🤖 AI

NRR-Core: Non-Resolution Reasoning as a Computational Framework for Contextual Identity and Ambiguity Preservation

यह शोध पत्र नॉन-रेज़ोल्यूशन रीजनिंग (NRR) का प्रस्ताव करता है, जो एक नवीन कम्प्यूटेशनल ढांचा है जो गैर-पहचान (non-identity) और समानांतर व्याख्या प्रतिधारण (parallel interpretation retention) के सिद्धांतों को पेश करके वर्तमान एआई में समयपूर्व अस्पष्टता पतन (ambiguity collapse) को चुनौती देता है ताकि संदर्भगत पहचान को संरक्षित किया जा सके और स्पष्ट समाधान की आवश्यकता होने तक कई वैध अर्थों को बनाए रखा जा सके।

मूल लेखक: Kei Saito

प्रकाशित 2026-03-05

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Kei Saito

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

यहाँ "NRR-Core" पेपर का सरल भाषा, रोज़मर्रा के उदाहरणों और रचनात्मक रूपकों (metaphors) का उपयोग करके किया गया स्पष्टीकरण है।

मुख्य विचार: बहुत जल्दी अंदाज़ा लगाना बंद करें

कल्पना कीजिए कि आप "20 सवाल" (20 Questions) का खेल खेल रहे हैं। कोई कहता है, "मैं एक बैंक (bank) के बारे में सोच रहा हूँ।"

वर्तमान AI (द "रशर" - जल्दबाज़ी करने वाला): तुरंत अंदाज़ा लगाता है, "ओह, आपका मतलब पैसे रखने की जगह से है!" यह उस उत्तर को अपने दिमाग में लॉक कर देता है। यदि आप फिर कहते हैं, "नहीं, मेरा मतलब नदी के किनारे से है," तो AI घबरा जाता है, अपने पहले विचार को मिटा देता है और फिर से शुरू करता है। यह भ्रमित महसूस करता है और चीज़ें बदलने पर गलतियाँ करता है।
नया AI (NRR - "इंतज़ार करो और देखो"): जब आप "बैंक" कहते हैं, तो यह कोई एक पक्ष नहीं चुनता। इसके बजाय, यह एक ही समय में अपने दिमाग में दो विचार रखता है: पैसे की जगह और नदी का किनारा। यह दोनों विकल्पों को जीवित रखता है, और आपके द्वारा और अधिक सुराग (clues) देने का इंतज़ार करता है। जब आप अंत में "बत्तख" कहते हैं, तो यह बस "नदी" वाले विचार की आवाज़ (volume) बढ़ा देता है और "पैसे" वाले विचार की आवाज़ कम कर देता है। इसने कभी घबराहट नहीं की; इसने बस इंतज़ार किया।

यह पेपर नॉन-रेज़ोल्यूशन रीजनिंग (Non-Resolution Reasoning - NRR) नामक एक नया तरीका प्रस्तावित करता है। इसका मुख्य नियम है: जब तक आपको वास्तव में ज़रूरत न हो, तब तक एक एकल उत्तर के लिए मजबूर न करें।

समस्या: "जल्द निर्णय लेने वाली" मशीन

वर्तमान AI मॉडल उन लोगों की तरह हैं जो अनिश्चित होने से डरते हैं।

दोष: जैसे ही वे एक ऐसे शब्द को देखते जिसके कई अर्थ हैं (जैसे "light" जिसका अर्थ प्रकाश भी है या हल्का भी), वे तुरंत एक को चुन लेते हैं और दूसरे को फेंक देते हैं।
परिणाम: यह उन्हें नाजुक (brittle) बनाता है। यदि बातचीत बदल जाती है (जैसे, पैसे के बारे में बात करने से बदलकर बत्तखों के बारे में बात करने पर), तो AI को "बैकट्रैक" करना पड़ता है, जो एक ड्राइवर के लिए वैसा ही है जैसे उसे एहसास हो कि उसने गलत मोड़ ले लिया है और अब उसे वापस जाने के लिए गाड़ी रिवर्स करनी होगी। इससे ऊर्जा बर्बाद होती है और अक्सर वे गलत उत्तर देते हैं।

समाधान: "स्विस आर्मी नाइफ" वाली मानसिकता

लेखक, केई सैतो (Kei Saito), यह सुझाव देते हैं कि हम AI के "सोचने" के तरीके को तीन सरल सिद्धांतों का उपयोग करके बदल सकते हैं:

1. नॉन-आइडेंटिटी (The "Same Word, Different Person" Rule - एक ही शब्द, अलग व्यक्ति का नियम)

सामान्य तर्क में, यदि आप "बैंक" कहते हैं, तो यह हमेशा एक ही चीज़ होती है। NRR में, AI यह समझता है कि पैसे के बारे में वाक्य में "बैंक" एक अलग चरित्र है, बजाय इसके कि वह मछली पकड़ने के बारे में वाक्य में "बैंक" हो।

उपमा: शब्द "बैंक" को एक गिरगिट (chameleon) की तरह सोचें। एक संदर्भ में, यह सूट पहनता है (वित्त)। दूसरे संदर्भ में, यह वेटसूट (नदी का किनारा) पहनता है। NRR AI को दोनों वेशभूषा को एक साथ देखने की अनुमति देता है, बिना गिरगिट को यह चुनने के लिए मजबूर किए कि उसे कहाँ जाना है।

2. एप्रोक्सिमेट आइडेंटिटी (The "Venn Diagram" Rule - लगभग समान पहचान का नियम)

चीज़ें 100% समान या 100% अलग होने की ज़रूरत नहीं हैं। वे कुछ हद तक समान हो सकती हैं।

उपमा: कल्पना कीजिए कि "जॉन" नाम के दो लोग हैं। वे एक ही व्यक्ति नहीं हैं, लेकिन उनके कुछ गुण समान हैं (शायद दोनों को जैज़ संगीत पसंद है)। NRR AI को यह कहने की अनुमति देता है, "ये दोनों 'जॉन' समान हैं, लेकिन वे अभी भी अलग-अलग व्यक्ति हैं।" यह AI को बिना भ्रमित हुए बारीकियों को संभालने में मदद करता है।

3. नॉन-रेज़ोल्यूशन (The "Holding Pattern" Rule - ठहराव का नियम)

यह सबसे महत्वपूर्ण हिस्सा है। जब AI अनिश्चित होता है, तो वह निर्णय लेने के लिए मजबूर नहीं करता। वह कई संभावनाओं को हवा में तैरता हुआ रखता है।

उपमा: एक वेटर की कल्पना करें जो ऑर्डर ले रहा है।
- पुराना AI: पूछता है, "क्या आप कॉफी या चाय लेंगे?" ग्राहक कहता है "गर्म पेय।" वेटर तुरंत टिकट पर "कॉफी" लिख देता है और चाय का विकल्प हटा देता है। यदि ग्राहक बाद में कहता है, "दरअसल, मुझे चाय चाहिए," तो वेटर को टिकट को काटना पड़ता है और माफी मांगनी पड़ती है।
- NRR AI: पूछता है, "क्या आप कॉफी या चाय लेंगे?" ग्राहक कहता है "गर्म पेय।" वेटर टिकट पर लिखता है "गर्म पेय (कॉफी/चाय)"। जब ग्राहक अंत में कहता है "चाय," तो वेटर बस "चाय" को घेर देता है। कोई मिटाना नहीं, कोई घबराहट नहीं, कोई समय की बर्बादी नहीं।

यह कैसे काम करता है (जादुई तरकीबें)

यह पेपर इसे संभव बनाने के लिए तीन तकनीकी "उपकरणों" का सुझाव देता है:

मल्टी-वेक्टर एम्बेडिंग्स (The "Double-Brain" - दोहरा मस्तिष्क): किसी शब्द को एक एकल परिभाषा देने के बजाय, AI उसे परिभाषाओं का एक "बंडल" देता है। यह "मनी बैंक" और "रिवर बैंक" के वेक्टर्स को अलग लेकिन जुड़े हुए रखता है।
नॉन-कोलैप्सिंग अटेंशन (The "Volume Knob" - वॉल्यूम नॉब): सामान्य AI एक "विजेता-ही-सब-कुछ" (winner-take-all) प्रणाली का उपयोग करता है (जैसे एक वोट जहाँ केवल एक व्यक्ति जीतता है)। NRR वॉल्यूम नॉब का उपयोग करता है। यह "रिवर" की आवाज़ को धीरे-धीरे बढ़ा सकता है और "मनी" की आवाज़ को कम कर सकता है, बिना "मनी" के विकल्प को पूरी तरह से खत्म किए।
कॉन्टेक्स्टुअल आइडेंटिटी ट्रैकिंग (The "Label Maker" - लेबल मेकर): AI हर विचार पर एक छोटा सा टैग रखता है, जो उसे याद दिलाता है, "यह विचार 'रिवर' संदर्भ का है, 'फाइनेंस' का नहीं।"

प्रमाण: क्या यह काम कर गया?

शोधकर्ताओं ने एक साधारण खेल के साथ इसका परीक्षण किया:

टर्न 1: उन्होंने AI को बिना किसी संदर्भ के "बैंक" शब्द दिखाया।
टर्न 2: उन्होंने एक सुराग दिया (जैसे "इन्वेस्टर" या "बत्तख")।

परिणाम:

पुराना AI: सुराग सुनने से पहले ही तुरंत "मनी" (90% निश्चित) का अंदाज़ा लगा लिया। इसने बहुत जल्दी अपनी सोच को "कोलैप्स" (सीमित) कर लिया था।
NRR AI: पूरी तरह संतुलित (50/50) रहा। इसने अपने विकल्प खुले रखे। जब सुराग आया, तो यह तुरंत सही उत्तर पर स्विच हो गया।

मीट्रिक (मापन): उन्होंने "एन्ट्रॉपी" (अनिश्चितता के लिए एक तकनीकी शब्द) को मापा।

पुराना AI: कम अनिश्चितता (यह बहुत जल्दी बहुत निश्चित था)।
NRR AI: उच्च अनिश्चितता (यह समझदारी से अनिश्चित था)।
विजेता: दोनों ने अंतिम उत्तर सही दिया, लेकिन NRR AI ने घबराहट या बैकट्रैकिंग में ऊर्जा बर्बाद नहीं की।

यह क्यों मायने रखता है?

यह केवल AI को स्मार्ट बनाने के बारे में नहीं है; यह AI को अधिक मानवीय बनाने के बारे में है।

रचनात्मकता: यह AI को ऐसी कविताएँ लिखने की अनुमति देता है जहाँ शब्दों के दोहरे अर्थ होते हैं, जिससे समृद्ध कहानियाँ बनती हैं।
विरोधाभास (Paradoxes): यह "यह वाक्य गलत है" जैसे कठिन वाक्यों को बिना क्रैश हुए संभाल सकता है, क्योंकि यह विरोधाभास को तुरंत "ठीक" करने की कोशिश किए बिना उसे थामे रख सकता है।
नियंत्रण: यह सवाल को "क्या AI अस्पष्टता को हल कर सकता है?" से बदलकर "कब AI को अस्पष्टता को हल करना चाहिए?" में बदल देता है।

निचोड़

यह पेपर तर्क देता है कि अस्पष्टता (Ambiguity) कोई बग नहीं है; यह एक फीचर है।

वर्तमान AI को धुंध को तुरंत साफ करने की कोशिश करने के लिए डिज़ाइन किया गया है। NRR सुझाव देता है कि कभी-कभी, आपको धुंध में बैठना चाहिए, चारों ओर देखना चाहिए, और यह तय करने से पहले कि किस दिशा में चलना है, सूरज निकलने का इंतज़ार करना चाहिए। यह सीखकर कि इंतज़ार कैसे किया जाए, AI अधिक लचीला, रचनात्मक और मूर्खतापूर्ण गलतियाँ करने से कम प्रवृत्त हो सकता है।

संक्षेप में: जब तक आपके पास सभी तथ्य न हों, तब तक निर्णय लेने के लिए मजबूर न हों। अपने विकल्प खुले रखें, और आप अंत में बेहतर चुनाव करेंगे।

यहाँ केई साइतो (Kei Saito) के शोध पत्र "NRR-Core: Non-Resolution Reasoning as a Computational Framework for Contextual Identity and Ambiguity Preservation" का विस्तृत तकनीकी सारांश दिया गया है।

1. समस्या विवरण: समयपूर्व अर्थ पतन (Premature Semantic Collapse)

यह शोध पत्र वर्तमान लार्ज लैंग्वेज मॉडल्स (LLMs) और AI प्रणालियों की एक मौलिक वास्तुशिल्प (architectural) सीमा की पहचान करता है: समयपूर्व अर्थ पतन (Premature Semantic Collapse)।

समस्या: मानक न्यूरल आर्किटेक्चर अस्पष्टता (ambiguity) को बहुत जल्दी हल करने के लिए डिज़ाइन किए गए हैं। वे पर्याप्त संदर्भ उपलब्ध होने से पहले ही किसी टोकन या अवधारणा के कई वैध व्याख्याओं को एक एकल आउटपुट प्रतिनिधित्व में बदलने के लिए मजबूर करते हैं।
मूल कारण:
- शास्त्रीय पहचान धारणाएँ (Classical Identity Assumptions): मानक एम्बेडिंग्स यह मानती हैं कि एक प्रतीक $A$ की एक निश्चित पहचान ( $A = A$ ) होती है, चाहे संदर्भ कुछ भी हो।
- सॉफ्टमैक्स नॉर्मलाइजेशन (Softmax Normalization): अटेंशन मैकेनिज्म सॉफ्टमैक्स का उपयोग करते हैं, जो संभावabilistic वितरणों को एक के योग तक सीमित कर देता है, जिससे प्रतिस्पर्धी परिकल्पनाओं का स्वाभाविक रूप से पतन हो जाता है।
- प्रशिक्षण उद्देश्य (Training Objectives): मॉडल को एक एकल "सही" टोकन की भविष्यवाणी करने के लिए अनुकूलित किया जाता है, जो अनिश्चितता बनाए रखने को दंडित करता है।
परिणाम: इससे बाइनरी निर्णय लेना, विरोधाभासों को संभालने में भंगुरता (brittleness), रचनात्मक कार्यों में सूक्ष्मता की हानि, और प्रारंभिक धारणाएं गलत साबित होने पर बैकट्रैकिंग (backtracking) की आवश्यकता के कारण कम्प्यूटेशनल अक्षमता उत्पन्न होती है।

2. कार्यप्रणाली: NRR फ्रेमवर्क

लेखक नॉन-रेज़ोल्यूशन रीजनिंग (Non-Resolution Reasoning - NRR) का प्रस्ताव करते हैं, जो एक ऐसा फ्रेमवर्क है जो अस्पष्टता को बनाए रखने को एक दोष के बजाय एक वैध, कम्प्यूटेशनल रूप से उपयोगी तर्क मोड के रूप में मानता है।

मुख्य सिद्धांत

NRR तीन मौलिक सिद्धांतों पर निर्मित है जो शास्त्रीय तर्क को चुनौती देते हैं:

गैर-पहचान (Non-Identity - $A \neq A$ ): एक ही प्रतीक संदर्भ के आधार पर विभिन्न संस्थाओं को संदर्भित करता है। पहचान संदर्भ-निर्भर है, सार्वभौमिक नहीं।
आनुमानिक पहचान (Approximate Identity - $A \approx A$ ): संस्थाएं पूर्णतः समान हुए बिना आंशिक संरचनात्मक ओवरलैप साझा करती हैं। समानता बाइनरी के बजाय निरंतर (ग्रेडिएंट-आधारित) है।
गैर-समाधान (Non-Resolution): परस्पर विरोधी व्याख्याएं बिना किसी जबरन अभिसरण (convergence) के सह-अस्तित्व में रह सकती हैं। अस्पष्टता एक स्थिर कम्प्यूटेशनल अवस्था है।

वास्तुशिल्प घटक (Architectural Components)

इन सिद्धांतों को लागू करने के लिए, NRR तीन विशिष्ट तंत्रों का परिचय देता है:

मल्टी-वेक्टर एम्बेडिंग्स (Multi-Vector Embeddings - MVE): एक टोकन को एक एकल वेक्टर में बदलने के बजाय, MVE एक साथ कई अलग-अलग प्रासंगिक वेरिएंट्स को दर्शाने वाले वेक्टर्स का सेट $H_t = \{h_{t,1}, h_{t,2}, \dots, h_{t,k}\}$ बनाए रखता है।
नॉन-कोलैप्सिंग अटेंशन (Non-Collapsing Attention - NCA): मानक सॉफ्टमैक्स नॉर्मलाइजेशन के स्थान पर गैर-प्रतिस्पर्धी सक्रियण कार्यों (जैसे सिग्मॉइड) का उपयोग करता है। यह कई व्याख्याओं को एक निश्चित संभाव्यता द्रव्यमान (probability mass) के लिए प्रतिस्पर्धा किए बिना एक साथ उच्च अटेंशन स्कोर प्राप्त करने की अनुमति देता है।
प्रासंगिक पहचान ट्रैकिंग (Contextual Identity Tracking - CIT): यह स्पष्ट रूप से ट्रैक करने के लिए एक तंत्र है कि कौन सी व्याख्या किस अर्थ संबंधी संदर्भ से संबंधित है। यह तब नए 'कॉन्टेक्स्ट आईडी' असाइन करता है जब अर्थ संबंधी विच्छिन्नता (semantic discontinuity) एक थ्रेशोल्ड से अधिक हो जाती है, जिससे सिस्टम को सह-अस्तित्व वाली पहचानों को पुन: भारित (reweight) करने की अनुमति मिलती है (जैसे, "bank" को वित्तीय बनाम नदी के किनारे के रूप में बिना बैकट्रैकिंग के समझना)।

औपचारिकीकरण (Formalization)

फ्रेमवर्क एक गैर-कोलैप्सिंग स्टेट स्पेस $S = \{(v_i, c_i, w_i, m_i)\}$ को परिभाषित करता है, जहाँ वेट्स $w_i$ एकता के योग के लिए नॉर्मलाइज नहीं होते हैं। यह कई परिकल्पनाओं को एक साथ उच्च सक्रियता बनाए रखने की अनुमति देता है।

इंटरफेरेंस ऑपरेटर्स (Interference Operators): सूचना एंट्रॉपी को संरक्षित करते हुए अवस्था को बदलने के लिए ऑपरेटरों का एक सेट (जैसे कैलिब्रेशन के लिए $\sigma$ , और विरोधाभास-संरक्षण सिद्धांत के लिए $\kappa$ ) परिभाषित किया गया है।
नॉन-डिस्ट्रक्टिव प्रोजेक्शन (Non-Destructive Projection): सिस्टम बाद के तर्क चरणों के लिए पूर्ण आंतरिक अवस्था $S$ को बनाए रखते हुए एक एकल टोकन आउटपुट कर सकता है।

3. प्रमुख योगदान

वैचारिक ढांचा: $A \neq A \approx A$ सिद्धांत का औपचारिकीकरण, जो प्रतिमान को "अर्थ उपयोगी होने के लिए पतन होना चाहिए" से बदलकर "अस्पष्टता एक वैध कम्प्यूटेशनल अवस्था है" में ले जाता है।
वास्तुशिल्प डिजाइन: मौजूदा न्यूरल आर्किटेक्चर में अनुकूलन योग्य MVE, NCA, और CIT जैसे कार्यान्वयन योग्य तंत्रों का प्रस्ताव।
कार्यात्मक सत्यापन: एक नियंत्रित सिंथेटिक प्रयोग जो प्रदर्शित करता है कि NRR वहां अस्पष्टता बनाए रखता है जहां मानक मॉडल विफल हो जाते हैं।
सैद्धांतिक औपचारिकीकरण: सूचना पतन से बचने के लिए डिज़ाइन किए गए स्टेट स्पेस और इंटरफेरेंस ऑपरेटर्स का गणितीय विवरण।
कार्यान्वयन रोडमैप: बेंचमार्किंग और लागत विश्लेषण के लिए ठोस रणनीतियाँ, जो "कोलैप्स" (आउटपुट चयन) और "कमिटमेंट" (उस चयन की निरंतरता) के बीच अंतर करती हैं।

4. प्रयोगात्मक परिणाम

शोध पत्र प्रमाण-स्वरूप एक टर्न 1 एंट्रॉपी मेजरमेंट (Turn 1 Entropy Measurement) प्रदान करता है।

कार्य: "bank" शब्द से संबंधित एक सिंथेटिक दो-टर्न विसं perluकरण (disambiguation) कार्य।
- टर्न 1 (अस्पष्ट): "The bank is {adj}." (कोई संदर्भ नहीं)।
- टर्न 2 (संदर्भ): एक संकेत (जैसे, "investor" या "ducks") अर्थ निर्धारित करता है।
मीट्रिक: टर्न 1 पर आउटपुट वितरण का शैनन एंट्रॉपी ( $H$ $H$ )।
- $H_{max} = 1.0$ बिट (पूर्ण अस्पष्टता, $p=[0.5, 0.5]$ )।
- $H_{min} = 0$ (पूर्ण निश्चितता)।
निष्कर्ष:
- बेसलाइन मॉडल: टर्न 1 में तुरंत ढह गया (collapsed) और कम एंट्रॉपी ( $H = 0.15 \pm 0.13$ बिट्स) के साथ, जिससे समयपूर्व निर्णय (जैसे, "वित्तीय" मान लेना) हुआ।
- NRR-lite: टर्न 1 पर उच्च एंट्रॉपी ( $H = 0.91 \pm 0.04$ बिट्स) बनाए रखी, जो सैद्धांतिक अधिकतम के करीब है, जो दर्शाता है कि इसने "वित्तीय" और "नदी के किनारे" दोनों व्याख्याओं को समानांतर में सफलतापूर्वक बनाए रखा।
- समाधान (Resolution): संदर्भ प्रदान किए जाने के बाद टर्न 2 में दोनों मॉडलों ने 100% सटीकता प्राप्त की, जो यह सिद्ध करता है कि अस्पष्टता बनाए रखने से अंतिम समाधान में बाधा नहीं आती है।
- मजबूती (Robustness): NRR-lite के परिणाम 5 रैंडम सीड्स में सुसंगत थे (कम विचरण), जबकि बेसलाइन अत्यधिक अस्थिरता प्रदर्शित कर रहा था।

5. महत्व और निहितार्थ

प्रतिमान परिवर्तन (Paradigm Shift): NRR इस धारणा को चुनौती देता है कि उपयोगी होने के लिए AI को अस्पष्टता को हल करना चाहिए। यह सुझाव देता है कि कमिटमेंट टाइमिंग (commitment timing) को वास्तुशिल्प डिफ़ॉल्ट के बजाय संदर्भ और कार्य की आवश्यकताओं द्वारा नियंत्रित किया जाना चाहिए।
अनुप्रयोग:
- विरोधाभास हैंडलिंग: विरोधाभासों (जैसे, "यह वाक्य असत्य है") को त्रुटियों के बजाय स्थिर डेटा संरचनाओं के रूप में मानना।
- रचनात्मक सृजन (Creative Generation): बहुस्तरीय, काव्यपूर्ण आउटपुट को सक्षम बनाना जहाँ अनेकार्थी शब्द (polysemy) को सुलझाने के बजाय आपस में बुना जाता है।
- संदर्भ-निर्भर तर्क: लंबे संवादों में बैकट्रैकिंग की कम्प्यूटेशनल लागत को कम करना।
ऊर्जा दक्षता: लेखक का अनुमान है कि हालांकि समानांतर अवस्थाओं को बनाए रखने में अग्रिम लागत होती है, लेकिन संदर्भ बदलने पर बैकट्रैकिंग और पुन: गणना की आवश्यकता को समाप्त करके यह लंबे समय में अधिक ऊर्जा-कुशल हो सकता है।
नियंत्रण: फ्रेमवर्क प्रश्न को "क्या AI को अस्पष्टता हल करनी चाहिए?" से बदलकर "कब, कैसे, और किसके नियंत्रण में AI को अस्पष्टता हल करनी चाहिए?" में बदल देता है।

निष्कर्षतः, NRR-Core अस्पष्टता प्रबंधन के लिए परिष्कृत क्षमता वाले AI सिस्टम बनाने के लिए एक पुनरुत्पादक (reproducible) और परीक्षण योग्य प्रोटोकॉल प्रदान करता है, जो न्यूरल नेटवर्क में शास्त्रीय पहचान धारणाओं की सीमाओं से आगे जाता है।