Ko'rinmas narsalarni vizuallashtirish: Frontend muhandisining Transformer e'tibor mexanizmiga oid qo'llanmasi

So'nggi bir necha yil ichida sun'iy intellekt tadqiqot laboratoriyalaridan kundalik hayotimizga sakrab o'tdi. GPT, Llama va Gemini kabi Katta til modellari (LLM) she'r yozishi, kod yaratishi va g'oyat izchil suhbatlar o'tkazishi mumkin. Ushbu inqilobning sehrli tomoni Transformer sifatida tanilgan oqlangan va kuchli arxitektura hisoblanadi. Shunga qaramay, ko'pchilik uchun bu modellar tushunarsiz "qora qutilar" bo'lib qolmoqda. Biz ajoyib natijani ko'ramiz, lekin ichki jarayonni tushunmaymiz.

Bu erda frontendni ishlab chiqish dunyosi noyob va kuchli imkoniyatni taklif etadi. Ma'lumotlarni vizuallashtirish va foydalanuvchi o'zaro ta'siridagi ko'nikmalarimizni qo'llash orqali biz ushbu murakkab tizimlarning qatlamlarini ochib, ularning ichki ishlarini yoritib bera olamiz. Ushbu qo'llanma qiziquvchan frontend muhandisi, topilmalarni etkazmoqchi bo'lgan ma'lumotlar bo'yicha olim va izohlanadigan AI kuchiga ishonadigan texnologiya yetakchisi uchun mo'ljallangan. Biz Transformerning markaziga – e'tibor mexanizmiga – chuqur kirib boramiz va ushbu ko'rinmas jarayonni ko'rinadigan qilish uchun o'zingizning interaktiv vizualizatsiyalaringizni yaratish uchun aniq loyihani tuzamiz.

AI sohasida inqilob: Transformer arxitekturasiga bir nazar

Transformerdan oldin til tarjimasi kabi ketma-ket vazifalarga ustuvor yondashuv Rekurrent neyron tarmoqlari (RNN) va ularning yanada rivojlangan varianti bo'lgan Uzun qisqa muddatli xotira (LSTM) tarmoqlarini o'z ichiga olgan. Ushbu modellar ma'lumotlarni ketma-ket, so'zma-so'z qayta ishlaydi va oldingi so'zlarning "xotirasini" oldinga olib boradi. Samarali bo'lishiga qaramay, bu ketma-ket tabiat tor bo'g'inni yaratdi; ulkan ma'lumotlar to'plamlarida mashq qilish sekin edi va uzoq muddatli bog'liqliklar bilan kurashdi - gapda uzoqda joylashgan so'zlarni bog'lash.

2017-yilda chop etilgan "E'tibor sizga kerak bo'lgan narsadir" nomli yangi maqolada butunlay qaytarilishdan voz kechgan Transformer arxitekturasi taqdim etildi. Uning asosiy yangiligi barcha kirish tokenlarini (so'zlar yoki so'z osti) bir vaqtning o'zida qayta ishlash edi. U o'zining markaziy komponenti: o'z-o'ziga e'tibor mexanizmi tufayli har bir so'zning gapdagi har bir boshqa so'zga ta'sirini bir vaqtning o'zida o'lchashi mumkin edi. Ushbu parallelizatsiya biz bugungi kunda ko'rayotgan ulkan modellarga yo'l ochib, misli ko'rilmagan hajmdagi ma'lumotlar bo'yicha mashq qilish imkoniyatini ochdi.

Transformerning yuragi: O'z-o'ziga e'tibor mexanizmini sirini ochish

Agar Transformer zamonaviy AI dvigateli bo'lsa, unda e'tibor mexanizmi uning aniqlik bilan yaratilgan yadrosidir. Bu modelga kontekstni tushunish, noaniqlikni hal qilish va tilni boy, nozik tushunishni shakllantirish imkonini beruvchi komponentdir.

Asosiy intuisiya: Inson tilidan mashina fokusigacha

Tasavvur qiling, siz ushbu gapni o'qiyapsiz: "Yetkazib berish mashinasi omborga keldi va haydovchi uni tushirdi."

Inson sifatida siz darhol "u" "ombor" ga emas, balki "mashina" ga ishora qilishini bilasiz. Sizning miyangiz deyarli ongsiz ravishda "u" olmoshini tushunish uchun gapdagi boshqa so'zlarga muhimlik yoki "e'tibor" beradi. O'z-o'ziga e'tibor mexanizmi ushbu intuitivlikning matematik rasmiylashtirilishi hisoblanadi. U qayta ishlaydigan har bir so'z uchun e'tibor ballari to'plamini yaratadi, bu har bir boshqa so'zga, shu jumladan o'ziga qancha e'tibor qaratishi kerakligini bildiradi.

Yashirin ingredientlar: So'rov, kalit va qiymat (Q, K, V)

Ushbu e'tibor ballarini hisoblash uchun model avval har bir kirish so'zining embeddingini (uning ma'nosini ifodalovchi raqamlar vektori) uchta alohida vektorga aylantiradi:

• So'rov (Q): So'rovni joriy so'z berayotgan savol deb o'ylang. "U" so'zi uchun so'rov "Men ta'sir ko'rsatilayotgan obyektdirman; bu gapda aniq, harakatlanuvchi ob'ekt nima?" kabi bo'lishi mumkin.
• Kalit (K): Kalit gapdagi har bir boshqa so'zdagi yorliq yoki ko'rsatkichga o'xshaydi. "Mashina" so'zi uchun uning kaliti "Men harakatlanuvchi ob'ektman" deb javob berishi mumkin. "Ombor" uchun kalit "Men statik joyman" deyishi mumkin.
• Qiymat (V): Qiymat vektori so'zning haqiqiy ma'nosi yoki mohiyatini o'z ichiga oladi. Agar so'z muhim deb qaror qilsak, undan olmoqchi bo'lgan boy semantik tarkib.

Model mashq qilish jarayonida ushbu Q, K va V vektorlarini yaratishni o'rganadi. Asosiy g'oya oddiy: bir so'z boshqa so'zga qancha e'tibor berishi kerakligini aniqlash uchun biz birinchi so'zning So'rovini ikkinchi so'zning Kaliti bilan taqqoslaymiz. Yuqori moslik balli yuqori e'tiborni anglatadi.

Matematik retsept: E'tiborni tayyorlash

Jarayon muayyan formulaga amal qiladi: Attention(Q, K, V) = softmax((QK^T) / sqrt(d_k)) * V. Keling, buni bosqichma-bosqich jarayonga ajratamiz:

1. Ballarni hisoblang: Bitta so'zning So'rov vektori uchun biz uning nuqta mahsulotini gapdagi har bir boshqa so'zning kalit vektori bilan olamiz (shu jumladan o'zi ham). Nuqta mahsuloti - bu ikki vektor o'rtasidagi o'xshashlikni o'lchaydigan oddiy matematik operatsiya. Yuqori nuqta mahsuloti vektorlar bir xil yo'nalishda ekanligini anglatadi, bu So'rovning "savoli" va Kalitning "yorlig'i" o'rtasida kuchli moslikni ko'rsatadi. Bu bizga har bir so'z juftligi uchun xom ball beradi.
2. Masshtab: Biz ushbu xom ballarni kalit vektorlarining o'lchovi kvadrat ildiziga bo'lamiz (d_k). Bu texnik, ammo muhim qadam. Nuqta mahsuloti qiymatlarining juda katta bo'lishiga yo'l qo'ymaslik orqali mashq qilish jarayonini barqarorlashtirishga yordam beradi, bu keyingi bosqichda yo'qolgan gradientlarga olib kelishi mumkin.
3. Softmaxni qo'llang: Keyin masshtablangan ballar softmax funktsiyasiga kiritiladi. Softmax - bu raqamlar ro'yxatini oladigan va ularni 1.0 ga qo'shadigan ehtimollar ro'yxatiga aylantiradigan matematik funktsiya. Olingan ushbu ehtimollar e'tibor og'irliklari hisoblanadi. 0,7 og'irlikka ega so'z juda muhim deb hisoblanadi, 0,01 og'irlikka ega so'z esa deyarli e'tiborga olinmaydi. Ushbu og'irliklar matritsasi biz vizuallashtirmoqchi bo'lgan narsadir.
4. Qiymatlarni jamlang: Nihoyat, biz asl so'zimiz uchun yangi, kontekstga oid vakillik yaratamiz. Biz buni gapdagi har bir so'zning Qiymat vektorini uning mos keladigan e'tibor og'irligi bilan ko'paytirib, so'ngra barcha ushbu og'irlikdagi Qiymat vektorlarini yig'ish orqali qilamiz. Aslida, yakuniy taqdimot barcha boshqa so'zlarning ma'nolarining aralashmasidir, bu aralashma e'tibor og'irliklari bilan belgilanadi. Yuqori e'tibor olgan so'zlar yakuniy natijaga o'z ma'nolarining ko'proq hissasini qo'shadi.

Nima uchun kodni rasmga aylantirish kerak? Vizualizatsiyaning muhim roli

Nazariyani tushunish bir narsa, lekin uni amalda ko'rish boshqa narsa. E'tibor mexanizmini vizuallashtirish shunchaki akademik mashq emas; bu ushbu murakkab AI tizimlarini yaratish, tuzatish va ishonish uchun muhim vositadir.

Qora qutining qulfini ochish: Modelning izohlanishi

Chuqur o'rganish modellari haqidagi eng katta tanqid ularning izohlanishi yo'qligidir. Vizualizatsiya bizga ichkariga qarashga va "Nima uchun model bu qarorni qabul qildi?" deb so'rashga imkon beradi. E'tibor naqshlariga qarab, model tarjimani yaratishda yoki savolga javob berishda qaysi so'zlarni muhim deb hisoblaganini ko'rishimiz mumkin. Bu kutilmagan tushunchalarni ochib berishi, ma'lumotlardagi yashirin xatoliklarni fosh qilishi va modelning mulohazalariga ishonchni mustahkamlashi mumkin.

Interaktiv sinf xonasi: Ta'lim va intuisiya

Ishlab chiquvchilar, talabalar va tadqiqotchilar uchun interaktiv vizualizatsiya eng zo'r ta'lim vositasidir. Shunchaki formulani o'qish o'rniga, siz gap kiritishingiz, so'z ustida suzishingiz va model hosil qiladigan aloqalarni darhol ko'rishingiz mumkin. Ushbu amaliy tajriba darslik yolg'iz ta'minlay olmaydigan chuqur, intuitiv tushunchani shakllantiradi.

Ko'rish tezligida tuzatish

Model g'alati yoki noto'g'ri natijani chiqarganda, tuzatishni qayerdan boshlaysiz? E'tibor vizualizatsiyasi darhol maslahatlar berishi mumkin. Siz modelning tegishli bo'lmagan tinish belgilariga e'tibor qaratayotganini, olmoshni to'g'ri hal qila olmasligini yoki so'z faqat o'ziga e'tibor qaratadigan takroriy tsikllarni namoyish etayotganini aniqlashingiz mumkin. Ushbu vizual naqshlar xom raqamli natijalarga tikilib qarashdan ko'ra tuzatish harakatlariga ancha samarali yo'nalish berishi mumkin.

Frontend loyihasi: E'tiborni vizualizatorni arxitekturasi

Endi amaliyotga o'taylik. Biz, frontend muhandislari sifatida, ushbu e'tibor og'irliklarini vizuallashtirish uchun vositani qanday yaratamiz? Mana texnologiya, ma'lumotlar va UI komponentlarini qamrab oluvchi loyiha.

Asboblaringizni tanlash: Zamonaviy frontend to'plami

• Asosiy mantiq (JavaScript/TypeScript): Zamonaviy JavaScript mantiqni boshqarishga qodir. TypeScript ushbu murakkablikdagi loyiha uchun, ayniqsa, e'tibor matritsalari kabi joylashgan ma'lumotlar tuzilmalari bilan ishlashda tur xavfsizligi va xizmat ko'rsatish qobiliyatini ta'minlash uchun tavsiya etiladi.
• UI Framework (React, Vue, Svelte): Deklarativ UI ramkasi vizualizatsiya holatini boshqarish uchun zarurdir. Foydalanuvchi boshqa so'z ustida suzganda yoki boshqa e'tibor boshini tanlaganda, butun vizualizatsiya reaktiv ravishda yangilanishi kerak. React o'zining katta ekotizimi tufayli mashhur tanlovdir, ammo Vue yoki Svelte ham teng darajada ishlaydi.
• Renderlash dvigateli (SVG/D3.js yoki Canvas): Brauzerda grafikani renderlash uchun ikkita asosiy tanlovingiz bor:
  • SVG (Scalable Vector Graphics): Bu ko'pincha ushbu vazifa uchun eng yaxshi tanlovdir. SVG elementlari DOMning bir qismidir, bu ularni CSS bilan tekshirish, uslublash va ularga voqealar ishlov beruvchilarini biriktirishni osonlashtiradi. D3.js kabi kutubxonalar ma'lumotlarni SVG elementlariga bog'lashda mohirdir, issiqlik xaritalari va dinamik chiziqlar yaratish uchun juda mos keladi.
  • Canvas/WebGL: Agar siz juda uzun ketma-ketliklarni (minglab tokenlar) vizuallashtirishingiz kerak bo'lsa va unumdorlik muammoga aylansa, Canvas API pastroq darajadagi, unumdorligi yuqori chizish yuzasini taklif qiladi. Biroq, u DOM qulayligini yo'qotganingiz sababli, ko'proq murakkablik bilan birga keladi. Ko'pgina ta'lim va tuzatish vositalari uchun SVG ideal boshlang'ich nuqtadir.

Ma'lumotlarni tuzish: Model bizga nima beradi

Vizualizatsiyamizni yaratish uchun bizga modelning chiqishi tuzilgan formatda, odatda JSON kerak bo'ladi. Bitta o'z-o'ziga e'tibor qatlami uchun bu quyidagicha ko'rinadi:

{ "tokens": ["The", "delivery", "truck", "pulled", "up", "to", "the", "warehouse"], "attention_weights": [ // 0-qavat, 0-bosh { "layer": 0, "head": 0, "weights": [ [0.7, 0.1, 0.1, 0.0, ...], // "The" dan barcha boshqa so'zlarga e'tibor [0.1, 0.6, 0.2, 0.1, ...], // "delivery" dan barcha boshqa so'zlarga e'tibor ... ] }, // 0-qavat, 1-bosh... ] }

Asosiy elementlar `tokens` ro'yxati va ko'pincha qatlam va "bosh" bo'yicha joylashgan `attention_weights` hisoblanadi (keyingi bu haqda batafsilroq).

UI ni loyihalash: Tushuncha uchun asosiy komponentlar

Yaxshi vizualizatsiya bir xil ma'lumotlarga bir nechta nuqtai nazarni taklif qiladi. E'tibor vizualizatori uchun uchta muhim UI komponenti.

Issiqlik xaritasi ko'rinishi: Yuqoridan pastga perspektiva

Bu e'tibor matritsasining eng to'g'ridan-to'g'ri ifodasidir. Bu to'r bo'lib, unda satrlar ham, ustunlar ham kirish gapidagi tokenlarni ifodalaydi.

• Satrlar: "So'rov" tokenini ifodalaydi (e'tibor qaratayotgan so'z).
• Ustunlar: "Kalit" tokenini ifodalaydi (e'tibor qaratilayotgan so'z).
• Hujayra rangi: `(row_i, col_j)` dagi hujayraning rang intensivligi `i` tokendan `j` tokenga e'tibor og'irligiga mos keladi. Qorong'i rang yuqori og'irlikni anglatadi.

Ushbu ko'rinish yuqori darajadagi naqshlarni, masalan, kuchli diagonal chiziqlar (so'zlarning o'ziga e'tibor berishi), vertikal chiziqlar (bitta so'z, masalan, tinish belgisi, katta e'tiborni jalb qiladi) yoki blokga o'xshash tuzilmalarni aniqlash uchun juda yaxshi.

Tarmoq ko'rinishi: Interaktiv ulanish tarmog'i

Ushbu ko'rinish ko'pincha bitta so'zdan aloqalarni tushunish uchun yanada intuitivdir. Tokenlar chiziqda ko'rsatiladi. Foydalanuvchi sichqonchani muayyan token ustida suzganda, ushbu tokendan boshqa barcha tokenlarga chiziqlar chiziladi.

• Chiziq xiralik/qalinligi: `i` tokenni `j` tokenga bog'laydigan chiziqning vizual og'irligi e'tibor balliga mutanosib.
• Interaktivlik: Ushbu ko'rinish tabiatan interaktivdir va bir vaqtning o'zida bir so'zning kontekst vektoriga qaratilgan ko'rinishni ta'minlaydi. U "e'tibor qaratish" metaforasini chiroyli tarzda tasvirlaydi.

Ko'p boshli ko'rinish: Parallel ko'rish

Transformer arxitekturasi Ko'p boshli e'tibor bilan asosiy e'tibor mexanizmini yaxshilaydi. Q, K, V hisobini bir marta bajarish o'rniga, u bir necha marta parallel ravishda bajariladi (masalan, 8, 12 yoki undan ko'p "boshlar"). Har bir bosh turli Q, K, V proektsiyalarini yaratishni o'rganadi va shuning uchun turli xil munosabatlarga e'tibor qaratishni o'rganishi mumkin. Masalan, bir bosh sintaktik munosabatlarni (masalan, ega-kesim kelishuvi) kuzatishni o'rganishi mumkin, boshqasi esa semantik munosabatlarni (masalan, sinonimlar) kuzatishi mumkin.

Sizning UI-ingiz foydalanuvchiga buni o'rganishga imkon berishi kerak. Oddiy ochiladigan menyu yoki foydalanuvchiga qaysi e'tibor boshini (va qaysi qatlamni) vizuallashtirishni tanlashga imkon beruvchi yorliqlar to'plami muhim xususiyatdir. Bu foydalanuvchilarga turli boshlar modelni tushunishda o'ynaydigan ixtisoslashgan rollarni aniqlashga imkon beradi.

Amaliy qo'llanma: Kod bilan e'tiborni hayotga olib kelish

Keling, konseptual kod yordamida amalga oshirish bosqichlarini belgilab beraylik. Biz uni universal tarzda qo'llaniladigan bo'lishi uchun aniq ramka sintaksisiga emas, balki mantiqga e'tibor qaratamiz.

1-qadam: Boshqariladigan muhit uchun ma'lumotlarni masxaralash

Jonli modelga ulanishdan oldin statik, masxarali ma'lumotlardan boshlang. Bu sizga butun frontendni alohida ishlab chiqishga imkon beradi. Avvalroq tavsiflangan tuzilmaga ega bo'lgan `mockData.js` JavaScript faylini yarating.

2-qadam: Kirish tokenlarini renderlash

`tokens` massivingiz ustida xaritalarni yaratadigan va har birini renderlaydigan komponent yarating. Har bir token elementi vizualizatsiya yangilanishlarini ishga tushiradigan voqea ishlov beruvchilariga (`onMouseEnter`, `onMouseLeave`) ega bo'lishi kerak.

Konseptual React-ga o'xshash kod:

const TokenDisplay = ({ tokens, onTokenHover }) => { return (

); }

3-qadam: Issiqlik xaritasi ko'rinishini amalga oshirish (D3.js bilan kontseptual kod)

Ushbu komponent to'liq e'tibor matritsasini prop sifatida qabul qiladi. SVG elementi ichida renderlashni boshqarish uchun D3.js dan foydalanishingiz mumkin.

Konseptual mantiq:

1. SVG konteynerini yarating.
2. O'lchovlaringizni belgilang. x va y o'qlari uchun `d3.scaleBand()` (tokenlarni pozitsiyalarga xaritalash) va rang uchun `d3.scaleSequential(d3.interpolateBlues)` (og'irlikni 0-1 dan rangga xaritalash).
3. Tekislangan matritsa ma'lumotlaringizni SVG `rect` elementlariga bog'lang.
4. Har bir to'rtburchak uchun `x`, `y`, `width`, `height` va `fill` atributlarini o'lchovlaringiz va ma'lumotlarga asoslangan holda o'rnating.
5. Yon tomondan va yuqoridan token yorliqlarini ko'rsatib, aniqlik uchun o'qlarni qo'shing.

4-qadam: Interaktiv tarmoq ko'rinishini yaratish (kontseptual kod)

Ushbu ko'rinish `TokenDisplay` komponentidagi suzish holati bilan boshqariladi. Token indeksi suzilganda, ushbu komponent e'tibor chiziqlarini renderlaydi.

Konseptual mantiq:

1. Hozirgi suzilgan token indeksini ota komponentining holatidan oling.
2. Agar hech qanday token suzilmasa, hech narsa render qilmang.
3. Agar `hoveredIndex` dagi token suzilsa, uning e'tibor og'irliklarini oling: `weights[hoveredIndex]`.
4. Token displeyingizni qoplaydigan SVG elementini yarating.
5. Gapdagi har bir `j` token uchun boshlang'ich koordinatani (`hoveredIndex` tokenining markazi) va oxirgi koordinatani (`j` tokenining markazi) hisoblang.
6. Boshlang'ichdan oxirgi koordinatagacha SVG `` yoki `` ni renderlang.
7. Chiziqning `stroke-opacity` ni `weights[hoveredIndex][j]` e'tibor og'irligiga teng qilib o'rnating. Bu muhim aloqalarni yanada mustahkamroq ko'rsatadi.

Global ilhom: Yovvoyi tabiatda e'tiborni vizuallashtirish

G'ildirakni qayta ixtiro qilish shart emas. Bir nechta ajoyib ochiq kodli loyihalar yo'lni ochdi va ilhom bo'lib xizmat qilishi mumkin:

• BertViz: Jesse Vig tomonidan yaratilgan, bu BERT oilasidagi modellarda e'tiborni vizuallashtirish uchun eng taniqli va keng qamrovli vosita bo'lishi mumkin. U biz muhokama qilgan issiqlik xaritasi va tarmoq ko'rinishlarini o'z ichiga oladi va modelning izohlanishi uchun samarali UI/UX ning namunali namunasi hisoblanadi.
• Tensor2Tensor: Transformerning asl maqolasi Tensor2Tensor kutubxonasidagi vizualizatsiya vositalari bilan birga keldi, bu tadqiqot hamjamiyatiga yangi arxitekturani tushunishga yordam berdi.
• e-ViL (ETH Zurich): Ushbu tadqiqot loyihasi LLM xatti-harakatini vizuallashtirishning yanada rivojlangan va nozik usullarini o'rganadi, oddiy e'tibordan tashqari neyron faollashuvi va boshqa ichki holatlarga qaraydi.

Oldindagi yo'l: Muammolar va kelajak yo'nalishlari

E'tiborni vizuallashtirish kuchli usul, ammo bu modelning izohlanishi haqidagi yakuniy so'z emas. Chuqurroq kirib borar ekansiz, ushbu muammolarni va kelajak chegaralarini ko'rib chiqing:

• O'lchamlilik: 4000 token konteksti uchun e'tiborni qanday vizuallashtirasiz? 4000x4000 matritsasi samarali renderlash uchun juda katta. Kelajakdagi vositalar semantik kattalashtirish, klasterlash va umumlashtirish kabi texnikalarni o'z ichiga olishi kerak.
• Korrelatsiya va sababiylik: Yuqori e'tibor modelning so'zga qaraganini ko'rsatadi, lekin bu so'zning muayyan natijaga sabab bo'lganini isbotlamaydi. Bu izohlanish tadqiqotida nozik, ammo muhim farqdir.
• E'tibordan tashqari: E'tibor Transformerning bir qismidir. Vizualizatsiya vositalarining keyingi to'lqini to'liqroq tasvirni berish uchun boshqa komponentlarni, masalan, oldinga yo'naltirilgan tarmoqlarni va qiymat aralashtirish jarayonini yoritishi kerak.

Xulosa: Frontend AIga oyna sifatida

Transformer arxitekturasi mashinalarni o'rganish tadqiqotining mahsuli bo'lishi mumkin, ammo uni tushunarli qilish inson-kompyuter o'zaro ta'siri muammosidir. Intuitiv, interaktiv va ma'lumotlarga boy interfeyslarni yaratishdagi tajribamiz bizni inson tushunchasi va mashina murakkabligi o'rtasidagi tafovutni bartaraf etish uchun noyob pozitsiyaga qo'yadi.

E'tibor kabi mexanizmlarni vizuallashtirish uchun vositalar yaratish orqali biz shunchaki modellarni tuzatishdan ko'ra ko'proq narsani qilamiz. Biz bilimlarni demokratlashtiramiz, tadqiqotchilarni kuchaytiramiz va dunyomizni tobora shakllantirayotgan AI tizimlari bilan yanada shaffof va ishonchli munosabatlarni rivojlantiramiz. Keyingi safar siz LLM bilan o'zaro aloqada bo'lsangiz, sirt ostida hisoblanadigan e'tibor ballarining murakkab, ko'rinmas tarmog'ini eslang va buni ko'rinadigan qilish uchun sizda ko'nikmalar borligini biling.