ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಎಂಟರ್‌ಪ್ರೈಸ್ ತಂತ್ರಜ್ಞಾನದ ಮೇಲೆ ಗಮನಾರ್ಹ ಪರಿಣಾಮ ಬೀರುವ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಪ್ರಬಲ ತಂತ್ರವಾಗಿದೆ. ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಮತ್ತು ಅವುಗಳನ್ನು ಹೊಸ ಕಾರ್ಯಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯದೊಂದಿಗೆ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಉತ್ತಮಗೊಳಿಸುವಲ್ಲಿ ಮತ್ತು ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುವಲ್ಲಿ ಹಲವಾರು ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ. ಈ ಲೇಖನದಲ್ಲಿ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಪರಿಕಲ್ಪನೆ, ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ ಅದರ ಅನ್ವಯಗಳು ಮತ್ತು ಎಂಟರ್‌ಪ್ರೈಸ್ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ಅದರ ಪ್ರಸ್ತುತತೆಯನ್ನು ನಾವು ಅನ್ವೇಷಿಸುತ್ತೇವೆ.
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಮೂಲಗಳು
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಒಂದು ಡೊಮೇನ್ ಅಥವಾ ಕಾರ್ಯದಿಂದ ಜ್ಞಾನವನ್ನು ಬಳಸಿಕೊಳ್ಳುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು ಅದನ್ನು ಸಂಬಂಧಿತ ಡೊಮೇನ್ ಅಥವಾ ಕಾರ್ಯಕ್ಕೆ ಅನ್ವಯಿಸುತ್ತದೆ. ಸಾಂಪ್ರದಾಯಿಕ ಯಂತ್ರ ಕಲಿಕೆಯಲ್ಲಿ, ಕೈಯಲ್ಲಿರುವ ಕಾರ್ಯಕ್ಕೆ ನಿರ್ದಿಷ್ಟವಾದ ದೊಡ್ಡ ಡೇಟಾಸೆಟ್‌ಗಳನ್ನು ಬಳಸಿಕೊಂಡು ಮಾದರಿಗಳನ್ನು ಮೊದಲಿನಿಂದಲೂ ತರಬೇತಿ ನೀಡಲಾಗುತ್ತದೆ. ಆದಾಗ್ಯೂ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಒಂದು ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸುವ ಮೂಲಕ ಪಡೆದ ಜ್ಞಾನವನ್ನು ಹತೋಟಿಗೆ ತರುವ ಮೂಲಕ ಮತ್ತು ಅದನ್ನು ಬೇರೆ, ಆದರೆ ಸಂಬಂಧಿತ ಸಮಸ್ಯೆಗೆ ಅನ್ವಯಿಸುವ ಮೂಲಕ ವಿಭಿನ್ನ ವಿಧಾನವನ್ನು ತೆಗೆದುಕೊಳ್ಳುತ್ತದೆ. ಈ ವಿಧಾನವು ಪರಿಣಾಮಕಾರಿ ಎಂದು ಸಾಬೀತಾಗಿದೆ, ವಿಶೇಷವಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ತರಬೇತಿ ಡೇಟಾ ಸೀಮಿತವಾಗಿರುವ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ.
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು
ಇಮೇಜ್ ಗುರುತಿಸುವಿಕೆ, ನೈಸರ್ಗಿಕ ಭಾಷಾ ಸಂಸ್ಕರಣೆ ಮತ್ತು ಭಾಷಣ ಗುರುತಿಸುವಿಕೆ ಸೇರಿದಂತೆ ವಿವಿಧ ಡೊಮೇನ್‌ಗಳಾದ್ಯಂತ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಅಪ್ಲಿಕೇಶನ್‌ಗಳು. ಇಮೇಜ್ ಗುರುತಿಸುವಿಕೆಯಲ್ಲಿ, ಉದಾಹರಣೆಗೆ, VGG, ResNet ಮತ್ತು Inception ನಂತಹ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಕನ್ವಲ್ಯೂಷನಲ್ ನ್ಯೂರಲ್ ನೆಟ್‌ವರ್ಕ್ (CNN) ಮಾದರಿಗಳನ್ನು ವರ್ಗಾವಣೆ ಕಲಿಕೆಗಾಗಿ ವ್ಯಾಪಕವಾಗಿ ಬಳಸಲಾಗುತ್ತದೆ. ಈ ಮಾದರಿಗಳಿಂದ ಕಲಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮರುಬಳಕೆ ಮಾಡುವ ಮೂಲಕ, ಸಣ್ಣ ತರಬೇತಿ ಡೇಟಾಸೆಟ್‌ಗಳೊಂದಿಗೆ ಇಮೇಜ್ ವರ್ಗೀಕರಣ ಕಾರ್ಯಗಳಲ್ಲಿ ಡೆವಲಪರ್‌ಗಳು ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಸಾಧಿಸಬಹುದು.
ಅಂತೆಯೇ, ಸಹಜ ಭಾಷಾ ಸಂಸ್ಕರಣೆಯಲ್ಲಿ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಭಾವನೆ ವಿಶ್ಲೇಷಣೆ, ಭಾಷಾ ಅನುವಾದ ಮತ್ತು ಪಠ್ಯ ರಚನೆಯಂತಹ ಕಾರ್ಯಗಳಲ್ಲಿ ಪ್ರಮುಖವಾಗಿದೆ. OpenAI ನ GPT ಮತ್ತು Google ನ BERT ನಂತಹ ಮಾದರಿಗಳು ನಿರ್ದಿಷ್ಟ ಭಾಷಾ ಕಾರ್ಯಗಳಿಗಾಗಿ ಉತ್ತಮವಾಗಿ-ಟ್ಯೂನ್ ಮಾಡಲಾಗಿದೆ, NLP ಅಪ್ಲಿಕೇಶನ್‌ಗಳಲ್ಲಿ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ಪ್ರದರ್ಶಿಸುತ್ತದೆ.
ಎಂಟರ್‌ಪ್ರೈಸ್ ಟೆಕ್ನಾಲಜಿಯಲ್ಲಿ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಪ್ರಯೋಜನಗಳು
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಎಂಟರ್‌ಪ್ರೈಸ್ ತಂತ್ರಜ್ಞಾನಕ್ಕೆ ಹಲವಾರು ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ, ವಿಶೇಷವಾಗಿ ವ್ಯಾಪಾರ ಅಪ್ಲಿಕೇಶನ್‌ಗಳಿಗಾಗಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಪರಿಹಾರಗಳನ್ನು ಅಭಿವೃದ್ಧಿಪಡಿಸುವ ಕ್ಷೇತ್ರದಲ್ಲಿ. ತರಬೇತಿಯ ಸಮಯ ಮತ್ತು ಸಂಪನ್ಮೂಲ ಅಗತ್ಯತೆಗಳಲ್ಲಿನ ಕಡಿತವು ಪ್ರಮುಖ ಪ್ರಯೋಜನಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳನ್ನು ನಿಯಂತ್ರಿಸುವ ಮೂಲಕ, ಹೊಸ ಮಾದರಿಗಳನ್ನು ನಿರ್ಮಿಸಲು ಮತ್ತು ಮೊದಲಿನಿಂದಲೂ ತರಬೇತಿ ನೀಡಲು ಅಗತ್ಯವಿರುವ ಸಮಯ ಮತ್ತು ಕಂಪ್ಯೂಟೇಶನಲ್ ಸಂಪನ್ಮೂಲಗಳನ್ನು ಉದ್ಯಮಗಳು ಗಮನಾರ್ಹವಾಗಿ ಕಡಿಮೆ ಮಾಡಬಹುದು.
ಇದಲ್ಲದೆ, ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಉದ್ಯಮಗಳಿಗೆ ತಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳಲ್ಲಿ ಉತ್ತಮ ಕಾರ್ಯಕ್ಷಮತೆ ಮತ್ತು ನಿಖರತೆಯನ್ನು ಸಾಧಿಸಲು ಅನುವು ಮಾಡಿಕೊಡುತ್ತದೆ. ಬೃಹತ್ ಡೇಟಾಸೆಟ್‌ಗಳಲ್ಲಿ ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳಿಂದ ಜ್ಞಾನವನ್ನು ವರ್ಗಾಯಿಸುವ ಮೂಲಕ, ವ್ಯವಹಾರಗಳು ತಮ್ಮ AI ಸಿಸ್ಟಮ್‌ಗಳ ಮುನ್ಸೂಚನೆಯ ಸಾಮರ್ಥ್ಯಗಳನ್ನು ವ್ಯಾಪಕವಾದ ಡೇಟಾ ಟಿಪ್ಪಣಿ ಮತ್ತು ತರಬೇತಿಯ ಅಗತ್ಯವಿಲ್ಲದೆ ಹೆಚ್ಚಿಸಬಹುದು.
ಉದ್ಯಮಗಳಿಗೆ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಮತ್ತೊಂದು ಗಮನಾರ್ಹ ಪ್ರಯೋಜನವೆಂದರೆ ಡೊಮೇನ್ ರೂಪಾಂತರವನ್ನು ಸುಲಭಗೊಳಿಸುವ ಸಾಮರ್ಥ್ಯ. ನೈಜ-ಪ್ರಪಂಚದ ವ್ಯಾಪಾರ ಪರಿಸರದಲ್ಲಿ ಯಂತ್ರ ಕಲಿಕೆಯ ಮಾದರಿಗಳನ್ನು ನಿಯೋಜಿಸುವಾಗ, ಗುರಿ ಡೊಮೇನ್‌ಗೆ ನಿರ್ದಿಷ್ಟವಾಗಿ ಲೇಬಲ್ ಮಾಡಲಾದ ಡೇಟಾದ ಲಭ್ಯತೆಯು ಸೀಮಿತವಾಗಿರಬಹುದು. ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಸಂಬಂಧಿತ ಡೊಮೇನ್‌ಗಳಿಂದ ಜ್ಞಾನವನ್ನು ವರ್ಗಾಯಿಸಲು ಮಾದರಿಗಳಿಗೆ ಅವಕಾಶ ನೀಡುವ ಮೂಲಕ ಈ ಸವಾಲನ್ನು ಪರಿಹರಿಸುತ್ತದೆ, ಹೀಗಾಗಿ ಅವುಗಳ ಸಾಮಾನ್ಯೀಕರಣ ಮತ್ತು ಹೊಂದಾಣಿಕೆಯನ್ನು ಸುಧಾರಿಸುತ್ತದೆ.
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಅನುಷ್ಠಾನ
ಎಂಟರ್‌ಪ್ರೈಸ್ ತಂತ್ರಜ್ಞಾನದಲ್ಲಿ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸುವುದು ಹಲವಾರು ಪ್ರಮುಖ ಹಂತಗಳನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ. ಗುರಿ ಅಪ್ಲಿಕೇಶನ್ ಡೊಮೇನ್‌ನೊಂದಿಗೆ ಹೊಂದಿಕೆಯಾಗುವ ಸೂಕ್ತವಾದ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಗುರುತಿಸುವುದು ಮೊದಲ ಹಂತವಾಗಿದೆ. ವರ್ಗಾವಣೆ ಕಲಿಕೆಗೆ ಅವುಗಳ ಸೂಕ್ತತೆಯನ್ನು ನಿರ್ಧರಿಸಲು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಮಾದರಿಗಳನ್ನು ಸಂಶೋಧಿಸುವುದು ಮತ್ತು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವುದು ಇದು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯನ್ನು ಆಯ್ಕೆ ಮಾಡಿದ ನಂತರ, ಮುಂದಿನ ಹಂತವು ಕಾರ್ಯ-ನಿರ್ದಿಷ್ಟ ಡೇಟಾದಲ್ಲಿ ಮಾದರಿಯನ್ನು ಉತ್ತಮಗೊಳಿಸುವುದು. ಈ ಪ್ರಕ್ರಿಯೆಯು ಗುರಿಯ ಡೇಟಾಸೆಟ್‌ನಲ್ಲಿ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯ ಕೊನೆಯ ಕೆಲವು ಲೇಯರ್‌ಗಳನ್ನು ಮರುತರಬೇತಿ ಮಾಡುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಮತ್ತು ಕಲಿತ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಸಂರಕ್ಷಿಸಲು ಹಿಂದಿನ ಲೇಯರ್‌ಗಳನ್ನು ಫ್ರೀಜ್‌ನಲ್ಲಿ ಇರಿಸುತ್ತದೆ. ಫೈನ್-ಟ್ಯೂನಿಂಗ್ ಮೂಲ ತರಬೇತಿ ದತ್ತಾಂಶದಿಂದ ಪಡೆದ ಅಮೂಲ್ಯವಾದ ಜ್ಞಾನವನ್ನು ಉಳಿಸಿಕೊಳ್ಳುವಾಗ ಹೊಸ ಕಾರ್ಯದ ಸೂಕ್ಷ್ಮ ವ್ಯತ್ಯಾಸಗಳಿಗೆ ಹೊಂದಿಕೊಳ್ಳಲು ಮಾದರಿಯನ್ನು ಅನುಮತಿಸುತ್ತದೆ.
ಅಂತಿಮವಾಗಿ, ಫೈನ್-ಟ್ಯೂನ್ ಮಾಡಲಾದ ಮಾದರಿಯು ಎಂಟರ್‌ಪ್ರೈಸ್ ಅಪ್ಲಿಕೇಶನ್‌ನ ಕಾರ್ಯಕ್ಷಮತೆಯ ಅವಶ್ಯಕತೆಗಳನ್ನು ಪೂರೈಸುತ್ತದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಕಠಿಣ ಮೌಲ್ಯಮಾಪನ ಮತ್ತು ಪರೀಕ್ಷೆ ಅತ್ಯಗತ್ಯ. ಇದು ನಿಯೋಜನೆಗೆ ಅದರ ಸೂಕ್ತತೆಯನ್ನು ನಿರ್ಣಯಿಸಲು ಮಾದರಿಯ ನಿಖರತೆ, ನಿಖರತೆ, ಮರುಸ್ಥಾಪನೆ ಮತ್ತು ಇತರ ಸಂಬಂಧಿತ ಮೆಟ್ರಿಕ್‌ಗಳನ್ನು ಮೌಲ್ಯೀಕರಿಸುವುದನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ.
ಸವಾಲುಗಳು ಮತ್ತು ಪರಿಗಣನೆಗಳು
ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಹಲವಾರು ಪ್ರಯೋಜನಗಳನ್ನು ನೀಡುತ್ತದೆ, ಇದು ಎಂಟರ್‌ಪ್ರೈಸ್ ತಂತ್ರಜ್ಞಾನ ತಂಡಗಳು ಪರಿಹರಿಸಬೇಕಾದ ಸವಾಲುಗಳು ಮತ್ತು ಪರಿಗಣನೆಗಳನ್ನು ಸಹ ಪ್ರಸ್ತುತಪಡಿಸುತ್ತದೆ. ಸೂಕ್ತವಾದ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಯ ಆಯ್ಕೆಯು ಪ್ರಾಥಮಿಕ ಸವಾಲುಗಳಲ್ಲಿ ಒಂದಾಗಿದೆ. ಎಲ್ಲಾ ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು ವರ್ಗಾವಣೆ ಕಲಿಕೆಗೆ ಸೂಕ್ತವಲ್ಲ, ಮತ್ತು ತಪ್ಪಾದ ಮಾದರಿಯನ್ನು ಆರಿಸುವುದರಿಂದ ಗುರಿ ಡೊಮೇನ್‌ನಲ್ಲಿ ಉಪೋತ್ಕೃಷ್ಟ ಕಾರ್ಯಕ್ಷಮತೆಗೆ ಕಾರಣವಾಗಬಹುದು.
ಹೆಚ್ಚುವರಿಯಾಗಿ, ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿ ಮತ್ತು ಗುರಿ ಡೊಮೇನ್ ನಡುವಿನ ಡೊಮೇನ್ ತಪ್ಪು ಜೋಡಣೆಯು ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಪರಿಣಾಮಕಾರಿತ್ವವನ್ನು ತಡೆಯುತ್ತದೆ. ವರ್ಗಾವಣೆಗೊಂಡ ಜ್ಞಾನವು ಪ್ರಸ್ತುತವಾಗಿದೆ ಮತ್ತು ಪ್ರಯೋಜನಕಾರಿಯಾಗಿದೆ ಎಂದು ಖಚಿತಪಡಿಸಿಕೊಳ್ಳಲು ಎಂಟರ್‌ಪ್ರೈಸಸ್ ಮೂಲ ತರಬೇತಿ ಡೇಟಾ ಮತ್ತು ಗುರಿ ಅಪ್ಲಿಕೇಶನ್ ಡೊಮೇನ್ ನಡುವಿನ ಹೋಲಿಕೆಗಳು ಮತ್ತು ವ್ಯತ್ಯಾಸಗಳನ್ನು ಎಚ್ಚರಿಕೆಯಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡಬೇಕು.
ಇದಲ್ಲದೆ, ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳು ಮತ್ತು ಸ್ವಾಮ್ಯದ ಡೇಟಾಸೆಟ್‌ಗಳ ಬಳಕೆಯ ಸುತ್ತಲಿನ ನೈತಿಕ ಪರಿಗಣನೆಗಳನ್ನು ಸಹ ಗಣನೆಗೆ ತೆಗೆದುಕೊಳ್ಳಬೇಕು. ಪೂರ್ವ-ತರಬೇತಿ ಪಡೆದ ಮಾದರಿಗಳನ್ನು ಬಳಸುವಾಗ ಮತ್ತು ಡೊಮೇನ್‌ಗಳಾದ್ಯಂತ ಜ್ಞಾನವನ್ನು ವರ್ಗಾಯಿಸುವಾಗ ಎಂಟರ್‌ಪ್ರೈಸ್‌ಗಳು ಡೇಟಾ ಗೌಪ್ಯತೆ ಮತ್ತು ಬೌದ್ಧಿಕ ಆಸ್ತಿ ನಿಯಮಗಳಿಗೆ ಬದ್ಧವಾಗಿರಬೇಕು.
ತೀರ್ಮಾನ
ಯಂತ್ರ ಕಲಿಕೆ ಮತ್ತು ಉದ್ಯಮ ತಂತ್ರಜ್ಞಾನದ ಕ್ಷೇತ್ರದಲ್ಲಿ ವರ್ಗಾವಣೆ ಕಲಿಕೆಯು ಅಮೂಲ್ಯವಾದ ಆಸ್ತಿಯಾಗಿದೆ. ಮೊದಲೇ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಜ್ಞಾನವನ್ನು ಹತೋಟಿಗೆ ತರುವ ಮತ್ತು ಹೊಸ ಕಾರ್ಯಗಳಿಗೆ ಅದನ್ನು ಅಳವಡಿಸಿಕೊಳ್ಳುವ ಸಾಮರ್ಥ್ಯವು ಮಾದರಿ ತರಬೇತಿಯನ್ನು ಉತ್ತಮಗೊಳಿಸುವ, ಕಾರ್ಯಕ್ಷಮತೆಯನ್ನು ಹೆಚ್ಚಿಸುವ ಮತ್ತು ನೈಜ-ಪ್ರಪಂಚದ ವ್ಯವಹಾರದ ಸನ್ನಿವೇಶಗಳಲ್ಲಿ ಡೇಟಾ ಕೊರತೆಯನ್ನು ಪರಿಹರಿಸುವ ಪ್ರಬಲ ಸಾಧನವಾಗಿದೆ. ವರ್ಗಾವಣೆ ಕಲಿಕೆಯ ಮೂಲಗಳು, ಅಪ್ಲಿಕೇಶನ್‌ಗಳು, ಪ್ರಯೋಜನಗಳು, ಅನುಷ್ಠಾನ ಮತ್ತು ಸವಾಲುಗಳನ್ನು ಅರ್ಥಮಾಡಿಕೊಳ್ಳುವ ಮೂಲಕ, ಉದ್ಯಮಗಳು ತಮ್ಮ ಯಂತ್ರ ಕಲಿಕೆಯ ಉಪಕ್ರಮಗಳಲ್ಲಿ ನಾವೀನ್ಯತೆ ಮತ್ತು ದಕ್ಷತೆಯನ್ನು ಹೆಚ್ಚಿಸಲು ಈ ತಂತ್ರವನ್ನು ಬಳಸಿಕೊಳ್ಳಬಹುದು.