टाइपस्क्रिप्ट शोध अल्गोरिदम: माहिती पुनर्प्राप्ती प्रकार अंमलबजावणी

सॉफ्टवेअर डेव्हलपमेंटच्या क्षेत्रात, कार्यक्षम माहिती पुनर्प्राप्ती अत्यंत महत्त्वाची आहे. ई-कॉमर्स उत्पादन शोधांपासून ते नॉलेज बेस लुकअपपर्यंत सर्व काही शोध अल्गोरिदमद्वारे चालवले जाते. टाइपस्क्रिप्ट, त्याच्या मजबूत प्रकार प्रणालीसह, हे अल्गोरिदम लागू करण्यासाठी आणि ऑप्टिमाइझ करण्यासाठी एक शक्तिशाली प्लॅटफॉर्म प्रदान करते. हा ब्लॉग पोस्ट टाइप-सेफ, परफॉर्मंट आणि मेंटेन करण्यायोग्य शोध सोल्यूशन्स तयार करण्यासाठी टाइपस्क्रिप्टच्या प्रकार प्रणालीचा लाभ कसा घ्यावा हे स्पष्ट करतो.

माहिती पुनर्प्राप्ती संकल्पना समजून घेणे

टाइपस्क्रिप्ट अंमलबजावणीमध्ये जाण्यापूर्वी, माहिती पुनर्प्राप्तीमधील काही महत्त्वाच्या संकल्पना परिभाषित करूया:

• दस्तऐवज: माहितीचे एकक ज्याद्वारे आपल्याला शोधायचे आहे. हे मजकूर फाइल्स, डेटाबेस रेकॉर्ड्स, वेब पेजेस किंवा इतर कोणतेही संरचित डेटा असू शकतात.
• क्वेरीज (Queries): संबंधित दस्तऐवज शोधण्यासाठी वापरकर्त्यांनी सबमिट केलेले शोध टर्म्स किंवा वाक्यांश.
• अनुक्रमणिका (Indexing): कार्यक्षम शोधासाठी डेटा स्ट्रक्चर तयार करण्याची प्रक्रिया. एक सामान्य दृष्टीकोन म्हणजे इनव्हर्टेड इंडेक्स तयार करणे, जे शब्द दर्शवितात आणि ते कोणत्या दस्तऐवजांमध्ये दिसतात हे दर्शवते.
• क्रमवारी (Ranking): क्वेरीशी संबंधित असलेल्या प्रत्येक दस्तऐवजाला स्कोअर देण्याची प्रक्रिया. उच्च स्कोअर अधिक समर्पकता दर्शवतात.
• समर्पकता (Relevance): क्वेरीमध्ये व्यक्त केल्यानुसार, वापरकर्त्याच्या माहितीची गरज दस्तऐवज किती चांगल्या प्रकारे पूर्ण करतो याचे मोजमाप.

शोध अल्गोरिदम निवडणे

अनेक शोध अल्गोरिदम अस्तित्वात आहेत, प्रत्येकाची स्वतःची ताकद आणि कमकुवतपणा आहे. काही लोकप्रिय पर्याय खालीलप्रमाणेः

• लिनियर सर्च (Linear Search): सर्वात सोपा दृष्टीकोन, ज्यामध्ये प्रत्येक दस्तऐवजातून पुनरावृत्ती करणे आणि क्वेरीशी तुलना करणे समाविष्ट आहे. मोठ्या डेटासेटसाठी हे अक्षम आहे.
• बाइनरी सर्च (Binary Search): डेटा क्रमवारी लावलेला असणे आवश्यक आहे आणि लॉगरिदमिक शोध वेळेस अनुमती देते. क्रमवारी लावलेल्या अॅरे किंवा ट्रीज शोधण्यासाठी योग्य.
• हॅश टेबल लुकअप (Hash Table Lookup): सतत-वेळ सरासरी शोध जटिलता प्रदान करते, परंतु हॅश फंक्शन संघर्षांचा काळजीपूर्वक विचार करणे आवश्यक आहे.
• इनव्हर्टेड इंडेक्स सर्च (Inverted Index Search): एक अधिक प्रगत तंत्र जे विशिष्ट कीवर्ड असलेले दस्तऐवज द्रुतपणे ओळखण्यासाठी इनव्हर्टेड इंडेक्स वापरते.
• फुल-टेक्स्ट सर्च इंजिन्स (उदा. Elasticsearch, Lucene): मोठ्या प्रमाणात टेक्स्ट शोधासाठी अत्यंत ऑप्टिमाइझ केलेले, स्टेमिंग, स्टॉप वर्ड रिमूव्हल आणि फझी मॅचिंग यासारखी वैशिष्ट्ये देतात.

सर्वोत्तम निवड डेटासेटचा आकार, अद्यतनांची वारंवारता आणि इच्छित शोध कार्यप्रदर्शन यासारख्या घटकांवर अवलंबून असते.

टाइपस्क्रिप्टमध्ये मूलभूत इनव्हर्टेड इंडेक्सची अंमलबजावणी

टाइपस्क्रिप्टमध्ये मूलभूत इनव्हर्टेड इंडेक्स अंमलबजावणी दर्शवूया. हे उदाहरण मजकूर दस्तऐवजांचे संकलन अनुक्रमित आणि शोधण्यावर लक्ष केंद्रित करते.

डेटा स्ट्रक्चर्स परिभाषित करणे

प्रथम, आम्ही आमची दस्तऐवज आणि इनव्हर्टेड इंडेक्स दर्शविण्यासाठी डेटा स्ट्रक्चर्स परिभाषित करतो:

            
interface Document {
  id: string;
  content: string;
}

interface InvertedIndex {
  [term: string]: string[]; // Term -> List of document IDs
}

            

              
                Copy
              
            
          

इनव्हर्टेड इंडेक्स तयार करणे

पुढे, आम्ही दस्तऐवजांच्या सूचीमधून इनव्हर्टेड इंडेक्स तयार करण्यासाठी एक फंक्शन तयार करतो:

            
function createInvertedIndex(documents: Document[]): InvertedIndex {
  const index: InvertedIndex = {};

  for (const document of documents) {
    const terms = document.content.toLowerCase().split(/\s+/); // Tokenize the content

    for (const term of terms) {
      if (!index[term]) {
        index[term] = [];
      }
      if (!index[term].includes(document.id)) {
        index[term].push(document.id);
      }
    }
  }

  return index;
}

            

              
                Copy
              
            
          

इनव्हर्टेड इंडेक्स शोधणे

आता, आम्ही क्वेरीशी जुळणार्‍या दस्तऐवजांसाठी इनव्हर्टेड इंडेक्स शोधण्यासाठी एक फंक्शन तयार करतो:

            
function searchInvertedIndex(index: InvertedIndex, query: string): string[] {
  const terms = query.toLowerCase().split(/\s+/);
  let results: string[] = [];

  if (terms.length > 0) {
    results = index[terms[0]] || [];

    // For multi-word queries, perform intersection of results (AND operation)
    for (let i = 1; i < terms.length; i++) {
      const termResults = index[terms[i]] || [];
      results = results.filter(docId => termResults.includes(docId));
    }
  }

  return results;
}

            

              
                Copy
              
            
          

उदाहरण वापर

इनव्हर्टेड इंडेक्स कसा वापरायचा याचे उदाहरण येथे आहे:

            
const documents: Document[] = [
  { id: "1", content: "This is the first document about TypeScript." },
  { id: "2", content: "The second document discusses JavaScript and TypeScript." },
  { id: "3", content: "A third document focuses solely on JavaScript." },
];

const index = createInvertedIndex(documents);
const query = "TypeScript document";
const searchResults = searchInvertedIndex(index, query);

console.log("Search results for '" + query + "':", searchResults); // Output: ["1", "2"]

            

              
                Copy
              
            
          

टीएफ-आयडीएफ सह शोध निकालांची क्रमवारी

मूलभूत इनव्हर्टेड इंडेक्स अंमलबजावणी शोध टर्म्स असलेले दस्तऐवज परत करते, परंतु ते समर्पकतेवर आधारित क्रमवारी देत नाही. शोधाची गुणवत्ता सुधारण्यासाठी, आम्ही टीएफ-आयडीएफ (टर्म फ्रिक्वेन्सी-इनव्हर्स डॉक्युमेंट फ्रिक्वेन्सी) अल्गोरिदम वापरून निकालांची क्रमवारी लावू शकतो.

टीएफ-आयडीएफ एका विशिष्ट दस्तऐवजातील टर्मचे महत्त्व मोजते आणि ते सर्व दस्तऐवजांमधील त्याच्या महत्वाच्या सापेक्ष असते. विशिष्ट दस्तऐवजात वारंवार दिसणारे परंतु इतर दस्तऐवजांमध्ये क्वचितच दिसणारे टर्म अधिक समर्पक मानले जातात.

टर्म फ्रिक्वेन्सी (टीएफ) मोजणे

टर्म फ्रिक्वेन्सी म्हणजे दस्तऐवजात टर्म किती वेळा दिसते, दस्तऐवजातील एकूण टर्म्सच्या संख्येने सामान्यीकृत:

            
function calculateTermFrequency(term: string, document: Document): number {
  const terms = document.content.toLowerCase().split(/\s+/);
  const termCount = terms.filter(t => t === term).length;
  return termCount / terms.length;
}

            

              
                Copy
              
            
          

इनव्हर्स डॉक्युमेंट फ्रिक्वेन्सी (आयडीएफ) मोजणे

इनव्हर्स डॉक्युमेंट फ्रिक्वेन्सी मोजते की सर्व दस्तऐवजांमध्ये टर्म किती दुर्मिळ आहे. हे दस्तऐवजात असलेल्या दस्तऐवजांच्या संख्येने विभाजित केलेल्या दस्तऐवजांच्या एकूण संख्येचा लॉगरिदम म्हणून मोजले जाते:

            
function calculateInverseDocumentFrequency(term: string, documents: Document[]): number {
  const documentCount = documents.length;
  const documentsContainingTerm = documents.filter(document =>
    document.content.toLowerCase().split(/\s+/).includes(term)
  ).length;

  return Math.log(documentCount / (1 + documentsContainingTerm)); // Add 1 to avoid division by zero
}

            

              
                Copy
              
            
          

टीएफ-आयडीएफ स्कोअर मोजणे

दस्तऐवजातील टर्मसाठी टीएफ-आयडीएफ स्कोअर म्हणजे त्याच्या टीएफ आणि आयडीएफ मूल्यांचा गुणाकार:

            
function calculateTfIdf(term: string, document: Document, documents: Document[]): number {
  const tf = calculateTermFrequency(term, document);
  const idf = calculateInverseDocumentFrequency(term, documents);
  return tf * idf;
}

            

              
                Copy
              
            
          

दस्तऐवजांची क्रमवारी

क्वेरीशी संबंधित असलेल्या दस्तऐवजांवर आधारित क्रमवारी लावण्यासाठी, आम्ही प्रत्येक दस्तऐवजासाठी क्वेरीमधील प्रत्येक टर्मसाठी टीएफ-आयडीएफ स्कोअर मोजतो आणि स्कोअरची बेरीज करतो. उच्च एकूण स्कोअर असलेले दस्तऐवज अधिक समर्पक मानले जातात.

            
function rankDocuments(query: string, documents: Document[]): { document: Document; score: number }[] {
  const terms = query.toLowerCase().split(/\s+/);
  const rankedDocuments: { document: Document; score: number }[] = [];

  for (const document of documents) {
    let score = 0;
    for (const term of terms) {
      score += calculateTfIdf(term, document, documents);
    }
    rankedDocuments.push({ document, score });
  }

  rankedDocuments.sort((a, b) => b.score - a.score); // Sort in descending order of score
  return rankedDocuments;
}

            

              
                Copy
              
            
          

टीएफ-आयडीएफ सह उदाहरण वापर

            
const rankedResults = rankDocuments(query, documents);

console.log("Ranked search results for '" + query + "':");
rankedResults.forEach(result => {
  console.log(`Document ID: ${result.document.id}, Score: ${result.score}`);
});

            

              
                Copy
              
            
          

सिमेंटिक शोधासाठी कोसाइन सिमिलॅरिटी

कीवर्ड-आधारित शोधासाठी टीएफ-आयडीएफ प्रभावी असले तरी, ते शब्दांमधील सिमेंटिक समानता कॅप्चर करत नाही. दस्तऐवज व्हेक्टर्सची तुलना करण्यासाठी कोसाइन सिमिलॅरिटी वापरली जाऊ शकते, जिथे प्रत्येक वेक्टर दस्तऐवजातील शब्दांची वारंवारता दर्शवते. समान शब्द वितरणासह दस्तऐवजांमध्ये उच्च कोसाइन सिमिलॅरिटी असेल.

दस्तऐवज व्हेक्टर्स तयार करणे

प्रथम, आम्हाला सर्व दस्तऐवजांमधील सर्व अद्वितीय शब्दांची शब्दसंग्रह तयार करण्याची आवश्यकता आहे. मग, आम्ही प्रत्येक दस्तऐवज एक वेक्टर म्हणून दर्शवू शकतो, जिथे प्रत्येक घटक शब्दसंग्रहातील शब्दाशी संबंधित आहे आणि त्याचे मूल्य दस्तऐवजातील त्या शब्दाची टर्म फ्रिक्वेन्सी किंवा टीएफ-आयडीएफ स्कोअर दर्शवते.

            
function createVocabulary(documents: Document[]): string[] {
  const vocabulary = new Set();
  for (const document of documents) {
    const terms = document.content.toLowerCase().split(/\s+/);
    terms.forEach(term => vocabulary.add(term));
  }
  return Array.from(vocabulary);
}

function createDocumentVector(document: Document, vocabulary: string[], useTfIdf: boolean, allDocuments: Document[]): number[] {
  const vector: number[] = [];
  for (const term of vocabulary) {
    if(useTfIdf){
        vector.push(calculateTfIdf(term, document, allDocuments));
    } else {
        vector.push(calculateTermFrequency(term, document));
    }

  }
  return vector;
}

            

              
                Copy
              
            
          

कोसाइन सिमिलॅरिटी मोजणे

कोसाइन सिमिलॅरिटी दोन व्हेक्टर्सच्या डॉट प्रॉडक्ट म्हणून मोजली जाते आणि त्यांच्या परिमाणांच्या उत्पादनाने विभाजित केली जाते:

            
function cosineSimilarity(vectorA: number[], vectorB: number[]): number {
  if (vectorA.length !== vectorB.length) {
    throw new Error("Vectors must have the same length");
  }

  let dotProduct = 0;
  let magnitudeA = 0;
  let magnitudeB = 0;

  for (let i = 0; i < vectorA.length; i++) {
    dotProduct += vectorA[i] * vectorB[i];
    magnitudeA += vectorA[i] * vectorA[i];
    magnitudeB += vectorB[i] * vectorB[i];
  }

  magnitudeA = Math.sqrt(magnitudeA);
  magnitudeB = Math.sqrt(magnitudeB);

  if (magnitudeA === 0 || magnitudeB === 0) {
    return 0; // Avoid division by zero
  }

  return dotProduct / (magnitudeA * magnitudeB);
}

            

              
                Copy
              
            
          

कोसाइन सिमिलॅरिटीसह क्रमवारी

कोसाइन सिमिलॅरिटी वापरून दस्तऐवजांची क्रमवारी लावण्यासाठी, आम्ही क्वेरीसाठी एक वेक्टर तयार करतो (त्याला दस्तऐवज म्हणून मानतो) आणि नंतर क्वेरी वेक्टर आणि प्रत्येक दस्तऐवज वेक्टर दरम्यान कोसाइन सिमिलॅरिटी मोजतो. उच्च कोसाइन सिमिलॅरिटी असलेले दस्तऐवज अधिक समर्पक मानले जातात.

            
function rankDocumentsCosineSimilarity(query: string, documents: Document[], useTfIdf: boolean): { document: Document; similarity: number }[] {
    const vocabulary = createVocabulary(documents);
    const queryDocument: Document = { id: "query", content: query };
    const queryVector = createDocumentVector(queryDocument, vocabulary, useTfIdf, documents);
    const rankedDocuments: { document: Document; similarity: number }[] = [];

    for (const document of documents) {
        const documentVector = createDocumentVector(document, vocabulary, useTfIdf, documents);
        const similarity = cosineSimilarity(queryVector, documentVector);
        rankedDocuments.push({ document, similarity });
    }

    rankedDocuments.sort((a, b) => b.similarity - a.similarity); // Sort in descending order of similarity
    return rankedDocuments;
}

            

              
                Copy
              
            
          

कोसाइन सिमिलॅरिटीसह उदाहरण वापर

            
const rankedResultsCosine = rankDocumentsCosineSimilarity(query, documents, true); //Use TF-IDF for vector creation

console.log("Ranked search results (Cosine Similarity) for '" + query + "':");
rankedResultsCosine.forEach(result => {
    console.log(`Document ID: ${result.document.id}, Similarity: ${result.similarity}`);
});

            

              
                Copy
              
            
          

वर्धित सुरक्षितता आणि देखभाल क्षमतेसाठी टाइपस्क्रिप्टची प्रकार प्रणाली

टाइपस्क्रिप्टची प्रकार प्रणाली शोध अल्गोरिदम अंमलात आणण्यासाठी अनेक फायदे देते:

• प्रकार सुरक्षा: टाइपस्क्रिप्ट प्रकार निर्बंध लागू करून लवकर त्रुटी शोधण्यात मदत करते. यामुळे रनटाइम अपवाद होण्याचा धोका कमी होतो आणि कोडची विश्वसनीयता सुधारते.
• कोड पूर्णता: व्हेरिएबल्स आणि फंक्शन्सच्या प्रकारांवर आधारित IDEs उत्तम कोड पूर्णता आणि सूचना देऊ शकतात.
• रिफॅक्टरिंग सपोर्ट: टाइपस्क्रिप्टची प्रकार प्रणाली त्रुटी न आणता कोड रिफॅक्टर करणे सोपे करते.
• सुधारित देखभाल क्षमता: प्रकार डॉक्युमेंटेशन प्रदान करतात आणि कोड समजून घेणे आणि देखरेख करणे सोपे करतात.

प्रकार टोपणनावे आणि इंटरफेस वापरणे

प्रकार टोपणनावे आणि इंटरफेस आम्हाला सानुकूल प्रकार परिभाषित करण्यास अनुमती देतात जे आमचे डेटा स्ट्रक्चर्स आणि फंक्शन स्वाक्षरी दर्शवतात. हे कोडची वाचनीयता आणि देखभाल क्षमता सुधारते. मागील उदाहरणांमध्ये पाहिल्याप्रमाणे, `Document` आणि `InvertedIndex` इंटरफेस कोड स्पष्टता वाढवतात.

पुनर्वापर क्षमतेसाठी जेनेरिक्स

विविध प्रकारच्या डेटासह कार्य करणारे पुनर्वापरण्यायोग्य शोध अल्गोरिदम तयार करण्यासाठी जेनेरिक्स वापरले जाऊ शकतात. उदाहरणार्थ, आम्ही एक सामान्य शोध फंक्शन तयार करू शकतो जे संख्या, स्ट्रिंग किंवा सानुकूल ऑब्जेक्टच्या अॅरेमधून शोधू शकते.

भिन्न डेटा प्रकार हाताळण्यासाठी भेदभावपूर्ण युनियन्स

विविध प्रकारचे दस्तऐवज किंवा क्वेरी दर्शविण्यासाठी भेदभावपूर्ण युनियन्स वापरले जाऊ शकतात. हे आम्हाला टाइप-सेफ पद्धतीने विविध डेटा प्रकार हाताळण्यास अनुमती देते.

कार्यप्रदर्शन विचार

शोध अल्गोरिदमचे कार्यप्रदर्शन महत्वाचे आहे, विशेषत: मोठ्या डेटासेटसाठी. खालील ऑप्टिमायझेशन तंत्रांचा विचार करा:

• कार्यक्षम डेटा स्ट्रक्चर्स: अनुक्रमणिका आणि शोधासाठी योग्य डेटा स्ट्रक्चर्स वापरा. इनव्हर्टेड इंडेक्स, हॅश टेबल्स आणि ट्रीज कार्यप्रदर्शन लक्षणीयरीत्या सुधारू शकतात.
• कॅशिंग: वारंवार एक्सेस केलेला डेटा कॅश करा जेणेकरून वारंवार गणना करण्याची आवश्यकता कमी होईल. `lru-cache` सारख्या लायब्ररी किंवा मेमोइझेशन तंत्रांचा वापर उपयुक्त ठरू शकतो.
• असिंक्रोनस ऑपरेशन्स: मुख्य थ्रेडला ब्लॉक करणे टाळण्यासाठी असिंक्रोनस ऑपरेशन्स वापरा. वेब ऍप्लिकेशन्ससाठी हे विशेषतः महत्वाचे आहे.
• पॅरलल प्रोसेसिंग: शोध प्रक्रिया समांतर करण्यासाठी एकाधिक कोअर किंवा थ्रेड्स वापरा. ब्राउझरमधील वेब वर्कर्स किंवा Node.js मधील वर्कर थ्रेड्सचा लाभ घेतला जाऊ शकतो.
• ऑप्टिमायझेशन लायब्ररी: टेक्स्ट प्रोसेसिंगसाठी विशेष लायब्ररी वापरण्याचा विचार करा, जसे की नैसर्गिक भाषा प्रक्रिया (NLP) लायब्ररी, जे स्टेमिंग, स्टॉप वर्ड रिमूव्हल आणि इतर टेक्स्ट विश्लेषण तंत्रांची ऑप्टिमाइझ केलेली अंमलबजावणी प्रदान करू शकतात.

वास्तविक जगातील अनुप्रयोग

टाइपस्क्रिप्ट शोध अल्गोरिदम विविध वास्तविक जगातील परिस्थितींमध्ये लागू केले जाऊ शकतात:

• ई-कॉमर्स शोध: ई-कॉमर्स वेबसाइट्सवर उत्पादन शोध सक्षम करणे, वापरकर्त्यांना ते शोधत असलेल्या वस्तू त्वरित शोधण्याची परवानगी देणे. अमेझॅन, ईबे किंवा शॉपिफाई स्टोअर्सवर उत्पादने शोधणे ही उदाहरणे आहेत.
• नॉलेज बेस शोध: वापरकर्त्यांना डॉक्युमेंटेशन, लेख आणि FAQs शोधण्यास सक्षम करणे. झेंडेस्क सारख्या ग्राहक समर्थन प्रणाली किंवा अंतर्गत नॉलेज बेसमध्ये वापरले जाते.
• कोड शोध: विकासकांना कोडबेसमध्ये कोड स्निपेट्स, फंक्शन्स आणि क्लासेस शोधण्यात मदत करणे. VS कोड सारख्या IDEs आणि GitHub सारख्या ऑनलाइन कोड रिपॉजिटरीमध्ये समाकलित.
• एंटरप्राइज शोध: डेटाबेस, फाइल सर्व्हर आणि ईमेल आर्काइव्ह्ज सारख्या विविध एंटरप्राइज सिस्टममध्ये माहिती एक्सेस करण्यासाठी एक एकीकृत शोध इंटरफेस प्रदान करणे.
• सोशल मीडिया शोध: वापरकर्त्यांना सोशल मीडिया प्लॅटफॉर्मवर पोस्ट, वापरकर्ते आणि विषय शोधण्याची परवानगी देणे. ट्विटर, फेसबुक आणि इंस्टाग्राम शोध कार्यक्षमतेची उदाहरणे.

निष्कर्ष

टाइपस्क्रिप्ट शोध अल्गोरिदम अंमलात आणण्यासाठी एक शक्तिशाली आणि प्रकार-सुरक्षित वातावरण प्रदान करते. टाइपस्क्रिप्टच्या प्रकार प्रणालीचा लाभ घेऊन, विकासक विस्तृत ऍप्लिकेशन्ससाठी मजबूत, कार्यक्षम आणि देखरेख करण्यायोग्य शोध सोल्यूशन्स तयार करू शकतात. मूलभूत इनव्हर्टेड इंडेक्सपासून ते टीएफ-आयडीएफ आणि कोसाइन सिमिलॅरिटीसारख्या प्रगत क्रमवारी अल्गोरिदमपर्यंत, टाइपस्क्रिप्ट विकासकांना कार्यक्षम आणि प्रभावी माहिती पुनर्प्राप्ती प्रणाली तयार करण्यास सक्षम करते.

या ब्लॉग पोस्टमध्ये टाइपस्क्रिप्ट शोध अल्गोरिदमचे विस्तृत विहंगावलोकन प्रदान केले आहे, ज्यात अंतर्निहित संकल्पना, अंमलबजावणी तपशील आणि कार्यप्रदर्शन विचारांचा समावेश आहे. या संकल्पना आणि तंत्रे समजून घेऊन, विकासक त्यांच्या ऍप्लिकेशन्सच्या विशिष्ट गरजा पूर्ण करणारी अत्याधुनिक शोध सोल्यूशन्स तयार करू शकतात.