Hiring GenAI Engineers ಗಾಗಿ ಡೇಟಾ ಮಾಡೆಲ್ ಮತ್ತು ಸ್ಕೀಮಾವನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಿ

ಪರಿಚಯ

ನೀವು GenAI ಇಂಜಿನಿಯರ್‌ಗಳನ್ನು ನೇಮಕ ಮಾಡಿಕೊಳ್ಳುತ್ತಿರುವಾಗ, ಕೋಡಿಂಗ್ ಸುತ್ತು ನಿಮ್ಮ ಲೂಪ್‌ನಲ್ಲಿ ಹೆಚ್ಚಾಗಿ ಅತ್ಯಂತ ದುರ್ಬಲ ಸಂಕೇತವಾಗಿರುತ್ತದೆ — ಪ್ರೊಡಕ್ಷನ್ LLM ಇಂಜಿನಿಯರಿಂಗ್‌ನಲ್ಲಿ ಪ್ರಬಲರಾಗಿರುವ ಅಭ್ಯರ್ಥಿಗಳು ಸಾಮಾನ್ಯ ಅಲ್ಗಾರಿದಮ್ ಪಝಲ್‌ನಲ್ಲಿ ವಿಫಲರಾಗಬಹುದು, ಮತ್ತು ಆತ್ಮವಿಶ್ವಾಸವುಳ್ಳ ಜನರಲಿಸ್ಟ್‌ಗಳು ನಿಮ್ಮ ತಂಡ ನಿಜವಾಗಿ ಶಿಪ್ ಮಾಡುವ ಕೋಡ್‌ನ ಒಂದು ಸಾಲನ್ನೂ ಬರೆಯದೆ ಉತ್ತೀರ್ಣರಾಗುತ್ತಾರೆ. ಈ ಸುತ್ತನ್ನು ತಪ್ಪಾಗಿ ಮಾಡಿದರೆ, ನಿಮಗೆ ಅತ್ಯಂತ ಅಗತ್ಯವಿರುವ ಜನರನ್ನು ನೀವು ತಿರಸ್ಕರಿಸುತ್ತೀರಿ ಅಥವಾ ತಮ್ಮ ಮೊದಲ ಸ್ಪ್ರಿಂಟ್‌ನಲ್ಲೇ ವಿಫಲರಾಗುವ ಸಾಧ್ಯತೆ ಹೆಚ್ಚಿರುವ ಜನರಿಗೆ ಆಫರ್‌ಗಳನ್ನು ನೀಡುತ್ತೀರಿ. ಈ ಪಾಠದ ಅಂತ್ಯದ ವೇಳೆಗೆ, ಕೋಡಿಂಗ್ ಸುತ್ತು ಒಂದು ಸ್ಪಷ್ಟ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಮ್ಯಾಪ್ ಆಗಿರುವ, ಲೂಪ್‌ನ ಉಳಿದ ಭಾಗಗಳ ವಿರುದ್ಧ ತೂಕ ನೀಡಲಾಗಿರುವ, ಮತ್ತು ವಿನ್ಯಾಸದ ಅಂತರಗಳು ಕೆಟ್ಟ ನೇಮಕಾತಿಗಳಾಗುವ ಮೊದಲೇ ಅವುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುವ ಕವರೇಜ್ ಪರಿಶೀಲನೆಗಳೊಂದಿಗೆ ಸಜ್ಜುಗೊಳಿಸಲಾಗಿರುವ ಬಹು-ಸುತ್ತಿನ ಸಂದರ್ಶನ ಲೂಪ್ ಅನ್ನು ವಿನ್ಯಾಸಗೊಳಿಸಲು ನೀವು ಸಮರ್ಥರಾಗುತ್ತೀರಿ.

ಪ್ರಮುಖ ಪರಿಭಾಷೆ

• Competency matrix (ಸಾಮರ್ಥ್ಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್): ಒಂದು ಪಾತ್ರಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯ ಆಯಾಮಗಳ ಸ್ಪಷ್ಟ ಪಟ್ಟಿ, ಇದರಲ್ಲಿ ಪ್ರತಿ ಸಂದರ್ಶನ ಸುತ್ತು ಅದು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಜವಾಬ್ದಾರಿ ಹೊಂದಿರುವ ಒಂದು ಪ್ರಾಥಮಿಕ ಆಯಾಮಕ್ಕೆ ಮ್ಯಾಪ್ ಆಗಿರುತ್ತದೆ.
• Coverage (ಕವರೇಜ್): ಮ್ಯಾಟ್ರಿಕ್ಸ್‌ನಲ್ಲಿರುವ ಪ್ರತಿಯೊಂದು ಸಾಮರ್ಥ್ಯ ಆಯಾಮವನ್ನು ಕನಿಷ್ಠ ಒಂದು ಸುತ್ತಿನಿಂದ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತದೆ ಎಂಬ ಗುಣಲಕ್ಷಣ; ಶೂನ್ಯ ಸುತ್ತುಗಳನ್ನು ನಿಯೋಜಿಸಲಾದ ಸಾಮರ್ಥ್ಯವು ನೇಮಕಾತಿಯ ಅಂಧಬಿಂದು (blind spot) ಆಗಿರುತ್ತದೆ.
• Round weight (ಸುತ್ತಿನ ತೂಕ): ಅಂತಿಮ ನೇಮಕ/ನೇಮಕವಿಲ್ಲ ನಿರ್ಧಾರಕ್ಕೆ ಒಂದು ಸುತ್ತಿನ ಕೊಡುಗೆಯ ಮೇಲಿನ ಸಂಖ್ಯಾತ್ಮಕ ಗುಣಕ, ಇದನ್ನು "ಈ ಸುತ್ತು ಹೆಚ್ಚು ಮುಖ್ಯ" ಎಂಬ ಅಂತರ್ಗತ ತೀರ್ಪುಗಳನ್ನು ಸ್ಪಷ್ಟ ಮತ್ತು ಪರಿಶೀಲನಾಯೋಗ್ಯವಾಗಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ.

ಪರಿಕಲ್ಪನೆಗಳು

ಸಂದರ್ಶನ ಲೂಪ್‌ನ ವಿನ್ಯಾಸದ ಘಟಕವೆಂದರೆ ಸಾಮರ್ಥ್ಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್: ಪಾತ್ರಕ್ಕೆ ಅಗತ್ಯವಿರುವ ಕೌಶಲ್ಯ ಆಯಾಮಗಳ ಸ್ಪಷ್ಟ ಪಟ್ಟಿ, ಇದರಲ್ಲಿ ಪ್ರತಿ ಸುತ್ತು ಅದು ಪ್ರಾಥಮಿಕವಾಗಿ ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಜವಾಬ್ದಾರಿ ಹೊಂದಿರುವ ನಿಖರವಾಗಿ ಒಂದು ಆಯಾಮಕ್ಕೆ ಮ್ಯಾಪ್ ಆಗಿರುತ್ತದೆ. GenAI ಇಂಜಿನಿಯರಿಂಗ್ ನೇಮಕಾತಿಗಳಿಗೆ, ಆರು ಆಯಾಮಗಳು ಪಾತ್ರದ ನಿಜವಾದ ವ್ಯಾಪ್ತಿಯನ್ನು ಒಳಗೊಳ್ಳುತ್ತವೆ — ಕೋಡಿಂಗ್ ಮೂಲಭೂತ ಅಂಶಗಳು, ಸಿಸ್ಟಮ್ ಡಿಸೈನ್, LLM ಡೊಮೇನ್ ಜ್ಞಾನ, ಮೌಲ್ಯಮಾಪನ ವಿಧಾನಶಾಸ್ತ್ರ, ಸಹಯೋಗ ಮತ್ತು ಸಂವಹನ, ಮತ್ತು ಪ್ರೊಡಕ್ಷನ್ ಇಂಜಿನಿಯರಿಂಗ್. ಒಂದು ಸುತ್ತು ಪಕ್ಕದ ಆಯಾಮಗಳ ಮೇಲೆ ದ್ವಿತೀಯ ಸಂಕೇತವನ್ನು ಉತ್ಪಾದಿಸಬಹುದು, ಆದರೆ ಪ್ರತಿಯೊಂದು ಆಯಾಮಕ್ಕೂ ಅದರ ಮಾಲೀಕತ್ವ ಹೊಂದಿರುವ ಒಂದು — ಮತ್ತು ಕೇವಲ ಒಂದೇ — ಸುತ್ತು ಇರಬೇಕು.

ಎರಡು ಗುಣಲಕ್ಷಣಗಳು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಅಲಂಕಾರಿಕವಾಗಿರುವ ಬದಲು ಉಪಯುಕ್ತವಾಗಿಸುತ್ತವೆ. ಕವರೇಜ್ ಎಂದರೆ ಪ್ರತಿಯೊಂದು ಆಯಾಮವನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಕನಿಷ್ಠ ಒಂದು ಸುತ್ತು ಇರುತ್ತದೆ ಎಂಬ ಗುಣಲಕ್ಷಣ; ಕವರ್ ಆಗದ ಯಾವುದೇ ಆಯಾಮವು ತಪ್ಪು ನೇಮಕಾತಿಯಾಗಲು ಕಾಯುತ್ತಿರುವ ಅಂಧಬಿಂದುವಾಗಿದೆ. ಪ್ರಾಥಮಿಕಗಳಲ್ಲಿ ಅತಿಕ್ರಮಣವಿಲ್ಲ ಎಂದರೆ ಯಾವುದೇ ಎರಡು ಸುತ್ತುಗಳು ಒಂದೇ ಪ್ರಾಥಮಿಕ ಆಯಾಮವನ್ನು ಹಕ್ಕು ಸಾಧಿಸುವುದಿಲ್ಲ ಎಂಬ ಗುಣಲಕ್ಷಣ; ಅತಿಕ್ರಮಣವು ಸಂದರ್ಶಕರ ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಂಕೇತವನ್ನು ಸೇರಿಸದೆ ಲೂಪ್‌ನ ಉದ್ದವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ. ಕೆಳಗಿನ ಕೋಡ್ ವಾಕ್‌ಥ್ರೂ ಈ ಎರಡೂ ಗುಣಲಕ್ಷಣಗಳನ್ನು ರನ್ ಮಾಡಬಹುದಾದ ಪರಿಶೀಲನೆಗಳಾಗಿ ಎನ್‌ಕೋಡ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ವಿನ್ಯಾಸವನ್ನು ಪ್ರತಿ ಬಾರಿಯೂ ಒಂದೇ ರೀತಿಯಲ್ಲಿ ಪರಿಶೀಲಿಸಲಾಗುತ್ತದೆ, ಪ್ರತಿ ನೇಮಕಾತಿ ಕಿಕ್‌ಆಫ್‌ನಲ್ಲಿ ಮತ್ತೆ ವಾದ ಮಾಡಬೇಕಾಗಿಲ್ಲ.

ಮೂರನೇ ಪರಿಕಲ್ಪನೆ, ಸುತ್ತಿನ ತೂಕ, ಪ್ರತಿ ಸುತ್ತು ಅಂತಿಮ ನಿರ್ಧಾರಕ್ಕೆ ಎಷ್ಟು ಕೊಡುಗೆ ನೀಡುತ್ತದೆ ಎಂಬುದನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ. ಪ್ರತಿ ಸುತ್ತನ್ನು ಸಮಾನ ತೂಕದಲ್ಲಿ ಬಿಡುವುದು ಸಂಸ್ಕೃತಿ ಸಂವಾದವನ್ನು AI ಸಿಸ್ಟಮ್ ಡಿಸೈನ್ ಸುತ್ತಿನೊಂದಿಗೆ ಮೌನವಾಗಿ ಸಮೀಕರಿಸುತ್ತದೆ, ಇದು ನೇಮಕಾತಿ ಸಮಿತಿ ನಿಜವಾಗಿ ನಂಬುವ ವಿಷಯವಾಗಿರುವುದು ಅಪರೂಪ. ತೂಕವನ್ನು ಹೆಸರಿಸುವುದು ಸಂವಾದವನ್ನು ಪರಿಶೀಲಿಸಬಹುದಾದ ಬಹಿರಂಗ ಸ್ಥಳಕ್ಕೆ ತರುತ್ತದೆ.

ಸಂದರ್ಶನ ಲೂಪ್ ವಿನ್ಯಾಸಗೊಳಿಸುವುದು ಪುನರಾವರ್ತಿತ ಕವರೇಜ್-ಮತ್ತು-ಕ್ಯಾಲಿಬ್ರೇಷನ್ ಚಕ್ರವಾಗಿದೆ:

ಕೋಡ್ ವಾಕ್‌ಥ್ರೂ

ಪರಿಕಲ್ಪನೆಗಳಲ್ಲಿನ ಸಾಮರ್ಥ್ಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಮೇಲೆ ನಿರ್ಮಿಸಿ, ಈ ವಿಭಾಗವು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ಕಾರ್ಯಗತಗೊಳಿಸಬಹುದಾದ ಕೋಡ್ ಆಗಿ ಪರಿವರ್ತಿಸುತ್ತದೆ, ಇದರಿಂದ ಕವರೇಜ್ ವಿಶ್ಲೇಷಣೆ ಯಾರೂ ಮತ್ತೆ ಓದದ ವಿಕಿ ಪುಟದಲ್ಲಿ ಇರುವ ಬದಲು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ರನ್ ಆಗುತ್ತದೆ. ಕೆಳಗಿನ ಸ್ನಿಪ್ಪೆಟ್ ಸಾಮರ್ಥ್ಯ enum, ಸುತ್ತಿನ dataclass, ಮತ್ತು ಲೂಪ್-ಮಟ್ಟದ ಕವರೇಜ್ ವಿಧಾನಗಳನ್ನು ಒಂದೇ ಸ್ವಯಂಪೂರ್ಣ ಉದಾಹರಣೆಯಾಗಿ ಸಂಯೋಜಿಸುತ್ತದೆ.

Code snippetpython
1from dataclasses import dataclass, field
2from enum import Enum
3
4class CompetencyArea(Enum):
5    CODING = "coding_fundamentals"
6    SYSTEM_DESIGN = "system_design"
7    LLM_KNOWLEDGE = "llm_domain_knowledge"
8    EVALUATION = "evaluation_methodology"
9    COLLABORATION = "collaboration_communication"
10    PRODUCTION = "production_engineering"
11
12@dataclass
13class InterviewRound:
14    name: str
15    duration_minutes: int
16    primary_competency: CompetencyArea
17    secondary_competencies: list[CompetencyArea] = field(default_factory=list)
18    weight: float = 1.0
19
20@dataclass
21class InterviewLoop:
22    role_title: str
23    rounds: list[InterviewRound] = field(default_factory=list)
24
25    def coverage_report(self) -> dict[str, list[str]]:
26        coverage = {area.value: [] for area in CompetencyArea}
27        for r in self.rounds:
28            coverage[r.primary_competency.value].append(f"{r.name} (primary)")
29            for sc in r.secondary_competencies:
30                coverage[sc.value].append(f"{r.name} (secondary)")
31        return coverage
32
33    def identify_gaps(self) -> list[str]:
34        return [a for a, rs in self.coverage_report().items() if not rs]

• CompetencyArea GenAI ನೇಮಕಾತಿ ಒಳಗೊಳ್ಳಬೇಕಾದ ಆರು ಆಯಾಮಗಳನ್ನು ಹೆಸರಿಸುತ್ತದೆ, ಸಾಮಾನ್ಯ "ತಾಂತ್ರಿಕ / ವರ್ತನಾತ್ಮಕ" ವಿಭಜನೆಯನ್ನು ಮೀರಿ ಹೋಗಿ ಪ್ರತಿ ಸುತ್ತಿಗೂ ಮೌಲ್ಯಮಾಪನ ಮಾಡಲು ಒಂದು ನಿರ್ದಿಷ್ಟ ಕೌಶಲ್ಯ ಇರುವಂತೆ ಮಾಡುತ್ತದೆ.
• InterviewRound ಸುತ್ತಿನ ಪ್ರಾಥಮಿಕ ಸಾಮರ್ಥ್ಯ, ಯಾವುದೇ ದ್ವಿತೀಯ ಸಂಕೇತಗಳು, ಮತ್ತು ನೇಮಕಾತಿ ನಿರ್ಧಾರ ಅದರ ಮೇಲೆ ಎಷ್ಟು ಅವಲಂಬಿತವಾಗಿದೆ ಎಂಬುದನ್ನು ಎನ್‌ಕೋಡ್ ಮಾಡುವ weight ಅನ್ನು ಸೆರೆಹಿಡಿಯುತ್ತದೆ — ಅಂತರ್ಗತ ತೀರ್ಪುಗಳನ್ನು ಸ್ಪಷ್ಟ ಮತ್ತು ಪರಿಶೀಲನಾಯೋಗ್ಯವಾಗಿಸುತ್ತದೆ.
• InterviewLoop.coverage_report ಪ್ರತಿ ಸಾಮರ್ಥ್ಯವನ್ನು ಅದನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡುವ ಸುತ್ತುಗಳಿಗೆ ಮ್ಯಾಪ್ ಮಾಡುತ್ತದೆ, ಇದರಿಂದ ಅತಿಕ್ರಮಣ (ಕೋಡಿಂಗ್‌ನಲ್ಲಿ ಎರಡು ಸುತ್ತುಗಳು ಪ್ರಾಥಮಿಕ) ಒಂದೇ ನೋಟಕ್ಕೆ ಎದ್ದು ಕಾಣುತ್ತದೆ.
• InterviewLoop.identify_gaps ಶೂನ್ಯ ಕವರೇಜ್ ಹೊಂದಿರುವ ಯಾವುದೇ ಸಾಮರ್ಥ್ಯವನ್ನು ಫ್ಲ್ಯಾಗ್ ಮಾಡುತ್ತದೆ, ವಿನ್ಯಾಸ ದೋಷಗಳು ನೇಮಕಾತಿ ತಪ್ಪುಗಳಾಗುವ ಮೊದಲೇ ಅವುಗಳನ್ನು ಪತ್ತೆಹಚ್ಚುತ್ತದೆ.

identify_gaps() ಖಾಲಿ ಪಟ್ಟಿಯನ್ನು ಹಿಂತಿರುಗಿಸಿದಾಗ ಮತ್ತು ಯಾವುದೇ ಸಾಮರ್ಥ್ಯವು ಒಂದಕ್ಕಿಂತ ಹೆಚ್ಚು (primary) ನಮೂದಿನೊಂದಿಗೆ ಕಾಣಿಸದಿದ್ದಾಗ ಅದು ಕೆಲಸ ಮಾಡುತ್ತಿದೆ ಎಂದು ನಿಮಗೆ ತಿಳಿಯುತ್ತದೆ — ಪ್ರತಿಯೊಂದು ಆಯಾಮವು ನಿಖರವಾಗಿ ಒಮ್ಮೆ ಕವರ್ ಆಗಿದೆ.

ಶಿಸ್ತು ಅನ್ವಯ

ಮಾಡಬೇಕಾದವು ಮತ್ತು ಮಾಡಬಾರದವು

ನೀವು ಈಗ ಅನುಷ್ಠಾನದ ಮೂಲಕ ಕೆಲಸ ಮಾಡಿರುವುದರಿಂದ, ಕೆಳಗಿನ ಅಭ್ಯಾಸಗಳು ಬಾಳಿಕೆ ಬರುವ ವಿಧಾನವನ್ನು ದುರ್ಬಲ ವಿಧಾನದಿಂದ ಪ್ರತ್ಯೇಕಿಸುತ್ತವೆ.

ಮಾಡಬೇಕಾದವು

1. ಮೊದಲು ಸಾಮರ್ಥ್ಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ವ್ಯಾಖ್ಯಾನಿಸಿ, ನಂತರ ದ್ವಿತೀಯ ಕವರೇಜ್ ಸೇರಿಸುವ ಮೊದಲು ಪ್ರತಿ ಸುತ್ತನ್ನು ನಿಖರವಾಗಿ ಒಂದು ಪ್ರಾಥಮಿಕ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಮ್ಯಾಪ್ ಮಾಡಿ.
2. ಲೂಪ್ ವ್ಯಾಖ್ಯಾನದ ವಿರುದ್ಧ identify_gaps() ಅನ್ನು ರನ್ ಮಾಡಿ ಮತ್ತು ಮೊದಲ ಅಭ್ಯರ್ಥಿಯನ್ನು ಶೆಡ್ಯೂಲ್ ಮಾಡುವ ಮೊದಲು ಕವರ್ ಆಗದ ಯಾವುದೇ ಸಾಮರ್ಥ್ಯವನ್ನು ಪರಿಹರಿಸಿ.
3. ಪ್ರತಿ ಸುತ್ತನ್ನು ಮೌಲ್ಯಮಾಪನ ಮಾಡಲಾಗುತ್ತಿರುವ ಸಾಮರ್ಥ್ಯಕ್ಕೆ ಹೊಂದುವ ಪಾತ್ರ ಹೊಂದಿರುವ ಸಂದರ್ಶಕರಿಗೆ ನಿಯೋಜಿಸಿ (ಉದಾ., LLM ಡೀಪ್ ಡೈವ್‌ಗೆ ML Lead, ಯಾದೃಚ್ಛಿಕವಾಗಿ ಲಭ್ಯವಿರುವ ಇಂಜಿನಿಯರ್ ಅಲ್ಲ).

ಮಾಡಬಾರದವು

1. ಎರಡು ಸುತ್ತುಗಳು ಒಂದೇ ಪ್ರಾಥಮಿಕ ಸಾಮರ್ಥ್ಯವನ್ನು ಹಂಚಿಕೊಳ್ಳಲು ಬಿಡಬೇಡಿ — ಅತಿಕ್ರಮಣವು ಸಂದರ್ಶಕರ ಸಮಯವನ್ನು ವ್ಯರ್ಥ ಮಾಡುತ್ತದೆ ಮತ್ತು ಸಂಕೇತವನ್ನು ಸೇರಿಸದೆ ಲೂಪ್‌ನ ಉದ್ದವನ್ನು ಹೆಚ್ಚಿಸುತ್ತದೆ.
2. ಸಾಮರ್ಥ್ಯ ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಅನ್ನು ನವೀಕರಿಸದೆ ಒಂದು ಸುತ್ತನ್ನು ಸೇರಿಸಬೇಡಿ; ದಾಖಲಿಸದ ಸುತ್ತುಗಳು ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕವರೇಜ್ ಅನ್ನು ನಕಲು ಮಾಡುವುದಕ್ಕೆ ಅಥವಾ ಅಳೆಯಬಹುದಾದ ಯಾವುದನ್ನೂ ಮೌಲ್ಯಮಾಪನ ಮಾಡದಿರುವುದಕ್ಕೆ ಜಾರುತ್ತವೆ.
3. ಸುತ್ತಿನ ತೂಕಗಳನ್ನು ಅಲಂಕಾರಿಕವೆಂದು ಪರಿಗಣಿಸಬೇಡಿ — ಪ್ರತಿ ಸುತ್ತನ್ನು weight=1.0 ನಲ್ಲಿ ಬಿಡುವುದು ಅಂತಿಮ ನಿರ್ಧಾರದಲ್ಲಿ ಸಂಸ್ಕೃತಿ ಸುತ್ತನ್ನು AI ಸಿಸ್ಟಮ್ ಡಿಸೈನ್ ಸುತ್ತಿನೊಂದಿಗೆ ಸಮಾನವಾಗಿ ಲೆಕ್ಕ ಹಾಕುವಂತೆ ಮಾಡುತ್ತದೆ.