هوش مصنوعی

هوش مصنوعی اصطلاحی است که به طور مکرر در صنعت باغبانی استفاده می شود. به همین دلیل خواندن کتاب هوش مصنوعی توصیه می‌شود و گاهی اوقات این تصور ایجاد می شود که هوش مصنوعی قصد دارد تمام مشکلات آینده صنعت را حل کند. به عنوان مثال ، به کمبود کارمندان و تولیدکنندگان خاص آموزش دیده فکر کنید. آیا هوش مصنوعی پس از آن اطمینان می دهد که همه کارها در آینده توسط روبات ها کنترل می شود؟ برای بعضی ها یک رویا ، اما برای خیلی ها نیز یک سناریو وحشتناک. آیا AI قرار است جای افراد را بگیرد؟ تون ون دیک با LetsGrow.com می گوید: "از نظر ما پاسخ آن منفی است." در این مقاله ، وی توضیح می دهد که چگونه هوش مصنوعی می تواند در باغبانی کمک کند. LetsGrow.com معتقد است که هوش مصنوعی به تصمیم گیری بهتر کمک می کند ، اما مطمئناً جایگزین مشاور یا مشاور تولید نمی شود. هوش مصنوعی به شما امکان می دهد تا پرورش دهنده و مشاور محصول بتواند مناطق دورتر را کنترل کند. دانش تخصصی همراه با هوش مصنوعی ترکیبی طلایی است. اما بعداً درمورد آن بعداً بنابراین هوش مصنوعی دقیقاً چگونه کار می کند؟ معمولاً تصور می شود که هرچه بیشتر داده های تولیدکنندگان مختلف با هم باشد ، دستورالعمل توسعه یک الگوریتم است ، الگوریتمی که ممکن است کشت اتوماتیک را امکان پذیر کند. با این حال ، این روش صحیحی نیست. اولاً ، زیرا داده های تولیدکنندگان همیشه در مالکیت پرورش دهنده باقی می ماند و نمی توان از این طریق استفاده کرد. ثانیا ، زیرا استفاده از داده های گذشته برای توسعه الگوریتم ها و پیش بینی های آینده ، بهینه سازی را تضمین نمی کند. در آن شرایط ، هر "خطایی" از گذشته به توسعه می رسد. هوش مصنوعی امکان انجام سریعتر و گاهی اوقات بهتر از افراد کارها را ممکن می سازد ، اما تنها در صورت ساخت صحیح الگوریتم. پس باغبانی چطور؟ طی 50 سال گذشته ، تحقیقات علمی زیادی در مورد فیزیولوژی و فیزیک گیاهان در گلخانه و اطراف آن انجام شده است. در نتیجه این تحقیقات ، LetsGrow.com می داند که چگونه یک گیاه رشد می کند و چگونه گیاه را تا حد ممکن راحت می کند. شرایط مطلوب در نهایت محصول با کیفیت بالا و عملکرد بالاتر را تضمین می کند. پرورش دهندگان و مشاوران تزکیه از تجربیات و محاسبات خود برای این امر استفاده می کنند که به آن Expert Intelligence (EI) نیز می گویند. از قبل می توان سیستم هایی را تنظیم کرد که در صورت لزوم هشدارهایی را برای تولیدکننده صادر کند. این امر از قبل اطمینان می دهد که تولیدکنندگان می توانند بر روی موضوعات استراتژیک بیشتری تمرکز کنند. LetsGrow.com با تجسم و تجزیه و تحلیل داده های پرورش دهنده به این امر کمک می کند. این نتایج کشت به روش داده محور را امکان پذیر می سازد. اما می تواند حتی گسترده تر باشد. با ترکیب نتایج حاصل از EI با سایر داده های خارجی ، مانند پیش بینی های هواشناسی ، به عنوان مثال ، می توان از این داده ها برای ایجاد وضعیت بهینه برای گیاه استفاده کرد. به عنوان مثال ، می توان با استفاده از یک مدل یادگیری ماشین که به صورت بهینه ساخته شده است ، پیش بینی کرد که چه زمانی تنش گیاه در گیاه رخ می دهد. بنابراین یک پرورش دهنده می تواند از این اطلاعات برای تنظیم استراتژی کشت استفاده کند تا از وقوع این تنش گیاه جلوگیری کند. به این ترتیب ، ترکیبی از داده ها ، EI و AI به ارائه بینشی پیش بینی برای پرورش دهنده کمک می کند. این امر به تولیدکننده امکان ایجاد یک محصول حتی پایدارتر و بهینه را می دهد. امکانات بسیار بیشتری با هوش مصنوعی وجود دارد. با قرار دادن دوربین در گلخانه به تشخیص خودکار تصویر فکر کنید. LetsGrow.com همراه با Gearbox شریک ، این امکان را برای شما فراهم کرده است. علاوه بر این ، LetsGrow.com همچنین با HortiKey و Plantalyzer آنها همکاری می کند. این رباتی است که در امتداد خط لوله سوار می شود و از محصول عکس می گیرد. هوش مصنوعی پیشرفته در این ربات قادر است تعداد میوه ها یا گل های موجود در مسیر را تشخیص دهد یا رشد را تجزیه و تحلیل کند. این تشخیص این امکان را برای LetsGrow.com فراهم می کند تا پیش بینی عملکرد دقیق تری داشته باشد و آنها را در داشبورد MyLetsGrow تجسم کند. به عنوان مثال ، استفاده صحیح از فروش محصول خود و فروش در حاشیه بالاتر ، یک پرورش دهنده می تواند از این داده ها برای کار با روشی هدفمندتر استفاده کند. بنابراین آیا اکنون هوش مصنوعی از انسان می گیرد؟ خیر. در همه حال مهم است که ترکیب بین کامپیوتر و انسان باقی بماند. ترکیبی از هوش خبره و هوش مصنوعی. انسانها استراتژی را در آغاز فرآیند بر اساس الزامات تجاری آن سال تعیین می کنند. علاوه بر این ، انسانها همیشه باید بتوانند در صورت بروز بلایا مداخله کنند. بنابراین هوش مصنوعی مطمئناً مردم را زائد نمی کند ، اما افراد را قادر می سازد مناطق بزرگتر را مدیریت و بهینه کنند بدون اینکه بیش از حد درگیر مسائل پیرامونی شوند.

استفاده از کتاب هوش مصنوعی در صنعت علوم زندگی موضوعی داغ است و بسیاری در مورد کاربردهای بالقوه آن هیجان زده هستند ، اما استفاده از آن چگونه تنظیم می شود؟ کمیسیون اتحادیه اروپا اخیراً پیشنهادی را برای اولین چارچوب قانونی در مورد هوش مصنوعی تصویب کرده است که تعهداتی را به مشاغل مختلف در بخشهای مختلف ، از جمله علوم زندگی (مقررات) تحمیل می کند. با توجه به تأثیر بالقوه آن ، قطعاً یکی از مواردی است که مراحل قانونی را طی می کند.

تعریف AI

این آیین نامه در حال حاضر سیستم های هوش مصنوعی را به عنوان "نرم افزاری تعریف می کند که با یک یا چند رویکرد و تکنیک [معین] ساخته شده است. . . و می تواند برای مجموعه ای مشخص از اهداف تعریف شده توسط بشر ، خروجی هایی مانند محتوا ، پیش بینی ها ، توصیه ها یا تصمیمات تأثیرگذار بر محیط هایی را که با آنها همکاری نمی کنند ، ایجاد کند. " در ضمیمه I آیین نامه (که EC می تواند به صورت دوره ای به روز کند) تکنیک ها و نرم افزارهایی که می توانند مورد توجه این تعریف قرار بگیرند ، شامل یادگیری ماشین ، رویکردهای مبتنی بر منطق و دانش و رویکردهای آماری آورده شده است. این لیست به طور هدفمند گسترده به نظر می رسد تا بتواند هرچه بیشتر سیستم را بدست آورد.

رویکرد مبتنی بر ریسک

هدف از این آیین نامه اطمینان از سطح اعتماد به سیستم های هوش مصنوعی است که در دسترس هستند و بر این اساس ، یک رویکرد مبتنی بر ریسک را اتخاذ می کند:

خطر غیرقابل قبول: سیستم های هوش مصنوعی که تهدیدی جدی برای امنیت ، معیشت یا حقوق افراد محسوب می شوند ، ممنوع خواهد بود. به عنوان مثال ، برنامه هایی که رفتار انسان را به گونه ای دستکاری می کنند که اراده آزاد کاربران یا سیستم هایی را که اجازه نمره دهی توسط دولت ها را می دهد ، دور می زند.
پرخطر: چندین دسته از سیستم های هوش مصنوعی به عنوان پرخطر شناخته می شوند. برخی از دسته هایی که احتمالاً در صنعت علوم زندگی تأثیر می گذارند عبارتند از: انواع اجزای ایمنی و محصولات (به عنوان مثال در دستگاه های پزشکی). اجرای عدالت (در تعیین نحوه اجرای قانون در مورد مجموعه ای از حقایق ، که ممکن است در مورد هر سیستمی که برای کمک به فرآیندهای نظارتی پزشکی طراحی شده است) اعمال شود. شناسایی بیومتریک از راه دور و طبقه بندی افراد (به عنوان مثال شناسایی بیمار).
ریسک محدود: سیستم های هوش مصنوعی که تعهدات شفافیت خاصی دارند - به عنوان مثال چت بات ها برای اطمینان از آگاهی کاربران از تعامل با دستگاه مورد نیاز خواهند بود.
حداقل خطر: به عنوان مثال بازی های ویدیویی یا فیلترهای اسپم که از هوش مصنوعی استفاده می کنند. انتظار می رود که بیشتر برنامه های کاربردی هوش مصنوعی با حداقل خطر کم برای حقوق یا ایمنی افراد در این گروه قرار گیرند ، هرچند ارائه دهندگان چنین سیستم هایی تشویق می شوند که به صورت داوطلبانه از آن تبعیت کنند

به عنوان یک مهندس یادگیری ماشین (ML) ، برای ایجاد برنامه ها و الگوریتم هایی که ماشین ها را قادر به تصمیم گیری می کنند ، باید سیستم های نرم افزاری مقیاس پذیر برای برنامه های علوم داده و یادگیری ماشین بسازید. در کارگاه های آموزشی رایگان ML آینده ثبت نام کنید تصویر زیر گردش کار معمول یادگیری ماشین را نشان می دهد. به طور خلاصه مهندس یادگیری ماشین (منبع: مهندسی لینکدین) هوش مصنوعی یکی از پرطرفدارترین مشاغل در جهان است. بیش از 98000 شغل ارسال شده در لینکدین یادگیری ماشین به عنوان یک مهارت مورد نیاز است. طبق Monster.com ، یادگیری ماشین ، NLP و یادگیری عمیق سه مهارت برتر در تقاضا هستند. از آنجا که یادگیری ماشینی باعث ورود گسترده صنایع مختلف می شود ، تقاضا برای مهندسان یادگیری ماشین نیز در حال افزایش است. زمان انجام حرفه ای در زمینه ML / AI رسیده است. نقش متخصص هوش مصنوعی در چهار سال گذشته 74 درصد رشد سالانه داشته است. طبق گفته گارتنر ، حداقل 50? از برنامه های سازمانی تا سال 2023 قابلیت AI را در خود جای داده اند. "من می گویم حدود 70? از شرکت ها ، فقط این دو قسمت وجود دارد: نظارت بر عملیاتی ، مدیریت سیستم عامل و همچنین خودکار کردن برخی از مشکلات داده های دانشمندان. کاری که حدود 30? شرکتها انجام می دهند نوعی افزودن نقش مهندسین داده است. "، وین واشیشتا ، مدیر عامل شرکت مشاوره استراتژی یادگیری ماشین V Squared گفت. علاوه بر این ، او گفت بسیاری از شرکت ها با ایجاد یک سیستم عامل به پایان ، نقش های مهندسی داده و مهندسی یادگیری ماشین را ادغام می کنند. امروزه نقش های جدیدی مانند معماری یادگیری ماشین در حال ایجاد هستند. با بزرگتر شدن پلت فرم ، مهندس یادگیری ماشین باید کل معماری را کنترل کند و برای پاسخگویی به نیازهای سازمان داده های علوم داده ، یادگیری ماشین و تجزیه و تحلیل داده ها تکامل یابد. مهارت و سابقه مهمترین جنبه یک مهندس ML تمرکز بر تولید و استقرار مدل است - نه فقط کدی که کار می کند ، بلکه کدی است که در دنیای واقعی کار می کند ، در کنار درک بهترین روشهای صنعت برای یکپارچه سازی و استقرار مدلهای یادگیری ماشین. برای مبتدیان ، داشتن مدرک علوم کامپیوتر ، رباتیک ، مهندسی و فیزیک ، همراه با مهارت در C ، C ++ ، جاوا ، پایتون ، R ، Scala ، جولیا و سایر زبان های سازمانی کمک می کند. به علاوه ، درک قوی تر از پایگاه داده وزن را اضافه می کند. در سطح تجربه ، مهندسان نرم افزار ، توسعه دهندگان نرم افزار و معماران نرم افزار برای نقش های مهندسی یادگیری ماشین کوتاه هستند. "این تقریباً یک خط مستقیم از معمار ابر به مهندس ML و معمار ML است ، زیرا این دو نقش بسیار همپوشانی دارند. اگر علم داده و یادگیری ماشین را بفهمید ، می توانید مدل ها را درک کنید. " طبق Payscale ، متوسط ??حقوق مهندس یادگیری ماشین هند تقریباً 686،281 INR (9382 دلار) در سال است.

این مطلب درباره هوش مصنوعی و بیمه است. هرکسی که تا به حال دچار سانحه یا ضربه شده باشد به شما خواهد گفت که بیمه برای بقا ضروری است. این می تواند یک شبکه ایمنی برای خانواده یا تجارت شما فراهم کند. به شما کمک می کند تا دوباره روی پاهای خود بایستید و از شما در برابر قبض های طاقت فرسا محافظت کنید. با این حال ، شرکتهایی که ما به آنها وابسته هستیم تا در صورت بروز مشکلات به ما مراجعه کنند ، سیاست ها و محصولات خود را بر اساس داده های منسوخ و نادرست بنا نهاده اند که نه تنها هزینه آنها را ندارد بلکه می تواند به مصرف کنندگان آنها در دراز مدت آسیب برساند. و در حالی که سایر مشاغل برای تصمیم گیری به هزاران نقطه داده متکی هستند ، صنعت بیمه همچنان از اطلاعات دموگرافیک با قدمت بیش از 40 سال استفاده می کند. رهبران صنعت می فهمند که این یک مشکل است. بر اساس گزارش اخیر مک کینزی ، از هر ده شرکت بیمه ، 9 شرکت نرم افزاری و زیرساختی قدیمی را به عنوان موانع دیجیتالی شدن شناسایی کرده و پاسخ دهندگان به مرکز بررسی نوآوری مالی ، فناوری منسوخ را به عنوان بزرگترین تهدید برای تجارت بیمه رتبه بندی کرده اند.

لازم نیست که برای صنعت بیمه طبق معمول باشد ، هوش مصنوعی می تواند بیش از 4000 نقطه داده را در دقیقه پردازش کند و 20 سال از مرگ و میر ، جمعیت شناختی ، بهداشت و روند دولت را تجزیه و تحلیل کند و منجر به یک الگوریتم پویا شود که می تواند مورد استفاده قرار گیرد. برای تصمیم گیری آگاهانه سیستم عامل Data Science-as-a-Service (DSaaS) و Insurance-as-a-Platform (IaaP) می توانند به شرکت های بیمه در تعیین دقیق ریسک ، ایجاد محصولات بهتر و مناسب تر برای مشتریان خود و بهبود تجارب مشتری کمک کنند. این داده های پیشرفته همچنین می تواند به شرکت های بیمه کمک کند تا محصولات را با دقت بیشتری قیمت گذاری کنند ، بتوانند اطلاعات مربوط به افرادی که آماده خرید هستند را بشناسند و ریسک مناسب را در کتاب های خود ببینند - درنهایت باعث سودآوری بیشتر آنها می شود.

این جریان داده ها همچنین می توانند به شرکت های بیمه کمک کنند تا سیاست ها و محصولات بهتری ایجاد کنند که نیازهای مشتریان فعلی و بالقوه آنها را برآورده کند. به طور سنتی ، این صنعت به جای بررسی واقعی اینکه چه عواملی مفید است و چه سازگاری هایی لازم است ، محصولات جدیدی را بر اساس محصولات موجود تولید کرده است. سیستم عامل های AI و DSaaS می توانند به شرکت های حمل و نقل ابزاری برای تولید محصولات بر اساس داده های جمعیتی و ریسک ارائه دهند. سپس رهبران صنعت می توانند از نظر نماینده برای تهیه و طراحی محصولات متناسب با نیاز بیمه شدگان استفاده کنند.


در حقیقت ، گرچه استفاده صحیح و به روز از پیشرفت های فن آوری می تواند یک مزیت بزرگ برای یک شرکت باشد ، اما برای ایجاد اعتماد و ایجاد ارتباطی بین اطلاعات کلان داده ها و ایجاد ارتباط شخصی ، باز هم نمایندگان لازم هستند. نمایندگانی که با مصرف کنندگان در تعامل هستند ، کسانی هستند که با مشتری ارتباط برقرار می کنند و می توانند بر اساس دانش این روابط به آنها ، به بهبود محصولات پیشنهادی داده محور کمک کنند تا پیشنهادات بیمه را پویاتر و مطلوب کنند.

در حالی که بسیاری از مصرف کنندگان برای کشف و بررسی گزینه های بیمه خود به کانال های دیجیتال مراجعه می کنند و می خواهند این گزینه به صورت آنلاین پرونده ها را پیگیری و دنبال کند ، آنها هنوز هم می خواهند بدانند که یک فرد آگاه و دلسوز وجود دارد که می توانند در صورت نیاز به کمک شخصی به او مراجعه کنند. شرکتهایی که قادر به موفقیت فناوری اطلاعات مصنوعی مبتنی بر داده ابری با روشهای سنتی تعامل از طریق نمایندگان خود هستند ، ادغام می شوند و در رده های بالاتر قرار می گیرند.

از هوش مصنوعی در پزشکی می‌توان برای تسریع در تحقیقات علوم زندگی استفاده کرد. و امروزه شرکت های زیادی با پیشنهادات هوش مصنوعی در بازار وجود دارند که این کار را انجام می دهند.

درک بیرد رئیس Sensyne Health آمریکای شمالی است ، که نظارت بر بیمار مبتنی بر هوش مصنوعی را برای سازمان های ارائه دهنده خدمات بهداشتی ارائه می دهد و به شرکت های علوم زیستی کمک می کند داروهای جدید تولید کنند.

بیرد معتقد است برخی از شرکت های بزرگ علامت هوش مصنوعی را از دست داده و در نهایت اعتماد عمومی به این نوع فناوری ها را برطرف کرده اند ، اما برخی از شرکت ها با شروع کار با اصول اولیه کد را شکسته اند. وی همچنین معتقد است که موفقیت هوش مصنوعی به حل مسائل غیر جذاب مانند نرمال سازی داده ها ، قابلیت همکاری ، ادغام گردش کار بالینی و مدیریت تغییر بستگی دارد.

بهداشت و درمان IT News با Baird مصاحبه کرد تا درباره نقش AI در مراقبت های بهداشتی امروز و اینکه چگونه این فناوری می تواند مشکلات رایج را حل کند و تحقیقات را پیش ببرد ، بحث کند.

س: چگونه می توان از هوش مصنوعی و یادگیری ماشینی برای پیشبرد مراقبت های بهداشتی و تسریع در تحقیقات علوم زندگی استفاده کرد؟ اکنون کجا اتفاق می افتد و بالابرهای سنگین برای آینده چیست؟

پاسخ: هوش مصنوعی امروزه تأثیر عمیقی بر روش های تحقیق درباره داروها ، انجام آزمایشات بالینی و درک بیماری ها دارد. و گرچه من فکر می کنم نقش فعلی هوش مصنوعی فقط نوک کوه یخی بسیار بزرگ است ، من فکر می کنم که ما به عنوان یک صنعت باید در مورد روشهای توصیف وعده هوش مصنوعی در مراقبت های بهداشتی دقت بیشتری کنیم.

در مورد هوش مصنوعی آنقدر زیاد اغراق شده است که من فکر می کنم ما فراموش می کنیم که این فناوری ها فقط بخشی از معادله مراقبت های بهداشتی هستند ، نه یک گلوله نقره ای که ناگهان همه چیز را حل خواهد کرد. زیست شناسی از بسیاری جهات سخت ، پیچیده و هنوز هم بسیار مرموز است ، اما هوش مصنوعی در حال حاضر نوید خود را می دهد و اجازه می دهد مقدار زیادی از داده ها را بسیار سریعتر و باهوش تر از آنچه در گذشته بود ، غربال کنیم.

یکی از راه هایی که امروزه شاهد نویدبخش هوش مصنوعی هستیم ، توانایی آن است که به ما کمک کند تا فراتر از علائم شناسی و درک عمیق تری از نحوه کار بیماری ها در افراد و جمعیت ها داشته باشیم. بیایید به COVID-19 نگاهی بیندازیم.

چالش بزرگ ما با COVID-19 تشخیص نیست ، بلکه این که وقتی بیمار مثبت داریم ، نمی دانیم که چقدر بیمار می شوند. ما درکی از خصوصیات بالینی بیماری داریم ، اما عوامل خطر زمینه ساز انتقال از خفیف به شدید هنوز درک نشده اند. با استفاده از هوش مصنوعی ، می توان میلیون ها پرونده بیمار را با سرعت و سطحی از جزئیات که بشر نمی تواند به آنها نزدیک شود ، تجزیه و تحلیل کند.

ما توانسته ایم بسیاری از عواملی را که منجر به بروز موارد شدید می شود با هم مرتبط کنیم و اکنون قادر به پیش بینی افرادی که به احتمال زیاد در ICU بستری می شوند ، که به تهویه هوا نیاز دارند و احتمال زنده ماندن آنها چیست.

علاوه بر توانایی پیش بینی قدرتمند فردی و سطح جمعیت ، این تجزیه و تحلیل ها همچنین شروع خوبی در درک مکانیسم های بیماری است که می تواند به نوبه خود توسعه و آزمایش داروهای درمانی را تسریع کند.

این فقط یک مثال است. تعداد بسیار بیشتری وجود دارد. 12 ماه گذشته ، زمان پیشرفت سریع AI برای مراقبت های بهداشتی بوده است ، و این امکان را برای تشخیص منسجم بیماری های کم درک ، برنامه های درمانی شخصی بر اساس ژنتیک پاسخ درمانی و البته کشف دارو فراهم می کند.

در حال حاضر هوش مصنوعی در آزمایشگاه ها برای کمک به کشف داروهای جدید و استفاده های جدید از داروهای موجود مورد استفاده قرار می گیرد و این کار سریعتر و ارزان تر از همیشه انجام می شود ، بنابراین منابع گرانبها آزاد می شود.

آسانسورهای سنگین فنی زیادی وجود دارد ، اما نوآوری در زمینه هوش مصنوعی در حال حاضر واقعاً باورنکردنی است و در حال پیشرفت است. من فکر می کنم بالابر بزرگتر در حال حاضر اعتماد است. صنعت هوش مصنوعی با بیش از حد سایه پردازی بی وقفه در مورد خود ، و به دلیل ضعف در عملکرد خود ، اغراق بیش از حد نقش خود در معادله کلی مراقبت های بهداشتی و ایجاد ترس در مورد آنچه که با داده های همه انجام می شود ، به خود و علم آسیب رسانده است.

ما باید درمورد هوش مصنوعی از نظر آنچه امروزه واقعاً انجام می دهد و نقش آن در علم و مراقبت شروع کنیم و باید شفافیت بیشتری در مورد داده ها داشته باشیم: نحوه بدست آوردن آن ، استفاده از آن و به طور کلی اطمینان از استفاده هوشمندانه از آن ، با مسئولیت پذیری و با رعایت حریم خصوصی بیمار.

س: شما می گویید که برخی از سازمان های بزرگ علامت هوش مصنوعی را از دست داده و در نهایت اعتماد عمومی به این نوع فناوری ها را از بین بردند. لطفا شرح دهید. شما معتقدید موفقیت هوش مصنوعی در حل مسائل غیر جذاب مانند نرمال سازی داده ها ، قابلیت همکاری ، ادغام گردش کار بالینی و مدیریت تغییر بستگی دارد. چرا؟

پاسخ: شرکت ها میلیاردها دلار صرف جمع آوری غیرقابل تصور مجموعه داده های گسترده و قول سیستم های فوق العاده هوشمند کردند که می توانند بیماری را بهتر از انسان پیش بینی ، تشخیص و درمان کنند. انتظارات عمومی متزلزل نبود ، اما انتظارات سازمانهای بهداشتی که روی این راه حل ها سرمایه گذاری کرده اند نیز همین بود.