଟା)": ନିର୍ଦ୍ଦିଷ୍ଟ ତଥ୍ୟ ଉପରେ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରେ |
• "dsp.deploy_model (ମଡେଲ୍, ସର୍ଭର_ର୍ଲ)": ନିର୍ଦ୍ଦିଷ୍ଟ ସର୍ଭର URL ରେ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ ନିୟୋଜିତ କରେ |

ଲାଙ୍ଗ୍ ଚେନ୍ |

• "lc :: ଏଜେଣ୍ଟ :: ନୂତନ (ମଡେଲ୍)": ନିର୍ଦ୍ଦିଷ୍ଟ ମଡେଲ୍ ବ୍ୟବହାର କରି ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଏଜେଣ୍ଟ ସୃଷ୍ଟି କରେ |
• "lc :: ଡାଟାବେସ୍ :: ନୂତନ (ଉଦାହରଣ)": ନିର୍ଦ୍ଦିଷ୍ଟ ଉଦାହରଣ ବ୍ୟବହାର କରି ଏକ ଲ୍ୟାଙ୍ଗ୍ ଚେନ୍ ଡାଟାସେଟ୍ ସୃଷ୍ଟି କରେ |
• lc :: ଟ୍ରେନ୍ (ଏଜେଣ୍ଟ, ଡାଟାସେଟ୍): ନିର୍ଦ୍ଦିଷ୍ଟ ଡାଟାସେଟରେ ଲାଙ୍ଗ ଚେନ୍ ଏଜେଣ୍ଟକୁ ଟ୍ରେନ୍ କରେ |
• lc :: ମୂଲ୍ୟାଙ୍କନ (ଏଜେଣ୍ଟ, ଡାଟାସେଟ): ନିର୍ଦ୍ଦିଷ୍ଟ ଡାଟାସେଟରେ ଲ୍ୟାଙ୍ଗଚେନ୍ ଏଜେଣ୍ଟଙ୍କ କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ମୂଲ୍ୟାଙ୍କନ କରେ |
• lc :: ନିୟୋଜନ (ଏଜେଣ୍ଟ, ସର୍ଭର_ର୍ଲ): ନିର୍ଦ୍ଦିଷ୍ଟ ସର୍ଭର URL ରେ LangChain ଏଜେଣ୍ଟକୁ ନିୟୋଜିତ କରେ |

ଭିଜୁଆଲାଇଜେସନ୍

Chart.js ବ୍ୟବହାର କରି AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ଏକ ସରଳ ଭିଜୁଆଲାଇଜେସନ୍:

"ଜାଭାସ୍କ୍ରିପ୍ଟ const ctx = document.getElementById ('myChart')। getContext ('2d'); const ଚାର୍ଟ = ନୂତନ ଚାର୍ଟ (ctx, { ପ୍ରକାର: 'ବାର୍', ତଥ୍ୟ: { ଲେବଲ୍: ['ଟ୍ରେନିଂ ଟାଇମ୍', 'ଇନ୍ଫେରେନ୍ସ ଟାଇମ୍', 'ମଡେଲ୍ ସଠିକତା'], ଡାଟାବେସ୍: [{ ଲେବଲ୍: 'DSPy', ତଥ୍ୟ: [10, 5, 90], ପୃଷ୍ଠଭୂମି ରଙ୍ଗ: 'rgba (255, 99, 132, 0.2)', ସୀମା ରଙ୍ଗ: 'rgba (255, 99, 132, 1)', ସୀମା ଓସାର: 1 }, { ଲେବଲ୍: 'ଲାଙ୍ଗ୍ ଚେନ୍', ତଥ୍ୟ: [8, 6, 92], ପୃଷ୍ଠଭୂମି ରଙ୍ଗ: 'rgba (54, 162, 235, 0.2)', ସୀମା ରଙ୍ଗ: 'rgba (54, 162, 235, 1)', ସୀମା ଓସାର: 1 }] }, ବିକଳ୍ପଗୁଡିକ: { ମାପ: { y: { startAtZero: ସତ୍ୟ | } } } }); ``

ଏହି କୋଡ୍ ବ୍ଲକ୍ DSPy ଏବଂ LangChain ର କାର୍ଯ୍ୟଦକ୍ଷତାକୁ ଭିଜୁଆଲ୍ କରିବାକୁ Chart.js ବ୍ୟବହାର କରି ଏକ ସରଳ ବାର୍ ଚାର୍ଟ ସୃଷ୍ଟି କରେ |

ସିଦ୍ଧାନ୍ତ

ଏହି ଆର୍ଟିକିଲରେ, ଆମେ AI ଏଜେଣ୍ଟଗୁଡ଼ିକୁ DevOps ପାଇପଲାଇନରେ ସଂଯୋଗ କରିବା ପାଇଁ DSPy ଏବଂ LangChain ପରି ଅର୍କେଷ୍ଟ୍ରେସନ୍ ଉପକରଣ ବ୍ୟବହାର ଉପରେ ଏକ ନିର୍ଦ୍ଦିଷ୍ଟ ଗୁରୁତ୍ୱ ଦେଇ AI, ସଫ୍ଟୱେର୍ ଇଞ୍ଜିନିୟରିଂ ଏବଂ DevOps ର ଛକ ଅନୁସନ୍ଧାନ କରିଥିଲୁ | DSPy ଏବଂ LangChain ବ୍ୟବହାର କରି ସୁରକ୍ଷିତ ଏବଂ ମାପନୀୟ AI- ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟକୁ କିପରି କାର୍ଯ୍ୟକାରୀ କରାଯିବ ଆମେ ପ୍ରଦର୍ଶନ କରିଥିଲୁ ଏବଂ ପ୍ରତ୍ୟେକ ଉପକରଣ ବ୍ୟବହାର କରି ଏକ ମେସିନ୍ ଲର୍ନିଂ ମଡେଲ୍ ନିର୍ମାଣ କରିବାର ଏକ ସରଳ ଉଦାହରଣ ପ୍ରଦାନ କରିଥିଲୁ | ଆମେ ମଧ୍ୟ ପ୍ରତ୍ୟେକ ଉପକରଣ ପାଇଁ ଏକ ଶ୍ରେଷ୍ଠ 5-10 ସର୍ବାଧିକ ବ୍ୟବହୃତ କମାଣ୍ଡ / ସ୍ନିପେଟ୍ ଏବଂ Chart.js ବ୍ୟବହାର କରି AI ଚାଳିତ ସଫ୍ଟୱେର୍ ସ୍ଥାପତ୍ୟର ସରଳ ଭିଜୁଆଲାଇଜେସନ୍ ପ୍ରଦାନ କରିଛୁ |