Tamil
உண்மையான நேர AI பார்வையில் தாமதத்தை கையாளுதல்: இடையூறு இல்லாத செயல்திறனைப் பெறுவதற்கான உத்திகள்
11.07 துருக
இன்றைய வேகமாக மாறும் டிஜிட்டல் சூழலில், நேரடி AI காட்சி அமைப்புகள் தொழில்களை மாற்றி அமைக்கின்றன - தன்னிச்சையாக இயக்கப்படும் வாகனங்கள் பிஸியான தெருக்களில் பயணிக்கும் போது, தொழிற்சாலை ரோபோட்கள் மைக்ரோசிப்களை ஆய்வு செய்கின்றன, மற்றும் புத்திசாலி பாதுகாப்பு கேமராக்கள் அச்சுறுத்தல்களை கண்டறிகின்றன, தொலைமருத்துவ கருவிகள் தொலைதூர நோய்க் கண்டறிதல்களை செயல்படுத்துகின்றன. இவை அனைத்திற்கும் அடிப்படையில் ஒரு முக்கியமான காரியம் உள்ளது: வேகம். ஒரு வினாடியின் ஒரு பகுதி தாமதம் அல்லது லேட்டென்சி, செயல்பாடுகளை பாதிக்கலாம், பாதுகாப்பை ஆபத்திற்குள்ளாக்கலாம், அல்லது தகவல்களை தொடர்பற்றதாக மாற்றலாம்.
மெய்நிகர் AI காட்சி தொடர்பான தாமதம் என்பது வெறும் சிரமமல்ல; இது நம்பகத்தன்மைக்கு ஒரு தடையாகும். எடுத்துக்காட்டாக, ஒரு தன்னியக்க கார், அதன் பாதையில் உள்ள ஒரு நடைபாதையை செயலாக்குவதற்கு 100 மில்லிசெகண்டுகள் அதிகமாக எடுத்தால், அது நேரத்தில் தடுப்பதற்கான வாய்ப்பை இழக்கலாம். ஒரு உற்பத்திAI அமைப்புமுடுக்கமான குறைபாடுகளை கண்டறியுவதில் தாமதம் ஏற்படுவது தவறான தயாரிப்புகளை வரிசையில் இருந்து வெளியேற்ற அனுமதிக்கலாம், இது ஆயிரக்கணக்கான நிதி இழப்புகளை ஏற்படுத்தும். இந்த வலைப்பதிவில், நாங்கள் நேரடி AI காட்சி தாமதத்தின் அடிப்படைக் காரணிகளை உடைக்கிறோம், அதை குறைக்க செயல்திறனுள்ள உத்திகளை ஆராய்கிறோம், மற்றும் வெற்றியின் உண்மையான உலக உதாரணங்களை வெளிப்படுத்துகிறோம்.
என்னது நேரடி AI பார்வையில் உள்ள தாமதம்?
Latency, in this context, refers to the total time elapsed from when a visual input (like a frame from a camera) is captured to when the AI system generates a usable output (such as a detection, classification, or decision). For a system to be “real-time,” this latency must be low enough to keep pace with the input speed—typically measured in milliseconds (ms) or frames per second (FPS).
I'm sorry, but it seems that you haven't provided any text to translate. Please provide the content you would like me to translate into Tamil.
• சுய இயக்க வாகனங்கள் திடீர் தடைகளை எதிர்கொள்ள 50ms க்குள் தாமதத்தை தேவைப்படுத்துகின்றன.
• தொழில்துறை ஆய்வு அமைப்புகள் உயர் வேக அசம்பிளி கோடுகளை பின்பற்ற 30ms அல்லது அதற்கு குறைவாக தேவைப்படலாம்.
• நேரலை வீடியோ பகுப்பாய்வு (எடுத்துக்காட்டாக, விளையாட்டு கண்காணிப்பு) பயனர்களுக்கு "உடனடி" என உணரப்படுவதற்கு 100ms க்குக் கீழ் தாமதத்தை தேவைப்படுகிறது.
முடிவுகள் இந்த எல்லைகளை மீறும்போது, அமைப்பு யதார்த்தத்துடன் ஒத்திசைவு இழக்கிறது. AI இன் வெளியீடு பழமையானதாக மாறுகிறது, இது தவறுகள், செயல்திறனின்மை அல்லது கூடவே ஆபத்துக்கு வழிவகுக்கிறது.
உண்மையான நேர AI காட்சி மந்தத்திற்கான அடிப்படை காரணங்கள்
தாமதத்தை தீர்க்க, முதலில் அது எங்கு புகுந்து கொண்டிருக்கிறது என்பதை அடையாளம் காண வேண்டும். ஒரு நேரடி AI காட்சி குழாய்க்கு நான்கு முக்கிய கட்டங்கள் உள்ளன, ஒவ்வொன்றும் தாமதத்தின் சாத்தியமான மூலமாகும்:
1. தரவுப் பிடிப்பு & பரிமாற்றம்
இந்த செயல்முறை காட்சி தரவுகளைப் பிடிப்பதன் மூலம் தொடங்குகிறது (எடுத்துக்காட்டாக, கேமரா, LiDAR, அல்லது சென்சார்கள் மூலம்). இங்கு தாமதம் வருவதற்கான காரணங்கள்:
• குறைந்த கேமரா ஃபிரேம் வீதங்கள்: மெதுவான ஷட்டர் வேகங்கள் அல்லது வரையறுக்கப்பட்ட FPS (எடுத்துக்காட்டாக, 15 FPS மற்றும் 60 FPS) கொண்ட கேமராக்கள் குறைவான ஃபிரேம்களைப் பிடிக்கின்றன, இதனால் தரவுகளில் இடைவெளிகள் உருவாகின்றன.
• பரிமாணக் கட்டுப்பாடுகள்: உயர் தீர்மானம் கொண்ட படங்கள் (4K அல்லது 8K) கேமராவிலிருந்து AI செயலி வரை அனுப்புவதற்கு முக்கியமான பரிமாணத்தை தேவைப்படுத்துகின்றன. வயர்லெஸ் அமைப்புகளில் (எடுத்துக்காட்டாக, ட்ரோன்கள்), இடையூறுகள் அல்லது பலவீனமான சிக்னல்கள் தாமதங்களை மோசமாக்குகின்றன.
• உருப்படியின் வரம்புகள்: மலிவான அல்லது பழைய சென்சார்கள் ஒளியை டிஜிட்டல் தரவாக மாற்றுவதற்கு அதிக நேரம் எடுத்துக்கொள்ளலாம் (அனலாக்-டூ-டிஜிட்டல் மாற்றம் தாமதம்).
2. முன் செயலாக்கம்
மூல காட்சி தரவுகள் AI மாதிரிகளுக்கு எப்போதும் தயாராக இருக்காது. இது பெரும்பாலும் சுத்தம் செய்யப்பட வேண்டும், அளவுகளை மாற்ற வேண்டும், அல்லது சாதாரணமாக்க வேண்டும். தாமதத்தை உருவாக்கும் பொதுவான முன் செயலாக்க படிகள் உள்ளன:
• படத்தை மறுசீரமைப்பு/அளவீடு: உயர் தீர்மான படங்கள் (எடுத்துக்காட்டாக, 4096x2160 பிக்சல்கள்) மாதிரி உள்ளீட்டு தேவைகளை பூர்த்தி செய்ய (எடுத்துக்காட்டாக, 640x640) குறைக்கப்பட வேண்டும், இது கணினி அடிப்படையிலான கடுமையான வேலை.
• சத்தத்தை குறைத்தல்: சென்சார் சத்தத்தை அகற்றுவதற்கான வடிகட்டிகள் (காஸியன் மங்கலாக்கம் போன்றவை) செயலாக்க நேரத்தை சேர்க்கின்றன, குறிப்பாக குறைந்த ஒளி அல்லது தானியங்கி படங்களுக்கு.
• வடிவ மாற்றம்: கேமரா-சிறப்பு வடிவங்களில் இருந்து (எடுத்துக்காட்டாக, RAW) மாதிரி-நண்பகமான வடிவங்களுக்கு (எடுத்துக்காட்டாக, RGB) தரவுகளை மாற்றுவது, சரியான முறையில் மேம்படுத்தப்படாவிட்டால், தாமதத்தை உருவாக்கலாம்.
3. மாதிரி ஊகிப்பு
இது அமைப்பின் "மூளை", அங்கு AI மாதிரி (எடுத்துக்காட்டாக, YOLO அல்லது Faster R-CNN போன்ற CNN) முன் செயலாக்கப்பட்ட தரவுகளை பகுப்பாய்வு செய்கிறது. கருத்து வெளியீடு பெரும்பாலும் மிகுந்த தாமதத்தை ஏற்படுத்தும் காரணமாக:
• மாதிரி சிக்கலானது: பெரிய, மிகவும் துல்லியமான மாதிரிகள் (எடுத்துக்காட்டாக, மில்லியன்கள் அளவிலான அளவீடுகளுடன் கூடிய பார்வை மாற்றிகள்) அதிக கணக்கீடுகளை தேவைப்படுத்துகின்றன, இது வெளியீட்டை மெதுவாக்குகிறது.
• அதிக செயல்திறனை கொண்ட ஹார்ட்வேர்கள்: பொதுவான CPU களில் (சிறப்பு சிப்புகளைப் பதிலாக) சிக்கலான மாதிரிகளை இயக்குவது தடைகளை உருவாக்குகிறது—CPU கள் AI மாதிரிகள் தேவைப்படும் பங்கீட்டு கணிதத்திற்கு வடிவமைக்கப்படவில்லை.
• அனுகூலிக்கப்படாத மென்பொருள்: மோசமாக குறியீட்டமைக்கப்பட்ட ஊகிப்பான் இயந்திரங்கள் அல்லது அனுகூலிக்கப்படாத மாதிரி கட்டமைப்புகள் (எடுத்துக்காட்டாக, மீதமுள்ள அடுக்குகள்) செயலாக்க சக்தியை வீணாக்குகின்றன.
4. பிறகு செயலாக்கம் & முடிவெடுத்தல்
Inference முடிந்த பிறகு, AI இன் வெளியீடு (எடுத்துக்காட்டாக, “பாதசாரி கண்டுபிடிக்கப்பட்டது”) செயலாக மொழிபெயர்க்கப்பட வேண்டும். இங்கு தாமதம் வருவதற்கான காரணம்:
• தரவுகள் ஒருங்கிணைப்பு: பல மாதிரிகளின் முடிவுகளை (எடுத்துக்காட்டாக, கேமரா மற்றும் LiDAR தரவுகளை இணைத்தல்) ஒருங்கிணைக்காதால், முடிவுகளை எடுக்க தாமதமாகலாம்.
• தொடர்பு தாமதங்கள்: மெதுவான நெட்வொர்க்களில் (எடுத்துக்காட்டாக, Wi-Fi) ஒரு கட்டுப்பாட்டு அமைப்புக்கு (எடுத்துக்காட்டாக, ஒரு ரோபோட் கையை நிறுத்த சொல்லுதல்) முடிவுகளை அனுப்புவது தாமதத்தை சேர்க்கிறது.
உண்மையான நேர AI காட்சி குறைவதற்கான உத்திகள்
முடிவுகளைச் சமாளிக்க ஒரு முழுமையான அணுகுமுறை தேவை—ஹார்ட்வேர் முதல் மென்பொருள் வரை, குழாயின் ஒவ்வொரு கட்டத்தையும் மேம்படுத்துவது. இங்கே சான்றிதழ் பெற்ற உத்திகள் உள்ளன:
1. வேகத்திற்கு உகந்த ஹார்ட்வேர் மேம்படுத்தவும்
சரியான ஹார்ட்வேர் மூலத்தில் தாமதத்தை குறைக்க முடியும்:
• சிறப்பு AI வேகப்படுத்திகள் பயன்படுத்தவும்: GPUs (NVIDIA Jetson), TPUs (Google Coral), அல்லது FPGAs (Xilinx) ஆகியவை இணை செயலாக்கத்திற்காக வடிவமைக்கப்பட்டுள்ளன, CPU களுடன் ஒப்பிடும்போது 10 மடங்கு அல்லது அதற்கு மேல் முன்னெண்ணிக்கையை வேகமாக்குகின்றன. எடுத்துக்காட்டாக, NVIDIA இன் Jetson AGX Orin 200 TOPS (டிரில்லியன் செயல்பாடுகள் ஒரு விநாடிக்கு) AI செயல்திறனை வழங்குகிறது, இது ட்ரோன்கள் போன்ற எட்ஜ் சாதனங்களுக்கு ஏற்றது.
• எட்ஜ் கணினியைக் பயன்படுத்துங்கள்: தரவுகளை கிளவுட் க்கு அனுப்புவதற்குப் பதிலாக உள்ளூர் (அந்த சாதனத்தில்) செயலாக்குவது நெட்வொர்க் தாமதங்களை நீக்குகிறது. எட்ஜ் ஏஐ தளங்கள் (எடுத்துக்காட்டாக, AWS Greengrass, Microsoft Azure IoT Edge) மாதிரிகளை இடத்தில் இயக்க அனுமதிக்கின்றன, சுற்றுப்பயண நேரங்களை விநாடிகளிலிருந்து மில்லிசெகண்டுகளாக குறைக்கின்றன.
• அதிகரிப்பு சென்சார்கள்: உயர் வேக கேமரா (120+ FPS) மற்றும் குறைந்த தாமத சென்சார்கள் (எடுத்துக்காட்டாக, உலகளாவிய ஷட்டர் கேமரா, முழு ஃபிரேம்களை ஒரே நேரத்தில் பிடிக்கும்) பிடிப்பு தாமதங்களை குறைக்கின்றன.
2. எளிதாக்கவும் மற்றும் AI மாதிரிகளை மேம்படுத்தவும்
ஒரு சிறிய, மேலும் திறமையான மாதிரி, துல்லியத்தை இழக்காமல், கணிப்புத் நேரத்தை குறைக்கிறது:
• மாதிரி அளவீடு: 32-பிட் மிதக்கும் புள்ளி மாதிரி எடைகளை 16-பிட் அல்லது 8-பிட் முழு எண்களாக மாற்றவும். இது மாதிரி அளவை 50-75% குறைக்கிறது மற்றும் கணிப்புகளை வேகமாக்குகிறது, ஏனெனில் குறைந்த துல்லியம் குறைவான கணக்கீடுகளை தேவைப்படுகிறது. TensorFlow Lite மற்றும் PyTorch Quantization போன்ற கருவிகள் இதை எளிதாக்குகின்றன.
• கழிப்பு: மாதிரியில் மீதமுள்ள நரம்புகள் அல்லது அடுக்குகளை அகற்று. எடுத்துக்காட்டாக, ஒரு CNN இன் 30% வடிகட்டிகளை கழிப்பது மூலம் 25% தாமதத்தை குறைக்கலாம், அதே சமயம் துல்லியத்தை முதன்மை மாதிரியின் 1-2% உள்ளே வைத்திருக்கலாம்.
• அறிவு சுருக்கம்: ஒரு பெரிய “ஆசிரியர்” மாதிரியை நகலெடுக்க ஒரு சிறிய “மாணவர்” மாதிரியை பயிற்சி செய்யவும். மாணவர் ஆசிரியரின் துல்லியத்தின் பெரும்பாலானதை காப்பாற்றுகிறது ஆனால் மிகவும் வேகமாக செயல்படுகிறது. கூகிளின் MobileNet மற்றும் EfficientNet சுருக்கமான மாதிரிகளின் பிரபலமான எடுத்துக்காட்டுகள்.
3. முன்னணி செயலாக்கத்தை எளிமைப்படுத்து
மாதிரி செயல்திறனை பாதிக்காமல் தாமதங்களை குறைக்க முன் செயலாக்கத்தை எளிதாக்கவும்:
• Resize smarter: Use adaptive resizing (e.g., downscaling only non-critical regions of an image) instead of resizing the entire frame.
• பரப்பளவுகளை ஒரே நேரத்தில் செயல்படுத்தவும்: முன்னணி செயல்முறைகளை (அளவுகளை மாற்றுதல், சத்தத்தை குறைத்தல்) ஒரே நேரத்தில் இயக்க multi-threading அல்லது GPU-வழங்கிய நூலகங்களை (எடுத்துக்காட்டாக, CUDA ஆதரவுடன் OpenCV) பயன்படுத்தவும்.
• அவசியமில்லாத படிகளை தவிர்க்கவும்: குறைந்த ஒளி காட்சிகளுக்கு, பாரம்பரிய வடிகட்டிகளைப் பதிலாக AI அடிப்படையிலான சத்தம் நீக்கத்தை (எடுத்துக்காட்டாக, NVIDIA இன் நேரடி சத்தம் நீக்குதல்) பயன்படுத்தவும் - இது வேகமாகவும், மேலும் பயனுள்ளதாகவும் உள்ளது.
4. முன்னெண்ணல் இயந்திரங்களை மேம்படுத்தவும்
ஒரு நன்கு வடிவமைக்கப்பட்ட மாதிரியும், ஒரு தடுமாறிய முன்னெண்ணல் இயந்திரத்தில் இயக்கப்படும் போது பின்னடைவு அடையலாம். செயல்பாட்டை மேம்படுத்தும் கருவிகளை பயன்படுத்தவும்:
• TensorRT (NVIDIA): NVIDIA GPU களுக்காக மாதிரிகளை ஒருங்கிணைத்து, துல்லியத்தை குறைத்து, கெர்னல் ஆட்டோ-ட்யூனிங் பயன்படுத்தி மேம்படுத்துகிறது. இது CNN களுக்காக 2-5 மடங்கு முன்னெச்சரிக்கையை வேகமாக்கலாம்.
• ONNX Runtime: PyTorch, TensorFlow மற்றும் மேலும் உள்ள மாதிரிகளுடன் வேலை செய்யும் ஒரு குறுக்கு-தள இயந்திரம். இது வேகத்தை அதிகரிக்க கிராப் மேம்பாடுகளை (எடுத்துக்காட்டாக, மீண்டும் மீண்டும் செய்யப்படும் செயல்களை நீக்குதல்) பயன்படுத்துகிறது.
• TFLite (TensorFlow Lite): எல்லை சாதனங்களுக்கு வடிவமைக்கப்பட்ட TFLite, மாதிரிகளை சுருக்கி, தாமதத்தை குறைக்க ஹார்ட்வேரை வேகமாக்குதலுக்குப் பயன்படுத்துகிறது (எடுத்துக்காட்டாக, Android நரம்பியல் நெட்வொர்க் API).
5. குறைந்த தாமத தொடர்புக்கு கட்டிடக்கலைஞர்
தரவை அமைப்பு கூறுகளுக்கு இடையே சீராக ஓடுவதற்கு உறுதி செய்யவும்:
• குறைந்த தாமதமான நெறிமுறைகளைப் பயன்படுத்தவும்: HTTP-ஐ MQTT அல்லது WebRTC-ஆக மாற்றவும், நேரடி தரவுப் பரிமாற்றத்திற்கு—இந்த நெறிமுறைகள் நம்பகத்தன்மையை விட வேகத்தை முன்னுரிமை அளிக்கின்றன (முக்கியமற்ற தரவுக்கு ஏற்ற வரம்பு).
• எட்ஜ்-கிளவுட் ஹைபிரிட் மாதிரிகள்: கடுமையான கணக்கீட்டிற்கான பணிகளுக்கு (எடுத்துக்காட்டாக, 3D பொருள் கண்காணிப்பு), நேரம் முக்கியமல்லாத வேலைகளை கிளவுடுக்கு ஒப்படைத்து, நேரடி முடிவுகளை எட்ஜில் வைத்திருக்கவும்.
• முக்கிய தரவுகளை முன்னுரிமை அளிக்கவும்: பல கேமரா அமைப்புகளில், உயர் ஆபத்து பகுதிகளை கண்காணிக்கும் கேமராக்களுக்கு (எடுத்துக்காட்டாக, ஒரு தொழிற்சாலையின் கான்வெயர் பெல்ட்) அதிக பாண்ட்விட்த் ஒதுக்கவும், அவர்களின் தாமதத்தை குறைக்கவும்.
உண்மையான உலக வெற்றிக்கதைಗಳು
நாம் நிறுவனங்கள் நேரடி AI பார்வையில் தாமதத்தை எவ்வாறு கையாள்ந்துள்ளன என்பதைப் பார்ப்போம்:
• Waymo (தன்னியக்க ஓட்டம்): Waymo, TensorRT-ஐ மேம்படுத்திய மாதிரிகளை தனிப்பயன் TPUs உடன் இணைத்து, 100ms-இல் இருந்து 30ms-க்கு குறைத்துள்ளது. அவர்கள் மேக தாமதங்களை தவிர்க்க எட்ஜ் செயலாக்கத்தைப் பயன்படுத்துகிறார்கள், இதனால் அவர்களின் வாகனங்கள் நடைபாதை அல்லது சைக்கிள் ஓட்டுநர்களுக்கு உடனடியாக எதிர்வினை செய்கின்றன.
• Foxconn (உற்பத்தி): மின்சார மாபெரும் நிறுவனமானது ஸ்மார்ட்போன் திரைகளைக் கண்காணிக்க FPGA-ஐ வேகமாக்கிய AI காட்சி அமைப்புகளை பயன்படுத்தியது. தங்கள் குறை கண்டறிதல் மாதிரியை சுருக்கி, சமநிலையாக்க முன் செயலாக்கத்தைப் பயன்படுத்துவதன் மூலம், 80ms-இல் இருந்து 25ms-க்கு தாமதத்தை குறைத்தனர், உற்பத்தி வரிசையின் வேகத்தை இரட்டிப்பாக்கினர்.
• AXIS Communications (அணுகல் கேமரா): AXIS இன் AI சக்தியுள்ள கேமரா TFLite மற்றும் எட்ஜ் செயலாக்கத்தை பயன்படுத்தி உண்மையான நேரத்தில் புகுந்தவர்களை கண்டறிகிறது. அவர்களின் பொருள் கண்டறிதல் மாதிரியை 8-பிட் துல்லியத்திற்கு அளவீடு செய்வதன் மூலம், 98% துல்லியத்தை பராமரிக்கும்போது 40% தாமதத்தை குறைத்தனர்.
எதிர்கால நெறிகள்: குறைந்த தாமத AI பார்வைக்கு அடுத்தது என்ன?
எப்படி AI கண்ணோட்டம் வளர்கிறது, புதிய தொழில்நுட்பங்கள் இன்னும் குறைந்த தாமதத்தை வாக்குறுதி செய்கின்றன:
• நரம்பியல் கணினி: மனித மூளையின் திறனை நகலெடுக்க வடிவமைக்கப்பட்ட சிப்புகள் (எடுத்துக்காட்டாக, இன்டெல் லொஹி) குறைந்த சக்தி மற்றும் தாமதத்துடன் காட்சி தரவுகளை செயலாக்க முடியும்.
• செயல்பாட்டு மாதிரி மாறுதல்: சூழ்நிலையை அடிப்படையாகக் கொண்டு (எடுத்துக்காட்டாக, காலியான சாலைகளுக்கு சிறிய மாதிரியை, பிஸியான சந்திப்புகளுக்கு பெரிய மாதிரியைப் பயன்படுத்துவது) தானாகவே சிறிய (வேகமான) மற்றும் பெரிய (துல்லியமான) மாதிரிகள் மாறும் அமைப்புகள்.
• AI-இயங்கும் முன் செயலாக்கம்: முக்கியமான காட்சி தரவுகளை முன்னுரிமை அளிக்க கற்றுக்கொள்ளும் மாதிரிகள் (எடுத்துக்காட்டாக, வானத்தைப் பதிலாக கார் பிரேக் விளக்குகளை மையமாகக் கொண்டு) செயலாக்கப்படும் தரவின் அளவைக் குறைக்க.
தீர்வு
Latency is the Achilles’ heel of real-time AI vision, but it’s far from insurmountable. By addressing delays at every stage—from data capture to inference—organizations can build systems that are fast, reliable, and fit for purpose. Whether through hardware upgrades, model optimization, or smarter preprocessing, the key is to prioritize speed without sacrificing accuracy.
உண்மையான நேரத்தில் செயற்கை நுண்ணறிவு பார்வை சுகாதாரம், போக்குவரத்து மற்றும் உற்பத்தி போன்ற தொழில்களுக்கு மேலும் முக்கியமாக மாறுவதற்காக, தாமதத்தை கையாள்வது என்பது வெறும் செயல்படும் அமைப்புகள் மற்றும் எவ்வாறு நாம் வாழ்கிறோம் மற்றும் வேலை செய்கிறோம் என்பதைக் புரட்டும் அமைப்புகளுக்கு இடையிலான வேறுபாடு ஆக இருக்கும்.
AI பார்வை குழாய்களில் தாமதத்தை குறைக்க தயாரா? சிறிது சிறிதாக தொடங்குங்கள்: உங்கள் தற்போதைய குழாய்களை மதிப்பீடு செய்து தடைகளை அடையாளம் காணுங்கள், பின்னர் ஒரு மேம்பாட்டை (எடுத்துக்காட்டாக, உங்கள் மாதிரியை அளவீடு செய்வது அல்லது ஒரு எட்ஜ் ஆக்சலரேட்டருக்கு மாறுவது) சோதிக்கவும். முடிவுகள் உங்களை ஆச்சரியப்படுத்தலாம்.
தொடர்பு
உங்கள் தகவலை விட்டு நாங்கள் உங்களை தொடர்பு கொள்ளுவோம்.
WhatsApp
WeChat