ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ: ਜਤਨ ਰਹਿਤ ਬੁੱਧੀ
ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ: ਜਤਨ ਰਹਿਤ ਬੁੱਧੀ
ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ: ਜਤਨ ਰਹਿਤ ਬੁੱਧੀ
- ਲੇਖਕ ਬਾਰੇ:
- ਮਾਰਚ 5, 2024
ਇਨਸਾਈਟ ਸੰਖੇਪ
ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (AutoML) ML ਮਾਡਲਾਂ ਨੂੰ ਵਿਕਸਿਤ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨੂੰ ਬਦਲ ਰਹੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਰਤੋਂਕਾਰਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਇਸ ਤਕਨਾਲੋਜੀ ਨਾਲ ਜੁੜਨਾ ਆਸਾਨ ਹੋ ਜਾਂਦਾ ਹੈ। ਦੁਹਰਾਉਣ ਵਾਲੇ ਅਤੇ ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਾਲਤ ਕਰਕੇ, AutoML ਉਦਯੋਗਾਂ, ਨੌਕਰੀ ਦੀਆਂ ਭੂਮਿਕਾਵਾਂ, ਅਤੇ ਵਿਦਿਅਕ ਲੋੜਾਂ ਨੂੰ ਮੁੜ ਆਕਾਰ ਦੇ ਰਿਹਾ ਹੈ, ਡਾਟਾ ਵਿਗਿਆਨ ਨੂੰ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਅਤੇ ਕੁਸ਼ਲ ਬਣਾਉਂਦਾ ਹੈ। ਇਸ ਤਕਨਾਲੋਜੀ ਦਾ ਪ੍ਰਭਾਵ ਨਵੀਨਤਾ ਦੇ ਲੋਕਤੰਤਰੀਕਰਨ ਅਤੇ ਕਾਰੋਬਾਰਾਂ ਨੂੰ ਬਦਲਣ ਤੋਂ ਲੈ ਕੇ ਮਹੱਤਵਪੂਰਨ ਨੈਤਿਕ ਅਤੇ ਗੋਪਨੀਯਤਾ ਵਿਚਾਰਾਂ ਨੂੰ ਵਧਾਉਣ ਤੱਕ ਫੈਲਿਆ ਹੋਇਆ ਹੈ।
ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ (AutoML) ਸੰਦਰਭ
ਮਸ਼ੀਨ ਲਰਨਿੰਗ (ML) ਮਾਡਲ ਬਣਾਉਣ ਲਈ ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ ਐਲਗੋਰਿਦਮ, ਡਾਟਾ ਪ੍ਰੀਪ੍ਰੋਸੈਸਿੰਗ, ਅਤੇ ਫੀਚਰ ਇੰਜੀਨੀਅਰਿੰਗ ਦੀ ਡੂੰਘੀ ਸਮਝ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ। ਸਵੈਚਲਿਤ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ML ਮਾਡਲਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਉਪਭੋਗਤਾਵਾਂ ਦੀ ਇੱਕ ਵਿਸ਼ਾਲ ਸ਼੍ਰੇਣੀ ਲਈ ਵਧੇਰੇ ਪਹੁੰਚਯੋਗ ਬਣਾ ਕੇ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਲ ਬਣਾਉਂਦੀ ਹੈ। ਮੁੱਖ ਵਿਚਾਰ ਦੁਹਰਾਉਣ ਵਾਲੇ ਕੰਮਾਂ ਨੂੰ ਸਵੈਚਲਿਤ ਕਰਨਾ ਹੈ ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਸਮਾਂ ਲੈਣ ਵਾਲੇ ਹੁੰਦੇ ਹਨ, ਜਿਵੇਂ ਕਿ ਐਲਗੋਰਿਦਮ ਦੀ ਚੋਣ ਕਰਨਾ, ਪੈਰਾਮੀਟਰਾਂ ਨੂੰ ਟਿਊਨ ਕਰਨਾ, ਅਤੇ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਜਾਂਚ ਕਰਨਾ।
ਆਟੋਐਮਐਲ ਵਿਸ਼ੇਸ਼ਤਾਵਾਂ ਵਾਲੇ ਪਲੇਟਫਾਰਮ ਦੀ ਇੱਕ ਉਦਾਹਰਣ ਮਾਈਕ੍ਰੋਸਾੱਫਟ ਦੀ ਅਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਹੈ, ਜੋ ਕਿ ਕਈ ਪਾਈਪਲਾਈਨਾਂ ਬਣਾਉਂਦੀ ਹੈ ਜੋ ਵੱਖ-ਵੱਖ ਐਲਗੋਰਿਦਮ ਅਤੇ ਪੈਰਾਮੀਟਰਾਂ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਦੀਆਂ ਹਨ। ਇਸ ਆਟੋਮੇਸ਼ਨ ਵਿੱਚ ਸਿਸਟਮ ਨੂੰ ਦੁਹਰਾਉਣ ਨਾਲ ਵੱਖ-ਵੱਖ ਸੰਜੋਗਾਂ ਨੂੰ ਅਜ਼ਮਾਉਣਾ ਅਤੇ ਪੂਰਵ-ਪ੍ਰਭਾਸ਼ਿਤ ਮਾਪਦੰਡਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਡੇਟਾ ਨੂੰ ਸਭ ਤੋਂ ਵਧੀਆ ਫਿੱਟ ਕਰਨ ਵਾਲੇ ਇੱਕ ਨੂੰ ਚੁਣਨਾ ਸ਼ਾਮਲ ਹੁੰਦਾ ਹੈ। ਉਦੇਸ਼ ਉਪਭੋਗਤਾ ਨੂੰ ਹਰੇਕ ਸੰਭਾਵੀ ਹੱਲ ਨੂੰ ਹੱਥੀਂ ਐਡਜਸਟ ਕਰਨ ਅਤੇ ਟੈਸਟ ਕਰਨ ਦੀ ਲੋੜ ਤੋਂ ਬਿਨਾਂ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਮਾਡਲ ਲੱਭਣਾ ਹੈ। ਅਜ਼ੂਰ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਕੋਡ-ਅਨੁਭਵੀ ਉਪਭੋਗਤਾਵਾਂ ਅਤੇ ਉਹਨਾਂ ਲੋਕਾਂ ਲਈ ਵਿਕਲਪ ਪ੍ਰਦਾਨ ਕਰਦੀ ਹੈ ਜੋ ਬਿਨਾਂ ਕੋਡ ਵਾਲੀ ਪਹੁੰਚ ਨੂੰ ਤਰਜੀਹ ਦਿੰਦੇ ਹਨ, ਵੱਖ-ਵੱਖ ਤਰਜੀਹਾਂ ਅਤੇ ਹੁਨਰ ਪੱਧਰਾਂ ਨੂੰ ਅਨੁਕੂਲਿਤ ਕਰਦੇ ਹੋਏ।
ਆਟੋਐਮਐਲ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨ ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ ਵਿੱਚ ਵਿਭਿੰਨ ਅਤੇ ਪਰਿਵਰਤਨਸ਼ੀਲ ਹਨ, ਜਿਸ ਵਿੱਚ ਵਰਗੀਕਰਨ, ਰਿਗਰੈਸ਼ਨ, ਪੂਰਵ ਅਨੁਮਾਨ, ਕੰਪਿਊਟਰ ਵਿਜ਼ਨ, ਅਤੇ ਕੁਦਰਤੀ ਭਾਸ਼ਾ ਪ੍ਰੋਸੈਸਿੰਗ ਸ਼ਾਮਲ ਹਨ। ਵਰਗੀਕਰਨ ਵਿੱਚ, ਆਟੋਐਮਐਲ ਧੋਖਾਧੜੀ ਦਾ ਪਤਾ ਲਗਾਉਣ ਜਾਂ ਹੱਥ ਲਿਖਤ ਪਛਾਣ ਵਿੱਚ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ, ਜਦੋਂ ਕਿ ਰੀਗਰੈਸ਼ਨ ਵਿੱਚ, ਇਹ ਆਟੋਮੋਬਾਈਲ ਦੀਆਂ ਕੀਮਤਾਂ ਵਰਗੇ ਸੰਖਿਆਤਮਕ ਮੁੱਲਾਂ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਰਨ ਵਿੱਚ ਸਹਾਇਤਾ ਕਰ ਸਕਦਾ ਹੈ। ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ML ਸਮੱਸਿਆਵਾਂ ਲਈ AutoML ਦੀ ਅਨੁਕੂਲਤਾ ਇਸਦੀ ਲਚਕਤਾ ਅਤੇ ਵਿਆਪਕ ਪ੍ਰਭਾਵ ਦੀ ਸੰਭਾਵਨਾ ਦਾ ਪ੍ਰਮਾਣ ਹੈ। ਆਟੋਐਮਐਲ ਨਾ ਸਿਰਫ਼ ਸਮੇਂ ਅਤੇ ਸਰੋਤਾਂ ਦੀ ਬਚਤ ਕਰਦਾ ਹੈ, ਸਗੋਂ ਸਾਰੇ ਉਦਯੋਗਾਂ ਵਿੱਚ ਚੁਸਤ ਸਮੱਸਿਆ-ਹੱਲ ਕਰਨ ਦੀ ਸਹੂਲਤ ਦਿੰਦੇ ਹੋਏ, ਇੱਕ ਵਿਸ਼ਾਲ ਦਰਸ਼ਕਾਂ ਦੀ ਪਹੁੰਚ ਵਿੱਚ ਡਾਟਾ ਵਿਗਿਆਨ ਦੇ ਵਧੀਆ ਅਭਿਆਸਾਂ ਨੂੰ ਵੀ ਲਿਆਉਂਦਾ ਹੈ।
ਵਿਘਨਕਾਰੀ ਪ੍ਰਭਾਵ
ਆਟੋਐਮਐਲ ਦੀ ਵਿਆਪਕ ਗੋਦ ਲੈਣ ਨਾਲ ਨੌਕਰੀ ਦੇ ਹੁਨਰ ਅਤੇ ਰੁਜ਼ਗਾਰ ਦੇ ਲੈਂਡਸਕੇਪ ਨੂੰ ਮਹੱਤਵਪੂਰਨ ਰੂਪ ਵਿੱਚ ਬਦਲ ਸਕਦਾ ਹੈ। ਉਦਯੋਗਾਂ ਵਿੱਚ ਜਿੱਥੇ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਮਹੱਤਵਪੂਰਨ ਹੁੰਦਾ ਹੈ, ਰਵਾਇਤੀ ਡੇਟਾ ਵਿਗਿਆਨੀਆਂ ਦੀ ਮੰਗ ਉਹਨਾਂ ਵੱਲ ਬਦਲ ਸਕਦੀ ਹੈ ਜੋ ਆਟੋਐਮਐਲ ਪ੍ਰਕਿਰਿਆਵਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਅਤੇ ਵਿਆਖਿਆ ਕਰ ਸਕਦੇ ਹਨ। ਇਹ ਬਦਲਾਅ ਕੋਡਿੰਗ ਅਤੇ ਐਲਗੋਰਿਦਮ ਵਿਕਾਸ ਦੀਆਂ ਜਟਿਲਤਾਵਾਂ ਨੂੰ ਜਾਣੇ ਬਿਨਾਂ ML ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਦੀ ਮਹੱਤਤਾ 'ਤੇ ਜ਼ੋਰ ਦਿੰਦੇ ਹੋਏ ਭੂਮਿਕਾਵਾਂ ਅਤੇ ਹੁਨਰਾਂ ਦੀ ਮੁੜ ਪਰਿਭਾਸ਼ਾ ਵੱਲ ਅਗਵਾਈ ਕਰ ਸਕਦਾ ਹੈ। ਇਹ ਰੁਝਾਨ ਪਿਛੋਕੜ ਦੀ ਵਧੇਰੇ ਵਿਭਿੰਨ ਸ਼੍ਰੇਣੀ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਲਈ ਡੇਟਾ ਵਿਗਿਆਨ ਵਿੱਚ ਮੌਕੇ ਖੋਲ੍ਹ ਸਕਦਾ ਹੈ।
ਕੰਪਨੀਆਂ ਲਈ, ਆਟੋਐਮਐਲ ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨ ਨਾਲ ਸਰੋਤਾਂ ਦੀ ਵਧੇਰੇ ਕੁਸ਼ਲ ਵਰਤੋਂ ਅਤੇ ਤੇਜ਼ ਨਵੀਨਤਾ ਹੋ ਸਕਦੀ ਹੈ। ਕਾਰੋਬਾਰ ਮਾਡਲਾਂ ਦਾ ਹੋਰ ਆਸਾਨੀ ਨਾਲ ਲਾਭ ਉਠਾ ਸਕਦੇ ਹਨ, ਜਿਸ ਨਾਲ ਉਹ ਡਾਟਾ-ਅਧਾਰਿਤ ਫੈਸਲੇ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਕਰ ਸਕਦੇ ਹਨ। ਇਸ ਕੁਸ਼ਲਤਾ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਇੱਕ ਪ੍ਰਤੀਯੋਗੀ ਫਾਇਦਾ ਹੋ ਸਕਦਾ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਛੋਟੇ ਅਤੇ ਮੱਧਮ ਆਕਾਰ ਦੇ ਉੱਦਮਾਂ ਲਈ ਜਿਨ੍ਹਾਂ ਨੂੰ ਪਹਿਲਾਂ ਰਵਾਇਤੀ ML ਦੀ ਲਾਗਤ ਪ੍ਰਤੀਬੰਧਿਤ ਲੱਗਦੀ ਸੀ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਮਾਡਲਾਂ ਨੂੰ ਤੇਜ਼ੀ ਨਾਲ ਤੈਨਾਤ ਕਰਨ ਦੀ ਯੋਗਤਾ ਨਵੇਂ ਉਤਪਾਦਾਂ ਅਤੇ ਸੇਵਾਵਾਂ ਦੇ ਵਿਕਾਸ ਨੂੰ ਤੇਜ਼ ਕਰ ਸਕਦੀ ਹੈ।
ਇਸ ਤੋਂ ਇਲਾਵਾ, ਇਹ ਤਕਨਾਲੋਜੀ ਜਨਤਕ ਸੇਵਾਵਾਂ ਦੀ ਕੁਸ਼ਲਤਾ ਨੂੰ ਵਧਾ ਸਕਦੀ ਹੈ, ਜਿਵੇਂ ਕਿ ਸ਼ਹਿਰੀ ਯੋਜਨਾਬੰਦੀ ਜਾਂ ਸਿਹਤ ਸੰਭਾਲ ਲਈ ਵਧੇਰੇ ਸਟੀਕ ਭਵਿੱਖਵਾਣੀ ਮਾਡਲ। ਇਸ ਤੋਂ ਇਲਾਵਾ, ਆਟੋਐਮਐਲ ਟੂਲਜ਼ ਦੀ ਵਧੀ ਹੋਈ ਪਹੁੰਚਯੋਗਤਾ ਸਰਕਾਰਾਂ ਨੂੰ ਨੀਤੀ ਬਣਾਉਣ ਲਈ ਵੱਡੇ ਡੇਟਾਸੈਟਾਂ ਦਾ ਬਿਹਤਰ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨ ਦੇ ਯੋਗ ਬਣਾ ਸਕਦੀ ਹੈ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਸੂਚਿਤ ਫੈਸਲੇ ਲਏ ਜਾਂਦੇ ਹਨ।
ਆਟੋਮੇਟਿਡ ਮਸ਼ੀਨ ਲਰਨਿੰਗ ਦੇ ਪ੍ਰਭਾਵ
AutoML ਦੇ ਵਿਆਪਕ ਪ੍ਰਭਾਵਾਂ ਵਿੱਚ ਇਹ ਸ਼ਾਮਲ ਹੋ ਸਕਦੇ ਹਨ:
- ਗੈਰ-ਤਕਨੀਕੀ ਪਿਛੋਕੜ ਵਾਲੇ ਵਿਅਕਤੀਆਂ ਲਈ ਡਾਟਾ ਵਿਗਿਆਨ ਕਰੀਅਰ ਲਈ ਵਧੀ ਹੋਈ ਪਹੁੰਚਯੋਗਤਾ, ਤਕਨਾਲੋਜੀ ਸੈਕਟਰ ਵਿੱਚ ਦਾਖਲੇ ਦੀਆਂ ਰੁਕਾਵਟਾਂ ਨੂੰ ਘਟਾਉਂਦੀ ਹੈ।
- ML ਸੰਕਲਪਾਂ ਨੂੰ ਸਮਝਣ ਵੱਲ ਵਿਦਿਅਕ ਫੋਕਸ ਵਿੱਚ ਸ਼ਿਫਟ ਕਰੋ, ਵਿਦਿਆਰਥੀਆਂ ਨੂੰ ਡੇਟਾ-ਸੰਚਾਲਿਤ ਭਵਿੱਖ ਲਈ ਤਿਆਰ ਕਰੋ।
- ਆਟੋਐਮਐਲ ਦੇ ਨਾਲ ਵਾਤਾਵਰਣ ਖੋਜ ਦੀ ਗਤੀ, ਜਲਵਾਯੂ ਪਰਿਵਰਤਨ ਅਤੇ ਸੰਭਾਲ ਦੇ ਯਤਨਾਂ ਵਿੱਚ ਤੇਜ਼ ਸੂਝ ਨੂੰ ਸਮਰੱਥ ਬਣਾਉਂਦਾ ਹੈ।
- ਪਰੰਪਰਾਗਤ ਡੇਟਾ ਵਿਸ਼ਲੇਸ਼ਣ ਤਰੀਕਿਆਂ 'ਤੇ ਨਿਰਭਰ ਖੇਤਰਾਂ ਵਿੱਚ ਸੰਭਾਵਿਤ ਨੌਕਰੀ ਦਾ ਵਿਸਥਾਪਨ, ਪ੍ਰੋਗਰਾਮਾਂ ਨੂੰ ਮੁੜ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਜ਼ਰੂਰਤ ਪੈਦਾ ਕਰਦਾ ਹੈ।
- ਆਟੋਐਮਐਲ ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ ਨਵੀਨਤਾ ਦਾ ਲੋਕਤੰਤਰੀਕਰਨ ਕਰਦਾ ਹੈ, ਜਿਸ ਨਾਲ ਸਟਾਰਟਅਪਾਂ ਨੂੰ ਸਥਾਪਿਤ ਖਿਡਾਰੀਆਂ ਨਾਲ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਮਿਲਦੀ ਹੈ।
- ਨੈਤਿਕ ਅਤੇ ਗੋਪਨੀਯਤਾ ਦੀਆਂ ਚਿੰਤਾਵਾਂ ਕਿਉਂਕਿ ਆਟੋਐਮਐਲ ਡੇਟਾ ਪ੍ਰੋਸੈਸਿੰਗ ਨੂੰ ਵਧੇਰੇ ਵਿਆਪਕ ਬਣਾਉਂਦਾ ਹੈ, ਸਖਤ ਡਾਟਾ ਪ੍ਰਬੰਧਨ ਨੀਤੀਆਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।
- ਆਟੋਐਮਐਲ ਦੁਆਰਾ ਖਪਤਕਾਰਾਂ ਦੇ ਵਿਵਹਾਰ ਨੂੰ ਸਮਝਣ ਲਈ ਮਾਰਕਿਟਰਾਂ ਲਈ ਵਧੀ ਹੋਈ ਯੋਗਤਾ, ਜਿਸ ਨਾਲ ਵਧੇਰੇ ਨਿਸ਼ਾਨਾ ਅਤੇ ਪ੍ਰਭਾਵੀ ਵਿਗਿਆਪਨ ਮੁਹਿੰਮਾਂ ਚਲਦੀਆਂ ਹਨ।
ਵਿਚਾਰ ਕਰਨ ਲਈ ਪ੍ਰਸ਼ਨ
- ਵੱਖ-ਵੱਖ ਉਦਯੋਗਾਂ ਵਿੱਚ AutoML ਨੂੰ ਏਕੀਕ੍ਰਿਤ ਕਰਨਾ ਹੁਨਰ ਸੈੱਟਾਂ ਅਤੇ ਵਿਦਿਅਕ ਮਾਰਗਾਂ ਨੂੰ ਕਿਵੇਂ ਪ੍ਰਭਾਵਿਤ ਕਰ ਸਕਦਾ ਹੈ ਜੋ ਵਿਅਕਤੀਆਂ ਨੂੰ ਨੌਕਰੀ ਦੀ ਮਾਰਕੀਟ ਵਿੱਚ ਪ੍ਰਤੀਯੋਗੀ ਬਣੇ ਰਹਿਣ ਲਈ ਅਪਣਾਉਣੇ ਚਾਹੀਦੇ ਹਨ?
- ਛੋਟੇ ਕਾਰੋਬਾਰ ਕਿਵੇਂ ਨਵੀਨਤਾ ਲਿਆਉਣ ਅਤੇ ਵੱਡੀਆਂ ਕਾਰਪੋਰੇਸ਼ਨਾਂ ਨਾਲ ਮੁਕਾਬਲਾ ਕਰਨ ਲਈ AutoML ਦਾ ਲਾਭ ਉਠਾ ਸਕਦੇ ਹਨ?
ਇਨਸਾਈਟ ਹਵਾਲੇ
ਇਸ ਸੂਝ ਲਈ ਹੇਠਾਂ ਦਿੱਤੇ ਪ੍ਰਸਿੱਧ ਅਤੇ ਸੰਸਥਾਗਤ ਲਿੰਕਾਂ ਦਾ ਹਵਾਲਾ ਦਿੱਤਾ ਗਿਆ ਸੀ:
