സ്കെച്ച്നോട്ട്: Tomomi Imura
🎥 ഈ പാഠം വിശദീകരിക്കുന്ന ഒരു ചെറിയ വീഡിയോയ്ക്ക് മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്യുക.
ഈ പാഠത്തിൽ, മെഷീൻ ലേണിങ്ങിന്റെയും കൃത്രിമ ബുദ്ധിമുട്ടിന്റെയും ചരിത്രത്തിലെ പ്രധാന മൈൽസ്റ്റോണുകൾ നാം പരിശോധിക്കും.
കൃത്രിമ ബുദ്ധിമുട്ട് (AI) എന്ന മേഖലയുടെയും മെഷീൻ ലേണിങ്ങിന്റെയും ചരിത്രം പരസ്പരം ബന്ധപ്പെട്ടിരിക്കുന്നു, കാരണം ML-നെ അടിസ്ഥാനമാക്കിയുള്ള ആൽഗോരിതങ്ങളും കംപ്യൂട്ടേഷണൽ പുരോഗതികളും AI-യുടെ വികസനത്തിന് സഹായകമായിട്ടുണ്ട്. ഈ മേഖലകൾ 1950-കളിൽ വ്യക്തമായ അന്വേഷണ മേഖലകളായി രൂപപ്പെട്ടെങ്കിലും, ആൽഗോരിത്മിക്, സാങ്കേതിക, ഗണിത, കംപ്യൂട്ടേഷണൽ, സാങ്കേതിക കണ്ടെത്തലുകൾ ഈ കാലഘട്ടത്തിന് മുമ്പും അതിനിടയിലും ഉണ്ടായിരുന്നുവെന്ന് ഓർക്കുന്നത് പ്രയോജനകരമാണ്. വാസ്തവത്തിൽ, ഈ ചോദ്യങ്ങളെക്കുറിച്ച് ആളുകൾ നൂറുകണക്കിന് വർഷങ്ങളായി ചിന്തിച്ചുവരുന്നു: ഈ ലേഖനം 'ചിന്തിക്കുന്ന യന്ത്രം' എന്ന ആശയത്തിന്റെ ചരിത്ര ബൗദ്ധിക അടിസ്ഥാനങ്ങളെക്കുറിച്ചാണ്.
- 1763, 1812 ബേസ് തിയറിംയും അതിന്റെ മുൻപുള്ളവയും. ഈ തിയറിവും അതിന്റെ പ്രയോഗങ്ങളും മുൻ അറിവിന്റെ അടിസ്ഥാനത്തിൽ ഒരു സംഭവത്തിന്റെ സംഭവിക്കാനുള്ള സാധ്യത വിവരിക്കുന്നു.
- 1805 ഫ്രഞ്ച് ഗണിതജ്ഞൻ Adrien-Marie Legendre നിർമിച്ച ലീസ്റ്റ് സ്ക്വയർ തിയറി. ഈ തിയറി, ഞങ്ങളുടെ Regression യൂണിറ്റിൽ പഠിക്കപ്പെടും, ഡാറ്റ ഫിറ്റിംഗിൽ സഹായിക്കുന്നു.
- 1913 റഷ്യൻ ഗണിതജ്ഞൻ Andrey Markov-ന്റെ പേരിലുള്ള മാർക്കോവ് ചെയിൻസ്, മുൻസ്ഥിതിയുടെ അടിസ്ഥാനത്തിൽ സംഭവങ്ങളുടെ സീക്വൻസ് വിവരിക്കാൻ ഉപയോഗിക്കുന്നു.
- 1957 അമേരിക്കൻ മനശാസ്ത്രജ്ഞൻ Frank Rosenblatt കണ്ടുപിടിച്ച പേഴ്സെപ്ട്രോൺ എന്ന ലീനിയർ ക്ലാസിഫയർ, ഡീപ്പ് ലേണിങ്ങിലെ പുരോഗതിക്ക് അടിസ്ഥാനം.
- 1967 നീറസ്റ്റ് നെബർ ഒരു ആൽഗോരിതം, ആദ്യം റൂട്ടുകൾ മാപ്പ് ചെയ്യാൻ രൂപകൽപ്പന ചെയ്തതായിരുന്നു. ML-ൽ ഇത് പാറ്റേണുകൾ കണ്ടെത്താൻ ഉപയോഗിക്കുന്നു.
- 1970 ബാക്ക്പ്രൊപ്പഗേഷൻ ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ പരിശീലിപ്പിക്കാൻ ഉപയോഗിക്കുന്നു.
- 1982 റികറന്റ് ന്യൂറൽ നെറ്റ്വർക്കുകൾ ഫീഡ്ഫോർവേഡ് ന്യൂറൽ നെറ്റ്വർക്കുകളിൽ നിന്നുള്ള കൃത്രിമ ന്യൂറൽ നെറ്റ്വർക്കുകൾ ആണ്, അവ താൽക്കാലിക ഗ്രാഫുകൾ സൃഷ്ടിക്കുന്നു.
✅ ചെറിയൊരു ഗവേഷണം നടത്തുക. ML-നും AI-നും ചരിത്രത്തിൽ മറ്റേതെങ്കിലും നിർണായക തീയതികൾ എന്തെല്ലാമാണ്?
അലൻ ട്യൂറിംഗ്, 2019-ൽ പൊതുജനങ്ങൾ വോട്ടെഴുതിയ 20-ആം നൂറ്റാണ്ടിലെ ഏറ്റവും വലിയ ശാസ്ത്രജ്ഞനായി തിരഞ്ഞെടുക്കപ്പെട്ട ഒരു അത്ഭുതകരനായ വ്യക്തി, 'ചിന്തിക്കാൻ കഴിയുന്ന യന്ത്രം' എന്ന ആശയത്തിന് അടിസ്ഥാനം ഒരുക്കുന്നതിൽ സഹായിച്ചതായി കണക്കാക്കപ്പെടുന്നു. ഈ ആശയത്തിന് empirical തെളിവ് ആവശ്യമായതിനാൽ അദ്ദേഹം ട്യൂറിംഗ് ടെസ്റ്റ് സൃഷ്ടിച്ചു, ഇത് ഞങ്ങളുടെ NLP പാഠങ്ങളിൽ നിങ്ങൾ പരിശോധിക്കും.
"കൃത്രിമ ബുദ്ധിമുട്ട് എന്ന മേഖലയായി ഡാർട്മൗത്ത് സമ്മർ റിസർച്ച് പ്രോജക്ട് ഒരു സുപ്രധാന സംഭവമായിരുന്നു," ഇവിടെ 'കൃത്രിമ ബുദ്ധിമുട്ട്' എന്ന പദം ആദ്യമായി ഉപയോഗിക്കപ്പെട്ടു (സ്രോതസ്സ്).
പഠനത്തിന്റെ എല്ലാ ഘടകങ്ങളും ബുദ്ധിമുട്ടിന്റെ മറ്റ് എല്ലാ സവിശേഷതകളും യന്ത്രം അനുകരിക്കാൻ കഴിയുന്ന വിധം കൃത്യമായി വിവരണം ചെയ്യാവുന്നതാണ്.
മുൻനിര ഗവേഷകൻ, ഗണിതശാസ്ത്ര പ്രൊഫസർ ജോൺ മക്കാർത്തി, "പഠനത്തിന്റെ എല്ലാ ഘടകങ്ങളും ബുദ്ധിമുട്ടിന്റെ മറ്റ് സവിശേഷതകളും യന്ത്രം അനുകരിക്കാൻ കഴിയുന്ന വിധം കൃത്യമായി വിവരണം ചെയ്യാവുന്നതാണ്" എന്ന കണക്കുകൂട്ടലിന്റെ അടിസ്ഥാനത്തിൽ മുന്നോട്ട് പോകാൻ ആഗ്രഹിച്ചു. ഈ സമ്മേളനത്തിൽ Marvin Minsky എന്ന മറ്റൊരു പ്രമുഖനും പങ്കെടുത്തു.
ഈ വർക്ക്ഷോപ്പ് "സിംബോളിക് രീതികളുടെ ഉയർച്ച, പരിമിത മേഖലകളിൽ കേന്ദ്രീകൃത സിസ്റ്റങ്ങൾ (ആദ്യ വിദഗ്ധ സിസ്റ്റങ്ങൾ), ഡെഡക്ടീവ് സിസ്റ്റങ്ങൾ എതിരായ ഇൻഡക്ടീവ് സിസ്റ്റങ്ങൾ" തുടങ്ങിയ ചർച്ചകൾ ആരംഭിക്കുകയും പ്രോത്സാഹിപ്പിക്കുകയും ചെയ്തതായി കണക്കാക്കപ്പെടുന്നു (സ്രോതസ്സ്).
1950-കളിൽ നിന്ന് 1970-കളുടെ മധ്യകാലം വരെ, AI പല പ്രശ്നങ്ങളും പരിഹരിക്കുമെന്ന് വലിയ പ്രതീക്ഷ ഉണ്ടായിരുന്നു. 1967-ൽ Marvin Minsky ആത്മവിശ്വാസത്തോടെ പറഞ്ഞു: "ഒരു തലമുറക്കുള്ളിൽ ... 'കൃത്രിമ ബുദ്ധിമുട്ട്' സൃഷ്ടിക്കുന്ന പ്രശ്നം പ്രധാനമായും പരിഹരിക്കപ്പെടും." (Minsky, Marvin (1967), Computation: Finite and Infinite Machines, Englewood Cliffs, N.J.: Prentice-Hall)
പ്രകൃതിഭാഷാ പ്രോസസ്സിംഗ് ഗവേഷണം വളർന്നു, തിരച്ചിൽ മെച്ചപ്പെടുത്തി ശക്തിപ്പെടുത്തി, 'മൈക്രോ-വേൾഡ്' എന്ന ആശയം സൃഷ്ടിച്ചു, എളുപ്പം plain language നിർദ്ദേശങ്ങൾ ഉപയോഗിച്ച് ലളിതമായ പ്രവർത്തനങ്ങൾ പൂർത്തിയാക്കാൻ.
ഗവൺമെന്റ് ഏജൻസികൾ ഗവേഷണത്തിന് ധനസഹായം നൽകി, കംപ്യൂട്ടേഷൻ, ആൽഗോരിതങ്ങളിൽ പുരോഗതി ഉണ്ടായി, ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങളുടെ പ്രോട്ടോടൈപ്പുകൾ നിർമ്മിച്ചു. ചില യന്ത്രങ്ങൾ:
-
ഷേക്കി ദി റോബോട്ട്, 'ബുദ്ധിമുട്ടോടെ' പ്രവർത്തനങ്ങൾ നിർവഹിക്കാൻ കഴിവുള്ളത്.
1972-ലെ ഷേക്കി
-
എലൈസ, ഒരു പ്രാരംഭ 'ചാറ്റർബോട്ട്', ആളുകളുമായി സംവദിക്കുകയും പ്രാഥമിക 'തെറാപ്പിസ്റ്റ്' ആയി പ്രവർത്തിക്കുകയും ചെയ്തു. NLP പാഠങ്ങളിൽ എലൈസയെക്കുറിച്ച് കൂടുതൽ പഠിക്കും.
എലൈസയുടെ ഒരു പതിപ്പ്, ഒരു ചാറ്റ്ബോട്ട്
-
"ബ്ലോക്ക്സ് വേൾഡ്" ഒരു മൈക്രോ-വേൾഡ് ഉദാഹരണമായിരുന്നു, ഇവിടെ ബ്ലോക്കുകൾ തട്ടി ക്രമീകരിക്കാനും യന്ത്രങ്ങളെ തീരുമാനമെടുക്കാൻ പഠിപ്പിക്കാനും പരീക്ഷണങ്ങൾ നടത്താമായിരുന്നു. SHRDLU പോലുള്ള ലൈബ്രറികൾ ഉപയോഗിച്ച് ഭാഷാ പ്രോസസ്സിംഗ് മുന്നോട്ട് കൊണ്ടുപോയി.
🎥 മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: SHRDLU ഉപയോഗിച്ചുള്ള ബ്ലോക്ക്സ് വേൾഡ്
1970-കളുടെ മധ്യത്തിൽ, 'ബുദ്ധിമുട്ടുള്ള യന്ത്രങ്ങൾ' നിർമ്മിക്കുന്നതിന്റെ സങ്കീർണ്ണത കുറവായി കണക്കാക്കിയതും, ലഭ്യമായ കംപ്യൂട്ട് ശക്തി പരിഗണിച്ചാൽ വാഗ്ദാനം അത്ര വലിയതല്ലെന്ന് വ്യക്തമായിരുന്നു. ധനസഹായം കുറഞ്ഞു, മേഖലയിലെ ആത്മവിശ്വാസം മന്ദഗതിയിലായി. ആത്മവിശ്വാസത്തെ ബാധിച്ച ചില പ്രശ്നങ്ങൾ:
- പരിമിതികൾ. കംപ്യൂട്ട് ശക്തി വളരെ പരിമിതമായിരുന്നു.
- കമ്പിനേറ്റോറിയൽ എക്സ്പ്ലോഷൻ. കംപ്യൂട്ടറുകളിൽ കൂടുതൽ ആവശ്യങ്ങൾ വന്നപ്പോൾ പരിശീലിക്കേണ്ട പാരാമീറ്ററുകളുടെ എണ്ണം വൻപരിധിയിലേയ്ക്ക് വളർന്നു, കംപ്യൂട്ട് ശക്തിയും കഴിവും അതുപോലെ വളർന്നില്ല.
- ഡാറ്റയുടെ കുറവ്. പരീക്ഷണങ്ങൾ, വികസനം, ആൽഗോരിതം മെച്ചപ്പെടുത്തൽ എന്നിവയ്ക്ക് ആവശ്യമായ ഡാറ്റ കുറവായിരുന്നു.
- നാം ശരിയായ ചോദ്യങ്ങൾ ചോദിക്കുന്നുണ്ടോ?. ചോദിക്കുന്ന ചോദ്യങ്ങൾ തന്നെ സംശയാസ്പദമായി മാറി. ഗവേഷകർക്ക് അവരുടെ സമീപനങ്ങളെക്കുറിച്ച് വിമർശനങ്ങൾ നേരിടേണ്ടി വന്നു:
- ട്യൂറിംഗ് ടെസ്റ്റുകൾ 'ചൈനീസ് റൂം തിയറി' പോലുള്ള ആശയങ്ങളാൽ ചോദ്യം ചെയ്യപ്പെട്ടു, ഇതിൽ "ഡിജിറ്റൽ കംപ്യൂട്ടർ പ്രോഗ്രാമിംഗ് ഭാഷ മനസ്സിലാക്കുന്ന പോലെ തോന്നിക്കാമെങ്കിലും യഥാർത്ഥ മനസ്സിലാക്കൽ ഉണ്ടാകില്ല" എന്ന് വാദിച്ചു. (സ്രോതസ്സ്)
- "തെറാപ്പിസ്റ്റ്" എലൈസ പോലുള്ള കൃത്രിമ ബുദ്ധിമുട്ടുകൾ സമൂഹത്തിൽ പരിചയപ്പെടുത്തുന്നതിന്റെ നൈതികത ചോദ്യം ചെയ്യപ്പെട്ടു.
അതേസമയം, വിവിധ AI ചിന്താശാഖകൾ രൂപപ്പെട്ടു. "സ്ക്രഫി" vs. "നീറ്റ് AI" എന്ന വ്യത്യാസം സ്ഥാപിച്ചു. സ്ക്രഫി ലാബുകൾ മണിക്കൂറുകൾക്കായി പ്രോഗ്രാമുകൾ തിരുത്തി ആവശ്യമായ ഫലങ്ങൾ നേടാൻ ശ്രമിച്ചു. നീറ്റ് ലാബുകൾ "ലോജിക്, ഔപചാരിക പ്രശ്നപരിഹാരത്തിൽ" കേന്ദ്രീകരിച്ചു. എലൈസയും SHRDLUയും പ്രശസ്തമായ സ്ക്രഫി സിസ്റ്റങ്ങളായിരുന്നു. 1980-കളിൽ ML സിസ്റ്റങ്ങൾ പുനരുത്പാദനയോഗ്യമാക്കേണ്ട ആവശ്യം ഉയർന്നപ്പോൾ, നീറ്റ് സമീപനം മുൻപന്തിയിലായി, കാരണം അതിന്റെ ഫലങ്ങൾ കൂടുതൽ വിശദീകരിക്കാവുന്നതായിരുന്നു.
മേഖല വളർന്നതോടെ, ബിസിനസിന് ഇതിന്റെ പ്രയോജനം വ്യക്തമായി, 1980-കളിൽ 'വിദഗ്ധ സിസ്റ്റങ്ങൾ' വ്യാപിച്ചു. "വിദഗ്ധ സിസ്റ്റങ്ങൾ കൃത്രിമ ബുദ്ധിമുട്ടിന്റെ ആദ്യത്തെ വിജയകരമായ സോഫ്റ്റ്വെയർ രൂപങ്ങളിലൊന്നായിരുന്നു." (സ്രോതസ്സ്).
ഈ സിസ്റ്റങ്ങൾ ഭാഗികമായി നിയമങ്ങൾ നിർവചിക്കുന്ന ഒരു റൂൾസ് എഞ്ചിനും, പുതിയ വസ്തുതകൾ കണ്ടെത്താൻ റൂൾസ് സിസ്റ്റം ഉപയോഗിക്കുന്ന ഇൻഫറൻസ് എഞ്ചിനും ചേർന്ന ഹൈബ്രിഡ് ആണ്.
ഈ കാലഘട്ടത്തിൽ ന്യൂറൽ നെറ്റ്വർക്കുകൾക്ക് കൂടുതൽ ശ്രദ്ധ ലഭിച്ചു.
വിദഗ്ധ സിസ്റ്റങ്ങൾക്കായുള്ള പ്രത്യേക ഹാർഡ്വെയർ വളരെ പ്രത്യേകതയുള്ളതായതിനാൽ അതിന്റെ വ്യാപനം കുറവായി. പേഴ്സണൽ കംപ്യൂട്ടറുകളുടെ ഉയർച്ചയും ഈ വലിയ, പ്രത്യേക, കേന്ദ്രകൃത സിസ്റ്റങ്ങളുമായി മത്സരം നടത്തി. കംപ്യൂട്ടിങ്ങിന്റെ ജനാധിപത്യവൽക്കരണം ആരംഭിച്ചു, ഇത് പിന്നീട് ബിഗ് ഡാറ്റയുടെ ആധുനിക പൊട്ടിപ്പുറത്തലിന് വഴിതെളിച്ചു.
ഈ കാലഘട്ടം ML-നും AI-നും മുമ്പ് ഡാറ്റയും കംപ്യൂട്ട് ശക്തിയും കുറവായതിനാൽ ഉണ്ടായ പ്രശ്നങ്ങൾ പരിഹരിക്കാൻ പുതിയ കാലഘട്ടമായി. ഡാറ്റയുടെ അളവ് വേഗത്തിൽ വർദ്ധിച്ചു, പ്രത്യേകിച്ച് 2007-ൽ സ്മാർട്ട്ഫോൺ വന്നതോടെ കൂടുതൽ ലഭ്യമായി. കംപ്യൂട്ട് ശക്തി വൻപരിധിയിലേയ്ക്ക് വളർന്നു, ആൽഗോരിതങ്ങളും അതിനൊപ്പം വികസിച്ചു. ഈ മേഖല വളർച്ചയുടെ പാതയിൽ കടന്നു, മുൻകാല സ്വതന്ത്രമായ കാലങ്ങൾ ഒരു സത്യമായ ശാസ്ത്രശാഖയായി രൂപപ്പെട്ടു.
ഇന്ന് മെഷീൻ ലേണിങ്ങും AI-യും നമ്മുടെ ജീവിതത്തിന്റെ എല്ലാ ഭാഗത്തും സ്പർശിക്കുന്നു. ഈ കാലഘട്ടം ഈ ആൽഗോരിതങ്ങൾ മനുഷ്യജീവിതങ്ങളിൽ ഉണ്ടാക്കുന്ന അപകടങ്ങളും സാധ്യതകളും സൂക്ഷ്മമായി മനസ്സിലാക്കേണ്ടതാണ്. മൈക്രോസോഫ്റ്റിന്റെ ബ്രാഡ് സ്മിത്ത് പറഞ്ഞതുപോലെ, "ഇൻഫർമേഷൻ ടെക്നോളജി സ്വകാര്യതയും അഭിപ്രായ സ്വാതന്ത്ര്യവും പോലുള്ള അടിസ്ഥാന മനുഷ്യാവകാശ സംരക്ഷണങ്ങളുടെ ഹൃദയത്തെ ബാധിക്കുന്ന പ്രശ്നങ്ങൾ ഉയർത്തുന്നു. ഈ ഉൽപ്പന്നങ്ങൾ സൃഷ്ടിക്കുന്ന ടെക് കമ്പനികൾക്ക് കൂടുതൽ ഉത്തരവാദിത്വം ഉണ്ട്. ഞങ്ങളുടെ കാഴ്ചപ്പാടിൽ, ഇത് ചിന്താപൂർവ്വകമായ സർക്കാർ നിയന്ത്രണവും അംഗീകരിക്കാവുന്ന ഉപയോഗങ്ങൾക്കുള്ള മാനദണ്ഡങ്ങളുടെ വികസനവും ആവശ്യമാണ്" (സ്രോതസ്സ്).
ഭാവി എന്ത് കൊണ്ടുവരുമെന്ന് കാണേണ്ടതാണ്, എന്നാൽ ഈ കംപ്യൂട്ടർ സിസ്റ്റങ്ങളും അവ പ്രവർത്തിപ്പിക്കുന്ന സോഫ്റ്റ്വെയറും ആൽഗോരിതങ്ങളും മനസ്സിലാക്കുന്നത് പ്രധാനമാണ്. നിങ്ങൾക്ക് മികച്ച മനസ്സിലാക്കൽ നേടാൻ ഈ പാഠ്യപദ്ധതി സഹായിക്കുമെന്ന് ഞങ്ങൾ പ്രതീക്ഷിക്കുന്നു.
🎥 മുകളിൽ കാണുന്ന ചിത്രം ക്ലിക്ക് ചെയ്ത് വീഡിയോ കാണുക: ഈ ലെക്ചറിൽ Yann LeCun ഡീപ്പ് ലേണിങ്ങിന്റെ ചരിത്രം വിശദീകരിക്കുന്നു
ഈ ചരിത്രപരമായ ഒരു ഘട്ടത്തിൽ കൂടുതൽ പഠിച്ച് അവയുടെ പിന്നിലെ ആളുകളെക്കുറിച്ച് അറിയുക. അത്ഭുതകരമായ കഥാപാത്രങ്ങളുണ്ട്, ശാസ്ത്രീയ കണ്ടെത്തലുകൾ സാംസ്കാരിക ശൂന്യതയിൽ സൃഷ്ടിക്കപ്പെട്ടിട്ടില്ല. നിങ്ങൾ എന്ത് കണ്ടെത്തുന്നു?
കാണാനും കേൾക്കാനും ഉള്ളവ:
AI-യുടെ വികാസത്തെക്കുറിച്ച് Amy Boyd സംസാരിക്കുന്ന പോഡ്കാസ്റ്റ്
അസൂയാ:
ഈ രേഖ AI വിവർത്തന സേവനം Co-op Translator ഉപയോഗിച്ച് വിവർത്തനം ചെയ്തതാണ്. നാം കൃത്യതയ്ക്ക് ശ്രമിച്ചെങ്കിലും, സ്വയം പ്രവർത്തിക്കുന്ന വിവർത്തനങ്ങളിൽ പിശകുകൾ അല്ലെങ്കിൽ തെറ്റുകൾ ഉണ്ടാകാമെന്ന് ദയവായി ശ്രദ്ധിക്കുക. അതിന്റെ മാതൃഭാഷയിലുള്ള യഥാർത്ഥ രേഖയാണ് പ്രാമാണികമായ ഉറവിടം എന്ന് പരിഗണിക്കേണ്ടതാണ്. നിർണായകമായ വിവരങ്ങൾക്ക്, പ്രൊഫഷണൽ മനുഷ്യ വിവർത്തനം ശുപാർശ ചെയ്യപ്പെടുന്നു. ഈ വിവർത്തനം ഉപയോഗിക്കുന്നതിൽ നിന്നുണ്ടാകുന്ന ഏതെങ്കിലും തെറ്റിദ്ധാരണകൾക്കോ തെറ്റായ വ്യാഖ്യാനങ്ങൾക്കോ ഞങ്ങൾ ഉത്തരവാദികളല്ല.