AWS SageMaker पर हमारी दो-भाग श्रृंखला के भाग 2 में आपका स्वागत है। अगर आपने नहीं पढ़ा है भाग 1, हॉप ओवर एंड दैट फर्स्ट। अन्यथा, आइए गोता लगाएँ और कुछ महत्वपूर्ण नई SageMaker सुविधाएँ देखें:

• स्पष्ट करना, जो "एमएल मॉडल में पूर्वाग्रह का पता लगाने" और मॉडल व्याख्या में सहायता करने का दावा करता है
• SageMaker पाइपलाइन, जो एमएल पाइपलाइनों के प्रवाह को स्वचालित और व्यवस्थित करने में मदद करते हैं
• सुविधा स्टोर, एमएल वर्कफ़्लोज़ के लिए उद्देश्य-निर्मित सुविधाओं को संग्रहीत करने, पुनर्प्राप्त करने, संपादित करने और साझा करने के लिए एक उपकरण।

स्पष्ट: एअर इंडिया का डिबेटिंग एक मानवीय तत्व की जरूरत है

AWS re पर: दिसंबर में इन्वेंट इवेंट, स्वामी शिवसुब्रमण्यन ने "एंड-टू-एंड मशीन लर्निंग वर्कफ़्लो में पूर्वाग्रह का पता लगाने" के उपकरण के रूप में स्पष्ट किया तालियाँ और सीटी बजाना। उन्होंने AWS एमएल में एप्लाइड साइंस मैनेजर नैशली सेफ़स को पेश किया, जो पूर्वाग्रह और निष्पक्षता में काम करता है। चूंकि सेफस स्पष्ट करता है, पूर्वाग्रह एमएल वर्कफ़्लो में किसी भी स्तर पर दिखा सकता है: डेटा संग्रह, डेटा लेबलिंग और चयन में और जब तैनात किया जाता है (उदाहरण के लिए मॉडल बहाव)।

क्लेरिफाइ के लिए गुंजाइश विशाल है; यह दावा करने में सक्षम है:

• खोजपूर्ण डेटा विश्लेषण के दौरान पूर्वाग्रह विश्लेषण करें
• प्रशिक्षण के बाद पूर्वाग्रह और व्याख्यात्मक विश्लेषण करें
• उत्पादन में मॉडल के लिए अलग-अलग निष्कर्षों की व्याख्या करें (एक बार मॉडल को तैनात किया जाता है)
• एकीकृत मॉडल मॉनिटर अपने मॉडल (रों) में पूर्वाग्रह के संबंध में वास्तविक समय अलर्ट प्रदान करने के लिए।

स्पष्ट रूप से उपयोगकर्ता के अनुकूल इंटरफेस में और सुविधाजनक API के साथ उपरोक्त में से प्रत्येक के लिए क्लेरिफ उपयोगी निदान का एक सेट प्रदान करता है, लेकिन ऊपर दिए गए दावे पूरी तरह से समाप्त हो गए हैं। चुनौती यह है कि एल्गोरिदमिक पूर्वाग्रह शायद ही कभी होता है, अगर कभी भी, क्लास असंतुलन और सकारात्मक भविष्य कहनेवाला मूल्य जैसे मेट्रिक्स को रिड्यूस करता है। ऐसा उत्पाद होना मूल्यवान है जो ऐसे मैट्रिक्स में अंतर्दृष्टि प्रदान करता है, लेकिन सच्चाई यह है कि वे टेबल दांव के नीचे हैं। सबसे अच्छा, SageMaker का दावा है कि क्लेराइज़ पूरे एमएल वर्क में पूर्वाग्रह का पता लगाता है जो मार्केटिंग और वास्तविक निर्माण के बीच की खाई का प्रतिबिंब है।

स्पष्ट होने के लिए, एल्गोरिदमिक पूर्वाग्रह हमारी उम्र की महान चुनौतियों में से एक है: कम से कम कम्प्यूटेशनल पूर्वाग्रह की कहानियां अब इतनी सामान्य हैं कि जब अमेज़ॅन खुद ही आश्चर्यचकित नहीं है, तो "एक गुप्त भर्ती उपकरण को स्क्रैप करता है जिसने महिलाओं के खिलाफ पूर्वाग्रह दिखाया।“पहले-तरीके से अनुभव करने के लिए जिसमें एल्गोरिदमिक पूर्वाग्रह एमएल पाइपलाइनों में प्रवेश कर सकता है, अनुदेशात्मक गेम की जांच कर सकता है सर्वश्रेष्ठ फिट का अस्तित्व.

मेट्रिक्स के एक सेट के लिए एल्गोरिथम पूर्वाग्रह और निष्पक्षता को कम करना न केवल रिडक्टिव है बल्कि खतरनाक है। यह आवश्यक डोमेन विशेषज्ञता और प्रमुख हितधारकों (चाहे डोमेन विशेषज्ञ या पारंपरिक रूप से हाशिए के समुदायों के सदस्य) को मॉडल की तैनाती में शामिल नहीं करता है। यह पूर्वाग्रह और निष्पक्षता में महत्वपूर्ण बातचीत में संलग्न नहीं है कि वास्तव में क्या हैं; और, अधिकांश भाग के लिए, वे आसानी से सारांश आँकड़ों को फिर से प्रस्तुत नहीं कर सकते हैं।

इन मुद्दों के आसपास साहित्य का एक विशाल और बढ़ता हुआ शरीर है, जिसमें शामिल हैं 21 निष्पक्षता परिभाषाएँ और उनकी राजनीति (नारायणन), एल्गोरिथ्म फेयरनेस: चॉइस, असेंबलियाँ, और परिभाषाएँ (मिशेल एट अल।), और जोखिम स्कोर के उचित निर्धारण में निहित व्यापार-बंद (क्लिंगबर्ग एट अल।), जिनमें से अंतिम से पता चलता है कि एल्गोरिथम निष्पक्षता की तीन अलग-अलग परिभाषाएं हैं जो मूल रूप से कभी भी एक साथ संतुष्ट नहीं हो सकती हैं।

का मदरसा भी है टिमनीत गबरू, जॉय बूलमविनी, और कई अन्य (जैसे कि जेंडर शेड्स), जो इस तथ्य को आवाज देता है कि एल्गोरिदम पूर्वाग्रह केवल प्रशिक्षण डेटा और मैट्रिक्स का सवाल नहीं है। डॉ। गबरू के शब्दों में: “निष्पक्षता केवल डेटा सेट के बारे में नहीं है, और यह केवल गणित के बारे में नहीं है। निष्पक्षता समाज के बारे में है, और इंजीनियरों के रूप में, वैज्ञानिकों के रूप में, हम वास्तव में उस तथ्य से नहीं शर्मा सकते हैं। "

निष्पक्ष होना, स्पष्ट करना दस्तावेज़ीकरण यह स्पष्ट करता है कि सर्वसम्मति से निर्माण और हितधारकों के बीच सहयोग - जिसमें अंतिम उपयोगकर्ता और समुदाय शामिल हैं - निष्पक्ष मॉडल के निर्माण का हिस्सा है। यह भी कहा गया है कि ग्राहकों को "एमएल जीवन चक्र के प्रत्येक चरण के दौरान निष्पक्षता और स्पष्टीकरण पर विचार करना चाहिए: समस्या गठन, डेटासेट निर्माण, एल्गोरिथ्म चयन, मॉडल प्रशिक्षण प्रक्रिया, परीक्षण प्रक्रिया, तैनाती, और निगरानी / प्रतिक्रिया। इस विश्लेषण को करने के लिए सही उपकरण होना महत्वपूर्ण है। ”

दुर्भाग्य से, "क्लेरिफाइज़ जैसे कि मशीन लर्निंग वर्कफ़्लो में पूर्वाग्रह का पता लगाता है" समाधान ध्वनि को पुश-बटन बनाता है: जैसे कि आप क्लेरिफ़ के लिए केवल एडब्ल्यूएस का भुगतान करते हैं और आपके मॉडल निष्पक्ष होंगे। जबकि अमेज़ॅन के सेफ़स स्पष्ट रूप से समझते हैं और कलाकृतियां करते हैं कि उनकी प्रस्तुति में डेबिसिंग की बहुत अधिक आवश्यकता होगी, अधिकांश व्यावसायिक अधिकारियों पर इस तरह की बारीकियों को खो दिया जाएगा।

मुख्य उपाय यह है कि क्लेरिफ एक सुविधाजनक इंटरफ़ेस में कुछ उपयोगी निदान प्रदान करता है, लेकिन खरीदार सावधान रहें! यह एल्गोरिथम पूर्वाग्रह का कोई समाधान नहीं है।

पाइपलाइन: सही समस्या लेकिन एक जटिल दृष्टिकोण

SageMaker पाइपलाइन (वीडियो ट्यूटोरियल, प्रेस विज्ञप्ति) का है। यह उपकरण मशीन सीखने के लिए "पहली CI / CD सेवा" होने का दावा करता है। यह स्वचालित रूप से एमएल वर्कफ़्लो चलाने का वादा करता है और प्रशिक्षण को व्यवस्थित करने में मदद करता है। मशीन लर्निंग पाइपलाइनों को अक्सर कई चरणों की आवश्यकता होती है (जैसे डेटा निष्कर्षण, ट्रांसफ़ॉर्म, लोड, क्लीनिंग, डेडअपिंग, प्रशिक्षण, सत्यापन, मॉडल अपलोड, आदि), और पाइपलाइन इनको एक साथ गोंद करने का प्रयास करते हैं और डेटा वैज्ञानिकों को AWS पर इन वर्कलोड को चलाने में मदद करते हैं।

तो यह कितना अच्छा है? सबसे पहले, यह कोड-आधारित है और बहुत सुधार करता है AWS कोडपिपलीन, जो थे बिंदु और क्लिक आधारित। यह स्पष्ट रूप से सही दिशा में एक कदम है। कॉन्फ़िगरेशन परंपरागत रूप से कभी-बदलते वेब कंसोल पर दर्जनों कंसोल कॉन्फ़िगरेशन का विषय था, जो धीमा, निराशाजनक और अत्यधिक गैर-प्रजनन योग्य था। पॉइंट-एंड-क्लिक, प्रतिलिपि प्रस्तुत करने योग्यता का विरोधी है। कोड में आपकी पाइपलाइनें होने से आपकी पाइपलाइनों को साझा करना और संपादित करना आसान हो जाता है। SageMaker पाइपलाइन कम्प्यूटेशनल संसाधनों को कोड के रूप में कॉन्फ़िगर करने की एक मजबूत परंपरा का पालन कर रहा है (सबसे प्रसिद्ध उदाहरण हैं Kubernetes or महाराज).

स्थिर एपीआई के माध्यम से स्रोत-नियंत्रित कोड में कॉन्फ़िगरेशन निर्दिष्ट करना वह जगह है जहां उद्योग बढ़ रहा है।

दूसरा, साइजमेकर पाइपलाइन पायथन में लिखे गए हैं और एक गतिशील प्रोग्रामिंग भाषा की पूरी शक्ति है। अधिकांश मौजूदा सामान्य-उद्देश्य सीआई / सीडी समाधान जैसे गितुब क्रिया, सर्कल सीआईया, एज़्योर पाइपलाइन स्थिर YAML फ़ाइलों का उपयोग करें। इसका मतलब है कि पाइपलाइन अधिक शक्तिशाली है। और अजगर (एक अन्य प्रोग्रामिंग भाषा के बजाय) की पसंद स्मार्ट थी। यह डेटा विज्ञान के लिए प्रमुख प्रोग्रामिंग भाषा है और शायद सबसे अधिक कर्षण (आर, दूसरी सबसे लोकप्रिय भाषा है, शायद सिस्टम के काम के लिए अच्छी तरह से अनुकूल नहीं है और अधिकांश गैर-डेटा डेवलपर्स के लिए अपरिचित है)।

हालांकि, उपकरण को अपनाने की प्रक्रिया सुचारू नहीं होगी। आधिकारिक ट्यूटोरियल कंसोल कॉन्फ़िगरेशन को टॉगल करके IAM अनुमतियां सही तरीके से सेट करने की आवश्यकता होती है और उपयोगकर्ताओं को पढ़ने की आवश्यकता होती है दो अन्य ट्यूटोरियल इसे पूरा करने के लिए IAM अनुमति पर। शब्दावली वास्तविक कंसोल ("इनलाइन पॉलिसी जोड़ें" बनाम "संलग्न नीति" या "विश्वास नीति" बनाम "विश्वास संबंध") के साथ असंगत प्रतीत होती है। ऐसे छोटे रूपांतर उन लोगों के लिए बहुत दूर हो सकते हैं, जो क्लाउड सर्वर प्रशासन के विशेषज्ञ नहीं हैं - उदाहरण के लिए, सेजमनी पाइपलाइनों के लिए लक्षित दर्शक। बड़ी संख्या में सेवाएँ AWS की पेशकशों को देखते हुए आउटडेटेड और असंगत प्रलेखन AWS की एक कठिन समस्या है।

उपकरण में एक बहुत ही कठिन सीखने की अवस्था है। आधिकारिक ट्यूटोरियल में उपयोगकर्ता एक डाटासेट डाउनलोड करते हैं, इसे प्रशिक्षण और सत्यापन सेट में विभाजित करते हैं, और परिणाम को अपलोड करते हैं AWS मॉडल रजिस्ट्री। दुर्भाग्य से, यह 10 चरणों और देव-ऑप्स कोड की 300 लाइनें लेता है (हां, हमने गिना)। यह एमएल प्रशिक्षण और डेटा प्रस्तुत करने के लिए वास्तविक कोड शामिल नहीं है। खड़ी सीखने की अवस्था को अपनाने के लिए एक चुनौती हो सकती है, विशेष रूप से तुलनात्मक रूप से सरल (सामान्य उद्देश्य) सीआई / सीडी समाधान जैसे कि गितुब क्रिया।

यह कड़ाई से उचित तुलना नहीं है और (जैसा कि पहले उल्लेख किया गया है) सेजमेकर पाइपलाइन अधिक शक्तिशाली है: यह एक पूर्ण प्रोग्रामिंग भाषा का उपयोग करता है और बहुत कुछ कर सकता है। हालांकि, व्यवहार में, CI / CD का उपयोग अक्सर केवल यह परिभाषित करने के लिए किया जाता है कि पाइप लाइन कब चलती है (उदाहरण के लिए, कोड धक्का पर या नियमित अंतराल पर)। यह तब एक कार्य धावक को बुलाता है (जैसे, घूंट or पाइनवोक दोनों सीखना बहुत आसान है; pyinvoke का ट्यूटोरियल 19 लाइनें है), जो एक प्रोग्रामिंग भाषा की पूरी शक्ति लाता है। हम व्यापक रूप से इस्तेमाल किए जाने वाले boto3 की तरह, अपनी संबंधित भाषा SDK के माध्यम से AWS सेवा से जुड़ सकते हैं। वास्तव में, हममें से एक ने (गालियां दीं) गितुब एक्ट्स सीआई / सीडी साप्ताहिक एकत्र करने के लिए 2020 के चुनाव में दर्जनों राज्यों में वोट-बाय-मेल साइनअप डेटा और नवीनतम विकिपीडिया डंप से मासिक सरल भाषा मॉडल बनाएं। तो सवाल यह है कि क्या SageMaker Pipelines जैसा कोई ऑल-इन-वन टूल सीखने लायक है अगर इसे आमतौर पर इस्तेमाल किए जाने वाले टूल को एक साथ सिलाई करके दोहराया जा सकता है। यह SageMaker पाइपलाइन द्वारा एकीकृत समाधान की प्राकृतिक ताकत पर कमजोर हो रहा है (अन्य उपकरणों के बीच सुरक्षा अनुमतियों से लड़ने के लिए नहीं)।

AWS सही समस्या पर काम कर रहा है। लेकिन सीखने की अवस्था को देखते हुए, यह स्पष्ट नहीं है कि SageMaker पाइपलाइन लोगों को यह समझाने के लिए पर्याप्त होगी कि उनके द्वारा उपयोग किए जाने वाले सरल मौजूदा टूल से स्विच करने के लिए। यह ट्रेडऑफ एक व्यापक बहस की ओर इशारा करता है: क्या कंपनियों को एक ऑल-इन-वन स्टैक को गले लगाना चाहिए या सर्वश्रेष्ठ-नस्ल के उत्पादों का उपयोग करना चाहिए? जल्द ही उस सवाल पर और अधिक।

फ़ीचर स्टोर: एंटरप्राइज़ के लिए एक बहुत-ज़रूरी फ़ीचर

जैसा कि शिवसुब्रमण्यन ने अपने पुन: आविष्कार कीनोट में उल्लेख किया है, "विशेषताएं इसकी नींव हैं उच्च गुणवत्ता वाले मॉडल।“SageMaker फ़ीचर स्टोर प्रशिक्षण और कम विलंबता के साथ इंजेक्शन के लिए मशीन सीखने की सुविधाओं को बनाने, साझा करने और पुनर्प्राप्त करने के लिए एक भंडार प्रदान करता है।

यह रोमांचक है क्योंकि यह एमएल वर्कफ़्लो के कई प्रमुख पहलुओं में से एक है, जो कई प्रकार के उद्यमों और वर्टिकल में बहुत समय से खामोश है, जैसे कि उबेर के एमएल प्लेटफ़ॉर्म में माइकल एंजेलो (इसके फीचर स्टोर को कहा जाता है माइकल एंजेलो पैलेट) है। डेटा विज्ञान के लोकतंत्रीकरण का एक बड़ा हिस्सा और डेटा टूलिंग के लिए आवश्यक होगा कि ऐसे उपकरण को मानकीकृत किया जाए और डेटा पेशेवरों के लिए अधिक सुलभ बनाया जाए। यह आंदोलन जारी है: कुछ सम्मोहक उदाहरणों के लिए, Airbnb की ओपन-सोर्सिंग देखें Airflow, जैसे एमएल ट्रैकिंग प्लेटफ़ॉर्म के उद्भव के साथ डेटा वर्कफ़्लो प्रबंधन उपकरण वज़न और बायसेज़, नेपच्यून ए.आई., तथा धूमकेतु एम.एल.। डेटाब्रीक्स के MLFlow जैसे बड़े प्लेटफ़ॉर्म, ML जीवनचक्र के सभी पहलुओं को पकड़ने की कोशिश कर रहे हैं।

अधिकांश बड़ी तकनीकी कंपनियों के पास अपने आंतरिक सुविधा भंडार हैं; और संगठन जो फीचर स्टोर नहीं रखते हैं, बहुत सारे डुप्लिकेट काम के साथ समाप्त होते हैं। हरीश दोड्डी के रूप में, डेटट्रॉन के सह-संस्थापक और सीईओ ने कई साल पहले कहा था ओ रेली डेटा शो पॉडकास्ट: “जब मैं इन दिनों कंपनियों से बात करता हूं, तो हर कोई जानता है कि उनके डेटा वैज्ञानिक काम की नकल कर रहे हैं क्योंकि उनके पास एक केंद्रीकृत सुविधा स्टोर नहीं है। हर कोई जो मैं बात करता है वह वास्तव में एक फीचर स्टोर खरीदना चाहता है या खरीदना चाहता है, जो उनके लिए सबसे आसान है। ”

समस्या स्थान की भावना प्राप्त करने के लिए, समाधान के बढ़ते सेट से आगे नहीं देखें, जिनमें से कई एक प्रतिस्पर्धी परिदृश्य तालिका में संक्षिप्त हैं। फ़ीचरस्टोर.ऑर्ग:

SageMaker फीचर स्टोर आशाजनक है। आपके पास अपेक्षाकृत Pythonic API का उपयोग करके फीचर समूह बनाने की क्षमता है और अपने पसंदीदा PyData पैकेजों (जैसे पंडों और NumPy) तक पहुंच, सभी एक Jupyter नोटबुक के आराम से। फ़ीचर क्रिएशन के बाद, फ़ीचर ग्रुप में रिजल्ट्स को स्टोर करना सीधा है, और यहां तक ​​कि एक max_workers कीवर्ड तर्क भी है जो आपको आसानी से इनग्रेस्टेशन प्रक्रिया को समानांतर करने की अनुमति देता है। आप अपनी सुविधाओं को ऑफलाइन और ऑनलाइन स्टोर दोनों में स्टोर कर सकते हैं। उत्तरार्द्ध एक विशेषता के लिए नवीनतम मानों के लिए निम्न-विलंबता पहुंच सक्षम करता है।

फीचर स्टोर बुनियादी उपयोग के मामलों के लिए अच्छा है। हम यह निर्धारित नहीं कर सके कि यह औद्योगिक अनुप्रयोगों के साथ उत्पादन उपयोग के लिए तैयार है या नहीं, लेकिन इन क्षमताओं की आवश्यकता वाले किसी व्यक्ति को इसकी जांच करनी चाहिए कि क्या आप पहले से सेमेकर का उपयोग करते हैं या इसे अपने वर्कफ़्लो में शामिल करने पर विचार कर रहे हैं।

अंतिम विचार

अंत में, हम इस सवाल पर आते हैं कि SageMaker जैसे सभी-इन-वन प्लेटफॉर्म आधुनिक डेटा वैज्ञानिकों की सभी आवश्यकताओं को पूरा कर सकते हैं या नहीं, जिन्हें नवीनतम, अत्याधुनिक उपकरणों की आवश्यकता है।

ऑल-इन-वन प्लेटफॉर्म और बेस्ट-ऑफ-ब्रीड टूलिंग के बीच एक व्यापार बंद है। ऑल-इन-वन प्लेटफॉर्म आकर्षक हैं क्योंकि वे प्रदर्शन को गति देने के लिए समाधान का सह-पता लगा सकते हैं। वे मूल रूप से अन्यथा एकीकृत उपकरणों को भी एकीकृत कर सकते हैं (हालांकि, जैसा कि हमने ऊपर देखा है, वे हमेशा उस वादे को पूरा नहीं करते हैं)। एक ऐसी दुनिया की कल्पना करें जहां उपयोगकर्ता के हस्तक्षेप के बिना सिस्टम द्वारा अनुमति, सुरक्षा और संगतता सभी को मूल रूप से नियंत्रित किया जाता है। श्रेष्ठ नस्ल के टूलींग बेहतर तरीके से वर्कफ़्लो के व्यक्तिगत चरणों को हल कर सकते हैं, लेकिन साथ में सिलाई करने के लिए कुछ काम की आवश्यकता होगी। हम में से एक ने पहले तर्क दिया है कि डेटा वैज्ञानिकों के लिए सर्वश्रेष्ठ नस्ल के उपकरण बेहतर हैं। निर्णय अभी होना है। डेटा विज्ञान क्षेत्र समर्थन उपकरणों के साथ विस्फोट कर रहा है, और यह पता लगा रहा है कि सबसे प्रभावी डेटा वातावरण के लिए कौन सी सेवा (या संयोजन) बनाता है जो तकनीकी समुदाय को लंबे समय तक कब्जा कर रखेगा।

तियानहुई माइकल ली में अध्यक्ष हैं व्यावहारिक संस्थान और के संस्थापक और अध्यक्ष डेटा इनक्यूबेटर, एक डेटा विज्ञान प्रशिक्षण और प्लेसमेंट फर्म। पहले, उन्होंने फोरस्क्वेयर में विमुद्रीकरण डेटा विज्ञान का नेतृत्व किया और Google, आंद्रेसेन होरोविट्ज़, जेपी मॉर्गन और डीई शॉ में काम किया।

ह्यूगो बोवे-एंडरसन डेटा विज्ञान के प्रमुख इंजीलवाद और विपणन के उपाध्यक्ष हैं कुंडलित। पहले, वे एक डेटा वैज्ञानिक थे DataCamp, और येल विश्वविद्यालय और कोल्ड स्प्रिंग हार्बर लेबोरेटरी में डेटा साइंस विषय पढ़ाया जाता है, जैसे कि SciPy, PyCon, और ODSC, और डेटा कार्पेंट्री जैसे संगठनों के साथ सम्मेलन। [पूर्ण प्रकटीकरण: इसकी सेवाओं के हिस्से के रूप में, Coiled प्रावधान और डेटा वैज्ञानिकों के लिए पायथन कोड को स्केल करने के लिए क्लाउड संसाधनों का प्रबंधन करता है, और इसलिए कुछ ऐसा पेश करता है जो SageMaker भी अपनी सेवाओं के हिस्से के रूप में करता है। लेकिन यह भी सच है कि ऑल-वन-प्लेटफॉर्म जैसे कि सेजमेकर और कॉइल्ड जैसे उत्पादों को पूरक के रूप में देखा जा सकता है: कॉइल्ड में कई ग्राहक हैं जो कॉइल्ड के साथ सेजमेकर स्टूडियो का उपयोग करते हैं।] 

यदि आप एक अनुभवी डेटा या एआई प्रैक्टिशनर हैं, तो अपनी विशेषज्ञता को समुदाय के साथ साझा करने पर विचार करें अतिथि पद वेंचरबीट के लिए।