ਜੇਤੂ, ਆਮ ਅਤੇ ਸਾਂਝੀ ਪਹੁੰਚ ਵੱਡੇ ਅਤੇ ਵਿਭਿੰਨ ਡੇਟਾਸੈਟਾਂ ਅਤੇ ਭਾਵਪੂਰਣ ਮਾਡਲਾਂ ਦਾ ਲਾਭ ਉਠਾਉਂਦੀ ਹੈ ਜੋ ਸਾਰੇ ਡੇਟਾ ਨੂੰ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਢੰਗ ਨਾਲ ਜਜ਼ਬ ਕਰ ਸਕਦੇ ਹਨ। ਹਾਲਾਂਕਿ ਰੋਬੋਟਿਕਸ ਲਈ ਇਸ ਪਹੁੰਚ ਨੂੰ ਲਾਗੂ ਕਰਨ ਲਈ ਕਈ ਕੋਸ਼ਿਸ਼ਾਂ ਕੀਤੀਆਂ ਗਈਆਂ ਹਨ, ਰੋਬੋਟਾਂ ਨੇ ਅਜੇ ਤੱਕ ਉੱਚ ਸਮਰੱਥ ਮਾਡਲਾਂ ਦੇ ਨਾਲ-ਨਾਲ ਹੋਰ ਉਪ-ਖੇਤਰਾਂ ਵਿੱਚ ਵੀ ਸ਼ੋਸ਼ਣ ਨਹੀਂ ਕੀਤਾ ਸੀ।
ਸਾਲਾਂ ਦੌਰਾਨ, ਅਸੀਂ ਅਕਸਰ ਆਪਣੀਆਂ ਮਨੁੱਖੀ ਸਮਰੱਥਾਵਾਂ ਨੂੰ ਪੂਰਕ ਅਤੇ ਵਧਾਉਣ ਲਈ ਤਕਨਾਲੋਜੀ 'ਤੇ ਨਿਰਭਰ ਕਰਦੇ ਰਹੇ ਹਾਂ। ਅਸੀਂ ਜਾਣਕਾਰੀ ਸਾਂਝੀ ਕਰਨ ਵਿੱਚ ਮਦਦ ਲਈ ਪ੍ਰਿੰਟਰ, ਗਣਿਤ ਲਈ ਕੈਲਕੂਲੇਟਰ, ਤੇਜ਼ੀ ਨਾਲ ਅੱਗੇ ਵਧਣ ਵਿੱਚ ਸਾਡੀ ਮਦਦ ਕਰਨ ਲਈ ਹਵਾਈ ਜਹਾਜ਼ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ। ਹਾਲ ਹੀ ਦੇ ਸਾਲਾਂ ਵਿੱਚ, ਅਤੇ ਖਾਸ ਕਰਕੇ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਦੇ ਖੇਤਰ ਵਿੱਚ, ਅਸੀਂ ਉਪਯੋਗੀ ਤਕਨੀਕਾਂ ਜਿਵੇਂ ਕਿ ਖੋਜ, ਸਹਾਇਕ, ਨਕਸ਼ੇ ਅਤੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਨੂੰ ਸ਼ਕਤੀ ਦੇਣ ਲਈ ਜਾਣਕਾਰੀ ਦੀ ਪ੍ਰਕਿਰਿਆ ਕਰਨ ਦੇ ਨਵੇਂ ਤਰੀਕੇ ਵਿਕਸਿਤ ਕੀਤੇ ਹਨ।
2017 ਤੋਂ ਪਹਿਲਾਂ ਦੀਆਂ ਪ੍ਰਣਾਲੀਆਂ ਮਸ਼ੀਨ ਸਿਖਲਾਈ ਉਹਨਾਂ ਨੇ ਇਹ ਨਿਰਧਾਰਤ ਕਰਨ ਲਈ ਸੰਘਰਸ਼ ਕੀਤਾ ਕਿ ਉਹਨਾਂ ਦੇ ਇਨਪੁਟ ਦਾ ਕਿਹੜਾ ਹਿੱਸਾ ਸਹੀ ਉੱਤਰ 'ਤੇ ਪਹੁੰਚਣ ਲਈ ਢੁਕਵਾਂ ਸੀ। ਟ੍ਰਾਂਸਫਾਰਮਰ ਨੇ ਧਿਆਨ ਦੀ ਧਾਰਨਾ ਪੇਸ਼ ਕੀਤੀ: ਇਸਦੇ ਇਨਪੁਟ ਦੇ ਮਹੱਤਵਪੂਰਨ ਹਿੱਸੇ ਵੱਲ ਧਿਆਨ ਦੇ ਕੇ, ਮਾਡਲ ਗਤੀਸ਼ੀਲ ਤੌਰ 'ਤੇ ਇਹ ਚੁਣ ਸਕਦਾ ਹੈ ਕਿ ਕਿਹੜੀ ਜਾਣਕਾਰੀ ਮਾਇਨੇ ਰੱਖਦੀ ਹੈ ਅਤੇ ਕਿਹੜੀ ਨਹੀਂ। ਟਰਾਂਸਫਾਰਮਰ ਇੰਨੇ ਢੁਕਵੇਂ ਸਾਬਤ ਹੋਏ ਹਨ ਕਿ ਉਹ ਆਧੁਨਿਕ ਭਾਸ਼ਾ ਦੇ ਮਾਡਲਾਂ ਦੀ ਮਾਂ ਬਣ ਗਏ ਹਨ, ਬਹੁਤ ਜ਼ਿਆਦਾ ਨਕਲੀ ਬੁੱਧੀ ਨੂੰ ਵਧਾਉਂਦੇ ਹਨ। ਅੱਜ, ਆਰਟੀਫੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਦੇ ਖੇਤਰ ਵਿੱਚ ਵੀ ਜੋ ਇਮੇਜਨ ਅਤੇ ਪਾਰਟੀ ਵਰਗੀਆਂ ਤਸਵੀਰਾਂ ਤਿਆਰ ਕਰਦੇ ਹਨ।
ਸਾਲਾਂ ਦੌਰਾਨ, ਟਰਾਂਸਫਾਰਮਰਾਂ ਨੂੰ ਵੈੱਬ ਤੋਂ ਟੈਕਸਟ ਡੇਟਾ ਦੀ ਵਿਸ਼ਾਲ ਮਾਤਰਾ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਹੈ। ਉਹ ਅਨੁਵਾਦ ਸੇਵਾਵਾਂ ਪ੍ਰਦਾਨ ਕਰਨ, ਮਨੁੱਖੀ ਗੱਲਬਾਤ ਨੂੰ ਆਕਾਰ ਦੇਣ, ਅਤੇ ਉੱਚ-ਗੁਣਵੱਤਾ ਖੋਜ ਨਤੀਜਿਆਂ ਨੂੰ ਵਧਾਉਣ ਲਈ ਭਾਸ਼ਾ ਵਿੱਚ ਰੁਝਾਨਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਦੀ ਪਛਾਣ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦੇ ਹਨ। ਹਾਲ ਹੀ ਵਿੱਚ, ਚਿੱਤਰ, ਵੀਡੀਓ ਅਤੇ ਭਾਸ਼ਣ ਸਮੇਤ ਭਾਸ਼ਾ ਤੋਂ ਇਲਾਵਾ ਹੋਰ ਕਿਸਮਾਂ ਦੀ ਜਾਣਕਾਰੀ ਨੂੰ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਨੂੰ ਵਧੇਰੇ ਵਿਆਪਕ ਰੂਪ ਵਿੱਚ ਅਪਣਾਇਆ ਗਿਆ ਹੈ। ਵਾਸਤਵ ਵਿੱਚ, ਟ੍ਰਾਂਸਫਾਰਮਰ ਭਾਸ਼ਣ ਅਤੇ ਵਿਜ਼ੂਅਲ ਕੰਮਾਂ ਵਿੱਚ ਉੱਤਮ ਹੁੰਦੇ ਹਨ, ਇਸਲਈ ਅਸੀਂ ਰੋਬੋਟ ਕੀ ਦੇਖਦੇ ਹਨ ਅਤੇ ਉਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦੇ ਹਨ ਇਹ ਸਮਝਣ ਲਈ ਇਸ ਤਕਨਾਲੋਜੀ ਦੀ ਵਰਤੋਂ ਕਰਨ ਦੇ ਯੋਗ ਸੀ।
ਰੋਜ਼ਾਨਾ ਰੋਬੋਟਸ ਦੇ ਸਹਿਯੋਗ ਤੋਂ, google ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ PaLM ਵਰਗੇ ਸ਼ਕਤੀਸ਼ਾਲੀ ਭਾਸ਼ਾ ਮਾਡਲ ਨੂੰ ਰੋਬੋਟ ਸਿੱਖਣ ਦੇ ਮਾਡਲ ਵਿੱਚ ਜੋੜਨਾ ਨਾ ਸਿਰਫ਼ ਲੋਕਾਂ ਨੂੰ ਰੋਬੋਟ ਨਾਲ ਸੰਚਾਰ ਕਰਨ ਦੀ ਇਜਾਜ਼ਤ ਦੇ ਸਕਦਾ ਹੈ, ਸਗੋਂ ਰੋਬੋਟ ਦੀ ਸਮੁੱਚੀ ਕਾਰਗੁਜ਼ਾਰੀ ਵਿੱਚ ਵੀ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ। ਇਸ ਭਾਸ਼ਾ ਮਾਡਲ ਨੇ ਮਦਦ ਕਰਨ ਵਾਲੇ ਬੋਟਾਂ ਨੂੰ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੀਆਂ ਬੇਨਤੀਆਂ ਨੂੰ ਸਮਝਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੱਤੀ - ਜਿਵੇਂ ਕਿ "ਮੈਨੂੰ ਭੁੱਖ ਲੱਗੀ ਹੈ, ਮੇਰੇ ਲਈ ਸਨੈਕ ਲਿਆਓ" ਜਾਂ "ਇਸ ਸਪਿਲ ਨੂੰ ਸਾਫ਼ ਕਰਨ ਵਿੱਚ ਮੇਰੀ ਮਦਦ ਕਰੋ" - ਅਤੇ ਉਹਨਾਂ ਨੂੰ ਲਾਗੂ ਕਰੋ।
Google ਰੋਬੋਟਾਂ ਨੂੰ ਆਮ ਤੌਰ 'ਤੇ ਉਹਨਾਂ ਚੀਜ਼ਾਂ ਤੋਂ ਸਿੱਖਣ ਵਿੱਚ ਮਦਦ ਕਰਨ ਲਈ PaLM, ਟ੍ਰਾਂਸਫਾਰਮਰ ਦੇ ਰੂਪ ਵਿੱਚ ਉਹੀ ਆਰਕੀਟੈਕਚਰ ਵਰਤ ਰਿਹਾ ਹੈ ਜੋ ਉਹ ਪਹਿਲਾਂ ਹੀ ਦੇਖ ਚੁੱਕੇ ਹਨ। ਇਸ ਲਈ "ਮੈਨੂੰ ਭੁੱਖ ਲੱਗੀ ਹੈ, ਮੇਰੇ ਲਈ ਸਨੈਕ ਲਿਆਓ" ਵਰਗੀ ਬੇਨਤੀ ਦੇ ਪਿੱਛੇ ਦੀ ਭਾਸ਼ਾ ਨੂੰ ਸਮਝਣ ਦੀ ਬਜਾਏ, ਉਹ - ਜਿਵੇਂ ਅਸੀਂ ਕਰਦੇ ਹਾਂ - ਨੂੰ ਦੇਖਣ ਅਤੇ ਸਨੈਕਸ ਲਿਆਉਣ ਵਰਗੀਆਂ ਚੀਜ਼ਾਂ ਕਰਕੇ ਆਪਣੇ ਸਮੂਹਿਕ ਅਨੁਭਵਾਂ ਤੋਂ - ਸਿੱਖ ਸਕਦੀ ਹੈ।
ਟਰਾਂਸਫਾਰਮਰ ਦੀ ਸਿਖਲਾਈ 130.000 ਪ੍ਰਦਰਸ਼ਨਾਂ ਤੋਂ ਇਕੱਤਰ ਕੀਤੇ ਡੇਟਾ ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਕੀਤੀ ਗਈ ਸੀ - ਜਦੋਂ ਕੋਈ ਵਿਅਕਤੀ ਇੱਕ ਕੰਮ ਕਰਨ ਲਈ ਰੋਬੋਟ ਨੂੰ ਚਲਾਉਂਦਾ ਹੈ - 700 ਤੋਂ ਵੱਧ ਕਿਸਮਾਂ ਦੇ ਕੰਮ, 13 ਰੋਜ਼ਾਨਾ ਰੋਬੋਟਸ ਸਹਾਇਕ ਰੋਬੋਟਾਂ ਦੁਆਰਾ ਪੂਰੇ ਕੀਤੇ ਗਏ ਹਨ। ਗਤੀਵਿਧੀਆਂ ਵਿੱਚ ਚੀਜ਼ਾਂ ਨੂੰ ਚੁੱਕਣਾ ਅਤੇ ਰੱਖਣਾ, ਦਰਾਜ਼ ਖੋਲ੍ਹਣਾ ਅਤੇ ਬੰਦ ਕਰਨਾ, ਚੀਜ਼ਾਂ ਨੂੰ ਦਰਾਜ਼ ਦੇ ਅੰਦਰ ਅਤੇ ਬਾਹਰ ਰੱਖਣਾ, ਉੱਪਰਲੇ ਸੱਜੇ ਕੋਨੇ ਵਿੱਚ ਲੰਮੀਆਂ ਵਸਤੂਆਂ ਰੱਖਣਾ, ਵਸਤੂਆਂ ਨੂੰ ਖੜਕਾਉਣਾ, ਨੈਪਕਿਨ ਖਿੱਚਣਾ, ਅਤੇ ਡੱਬਿਆਂ ਨੂੰ ਖੋਲ੍ਹਣਾ ਸ਼ਾਮਲ ਹਨ। ਨਤੀਜਾ ਇੱਕ ਅਤਿ-ਆਧੁਨਿਕ ਰੋਬੋਟਿਕਸ ਟ੍ਰਾਂਸਫਾਰਮਰ ਮਾਡਲ, ਜਾਂ RT-1 ਹੈ, ਜੋ 700 ਤੋਂ ਵੱਧ ਕਾਰਜ ਕਰਨ ਦੇ ਸਮਰੱਥ ਹੈ। ਸਫਲਤਾ ਦੀ ਦਰ 97% ਹੈ, ਜੋ ਉਸ ਦੀਆਂ ਸਿੱਖਿਆਵਾਂ ਨੂੰ ਨਵੀਆਂ ਗਤੀਵਿਧੀਆਂ, ਵਸਤੂਆਂ ਅਤੇ ਵਾਤਾਵਰਣਾਂ ਲਈ ਆਮ ਬਣਾਉਂਦਾ ਹੈ।
ਇੱਕ ਟ੍ਰਾਂਸਫਾਰਮਰ-ਅਧਾਰਿਤ ਭਾਸ਼ਾ ਮਾਡਲ ਪਾਠ ਵਿੱਚ ਵੇਖੇ ਗਏ ਰੁਝਾਨਾਂ ਅਤੇ ਪੈਟਰਨਾਂ ਦੇ ਅਧਾਰ ਤੇ ਅਗਲੇ ਸ਼ਬਦ ਦੀ ਭਵਿੱਖਬਾਣੀ ਕਿਵੇਂ ਕਰਦਾ ਹੈ। RT-1 ਨੂੰ ਰੋਬੋਟ ਧਾਰਨਾ ਡੇਟਾ ਅਤੇ ਸੰਬੰਧਿਤ ਕਾਰਵਾਈਆਂ 'ਤੇ ਸਿਖਲਾਈ ਦਿੱਤੀ ਗਈ ਸੀ ਤਾਂ ਜੋ ਇਹ ਅਗਲੇ ਸਭ ਤੋਂ ਵੱਧ ਸੰਭਾਵਿਤ ਵਿਵਹਾਰ ਦੀ ਪਛਾਣ ਕਰ ਸਕੇ ਜਿਸ ਵਿੱਚ ਰੋਬੋਟ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨਾ ਚਾਹੀਦਾ ਹੈ। ਇਹ ਪਹੁੰਚ ਰੋਬੋਟ ਨੂੰ ਨਵੇਂ ਕੰਮਾਂ ਲਈ ਜੋ ਕੁਝ ਸਿੱਖਿਆ ਹੈ ਉਸ ਨੂੰ ਆਮ ਬਣਾਉਣ ਦੀ ਇਜਾਜ਼ਤ ਦਿੰਦਾ ਹੈ। ਇਹ ਆਪਣੇ ਸਿਖਲਾਈ ਡੇਟਾ ਵਿੱਚ ਅਨੁਭਵਾਂ ਦੇ ਆਧਾਰ 'ਤੇ ਨਵੀਆਂ ਵਸਤੂਆਂ ਅਤੇ ਵਾਤਾਵਰਣਾਂ ਦਾ ਪ੍ਰਬੰਧਨ ਕਰਕੇ ਅਜਿਹਾ ਕਰਦਾ ਹੈ - ਰੋਬੋਟਾਂ ਲਈ ਇੱਕ ਦੁਰਲੱਭ ਕਾਰਨਾਮਾ, ਜੋ ਆਮ ਤੌਰ 'ਤੇ ਤੰਗ ਕੰਮਾਂ ਲਈ ਸਖ਼ਤੀ ਨਾਲ ਕੋਡ ਕੀਤੇ ਜਾਂਦੇ ਹਨ।
ਇਨਸਾਨ ਹੋਣ ਦੇ ਨਾਤੇ, ਅਸੀਂ ਆਪਣੇ ਤਜ਼ਰਬਿਆਂ ਅਤੇ ਇੱਕ ਦੂਜੇ ਤੋਂ ਸਿੱਖਦੇ ਹਾਂ। ਅਸੀਂ ਅਕਸਰ ਜੋ ਕੁਝ ਸਿੱਖਿਆ ਹੈ ਉਸਨੂੰ ਸਾਂਝਾ ਕਰਦੇ ਹਾਂ ਅਤੇ ਉਹਨਾਂ ਅਸਫਲਤਾਵਾਂ ਦੇ ਅਧਾਰ 'ਤੇ ਸਿਸਟਮਾਂ ਨੂੰ ਮੁੜ ਕੰਮ ਕਰਦੇ ਹਾਂ ਜਿਨ੍ਹਾਂ ਦਾ ਅਸੀਂ ਸਾਹਮਣਾ ਕੀਤਾ ਹੈ। ਹਾਲਾਂਕਿ ਰੋਬੋਟ ਇੱਕ ਦੂਜੇ ਨਾਲ ਸੰਚਾਰ ਨਹੀਂ ਕਰਦੇ ਹਨ, ਖੋਜ ਦਰਸਾਉਂਦੀ ਹੈ ਕਿ ਕਿਵੇਂ ਵੱਖ-ਵੱਖ ਕਿਸਮਾਂ ਦੇ ਰੋਬੋਟਾਂ ਦੇ ਡੇਟਾਸੈਟਾਂ ਨੂੰ ਸਫਲਤਾਪੂਰਵਕ ਜੋੜਿਆ ਜਾ ਸਕਦਾ ਹੈ ਅਤੇ ਉਹਨਾਂ ਵਿੱਚ ਵਿਵਹਾਰ ਨੂੰ ਟ੍ਰਾਂਸਫਰ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ। ਗੂਗਲ ਨੇ ਦਿਖਾਇਆ ਹੈ ਕਿ ਕਈ ਰੋਬੋਟਾਂ ਦੇ ਡੇਟਾ ਨੂੰ ਜੋੜ ਕੇ, ਉਹ ਮਾਡਲ ਦੀ ਸਮਰੱਥਾ ਨੂੰ ਲਗਭਗ ਦੁੱਗਣਾ ਕਰਨ ਅਤੇ ਇੱਕ ਨਵੇਂ ਦ੍ਰਿਸ਼ ਨੂੰ ਆਮ ਬਣਾਉਣ ਦੇ ਯੋਗ ਹਨ. ਇਸਦਾ ਮਤਲਬ ਹੈ ਕਿ ਵੱਖ-ਵੱਖ ਰੋਬੋਟਾਂ ਅਤੇ ਨਵੇਂ ਕੰਮਾਂ ਦੇ ਨਾਲ ਪ੍ਰਯੋਗ ਕਰਨਾ ਜਾਰੀ ਰੱਖਣ ਨਾਲ, ਕੋਈ ਵੀ RT-1 ਲਈ ਸਿਖਲਾਈ ਡੇਟਾ ਨੂੰ ਵਧਾਉਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦਾ ਹੈ, ਰੋਬੋਟ ਵਿਵਹਾਰ ਵਿੱਚ ਸੁਧਾਰ ਕਰ ਸਕਦਾ ਹੈ, ਇਸਨੂੰ ਰੋਬੋਟ ਸਿੱਖਣ ਲਈ ਇੱਕ ਲਚਕਦਾਰ ਅਤੇ ਸਕੇਲੇਬਲ ਪਹੁੰਚ ਬਣਾ ਸਕਦਾ ਹੈ।
ਜਿਸ ਤਰ੍ਹਾਂ ਗੂਗਲ ਨੇ ਓਪਨ ਸੋਰਸ ਟ੍ਰਾਂਸਫਾਰਮਰ ਖੋਜ ਕੀਤੀ ਹੈ, ਉਸੇ ਤਰ੍ਹਾਂ ਰੋਬੋਟਿਕਸ ਸਪੇਸ ਵਿੱਚ ਹੋਰ ਖੋਜ ਨੂੰ ਉਤਸ਼ਾਹਿਤ ਕਰਨ ਲਈ RT-1 ਵੀ ਓਪਨ ਸੋਰਸ ਕੀਤਾ ਜਾਵੇਗਾ। ਇਹ ਰੋਬੋਟਿਕ ਸਿਖਲਾਈ ਪ੍ਰਣਾਲੀਆਂ ਵੱਲ ਪਹਿਲਾ ਕਦਮ ਹੈ ਜੋ ਮਨੁੱਖੀ-ਕੇਂਦ੍ਰਿਤ ਵਾਤਾਵਰਣਾਂ ਦੀ ਲਗਭਗ ਅਨੰਤ ਪਰਿਵਰਤਨਸ਼ੀਲਤਾ ਨੂੰ ਸੰਭਾਲਣ ਦੇ ਯੋਗ ਹੋ ਸਕਦੇ ਹਨ।
Ercole Palmeri
'
ਐਪਲ ਵਿਜ਼ਨ ਪ੍ਰੋ ਕਮਰਸ਼ੀਅਲ ਵਿਊਅਰ ਦੀ ਵਰਤੋਂ ਕਰਦੇ ਹੋਏ ਇੱਕ ਓਫਥਲਮੋਪਲਾਸਟੀ ਓਪਰੇਸ਼ਨ ਕੈਟਾਨੀਆ ਪੌਲੀਕਲੀਨਿਕ ਵਿਖੇ ਕੀਤਾ ਗਿਆ ਸੀ...
ਰੰਗਾਂ ਰਾਹੀਂ ਵਧੀਆ ਮੋਟਰ ਹੁਨਰਾਂ ਦਾ ਵਿਕਾਸ ਕਰਨਾ ਬੱਚਿਆਂ ਨੂੰ ਲਿਖਣ ਵਰਗੇ ਹੋਰ ਗੁੰਝਲਦਾਰ ਹੁਨਰਾਂ ਲਈ ਤਿਆਰ ਕਰਦਾ ਹੈ। ਰੰਗ ਕਰਨ ਲਈ…
ਜਲ ਸੈਨਾ ਖੇਤਰ ਇੱਕ ਸੱਚੀ ਗਲੋਬਲ ਆਰਥਿਕ ਸ਼ਕਤੀ ਹੈ, ਜਿਸ ਨੇ 150 ਬਿਲੀਅਨ ਮਾਰਕੀਟ ਵੱਲ ਨੈਵੀਗੇਟ ਕੀਤਾ ਹੈ...
ਪਿਛਲੇ ਸੋਮਵਾਰ, ਫਾਈਨੈਂਸ਼ੀਅਲ ਟਾਈਮਜ਼ ਨੇ ਓਪਨਏਆਈ ਨਾਲ ਇੱਕ ਸੌਦੇ ਦਾ ਐਲਾਨ ਕੀਤਾ। FT ਆਪਣੀ ਵਿਸ਼ਵ ਪੱਧਰੀ ਪੱਤਰਕਾਰੀ ਨੂੰ ਲਾਇਸੰਸ ਦਿੰਦਾ ਹੈ...