** AI- ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು**

ಪರಿಚಯ

AI-ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ಹೆಚ್ಚು ಪ್ರಚಲಿತವಾಗುತ್ತಿದ್ದಂತೆ, ದೃಢವಾದ ಮತ್ತು ಸುರಕ್ಷಿತವಾದ ವಾಸ್ತುಶಿಲ್ಪದ ಅಗತ್ಯವು ಎಂದಿಗೂ ಹೆಚ್ಚು ಒತ್ತುವಿರಲಿಲ್ಲ. AI-ಚಾಲಿತ ದಾಳಿಗಳ ಏರಿಕೆಯೊಂದಿಗೆ, ಸಂಭಾವ್ಯ ಬೆದರಿಕೆಗಳನ್ನು ತಡೆದುಕೊಳ್ಳುವ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನವನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು ಅತ್ಯಗತ್ಯ. ಈ ಲೇಖನದಲ್ಲಿ, ಪರ್ಕೋನಾದ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು Chainguard ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನದೊಂದಿಗೆ ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು ಮತ್ತು AI- ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ LangChain ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುವುದು ಹೇಗೆ ಎಂಬುದನ್ನು ನಾವು ಅನ್ವೇಷಿಸುತ್ತೇವೆ.

AI-ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗೆ ಬೆದರಿಕೆಗಳು

AI-ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ವಿವಿಧ ಬೆದರಿಕೆಗಳಿಗೆ ಗುರಿಯಾಗುತ್ತವೆ, ಅವುಗಳೆಂದರೆ:

• ಡೇಟಾ ಪಾಯ್ಸನಿಂಗ್: AI ಮಾದರಿಗಳನ್ನು ದುರುದ್ದೇಶಪೂರಿತ ಡೇಟಾವನ್ನು ನೀಡುವುದರ ಮೂಲಕ ಕುಶಲತೆಯಿಂದ ನಿರ್ವಹಿಸಬಹುದು, ಇದು ತಪ್ಪಾದ ಮುನ್ಸೂಚನೆಗಳು ಅಥವಾ ನಿರ್ಧಾರಗಳಿಗೆ ಕಾರಣವಾಗುತ್ತದೆ.
• ಮಾದರಿ ವಿಲೋಮ: ದಾಳಿಕೋರರು AI ಮಾದರಿ ಅಥವಾ ಅದರ ತರಬೇತಿ ಡೇಟಾದ ಕುರಿತು ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯನ್ನು ಊಹಿಸಬಹುದು.
• ವಿರೋಧಿ ದಾಳಿಗಳು: ಮಾದರಿಯನ್ನು ದಾರಿತಪ್ಪಿಸಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾದ ಎಚ್ಚರಿಕೆಯಿಂದ ರಚಿಸಲಾದ ಇನ್‌ಪುಟ್‌ಗಳಿಂದ AI ಮಾದರಿಗಳನ್ನು ಮೋಸಗೊಳಿಸಬಹುದು.

ಸೆಕ್ಯೂರ್-ಬೈ-ಡೀಫಾಲ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್

ಈ ಬೆದರಿಕೆಗಳನ್ನು ತಗ್ಗಿಸಲು, ನಾವು Percona ನ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು Chainguard ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನದೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮತ್ತು AI- ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ LangChain ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುತ್ತೇವೆ.

ಪರ್ಕೋನಾದ ಸುರಕ್ಷಿತ ಮುಕ್ತ-ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳು

MySQL ಗಾಗಿ Percona ಸರ್ವರ್ ಮತ್ತು PostgreSQL ಗಾಗಿ ಪರ್ಕೋನಾ ಸರ್ವರ್ ಸೇರಿದಂತೆ ಪರ್ಕೋನಾ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳ ಶ್ರೇಣಿಯನ್ನು ನೀಡುತ್ತದೆ. ಈ ಡೇಟಾಬೇಸ್‌ಗಳು ದೃಢವಾದ ಭದ್ರತಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಒದಗಿಸುತ್ತವೆ, ಅವುಗಳೆಂದರೆ:

• ಎನ್‌ಕ್ರಿಪ್ಶನ್: ಡೇಟಾವನ್ನು ವಿಶ್ರಾಂತಿ ಮತ್ತು ಸಾಗಣೆಯಲ್ಲಿ ಎನ್‌ಕ್ರಿಪ್ಟ್ ಮಾಡಲಾಗುತ್ತದೆ, ಸೂಕ್ಷ್ಮ ಮಾಹಿತಿಯು ಗೌಪ್ಯವಾಗಿರುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ.
• ಪ್ರವೇಶ ನಿಯಂತ್ರಣ: ಸೂಕ್ಷ್ಮ ಡೇಟಾಗೆ ಪ್ರವೇಶವನ್ನು ನಿರ್ಬಂಧಿಸಲು ಮತ್ತು ಅಧಿಕೃತ ಸಿಬ್ಬಂದಿ ಮಾತ್ರ ಡೇಟಾವನ್ನು ಮಾರ್ಪಡಿಸಬಹುದು ಅಥವಾ ಅಳಿಸಬಹುದು ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಸೂಕ್ಷ್ಮವಾದ ಪ್ರವೇಶ ನಿಯಂತ್ರಣವು ನಿರ್ವಾಹಕರನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
• ಆಡಿಟಿಂಗ್: ವಿವರವಾದ ಆಡಿಟಿಂಗ್ ಸಾಮರ್ಥ್ಯಗಳು ಎಲ್ಲಾ ಡೇಟಾಬೇಸ್ ಚಟುವಟಿಕೆಯ ಸಮಗ್ರ ದಾಖಲೆಯನ್ನು ಒದಗಿಸುತ್ತದೆ, ಭದ್ರತಾ ಘಟನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ.

ಚೈನ್‌ಗಾರ್ಡ್‌ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ಅಪ್ರೋಚ್

ಚೈನ್‌ಗಾರ್ಡ್ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನವನ್ನು ನೀಡುತ್ತದೆ ಅದು ಮೊದಲಿನಿಂದಲೂ ಸುರಕ್ಷತೆಯನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸುತ್ತದೆ. ಈ ವಿಧಾನವು ಒಳಗೊಂಡಿದೆ:

• ಕಡಿಮೆ ಸವಲತ್ತು: ಅಪ್ಲಿಕೇಶನ್‌ಗಳು ತಮ್ಮ ಕಾರ್ಯಗಳನ್ನು ನಿರ್ವಹಿಸಲು ಅಗತ್ಯವಾದ ಕನಿಷ್ಠ ಸವಲತ್ತುಗಳೊಂದಿಗೆ ರನ್ ಮಾಡಲು ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ದಾಳಿಯ ಮೇಲ್ಮೈಯನ್ನು ಕಡಿಮೆ ಮಾಡುತ್ತದೆ.
• ಬದಲಾಯಿಸಲಾಗದ ಮೂಲಸೌಕರ್ಯ: ಮೂಲಸೌಕರ್ಯವನ್ನು ಬದಲಾಗದಂತೆ ವಿನ್ಯಾಸಗೊಳಿಸಲಾಗಿದೆ, ಭದ್ರತಾ ಘಟನೆಗಳನ್ನು ಪತ್ತೆಹಚ್ಚಲು ಮತ್ತು ಪ್ರತಿಕ್ರಿಯಿಸಲು ಸುಲಭವಾಗುತ್ತದೆ.
• ಸುರಕ್ಷಿತ ಕಾನ್ಫಿಗರೇಶನ್: ಸುರಕ್ಷಿತ ಡೀಫಾಲ್ಟ್‌ಗಳು ಮತ್ತು ಕನಿಷ್ಠ ಕಾನ್ಫಿಗರೇಶನ್ ಸೇರಿದಂತೆ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ಸುರಕ್ಷತೆಯನ್ನು ಗಮನದಲ್ಲಿಟ್ಟುಕೊಂಡು ಕಾನ್ಫಿಗರ್ ಮಾಡಲಾಗಿದೆ.

ಲ್ಯಾಂಗ್‌ಚೈನ್ ಇಂಟಿಗ್ರೇಷನ್

ಲ್ಯಾಂಗ್‌ಚೈನ್ ಪೈಥಾನ್ ಲೈಬ್ರರಿಯಾಗಿದ್ದು ಅದು AI-ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳನ್ನು ನಿರ್ಮಿಸಲು ಸರಳ ಮತ್ತು ಅರ್ಥಗರ್ಭಿತ API ಅನ್ನು ಒದಗಿಸುತ್ತದೆ. ನಾವು LangChain ಅನ್ನು Percona ನ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು Chainguard ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನದೊಂದಿಗೆ ದೃಢವಾದ ಮತ್ತು ಸುರಕ್ಷಿತವಾದ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ರಚಿಸಲು ಸಂಯೋಜಿಸುತ್ತೇವೆ.

ಕೋಡ್ ಉದಾಹರಣೆ

ಪರ್ಕೋನಾದ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳು ಮತ್ತು ಚೈನ್‌ಗಾರ್ಡ್‌ನ ಸುರಕ್ಷಿತ-ಪೂರ್ವನಿಯೋಜಿತ ವಿಧಾನದೊಂದಿಗೆ ಲ್ಯಾಂಗ್‌ಚೈನ್ ಅನ್ನು ಹೇಗೆ ಸಂಯೋಜಿಸುವುದು ಎಂಬುದನ್ನು ಪ್ರದರ್ಶಿಸುವ ಸರಳ ಕೋಡ್ ಉದಾಹರಣೆ ಇಲ್ಲಿದೆ: ``ಹೆಬ್ಬಾವು ಆಮದು ಲ್ಯಾಂಗ್‌ಚೈನ್ ಲ್ಯಾಂಗ್‌ಚೈನ್ ಆಮದು LLM ನಿಂದ

llm = LLM( model_name="davinci:2-ದೊಡ್ಡದು", ಸಾಧನ="ಕುಡಾ", max_tokens=1024, )

ಪರ್ಕೋನಾ ಡೇಟಾಬೇಸ್ ಸಂಪರ್ಕವನ್ನು ರಚಿಸಿ

mysql.connector ಅನ್ನು ಆಮದು ಮಾಡಿಕೊಳ್ಳಿ cnx = mysql.connector.connect( ಬಳಕೆದಾರ='ಬಳಕೆದಾರಹೆಸರು', ಪಾಸ್ವರ್ಡ್='ಪಾಸ್ವರ್ಡ್', ಅತಿಥೇಯ='127.0.0.1', ಡೇಟಾಬೇಸ್='ಡೇಟಾಬೇಸ್' )

ಚೈನ್‌ಗಾರ್ಡ್ ಸುರಕ್ಷಿತ ಸಂರಚನೆಯನ್ನು ರಚಿಸಿ

ಆಮದು ಚೈನ್ಗಾರ್ಡ್ cfg = chainguard.Config( app_name="my_app", app_version="1.0", env_vars={ "DB_HOST": "127.0.0.1", "DB_USER": "ಬಳಕೆದಾರಹೆಸರು", "DB_PASSWORD": "ಪಾಸ್‌ವರ್ಡ್", }, )

ಡೇಟಾಬೇಸ್ ಅನ್ನು ಪ್ರಶ್ನಿಸಲು LangChain ಬಳಸಿ

ಪ್ರಶ್ನೆ = "ನನ್ನ_ಕೋಷ್ಟಕದಿಂದ * ಆಯ್ಕೆ ಮಾಡಿ" ಫಲಿತಾಂಶ = llm.query(ಪ್ರಶ್ನೆ, db=cnx, cfg=cfg)

ಫಲಿತಾಂಶವನ್ನು ಮುದ್ರಿಸಿ

ಮುದ್ರಣ (ಫಲಿತಾಂಶ)

ಈ ಕೋಡ್ ಉದಾಹರಣೆಯು LangChain LLM ನಿದರ್ಶನವನ್ನು ಹೇಗೆ ರಚಿಸುವುದು, Percona ಡೇಟಾಬೇಸ್‌ಗೆ ಸಂಪರ್ಕಪಡಿಸುವುದು ಮತ್ತು Chainguard ಸುರಕ್ಷಿತ ಸಂರಚನೆಯನ್ನು ಹೇಗೆ ರಚಿಸುವುದು ಎಂಬುದನ್ನು ತೋರಿಸುತ್ತದೆ. ಇದು ನಂತರ ಡೇಟಾಬೇಸ್ ಅನ್ನು ಪ್ರಶ್ನಿಸಲು ಮತ್ತು ಫಲಿತಾಂಶವನ್ನು ಮುದ್ರಿಸಲು LangChain ಅನ್ನು ಬಳಸುತ್ತದೆ.

**ಟಾಪ್ 5-10 ಹೆಚ್ಚು ಬಳಸಿದ ಆಜ್ಞೆಗಳು/ತುಣುಕುಗಳು**

ಈ ತಂತ್ರಜ್ಞಾನಕ್ಕಾಗಿ ಹೆಚ್ಚು ಬಳಸಿದ 5-10 ಕಮಾಂಡ್‌ಗಳು/ತುಣುಕುಗಳು ಇಲ್ಲಿವೆ:

1. `langchain.LLM(model_name="davinci:2-large", device="cuda", max_tokens=1024)` - LangChain LLM ನಿದರ್ಶನವನ್ನು ರಚಿಸಿ.
2. `mysql.connector.connect(user='username', password='password', host='127.0.0.1', database='database')` - Percona ಡೇಟಾಬೇಸ್ ಸಂಪರ್ಕವನ್ನು ರಚಿಸಿ.
3. `chainguard.Config(app_name="my_app", app_version="1.0", env_vars={"DB_HOST": "127.0.0.1", "DB_USER": "ಬಳಕೆದಾರಹೆಸರು", "DB_PASSWORD": "ಪಾಸ್‌ವರ್ಡ್"}) - ಸಂರಚನೆಯನ್ನು ಸುರಕ್ಷಿತಗೊಳಿಸಿ.
4. `llm.query(query, db=cnx, cfg=cfg)` - ಡೇಟಾಬೇಸ್ ಅನ್ನು ಪ್ರಶ್ನಿಸಲು LangChain ಬಳಸಿ.
5. `ಪ್ರಿಂಟ್(ಫಲಿತಾಂಶ)` - ಪ್ರಶ್ನೆಯ ಫಲಿತಾಂಶವನ್ನು ಮುದ್ರಿಸಿ.
6. `ಆಮದು ಲ್ಯಾಂಗ್‌ಚೈನ್` - ಲ್ಯಾಂಗ್‌ಚೈನ್ ಲೈಬ್ರರಿಯನ್ನು ಆಮದು ಮಾಡಿ.
7. `ಆಮದು mysql.connector` - ಪರ್ಕೋನಾ ಡೇಟಾಬೇಸ್ ಕನೆಕ್ಟರ್ ಅನ್ನು ಆಮದು ಮಾಡಿ.
8. `ಆಮದು ಚೈನ್‌ಗಾರ್ಡ್` - ಚೈನ್‌ಗಾರ್ಡ್ ಲೈಬ್ರರಿಯನ್ನು ಆಮದು ಮಾಡಿ.
9. `llm = LLM()` - ಮಾದರಿಯನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆಯೇ LangChain LLM ನಿದರ್ಶನವನ್ನು ರಚಿಸಿ.
10. `cnx = mysql.connector.connect()` - ಡೇಟಾಬೇಸ್ ಅನ್ನು ನಿರ್ದಿಷ್ಟಪಡಿಸದೆಯೇ ಪರ್ಕೋನಾ ಡೇಟಾಬೇಸ್ ಸಂಪರ್ಕವನ್ನು ರಚಿಸಿ.

**ದೃಶ್ಯೀಕರಣ**

Chart.js ಅನ್ನು ಬಳಸಿಕೊಂಡು ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್‌ನ ದೃಶ್ಯೀಕರಣ ಇಲ್ಲಿದೆ:
```json
{
  "ಪ್ರಕಾರ": "ಬಾರ್",
  "ಡೇಟಾ": {
    "ಲೇಬಲ್‌ಗಳು": ["ಪರ್ಕೋನಾ ಡೇಟಾಬೇಸ್", "ಚೈನ್‌ಗಾರ್ಡ್ ಸುರಕ್ಷಿತ ಕಾನ್ಫಿಗರೇಶನ್", "ಲ್ಯಾಂಗ್‌ಚೈನ್ LLM"],
    "ಡೇಟಾಸೆಟ್‌ಗಳು": [
      {
        "ಲೇಬಲ್": "ಭದ್ರತಾ ವೈಶಿಷ್ಟ್ಯಗಳು",
        "ಡೇಟಾ": [10, 8, 12],
        "backgroundColor": ["#FF6384", "#36A2EB", "#FFCE56"]
      }
    ]
  },
  "ಆಯ್ಕೆಗಳು": {
    "ಶೀರ್ಷಿಕೆ": {
      "ಪ್ರದರ್ಶನ": ನಿಜ,
      "ಪಠ್ಯ": "ಸುರಕ್ಷಿತ-ಪೂರ್ವನಿಯೋಜಿತ ಆರ್ಕಿಟೆಕ್ಚರ್"
    },
    "ಮಾಪಕಗಳು": {
      "yAxes": [
        {
          "ಉಣ್ಣಿ": {
            "beginAtZero": ನಿಜ
          }
        }
      ]
    }
  }
}

ಈ ದೃಶ್ಯೀಕರಣವು ಪರ್ಕೋನಾದ ಸುರಕ್ಷಿತ ತೆರೆದ ಮೂಲ ಡೇಟಾಬೇಸ್‌ಗಳು, ಚೈನ್‌ಗಾರ್ಡ್‌ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನ ಮತ್ತು ಲ್ಯಾಂಗ್‌ಚೈನ್‌ನ LLM ನ ಭದ್ರತಾ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ತೋರಿಸುತ್ತದೆ.

** ತೀರ್ಮಾನ **

AI-ಚಾಲಿತ ವೆಬ್ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು ಇಂದಿನ ಬೆದರಿಕೆಯ ಭೂದೃಶ್ಯದಲ್ಲಿ ನಿರ್ಣಾಯಕವಾಗಿದೆ. ಪರ್ಕೋನಾದ ಸುರಕ್ಷಿತ ಓಪನ್-ಸೋರ್ಸ್ ಡೇಟಾಬೇಸ್‌ಗಳನ್ನು Chainguard ನ ಸುರಕ್ಷಿತ-ಮೂಲಕ-ಡೀಫಾಲ್ಟ್ ವಿಧಾನದೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ ಮತ್ತು LangChain ನೊಂದಿಗೆ ಸಂಯೋಜಿಸುವ ಮೂಲಕ, ಸಂಭಾವ್ಯ AI- ಚಾಲಿತ ದಾಳಿಗಳನ್ನು ತಡೆದುಕೊಳ್ಳುವ ದೃಢವಾದ ಮತ್ತು ಸುರಕ್ಷಿತ ವಾಸ್ತುಶಿಲ್ಪವನ್ನು ನಾವು ರಚಿಸಬಹುದು. ಕೋಡ್ ಉದಾಹರಣೆಗಳು ಮತ್ತು ದೃಶ್ಯೀಕರಣಗಳನ್ನು ಒಳಗೊಂಡಂತೆ ಈ ಆರ್ಕಿಟೆಕ್ಚರ್ ಅನ್ನು ಹೇಗೆ ಕಾರ್ಯಗತಗೊಳಿಸಬೇಕು ಎಂಬುದರ ಕುರಿತು ಈ ಲೇಖನವು ಪ್ರಾಯೋಗಿಕ ಮಾರ್ಗದರ್ಶಿಯನ್ನು ಒದಗಿಸಿದೆ.