ডেটা, কৃত্রিম বুদ্ধিমত্তা এবং আমার প্রকল্পগুলির উপর একটি ব্লগ
স্বয়ংক্রিয় সংক্ষিপ্তসারটি হ’ল একটি দীর্ঘ পাঠ্য বা এমনকি পাঠ্যগুলির একটি সেট নেওয়া এবং স্বয়ংক্রিয়ভাবে একটি আরও সংক্ষিপ্ত পাঠ্য তৈরি করা যা বেশিরভাগ তথ্য ধারণ করে. সহজ ? অত বেশি না. প্রথমত, আপনাকে কোন তথ্যটি সত্যই গুরুত্বপূর্ণ তা সম্মত করতে হবে. তারপরে, আমাদের অবশ্যই এগুলি সঠিকভাবে নিষ্কাশন করতে সক্ষম হতে হবে, এগুলি একটি ব্যাকরণগত পাঠ্যে এবং মানুষের হস্তক্ষেপ ছাড়াই পুনর্গঠিত করতে সক্ষম হতে হবে. এবং এটি সম্ভাব্য সংক্ষিপ্তসারগুলির বিপুল সংখ্যক বৈকল্পিক গণনা ছাড়াই !
স্বয়ংক্রিয় পাঠ্য সংক্ষিপ্তসার
টেক্সচার সংগ্রহ এবং স্টোরেজ বিস্ফোরণের সাথে, এই ভর থেকে প্রাসঙ্গিক তথ্য বিশ্লেষণ এবং নিষ্কাশনের প্রয়োজনীয়তা আরও বেশি বেশি উপস্থিত রয়েছে.
এছাড়াও, স্বয়ংক্রিয় প্রাকৃতিক ভাষা প্রসেসিং (টাল) এর জন্য গভীর শিক্ষার মডেলগুলির বুম অপারেশনাল ইস্যুতে পাঠ্য ডেটা ব্যবহারকে সহজতর করেছে. স্বয়ংক্রিয় পাঠ্য সংক্ষিপ্তসার, উত্তর প্রশ্ন, সাদৃশ্য বিশ্লেষণ, নথির শ্রেণিবিন্যাস এবং তালের সাথে যুক্ত অন্যান্য কার্যাদি যেমন এই বিষয়গুলির অংশ হিসাবে একইভাবে.
এই প্রসঙ্গে যে ল্যাব উদ্ভাবন ডি লিংকন স্বয়ংক্রিয় পাঠ্য সংক্ষিপ্তসারটিতে কাজ করার সিদ্ধান্ত নিয়েছে. এই কাজগুলি ভাষার জন্য উপলব্ধ স্বয়ংক্রিয় সংক্ষিপ্ত মডেলগুলির একটি মানদণ্ড স্থাপন করা সম্ভব করেছে ফরাসি, আমাদের নিজস্ব মডেল তৈরি করতে এবং শেষ পর্যন্ত এটি উত্পাদনে রাখার জন্য.
মডেল প্রশিক্ষণ

ডেটা
আমরা আমাদের কাজ শুরু করার আগে, আমাদের প্রথমে স্বয়ংক্রিয় সংক্ষিপ্তসার মডেলগুলি শেখার জন্য একটি ডাটাবেস তৈরি করতে হয়েছিল. আমরা বেশ কয়েকটি ফরাসি নিউজ সাইট থেকে প্রেস আইটেমগুলি উদ্ধার করেছি. এই বেসে k 60k নিবন্ধ রয়েছে এবং অবিচ্ছিন্নভাবে আপডেট হয়.
শিল্পের অবস্থা
স্বয়ংক্রিয় সংক্ষিপ্তসার অ্যালগরিদম দুটি বিভাগে পৃথক করা যেতে পারে: সংক্ষিপ্তসার নিষ্কাশন এবং সংক্ষিপ্তসার বিমূর্ত. ফ্রেমে নিষ্কাশন, সংক্ষিপ্তসারগুলি পাঠ্য থেকে প্রাপ্ত বাক্যগুলি থেকে নির্মিত হয় যখন সংক্ষিপ্তসারগুলি বিমূর্ত নতুন বাক্য থেকে উত্পন্ন হয়.
স্বয়ংক্রিয় সংক্ষিপ্ত মডেলগুলি ইংরেজিতে বেশ সাধারণ, তবে এগুলি ফরাসি ভাষায় অনেক কম.
মেট্রিক
মডেলগুলির মূল্যায়নের জন্য আমরা নিম্নলিখিত মেট্রিকগুলি ব্যবহার করেছি:
লাল: নিঃসন্দেহে পরিমাপটি প্রায়শই সংক্ষিপ্ত কাজগুলিতে রিপোর্ট করা হয়, গিস্টিং মূল্যায়নের জন্য পুনরুদ্ধার ওরিয়েন্টেড আন্ডারস্টুডির (লিন, 2004) মূল্যায়ন সংক্ষিপ্তসার এবং মানব রেফারেন্স সংক্ষিপ্তসার মধ্যে অনুরূপ এন-গ্রামের সংখ্যা গণনা করে.
উল্কা: সুস্পষ্ট ক্রম সহ অনুবাদ মূল্যায়নের জন্য মেট্রিক (ব্যানার্জি এবং লাভি, 2005) স্বয়ংক্রিয় অনুবাদ ফলাফলের মূল্যায়নের জন্য ডিজাইন করা হয়েছিল. এটি ইউনিগ্রামগুলিতে যথার্থতা এবং স্মরণ করার সুরেলা গড়ের উপর ভিত্তি করে, যথাযথতার চেয়ে বেশি ওজনযুক্ত স্মরণে. উল্কা প্রায়শই স্বয়ংক্রিয় সংক্ষিপ্ত প্রকাশনাগুলিতে ব্যবহৃত হয় (দেখুন এট আল., 2017; ডং এট আল., 2019), লাল ছাড়াও.
অভিনবত্ব: এটি লক্ষ করা গেছে যে কিছু বিমূর্ত মডেলগুলি নিষ্কাশনে খুব বেশি বিশ্রাম দেয় (দেখুন এট আল., 2017; Krysci ‘nski et al.‘, 2018). সুতরাং, উত্পন্ন সংক্ষিপ্তসারগুলির মধ্যে উত্পাদিত নতুন এন-গ্রামগুলির শতাংশ পরিমাপ করা সাধারণ হয়ে উঠেছে.
সূত্র: এমএলএসএম পেপার থেকে অনুবাদ [2].
মডেল স্থাপন
মডেল প্রশিক্ষণের জন্য, আমরা ক্লাউড অ্যাজুরে এমএল পরিষেবা ব্যবহার করেছি যা প্রশিক্ষণ, পর্যবেক্ষণ এবং মডেলগুলির স্থাপনার জন্য একটি সম্পূর্ণ পরিবেশ সরবরাহ করে.

আমরা পাইথন এসডিকে আরও স্পষ্টভাবে ব্যবহার করেছি যা আপনাকে “জবস” চালু থেকে শুরু করে মডেলগুলির স্থাপনার থেকে শুরু করে প্রোগ্রাম্যাটিক উপায়ে পুরো অ্যাজুরেমেল পরিবেশ পরিচালনা করতে দেয়.
যাইহোক, আমরা আমাদের চূড়ান্ত মডেলটিকে একটি কনটেইনারাইজড ফ্লাস্ক অ্যাপ্লিকেশনটিতে এনপ্যাপ করেছি তারপরে একটি কুবারনেটস ক্লাস্টারে সিআই/সিডি পাইপলাইনের মাধ্যমে মোতায়েন করা
ফলাফলগুলো
প্রথমত, আমরা বেশ কয়েকটি প্রচেষ্টা করেছি, 10 কে নিবন্ধগুলিতে মডেলগুলি নেতৃত্ব দিয়েছি, মডেলটির শুরুতে প্রদত্ত টোকেনের সংখ্যা (512 বা 1024) এবং বিভিন্ন আর্কিটেকচার.
প্রথম পর্যবেক্ষণ: লাল এবং উল্কা মেট্রিকগুলি আমাদের মডেলগুলির পারফরম্যান্স মূল্যায়নের জন্য খুব উপযুক্ত বলে মনে হয় না. অতএব আমরা কেবল অভিনবত্বের স্কোরের উপর আমাদের তুলনাগুলি ভিত্তি করে বেছে নিয়েছি এবং নির্বাচিত হয়েছি আর্কিটেকচার আরও বিমূর্ত সংক্ষিপ্তসারগুলির পক্ষে.
700k আইটেমগুলিতে আমাদের মডেলের প্রশিক্ষণকে চাপ দেওয়ার পরে, আমরা ফলাফলগুলি উল্লেখযোগ্যভাবে উন্নত করেছি এবং আপনি নীচে পাবেন এমন একটি প্রথম সংস্করণটি বৈধতা দিয়েছি.
মনোযোগ পয়েন্ট
পারফরম্যান্সের বাইরে, এই পরীক্ষাটি আমাদের কিছু হাইলাইট করার অনুমতি দেয় সীমানা স্বয়ংক্রিয় সংক্ষিপ্তসার:
বর্তমানে, টাইপ মডেলগুলির ইনপুটগুলিতে পাঠ্যের আকার রূপান্তর জিপিইউগুলির স্মৃতিতে ক্ষমতা দ্বারা সীমাবদ্ধ. মেমরির ব্যয়টি ইনপুট হিসাবে পাঠ্যের আকারের সাথে চতুর্ভুজযুক্ত হওয়া, এটি স্বয়ংক্রিয় সংক্ষিপ্তসারগুলির কাজগুলির জন্য একটি বাস্তব সমস্যা তৈরি করে যেখানে পাঠটি সংক্ষিপ্ত করা হবে প্রায়শই যথেষ্ট দীর্ঘ.
পাঠ্য প্রজন্মের কার্যগুলি মূল্যায়ন করার জন্য প্রাসঙ্গিক মেট্রিকগুলি খুঁজে পাওয়া খুব কঠিন.
সতর্ক হোন এক্সট্র্যাক্টরের ওজন : আমরা নিজের মধ্যে ডেটা সম্পর্কিত বেশ কয়েকটি সমস্যার মুখোমুখি হয়েছি. মূল সমস্যাটি হ’ল নিবন্ধটির নিবন্ধটি প্রায়শই একটি প্যারাফ্রেজ বা এমনকি নিবন্ধের প্রথম বাক্যগুলির সদৃশ ছিল. আমাদের মডেলগুলি নিবন্ধের প্রথম বাক্যগুলি কেবল ফিরিয়ে দিয়ে বিমূর্তের চেয়ে আরও নিষ্ক্রিয় হতে উত্সাহিত করার পরিণতি হয়েছিল. সুতরাং এই ধরণের পক্ষপাত এড়াতে সমস্যা পোজ দেওয়ার নিবন্ধগুলি মুছে ফেলার মাধ্যমে একটি কিউরেশন কাজ করা প্রয়োজন ছিল.
ডেটা, কৃত্রিম বুদ্ধিমত্তা এবং আমার প্রকল্পগুলির উপর একটি ব্লগ.
স্বয়ংক্রিয় সংক্ষিপ্তসারটি হ’ল একটি দীর্ঘ পাঠ্য বা এমনকি পাঠ্যগুলির একটি সেট নেওয়া এবং স্বয়ংক্রিয়ভাবে একটি আরও সংক্ষিপ্ত পাঠ্য তৈরি করা যা বেশিরভাগ তথ্য ধারণ করে. সহজ ? অত বেশি না. প্রথমত, আপনাকে কোন তথ্যটি সত্যই গুরুত্বপূর্ণ তা সম্মত করতে হবে. তারপরে, আমাদের অবশ্যই এগুলি সঠিকভাবে নিষ্কাশন করতে সক্ষম হতে হবে, এগুলি একটি ব্যাকরণগত পাঠ্যে এবং মানুষের হস্তক্ষেপ ছাড়াই পুনর্গঠিত করতে সক্ষম হতে হবে. এবং এটি সম্ভাব্য সংক্ষিপ্তসারগুলির বিপুল সংখ্যক বৈকল্পিক গণনা ছাড়াই !
আমি আমার ডক্টরেটের ঠিক আগে এই উত্তেজনাপূর্ণ থিমটিতে প্রায় এক বছর কাজ করতে সক্ষম হয়েছি, এই পোস্টটি তাই আমার পক্ষে এই বিষয়ে নিজেকে নিমজ্জিত করার এবং ডোমেনের সর্বশেষ উদ্ভাবনের স্টক নেওয়ার সুযোগ.
সুতরাং আসুন আমরা এই থিমটির একটি সংক্ষিপ্তসার গ্রহণ করি, বিভিন্ন ধরণের সংক্ষিপ্তসারগুলি বর্ণনা করে তৈরি করে তৈরি করে, দুটি ধরণের সিস্টেমে কিছুটা বিস্তারিতভাবে বাস করার আগে: এআই এবং নিউরাল নেটওয়ার্কগুলি থেকে আসা এবং যা বরং বরং ফোকাস করা হয় তথ্য.
সংক্ষিপ্তসার বিভিন্ন ধরণের
যখন আমরা সংক্ষিপ্তসার সম্পর্কে কথা বলি, আমরা প্রায়শই কোনও বইয়ের পিছনের কভার বা কোনও চলচ্চিত্রের জন্য স্ক্রিপ্টের বিবরণ সম্পর্কে চিন্তা করি. সাধারণত, তারা শেষটি নষ্ট করা এড়াতে পারে, যখন এটি ক্লাসিক স্বয়ংক্রিয় সংক্ষিপ্তসারটির একটি সরঞ্জামের জন্য জিজ্ঞাসা করবে: ষড়যন্ত্রটি বলতে, যাতে সংক্ষিপ্তসারটি প্রয়োজনীয়তাগুলি জানার জন্য যথেষ্ট হতে পারে. এখানে এটি সম্পর্কে মনো-ডকুমেন্ট সংক্ষিপ্তসার, এর অর্থ হ’ল আমরা কেবল একটি একক নথি (একটি চলচ্চিত্র, একটি বই, একটি নিবন্ধ, …) সংক্ষিপ্তসার করি.
বিপরীতে, আমরা একটি চাই মাল্টি-ডকুমেন্টারি সংক্ষিপ্তসার, যে আমরা প্রেস পর্যালোচনাগুলির প্রসঙ্গে আরও ঘন ঘন দেখা করি: বিভিন্ন প্রেস সংস্থার প্রতিবেদন হিসাবে আমরা সর্বাধিক গুরুত্বপূর্ণ তথ্যের সংক্ষিপ্তসার রাখতে চাই.
একবার আমরা যে ধরণের ডেটা সংক্ষিপ্তসার করতে চাইছি, মনো বা মাল্টি-ডকুমেন্টারি সম্পর্কে সিদ্ধান্ত নিয়েছি, আমাদের দুটি পদ্ধতির মধ্যে পছন্দ রয়েছে: দ্যনিষ্কাশন, যা সংক্ষিপ্তসার তৈরি করার জন্য এটি আবার রাখার আগে তথ্য এবং পদ্ধতির সাথে কী কী তা নিষ্কাশন করে জেনারেটর, যা নতুন বাক্য তৈরিতে গঠিত, যা মূলত নথিগুলিতে প্রদর্শিত হয় না, যাতে আরও তরল এবং মুক্ত সংক্ষিপ্তসার থাকে.
এই মানদণ্ডগুলি ছাড়াও, সংক্ষিপ্তসারগুলির বিভিন্ন শৈলী রয়েছে, যা আমরা এখানে যোগাযোগ করব না: আপডেট সংক্ষিপ্তসারগুলি যা একটি নতুন নথিতে প্রদর্শিত তথ্যের সংক্ষিপ্তসার অন্তর্ভুক্ত করে এবং যা এখনও পর্যন্ত তালিকাভুক্ত করা হয়নি, সংক্ষিপ্তসারযুক্ত নির্দেশিত যা একটি সুনির্দিষ্ট কোণ গ্রহণ করে ব্যবহারকারী দ্বারা দেওয়া, ..
এআই এবং নিউরাল নেটওয়ার্কগুলি স্বয়ংক্রিয় সংক্ষিপ্তসারটিতে বিপ্লব ঘটায়
-2010 এর মাঝামাঝি পর্যন্ত বেশিরভাগ সংক্ষিপ্তসারগুলি নিষ্ক্রিয় ছিল. যাইহোক, এই অ্যালগরিদমগুলিতে ইতিমধ্যে দুর্দান্ত বৈচিত্র্য বিদ্যমান যা পুরো বাক্য নির্বাচন এবং নিষ্কাশন থেকে শুরু করে সুনির্দিষ্ট তথ্য নিষ্কাশন থেকে শুরু করে পুনরায় সাজানো গর্তগুলিতে টেমপ্লেট নামক গর্তযুক্ত পাঠ্যগুলিতে আবদ্ধ হতে পারে. নিউরাল নেটওয়ার্কগুলির উপর ভিত্তি করে নতুন পদ্ধতির আগমন পরিস্থিতি যথেষ্ট পরিবর্তন করেছে. এই অ্যালগরিদমগুলি ব্যাকরণগত এবং তরল পাঠ্য উত্পন্ন করতে পূর্ববর্তীগুলির তুলনায় অনেক বেশি কার্যকর, যেমন এই জিপিটি ডেমো দিয়ে কী করা যায়.
নিউরাল নেটওয়ার্কগুলি অবশ্য প্রশিক্ষিত হওয়ার জন্য প্রচুর পরিমাণে ডেটা প্রয়োজন এবং তুলনামূলকভাবে নিরীক্ষণ. তারা মন্তব্যগুলি উত্পন্ন করতে নিখুঁতভাবে কাজ করে যার জন্য সত্যতা খুব কম গুরুত্ব দেয় তবে দৃ strongly ়ভাবে পরস্পরবিরোধী বা কেবল ভুল তথ্য তৈরি করতে পারে যা উদাহরণস্বরূপ প্রেস নিবন্ধের সংক্ষিপ্তসারগুলির প্রসঙ্গে সমস্যাযুক্ত. অনেক গবেষণা নিবন্ধ নিউরাল নেটওয়ার্কগুলির এই “হ্যালুসিনেশন” এ আগ্রহী.
একটি হাইব্রিড সরঞ্জামের উদাহরণ: পটারা
স্বয়ংক্রিয় সংক্ষিপ্তসারটি ছিল প্রথম গবেষণার বিষয় যেখানে আমি আগ্রহী ছিলাম এবং আমার মাস্টার চলাকালীন একটি বহু-নথিভুক্ত পদ্ধতির জন্য এক্সট্রাকশন/প্রজন্মের দ্বারা সংক্ষিপ্তসার একটি হাইব্রিড সিস্টেম বিকাশের সুযোগ ছিল, যা বলা হয় ডকুমেন্টের একটি সেটকে সংক্ষিপ্ত করে বলা একই বিষয়.
ধারণাটি ছিল একটি ক্লাসিক নিষ্কাশন থেকে শুরু করা, যথা সর্বাধিক গুরুত্বপূর্ণ বাক্যগুলি সনাক্ত করতে এবং সংক্ষিপ্তসার উত্পন্ন করতে তাদের একত্রিত করার জন্য. এই পদ্ধতির সমস্যাটি হ’ল সর্বাধিক গুরুত্বপূর্ণ বাক্যগুলি প্রায়শই আরও উন্নত করা যেতে পারে. উদাহরণস্বরূপ, রাষ্ট্রপতি স্থানচ্যুত হওয়ার কথা বলার একটি নিবন্ধে, “এমানুয়েল ম্যাক্রন তার আমেরিকান সমকক্ষের সাথে সাক্ষাত করেছেন এবং অর্থনীতি নিয়ে আলোচনা করেছেন” এই বাক্যটি “এমানুয়েল ম্যাক্রন জো বিডেনের সাথে সাক্ষাত করেছেন এবং অর্থনীতি নিয়ে আলোচনা করেছেন” এ উন্নত হতে পারে “এই বাক্যটি উন্নত করা যেতে পারে”. সাংবাদিকরা সাবধানতার সাথে রিহার্সালগুলি এড়ানো, আমরা নিজেকে প্রায়শই এই ধরণের ঘটনার মুখোমুখি দেখতে পাই.
এই ত্রুটিটি কাটিয়ে উঠতে, আমরা বিভিন্ন নথিতে উপস্থিত অনুরূপ বাক্যগুলি সনাক্ত করতে পারি এবং আরও ভাল বাক্য পাওয়ার জন্য সেগুলি একীভূত করার চেষ্টা করতে পারি. আনসি, নিম্নলিখিত দুটি বাক্য থেকে:
- এমানুয়েল ম্যাক্রন ওয়াশিংটনে তাঁর আমেরিকান সমকক্ষের সাথে দেখা করেছিলেন এবং দৈর্ঘ্যে অর্থনীতির বিষয়ে কথা বলেছেন.
- ফরাসী রাষ্ট্রপতি জো বিডেনের সাথে দেখা করেছিলেন এবং অর্থনীতি নিয়ে আলোচনা করেছেন.
আমরা একটি সংক্ষিপ্ত এবং তথ্যমূলক বাক্য তৈরি করতে পারি:
- এমানুয়েল ম্যাক্রন ওয়াশিংটনে জো বিডেনের সাথে দেখা করেছিলেন এবং অর্থনীতি নিয়ে আলোচনা করেছেন.
এই ফলাফলটি অর্জনের জন্য বেশ কয়েকটি পদক্ষেপ প্রয়োজনীয়: অনুরূপ বাক্যগুলি সন্ধান করা, সেরা ফিউশন সন্ধান করা, ফিউশনটি একটি মূল বাক্যটির চেয়ে অনেক ভাল. তারা অনেক প্রযুক্তির অংশ নেয়: অনুরূপ বাক্যগুলি খুঁজে পেতে নিউরাল নেটওয়ার্কগুলির সাথে ওয়ার্ড 2, তাদের মার্জ করার জন্য সহ-সিসিরেন্স গ্রাফগুলি, সেরা সংযুক্তি নির্বাচন করতে আইএলপি অপ্টিমাইজেশন.
আপনি যদি আরও দেখতে চান তবে পোটারা ওপেন সোর্স, তবে কিছু সময়ের জন্য বজায় রাখা হয়নি. এই প্রকল্পটি যখন আমাকে মুক্তি দেওয়া হয়েছিল তখন উল্লেখযোগ্যভাবে একটি শোকেস হিসাবে কাজ করেছিল এবং তাই ডকুমেন্টেশন, পরীক্ষা, অবিচ্ছিন্ন সংহতকরণ, পিওয়াইপিআইতে স্থাপনা ছিল ..
একটি ভাল স্বয়ংক্রিয় সংক্ষিপ্তসার কি ?
যদি নির্দিষ্ট মানদণ্ডগুলি মূল্যায়ন করার জন্য সুস্পষ্ট এবং তুলনামূলকভাবে সহজ বলে মনে হয় (উদাহরণস্বরূপ বাক্যগুলির ব্যাকরণগততা), অন্যরা আরও জটিল. কোনও পাঠ্যের সবচেয়ে গুরুত্বপূর্ণ তথ্য কী তা সিদ্ধান্ত নেওয়া ইতিমধ্যে নিজের মধ্যে একটি খুব বিষয়গত কাজ. তরলতার মূল্যায়ন করুন, ব্যবহৃত শব্দগুলির সঠিক পছন্দ, প্রকাশনা কাজের ক্ষেত্রে ফিরে আসে এবং আসুন একটি সংক্ষিপ্তসার নিতে পারে এমন রাজনৈতিক দৃষ্টিভঙ্গি সম্পর্কে কথা বলা যাক না !
নিউরাল নেটওয়ার্কগুলির উপর ভিত্তি করে নতুন জেনারেটর মডেলগুলি সম্ভবত পিজোরেটিভ রায় বা বাছাইপর্বের (বা ব্যবহারকারী -বন্ধুত্বপূর্ণ) প্রবর্তন করতে পারে, যখন কোনও ফিল্ম সমালোচক উত্পন্ন করার ক্ষেত্রে এটি একটি প্রভাব চেয়েছিল, তবে রাষ্ট্রপতি প্রার্থীর প্রোগ্রাম সম্পর্কে কথা বলার সময় খুব কম কম !
স্বয়ংক্রিয় সংক্ষিপ্তসার তাই গবেষণার ক্ষেত্রে একটি খুব সক্রিয় বিষয় হিসাবে রয়ে গেছে এবং এটি এক মুহুর্তের জন্য হতে পারে, বিশেষত অ্যালগরিদমের ফলাফলকে গাইড করার ক্ষমতা সম্পর্কিত, অবশ্যই একটি নির্দিষ্ট অনুভূতি, একটি নির্দিষ্ট শৈলী, একটি রাজনৈতিক রঙিন প্রদত্ত দিকে দেওয়া. শিল্পে, তিনি সবেমাত্র খুব নির্দিষ্ট এক্সিকিউটিভ প্রবেশ করতে শুরু করেন (উদাহরণস্বরূপ সভার সংক্ষিপ্তসার).
![]()
রাষ্ট্রপতি 2022: আপনার ডেটাতে !
2022 রাষ্ট্রপতি নির্বাচনের জন্য ডেটা প্রকল্পের 3 টি উদাহরণ.



