Thursday, March 17, 2016

Ажил бол машинуудад зориулагдсан(Орчуулга)

1942 оны 12р сарын 2, Энрико Фермигээр удирдуулсан эрдэмтдийн баг өдрийн цайнаасаа эргэж ирсний дараа хамгийн анхны бие даасан цөмийн урвалыг Чикагогийн их сургуулийн хөлбөмбөгийн талбайн доор тоосго мод чулуугаар хучигдсан газар ажиллуулж эхэлсэн юм. Шил дарстайгаар баяраа тэмдэглэсэн эдгээр хүмүүс ирээдүйн хүн төрөлхтөнд ямар боломжийг нээж өгснөө хэнээр ч хэлүүлэлтгүйгээр мэдэж байлаа. Түүхэнд энэ үйл явдлыг Чикагогийн нурам(Chicago Pile-1) гэдэг нэрээр тэмдэглэгдсэн юм.

Түүнтэй адилтгаж үзэхүйц үйл явдал бидний дэлхийг чимээгүйхнээр үүрд мөнх өөрчлөхөөр ажиллаж эхэлжээ. Үл танигдах хэл дээр аяархан шивнэсэн үг шиг энэхүү үйл явдал нь бидэнд өөрийнхөө мөн чанарыг хараахан харуулж амжаагүй ч байж болно. Гэсэн ч бидний глобалчлагдсан зах зээл, түүнд бидний оршин байх утга учрыг дахин тодорхойлохоор иржээ.

Энэхүү зүйл нь суралцагч машинуудын шинэхэн салбар ухаан болох нейрон сүлжээ. Го даамын Европын гурван удаагийн аварга Фан Хуй нэг биш тав дараалан хиймэл оюунд ялагдсан явдал нь миний ярих гээд байгаа бяцхан шивнээ юм. Энэ тэмцээний тухай уншсан хүмүүст гайхалтай үйл явдал мэт санагдах боловч дэлхийн хамгийн шилдэг Го даамын тоглогч есөн дантай Лий Сэдол компьютерийн эсрэг хийсэн тоглолтын хажууд юу ч биш юм. Хятадын Го даамын мастерууд “Машины эсрэг Хүн” дуэлд Сэдол нэг ч ялагдалгүйгээр дуусгана, үгүйдээ л ганц ялагдах байх гэцгээж байв.

Тэмцээний төгсгөлд нийт таван тоглолт болсноос Сэдол нэг ялж машин дөрөв ялсан байдалтайгаар дуусав. Зөвхөн бурхны хүрч чадах 9 дан цолонд хүрсэн Сэдол АлфаГо хэмээх машинд ялагдснаар манай дэлхий дээр машинтай өрсөлдөх Го тоглогч байхгүй болсон гэж хэлж болно. Ингээд Жеопард дээр Ватсон, шатар дээр Deep Blue-тэй өрсөлдөх хүн байхгүй болсон шиг Го дааманд АлфаГо-тэй өрсөлдөх хүн байхгүй болов.

“АлфаГо-гийн ялалт нь бидний тооцоолох чадвар шугаман өсөлтөөс үсрэнгүй өсөлтөнд хүрснийг харууллаа”

Тэгвэл Го даам гэж юу вэ? Энгийнээр тодорхойлбол томсгосон шатар юм. Таньд хэтэрхий дэгсдүүлсэн шиг санагдаж байгаа байх. Тэгвэл үргэлжлүүлээд уншаарай. Тиймээ, угаасаа хиймэл оюун бидний тоглодог шатар даамыг эзэгнэсээр өнөөдрийг хүрсэн. Го даамд гаргасан амжилт нь тодорхой шалтгаануудын улмаас зүгээр өнгөрөөж болохгүй дэвшил юм.

АлфаГо-гийн ялалт нь бидний тооцоолох чадвар шугаман өсөлтөөс үсрэнгүй өсөлтөнд хүрснийг харууллаа. Технологийн хөгжлийн үе шатуудыг нэрлэж ч амжаагүй байтал эдгээр үе шатуудыг даваад гарсан нь олонтаа. Энэхүү үсрэнгүй хөгжил нь өнөөдөр бидний ажил хийж орлого олдог загварын эсрэг ямар ч бэлтгэлгүй байхад цөмрөн орж иржээ.

Хэрвээ би хэтэрхий хэтрүүлэгтэй ярьж байгаа юм шиг санагдаж байгаа бол өнгөрсөн 30 жилийг сөхөж үзье.






Тайлбар: Routine - Байнгын ажлын байр, Nonroutine - Байнгын бус, Cognitive - Оюуны хөдөлмөр, Manual - Биеийн хүчний хөдөлмөр

Энэхүү графикийг ажигласныхаа дараа бидний ярих гэж байгаа сэдэв ирээдүйн ажлын байрны автоматжуулалтын тухай юм гэж андуурав. Яг үнэндээ Автоматжуулалт аль 1990 оноос эхлэн биднийг ажилгүй болгож эхэлсэн юм.

Байнгын ажлын байр

Бүх төрлийн ажлын байрыг үндсэн дөрвөн шинжээр нь ангилдаг: Байнгын болон байнгын бус, оюуны болон биеийн гэж. Байнгын ажлын байр гэж нь өглөө бүр ажилдаа ирээд орой бүр тардаг ажил, байнгын бус нь тодорхой ажлын цаггүй байдаг. Ажлын байрны цагнаас гадна оюуны хөдөлмөр болон биеийн хөдөлмөр гэж мөн хоёр хувааснаар нийт дөрвөн төрлийн ажлын байр бий болдог. Графикаас дүгнэвэл 1990 оноос эхлэн байнгын ажлын байранд өөрчлөлт гараагүй гэж дүгнэж болно. Гол шалтгаан нь байнгын ажлын байр автоматжуулалтанд өртөх магадлал өндөртэйд тооцогддогоос болж байгаа юм. Нэгэнт бичигдсэн байнгын ажлын байрны дүрэм өөрчлөгдөөд байдаггүй тул тэнд ажилладаг хүмүүсийг машинаар солих боломжтой.

Нэгэн сонирхолгүй байж магадгүй баримтыг дурдвал энэхүү байнгын ажлын байрны загвар нь нэгэн цагт америкийн дундаж давхаргыг бүрдүүлэх суурь нь байсан юм. Биеийн хүчний байнгын ажлын байрыг Хенри Форд өөрчилж, харин оффисын орон зайг байнгын оюуны хөдөлмөр эрхлэгч нар дүүргэж байсан цаг саяхан. Тэгтэл хорвоо ертөнц өөрчлөгдөн өнөөдөр бага боддог ажилд бага мөнгө төлнө, их боддог ажилд их мөнгө төлнө гэх болов.

Хэрвээ бид зах зээлээ дөрвөн хөдөлгүүртэй онгоцоор төсөөлж хөдөлгүүр бүрийг ажлын байрны нэг төрөл гэж сэтгэе. Тэр тохиолдолд хоёр нь ажиллахгүй байсан ч нөгөө хоёрын хөдөлгүүрийн хүчээр ниссээр л байх болно. Гэтэл хоёр ажиллагаатай хөдөлгүүр маань хэрвээ ажиллахаа больчихвол яах вэ? Яг энэ салбар луу робот, хиймэл оюуны салбар хүч түрэн орж ирж байна. Учир нь бид түүхэндээ анх удаагаа машиныг амжилттай сургаж чадсан юм.

Нейрон Сүлжээ

Хэдийгээр би өөрийгөө сэтгүүлч гэж боддог ч миний мэргэшсэн чиглэл бол сэтгэлзүй, физик юм. Энэ хоёр шинжлэх ухааны салбарыг би үргэлж гайхан биширч тархины физик үйл ажиллагааг судалж явсаар миний төгсөлтийн ажил нейрологийн тухай болон хувирсан. Хэрвээ та тархины ажиллагааны талаар сонирхон үзвэл бидний сэтгэхүй нь эцсийн дүндээ эсүүдийг холбосон маш сүлжээ болохыг олж мэднэ. Миний тархины талаарх бодлыг орвонгоор нь эргүүлж орхисон сэдэв юм.

Тархины үйл ажиллагааны талаар богинохон дурдвал тархи нь хоорондоо маш их холбоосоор холбогдсон эсүүд бөгөөд зарим холбоос нь богино, зарим нь урт. Зарим эс нь зөвхөн ганц эстэй холбогдсон байхад бусад нь маш олон эстэй холбогдоно. Дэлгэрүүлбэл нэг эсийн үүсгэсэн электрон сигнал нь янз бүрийн давтамжаар бусад эсэд хүрч, тэдгээр эсүүд нь үргэлжлүүлэн электрон сигнал дамжуулах маягаар явдаг. Илүү ойлгомжтойгоор зүйрлэбэл сигнал дамжуулах явц нь нурж байгаа даалуу шиг, гэхдээ илүү хурдан өргөн цар хүрээтэй төвөгтэй байдлаар нурдаг. Үүний үр дүнд бид сэтгэдэг. Өнөөдөр бид энэхүү аргачлалыг ашиглан машинуудыг амжилттайгаар сургаж байна.

Виртуал орчинд буюу компьютерт зохиомлоор бий болгосон хиймэл тархийг бид “Нейрон Сүлжээ” гэж нэрлэж байна. Ийм загварчилгааны ачаар бидний хүрэхэд хол байна даа гэдэг байсан суралцах чадвартай програмд хүрэх зам асфальт тавьсан өргөн чөлөө шиг болжээ. Ингэхэд яаж яваад бид энд хүрчихэв? Мурын хуулиар хүчээ нэмсээр байгаа компьютерууд эсвэл тархи судлалд гарч байгаа ололт амжилтуудын аль нь ч зонхилох үүрэг гүйцэтгээгүй юм. Харин бидний бүтээж компьютерт оруулсаар байгаа их хэмжээний өгөгдлийн ачаар юм.

Big Data

Биг Дата гэдэг нь энгийн нэгэн үг биш ажээ. Биг Дата бол мэдээлэл. Өдөр цаг тутам бидний компьютерт шивж эсвэл зурж янз бүрийн аргаар оруулсаар байгаа мэдээлэл юм. SINTEF байгууллагын судалгаагаар манай гариг дээрх мэдээллийн 90% нь зөвхөн сүүлийн хоёр жилд бий болсон гэжээ. Бидний илгээж хадгалж байгаа мэдээлэл ердөө 18 сарын хугацаанд өмнөхөөсөө хоёр дахин өсөж байна. 2015 онд, минут бүр 4.2 сая лайк дарагдаж, 300 цагийн бичлэг юүтүбд илгээгдэж, 350000 удаа жиргэжээ. Бидний өдөр тутмын амьдрал өмнө нь хэзээ ч тохиолдож байгаагүйгээр маш их хэмжээний өгөгдөл бий болгож байна. Энэхүү маш их хэмжээний өгөгдөл нь хиймэл оюунд орох ёстой байсан орцны хамгийн чухал хэсэг нь байжээ.

Зурган дээрээс сандал таних чадвартай програм хийж байна гэж бодъё. Тэр тохиолдолд бид зурган дээрээс булан тохой олж илрүүлэх тэднийг нэгтгэх гэх мэт маш их хэмжээний зааварчилгаа буюу кодыг машинд оруулах хэрэгтэй болно. Энэ програм нь ч сандлыг таньдгаараа таних байх. Харин бид, хүмүүс хэрхэн сандлыг таньж сурдаг вэ? Бидний эцэг эх сандал руу заагаад “сандал” гэж хэлэхэд бид анхны мэдэгдэхүүнтэй болдог. Түүнээс хойш дөрвөлжин модон зүйлийг сандал гэсэн ойлголттойгоор бид ширээ рүү заагаад “сандал” гэхэд бидний ээж нь “ширээ” гэж хэлээд залруулж өгнө. Үүнээс хойш “сандал” гэсэн бидний ойлголт амьдралынхаа турш харсан бүх сандалтай холбогдсоор бидний тархинд “сандал”-ыг бүрдүүлж буй нейрон сүлжээ хэлбэрждэг байна. Өөр баримт дурдвал “сандал” гэж танихын тулд бид өмнө нь харсан “сандал”-тайгаа харьцуулан сэтгэдэг. Нэг үгээр хэлбэл амьдрал дээрх объектууд бидний тархиар орон шүүгдэж байдаг.

Суралцахуй

Нейрон Сүлжээний гол чадвар нь бидний эцэг эхийнх шиг зааварчилгаагүйгээр зөвхөн их хэмжээний өгөгдөлд хандсанаар суралцаж эхэлдэгт оршдог. Сандал гэдэг ойлголтыг машинд кодонд бичиж өгөхийн оронд машинаа интернетэд холбоод маш их сандалны зургуудыг үзүүлнэ. Үүний үр дүнд “сандал”-ын тухай ерөнхий ойлголтыг машин өөртөө бий болгодог байна. Нэмж “сандал”-ны зураг үзүүлснээр эцэстээ биднээс огт ялгаагүй заримдаа бүр илүү ч гэмээр “сандал” ологч болон хувирдаг байна. Биднээс давуу тал нь тэдгээр суралцах чадвартай машинууд нь сая зургийг хэдхэн секундэд үзээд суралцдаг.

Өнгөрсөн жил гэхэд л нейрон сүлжээ болон биг датагийн нөхөрлөл гайхамшигтай үр дүнг үзүүлээд байна. АлфаГо-гөөс бусад амжилтуудаас дурдвал: Гүүглийн DeepMind хиймэл оюун ухаан нь хэдэн зуун мянган нийтлэл мэдээлэлээр тэжээгдсний эцэст зөвхөн уншаад зогсохгүй уншсан зүйлийнхээ утгыг гаргах чадвартай болсон. Түүгээр ч зогсохгүй хэдэн арван Atari 2600 видео тоглоомыг бие даан суралцаж хүмүүстэй харьцуулахаар мундаг болжээ. Giraffe хэмээх хиймэл оюун 175 сая шатрын байрлалыг 72 цагийн турш суралцсанаар олон улсын шатрын мастерийн зэрэгт хүрсэн. 2015 онд, хиймэл оюун визуал Тюрингийн тестийг суралцахад суралцах чадвараа харуулан давсан байна.

АлфаГо Сэдолын эсрэг ялалт байгуулахаас хэдхэн сарын өмнө, хиймэл оюуны салбар дах экспертүүдээс “Хэзээ хиймэл оюун ухаан Го даамын мастерыг ялах вэ?” гэхэд магадгүй 10 жилийн дараа хэмээн хариулж байв. Тухайн үед 10 жил гэсэн хариулт хамгийн боломжтой хариулт байсан юм. Jeopardy хэмээх хиймэл оюуны зохиогч Кэт Женнингээс Го тооцоолоход хэр төвөгтэй тоглоом бэ гэхэд тэрбээр:

Го даамын талбай маш өргөн, шатарнаас урт тоглолт гардаг, илүү комплекс загвартай. Гүүглийн DeepMind хиймэл оюуны багийнхан Го даамын талбайн комбинаци нь манай ертөнцийн бүх атомыг нийлүүлснээс ч их гэж хэлж байсан. Энэ бол өргийн тоог маш бууруулж хэлсэн явдал юм. Го даамд 10170 орчим өрөг бий, харин манай ертөнцөд 1080 орчим атом бий. Юу гэсэн үг вэ гэвэл манай ертөнцийн атом бүрийг параллел ертөнцөд оруулбал сая бүх параллел ертөнцийн атомын тоо нийлээд нийлээд Го даамын боломжит өргийн тоотой дөхөж очих юм.

Бүх боломжит байрлалыг тооцоолох аргаар нүүдэл хийх нь Го даам дээр ямар ч үр дүнгүй. Иймд нейрон сүлжээ бидний хэрхэн боддогийг дууриаснаар энэхүү тооцооллын дээд хязгаарлалтыг үгүй болгодог. Хүн Го даам тоглохдоо боломжийг тооцоолохоос гадна, өөрийн мэдрэмжиндээ найдаж энэ ингэж нүүвэл хожчихож магадгүй хэмээн харанхуйгаар нүүдэгт учир бий. Харин харанхуйгаар нүүхэд туршлага тус болдог байна. АлфаГо нь хэдэн сая тоглолтыг архивыг үзэж, өөртөө мөн хэмжээний тоглолтын симуляцийг үүсгэн суралцсан. Үүнээс хэдхэн сарын дараа буюу өнөөдөр хиймэл оюун Го даамын мастерыг 10 жилийн дараа ялж магадгүй гэдгийг албан ёсоор үгүйсгэгдлээ.

Байнгын бус ажлын байрны автоматжуулалт

Өнөөдөр бид эдгээр шинэхэн машинууд биднээс хэр илүү ажиллах чадвартай талаар ярилцахаас өөр аргагүй болжээ.


Технологийн үсрэнгүй хөгжил хэзээ бидний байнгын бус орон тоог эзэгнэхийг анхаарч үзэх хэрэгтэй болжээ. Бидний машинуудаас онцгойрч хийдэг ажил нь нэгэнт байр сууриа хөдөлмөрийн зах зээлд алдаж байна. Гамбургер хийхээс авахуулаад эмнэлгийн тусламж үзүүлдэг машинуудад хүмүүсийн оролцоо байхгүй, цаашилбал бүр хүнээс бага зардлаар ажиллах болно.

Амелиа хэмээх хиймэл оюунтай дуудлагын төвийн програм нь өнгөрсөн 16 жилийн хугацаанд хөгжүүлэгдэж байгаа боловч Бета хувилбар дээрээ байгаа юм. Амелиа нь хүний хэдэн сар шаардагдах сургалтыг хэдхэн секундэд суралцсан төдийгүй 20 хэл дээр ярьж чадна. Түүний суралцах чадвартай алгоритм нь цаг хугацаа өнгөрөх тусам улам шинэчлэгдэж хүчирхэгжиж байдаг. Нэгэн туршилтын компаний дуудлагын төвд эхний долоо хоногт 10 дуудлагаас нэгэнд нь амжилттай хариулж чадаж байсан бол хоёр дох сарын сүүлчээр 10 дуудлагаас зургааг нь амжилттай хариулж байлаа. Амелиагийн энэхүү чадварын улмаас дэлхий даяар 250 сая гаруй хүн ажилгүй болох эрсдэлтэй нүүр тулаад байна.

Siri-гийн зохион бүтээгчид Viv хэмээх бидний хувийн виртуал туслахыг бүтээхээр ажиллаж байна. Viv нь бидний өмнөөс онлайн ажлуудыг гүйцэтгэж, фэйсбүүк дээрээс бидэнд хамгийн хэрэг болж магадгүй, эсвэл таалагдах постуудыг ялган үзүүлэх гэнэ. Ингэж мэдээллийг шүүж боловсруулж эзэндээ үзүүлэх нь өөрөө интернетийг бий болгоход маш их нөлөө үзүүлсэн онлайн сурталчилгааг түлхэн унагаж магадгүй байдалтай болоод байна.

Эдгээр Амелиа, Viv, Бостон Динамикийн роботууд гэх мэт хиймэл оюунтай програм хангамжуудын нөлөөгөөр дээр дурдсан үндсэн дөрвөн төрлийн ажлаа бид алдахад хүргээд байна. Түүгээр ч зогсохгүй бид өөрсдийн бүтээсэн нийгмээ дахин нэг харах шаардлагатай болчихжээ. Хэрвээ хүний оронд машин ажиллах чадвартай юм бол, бид ажиллах ёстой юм уу? Бид ажил хийж цалин авдаг хуучин загвар өөрчлөгдөх үү? Хэрвээ машинууд бидний ажлыг булаагаад авчихвал тэр мөнгөний урсгал хаашаа чиглэх вэ? Гэх мэтчилэн асуултуудыг бид эртхэнээс тавьж нийгмээ бэлдэх нь зүйтэй юм.

Орлогыг ажлаас салгах нь

Нөлөө бүхий хүмүүсийн нийтэд тавьсан ажилгүйдэлтэй холбоотой асуулгууд эрчээ авч байна. Асуулгуудад дурдагдсан нэг чухал санаа нь хүмүүс роботуудад ажлын орон зайгаа тавьж өгөөд өөрсдийнхөө хийж чадах ажлыг олж хийх, дээрээс нь ажил хийсэн эсэхээс үл хамаараад үндсэн орлоготой байх. Үндсэн орлого нь ямар ч нөхцөлгүйгээр бүх иргэдэд хувиарлагдана(Universal Basic Income). Иймэрхүү загварыг зарим хөгжингүй Щвейцарь, Финлянд, Голланд, Канада зэрэг орнууд нэвтрүүлэхээр зэхэж байна

Бидэнтэй хамт өчигдөр байсан ажлын байр маргааш бидэнтэй байж л байна гэсэн хандлага ямар ч утгагүй болжээ. Дэлхийн эдийн засгийн форум дүгнэхдээ 2020 он гэхэд бид 2 сая орчим ажлын байр шинээр бий болж, харин эсрэгээрээ 7 сая ажлын байр хасагдана гэжээ. Нэг үгээр 5 сая орчим ажлын байр байхгүй болох юм. Оксфорд Их сургуулийн саяхны судалгаагаар 2033 он гэхэд одоогийн ажлын тал хувь нь байхгүй болно. Мөн өөрөө явдаг машин механизм нь маш богинохон хугацаанд хэдэн сая хүнийг ажилгүй болгох эрсдэл бий гэжээ.

Цагаан ордны Конгресст тавьсан тайлан мэдээнд дурдснаар 2010 онд цагт 20 доллараас бага орлого олж байгаа иргэдийн 83 хувь нь эцэстээ машинуудад ажлаа алдах ба цагт 40 долларын орлого олж байгаа иргэдийн 31 хувь нь мөн алдах эрсдэлтэй хэмээн дүгнэсэн байна.

Хиймэл оюуны салбарт ажиллаж байгаа нэр бүхий эрдэмтэд үндсэн орлогын тухай олны анхаарлыг татахаар хичээж байна. 2015 онд Сингулярити их сургуулийн эрдэмтэн Жереми Ховард энэхүү асуудлыг хөндсөн нь “Бүх хүмүүсийн талыг нь зах зээлд үнэ цэнэ үүсгэж чадахгүй байгаан улмаас өлсгөлөнд нэрвэгдүүлэх нь зөв үү?”. Цаашлаад “Хэрвээ өлсгөлөнд нэрвэгдүүлэх нь буруу бол баялгийн дахин хуваарилалтыг үндсэн орлогоор дамжуулах хүргэх талаар бид бодож эхлэх ёстой” гэжээ.

Хиймэл оюуны салбарын анхдагчуудын нэг Онолын Нейрологийн салбарын тэргүүн Крис Элясмит Футуризм сэтгүүлд өгсөн ярилцлагадаа “Хиймэл оюун бидний эдийн засагт хүчтэй нөлөө аль эртнээс үзүүлээд эхэлсэн… Минийхээр бол дэлхийн олон орон үндсэн орлогыг иргэддээ түгээх Финляндын загварыг дагах хэрэгтэй болох байх” гэжээ.

Байдугийн ахлах эрдэмтэн Гүүглийн “Google Brain” төслийг үндэслэгч Андрью өнгөрдөг жилийн ярилцлагандаа “Үндсэн орлогын талаар засгийн газрууд маш нухацтай анхаарч үзэх хэрэгтэй, хиймэл оюуны хөгжлийн үр дүнд маш олон ажлын байр богинохон хугацаанд алдагдах эрсдэлтэй байна” гэв.

Эдгээр хиймэл оюуныг бүтээж байгаа эрдэмтдийн учирч болох эрсдлийн тухай сануулж байгаа үгийг хиймэл оюуныг ашиглан орлого олж байгаа компаниуд сонсож байна уу? Нобелийн шагналт эдийн засагч нар эхнээсээ үндсэн орлогын тал дээр нэгдэж нийлсээр байна.

Эцэст нь дүгнэхэд аль ч улс энэ өөрчлөлтийн давалгаанд бэлэн биш байна. Богинохон хугацаанд үүсэх ажилгүйдэл, бараа бүтээгдэхүүн хэрэглэгчдийн бууралт нь эдийн засгийн тогтворгүй байдлыг бий болгоно. Тэгвэл одоо асуултаа асууцгаая “Бид нар яах гэж хиймэл оюуныг бүтээгээд байгаа юм?”, “Бидний машиныг унаад явж чадах роботууд эсвэл бидний ажлын 60% хувийг булааж чадах хиймэл оюуны зорилго нь юу юм?”

Машинуудын эрин зуунд бид яаж гол зогоох ёстой юм?

Миний санал бол машинуудад ажил, хүмүүст амьдрал

Энэхүү нийтлэл нь орчуулга болно. Буруу зөрүү орчуулсан утга гээгдүүлсэн бол уучлаарай. Эх хувь нь: https://medium.com/basic-income/deep-learning-is-going-to-teach-us-all-the-lesson-of-our-lives-jobs-are-for-machines-7c6442e37a49



Залруулга: Нейрон сүлжээ нь шинэ салбар биш бөгөөд хүний тархины судалгаатай бараг зэрэг хөгжсөн хуучин салбар юм.

No comments:

Post a Comment