नीतू पाठक, स्काइमेल के सह-संस्थापक और सीईओ – साक्षात्कार श्रृंखला

नीतू पाठक, स्काइमेल के सह-संस्थापक और सीईओ, कंपनी को एआई अनुमान के क्षेत्र में क्रांति लाने के लिए अपनी नवाचारी न्यूरोस्प्लिट™ प्रौद्योगिकी के साथ आगे बढ़ा रही हैं। सीटीओ सुशांत त्रिपाठी के साथ, वह स्काइमेल के मिशन को आगे बढ़ाती है ताकि एआई अनुप्रयोगों के प्रदर्शन में सुधार किया जा सके जबकि गणनात्मक लागतों को कम किया जा सके।

न्यूरोस्प्लिट™ एक अनुकूली अनुमान प्रौद्योगिकी है जो गतिविधियों को गतिशील रूप से अंत-उपयोगकर्ता उपकरणों और क्लाउड सर्वर के बीच वितरित करती है। यह दृष्टिकोण उपयोगकर्ता उपकरणों पर खाली कम्प्यूटिंग संसाधनों का लाभ उठाता है, क्लाउड बुनियादी ढांचे की लागत को 60% तक कम करता है, अनुमान गति को तेज करता है, डेटा गोपनीयता सुनिश्चित करता है, और निर्बाध रूप से स्केलेबिलिटी को सक्षम बनाता है।

स्थानीय कम्प्यूट पावर को अनुकूलित करके, न्यूरोस्प्लिट™ एआई अनुप्रयोगों को पुराने जीपीयू पर भी कुशलता से चलने देता है, जिससे लागत में काफी कमी आती है और उपयोगकर्ता अनुभव में सुधार होता है।

आपको स्काइमेल की सह-स्थापना करने के लिए क्या प्रेरित किया, और आप न्यूरोस्प्लिट के साथ एआई बुनियादी ढांचे में किन प्रमुख चुनौतियों का समाधान करना चाहते थे?

स्काइमेल की प्रेरणा हमारे पूरक अनुभवों के संयोजन से मिली। जब मेरे सह-संस्थापक, सुशांत त्रिपाठी, गूगल में थे, तो उन्होंने अरबों एंड्रॉइड डिवाइसों पर भाषा-आधारित एआई मॉडल तैनात किए। उन्होंने पाया कि अंत-उपयोगकर्ता उपकरणों पर एक बड़ी मात्रा में खाली कम्प्यूट पावर उपलब्ध थी, लेकिन अधिकांश कंपनियां इन संसाधनों का प्रभावी ढंग से उपयोग नहीं कर पा रही थीं क्योंकि उपयोगकर्ता अनुभव को समझौता किए बिना इन संसाधनों तक पहुंचने की जटिल इंजीनियरिंग चुनौतियां थीं।

इस बीच, रेडिस में उद्यमों और स्टार्टअप्स के साथ काम करने के दौरान मेरा अनुभव मुझे यह समझने में मदद किया कि व्यवसायों के लिए विलंबता कितनी महत्वपूर्ण हो रही थी। जैसे ही एआई अनुप्रयोग अधिक प्रचलित हो गए, यह स्पष्ट हो गया कि हमें प्रसंस्करण को डेटा के निर्माण के स्थान के करीब ले जाने की आवश्यकता है, न कि निरंतर रूप से इसे डेटा केंद्रों में आगे और पीछे ले जाना।

यह तब था जब सुशांत और मैंने महसूस किया कि भविष्य स्थानीय या क्लाउड प्रसंस्करण के बीच चयन करने के बारे में नहीं है – यह एक बुद्धिमान प्रौद्योगिकी बनाने के बारे में है जो प्रत्येक विशिष्ट अनुमान अनुरोध के आधार पर स्थानीय, क्लाउड या हाइब्रिड प्रसंस्करण के बीच स्वचालित रूप से अनुकूलित हो सकती है। यह अंतर्दृष्टि हमें स्काइमेल की स्थापना करने और न्यूरोस्प्लिट विकसित करने के लिए प्रेरित किया, जो पारंपरिक बुनियादी ढांचे की सीमाओं से परे जा रहा है जो एआई नवाचार को रोक रहा है।

क्या आप बता सकते हैं कि न्यूरोस्प्लिट कम्प्यूट संसाधनों को कैसे गतिशील रूप से अनुकूलित करता है जबकि उपयोगकर्ता गोपनीयता और प्रदर्शन को बनाए रखता है?

स्थानीय एआई अनुमान में एक प्रमुख कमजोरियों में से एक इसकी स्थिर कम्प्यूट आवश्यकताएं रही हैं – परंपरागत रूप से, एक एआई मॉडल चलाने के लिए समान कम्प्यूट संसाधनों की मांग की जाती है, चाहे वह डिवाइस की स्थिति हो या उपयोगकर्ता व्यवहार। यह एक-आकार-फिट-सभी दृष्टिकोण वास्तविकता की अनदेखी करता है कि डिवाइसों में विभिन्न हार्डवेयर क्षमताएं होती हैं, विभिन्न चिप्स (जीपीयू, एनपीयू, सीपीयू, एक्सपीयू) से लेकर विभिन्न नेटवर्क बैंडविथ तक, और उपयोगकर्ताओं के पास विभिन्न अनुप्रयोग उपयोग और चार्जिंग पैटर्न होते हैं।

न्यूरोस्प्लिट विभिन्न डिवाइस तелемेट्री – हार्डवेयर क्षमताओं से लेकर वर्तमान संसाधन उपयोग, बैटरी स्थिति और नेटवर्क स्थितियों तक – निरंतर निगरानी करता है। हम उपयोगकर्ता व्यवहार पैटर्न को भी ध्यान में रखते हैं, जैसे कि कितने अन्य अनुप्रयोग चल रहे हैं और डिवाइस उपयोग पैटर्न के बारे में। यह व्यापक निगरानी न्यूरोस्प्लिट को गतिशील रूप से निर्धारित करने की अनुमति देती है कि अंत-उपयोगकर्ता डिवाइस पर कितना अनुमान कम्प्यूट चलाया जा सकता है जबकि डेवलपर्स के मुख्य प्रदर्शन संकेतकों के लिए अनुकूलन किया जा रहा है।

जब डेटा गोपनीयता सर्वोपरि होती है, तो न्यूरोस्प्लिट सुनिश्चित करता है कि कच्चा डेटा डिवाइस से कभी बाहर नहीं निकलता है, संवेदनशील जानकारी को स्थानीय रूप से संसाधित करता है जबकि अभी भी ऑप्टिमल प्रदर्शन को बनाए रखता है। हमारी बुद्धिमानी से एआई मॉडल को विभाजित करने, छंटनी करने या डिकपल करने की क्षमता हमें एक ही क्वांटाइज्ड मॉडल की मेमोरी स्थान में 50-100 एआई स्टब मॉडल फिट करने की अनुमति देती है। व्यावहारिक रूप से, इसका अर्थ है कि उपयोगकर्ता पारंपरिक स्थिर गणना दृष्टिकोण की तुलना में स्थानीय रूप से संवेदनशील डेटा को संसाधित करते हुए एक ही समय में काफी अधिक एआई-संचालित अनुप्रयोग चला सकते हैं।

न्यूरोस्प्लिट के अनुकूली अनुमान के लिए एआई कंपनियों के लिए मुख्य लाभ क्या हैं, विशेष रूप से उन लोगों के लिए जो पुरानी जीपीयू प्रौद्योगिकी के साथ काम कर रहे हैं?

न्यूरोस्प्लिट एआई कंपनियों के लिए तीन परिवर्तनकारी लाभ प्रदान करता है। पहला, यह बुनियादी ढांचे की लागत को नाटकीय रूप से कम करता है – कंपनियां सस्ते, पुराने जीपीयू का प्रभावी ढंग से उपयोग कर सकती हैं, और हमारी विशिष्ट क्षमता दोनों पूर्ण और स्टब मॉडल को क्लाउड जीपीयू पर फिट करने में सक्षम बनाती है जो काफी उच्च जीपीयू उपयोग दर को सक्षम बनाती है। उदाहरण के लिए, एक अनुप्रयोग जो आमतौर पर एक NVIDIA A100 की आवश्यकता होती है जो $2.74 प्रति घंटे पर चलता है, अब या तो एक एकल A100 या कई V100s पर चल सकता है जो केवल 83 सेंट प्रति घंटे पर चलता है।

दूसरा, हम प्रदर्शन में काफी सुधार करते हैं – हम उपयोगकर्ता उपकरणों पर सीधे प्रारंभिक कच्चे डेटा को संसाधित करके ऐसा करते हैं। इसका अर्थ है कि अंततः क्लाउड में यात्रा करने वाला डेटा काफी छोटा है, नेटवर्क विलंबता को काफी कम करता है जबकि सटीकता को बनाए रखता है। यह हाइब्रिड दृष्टिकोण कंपनियों को दोनों दुनिया का सर्वश्रेष्ठ प्रदान करता है – स्थानीय प्रसंस्करण की गति के साथ क्लाउड कंप्यूटिंग की शक्ति।

तीसरा, हम उपयोगकर्ता गोपनीयता संरक्षण को बनाए रखते हुए संवेदनशील प्रारंभिक डेटा को उपयोगकर्ता डिवाइस पर संसाधित करके कंपनियों को सक्षम बनाते हैं, जो अब उपयोगकर्ता गोपनीयता के प्रति अधिक जागरूक हो रहे हैं और नियमों का सख्ती से पालन किया जा रहा है।

स्काइमेल का समाधान एआई अनुमान के लिए लागत को कैसे कम करता है बिना मॉडल जटिलता या सटीकता से समझौता किए?

पहले, हम व्यक्तिगत एआई मॉडल को विभाजित करके गणना को उपयोगकर्ता उपकरणों और क्लाउड के बीच वितरित करते हैं। पहला भाग उपयोगकर्ता के डिवाइस पर चलता है, जो कुल गणना का 5% से 100% तक संभालता है, डिवाइस संसाधनों के आधार पर। केवल शेष गणना को क्लाउड जीपीयू पर संसाधित किया जाने की आवश्यकता है।

इस विभाजन का अर्थ है कि क्लाउड जीपीयू एक कम कम्प्यूट लोड को संभालते हैं – यदि एक मॉडल मूल रूप से एक पूर्ण ए100 जीपीयू की आवश्यकता थी, तो विभाजन के बाद, वही कार्यभार केवल जीपीयू की 30-40% क्षमता की आवश्यकता हो सकती है। यह कंपनियों को अधिक लागत प्रभावी जीपीयू उदाहरणों जैसे V100 का उपयोग करने की अनुमति देता है।

दूसरा, न्यूरोस्प्लिट क्लाउड में जीपीयू उपयोग को अनुकूलित करता है। हम दोनों पूर्ण मॉडल और स्टब मॉडल (विभाजित मॉडल के शेष भाग) को एक ही क्लाउड जीपीयू पर कुशलता से व्यवस्थित करके पारंपरिक दृष्टिकोणों की तुलना में काफी अधिक उपयोग दर प्राप्त करते हैं। इसका अर्थ है कि एक ही क्लाउड जीपीयू पर अधिक मॉडल एक ही समय में चल सकते हैं, जिससे प्रति अनुमान लागत और कम हो जाती है।

स्काइमेल के हाइब्रिड (स्थानीय + क्लाउड) दृष्टिकोण को अन्य एआई बुनियादी ढांचे के समाधानों से क्या अलग करता है जो बाजार में हैं?

एआई परिदृश्य एक आकर्षक बिंदु पर है। जबकि एप्पल, सैमसंग और क्वालकॉम अपने पारिस्थितिकी तंत्र सुविधाओं के माध्यम से हाइब्रिड एआई की शक्ति का प्रदर्शन कर रहे हैं, वे अभी भी बंद बाग़ हैं। लेकिन एआई को अंत-उपयोगकर्ता डिवाइस के प्रकार से सीमित नहीं होना चाहिए।

न्यूरोस्प्लिट मूल रूप से डिवाइस-एज्नोस्टिक, क्लाउड-एज्नोस्टिक और न्यूरल नेटवर्क-एज्नोस्टिक है। इसका अर्थ है कि डेवलपर्स अब एक बार एआई अनुप्रयोग बना सकते हैं और जानते हैं कि यह किसी भी डिवाइस, किसी भी क्लाउड और किसी भी न्यूरल नेटवर्क आर्किटेक्चर पर बुद्धिमानी से अनुकूलित होगा।

इस बारे में सोचें कि यह डेवलपर्स के लिए क्या意味ा है। वे एक बार एआई अनुप्रयोग बना सकते हैं और जानते हैं कि यह किसी भी प्लेटफ़ॉर्म पर समान रूप से काम करेगा, चाहे उपयोगकर्ता एक आईफ़ोन, एंड्रॉइड डिवाइस या लैपटॉप पर हों – या चाहे वे एएवाय, एज़्योर या गूगल क्लाउड का उपयोग कर रहे हों।

हम वॉल्ड गार्डन से बाहर निकलकर एआई अनुप्रयोगों के लिए उद्यम-ग्रेड हाइब्रिड एआई क्षमताएं प्रदान कर रहे हैं। जैसे ही एआई प्रत्येक अनुप्रयोग के केंद्र में आता है, यह लचीलापन और संगतता नहीं है – यह नवाचार के लिए आवश्यक है।

ऑर्केस्ट्रेटर एजेंट न्यूरोस्प्लिट के साथ कैसे पूरक है, और यह एआई तैनाती रणनीतियों को बदलने में क्या भूमिका निभाता है?

ऑर्केस्ट्रेटर एजेंट (ओए) और न्यूरोस्प्लिट एक स्व-ऑप्टिमाइज़िंग एआई तैनाती प्रणाली बनाने के लिए मिलकर काम करते हैं:

1. डेवलपर सीमाएं निर्धारित करते हैं:

• प्रतिबंध: अनुमत मॉडल, संस्करण, क्लाउड प्रदाता, क्षेत्र, अनुपालन नियम
• लक्ष्य: लक्ष्य विलंबता, लागत सीमा, प्रदर्शन आवश्यकताएं, गोपनीयता आवश्यकताएं

2. ओए इन प्रतिबंधों के भीतर लक्ष्यों को प्राप्त करने के लिए काम करता है:

• निर्णय लेता है कि प्रत्येक अनुरोध के लिए कौन से मॉडल/एपीआई का उपयोग किया जाना चाहिए
• वास्तविक दुनिया के प्रदर्शन के आधार पर तैनाती रणनीतियों को अनुकूलित करता है
• निर्दिष्ट लक्ष्यों के लिए अनुकूलन के लिए व्यापार-बंद करता है
• तत्काल रूप से पुनः कॉन्फ़िगर किया जा सकता है क्योंकि आवश्यकताएं बदलती हैं

3. न्यूरोस्प्लिट ओए के निर्णयों को निष्पादित करता है:

• वास्तविक समय डिवाइस टेलीमेट्री का उपयोग करके निष्पादन को अनुकूलित करता है
• लाभकारी होने पर डिवाइस और क्लाउड के बीच प्रसंस्करण को विभाजित करता है
• सुनिश्चित करता है कि प्रत्येक अनुमान वर्तमान स्थितियों को देखते हुए अनुकूलित रूप से चलता है

यह एक एआई प्रणाली की तरह है जो स्वचालित रूप से आपके द्वारा परिभाषित नियमों और लक्ष्यों के भीतर खुद को अनुकूलित करती है, प्रत्येक परिदृश्य के लिए मैनुअल अनुकूलन की आवश्यकता के बजाय।

आपके विचार में, ऑर्केस्ट्रेटर एजेंट एआई को विभिन्न उद्योगों में कैसे तैनात करने के तरीके को बदल देगा?

यह तीन महत्वपूर्ण चुनौतियों का समाधान करता है जो एआई अपनाने और नवाचार को रोक रही हैं।

पहला, यह कंपनियों को नवीनतम एआई प्रगति के साथ तालमेल रखने की अनुमति देता है। ऑर्केस्ट्रेटर एजेंट के साथ, आप तुरंत नवीनतम मॉडल और तकनीकों का लाभ उठा सकते हैं बिना अपने बुनियादी ढांचे को फिर से काम किए।

दूसरा, यह प्रति अनुरोध एआई मॉडल चयन के लिए गतिशील अनुकूलन को सक्षम बनाता है। ऑर्केस्ट्रेटर एजेंट विशाल विकल्पों के पारिस्थितिकी तंत्र से मॉडल को मिलाकर और मिलाकर विभिन्न उपयोगकर्ता इंटरैक्शन के लिए सर्वोत्तम संभव परिणाम प्रदान करने के लिए बुद्धिमानी से मिला सकता है। उदाहरण के लिए, एक ग्राहक सेवा एआई एक तकनीकी प्रश्नों के लिए विशेषज्ञता वाले मॉडल का उपयोग कर सकता है और एक अलग मॉडल का उपयोग बिलिंग प्रश्नों के लिए कर सकता है, प्रत्येक प्रकार की इंटरैक्शन के लिए बेहतर परिणाम प्रदान करता है।

तीसरा, यह प्रदर्शन को अधिकतम करते हुए लागत को कम करता है। एजेंट स्वचालित रूप से उपयोगकर्ता के डिवाइस पर या क्लाउड में एआई चलाने के बीच संतुलन बनाता है, जो उस समय के आधार पर सबसे अधिक समझ में आता है। जब गोपनीयता महत्वपूर्ण होती है, तो यह डेटा को स्थानीय रूप से संसाधित करता है। जब अतिरिक्त कम्प्यूटिंग शक्ति की आवश्यकता होती है, तो यह क्लाउड का लाभ उठाता है। यह सब पृष्ठभूमि में होता है, उपयोगकर्ताओं के लिए एक चिकनी अनुभव बनाता है जबकि व्यवसायों के लिए संसाधनों को अनुकूलित करता है।

लेकिन जो ऑर्केस्ट्रेटर एजेंट को वास्तव में अलग करता है वह यह है कि यह व्यवसायों को अगली पीढ़ी के हाइपर-व्यक्तिगत अनुभव बनाने में सक्षम बनाता है। एक ई-लर्निंग प्लेटफ़ॉर्म पर विचार करें – हमारी तकनीक के साथ, वे एक प्रणाली बना सकते हैं जो स्वचालित रूप से प्रत्येक छात्र के वर्तमान समझ के स्तर के आधार पर अपने शिक्षण दृष्टिकोण को अनुकूलित करती है। जब कोई उपयोगकर्ता “मशीन लर्निंग” के लिए खोज करता है, तो प्लेटफ़ॉर्म केवल सामान्य परिणाम नहीं दिखाता है – यह तुरंत उनकी वर्तमान समझ का आकलन कर सकता है और स्थानीय रूप से संवेदनशील डेटा को संसाधित करते हुए उन अवधारणाओं का उपयोग करके अनुकूलित व्याख्या प्रदान कर सकता है जो वे पहले से जानते हैं।

अंततः, ऑर्केस्ट्रेटर एजेंट एआई तैनाती के भविष्य का प्रतिनिधित्व करता है – एक स्थिर, एकल एआई बुनियादी ढांचे से एक गतिशील, अनुकूलन योग्य एआई ऑर्केस्ट्रेशन में बदलाव। यह एआई तैनाती को आसान बनाने के बारे में नहीं है – यह पूरी तरह से नए वर्गों के एआई अनुप्रयोगों को संभव बनाने के बारे में है।

ऑर्केस्ट्रेटर एजेंट के निजी बीटा में भाग लेने वाली कंपनियों से आपको अब तक क्या प्रतिक्रिया मिली है?

ऑर्केस्ट्रेटर एजेंट के निजी बीटा में भाग लेने वाली कंपनियों से प्रतिक्रिया उत्कृष्ट रही है! कंपनियां यह जानकर रोमांचित हैं कि वे अंततः प्रोप्राइटरी मॉडल या होस्टिंग सेवाओं के लिए बुनियादी ढांचे के तालमेल से मुक्त हो सकती हैं। किसी भी तैनाती निर्णय को भविष्य में लाने की क्षमता एक खेल परिवर्तक रही है, जिसने उन डरावने महीनों को समाप्त कर दिया है जब दृष्टिकोण बदलने पर पुनर्कार्य की आवश्यकता होती है।

हमारे न्यूरोस्प्लिट प्रदर्शन परिणाम उल्लेखनीय रहे हैं – हम जल्द ही डेटा साझा करने के लिए उत्सुक हैं। जो विशेष रूप से उत्साहजनक है वह यह है कि अनुकूली एआई तैनाती की बहुत ही अवधारणा ने कल्पनाओं को पकड़ लिया है। यह तथ्य कि एआई स्वयं तैनाती कर रहा है भविष्य की तरह लगता है और यह कुछ ऐसा नहीं है जिसकी उन्हें अभी अपेक्षा थी, इसलिए तकनीकी प्रगति से लोग उत्साहित हैं और नए बाजारों की संभावनाओं के बारे में जो यह भविष्य में बना सकता है।

जनरेटिव एआई में तेजी से प्रगति के साथ, आपको एआई बुनियादी ढांचे के लिए अगली प्रमुख चुनौतियां क्या दिखाई दे रही हैं, और स्काइमेल इन्हें कैसे हल करने की योजना बना रहा है?

हम एक भविष्य की ओर बढ़ रहे हैं जिसे अधिकांश लोगों ने अभी तक पूरी तरह से नहीं समझा है: एकल प्रमुख एआई मॉडल नहीं होगा, बल्कि अरबों मॉडल होंगे। भले ही हम सबसे शक्तिशाली सामान्य एआई मॉडल बनाएं, हमें प्रत्येक व्यक्ति के लिए व्यक्तिगत मॉडल की आवश्यकता होगी, जो प्रत्येक विशिष्ट संदर्भों, वरीयताओं और आवश्यकताओं के लिए अनुकूलित होंगे। यह कम से कम 8 अरब मॉडल होंगे, जो दुनिया की आबादी के आधार पर है।

यह आज के एक-आकार-फिट-सभी दृष्टिकोण से एक क्रांतिकारी बदलाव को चिह्नित करता है। भविष्य व्यक्तिगत मॉडलों की मांग कर रहा है। स्काइमेल में, हम न केवल आज की तैनाती चुनौतियों का समाधान कर रहे हैं – हमारी तकनीकी सड़कमैप भविष्य के लिए नींव रख रही है जो आ रही है।

आप अगले पांच वर्षों में एआई बुनियादी ढांचे के विकास को कैसे देखते हैं, और इस विकास में स्काइमेल की क्या भूमिका होगी?

एआई बुनियादी ढांचे का परिदृश्य मूलभूत रूप से बदलने वाला है। जबकि आज का फोकस क्लाउड में बड़े भाषा मॉडल को स्केल करने पर है, अगले पांच वर्ष एआई को गहराई से व्यक्तिगत और संदर्भ-जागरूक होते देखेंगे। यह नहीं है कि बस फ़ाइन-ट्यूनिंग​​ – यह एआई है जो विशिष्ट उपयोगकर्ताओं, डिवाइसों और स्थितियों के लिए वास्तविक समय में अनुकूलित होता है।

यह बदलाव दो प्रमुख बुनियादी ढांचे की चुनौतियां पैदा करता है। पहला, पारंपरिक दृष्टिकोण जो सब कुछ केंद्रीकृत डेटा केंद्रों में चलाने पर जोर देता है, वह तकनीकी और आर्थिक रूप से अस्थिर हो जाता है। दूसरा, एआई अनुप्रयोगों की बढ़ती जटिलता का अर्थ है कि हमें एक बुनियादी ढांचे की आवश्यकता है जो कई मॉडल, डिवाइस और कम्प्यूट स्थानों पर गतिशील रूप से अनुकूलित हो सके।

स्काइमेल में, हम विशेष रूप से इन चुनौतियों का समाधान करने के लिए बुनियादी ढांचा बना रहे हैं। हमारी तकनीक एआई को वहीं चलाने की अनुमति देती है जहां यह सबसे ज्यादा समझ में आता है – चाहे वह डेटा के निर्माण के स्थान पर डिवाइस पर हो, या अधिक कम्प्यूट शक्ति की आवश्यकता होने पर क्लाउड में। और जो महत्वपूर्ण है, यह निर्णय वास्तविक समय में बदलती स्थितियों और आवश्यकताओं के आधार पर किया जाता है।

आगे देखते हुए, सफल एआई अनुप्रयोगों को बड़े मॉडल या कम्प्यूट तक पहुंच के आकार से परिभाषित नहीं किया जाएगा। वे व्यक्तिगत, प्रतिक्रियाशील अनुभवों को वितरित करने और संसाधनों को कुशलता से प्रबंधित करने की उनकी क्षमता से परिभाषित किए जाएंगे। हमारा लक्ष्य हर एआई अनुप्रयोग के लिए इस स्तर के बुद्धिमान अनुकूलन को सुलभ बनाना है, चाहे इसका आकार या जटिलता कुछ भी हो।

साक्षात्कार के लिए धन्यवाद, पाठक जो और जानना चाहते हैं उन्हें स्काइमेल पर जाना चाहिए।