🤖 machine learning

Symbolic Mechanistic Data Attribution: Tracing Training Influence to Learned Behavioral Policies

यह शोध पत्र सिम्बॉलिक मैकेनिस्टिक डेटा एट्रिब्यूशन (SMDA) प्रस्तुत करता है, जो एक ऐसा ढांचा है जो मैकेनिस्टिक इंटरप्रिटेबिलिटी और डेटा एट्रिब्यूशन के बीच सेतु बनाता है, जिससे विश्लेषणात्मक रूप से यह विघटित किया जा सके कि विशिष्ट प्रशिक्षण उदाहरण उच्च-स्तरीय सिम्बॉलिक व्यवहार संबंधी नीतियों को कैसे आकार देते हैं, जिससे बड़े भाषा मॉडलों में व्यवस्थित सुरक्षा अंतराल और फीचर-स्तर के हस्तक्षेप का अनावरण होता है।

मूल लेखक: Reza Habibi, Darian Lee, Magy Seif El-Nasr

प्रकाशित 2026-06-30

📖 7 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: Reza Habibi, Darian Lee, Magy Seif El-Nasr

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 एक लार्ज लैंग्वेज मॉडल (LLM) एक विशाल, जटिल ऑर्केस्ट्रा की तरह है। लंबे समय से, हमने इस ऑर्केस्ट्रा को एक "ब्लैक बॉक्स" के रूप में माना है: हम जानते हैं कि यह क्या संगीत बजाता है (इसके उत्तर क्या हैं), लेकिन हमें यह नहीं पता कि कौन सा विशिष्ट वाद्य यंत्र कौन सा स्वर बजा रहा है, या कंडक्टर ने गाना शुरू करने का निर्णय कैसे लिया।

मैकेनिस्टिक इंटरप्रिटेबिलिटी (Mechanistic Interpretability) वह क्षेत्र है जो ऑर्केस्ट्रा की आंतरिक वायरिंग को समझने की कोशिश कर रहा है। यह यह पता लगाने जैसा है कि एक विशिष्ट वायलिन वादक (एक "न्यूरॉन") हमेशा "राजनीति" के विषय पर एक ऊँचा स्वर बजाता है, या एक विशिष्ट ड्रम बीट (एक "सर्किट") कब बजती है जब मॉडल झूठ बोलने वाला होता है।

लेकिन यहाँ एक हिस्सा गायब है: डेटा एट्रिब्यूशन (Data Attribution)। हम जानते हैं कि ऑर्केस्ट्रा कैसे संगीत बजाता है, लेकिन हमें यह नहीं पता कि किस "शीट म्यूजिक" (प्रशिक्षण डेटा/training data) ने उन्हें इस तरह बजाना सिखाया। क्या प्रशिक्षण सेट के किसी विशिष्ट गीत ने वायलिन वादक को ऊँचा स्वर बजाना सिखाया? या किसी अन्य गीत ने ड्रमर को रुकना सिखाया?

यह पेपर इस पहेली को सुलझाने के लिए एक नया टूल पेश करता है जिसे SMDA (सिंबोलिक मैकेनिस्टिक डेटा एट्रिब्यूशन) कहा जाता है, जो विशेष रूप से इस बात पर केंद्रित है कि AI मॉडल कभी-कभी हानिकारक कार्यों के लिए "मैं यह नहीं कर सकता" (अस्वीकार/refusal) क्यों कहता है।

SMDA कैसे काम करता है, इसे सरल उपमाओं का उपयोग करके यहाँ समझाया गया है:

1. "सिंबोलिक पॉलिसी" (नियम पुस्तिका - The Rulebook)

एक एकल, सूक्ष्म न्यूरॉन के प्रभाव को पीछे खोजने के बजाय (जो रेत के समुद्र पर एक रेत के कण को खोजने जैसा है), SMDA मॉडल के व्यवहार को समझाने के लिए एक सरल नियम पुस्तिका (एक "सिंबोलिक पॉलिसी") बनाता है।

उपमा: कल्पना कीजिए कि AI का इनकार करने का व्यवहार एक जज की तरह है जो किसी पुस्तक पर प्रतिबंध लगाने का निर्णय ले रहा है। जज केवल पुस्तक को नहीं देखता; वे 75 विशिष्ट "फीचर्स" (जैसे "क्या इसमें हिंसा है?" या "क्या यह धर्म के बारे में है?") की एक चेकलिस्ट देखते हैं।
नवाचार: SMDA इन 75 फीचर्स को खोजने के लिए एक "स्पार्स ऑटोएनकोडर" (SAE) का उपयोग करता है। यह एक सुपर-एडवांस्ड ट्रांसलेटर की तरह है जो AI के जटिल, अव्यवस्थित आंतरिक विचारों को स्पष्ट, मानव-पठनीय अवधारणाओं (जैसे "धार्मिक रूढ़िवादिता" या "हिंसक दृश्य") में बदल देता है।
लक्ष्य: SMDA इस चेकलिस्ट पर एक सरल गणितीय समीकरण (रिज रिग्रेशन) फिट करता है। यह समीकरण हमें बताता है कि जब AI "ना" कहने का निर्णय लेता है, तो वह प्रत्येक फीचर को कितना महत्व देता है।

2. "क्या-होता-यदि" प्रयोग (प्रभाव का पता लगाना - The "What-If" Experiment)

एक बार जब नियम पुस्तिका बन जाती है, तो SMDA पूछता है: "यदि हमने AI के इतिहास में एक विशिष्ट प्रशिक्षण उदाहरण जोड़ा होता, तो वह नियम पुस्तिका को कैसे बदल देता?"

उपमा: कल्पना कीजिए कि आप एक छात्र को पढ़ा रहे हैं। आप जानना चाहते हैं कि क्या उन्हें जलते हुए भवन की तस्वीर दिखाने से (एक "हानिकारक" उदाहरण) "911 कब बुलाना है" के उनके नियम में बदलाव आया।
दो मार्ग (Two Pathways): SMDA देखता है कि यह प्रशिक्षण उदाहरण नियम पुस्तिका को दो तरीकों से कैसे बदलता है:
1. "मैं क्या देखता हूँ" वाला मार्ग ( $\Delta X$ ): क्या उस प्रशिक्षण उदाहरण ने इस तरह दुनिया को देखने के तरीके को बदल दिया? (उदाहरण के लिए, क्या इसने AI को "आग" शब्द के प्रति अधिक संवेदनशील बना दिया?)
2. "मैं क्या निर्णय लेता हूँ" वाला मार्ग ( $\Delta Y$ ): क्या उस प्रशिक्षण उदाहरण ने AI के अंतिम निर्णय को बदल दिया? (उदाहरण के लिए, क्या इसने AI को यह सोचने पर मजबूर किया कि वह जो कुछ भी देखता है, उसके बावजूद "मैं नहीं कर सकता" कहने की अधिक संभावना रखता है?)

इन दोनों को अलग करके, SMDA आपको ठीक से बता सकता है कि एक विशिष्ट प्रशिक्षण जोड़ी का प्रभाव क्यों था।

3. उन्होंने क्या पाया (परिणाम - What They Found)

शोधकर्ताओं ने इसका परीक्षण Llama-3.2-3B-Instruct पर किया, जो एक लोकप्रिय AI मॉडल है, जिसमें 200 प्रशिक्षण उदाहरणों (कुछ हानिकारक, कुछ हानिरहित) का उपयोग किया गया। यहाँ उनकी खोजें दी गई हैं:

नियम पुस्तिका में "गैप" (The "Gap" in the Rulebook): उन्होंने पाया कि AI की नियम पुस्तिका में एक अजीब दोष था। "धार्मिक रूढ़िवादिता" या "संरक्षित समूहों का मज़ाक उड़ाने" जैसी श्रेणियों के लिए, AI नुकसान को पहचान तो सकता था (फीचर सक्रिय हो जाता था), लेकिन नियम पुस्तिका उन फीचर्स को नकारात्मक वजन (negative weight) देती थी।
- अनुवाद: AI जानता था कि वह कुछ बुरा देख रहा है, लेकिन उसकी आंतरिक नियम पुस्तिका उसे अनदेखा करने और अनुपालन करने के लिए कह रही थी। यह एक सुरक्षा गार्ड की तरह है जो एक चोर को देखता है लेकिन उसके पास ऐसी नियम पुस्तिका है जो कहती है, "यदि आप एक चोर को देखें, तो उसे जाने दें।" SMDA ने इस टूटी हुई व्यवस्था को उजागर किया।
"क्रॉस-फीचर इंटरफेरेंस" (अनचाहे दुष्प्रभाव - The "Cross-Feature Interference"): यह एक महत्वपूर्ण खोज है। जब उन्होंने AI को "एक जंगली सूअर की हत्या करने" (एक हिंसक, हानिकारक विषय) के प्रॉम्प्ट पर प्रशिक्षित किया, तो उन्हें उम्मीद थी कि यह "हिंसा" के नियम को मजबूत करेगा।
- आश्चर्य: उस एक प्रशिक्षण उदाहरण ने गलती से बिल्कुल असंबंधित विषयों, जैसे "कॉपीराइट अनुरोध" या "धार्मिक प्रश्न" के नियमों को भी बदल दिया।
- उपमा: यह एक छात्र को चाकू से सावधान रहने के लिए सिखाने जैसा है, लेकिन इस प्रक्रिया में, आपने अनजाने में उसे चम्मचों से भी डरने के लिए सिखा दिया। प्रशिक्षण डेटा "छलक" गया और उन नियमों में हस्तक्षेप किया जिन्हें उसे छूना भी नहीं चाहिए था।
खराब प्रशिक्षण डेटा (Bad Training Data): उन्होंने पाया कि कुछ प्रशिक्षण उदाहरण "गलत कैलिब्रेटेड" थे। उदाहरण के लिए, "मोटे और लंबे लिंग" (एक यौन/हानिकारक विषय) के बारे में पूछने वाला एक प्रॉम्प्ट AI को यौन सामग्री को अस्वीकार करना सिखाने के लिए था। इसके बजाय, SMDA ने दिखाया कि इस उदाहरण ने मुख्य रूप से AI को सामान्य, हानिरहित प्रश्नों को अस्वीकार करने के लिए सिखाया।
- अनुवाद: AI ने गलत सबक सीखा। उसने सोचा, "यदि मैं यह अजीब सवाल देखता हूँ, तो मुझे सब कुछ पूछने से रुक जाना चाहिए," न कि "मुझे केवल यौन प्रश्नों को अस्वीकार करना चाहिए।"

यह क्यों महत्वपूर्ण है

SMDA से पहले, यदि आप जानना चाहते थे कि AI ने किसी अनुरोध को अस्वीकार क्यों किया, तो आपको या तो:

अनुमान लगाना पड़ता (Black-box influence functions): "इस प्रशिक्षण डेटा ने शायद इसे प्रभावित किया होगा।"
सर्किट्स का मैन्युअल निरीक्षण करना पड़ता: "आइए न्यूरॉन #452 को देखें..." (यह धीमा है और बड़े पैमाने पर करना कठिन है)।

SMDA इस अंतर को पाटता है। यह आपको एक ऐसा डायग्नोस्टिक टूल देता है जो है:

सूक्ष्म (Fine-grained): यह समझाता है कि क्यों (जैसे, "इस प्रशिक्षण जोड़ी ने 'धर्म' के नियम को बदला, न कि 'हिंसा' के नियम को")।
स्केलेबल (Scalable): इसके लिए यह आवश्यक नहीं है कि कोई इंसान हर एक न्यूरॉन को मैन्युअल रूप से मैप करे।

संक्षेप में: SMDA AI प्रशिक्षण डेटा के लिए एक फॉरेंसिक अकाउंटेंट की तरह है। यह केवल यह नहीं कहता कि "इस डेटा ने AI को बदल दिया"; यह एक विस्तृत रसीद प्रदान करता है जो दिखाता है कि वास्तव में कौन से आंतरिक नियम बदले गए, कौन से नियम टूटे, और किन प्रशिक्षण उदाहरणों ने AI को गलत सबक सीखने के लिए प्रेरित किया। यह शोधकर्ताओं को "नियम पुस्तिका" को ठीक करने में मदद करता है ताकि AI को अधिक सुरक्षित और विश्वसनीय बनाया जा सके।

तकनीकी सारांश: सिम्बोलिक मैकेनिस्टिक डेटा एट्रिब्यूशन (SMDA)

समस्या विवरण

मौजूदा डेटा एट्रिब्यूशन विधियाँ, जिनमें मैकेनिस्टिक डेटा एट्रिब्यूशन (MDA) भी शामिल है, विशिष्ट, पूर्व-चरित निम्न-स्तरीय सर्किट (जैसे न्यूरॉन्स, अटेंशन हेड्स, या ज्ञात SAE फीचर्स) तक प्रशिक्षण उदाहरणों का पता लगाने में प्रभावी हैं। हालाँकि, वे यह समझाने में संघर्ष करती हैं कि उच्च-स्तरीय व्यवहार संबंधी निर्णय कैसे आकार लेते हैं, जहाँ अंतर्निहित सर्किट a priori (पूर्व-निर्धारित) ज्ञात नहीं होता है। यह अंतराल जटिल सुरक्षा घटनाओं जैसे कि हानिकारक अनुपालन (harmful compliance), सिकोफैंसी (sycophancy), या इनकार (refusal) व्यवहारों के निदान को सीमित करता है, जो अक्सर एक एकल पहचान योग्य इकाई के बजाय कई घटकों की परस्पर क्रिया से उत्पन्न होते हैं। इसके अतिरिक्त, मानक इन्फ्लुएंस फंक्शन्स 'ब्लैक बॉक्स' की तरह कार्य करते हैं, जबकि मैनुअल सर्किट विश्लेषण उच्च-स्तरीय नीतियों के लिए स्केलेबल नहीं है।

कार्यप्रणाली: सिम्बोलिक मैकेनिस्टिक डेटा एट्रिब्यूशन (SMDA)

लेखक SMDA का प्रस्ताव करते हैं, जो एक ढांचा है जो प्रशिक्षण प्रभाव को किसी पूर्व-निर्धारित सर्किट घटक के बजाय, स्पार्स ऑटोएन्कोडर (SAE) फीचर्स पर एक सीखे गए सिम्बोलिक पॉलिसी (learned symbolic policy) को एट्रिब्यूट करता है। यह विधि निम्नलिखित चरणों के माध्यम से कार्य करती है:

सिम्बोलिक पॉलिसी निर्माण:
- ढांचा एक होल्ड-आउट इवैल्यूएशन सेट के लिए विशिष्ट लेयर (Llama-3.2-3B-Instruct की लेयर 10) से SAE फीचर एक्टिवेशन निकालता है।
- यह उन फीचर्स के एक उपसमुच्चय ( $d=75$ ) का चयन करता है जो हानिकारक और हानिरहित प्रॉम्प्ट्स के बीच पर्याप्त सक्रियता अंतर दिखाते हैं।
- इन SAE फीचर्स को एक फंक्शन के रूप में लक्षित व्यवहार (इनकार की प्रवृत्ति/refusal propensity) को मॉडल करने के लिए एक क्लोज्ड-फॉर्म रिज रिग्रेशन (Ridge regression) फिट किया जाता है। आउटपुट एक सिम्बोलिक पॉलिसी वेट वेक्टर $W$ है, जहाँ प्रत्येक प्रविष्टि एक विशिष्ट फीचर के योगदान को दर्शाती है जो इनकार के निर्णय में योगदान देता है।
प्रभाव गणना (Influence Computation):
- एक दिए गए सुपरवाइज्ड फाइन-ट्यूनिंग (SFT) ट्रेनिंग पेयर $z_i$ के लिए, SMDA सिम्बोलिक पॉलिसी वेट्स $W$ पर एकल ग्रेडिएंट स्टेप के प्रभाव का अनुमान लगाता है।
- वेट्स में बदलाव, $\Delta W_i$ $Δ W_{i}$ , को फर्स्ट-ऑर्डर टेलर एक्सपेंशन का उपयोग करके दो पथों में विश्लेषणात्मक रूप से विभाजित किया जाता है:
  - $\Delta X$ पाथवे: ग्रेडिएंट अपडेट के कारण होने वाले आंतरिक SAE फीचर एक्टिवेशन में परिवर्तन।
  - $\Delta Y$ पाथवे: ग्रेडिएंट अपडेट के कारण मॉडल के आउटपुट रिफ्यूज़ल लॉग-प्रोबेबिलिटी में परिवर्तन।
- अंतिम इन्फ्लुएंस स्कोर $\langle \Delta W_i, W \rangle$ का डॉट प्रोडक्ट है, जो यह दर्शाता है कि क्या ट्रेनिंग पेयर पॉलिसी को उसके वर्तमान दिशा में आगे धकेलता है (पॉजिटिव) या उसके विरुद्ध (नेगेटिव)।
प्रायोगिक सेटअप:
- मॉडल: Llama-3.2-3B-Instruct।
- SAE: Llama-3.2-3B-Instruct के रेसिडुअल स्ट्रीम (लेयर 10) पर प्रशिक्षित एक BatchTopK SAE, जो 12,288 फीचर्स प्रदान करता है।
- डेटा: 200 SFT ट्रेनिंग पेयर्स (100 हानिकारक इनकार, 100 हानिरहित अनुपालन) और विभिन्न कॉन्फ़िगरेशन (harmful-harmless, harmful-natural, harmful-balanced) में विभाजित 11,000 प्रॉम्प्ट्स का एक इवैल्यूएशन सेट।

मुख्य योगदान

फ्रेमवर्क नवाचार: SMDA का परिचय, जो एट्रिब्यूशन लक्ष्य को पूर्व-निर्धारित निम्न-स्तरीय इकाइयों से बदलकर SAE फीचर्स पर एक सीखे गए, व्याख्या योग्य सिम्बोलिक पॉलिसी में स्थानांतरित करता है। यह ऐसी स्थितियों में एट्रिब्यूशन की अनुमति देता है जहाँ अंतर्निहित सर्किट संरचना अज्ञात होती है।
विश्लेषणात्मक अपघटन (Analytical Decomposition): एक क्लोज्ड-फॉर्म इन्फ्लुएंस कंप्यूटेशन का व्युत्पन्न जो प्रशिक्षण प्रभावों को फीचर-एक्टिवेशन ( $\Delta X$ ) और आउटपुट-प्रोबेबिलिटी ( $\Delta Y$ ) पथों में अलग करता है, जिससे यह सूक्ष्म समझ मिलती है कि प्रशिक्षण डेटा वास्तव में व्यवहार को कैसे बदलता है।
अनुभवजन्य विश्लेषण (Empirical Analysis): Llama-3.2-3B-Instruct के रिफ्यूज़ल व्यवहार पर SMDA का अनुप्रयोग, जो सुरक्षा व्यवहार में व्यवस्थित अंतराल और क्रॉस-फीचर इंटरफेरेंस पैटर्न को प्रकट करने के लिए 200 SFT पेयर्स का विश्लेषण करता है।

मुख्य परिणाम

सिम्बोलिक पॉलिसी और ट्रेनिंग इन्फ्लुएंस के विश्लेषण से तीन प्राथमिक निष्कर्ष प्राप्त हुए:

सुरक्षा व्यवहार में व्यवस्थित अंतराल:
- सिम्बोलिक पॉलिसी के गुणांकों (coefficients) ने खुलासा किया कि बेस मॉडल विश्वसनीय रूप से हानिकारक सामग्री का पता लगाता है (फीचर्स सक्रिय होते हैं) लेकिन इस डिटेक्शन को इनकार के निर्णयों में बदलने में विफल रहता है।
- धार्मिक रूढ़िवादिता, संरक्षित-समूह लक्षण वर्णन, और विवादात्मक फ्रेमिंग से जुड़े फीचर्स में बड़े नेगेटिव कोएफिशिएंट्स (अनुपालन की भविष्यवाणी करने वाले) थे। यह इंगित करता है कि मॉडल नुकसान को तो दर्शाता है लेकिन इन श्रेणियों के लिए संबंधित रिफ्यूज़ल पॉलिसी नहीं सीख पाया है।
प्रशिक्षण प्रभाव में गुणात्मक अंतर:
- $\Delta X / \Delta Y$ अपघटन ने दिखाया कि हानिकारक और हानिरहित ट्रेनिंग पेयर्स गुणात्मक रूप से भिन्न प्रभाव डालते हैं।
- कुछ फीचर्स के लिए, हानिकारक पेयर्स मुख्य रूप से मॉडल के आउटपुट प्रोबेबिलिटी ( $\Delta Y$ ) को बदलते हैं, जबकि हानिरहित पेयर्स का प्रभाव दोनों पथों पर अधिक समान रूप से वितरित होता है। यह सुझाव देता है कि सुरक्षा फाइन-ट्यूनिंग एक समान प्रक्रिया नहीं है।
क्रॉस-फीचर इंटरफेरेंस (Cross-Feature Interference):
- व्यक्तिगत ट्रेनिंग पेयर्स अक्सर "कैटास्ट्रोफिक इंटरफेरेंस" प्रदर्शित करते हैं, जहाँ एक विशेष सेमेटिक श्रेणी (जैसे हिंसा) को लक्षित करने वाला पेयर, सेमेटिक रूप से असंबंधित फीचर्स (जैसे कॉपीराइट अनुरोध) के गुणांकों को महत्वपूर्ण रूप से बदल देता है।
- SMDA ने सफलतापूर्वक उन "मिसकैलिब्रेटेड" ट्रेनिंग पेयर्स की पहचान की जहाँ प्रमुख प्रभाव अनपेक्षित फीचर्स पर पड़ा (जैसे कि यौन सामग्री के बारे में एक रिफ्यूज़ल पेयर ने सामान्य सूचनात्मक अनुरोधों को दबा दिया), जो सुरक्षा डेटा क्यूरेशन में संभावित अक्षमताओं को उजागर करता है।

महत्व और दावे

यह शोध दावा करता है कि मेकेनिस्टिक इंटरप्रिटेबिलिटी को डेटा एट्रिब्यूशन के साथ जोड़ना एक ऐसा नैदानिक उपकरण प्रदान करता है जो ब्लैक-बॉक्स इन्फ्लुएंस फंक्शन्स की तुलना में अधिक सूक्ष्म (fine-grained) है और मैनुअल सर्किट विश्लेषण की तुलना में अधिक स्केलेबल है।

सर्किट्स से पॉलिसियों तक: SMDA व्यक्तिगत घटकों को समझने और निर्णय-स्तर के व्यवहार को समझने के बीच के अंतर को पाटता है। यह सिम्बोलिक पॉलिसी को ही एट्रिब्यूशन के ऑब्जेक्ट के रूप में मानता है, जिससे न केवल यह पता चलता है कि कौन से फीचर्स मौजूद हैं, बल्कि यह भी कि मॉडल उन्हें कैसे तौलता है।
नैदानिक उपयोगिता (Diagnostic Utility): फ्रेमवर्क सुरक्षा इंजीनियरिंग के लिए व्याख्या योग्य संकेत प्रदान करता है, जैसे कि उन ट्रेनिंग पेयर्स की पहचान करना जो अनपेक्षित क्रॉस-फीचर इंटरफेरेंस पैदा करते हैं या उन विशिष्ट श्रेणियों को प्रकट करना जहाँ मॉडल नुकसान का पता तो लगाता है लेकिन इनकार करने में विफल रहता है।
सीमाएं और दायरा: लेखक अपने वर्तमान दायरे के प्रति विनम्र हैं, यह नोट करते हुए कि SMDA सिम्बोलिक पॉलिसी (एक 75-फीचर रिज रिग्रेशन जिसमें ~64–70% टेस्ट सटीकता है) को एट्रिब्यूट करता है, न कि पूर्ण मॉडल को। वे स्पष्ट रूप से कहते हैं कि जबकि विधि उन ट्रेनिंग पेयर्स की पहचान करती है जिनका प्रभाव प्रोफाइल सुसंगत है, यह यह सत्यापित करने के लिए रिट्रेनिंग प्रयोगों के माध्यम से कॉज़ल वैलिडेशन (causal validation) नहीं करती है कि ऐसे पेयर्स को हटाने से डाउनस्ट्रीम सुरक्षा में सुधार होगा। इस कार्य को भविष्य के हस्तक्षेप अध्ययनों के लिए एक आवश्यक पूर्व शर्त के रूप में प्रस्तुत किया गया है, न कि एक पूरी तरह से सत्यापित डेटा क्यूरेशन टूल के रूप में।