💬 NLP

Rule-Based Explanations for Retrieval-Augmented LLM Systems

यह शोध पत्र रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम्स की व्याख्या करने के लिए 'इफ-देन' (if-then) नियमों को उत्पन्न करने हेतु एक नवीन ढांचे का प्रस्ताव करता है, जो रिट्रीव की गई सूचना स्रोतों को मॉडल आउटपुट से जोड़ता है, और ब्रूट-फोर्स सोर्स कॉम्बिनेशन टेस्टिंग की कम्प्यूटेशनल चुनौतियों को कुशलतापूर्वक दूर करने के लिए अप्रियोरी-प्रेरित (Apriori-inspired) अनुकूलन का उपयोग करता है।

मूल लेखक: Joel Rorseth, Parke Godfrey, Lukasz Golab, Divesh Srivastava, Jarek Szlichta

प्रकाशित 2026-03-20

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Joel Rorseth, Parke Godfrey, Lukasz Golab, Divesh Srivastava, Jarek Szlichta

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

कल्पना कीजिए कि आपके पास एक सुपर-स्मार्ट रोबोट लाइब्रेरियन (एक लार्ज लैंग्वेज मॉडल, या LLM) है जो लगभग किसी भी सवाल का जवाब दे सकता है। लेकिन इस रोबोट का एक रहस्य है: यह केवल अपनी याददाश्त पर निर्भर नहीं रहता। जब आप इससे कोई सवाल पूछते हैं, तो यह पहले एक लाइब्रेरी में जाता है, किताबों की एक मुट्ठी भर किताबें (रिट्रीव्ड डॉक्यूमेंट्स) उठाता है, उन्हें पढ़ता है, और फिर आपको जवाब देता है। इसे RAG (रिट्रीवल-ऑगमेंटेड जनरेशन) कहा जाता है।

समस्या क्या है? कभी-कभी रोबोट आपको अजीब, गलत, या यहाँ तक कि खतरनाक जवाब देता है। आप पूछ सकते हैं, "आपने ऐसा क्यों कहा?" और रोबोट बस कहता है, "क्योंकि मैंने किताबें पढ़ीं।" लेकिन कौन सी किताबें? और क्या किसी एक विशिष्ट किताब ने रोबोट को चकमा दिया?

यह पेपर यह पता लगाने का एक नया तरीका पेश करता है कि ठीक कौन सी किताबें (या जानकारी के टुकड़े) रोबोट को एक निश्चित तरीके से व्यवहार करने के लिए मजबूर कर रहे हैं। वे इन्हें "इफ-देन रूल्स" (If-Then Rules) कहते हैं।

मुख्य विचार: "रेसिपी" का रूपक (Analogy)

सोचिए कि रोबोट का जवाब एक केक की तरह है। इसके "सामग्री" (Ingredients) वे दस्तावेज़ हैं जो रोबोट को मिले हैं।

पुराना तरीका (फीचर एट्रिब्यूशन): यह केक को देखने जैसा है और यह कहना कि, "मैदा 30% योगदान देता है, चीनी 20%, और अंडे 10%।" यह एक स्कोर देता है, लेकिन यह नहीं बताता कि यदि आप एक सामग्री को हटा दें तो क्या होगा।
नया तरीका (रूल-बेस्ड एक्सप्लेनेशन): यह एक रेसिपी कार्ड जैसा है जो कहता है: "IF" (यदि) आप इसमें 'खराब मसाला' (दस्तावेज़ X) AND (और) 'भ्रमित करने वाली जड़ी-बूटी' (दस्तावेज़ Y) शामिल करते हैं, THEN (तो) केक का स्वाद बहुत खराब होगा।

लेखक इन "रेसिपी कार्ड्स" को स्वचालित रूप से खोजना चाहते हैं। वे जानना चाहते हैं: "कौन सा विशिष्ट दस्तावेजों का संयोजन रोबोट को गलत उत्तर देने के लिए मजबूर करता है?"

वे इसे कैसे करते हैं: "टेस्ट-टेस्टर" गेम

इन नियमों को खोजने के लिए, आप सैद्धांतिक रूप से किताबों के हर संभव संयोजन का परीक्षण कर सकते हैं। यदि आपके पास 10 किताबें हैं, तो 1,000 से अधिक संयोजन हैं! उन सभी का एक-एक करके परीक्षण करने में बहुत समय लगेगा।

लेखकों ने एक स्मार्ट गेम बनाया है जिसे रूल माइनर (Rule Miner) कहा जाता है। यह कैसे काम करता है, यहाँ लैटिस (एक फैंसी पिरामिड) के रूप में बताया गया है:

संयोजनों का पिरामिड: कल्पना कीजिए कि एक पिरामिड है जहाँ शीर्ष "सभी 10 किताबें एक साथ" है और आधार "कोई किताब नहीं" है। इसके बीच की प्रत्येक परत किताबों के विभिन्न मिश्रणों का प्रतिनिधित्व करती है।
"खराब स्वाद" का परीक्षण: टीम एक "खराब स्वाद" (जैसे कि गलत मेडिकल डायग्नोसिस या एक काल्पनिक तथ्य) को परिभाषित करती है।
स्मार्ट प्रूनिंग (जादुई ट्रिक):
- वे पिरामिड के शीर्ष (सभी किताबें) से शुरू करते हैं। वे मिश्रण का परीक्षण करते हैं।
- यदि मिश्रण का स्वाद अच्छा है: तो वे जानते हैं कि इस समूह से लिया गया कोई भी छोटा मिश्रण भी अच्छा हो सकता है। वे नीचे की ओर खुदाई जारी रखते हैं।
- यदि मिश्रण का स्वाद खराब है: तो यह मुख्य बात है। यदि किताबों का एक विशिष्ट समूह एक बुरा उत्तर देता है, तो उन किताबों वाला कोई भी समूह जो उनमें शामिल है, बुरा उत्तर ही देगा।
- प्रूनिंग (छंटाई): उन सभी छोटे संयोजनों का परीक्षण करने के बजाय जिनमें वे "खराब किताबें" शामिल हैं, एल्गोरिदम कहता है, "हम पहले से ही जानते हैं कि इस शाखा का पूरा हिस्सा खराब है! हमें इस शाखा के बच्चों का परीक्षण करने की आवश्यकता नहीं है।" यह पिरामिड के विशाल हिस्सों को काट देता है, जिससे बहुत समय बचता है।

उनके पास इस माइनर के दो संस्करण हैं:

मोनो माइनर (Mono Miner): एक समय में एक प्रकार के नियम की तलाश करता है (जैसे, "गलत उत्तर का कारण क्या है?")।
डुअल माइनर (Dual Miner): एक साथ दो प्रकारों की तलाश करता है (जैसे, "गलत उत्तर का कारण क्या है?" AND "सही उत्तर का कारण क्या है?")।

पेपर से वास्तविक दुनिया के उदाहरण

1. मेडिकल डॉक्टर परिदृश्य
कल्पना कीजिए कि एक डॉक्टर रोबोट से पूछता है, "लॉन्ग कोविड थकान के लिए सबसे अच्छा उपचार क्या है?"

रोबोट 5 मेडिकल लेख निकालता है।
रोबट कहता है, "कैल्शियम सप्लीमेंट लें!" (यह गलत और खतरनाक है)।
रूल माइनर अपना गेम चलाता है। यह एक नियम खोजता है: "IF" (यदि) लेख 2 (एक ब्लॉग पोस्ट) AND (और) लेख 4 (एक फोरम की अफवाह) मिश्रण में हैं, THEN (तो) रोबोट कैल्शियम की सिफारिश करता है।
परिणाम: अस्पताल को ठीक से पता चल जाता है कि रोबोट को खतरनाक सलाह देने से रोकने के लिए किन दो लेखों को हटाना या ठीक करना है।

2. "रेड टीम" सुरक्षा परिदृश्य
कल्पना कीजिए कि एक सुरक्षा टीम रोबोट को हैक करने की कोशिश कर रही है। उनके पास 50 "जहरीले" दस्तावेज़ हैं जिन्हें रोबोट को गुप्त कोड प्रकट करने के लिए धोखा देने के लिए डिज़ाइन किया गया है।

50 दस्तावेजों के सभी संयोजनों का परीक्षण करना असंभव है (इसमें वर्षों लग जाएंगे)।
रूल माइनर "विभाजित करो और जीतो" (Divide and Conquer) की रणनीति का उपयोग करता है। वे 50 दस्तावेजों को दो बड़े समूहों में बांटते हैं। वे उनका परीक्षण करते हैं। उन्हें खराब समूह मिल जाता है। वे उस समूह को आधा करते हैं। वे तब तक विभाजित करते रहते हैं जब तक कि उन्हें वे सटीक दो दस्तावेज़ नहीं मिल जाते जो, एक साथ मिलकर, सिस्टम को हैक करते हैं।
परिणाम: उन्होंने वर्षों के बजाय मिनटों में विशिष्ट "एक्सप्लॉइट" जोड़ी को खोज लिया।

यह क्यों महत्वपूर्ण है

एक्शन योग्य (Actionable): अन्य तरीकों के विपरीत जो केवल एक "स्कोर" देते हैं, यह आपको ठीक बताता है कि क्या बदलना है। "दस्तावेज़ X को हटा दें।"
गारंटीकृत: नियम 100% निश्चित हैं। यदि नियम कहता है कि "यदि X मौजूद है, तो उत्तर गलत है," तो यह हमेशा होता है। कोई अनुमान नहीं।
कुशल (Efficient): अपने "प्रूनिंग" ट्रिक का उपयोग करके, वे उन समस्याओं को हल कर सकते हैं जिन्हें हल करने में एक सुपरकंप्यूटर को हफ्तों लग सकते हैं।

निचोड़ (Bottom Line)

यह पेपर हमें AI के लिए एक डिटेक्टिव टूल (जासूसी उपकरण) देता है। केवल यह कहने के बजाय कि "AI भ्रमित है," यह हमें यह कहने की अनुमति देता है कि "AI विशेष रूप से इसलिए भ्रमित है क्योंकि इसने इन दो दस्तावेजों को एक साथ पढ़ा है।" यह एक ब्लैक बॉक्स को एक पारदर्शी प्रणाली में बदल देता है जहाँ हम देख सकते हैं कि कौन सी सामग्रियां केक को खराब कर रही हैं।

यहाँ शोध पत्र "Rule-Based Explanations for Retrieval-Augmented LLM Systems" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण (Problem Statement)

रिट्रीवल-ऑगमेंटेड जनरेशन (RAG) सिस्टम इन्फरेंस के समय गतिशील, बाहरी ज्ञान स्रोतों को इंजेक्ट करके लार्ज लैंग्वेज मॉडल्स (LLMs) को बेहतर बनाते हैं। हालांकि यह तथ्यात्मक सटीकता में सुधार करता है, लेकिन यह प्रोवेनेंस (provenance) को जटिल बना देता है: यह समझना कि एक विशिष्ट प्राप्त दस्तावेजों के संयोजन के आधार पर LLM ने एक विशिष्ट आउटपुट क्यों उत्पन्न किया।

मौजूदा व्याख्या योग्य AI (XAI) विधियाँ इस संदर्भ में सीमाओं का सामना करती हैं:

फीचर एट्रिब्यूशन (जैसे, LIME, SHAP): ये इनपुट महत्व के लिए स्कोर प्रदान करते हैं लेकिन ये क्रियाशील (actionable) नहीं हैं (यह आसानी से सुझाव नहीं दे सकते कि आउटपुट को बदलने के लिए इनपुट को कैसे बदला जाए)।
काउंटरफैक्चुअल स्पष्टीकरण (Counterfactual Explanations): ये आउटपुट को बदलने के लिए न्यूनतम इनपुट परिवर्तनों की पहचान करते हैं, लेकिन ये बहुत अधिक संख्या में वैध काउंटरफैक्चुअल उत्पन्न कर सकते हैं, जिससे अंतिम उपयोगकर्ता भ्रमित हो सकते हैं।
उद्धरण (Citations): ये अक्सर मतिभ्रम (hallucination) के प्रति संवेदनशील होते हैं और इनमें कठोर गारंटी का अभाव होता है।

यह शोध पत्र इफ-देन (if-then) नियमों का उपयोग करके RAG सिस्टम के लिए क्रियाशील, गारंटीकृत और संक्षिप्त स्पष्टीकरण प्रदान करने के अंतर को संबोधित करता है, जो विशिष्ट प्राप्त स्रोतों की उपस्थिति या अनुपस्थिति को विशिष्ट मॉडल आउटपुट से जोड़ते हैं।

2. कार्यप्रणाली (Methodology)

लेखक ब्लैक-बॉक्स RAG सिस्टम के लिए नियम-आधारित स्पष्टीकरण (Rule-Based Explanations) खोजने के लिए एक नया ढांचा प्रस्तावित करते हैं।

A. नियम निर्माण (Rule Formulation)

यह ढांचा फीचर एब्लेशन (feature ablation) (विशिष्ट RAG स्रोतों को बनाए रखना या छोड़ना) के आधार पर नियमों को परिभाषित करता है।

इनपुट: एक प्रॉम्प्ट $x$ को एक कॉन्टेक्स्ट $c$ (निश्चित निर्देश/प्रश्न) और एक सोर्स सेट $s = \{s_1, ..., s_n\}$ (प्राप्त दस्तावेज़) में विभाजित किया जाता है।
आउटपुट प्रेडिकेट ( $O$ ): एक उपयोगकर्ता-परिभाषित फंक्शन (जैसे, "LLM-as-a-judge") जो 1 लौटाता है यदि मॉडल आउटपुट $y$ एक लक्षित स्थिति को पूरा करता है (जैसे, "गलत सूचना शामिल है" या "तथ्यात्मक रूप से सही है")।
नियम के प्रकार:
1. रिटेंशन रूल (Retention Rule): "यदि स्रोत $s' \subseteq s$ को बनाए रखा (retained) जाता है, तो आउटपुट $O$ को संतुष्ट करता है।"
2. ओमिशन रूल (Omission Rule): "यदि स्रोत $s' \subseteq s$ को छोड़ (omitted) दिया जाता है, तो आउटपुट $O$ को संतुष्ट करता है।"
वैधता (Validity): एक नियम वैध (100% विश्वास) है यदि आउटपुट प्रेडिकेट उन सभी संभावित स्रोतों के संयोजनों के लिए सत्य होता है जो पूर्ववर्ती (antecedent) स्थिति को संतुष्ट करते हैं। यह एक रिकर्सिव वैधता संरचना बनाता है जहाँ एक नियम की वैधता उसके पावर सेट लैटिस (power set lattice) में उसके पूर्वजों पर निर्भर करती है।

B. खोज एल्गोरिदम (Search Algorithms)

खोज स्थान (search space) स्रोत सेट $s$ का पावर सेट है, जो $2^{|s|}$ आकार का एक लैटिस बनाता है। $2^{|s|}$ संयोजनों के सभी का ब्रूट-फोर्स मूल्यांकन करने से बचने के लिए, लेखक Apriori एल्गोरिदम से प्रेरित दो अनुकूलित एल्गोरिदम प्रस्तावित करते हैं, जिन्हें सटीक नियम वैधता के बजाय फ्रीक्वेंट आइटमसेट्स के लिए पुनर्गठित किया गया है।

मोनो रूल माइनर (Mono Rule Miner):
- एक ही प्रकार के नियम (या तो रिटेंशन या ओमिशन) को एक ही पास में खोजता है।
- तकनीक: डायनेमिक प्रोग्रामिंग और अर्ली टर्मिनेशन के साथ एक टॉप-डाउन ब्रैडथ-फर्स्ट सर्च (BFS) का उपयोग करता है।
- प्रूनिंग (Pruning): यदि एक उपसमुच्चय (subset) अवैध पाया जाता है (प्रेडिकेट विफल हो जाता है), तो उसके सभी वंशज (वे उपसमुच्चय जो और भी कम/अधिक आइटम रखते/छोड़ते हैं) को तुरंत हटा दिया जाता है क्योंकि वे वैध नहीं हो सकते।
- जटिलता: केवल लैटिस के दो स्तरों को कैश करके स्पेस कॉम्प्लेक्सिटी को $O(\binom{|s|}{\lfloor |s|/2 \rfloor})$ तक कम कर दिया जाता है।
डुअल रूल माइनर (Dual Rule Miner):
- दोनों प्रकार के नियमों को एक ही पास में एक साथ खोजता है।
- तकनीक: एक "मास्क रिप्रेजेंटेशन" का उपयोग करता है जो एक ही उपसमुच्चय को दो तरह से व्याख्यायित करता है (एक प्रेडिकेट के लिए रिटेंशन सेट के रूपas और दूसरे के लिए ओमिशन सेट के रूप में)।
- प्रूनिंग: एक नोड को तभी हटाया जाता है जब वह दोनों प्रकार के नियमों के लिए अवैध हो।
- दक्षता: यह दो अलग-अलग मोनो पास चलाने की तुलना में अधिक कुशल है, विशेष रूप से छोटे स्रोत सेटों के लिए, हालांकि यह मोनो की तुलना में कुछ प्रूनिंग शक्ति का त्याग करता है।

C. बड़े $|s|$ के लिए स्केलेबिलिटी रणनीति

जब स्रोतों की संख्या $|s|$ बड़ी होती है (जैसे, >10), तो घातीय जटिलता (exponential complexity) अव्यवहार्य हो जाती है। शोध पत्र एक डिवाइड-एंड-कॉन्कर (Divide-and-Conquer) रणनीति प्रस्तावित करता है:

स्रोतों को मोटे-स्तर के बैचों में समूहबद्ध करें।
इन समूहों पर नियम खोजें।
उन समूहों को हटा दें जो वैध नियमों में शामिल नहीं हैं।
मूल ग्रैनुलैरिटी तक शेष समूहों को पुनरावर्ती रूप से विभाजित करें।

3. मुख्य योगदान (Key Contributions)

RAG के लिए प्रथम नियम-आधारित ढांचा: RAG सिस्टम के लिए विशेष रूप से तैयार किए गए पहले औपचारिक परिभाषा और माइनिंग एल्गोरिदम को पेश करता है, जो "रिटेंशन" और "ओमिशन" नियमों के बीच अंतर करता है।
कुशल माइनिंग एल्गोरिदम: Mono और Dual माइनर्स विकसित करता है जो रिकर्सिव वैलिडिटी डेफिनिशन और लैटिस प्रूनिंग का उपयोग करके ब्रूट-फोर्स दृष्टिकोण की तुलना में आवश्यक LLM इन्फरेंस कॉल्स की संख्या को काफी कम कर देते हैं।
क्रियाशील अंतर्दृष्टि (Actionable Insights): यह उन विशिष्ट दस्तावेज़ संयोजनों की पहचान करने का तंत्र प्रदान करता है जो मतिभ्रम (hallucinations), पूर्वाग्रह (biases), या तथ्यात्मक त्रुटियों का कारण बनते हैं, जिससे डेटा क्यूरेटर्स को समस्याग्रस्त स्रोतों को चिह्नित करने या हटाने में सक्षम बनाया जा सके।
अनुभवजन्य सत्यापन (Empirical Validation): यह दृष्टिकोण को गुणात्मक केस स्टडीज (हेल्थकेयर मिसइन्फॉर्मेशन, AI सेफ्टी रेड-टीमिंग) और मात्रात्मक बेंचमार्क (HotpotQA) के माध्यम से प्रदर्शित करता है।

4. प्रायोगिक परिणाम (Experimental Results)

A. दक्षता और प्रूनिंग (Efficiency and Pruning)

प्रूनिंग प्रभावशीलता: HotpotQA डेटासेट (10 स्रोतों तक) में, मोनो माइनर ने ब्रूट-फोर्स दृष्टिकोण की तुलना में रिटेंशन नियमों के लिए 50% और ओमिशन नियमों के लिए 70% तक नोड्स को हटा दिया।
Dual बनाम Mono: डुअल माइनर दोनों प्रकार के नियमों की खोज के दौरान नोड्स का पुनर्मूल्यांकन करने से बचता है, जो एकल पास के सापेक्ष लगभग 100% दक्षता प्राप्त करता है, जबकि दो बार मोनो चलाने के लिए लैटिस एक्सप्लोरेशन का ~200% आवश्यक होगा।
स्केलेबिलिटी: सिस्टम $|s| \le 10$ (सामान्य RAG top-k रिट्रीवल) के लिए व्यवहार्य है, जो मिनटों में सभी नियम खोज लेता है। बड़े सेटों के लिए, डिवाइड-एंड-कॉन्कर रणनीति ने व्यापक खोज की तुलना में बहुत कम कॉल्स के साथ न्यूनतम नियम सफलतापूर्वक पहचाने।

B. केस स्टडीज (Case Studies)

हेल्थकेयर (लॉन्ग कोविड): सिस्टम ने पहचाना कि विशिष्ट दस्तावेजों ( $D_2$ और $D_4$ ) को बनाए रखने से LLM लगातार अप्रभावी उपचारों की सिफारिश करता है, भले ही वे दस्तावेज़ व्यक्तिगत रूप से त्रुटि का कारण बनने के लिए अपर्याप्त थे। इसने विशेषज्ञों को विशिष्ट स्रोतों को संशोधन के लिए चिह्नित करने में सक्षम बनाया।
AI सुरक्षा (रेड टीमिंग): 50 प्रतिकूल स्रोतों के परिदृश्य में, डिवाइड-एंड-कॉन्कर रणनीति ने एक न्यूनतम जोड़ी (pair) की पहचान की, जो मिलकर सुरक्षा फिल्टर (प्रॉम्प्ट इंजेक्शन) को सफलतापूर्वक बायपास कर देती थी, जबकि व्यक्तिगत स्रोत ऐसा नहीं कर पाते थे।

C. मजबूती (Robustness)

LLM स्टोकेस्टिसिटी (Stochasticity): तापमान $T=1.0$ के साथ प्रयोगों ने दिखाया कि उत्तर भिन्नता के बावजूद, नमूनों पर बहुमत मतदान (majority voting) ने उच्च परिशुद्धता और रिकॉल के साथ "सटीक" नियम निकालने की अनुमति दी।
LLM-as-a-Judge: आउटपुट निरंतरता को जज करने के लिए उपयोग किए गए माध्यमिक LLM ने मानव विशेषज्ञ सत्यापन के विरुद्ध 98.89% परिशुद्धता (precision) और 100% रिकॉल (recall) प्राप्त किया, जो आउटपुट प्रेडिकेट को परिभाषित करने के लिए विश्वसनीय साबित हुआ।

5. महत्व और प्रभाव (Significance and Impact)

क्रियाशीलता (Actionability): फीचर एट्रिब्यूशन के विपरीत, ये नियम स्पष्ट, बाइनरी स्थितियाँ प्रदान करते हैं ("यदि आप दस्तावेज़ X को हटा देते हैं, तो त्रुटि गायब हो जाती है") जिन पर डेवलपर्स और ऑडिटर तुरंत कार्रवाई कर सकते हैं।
विश्वास और सुरक्षा (Trust and Safety): यह ढांचा RAG पाइपलाइनों को गलत सूचना, पूर्वाग्रह और सुरक्षा कमजोरियों (जैसे, प्रॉम्प्ट इंजेक्शन) के लिए ऑडिट करने के लिए एक कठोर तरीका प्रदान करता है, जिससे यह सुनिश्चित होता है कि LLMs क्लिनिकल या सुरक्षा दिशानिर्देशों के प्रति वफादार रहें।
सैद्धांतिक प्रगति: यह एसोसिएशन रूल माइनिंग (Apriori) और आधुनिक LLM व्याख्यात्मकता के बीच के अंतर को पाटता है, रिकर्सिव वैलिडिटी और प्रूनिंग के माध्यम से जेनरेटिव AI की गैर-नियतात्मक प्रकृति को संभालने के लिए शास्त्रीय डेटा माइनिंग अवधारणाओं को अनुकूलित करता है।

निष्कर्षतः, यह शोध पत्र रिट्रीव किए गए डेटा के प्रोवेनेंस से प्राप्त सरल, सत्यापन योग्य 'इफ-देन' नियमों में जटिल मॉडल व्यवहारों को अनुवादित करके RAG सिस्टम को पारदर्शी और नियंत्रणीय बनाने के लिए एक मौलिक पद्धति स्थापित करता है।