Üretken yapay zeka basit terimlerle açıklanmıştır

Üretken yapay zeka, öncelikle mevcut verilerdeki örnekleri öğrenip ardından da bu örnekleri benzer şekilde takip eden yeni içerikler oluşturarak içerik oluşturan bir yapay zeka türüdür.

Üretken yapay zeka, belirli bir yazarın tarzına göre kısa bir öykü oluşturabilir, var olmayan bir kişinin gerçekçi bir görüntüsünü oluşturabilir, ünlü bir bestecinin tarzında bir senfoni oluşturabilir ya da basit bir metin tanımından video klip oluşturabilir.

Üretken yapay zeka ile diğer yapay zeka türleri

Üretken yapay zeka, veri kümelerinde tanımlanan örneklere göre yeni kombinasyonlar oluşturma biçimindeki diğer yapay zeka türlerinden benzersizdir. Sözcükler arasındaki istatistiksel ilişkileri öğrenerek bunu yapar, örneğin, bundan sonra ne geleceğini tahmin etmek için.

Üretken yapay zekanın diğer yapay zeka biçimleriyle karşılaştırma ve karşıtlığını şu şekilde bulabilirsiniz:

Üretken yapay zekaya karşı geleneksel yapay zeka

Geleneksel yapay zeka, önceden belirlenen kurallara veya algoritmalara uyarak belirli görevleri gerçekleştiren yapay zeka sistemlerini ifade eder. Bunlar öncelikle doğrudan insan müdahalesi olmadan verilerden ders alınamayan veya zaman içinde iyileştirilemeyen kural tabanlı sistemlerdir. Öte yandan üretken yapay zeka verilerden bilgi edinebilir ve bunun yeni formlarını oluşturabilir.

Üretken yapay zeka ve makine öğrenmesi

Makine öğrenmesi, bir sistemin açık programlama yerine verilerden öğrenmesini sağlar. Başka bir deyişle, makine öğrenmesi, bir bilgisayar programının uyarladığı ve yeni verilerden bağımsız olarak öğrendiği, eğilimlerin ve içgörülerin keşfedilmesine yol açan süreçtir. Üretken yapay zeka, yeni veriler öğrenmek ve oluşturmak için makine öğrenmesi tekniklerinden yararlanır.

Üretken yapay zeka ile etkileşimli yapay zeka

Etkileşimli yapay zeka, makinelerin insan dilini insan benzeri bir şekilde anlamasını ve bunlara yanıt vermesini sağlar. Üretken yapay zeka ve etkileşimli yapay zeka benzer olsa da (özellikle insan benzeri metin oluşturmak için üretken yapay zeka kullanıldığında) birincil farkları amaçlarında yatar. Etkileşimli yapay zeka, insan benzeri diyaloglara dahil olan etkileşimli sistemler oluşturmak için kullanılırken üretken yapay zeka daha geniştir ve yalnızca metin değil çeşitli içerik türlerinin oluşturulmasını kapsar.

Üretken yapay zekadan yapay zekaya karşı yapay zeka

Yapay genel zeka (AGI) yüksek derecede otonom ama şu anda varsayımsal, ekonomik açıdan en değerli görevlerde insanı geride bırakabilen sistemleri ifade eder. Gerçekleşmesi halinde AGİ, geniş bir işlev yelpazesinde bilgiyi anlayabilecek, öğrenebilecek, uyarlayabilecek ve uygulayabilecektir. Üretken yapay zeka bu tür sistemlerin bir bileşeni olabilir ancak AGI ile eşdeğer değildir. Üretken yapay zeka, yeni veri örnekleri oluşturmaya odaklanırken AGI daha geniş bir özerklik düzeyi ve özellik belirtir.

Üretken yapay zekayı diğer yapay zeka türlerinden ayıran nedir?

Üretken yapay zeka; fikir üretmeyi hızlandırarak, yüksek oranda uyarlanmış deneyimler oluşturarak ve manüel çabayı azaltarak iş akışlarını kolaylaştırarak iş uygulamaları üzerinde derin bir etkiye sahiptir.

Üretken yapay zekanın hızlandırdığı bazı görev örnekleri:

İnovasyon

• Hızlı prototip oluşturma: Tasarımcıların ve mühendislerin yinelemelerine yardımcı olmak için birden fazla tasarım konseptini hızlı bir şekilde oluşturma.
• Yaratıcı içerik üretimi: Yazarların, sanatçıların ve müzisyenlerin yapay zeka tarafından oluşturulan taslaklarla yeni stiller veya fikirler keşfetmelerine olanak sağlama.
• Bilimsel keşif: Mevcut kimyasal veritabanlarından desenler öğrenerek yeni moleküler yapılar üretmek, bilim insanlarının bunları sentezlemeden önce kimyasal özellikleri tahmin etmelerine izin verir.
• Ürün geliştirme: Kullanıma sunulmadan önce yeni kavramlara yönelik kullanıcı geri bildirimlerini veya pazar yanıtlarını simüle etme.

Kişiselleştirme

• Özel içerik: Bireysel kullanıcı davranışına göre kişiselleştirilmiş e-postalar, reklamlar veya ürün önerileri gönderme.
• Uyarlamalı öğrenme: Öğrencinin temposuna ve tarzına uygun ders veya sınavlar.
• Sağlık Hizmetleri: Hasta verilerine göre kişiselleştirilmiş tedavi planları veya sağlık içgörüleri oluşturma.
• Eğlence: Kullanıcı tercihlerine uyacak şekilde oyunlardaki hikâye veya görselleri uyarlamak.

Otomasyon

• İçerik oluşturma: Görüntü oluşturma, video düzenleme ve daha fazlası ile yaratıcıların beyin fırtınasına yardımcı olur.
• Müşteri desteği: Sorguları işlemede insan aracılara yardımcı olma. Yapay zeka sohbet botları, müşterilerin sorunları gidermesine ve yapamamaları durumunda bunları eskale etmesine yardımcı olur.
• Kod üretimi: Tekrarlayan kodlama görevlerini otomatikleştirme veya kazan plaka kodu oluşturma.
• Belge işleme: Büyük hacimli metinlerden anahtar bilgileri özetleme, çevirme veya çekme.

Üretken yapay zeka nasıl çalışır?

Üretken yapay zeka, makine öğrenmesi ilkeleri üzerinde çalışır. Bununla birlikte, örüntüleri öğrenen ve bu modellere göre tahminler veya kararlar veren geleneksel makine öğrenmesi modellerinin aksine üretken yapay zeka bir adım daha ileri götürür; yalnızca verilerden öğrenmekle kalmaz, aynı zamanda girdi verilerinin özelliklerini taklit eden yeni veri örnekleri oluşturur.

Üretken yapay zekanın temel taşı, insan beyninin veri işlemesini ve karar alma için örüntüler oluşturmayı taklit eden bir makine öğrenmesi türü olan derin öğrenmedir. Bu, bilgiyi işleyen ve aktaran, insan beynindeki nöronları taklit eden, birbirine bağlı birçok katmandan oluşan yapay nöral ağların kullanımıyla elde edilir.

Üretken yapay zekayı çalıştırmaya yönelik genel bir iş akışı:

Verilerden öğrenme

Üretken yapay zeka modelleri metin, görüntü, ses veya diğer biçimler olmak üzere çok miktarda veri alarak başlar. Eğitim sırasında model, yeni içerik üretme yeteneğinin temelini oluşturan verilerin içindeki istatistiksel örüntüleri ve yapıları tanımlar.

Desen ve ilişkileri tanıma

Model, eğitildikten sonra verilerdeki öğeler arasındaki karmaşık ilişkileri tanır. Örneğin dil modellerinde bu, dilbilgisinin, bağlamın, tonun ve hatta niyetin anlaşılmasını içerir. Görüntü modellerinde şekilleri, dokuları ve mekansal düzenlemeleri tanımayı içerebilir.

Yeni içerik oluşturmak için istemleri kullanma

Üretken yapay zeka, yeni içerik üretmede modele yön veren kullanıcı girdileri olan istemlere yanıt verir. Bu istemler sorular, talimatlar veya örnekler olabilir. Öğrendiği desenlere dayanarak model, tutarlı, bağlamsal olarak ilgili ve genellikle insan tarafından oluşturulan içerikten ayırt edilemeyen çıktılar üretir.

İnsanlar üretken yapay zeka ile nasıl çalışır?

Kişiler, hedeflerine ve kullandıkları araçlara bağlı olarak üretken yapay zekayla çeşitli şekillerde etkileşim kurar:

• Yazma ve iletişim: Grammarly ve ChatGPT gibi araçlar, e-postaları hazırlamaya, tonu iyileştirmeye, dilbilgisini düzeltmeye ve içerik fikirleri üretmeye yardımcı olur. İster bir rapor yazıyor ister bir sosyal medya gönderisi hazırlıyor olun, bu araçlar süreci kolaylaştırmaya ve netliği artırmaya yardımcı olur.
• Kodlama: GitHub Copilot, kod parçacıkları önererek, hataları tanımlayarak ve tüm işlevleri üreterek geliştiricileri destekler.
• Üretkenlik ve organizasyon: Yapay zeka yardımcıları; anında yanıtlar, rutin görevler (toplantı ve veri girişi planlaması gibi) ve karar desteği konusunda kullanıcılarına yardımcı olabilir. Örneğin SAP Joule, kullanıcılara iş verileri bağlamına göre analizler sağlayabilir ve fatura eşleme gibi yinelenen görevleri otomatikleştirebilir. Aslında kullanıcılar Joule'u finanstan İK'ya ve daha fazlasına kadar rollerine ve sorumluluklarına göre uyarlayabilir.
• Araştırma ve öğrenme: Öğrenciler ve profesyoneller, karmaşık konuları açıklamak, makaleleri özetlemek ve fikirleri beyin fırtınası yapmak için yapay zeka üretkenlik yardımcılarından yararlanır.

Üretken yapay zeka araçları rutin ve sıkıcı görevleri üstlenerek insanların daha stratejik sorumluluklar üstlenmesine zaman ayırır.

Üretken yapay zeka türleri

Üretken yapay zeka modelleri, yaptıkları ve oluşturulma şekilleri bakımından farklılık gösterir. Güçlü yönleri ve sorun çözme yetenekleri mimarilerine bağlıdır. Bu farklılıklar, yapay zekanın gerçek dünya senaryolarında nasıl çalıştığını, yazmaktan ve kodlamadan görüntü yaratmaya kadar nasıl işlediğini şekillendirdikleri için önem arz ediyor.

Üretken yapay zeka modelleri, yüksek düzeyde çeşitli kategorilere ayrılır ve her biri kendi yaklaşımıyla yeni veriler oluşturur:

1. Transformatör tabanlı modeller: Transformatör mimarileri üzerine kurulu modeller, uzun dizilerde kelimeler veya belirteçler arasındaki ilişkileri anlamak için dikkat mekanizmalarını kullanır. Bu, etkileşimli ve yardımcı AE'lerin, paragraflar veya tüm belgeler arasında bile tutarlı, bağlama duyarlı metin oluşturmasına olanak sağlar
2. Jeneratif muhalif ağlar (GAN'ler): GAN'lar iki nöral ağ, bir jeneratör ve bir ayrımcılıktan oluşur. Jeneratör yeni veriler oluştururken, ayrımcılık yapan kişi ise özgünlüğünü belirlemek için değerlendirir. Zaman içinde bu rekabet ilişkisi iyileşmeye yol açar. Bunun örnekleri, görselleri üretmek ve değiştirmek için GAN'leri kullanan dijital görüntü oluşturma araçlarıdır.
3. Çeşitli otokodlayıcılar (VAEs): VAEs'in bir uygulaması müziğin neslidir. Verileri latent bir alana sıkıştıran bir kodlayıcıyı ve o alandan gelen verileri yeniden yapılandıran bir kod çözücüyü birleştirerek çalışırlar. Kod çözücü, rastgeleliği tanıtır ve çeşitli çıktılar sağlar. Yani müzik yaratma araçları ses verileri üzerinde eğitim verir ve buldukları diziler ve desenlere göre yeniden yapılandırmaya çalışırlar.
4. Otoregresif modeller: Bu modeller, önceki üretilen öğelere göre sonraki öğeyi tahmin ederek her seferinde bir adım veri üretir. Bu yaklaşım yaygın olarak dil modellemesinde kullanılır ve burada her bir sözcük veya belirteç sırayla oluşturulur. Otoregresif modeller, birçok popüler üretken yapay zeka aracına güç verir.
5. Akış modellerinin normalleştirilmesi: Bu üretken modeller sınıfı, bir dizi çevrilemez fonksiyon kullanarak basit olasılık dağılımlarını karmaşık olanlara dönüştürür. Özellikle görüntü oluşturma gibi tam olasılık tahmininin önemli olduğu görevler için kullanışlıdırlar.

Üretken yapay zeka örnekleri ve kullanım durumları

Yeni içerik oluşturma konusundaki benzersiz yeteneğiyle üretken yapay zeka, çeşitli ilgi çekici uygulamalara olanak sağlıyor.

Kurumsal kullanım durumları

Üretken yapay zeka, iş akışlarını kolaylaştırarak ve inovasyona olanak sağlayarak çeşitli sektörleri dönüştürmektedir.

• İnsan kaynakları: Üretken yapay zeka, iş tanımları hazırlama ve aday profillerine göre özel mülakat soruları oluşturma gibi görevleri otomatikleştirir. Örneğin Hint otomobil üreticisi Mahindra & Mahindra, daha iyi işe alım kararlarını daha hızlı almak için üretken yapay zeka kullanıyor.
• Tedarik zinciri yönetimi: Bilişim teknolojisi şirketi AMD, satış siparişi teyitlerini analiz eden, tahsis sorunlarını tespit eden ve stok eksikliklerini belirleyen yapay zeka destekli bir sorun giderme aracı geliştirdi. Çalışanlar, doğal dil sohbet botu aracılığıyla araçla etkileşime geçerek karmaşık veri öngörülerini daha erişilebilir ve eyleme geçirilebilir hale getirir. Bu, üretken yapay zekanın daha akıllı kararları ve daha verimli operasyonları nasıl yönlendirdiğini gösterir.
• Profesyonel hizmetler: Üretken yapay zeka, temel metrikleri ortaya çıkararak kullanıcıları risklere karşı uyarır ve verilere dayalı içgörülerle anlatımları bildirir. Accenture'da, iş yüklerini azaltarak ve daha hızlı, daha bilinçli kararlar almalarına yardımcı olarak finans ekiplerini güçlendirdi.

Metin ve konuşma yapay zekası

Üretken yapay zeka, kullanıcı etkileşimini geliştiren insan benzeri metinler üreterek iletişimde devrim yaratıyor. Gelişmiş sohbet botlarının ve sanal asistanların doğal, insan benzeri konuşmaları sürdürmesini sağlar. Bu sistemler önceki nesillere göre daha duyarlı ve bağlamsal olup, onları müşteri hizmetleri, kişisel yardım ve daha fazlası için değerli araçlar haline getirmektedir.

Ayrıca yazı asistanları gibi araçlar da insanların kendilerini daha fazla netlik ve güvenle ifade etmelerine yardımcı oluyor. İster e-posta hazırlıyor, ister belgeleri özetliyor ister yaratıcı içerik oluşturuyor olsun, bu metin oluşturma araçları istemleri doğrultusunda onlara tutarlı, ilgili ve dil bilgisi bakımından doğru dil sağlar.

Görüntüler ve tasarım

Yaratıcı alanlarda üretken yapay zeka, görsel yineleme için güçlü bir araçtır. Grafik tasarım ve mimaride profesyonellerin eğitim verilerine dayalı benzersiz tasarım konseptleri ve verimli kat planları oluşturmasına yardımcı olur. Sanatta platformlar kullanıcı tarafından gönderilen görüntüleri ünlü ressamlardan sonra biçilmiş sanat eserlerine dönüştürür. Konvansiyonel nöral ağlar da gerçeküstü, rüya benzeri görseller üreterek dijital yaratıcılığın sınırlarını zorlayabilir.

Müzik ve video

Gelişmiş modeller artık çok çeşitli türlerde müzik oluşturabiliyor, etkileyici uyumluluk ve duygusal derinlik ile birden fazla enstrüman ve stil simüle edebiliyor.

Video prodüksiyonunda, son teknoloji üretken yapay zeka sistemleri senkronize ses, ortam sesi ve hatta diyaloglarla tamamlanmış kısa, gerçekçi klipler bile oluşturabilir. Bu modeller, oluşturulan bir videoya bir kişinin benzerliğini eklemek gibi sahneleri kişiselleştirmek için kullanıcı tarafından sağlanan referansları içeren sinematik ve animasyon stillerini destekler. Fizikten haberdar hareket ve canlıya benzeyen bu araçlar, müzik videoları, kısa filmler ve sürükleyici dijital deneyimler için yeni olanaklar açıyor.

Üretken yapay zekayı uygulamaya ilişkin zorluklar ve riskler

Üretken yapay zekayı uygulamadaki zorluklar ve riskler, liderlerin teknoloji geliştikçe ele almaları gereken bir dizi teknik, organizasyonel ve etik endişeyi kapsar. Burada, kuruluşların bunları etkili bir şekilde yönetmek için kullanabileceği bazı temel zorlukları ve stratejileri araştırıyoruz.

• Veri gereksinimleri: Üretken yapay zeka modelleri, etkili bir şekilde eğitmek için önemli miktarda yüksek kaliteli, çeşitli ve ilgili veriler gerektirir. Bu tür verilerin alınması, özellikle verilerin sağlık veya finans gibi az, hassas veya korumalı olduğu etki alanlarında zorlayıcı olabilir. Ek olarak, üretilen çıktıda önyargıyı önlemek için verilerin çeşitliliğini ve örnekleme doğruluğunu sağlamak potansiyel olarak karmaşıktır. Bu zorluğun bir çözümü, gerçek verilerin özelliklerini taklit eden yapay olarak oluşturulmuş veriler olan sentetik verilerin kullanılması olabilir. Niş veri şirketleri, yapay zeka sistemlerinin üzerinde eğittiği sentetik verileri üretmekte ve gizliliği ve gizliliği korurken giderek daha fazla uzmanlaşıyor.
• Eğitim karmaşıklığı: Özellikle GANS veya dönüştürme tabanlı olanlar gibi üretken yapay zeka modellerini eğitmek hesaplama açısından yoğun, zaman alıcı ve pahalıdır. Önemli kaynaklara ve uzmanlığa ihtiyaç duyar. Bu da daha küçük kuruluşlar veya yapay zeka için yeni kuruluşlar için bir engel teşkil eder. Eğitim sürecinin birden çok makine veya GPU'lar arasında gerçekleştiği dağıtılmış eğitim, sürecin hızlandırılmasına yardımcı olur. Buna ek olarak, geliştiricilerin belirli bir görev için önceden eğitilmiş bir modelde ince ayarlar yaptığı bir teknik olan transfer eğitimi, eğitim karmaşıklığını ve kaynak gereksinimlerini azaltır.
• Çıktıyı kontrol etme: Üretken modeller doğru olmayan, ilgisiz veya uygunsuz içerik üretebilir. Daha çeşitli ve temsilci veriler sağlayarak modelin eğitimini geliştirmek bu sorunun yönetilmesine yardımcı olur. Ek olarak, filtreleme sistemleri ve geri bildirim döngüleri gibi mekanizmaların uygulanması çıktıların izlenmesine ve ayrıntılandırılmasına yardımcı olur. Açıklanabilirliği ve adaleti model tasarıma gömmek güven ve alakayı sağlamak için gereklidir.
• Etik kaygılar: Üretken yapay zeka, özellikle üretilen içeriğin özgünlüğü ve bütünlüğü açısından çeşitli etik endişeler doğurur. GAN'lar tarafından oluşturulan Deepfakes yanlış bilgiler yayabilir ve dolandırıcılığı kolaylaştırabilir. Üretken metin modelleri yanıltıcı haber makaleleri ya da sahte eleştiriler oluşturmak için de kullanılır. Üretken yapay zekanın kullanımı için sağlam etik yönergeler belirlemek çok önemlidir. Dijital su işaretleme veya blockchain gibi teknolojiler, yapay zeka tarafından oluşturulan içeriğin izlenmesine ve kimliğinin doğrulanmasına yardımcı olur. Ek olarak, halk arasında yapay zeka okuryazarlığı geliştirmek yanlış bilgi ve dolandırıcılık risklerini azaltmaya yardımcı olabilir.
• Düzenleme engelleri: Üretken yapay zekanın kullanımına ilişkin net düzenleme yönergelerinin eksikliği var. Yapay zeka hızla gelişmeye devam ederken, yasalar ve düzenlemeler ayak uydurmakta zorlanıyor ve bu da belirsizliklere ve olası yasal anlaşmazlıklara yol açıyor.

Üretken yapay zekanın sorumlu kullanılmasını sağlamak için, teknoloji uzmanları, politika yapıcılar, hukuk uzmanları ve daha geniş kamuoyu arasında stratejik iş birliği esastır. Bu iş birliği, güçlü yönetim çerçevelerinin, etik standartların ve teknolojik gelişmelere ayak uyduran açık düzenleme yönergelerinin geliştirilmesini teşvik etmelidir.

Aynı derecede önemli olan veri hazırlığıdır. Organizasyonlar verilerinin olgunluğunu değerlendirmeli, temiz, tutarlı ve bağlamsal olmasını sağlamalı ve bunu destekleyen altyapı oluşturmalıdır.  Çözümler, güçlü yönetim ve gizlilik korumalarını korurken verileri sistemler arasında entegre etmelidir.

Üretken yapay zeka geçmişi

Çeşitli temel geliştirmeler ve kilometre taşları üretken yapay zekanın geçmişini işaretlemiştir.

1980'lerde geleneksel yapay zekanın ön tanımlı kural ve algoritmalarının ötesine geçmek isteyen veri bilimciler naif Bayes sınıflandırıcısının geliştirilmesiyle üretken bir yaklaşım için zemin hazırladılar.

Daha sonra 1980'lerde ve 1990'larda, yeni veri üretebilen nöral ağlar oluşturmak için Hopfield ağları ve Boltzmann makineleri gibi modeller tanıtıldı. Bununla birlikte, büyük veri kümelerine kadar ölçeklendirme zordu ve kaybolan gradyan sorunu gibi sorunlar derin ağların eğitimini engelledi.

2006 yılında kısıtlı Boltzmann makineleriyle (RBM) bir atılım gerçekleşti ve bu da derin bir nöral ağdaki katmanların ön eğitimini sağladı. RBM'ler sadece kaybolan gradyan sorununu çözmekle kalmayıp aynı zamanda derin inanç ağlarının gelişmesine de yol açtı.

2014 yılında, üretken muhalif ağlar (GAN'lar) sahneye girerek gerçekçi veriler, özellikle de görüntüler üretmek için etkileyici bir yetenek gösterdi. Aynı zamanda, bilgisayar bilimciler veri üretmek için daha prensipli bir çerçeveyi destekleyen otokodlayıcılara olasılıksal bir yaklaşım sunan çeşitli otokodlayıcılar tanıttılar.

2010'ların sonlarında GPT ve BERT gibi transforme tabanlı modellerin yükselişi görüldü, insan benzeri metin üretme ile doğal dil işlemede devrim yarattı.

Günümüzde üretken yapay zeka modelleri, etik kullanıma ve kontrol edilebilirliğe artan vurguyla sınırları zorlamaya devam ediyor.

Üretken yapay zekanın geçmişi, yaratıcı potansiyelinden sorumlu bir şekilde yararlanmak için değerli dersler sunarak teori ve uygulamadaki hızlı ilerlemeyi yansıtır.

Üretken yapay zekanın geleceği

Daha önce bilim kurguya hapsolmuş bir kavram olan üretken yapay zeka, hızla gündelik işin ve yaşamın ayrılmaz bir parçası haline geldi. Verilerden öğrenmeye ve kararları otomatikleştirmeye odaklanan geleneksel yapay zekanın aksine üretken yapay zeka, oluşturma özelliğini ekler. Bu sıçrama, gerçekçi görüntüler üretmekten ve kod yazmaktan eğitim için sentetik veri üretmeye kadar daha önce hayal edilemez olan uygulamalara olanak sağlar.

Üretken yapay zeka, işletmeler için yeni bir iş yapay zekası çağında da kullanılıyor. Doğrudan temel süreçlere gömülü olarak, kuruluşların iş akışlarını otomatikleştirmesine, müşteri etkileşimlerini geliştirmesine ve operasyonel verimliliği artırmasına yardımcı olur.

Üretken yapay zeka gelişmeye devam ederken, düşünsel yönetime ve etik kullanıma olan bağlılığına bağlı kalmak koşuluyla insan yaratıcılığını ve üretkenliğini artırma potansiyeli ancak büyüyecektir. Şirketler, küresel düzenlemelere bağlı kalarak bu teknolojileri etik, şeffaf ve uyumlu bir şekilde dağıtmalı ve kullanmalıdır.

SSS