chatGPT ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੈਕਸਟ ਪਾਰਸਿੰਗ

ਟੈਕਸਟ ਐਨਾਲਿਟਿਕਸ, ਜਾਂ ਟੈਕਸਟ ਮਾਈਨਿੰਗ, ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਗੈਰ-ਸੰਗਠਿਤ ਟੈਕਸਟ ਡੇਟਾ ਤੋਂ ਕੀਮਤੀ ਸੂਝ ਕੱਢਣ ਲਈ ਇੱਕ ਮਹੱਤਵਪੂਰਣ ਤਕਨੀਕ ਹੈ। 

ਇਸ ਵਿੱਚ ਪੈਟਰਨਾਂ, ਰੁਝਾਨਾਂ ਅਤੇ ਸਬੰਧਾਂ ਨੂੰ ਖੋਜਣ ਲਈ ਟੈਕਸਟ ਦੀ ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਵਿਸ਼ਲੇਸ਼ਣ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ।

ਇਹ ਕੰਪਨੀਆਂ, ਖੋਜਕਰਤਾਵਾਂ ਅਤੇ ਸੰਸਥਾਵਾਂ ਨੂੰ ਟੈਕਸਟ ਤੋਂ ਇਕੱਠੀ ਕੀਤੀ ਜਾਣਕਾਰੀ ਦੇ ਆਧਾਰ 'ਤੇ ਫੈਸਲੇ ਲੈਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। 

ਜਿਵੇਂ ਕਿ ਗੈਰ-ਸੰਗਠਿਤ ਡੇਟਾ ਦੀ ਮਾਤਰਾ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦੀ ਜਾ ਰਹੀ ਹੈ, ਮਾਰਕੀਟਿੰਗ, ਵਿੱਤ, ਸਿਹਤ ਸੰਭਾਲ, ਅਤੇ ਸਮਾਜਿਕ ਵਿਗਿਆਨ ਦੇ ਰੂਪ ਵਿੱਚ ਵਿਭਿੰਨ ਉਦਯੋਗਾਂ ਵਿੱਚ ਸਟੀਕ ਅਤੇ ਕੁਸ਼ਲ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਸਾਧਨਾਂ ਦੀ ਲੋੜ ਤੇਜ਼ੀ ਨਾਲ ਨਾਜ਼ੁਕ ਬਣ ਗਈ ਹੈ।

ਰਵਾਇਤੀ ਤੌਰ 'ਤੇ, ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਨਿਯਮ-ਅਧਾਰਿਤ ਤਰੀਕਿਆਂ ਅਤੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਤਕਨੀਕਾਂ ਜਿਵੇਂ ਕਿ SpaCY ਅਤੇ ਟ੍ਰਾਂਸਫਾਰਮਰ ਤਕਨੀਕ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤਾ ਗਿਆ ਹੈ। ਹਾਲਾਂਕਿ ਇਹ ਵਿਧੀਆਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੋਈਆਂ ਹਨ, ਉਹਨਾਂ ਨੂੰ ਸੰਪੂਰਨ ਕਰਨ ਲਈ ਕਾਫ਼ੀ ਮਿਹਨਤ ਅਤੇ ਮੁਹਾਰਤ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ।

ਵੱਡੇ ਭਾਸ਼ਾ ਮਾਡਲਾਂ (LLM) ਦੇ ਆਗਮਨ ਨਾਲ ਜਿਵੇਂ ਕਿ ਚੈਟਜੀਪੀਟੀ di ਓਪਨਏਆਈ. ਇਸ ਨੇ ਮਨੁੱਖੀ-ਵਰਗੇ ਟੈਕਸਟ ਬਣਾਉਣ ਅਤੇ ਸੰਦਰਭ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਕਮਾਲ ਦੀਆਂ ਯੋਗਤਾਵਾਂ ਦਾ ਪ੍ਰਦਰਸ਼ਨ ਕੀਤਾ ਹੈ, ਇਸ ਨੂੰ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਕਾਰਜਾਂ ਲਈ ਇੱਕ ਸ਼ਾਨਦਾਰ ਸੰਦ ਬਣਾਉਂਦਾ ਹੈ ਜਿਵੇਂ ਕਿ entity recognition, sentiment analysis, ਈ topic modeling.

ਆਉ ਹੁਣ ਦੇਖੀਏ ਕਿ ਅਸੀਂ ਚੈਟਜੀਪੀਟੀ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਟੈਕਸਟ ਪਾਰਸਿੰਗ ਕਿਵੇਂ ਕਰ ਸਕਦੇ ਹਾਂ।

ਰਵਾਇਤੀ ਵਿਧੀ (ਸਿੰਗਲ ਮਾਡਲ) ਬਨਾਮ. ਐਲ.ਐਲ.ਐਮ

ਅਤੀਤ ਵਿੱਚ, ਅਸੀਂ ਹਮੇਸ਼ਾ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਵਿੱਚ ਵੱਖ-ਵੱਖ ਕੰਮਾਂ ਲਈ ਵੱਖ-ਵੱਖ ਮਾਡਲਾਂ ਦੀ ਵਰਤੋਂ ਕੀਤੀ ਹੈ। ਉਦਾਹਰਨ ਲਈ, ਜੇਕਰ ਮੈਂ ਕਿਸੇ ਟੈਕਸਟ ਤੋਂ ਗਿਆਨ ਨੂੰ ਕੱਢਣਾ ਚਾਹੁੰਦਾ ਹਾਂ, ਤਾਂ ਮੈਨੂੰ ਇੱਕ ਨਾਮਿਤ ਇਕਾਈ ਮਾਨਤਾ ਮਾਡਲ (NER - Named Entity Recognition), ਜੇਕਰ ਮੈਨੂੰ ਮੇਰੇ ਟੈਕਸਟ ਨੂੰ ਵੱਖਰੀਆਂ ਕਲਾਸਾਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਲੋੜ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਇੱਕ ਵਰਗੀਕਰਨ ਮਾਡਲ ਦੀ ਲੋੜ ਪਵੇਗੀ। ਹਰੇਕ ਵੱਖਰੀ ਗਤੀਵਿਧੀ ਲਈ ਮਾਡਲਾਂ ਨੂੰ ਹਰੇਕ ਗਤੀਵਿਧੀ ਲਈ ਵੱਖਰੇ ਤੌਰ 'ਤੇ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਾਂ ਤਾਂ ਟਰਾਂਸਫਰ ਲਰਨਿੰਗ ਦੁਆਰਾ ਜਾਂ ਸਿਖਲਾਈ ਦੁਆਰਾ।

ਦੀ ਜਾਣ-ਪਛਾਣ ਦੇ ਨਾਲ Large Language Models (LLM), ਇੱਕ LLM ਮਾਡਲ ਸਿਖਲਾਈ ਦੇ ਨਾਲ ਜਾਂ ਬਿਨਾਂ ਕਈ NLP ਕਾਰਜ ਕਰਨ ਦੇ ਯੋਗ ਹੋਵੇਗਾ। ਕੋਈ ਵੀ ਗਤੀਵਿਧੀ ਹੋ ਸਕਦੀ ਹੈ defiਸਿਰਫ਼ ਪ੍ਰੋਂਪਟ ਵਿੱਚ ਨਿਰਦੇਸ਼ਾਂ ਨੂੰ ਬਦਲ ਕੇ ਨਿਸ਼ਚਿਤ ਕੀਤਾ ਗਿਆ ਹੈ।

ਹੁਣ ਆਓ ਦੇਖੀਏ ਕਿ ਰਵਾਇਤੀ NLP ਟਾਸਕ ਨੂੰ ਕਿਵੇਂ ਕਰਨਾ ਹੈ ਚੈਟਜੀਪੀਟੀ ਅਤੇ ਇਸਦੀ ਤੁਲਨਾ ਰਵਾਇਤੀ ਤਰੀਕੇ ਨਾਲ ਕਰੋ। NLP ਕਾਰਜ ਜੋ ਦੁਆਰਾ ਕੀਤੇ ਜਾਣਗੇ ਚੈਟਜੀਪੀਟੀ ਇਸ ਲੇਖ ਵਿੱਚ ਹਨ:

• ਗਿਆਨ ਕੱਢਣ (NER)
• ਟੈਕਸਟ ਵਰਗੀਕਰਨ
• Sentiment analysis
• ਸੰਖੇਪ

ਗਿਆਨ ਕੱਢਣ (NER)

ਨਾਮਿਤ ਹਸਤੀ ਮਾਨਤਾ (NER) ਟੈਕਸਟ ਡੇਟਾ ਦੇ ਵੱਖ-ਵੱਖ ਬਲਾਕਾਂ ਵਿੱਚ ਆਪਣੇ ਆਪ ਹੀ ਸ਼ਬਦਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਦੇ ਕੰਮ ਨੂੰ ਦਰਸਾਉਂਦੀ ਹੈ। ਇਹ ਮੁੱਖ ਤੌਰ 'ਤੇ ਮਹੱਤਵਪੂਰਨ ਇਕਾਈ ਸ਼੍ਰੇਣੀਆਂ ਜਿਵੇਂ ਕਿ ਕਲੀਨਿਕਲ ਨੋਟਸ ਤੋਂ ਦਵਾਈਆਂ ਦੇ ਨਾਮ, ਬੀਮਾ ਦਾਅਵਿਆਂ ਤੋਂ ਦੁਰਘਟਨਾ-ਸਬੰਧਤ ਸ਼ਰਤਾਂ, ਅਤੇ ਰਿਕਾਰਡਾਂ ਤੋਂ ਹੋਰ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਸ਼ਰਤਾਂ ਨੂੰ ਕੱਢਣ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਹੈ।

ਨੋਟ ਕਰੋ ਕਿ ਇਹ ਗਤੀਵਿਧੀ ਮੈਡੀਕਲ ਡੋਮੇਨ ਲਈ ਵਿਸ਼ੇਸ਼ ਹੈ। ਇਹ ਸਾਨੂੰ ਟੈਕਸਟ ਵਿੱਚ ਖਾਸ ਕਲਾਸ ਅਤੇ ਸ਼ਬਦ ਨੂੰ ਜਾਣਨ ਲਈ ਇੱਕ ਸਿੰਗਲ ਮਾਡਲ ਲਈ ਡੇਟਾ ਦੀਆਂ 10.000 ਤੋਂ ਵੱਧ ਕਤਾਰਾਂ ਨੂੰ ਐਨੋਟੇਟ ਕਰਨ ਅਤੇ ਸਿਖਲਾਈ ਦੇਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਸੀ। ਚੈਟਜੀਪੀਟੀ ਬਿਨਾਂ ਕਿਸੇ ਪ੍ਰੀ-ਟ੍ਰੇਂਡ ਟੈਕਸਟ ਜਾਂ ਫਾਈਨ-ਟਿਊਨਿੰਗ ਦੇ ਸ਼ਬਦ ਦੀ ਸਹੀ ਪਛਾਣ ਕਰ ਸਕਦਾ ਹੈ, ਜੋ ਕਿ ਇੱਕ ਮੁਕਾਬਲਤਨ ਵਧੀਆ ਨਤੀਜਾ ਹੈ!

ਟੈਕਸਟ ਵਰਗੀਕਰਨ

ਟੈਕਸਟ ਵਰਗੀਕਰਣ ਵਿਸ਼ਾਲ ਡੇਟਾ ਤੋਂ ਟੈਕਸਟ ਨੂੰ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਲੱਭਣ ਅਤੇ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨ ਦੀ ਆਟੋਮੈਟਿਕ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਇਹ ਟੈਕਸਟ ਡੇਟਾ ਪ੍ਰਾਪਤੀ ਅਤੇ ਐਕਸਟਰੈਕਸ਼ਨ ਵਿੱਚ ਇੱਕ ਜ਼ਰੂਰੀ ਭੂਮਿਕਾ ਅਦਾ ਕਰਦਾ ਹੈ। ਟੈਕਸਟ ਵਰਗੀਕਰਣ ਐਪਲੀਕੇਸ਼ਨਾਂ ਦੀਆਂ ਉਦਾਹਰਨਾਂ ਵਿੱਚ ਕਲੀਨਿਕਲ ਅਲਰਟ ਜਾਂ ਜੋਖਮ ਕਾਰਕ ਵਰਗੀਕਰਨ, ਆਟੋਮੈਟਿਕ ਡਾਇਗਨੌਸਟਿਕ ਵਰਗੀਕਰਨ, ਅਤੇ ਸਪੈਮ ਖੋਜ ਸ਼ਾਮਲ ਹਨ।

Sentiment analysis

Sentiment analysis ਟੈਕਸਟ ਦੇ ਇੱਕ ਟੁਕੜੇ ਵਿੱਚ ਪ੍ਰਗਟ ਕੀਤੀ ਭਾਵਨਾ ਜਾਂ ਭਾਵਨਾ ਨੂੰ ਨਿਰਧਾਰਤ ਕਰਨਾ ਸ਼ਾਮਲ ਹੈ। ਇਸਦਾ ਉਦੇਸ਼ ਟੈਕਸਟ ਨੂੰ ਪੂਰਵ ਸ਼੍ਰੇਣੀਆਂ ਵਿੱਚ ਸ਼੍ਰੇਣੀਬੱਧ ਕਰਨਾ ਹੈdefiਨਾਈਟ, ਜਿਵੇਂ ਕਿ ਸਕਾਰਾਤਮਕ, ਨਕਾਰਾਤਮਕ, ਜਾਂ ਨਿਰਪੱਖ, ਲੇਖਕ ਦੁਆਰਾ ਦੱਸੀ ਗਈ ਅੰਤਰੀਵ ਭਾਵਨਾ ਦੇ ਅਧਾਰ ਤੇ। 

ਭਾਵਨਾ ਵਿਸ਼ਲੇਸ਼ਣ ਦੀਆਂ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

• ਗਾਹਕ ਦੀਆਂ ਸਮੀਖਿਆਵਾਂ ਅਤੇ ਫੀਡਬੈਕ ਦਾ ਵਿਸ਼ਲੇਸ਼ਣ,
• ਸੋਸ਼ਲ ਮੀਡੀਆ ਭਾਵਨਾਵਾਂ ਨੂੰ ਟਰੈਕ ਕਰਨਾ,
• ਮਾਰਕੀਟ ਰੁਝਾਨਾਂ ਦੀ ਨਿਗਰਾਨੀ e
• ਚੋਣ ਮੁਹਿੰਮਾਂ ਦੌਰਾਨ ਸਿਆਸੀ ਭਾਵਨਾਵਾਂ ਦਾ ਮਾਪ।

ਸੰਖੇਪ

ਆਟੋਮੈਟਿਕ ਸੰਖੇਪ ਉਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਦਰਸਾਉਂਦੇ ਹਨ ਜਿਸ ਦੁਆਰਾ ਇੱਕ ਜਾਂ ਇੱਕ ਤੋਂ ਵੱਧ ਦਸਤਾਵੇਜ਼ਾਂ ਦੇ ਮੁੱਖ ਵਿਸ਼ਿਆਂ ਦੀ ਪਛਾਣ ਕੀਤੀ ਜਾਂਦੀ ਹੈ ਅਤੇ ਇੱਕ ਸੰਖੇਪ ਅਤੇ ਸਹੀ ਢੰਗ ਨਾਲ ਪੇਸ਼ ਕੀਤੀ ਜਾਂਦੀ ਹੈ। ਇਹ ਉਪਭੋਗਤਾ ਨੂੰ ਥੋੜ੍ਹੇ ਸਮੇਂ ਵਿੱਚ ਡੇਟਾ ਦੇ ਵੱਡੇ ਹਿੱਸੇ ਨੂੰ ਵੇਖਣ ਦੀ ਆਗਿਆ ਦਿੰਦਾ ਹੈ. ਉਦਾਹਰਨ ਐਪਲੀਕੇਸ਼ਨਾਂ ਵਿੱਚ ਇੱਕ ਸਾਰਾਂਸ਼ ਪ੍ਰਣਾਲੀ ਸ਼ਾਮਲ ਹੁੰਦੀ ਹੈ ਜੋ ਖਬਰਾਂ ਦੇ ਲੇਖਾਂ ਤੋਂ ਐਬਸਟਰੈਕਟਾਂ ਦੀ ਸਵੈਚਲਿਤ ਉਤਪੱਤੀ ਅਤੇ ਖੋਜ ਪੇਪਰ ਐਬਸਟਰੈਕਟਸ ਤੋਂ ਵਾਕਾਂ ਨੂੰ ਕੱਢ ਕੇ ਜਾਣਕਾਰੀ ਦੇ ਸੰਖੇਪ ਬਣਾਉਣ ਦੀ ਆਗਿਆ ਦਿੰਦੀ ਹੈ।

ChatGPT ਇੱਕ ਸ਼ਾਨਦਾਰ ਸੰਖੇਪ ਟੂਲ ਹੈ, ਖਾਸ ਕਰਕੇ ਲੰਬੇ ਲੇਖਾਂ ਅਤੇ ਗੁੰਝਲਦਾਰ ਸਮੀਖਿਆਵਾਂ ਲਈ। ਚੈਟਜੀਪੀਟੀ ਵਿੱਚ ਸਮੀਖਿਆਵਾਂ ਨੂੰ ਪੇਸਟ ਕਰਕੇ, ਅਸੀਂ ਇੱਕ ਨਜ਼ਰ ਵਿੱਚ ਉਤਪਾਦ ਸਮੀਖਿਆ ਦੇ ਸੰਖੇਪ ਨੂੰ ਆਸਾਨੀ ਨਾਲ ਜਾਣ ਸਕਦੇ ਹਾਂ।

ਐਲਐਲਐਮ ਦੀ ਸੀਮਾ

ਕਿਉਂਕਿ ਇਸ ਲੇਖ ਦਾ ਉਦੇਸ਼ ਟੈਕਸਟ ਵਿਸ਼ਲੇਸ਼ਣ ਕਾਰਜਾਂ ਨੂੰ ਕਰਨ ਲਈ ਐਲਐਲਐਮ ਦੀ ਯੋਗਤਾ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਹੈ, ਇਸ ਲਈ ਉਹਨਾਂ ਦੀਆਂ ਸੀਮਾਵਾਂ ਨੂੰ ਪਛਾਣਨਾ ਵੀ ਜ਼ਰੂਰੀ ਹੈ। ਐਲਐਲਐਮ ਦੀਆਂ ਕੁਝ ਮੁੱਖ ਸੀਮਾਵਾਂ ਵਿੱਚ ਸ਼ਾਮਲ ਹਨ:

1. ਸਰੋਤ ਦੀ ਵਰਤੋਂ : LLMs ਦੀ ਵਰਤੋਂ ਕਰਨ ਲਈ ਮਹੱਤਵਪੂਰਨ ਕੰਪਿਊਟੇਸ਼ਨਲ ਅਤੇ ਵਿੱਤੀ ਸਰੋਤਾਂ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜੋ ਕਿ ਛੋਟੀਆਂ ਸੰਸਥਾਵਾਂ ਜਾਂ ਸੀਮਤ ਸਰੋਤਾਂ ਵਾਲੇ ਵਿਅਕਤੀਗਤ ਖੋਜਕਰਤਾਵਾਂ ਲਈ ਇੱਕ ਚੁਣੌਤੀ ਹੋ ਸਕਦੀ ਹੈ। ਅੱਜ ਤੱਕ, ChatGPT ਇਨਪੁਟ ਅਤੇ ਆਉਟਪੁੱਟ ਲਈ ਲਗਭਗ 8.000 ਟੋਕਨਾਂ ਨੂੰ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ, ਵੱਡੀ ਮਾਤਰਾ ਵਿੱਚ ਡੇਟਾ ਨੂੰ ਪਾਰਸ ਕਰਨ ਲਈ, ਉਪਭੋਗਤਾ ਨੂੰ ਟੈਕਸਟ ਨੂੰ ਡੇਟਾ ਦੇ ਕਈ ਹਿੱਸਿਆਂ ਵਿੱਚ ਵੰਡਣ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਅਤੇ ਕਾਰਜਾਂ ਲਈ ਕਈ API ਕਾਲਾਂ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ।
2. ਪ੍ਰੋਂਪਟ ਵਾਕਾਂਸ਼ ਲਈ ਸੰਵੇਦਨਸ਼ੀਲਤਾ : LLMs ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਨੂੰ ਪ੍ਰੋਂਪਟ ਦੇ ਸ਼ਬਦਾਂ ਦੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਭਾਵਿਤ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਤੁਰੰਤ ਸ਼ਬਦਾਂ ਵਿੱਚ ਇੱਕ ਮਾਮੂਲੀ ਤਬਦੀਲੀ ਵੱਖੋ-ਵੱਖਰੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ, ਜੋ ਇਕਸਾਰ ਅਤੇ ਭਰੋਸੇਯੋਗ ਆਉਟਪੁੱਟ ਦੀ ਤਲਾਸ਼ ਕਰਦੇ ਸਮੇਂ ਚਿੰਤਾ ਦਾ ਕਾਰਨ ਹੋ ਸਕਦੀ ਹੈ।
3. ਡੋਮੇਨ ਵਿਸ਼ੇਸ਼ ਮਹਾਰਤ ਦੀ ਘਾਟ : ਜਦੋਂ ਕਿ LLM ਨੂੰ ਵੱਖ-ਵੱਖ ਡੋਮੇਨਾਂ ਦੀ ਆਮ ਸਮਝ ਹੁੰਦੀ ਹੈ, ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਉਹਨਾਂ ਕੋਲ ਡੋਮੇਨ-ਵਿਸ਼ੇਸ਼ ਡੇਟਾ 'ਤੇ ਸਿਖਲਾਈ ਪ੍ਰਾਪਤ ਵਿਸ਼ੇਸ਼ ਮਾਡਲਾਂ ਦੇ ਬਰਾਬਰ ਮਹਾਰਤ ਨਾ ਹੋਵੇ। ਨਤੀਜੇ ਵਜੋਂ, ਉਹਨਾਂ ਦੀ ਕਾਰਗੁਜ਼ਾਰੀ ਕੁਝ ਮਾਮਲਿਆਂ ਵਿੱਚ ਅਨੁਕੂਲ ਨਹੀਂ ਹੋ ਸਕਦੀ ਹੈ ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਵਧੀਆ-ਟਿਊਨਿੰਗ ਜਾਂ ਬਾਹਰੀ ਗਿਆਨ ਦੀ ਲੋੜ ਹੋ ਸਕਦੀ ਹੈ, ਖਾਸ ਤੌਰ 'ਤੇ ਜਦੋਂ ਉੱਚ ਵਿਸ਼ੇਸ਼ ਜਾਂ ਤਕਨੀਕੀ ਜਾਣਕਾਰੀ ਨਾਲ ਨਜਿੱਠਣਾ ਹੋਵੇ।

Ercole Palmeri