स्वायत्त प्रणाली: जागतिक संदर्भात निर्णय प्रक्रिया

स्वायत्त प्रणाली वेगाने उद्योगांमध्ये बदल घडवत आहेत आणि आपल्या जगाला नवीन आकार देत आहेत. त्यांच्या केंद्रस्थानी निर्णय घेण्याचे महत्त्वपूर्ण कार्य आहे. हा ब्लॉग पोस्ट स्वायत्त निर्णय प्रक्रियेच्या गुंतागुंतीचा शोध घेतो, ज्यामध्ये अल्गोरिदम, नैतिक विचार आणि या प्रणालींचा विविध क्षेत्रांवर होणारा सखोल जागतिक परिणाम यांचा अभ्यास केला आहे.

स्वायत्त प्रणाली म्हणजे काय?

स्वायत्त प्रणाली ही एक अशी प्रणाली आहे जी मानवी नियंत्रणाशिवाय स्वतंत्रपणे कार्य करू शकते. ही स्वतंत्रता सेन्सर्स, अ‍ॅक्ट्युएटर्स आणि अत्याधुनिक अल्गोरिदमच्या संयोजनातून साध्य केली जाते. यामुळे प्रणालीला तिच्या पर्यावरणाची जाणीव होते, त्यावर तर्क करता येतो आणि विशिष्ट उद्दिष्टे साध्य करण्यासाठी निर्णय घेता येतात. याची उदाहरणे म्हणजे स्व-चालित गाड्या, औद्योगिक रोबोट्स, अत्याधुनिक आर्थिक ट्रेडिंग अल्गोरिदम आणि स्वयंचलित आरोग्य निदान प्रणाली.

स्वायत्त प्रणालींमधील निर्णय घेण्याची प्रक्रिया

स्वायत्त प्रणालीमधील निर्णय घेण्याच्या प्रक्रियेचे खालील टप्प्यांमध्ये वर्गीकरण केले जाऊ शकते:

1. आकलन (Perception)

या टप्प्यात कॅमेरा, लिडार, रडार आणि मायक्रोफोन यांसारख्या सेन्सर्सचा वापर करून पर्यावरणाबद्दल डेटा गोळा केला जातो. त्यानंतर प्रणालीच्या सभोवतालचे चित्र तयार करण्यासाठी या डेटावर प्रक्रिया केली जाते. या आकलन टप्प्याची अचूकता आणि विश्वसनीयता पुढील निर्णय प्रक्रियेसाठी अत्यंत महत्त्वाची असते.

उदाहरण: स्व-चालित गाडी लेन मार्किंग, वाहतूक सिग्नल आणि इतर वाहने ओळखण्यासाठी कॅमेऱ्यांचा वापर करते. लिडार पर्यावरणाचा अचूक 3D नकाशा प्रदान करते, तर रडार प्रतिकूल हवामानात वस्तू शोधू शकते.

2. परिस्थितीचे मूल्यांकन

आकलन केलेल्या डेटाच्या आधारावर, प्रणाली सध्याच्या परिस्थितीचे मूल्यांकन करते आणि संभाव्य भविष्यातील स्थितीचा अंदाज लावते. यामध्ये पर्यावरणातील विविध वस्तू आणि घटनांमधील संबंधांबद्दल तर्क करणे समाविष्ट आहे. परिस्थितीचे मूल्यांकन करताना अनिश्चितता आणि अपूर्ण माहिती हाताळण्यासाठी अनेकदा संभाव्यतेवर आधारित तर्काचा वापर केला जातो.

उदाहरण: एक रोबोटिक वेअरहाऊस प्रणाली शेल्फवरील वस्तूंचे स्थान निश्चित करण्यासाठी सेन्सर डेटाचा वापर करते आणि त्या वस्तू काढण्यासाठी सर्वात कार्यक्षम मार्गाचा अंदाज लावते.

3. नियोजन (Planning)

परिस्थितीचे मूल्यांकन आणि प्रणालीची उद्दिष्टे लक्षात घेऊन, ती उद्दिष्टे साध्य करण्यासाठी एक योजना तयार केली जाते. नियोजन अल्गोरिदम साध्या नियम-आधारित प्रणालींपासून ते वेळ, खर्च आणि जोखीम यासारख्या अनेक घटकांचा विचार करणाऱ्या गुंतागुंतीच्या ऑप्टिमायझेशन अल्गोरिदमपर्यंत असू शकतात.

उदाहरण: एक स्वायत्त ड्रोन डिलिव्हरी प्रणाली असा मार्ग आखते जो अडथळे टाळतो, प्रवासाचा वेळ कमी करतो आणि हवाई क्षेत्राच्या नियमांचे पालन करतो.

4. अंमलबजावणी (Execution)

पर्यावरणाशी संवाद साधणाऱ्या अ‍ॅक्ट्युएटर्सना नियंत्रित करून योजनेची अंमलबजावणी केली जाते. यामध्ये योजनेला विशिष्ट क्रियांमध्ये रूपांतरित करणे आणि प्रणाली योग्य मार्गावर आहे याची खात्री करण्यासाठी अंमलबजावणीवर लक्ष ठेवणे समाविष्ट आहे. अनपेक्षित घटनांना प्रतिसाद म्हणून आवश्यकतेनुसार योजनेत बदल करण्यासाठी फीडबॅक लूपचा वापर केला जातो.

उदाहरण: एक स्वयंचलित सिंचन प्रणाली जमिनीतील ओलावा आणि हवामानाच्या अंदाजाविषयीच्या सेन्सर डेटावर आधारित पाणी देण्याचे वेळापत्रक कार्यान्वित करते. ही प्रणाली प्रत्येक वनस्पतीच्या गरजेनुसार दिल्या जाणाऱ्या पाण्याच्या प्रमाणात बदल करते.

स्वायत्त निर्णय प्रक्रियेसाठी महत्त्वाचे अल्गोरिदम

स्वायत्त प्रणालींमध्ये निर्णय घेण्यासाठी विविध प्रकारच्या अल्गोरिदमचा वापर केला जातो, ज्यात खालील गोष्टींचा समावेश आहे:

• नियम-आधारित प्रणाली (Rule-Based Systems): या प्रणाली दिलेल्या परिस्थितीत योग्य कृती निश्चित करण्यासाठी पूर्वनिर्धारित नियमांचा वापर करतात. त्या अंमलात आणण्यास सोप्या आहेत परंतु नवीन परिस्थितींशी जुळवून घेणे कठीण होऊ शकते.
• फायनाइट स्टेट मशीन्स (Finite State Machines): या प्रणाली सध्याच्या इनपुट आणि प्रणालीच्या अंतर्गत स्थितीवर आधारित विविध स्थितींमध्ये संक्रमण करतात. मर्यादित संभाव्य स्थिती असलेल्या प्रणालींवर नियंत्रण ठेवण्यासाठी त्या उपयुक्त आहेत परंतु अधिक गुंतागुंतीच्या कार्यांसाठी जटिल होऊ शकतात.
• बिहेवियर ट्रीज (Behavior Trees): या पदानुक्रमित रचना आहेत ज्या स्वायत्त एजंटच्या वर्तनाचे प्रतिनिधित्व करतात. त्या फायनाइट स्टेट मशीनपेक्षा अधिक लवचिक असतात आणि अधिक जटिल कार्ये हाताळू शकतात.
• सर्च अल्गोरिदम (Search Algorithms): A* सर्च आणि डायक्स्ट्रा अल्गोरिदम यांसारखे अल्गोरिदम दिलेल्या वातावरणात ध्येयापर्यंतचा इष्टतम मार्ग शोधण्यासाठी वापरले जातात.
• रीइन्फोर्समेंट लर्निंग (Reinforcement Learning): हा दृष्टिकोन स्वायत्त एजंटला प्रयत्न आणि त्रुटींमधून शिकण्याची परवानगी देतो, ज्यात इच्छित क्रियांसाठी पुरस्कार आणि अवांछित क्रियांसाठी दंड मिळतो. ज्या कार्यांसाठी इष्टतम धोरण आगाऊ माहिती नसते, अशा कार्यांसाठी रीइन्फोर्समेंट लर्निंग विशेषतः उपयुक्त आहे.
• बायेशियन नेटवर्क्स (Bayesian Networks): हे संभाव्य ग्राफिकल मॉडेल पर्यावरणातील विविध व्हेरिएबल्समधील अवलंबित्व दर्शवण्यासाठी वापरले जातात. त्यांचा उपयोग अनिश्चिततेबद्दल तर्क करण्यासाठी आणि भविष्यातील घटनांबद्दल अंदाज लावण्यासाठी केला जाऊ शकतो.
• न्यूरल नेटवर्क्स (Neural Networks): विशेषतः डीप लर्निंग मॉडेल्स, हे डेटामधून गुंतागुंतीचे नमुने शिकू शकतात आणि त्या नमुन्यांवर आधारित निर्णय घेऊ शकतात. प्रतिमा ओळख आणि वस्तू ओळख यांसारख्या आकलन कार्यांसाठी त्यांचा मोठ्या प्रमाणावर वापर केला जातो.

स्वायत्त निर्णय प्रक्रियेतील नैतिक विचार

स्वायत्त प्रणाली जसजशा अधिक प्रचलित होत आहेत, तसतसे त्यांच्या निर्णय प्रक्रियेच्या नैतिक परिणामांचा विचार करणे महत्त्वाचे आहे. काही प्रमुख नैतिक विचारांमध्ये यांचा समावेश आहे:

1. पक्षपात आणि निष्पक्षता

स्वायत्त प्रणाली डेटावर प्रशिक्षित केल्या जातात, आणि जर त्या डेटामध्ये पक्षपात असेल, तर प्रणाली तिच्या निर्णयांमध्ये तो पक्षपात कायम ठेवण्याची शक्यता आहे. यामुळे अन्यायकारक किंवा भेदभावपूर्ण परिणाम होऊ शकतात. प्रशिक्षण डेटा विविध आणि ज्या लोकसंख्येबरोबर प्रणाली संवाद साधणार आहे, त्याचे प्रतिनिधित्व करणारा आहे याची खात्री करणे महत्त्वाचे आहे. अल्गोरिथमिक निष्पक्षता हे एक महत्त्वपूर्ण संशोधन क्षेत्र आहे, जे AI प्रणालींमधील पक्षपात कमी करण्याचे तंत्र विकसित करत आहे.

उदाहरण: चेहऱ्यावरील ओळख प्रणाली गडद त्वचेच्या रंगाच्या लोकांसाठी कमी अचूक असल्याचे दिसून आले आहे, ज्यामुळे चुकीची ओळख आणि चुकीचे आरोप होऊ शकतात.

2. पारदर्शकता आणि स्पष्टीकरणक्षमता

स्वायत्त प्रणाली त्यांच्या निर्णयापर्यंत कशा पोहोचतात हे समजणे कठीण असू शकते, विशेषतः डीप न्यूरल नेटवर्क्ससारख्या जटिल अल्गोरिदमचा वापर करताना. या पारदर्शकतेच्या अभावामुळे प्रणालीला तिच्या कृतींसाठी जबाबदार धरणे कठीण होऊ शकते. स्पष्टीकरणीय AI (XAI) साठी वाढता आग्रह आहे, ज्याचा उद्देश AI प्रणालींची निर्णय प्रक्रिया अधिक पारदर्शक आणि समजण्यायोग्य बनवणे आहे.

उदाहरण: जर स्व-चालित गाडीमुळे अपघात झाला, तर गाडीने ते निर्णय का घेतले हे समजणे महत्त्वाचे आहे. हे सेन्सरमधील बिघाड, सॉफ्टवेअरमधील बग किंवा अल्गोरिदममधील मर्यादा होती का?

3. उत्तरदायित्व आणि जबाबदारी

जेव्हा एखादी स्वायत्त प्रणाली चूक करते, तेव्हा कोण जबाबदार आहे हे ठरवणे कठीण होऊ शकते. तो कोड लिहिणारा प्रोग्रामर, प्रणाली तयार करणारा निर्माता किंवा ती तैनात करणारा वापरकर्ता आहे का? व्यक्ती आणि संस्थांना त्यांच्या स्वायत्त प्रणालींच्या कृतींसाठी जबाबदार धरले जाईल याची खात्री करण्यासाठी उत्तरदायित्वाच्या स्पष्ट रेषा स्थापित करणे आवश्यक आहे. कायदेशीर चौकट या आव्हानांना सामोरे जाण्यासाठी विकसित होत आहे.

उदाहरण: जर वैद्यकीय निदान प्रणालीने चुकीचे निदान केले, तर त्यामुळे होणाऱ्या हानीसाठी कोण जबाबदार आहे? रुग्णालय, सॉफ्टवेअर विक्रेता की प्रणालीच्या शिफारशीवर अवलंबून असलेला डॉक्टर?

4. सुरक्षितता आणि संरक्षण

स्वायत्त प्रणाली सुरक्षितपणे आणि संरक्षितपणे कार्य करण्यासाठी डिझाइन केल्या पाहिजेत. यामध्ये त्यांना दुर्भावनापूर्ण हल्ल्यांपासून संरक्षण देणे आणि त्या मानवासाठी किंवा पर्यावरणासाठी धोकादायक नाहीत याची खात्री करणे समाविष्ट आहे. संभाव्य सुरक्षा आणि संरक्षण धोके ओळखण्यासाठी आणि कमी करण्यासाठी मजबूत चाचणी आणि प्रमाणीकरण प्रक्रिया महत्त्वपूर्ण आहेत.

उदाहरण: स्वायत्त पॉवर ग्रिडला सायबर हल्ल्यांपासून संरक्षित करणे आवश्यक आहे, जे विजेचा प्रवाह खंडित करू शकतात आणि मोठ्या प्रमाणावर वीजपुरवठा खंडित करू शकतात.

5. नोकऱ्यांचे विस्थापन

स्वायत्त प्रणालींद्वारे कामांचे वाढते ऑटोमेशन नोकऱ्यांच्या विस्थापनास कारणीभूत ठरू शकते. या प्रवृत्तीचे सामाजिक आणि आर्थिक परिणाम विचारात घेणे आणि कामगारांना बदलत्या नोकरीच्या बाजाराशी जुळवून घेण्यास मदत करण्यासाठी धोरणे विकसित करणे महत्त्वाचे आहे. यामध्ये पुनर्रप्रशिक्षण कार्यक्रमांमध्ये गुंतवणूक करणे आणि सार्वत्रिक मूलभूत उत्पन्न यासारख्या कामाच्या नवीन मॉडेल्सचा शोध घेणे समाविष्ट असू शकते.

उदाहरण: ट्रक ड्रायव्हिंगच्या ऑटोमेशनमुळे लाखो ट्रक चालकांचे विस्थापन होऊ शकते. या कामगारांना लॉजिस्टिक्स, वाहतूक व्यवस्थापन किंवा देखभाल यासारख्या नवीन क्षेत्रातील नोकऱ्यांसाठी पुन्हा प्रशिक्षित करावे लागेल.

स्वायत्त प्रणालींचा जागतिक परिणाम

स्वायत्त प्रणालींचा जगभरातील विविध उद्योगांवर सखोल परिणाम होत आहे, ज्यात खालील उद्योगांचा समावेश आहे:

1. वाहतूक

स्व-चालित गाड्या, ट्रक आणि ड्रोन वाहतूक उद्योगात परिवर्तन घडवत आहेत. त्यांच्यात अपघात कमी करण्याची, वाहतूक प्रवाह सुधारण्याची आणि वाहतूक खर्च कमी करण्याची क्षमता आहे. अमेरिका, चीन, जर्मनी आणि सिंगापूर यांसारख्या जगभरातील देशांमध्ये स्वायत्त वाहनांची चाचणी आणि उपयोजन केले जात आहे.

2. उत्पादन (Manufacturing)

उत्पादन क्षेत्रात रोबोट्सचा वापर असेंब्ली, वेल्डिंग आणि पेंटिंग यांसारख्या कामांना स्वयंचलित करण्यासाठी वाढत्या प्रमाणात केला जात आहे. यामुळे कार्यक्षमता वाढली आहे, गुणवत्ता सुधारली आहे आणि मजुरीचा खर्च कमी झाला आहे. जपान, दक्षिण कोरिया आणि जर्मनीसारख्या देशांमधील कारखाने ऑटोमेशन तंत्रज्ञान स्वीकारण्यात आघाडीवर आहेत.

3. आरोग्यसेवा

आरोग्यसेवेत निदान, शस्त्रक्रिया आणि औषध शोध यांसारख्या कार्यांसाठी स्वायत्त प्रणालींचा वापर केला जात आहे. त्यांच्यात वैद्यकीय सेवेची अचूकता आणि कार्यक्षमता सुधारण्याची आणि दुर्गम भागातील लोकांसाठी आरोग्यसेवा अधिक सुलभ करण्याची क्षमता आहे. AI-समर्थित निदान साधने जगभरातील रुग्णालये आणि क्लिनिकमध्ये विकसित आणि तैनात केली जात आहेत.

4. कृषी

कृषी क्षेत्रात लागवड, कापणी आणि पीक निरीक्षण यांसारख्या कामांसाठी स्वायत्त प्रणालींचा वापर केला जात आहे. यामुळे उत्पादन वाढू शकते, पाण्याचा वापर कमी होऊ शकतो आणि मजुरीचा खर्च कमी होऊ शकतो. अमेरिका, ऑस्ट्रेलिया आणि ब्राझीलसारख्या देशांमधील शेतकरी अचूक शेती तंत्राचा अवलंब करत आहेत.

5. वित्त (Finance)

अल्गोरिथमिक ट्रेडिंग प्रणालींचा उपयोग आर्थिक व्यापाराचे निर्णय स्वयंचलित करण्यासाठी केला जातो. या प्रणाली बाजारातील डेटाचे विश्लेषण करू शकतात आणि मानवापेक्षा खूप वेगाने व्यापार करू शकतात, ज्यामुळे संभाव्यतः नफा वाढतो. जगभरातील वित्तीय संस्था या प्रणालींचा वापर करतात, जरी त्यांच्यामुळे बाजारात फेरफार होण्याचा आणि फ्लॅश क्रॅशचा धोका असतो.

6. पर्यावरण निरीक्षण

ड्रोन आणि स्वायत्त पाण्याखालील वाहने (AUVs) हवेची गुणवत्ता, जल प्रदूषण आणि जंगलतोड यासारख्या पर्यावरणीय परिस्थितींवर लक्ष ठेवण्यासाठी वापरली जातात. ते दुर्गम किंवा धोकादायक भागातून डेटा गोळा करू शकतात, ज्यामुळे पर्यावरण संरक्षणासाठी मौल्यवान माहिती मिळते. आंतरराष्ट्रीय संस्था आणि सरकारे या तंत्रज्ञानाचा वापर पर्यावरणीय बदलांचा मागोवा घेण्यासाठी आणि नियमांची अंमलबजावणी करण्यासाठी करतात.

आव्हाने आणि भविष्यातील दिशा

स्वायत्त प्रणालींच्या क्षेत्रात लक्षणीय प्रगती झाली असली तरी, अजूनही अनेक आव्हाने आहेत. काही प्रमुख आव्हानांमध्ये यांचा समावेश आहे:

• मजबुती (Robustness): स्वायत्त प्रणालींना विविध प्रकारच्या वातावरणात आणि परिस्थितीत विश्वसनीयरित्या कार्य करता आले पाहिजे. यासाठी गोंगाट, अनिश्चितता आणि अनपेक्षित घटनांना तोंड देऊ शकणारे अल्गोरिदम विकसित करणे आवश्यक आहे.
• स्केलेबिलिटी (Scalability): स्वायत्त प्रणालींना जटिल कार्ये आणि मोठ्या प्रमाणात डेटा हाताळण्यासाठी सक्षम असावे लागेल. यासाठी या कामांच्या संगणकीय मागण्या हाताळू शकणारे कार्यक्षम अल्गोरिदम आणि आर्किटेक्चर विकसित करणे आवश्यक आहे.
• विश्वासार्हता (Trustworthiness): स्वायत्त प्रणालींवर विश्वास निर्माण करणे महत्त्वाचे आहे जेणेकरून लोक त्यांचा वापर करण्यास आणि त्यांच्यावर अवलंबून राहण्यास तयार होतील. यासाठी पारदर्शक, स्पष्टीकरणक्षम आणि उत्तरदायी असलेल्या प्रणाली विकसित करणे आवश्यक आहे.
• अनुकूलनक्षमता (Adaptability): स्वायत्त प्रणालींना बदलत्या वातावरणाशी आणि नवीन परिस्थितींशी जुळवून घेता आले पाहिजे. यासाठी नवीन डेटा आणि नवीन कार्यांशी त्वरीत जुळवून घेऊ शकणारे शिक्षण अल्गोरिदम विकसित करणे आवश्यक आहे.
• एकात्मता (Integration): स्वायत्त प्रणालींना विद्यमान पायाभूत सुविधा आणि कार्यप्रवाहांमध्ये एकत्रित करणे आव्हानात्मक असू शकते. यासाठी मानके आणि प्रोटोकॉल विकसित करणे आवश्यक आहे जे विविध प्रणालींना एकमेकांशी संवाद साधण्यास सक्षम करतात.

स्वायत्त निर्णय प्रक्रियेतील भविष्यातील संशोधनाच्या दिशांमध्ये यांचा समावेश आहे:

• मानव-AI सहयोग: मानवांसोबत प्रभावीपणे काम करू शकणाऱ्या प्रणाली विकसित करणे, ज्यात दोघांच्या सामर्थ्याचा फायदा होईल. यात असे इंटरफेस डिझाइन करणे समाविष्ट आहे जे मानवांना स्वायत्त प्रणालींचे वर्तन समजून घेण्यास आणि नियंत्रित करण्यास अनुमती देतात.
• आजीवन शिक्षण (Lifelong Learning): पूर्वी शिकलेले ज्ञान न विसरता, कालांतराने सतत शिकू आणि सुधारू शकणाऱ्या प्रणाली विकसित करणे. यासाठी नॉन-स्टेशनरी डेटा हाताळू शकणारे आणि बदलत्या कार्यांच्या आवश्यकतांशी जुळवून घेऊ शकणारे अल्गोरिदम विकसित करणे आवश्यक आहे.
• स्पष्टीकरणीय AI (XAI): AI प्रणालींची निर्णय प्रक्रिया मानवांसाठी अधिक पारदर्शक आणि समजण्यायोग्य बनवणे. यामध्ये AI मॉडेल्सच्या अंतर्गत कार्याचे व्हिज्युअलायझेशन आणि अर्थ लावण्यासाठी तंत्र विकसित करणे समाविष्ट आहे.
• औपचारिक पडताळणी (Formal Verification): स्वायत्त प्रणालींची अचूकता आणि सुरक्षितता औपचारिकपणे सत्यापित करण्यासाठी पद्धती विकसित करणे. यामध्ये प्रणाली सर्व संभाव्य परिस्थितीत अपेक्षेप्रमाणे वागेल हे सिद्ध करण्यासाठी गणितीय तंत्रांचा वापर करणे समाविष्ट आहे.
• नैतिक AI (Ethical AI): मानवी मूल्ये आणि नैतिक तत्त्वांशी जुळणाऱ्या AI प्रणाली विकसित करणे. यासाठी AI वर्तनावरील नैतिक मर्यादा निर्दिष्ट करण्यासाठी आणि लागू करण्यासाठी फ्रेमवर्क विकसित करणे आवश्यक आहे.

निष्कर्ष

स्वायत्त प्रणाली उद्योग क्षेत्रात क्रांती घडवण्यासाठी आणि आपले जग बदलण्यासाठी सज्ज आहेत. जसजशा या प्रणाली अधिक अत्याधुनिक आणि व्यापक होत आहेत, तसतसे त्यांच्या निर्णय प्रक्रियेच्या नैतिक परिणामांचा काळजीपूर्वक विचार करणे आणि त्या जबाबदार आणि फायदेशीर पद्धतीने विकसित आणि तैनात केल्या जातील याची खात्री करणे महत्त्वाचे आहे. मजबुती, स्केलेबिलिटी, विश्वासार्हता आणि अनुकूलनक्षमता यांसारख्या आव्हानांना सामोरे जाणे स्वायत्त प्रणालींच्या पूर्ण क्षमतेचा वापर करण्यासाठी आवश्यक असेल. मानव-AI सहयोग, आजीवन शिक्षण, स्पष्टीकरणीय AI, औपचारिक पडताळणी आणि नैतिक AI यावर लक्ष केंद्रित करून, आपण अशा स्वायत्त प्रणाली तयार करू शकतो ज्या केवळ शक्तिशाली आणि कार्यक्षम नसून सुरक्षित, विश्वसनीय आणि मानवी मूल्यांशी सुसंगत असतील. या प्रणालींचा जागतिक विकास आणि उपयोजनासाठी समान संधी आणि जबाबदार नवकल्पना सुनिश्चित करण्याकरिता आंतरराष्ट्रीय सहयोग आणि मानकीकरण आवश्यक असेल.