राइड शेअरिंग: जागतिक वाहतुकीला शक्ती देणार्‍या मॅचिंग अल्गोरिदमचे अनावरण

राइड-शेअरिंग सेवांनी जगभरातील शहरी वाहतुकीत क्रांती घडवली आहे, ज्यामुळे लाखो लोक प्रवास, ये-जा आणि शहरांमध्ये फिरण्याच्या पद्धतीत बदल झाला आहे. या प्लॅटफॉर्मच्या केंद्रस्थानी अत्याधुनिक मॅचिंग अल्गोरिदम्स आहेत जे रायडर्सना ड्रायव्हर्सशी सहजपणे जोडतात आणि मागणी व पुरवठ्याचा एक जटिल ताळमेळ रिअल-टाइममध्ये साधतात. हा लेख या अल्गोरिदम्सच्या गुंतागुंतीच्या जगात डोकावतो, त्यांची मूळ तत्त्वे, कार्यान्वयन आव्हाने आणि त्यांच्या डिझाइनला आकार देणाऱ्या नैतिक विचारांचा शोध घेतो.

राइड-शेअरिंग मॅचिंग अल्गोरिदमची मूळ तत्त्वे

कोणत्याही राइड-शेअरिंग मॅचिंग अल्गोरिदमचे प्राथमिक उद्दिष्ट रायडर्सना उपलब्ध ड्रायव्हर्सशी कार्यक्षमतेने जोडणे, प्रतीक्षा वेळ, प्रवासाचे अंतर आणि एकूण खर्च कमी करणे हे आहे. हे साध्य करण्यासाठी अनेक घटकांमध्ये संतुलन साधणे आवश्यक आहे, ज्यात खालील बाबींचा समावेश आहे:

• रायडरचे स्थान आणि गंतव्यस्थान: प्रवासाची वेळ आणि अंतर मोजण्यासाठी रायडरचे पिक-अप स्थान आणि इच्छित गंतव्यस्थान अचूकपणे ओळखणे महत्त्वाचे आहे.
• ड्रायव्हरची उपलब्धता आणि स्थान: संभाव्य जुळणी ओळखण्यासाठी जवळपासच्या ड्रायव्हर्सची उपलब्धता आणि अचूक स्थान निश्चित करणे आवश्यक आहे.
• रिअल-टाइम वाहतूक स्थिती: रिअल-टाइम ट्रॅफिक डेटा समाविष्ट केल्याने अल्गोरिदमला प्रवासाच्या वेळेचा अचूक अंदाज लावता येतो आणि मार्गांना ऑप्टिमाइझ करता येते.
• सर्ज प्राइसिंग (डायनॅमिक प्राइसिंग): मागणी आणि पुरवठ्यातील चढ-उतारांनुसार दर समायोजित करणे ही ड्रायव्हर्सना प्रोत्साहन देण्यासाठी आणि गर्दीच्या वेळी मागणी व्यवस्थापित करण्यासाठी एक सामान्य रणनीती आहे.
• ड्रायव्हरची पसंती: काही अल्गोरिदम ड्रायव्हरच्या पसंतींचा विचार करतात, जसे की पसंतीचे क्षेत्र किंवा कमाल प्रवासाचे अंतर.
• निष्पक्षता आणि समानता: अल्गोरिदम काही रायडर्स किंवा ड्रायव्हर्ससोबत लोकसंख्याशास्त्रीय किंवा स्थानावर आधारित कोणताही अन्यायकारक भेदभाव करत नाही, याची खात्री करणे ही एक वाढती चिंता आहे.

मॅचिंग अल्गोरिदम कसे कार्य करतात: एक टप्प्याटप्प्याने आढावा

विविध राइड-शेअरिंग प्लॅटफॉर्मवर अंमलबजावणीचे विशिष्ट तपशील वेगवेगळे असले तरी, रायडर्सना ड्रायव्हर्ससोबत जुळवण्याच्या सामान्य प्रक्रियेत सामान्यतः खालील टप्प्यांचा समावेश असतो:

1. विनंतीची सुरुवात: एक रायडर प्लॅटफॉर्मच्या मोबाइल अॅपद्वारे राइडची विनंती करतो, ज्यात त्याचे पिक-अप स्थान आणि गंतव्यस्थान नमूद केलेले असते.
2. ड्रायव्हरची ओळख: अल्गोरिदम रायडरच्या स्थानाच्या विशिष्ट त्रिज्येमध्ये पात्र ड्रायव्हर्सचा एक समूह ओळखतो. पात्रता निकषांमध्ये समीपता, उपलब्धता, ड्रायव्हर रेटिंग आणि वाहनाचा प्रकार यांचा समावेश असू शकतो.
3. मार्ग गणना आणि ETA अंदाज: प्रत्येक संभाव्य ड्रायव्हरसाठी, अल्गोरिदम रिअल-टाइम वाहतूक स्थिती विचारात घेऊन रायडरच्या पिक-अप स्थानावर पोहोचण्याचा अंदाजित वेळ (ETA) मोजतो.
4. मॅचिंग ऑप्टिमायझेशन: अल्गोरिदम ETA, अंतर, ड्रायव्हर रेटिंग आणि सर्ज प्राइसिंग यांसारख्या विविध घटकांच्या आधारावर विविध मॅचिंग परिस्थितींचे मूल्यांकन करतो. प्रतीक्षा वेळ, प्रवासाचे अंतर आणि खर्च कमी करून ड्रायव्हरचा वापर जास्तीत जास्त वाढवणे हे याचे उद्दिष्ट आहे.
5. असाइनमेंट आणि सूचना: एकदा जुळणी निश्चित झाल्यावर, राइडची विनंती निवडलेल्या ड्रायव्हरला दिली जाते आणि रायडर व ड्रायव्हर दोघांनाही ड्रायव्हरचे नाव, वाहनाची माहिती आणि ETA यासारख्या संबंधित तपशिलांसह सूचना मिळतात.
6. रिअल-टाइम मॉनिटरिंग आणि समायोजन: राइड दरम्यान, अल्गोरिदम प्रवासाच्या प्रगतीवर सतत लक्ष ठेवतो आणि बदलत्या वाहतूक परिस्थिती किंवा अनपेक्षित विलंबांसाठी आवश्यकतेनुसार मार्गात बदल करतो.

वापरले जाणारे प्रमुख अल्गोरिदम आणि तंत्रे

राइड-शेअरिंग प्लॅटफॉर्म्स त्यांच्या मॅचिंग प्रक्रियेला ऑप्टिमाइझ करण्यासाठी विविध अल्गोरिदम आणि तंत्रांचा वापर करतात. त्यापैकी काही सर्वात सामान्य खालीलप्रमाणे आहेत:

जिओस्पेशियल इंडेक्सिंग आणि सर्च

जवळपासच्या ड्रायव्हर्सना कार्यक्षमतेने शोधण्यासाठी विशेष जिओस्पेशियल इंडेक्सिंग तंत्रांची आवश्यकता असते. k-d trees आणि geohashes सारख्या अल्गोरिदमचा वापर भौगोलिक जागेला लहान प्रदेशांमध्ये विभागण्यासाठी केला जातो, ज्यामुळे प्लॅटफॉर्मला रायडरच्या स्थानाच्या विशिष्ट त्रिज्येतील ड्रायव्हर्सना त्वरीत ओळखता येते.

उदाहरण: लंडनमध्ये एक रायडर राइडची विनंती करत आहे असे समजा. जिओस्पेशियल इंडेक्सिंग सिस्टीम रायडरच्या पिक-अप पॉइंटच्या १-किलोमीटर त्रिज्येतील सर्व ड्रायव्हर्सना त्वरीत ओळखेल, ज्यामुळे शोधाची व्याप्ती लक्षणीयरीत्या कमी होईल आणि कार्यक्षमता सुधारेल.

सर्वात लहान मार्गाचे अल्गोरिदम

दोन बिंदूंमधील सर्वात जलद आणि कार्यक्षम मार्ग निश्चित करणे हे प्रवासाच्या वेळेचा अंदाज घेण्यासाठी आणि ड्रायव्हरच्या असाइनमेंटला ऑप्टिमाइझ करण्यासाठी महत्त्वाचे आहे. Dijkstra's algorithm आणि A* search सारखे अल्गोरिदम सामान्यतः रस्त्यांच्या नेटवर्कवर सर्वात लहान मार्ग शोधण्यासाठी वापरले जातात, ज्यात रिअल-टाइम वाहतूक परिस्थितीचा विचार केला जातो.

उदाहरण: जेव्हा एखादा रायडर पॅरिसमधील आयफेल टॉवरवरून लूव्र संग्रहालयापर्यंत राइडची विनंती करतो, तेव्हा सर्वात लहान मार्गाचा अल्गोरिदम रस्त्यांच्या नेटवर्कचे विश्लेषण करेल, संभाव्य मार्ग ओळखेल आणि वाहतूक कोंडी व रस्ते बंद असण्याचा विचार करून सर्वात कमी अंदाजित प्रवास वेळेचा मार्ग निवडेल.

ऑप्टिमायझेशन अल्गोरिदम

राइड-शेअरिंगमधील मॅचिंगची समस्या ही मूळतः एक ऑप्टिमायझेशन समस्या आहे, जिथे विविध निकषांच्या आधारावर रायडर्सना ड्रायव्हर्ससाठी सर्वोत्तम संभाव्य असाइनमेंट शोधणे हे ध्येय आहे. linear programming, integer programming, आणि constraint satisfaction सारखे अल्गोरिदम या जटिल ऑप्टिमायझेशन समस्यांचे मॉडेलिंग आणि निराकरण करण्यासाठी वापरले जातात.

उदाहरण: एक राइड-शेअरिंग प्लॅटफॉर्म शहरातील सर्व रायडर्ससाठी एकूण प्रतीक्षा वेळ कमी करण्यासाठी लिनिअर प्रोग्रामिंगचा वापर करू शकतो, ज्यात ड्रायव्हरची उपलब्धता, वाहनाची क्षमता आणि कमाल प्रवासाचे अंतर यांसारख्या मर्यादा असतात. यामध्ये प्रत्येक रायडरला त्याचे स्थान, गंतव्यस्थान आणि ड्रायव्हरच्या सध्याच्या मार्गाच्या आधारावर सर्वात योग्य ड्रायव्हर नियुक्त करणे समाविष्ट असेल.

मशीन लर्निंग आणि प्रेडिक्टिव्ह मॉडेलिंग

ETA अंदाजांची अचूकता सुधारण्यासाठी, मागणीच्या नमुन्यांचा अंदाज घेण्यासाठी आणि रायडरचा अनुभव वैयक्तिकृत करण्यासाठी मशीन लर्निंग तंत्रांचा वापर वाढत आहे. Regression models, time series analysis, आणि neural networks यांचा वापर वाहतुकीच्या प्रवाहाचा अंदाज घेण्यासाठी, प्रवासाच्या वेळेचा अंदाज घेण्यासाठी आणि संभाव्य सर्ज प्राइसिंगच्या संधी ओळखण्यासाठी केला जाऊ शकतो.

उदाहरण: वाहतुकीचे नमुने, हवामानाची परिस्थिती आणि कार्यक्रमांचे वेळापत्रक यावरील ऐतिहासिक डेटाचे विश्लेषण करून, एक मशीन लर्निंग मॉडेल विशिष्ट वेळी विशिष्ट क्षेत्रात राइड्सच्या मागणीचा अंदाज लावू शकते. ही माहिती जास्त मागणी असलेल्या भागात सक्रियपणे ड्रायव्हर्स पाठवण्यासाठी वापरली जाऊ शकते, ज्यामुळे प्रतीक्षा वेळ कमी होतो आणि एकूण सेवा पातळी सुधारते.

आव्हाने आणि विचार करण्यासारख्या गोष्टी

प्रभावी राइड-शेअरिंग मॅचिंग अल्गोरिदमची रचना आणि अंमलबजावणी करणे आव्हानांशिवाय नाही. काही प्रमुख विचारांमध्ये खालील गोष्टींचा समावेश आहे:

स्केलेबिलिटी

राइड-शेअरिंग प्लॅटफॉर्म लाखो रायडर्स आणि ड्रायव्हर्ससह गतिमान वातावरणात काम करतात. मॅचिंग अल्गोरिदमला मोठ्या प्रमाणात डेटा हाताळण्यास आणि गर्दीच्या काळात मागणी पूर्ण करण्यासाठी कार्यक्षमतेने विस्तारित होण्यास सक्षम असणे आवश्यक आहे.

रिअल-टाइम कामगिरी

रायडर्सना त्वरित प्रतिसाद आणि अचूक ETA ची अपेक्षा असते. मॅचिंग अल्गोरिदमला राइड विनंत्यांवर प्रक्रिया करण्यास आणि जास्त लोड असतानाही रिअल-टाइममध्ये सर्वोत्तम जुळणी करण्यास सक्षम असणे आवश्यक आहे.

डेटाची अचूकता आणि विश्वसनीयता

मॅचिंग अल्गोरिदमची अचूकता GPS लोकेशन्स, वाहतूक माहिती आणि रायडर/ड्रायव्हर प्रोफाइलसह मूळ डेटाच्या गुणवत्तेवर आणि विश्वासार्हतेवर अवलंबून असते. डेटामधील चुका किंवा विसंगतींमुळे जुळणी योग्य होत नाही आणि वापरकर्त्याचा अनुभव खराब होऊ शकतो.

निष्पक्षता आणि पक्षपात

जर काळजीपूर्वक डिझाइन केले नाही तर मॅचिंग अल्गोरिदम नकळतपणे विद्यमान सामाजिक पक्षपातांना कायम ठेवू शकतात किंवा वाढवू शकतात. उदाहरणार्थ, जो अल्गोरिदम श्रीमंत भागातील रायडर्सना प्राधान्य देतो, तो कमी उत्पन्न असलेल्या भागातील रायडर्सना गैरसोयीचा ठरू शकतो.

सर्ज प्राइसिंग आणि परवडणारी किंमत

सर्ज प्राइसिंगमुळे काही रायडर्ससाठी, विशेषतः गर्दीच्या वेळी किंवा कमी सेवा असलेल्या भागात राइड-शेअरिंग परवडणारे नसते. प्लॅटफॉर्मला ड्रायव्हर्सना प्रोत्साहन देणे आणि राइड्स विस्तृत वापरकर्त्यांसाठी उपलब्ध राहतील याची खात्री करणे यात संतुलन साधावे लागते.

ड्रायव्हरचा वापर आणि कमाई

मॅचिंग अल्गोरिदमने ड्रायव्हरचा वापर आणि कमाई जास्तीत जास्त वाढवण्याचे उद्दिष्ट ठेवले पाहिजे, तसेच रिकामा वेळ आणि प्रवासाचे अंतर कमी केले पाहिजे. तथापि, हे रायडरच्या समाधानावर किंवा सुरक्षिततेवर परिणाम करणारे नसावे.

गोपनीयता आणि सुरक्षा

राइड-शेअरिंग प्लॅटफॉर्म रायडर्स आणि ड्रायव्हर्सबद्दल संवेदनशील डेटा गोळा करतात आणि त्यावर प्रक्रिया करतात, ज्यात स्थान माहिती, प्रवासाचे नमुने आणि पेमेंट तपशील यांचा समावेश असतो. या डेटाचे अनधिकृत प्रवेश आणि गैरवापरापासून संरक्षण करणे अत्यंत महत्त्वाचे आहे.

नैतिक विचार आणि भविष्यातील दिशा

जसजसे राइड-शेअरिंग सेवा विकसित होत आहेत, तसतसे मॅचिंग अल्गोरिदमच्या नैतिक परिणामांवर लक्ष देणे आणि ते निष्पक्ष, पारदर्शक आणि जबाबदार पद्धतीने डिझाइन आणि ऑपरेट केले जातील याची खात्री करणे आवश्यक आहे. काही प्रमुख लक्ष केंद्रित क्षेत्रांमध्ये यांचा समावेश आहे:

अल्गोरिदमची पारदर्शकता आणि स्पष्टीकरणक्षमता

रायडर्स आणि ड्रायव्हर्सना मॅचिंग अल्गोरिदम कसे कार्य करते आणि ते त्यांच्या अनुभवावर कसा परिणाम करते याची स्पष्ट समज असावी. प्लॅटफॉर्मने त्यांचे अल्गोरिदम अधिक पारदर्शक आणि स्पष्ट करण्यायोग्य बनवण्यासाठी प्रयत्न केले पाहिजेत, ज्यामुळे जुळणीच्या निर्णयांवर परिणाम करणाऱ्या घटकांबद्दल माहिती मिळेल.

पक्षपातीपणा ओळखणे आणि कमी करणे

प्लॅटफॉर्मने संभाव्य पक्षपातांसाठी त्यांच्या अल्गोरिदमचे सक्रियपणे निरीक्षण केले पाहिजे आणि कोणतेही भेदभावपूर्ण परिणाम कमी करण्यासाठी पावले उचलली पाहिजेत. यामध्ये निष्पक्षता-जागरूक मशीन लर्निंग तंत्रांचा वापर करणे किंवा राइड-शेअरिंग सेवांमध्ये समान प्रवेश सुनिश्चित करण्यासाठी धोरणे लागू करणे समाविष्ट असू शकते.

डेटा गोपनीयता आणि सुरक्षा सुधारणा

रायडर आणि ड्रायव्हर डेटाचे संरक्षण करणे हे सर्वोच्च प्राधान्य असले पाहिजे. प्लॅटफॉर्मने डेटा उल्लंघने रोखण्यासाठी आणि संबंधित नियमांचे पालन सुनिश्चित करण्यासाठी मजबूत सुरक्षा उपाय आणि डेटा गोपनीयता धोरणांमध्ये गुंतवणूक केली पाहिजे.

सहयोग आणि मुक्त मानके

राइड-शेअरिंग प्लॅटफॉर्म, संशोधक आणि धोरणकर्ते यांच्यातील सहयोग मॅचिंग अल्गोरिदमसाठी सर्वोत्तम पद्धती आणि मानके विकसित करण्यासाठी आवश्यक आहे. ओपन डेटा उपक्रम आणि सामायिक संशोधन या क्षेत्राला पुढे नेण्यास आणि नवनिर्मितीला प्रोत्साहन देण्यास मदत करू शकतात.

सार्वजनिक वाहतुकीसह एकत्रीकरण

राइड-शेअरिंग सेवा फर्स्ट-माईल/लास्ट-माईल कनेक्टिव्हिटी प्रदान करून आणि विद्यमान ट्रान्झिट नेटवर्कमधील अंतर भरून सार्वजनिक वाहतूक प्रणालींना पूरक ठरू शकतात. राइड-शेअरिंग प्लॅटफॉर्मला सार्वजनिक वाहतूक अॅप्स आणि पेमेंट सिस्टमसह एकत्रित केल्याने वापरकर्त्यांसाठी एकूण वाहतूक अनुभव सुधारू शकतो.

शाश्वतता आणि पर्यावरणीय परिणाम

राइड-शेअरिंग प्लॅटफॉर्ममध्ये सामायिक गतिशीलतेला प्रोत्साहन देऊन आणि वाहनांच्या वापराला ऑप्टिमाइझ करून वाहतूक कोंडी आणि उत्सर्जन कमी करण्याची क्षमता आहे. तथापि, जर प्रभावीपणे व्यवस्थापित केले नाही तर ते वाहनांच्या प्रवासाच्या मैलांमध्ये वाढ करण्यासही हातभार लावू शकतात. प्लॅटफॉर्मने इलेक्ट्रिक वाहने आणि कारपूलिंगसारख्या शाश्वत वाहतूक पर्यायांना प्रोत्साहन देण्यासाठी धोरणे शोधली पाहिजेत.

राइड-शेअरिंग अल्गोरिदमची आंतरराष्ट्रीय उदाहरणे

विविध प्रदेश आणि देशांमध्ये पायाभूत सुविधा, नियम आणि सांस्कृतिक संदर्भांमुळे राइड-शेअरिंग अल्गोरिदमसाठी वेगवेगळे दृष्टिकोन असू शकतात. येथे काही उदाहरणे आहेत:

• दीदी चुक्सिंग (चीन): दीदी विशेषतः गर्दीच्या वेळी मॅचिंग ऑप्टिमाइझ करण्यासाठी प्रगत AI आणि मशीन लर्निंगचा वापर करते. त्यांच्याकडे चीनच्या घनदाट शहरी वातावरणासाठी तयार केलेले अल्गोरिदम आहेत.
• ग्रॅब (आग्नेय आशिया): ग्रॅबचे अल्गोरिदम आग्नेय आशियातील विविध वाहतूक परिस्थितीशी जुळवून घेतात, ज्यात मोटरसायकल टॅक्सी (ओजेक) आणि कारपूलिंग पर्यायांचा समावेश आहे, तसेच वाहतूक आणि पेमेंट पसंती यासारख्या घटकांचा विचार करतात.
• ओला (भारत): ओला किफायतशीरपणा आणि सुलभतेवर लक्ष केंद्रित करते, भारतीय बाजारपेठेसाठी ऑटो-रिक्षा बुकिंग आणि स्थानिक पेमेंट पर्यायांसारख्या वैशिष्ट्यांचा समावेश करते.
• उबर आणि लिफ्ट (उत्तर अमेरिका, युरोप, लॅटिन अमेरिका, ऑस्ट्रेलिया): हे प्लॅटफॉर्म डायनॅमिक प्राइसिंग आणि रिअल-टाइम रूटिंग अल्गोरिदमसाठी ओळखले जातात, जे विविध जागतिक शहरांमध्ये मागणी आणि पुरवठ्याशी सतत जुळवून घेतात. ते ड्रायव्हरची तपासणी आणि सुरक्षा वैशिष्ट्यांवर देखील भर देतात.

राइड-शेअरिंग मॅचिंग अल्गोरिदमचे भविष्य

राइड-शेअरिंग मॅचिंग अल्गोरिदमचे भविष्य कृत्रिम बुद्धिमत्ता, मशीन लर्निंग आणि डेटा अ‍ॅनॅलिटिक्समधील प्रगतीद्वारे आकारले जाण्याची शक्यता आहे. आपण खालील गोष्टी पाहू शकतो:

• अधिक वैयक्तिकृत आणि अनुकूल जुळणी: अल्गोरिदम वैयक्तिक रायडर आणि ड्रायव्हरच्या पसंती समजून घेण्यात अधिक चांगले होतील, ज्यामुळे त्यांचा अनुभव ऑप्टिमाइझ करण्यासाठी जुळणी केली जाईल.
• स्वायत्त वाहनांसह वाढलेले एकत्रीकरण: जसे स्व-ड्रायव्हिंग कार अधिक प्रचलित होतील, तसे मॅचिंग अल्गोरिदम स्वायत्त वाहनांच्या ताफ्याचे व्यवस्थापन आणि त्यांच्या तैनातीला ऑप्टिमाइझ करण्यात महत्त्वपूर्ण भूमिका बजावतील.
• वर्धित मल्टी-मोडल वाहतूक: राइड-शेअरिंग प्लॅटफॉर्म सार्वजनिक वाहतूक, बाईक शेअरिंग आणि स्कूटर भाड्याने देण्यासारख्या वाहतुकीच्या इतर पद्धतींसह एकत्रित होतील, ज्यामुळे अखंड मल्टी-मोडल प्रवास प्रदान केला जाईल.
• शाश्वतता आणि सामाजिक जबाबदारीवर अधिक लक्ष: मॅचिंग अल्गोरिदम शाश्वत वाहतूक पर्यायांना प्रोत्साहन देण्यासाठी आणि सामाजिक समानतेच्या समस्यांचे निराकरण करण्यासाठी डिझाइन केले जातील.
• सुधारित सुरक्षा आणि सुरक्षितता वैशिष्ट्ये: प्लॅटफॉर्म संभाव्य सुरक्षा धोके ओळखण्यासाठी आणि प्रतिबंधित करण्यासाठी डेटा अ‍ॅनॅलिटिक्स आणि मशीन लर्निंगचा वापर करतील, ज्यामुळे राइड-शेअरिंग अनुभवाची एकूण सुरक्षा वाढेल.

निष्कर्ष

राइड-शेअरिंग मॅचिंग अल्गोरिदम ह्या आधुनिक वाहतूक परिदृश्यात महत्त्वपूर्ण भूमिका बजावणाऱ्या जटिल आणि अत्याधुनिक प्रणाली आहेत. या अल्गोरिदमशी संबंधित तत्त्वे, आव्हाने आणि नैतिक विचार समजून घेऊन, आपण भविष्यासाठी अधिक कार्यक्षम, न्याय्य आणि शाश्वत वाहतूक उपाय तयार करण्याच्या दिशेने कार्य करू शकतो.

तंत्रज्ञानातील प्रगती आणि सामाजिक व पर्यावरणीय परिणामांबद्दल वाढत्या जागरुकतेमुळे चालणारी या अल्गोरिदमची सततची उत्क्रांती, आपण आपल्या शहरांमध्ये फिरण्याच्या आणि जगाशी जोडण्याच्या पद्धतीत आणखी बदल घडवून आणण्याचे वचन देते.