რამდენ წყალს მოიხმარს ხელოვნური ინტელექტი?

დარწმუნებული ვარ, ყველაფერი გსმენიათ, დაწყებული „ხელოვნური ინტელექტი ყოველ რამდენიმე კითხვაზე ერთ ბოთლ წყალს სვამს“-დან და დამთავრებული „ეს ძირითადად რამდენიმე წვეთია“-თი. სიმართლე უფრო ნიუანსირებულია. ხელოვნური ინტელექტის წყლის კვალი მნიშვნელოვნად განსხვავდება იმის მიხედვით, თუ სად მუშაობს, რამდენ ხანს გრძელდება თქვენი მოთხოვნა და როგორ აგრილებს მონაცემთა ცენტრი თავის სერვერებს. ასე რომ, დიახ, სათაურის ნომერი არსებობს, მაგრამ ის გარკვეული შეზღუდვების ქვეშაა.

ქვემოთ მე განვმარტავ მკაფიო, გადაწყვეტილების მისაღებად მზა ციფრებს, ავხსნი, თუ რატომ არ შეესაბამება შეფასებები ერთმანეთს და ვაჩვენებ, თუ როგორ შეუძლიათ მშენებლებს და ყოველდღიურ მომხმარებლებს წყლის რეზერვუარის შემცირება მდგრადი განვითარების ბერებად გადაქცევის გარეშე.

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 რა არის ხელოვნური ინტელექტის მონაცემთა ნაკრები?
განმარტავს, თუ როგორ უწყობს ხელს მონაცემთა ნაკრებები მანქანური სწავლების ტრენინგსა და მოდელების შემუშავებას.

🔗 როგორ პროგნოზირებს ხელოვნური ინტელექტი ტენდენციებს
აჩვენებს, თუ როგორ აანალიზებს ხელოვნური ინტელექტი ნიმუშებს ცვლილებებისა და მომავალი შედეგების პროგნოზირებისთვის.

🔗 როგორ გავზომოთ ხელოვნური ინტელექტის მუშაობა
აანალიზებს სიზუსტის, სიჩქარისა და საიმედოობის შესაფასებლად აუცილებელ მეტრიკებს.

🔗 როგორ ვესაუბროთ ხელოვნურ ინტელექტს
ხელმძღვანელობს ეფექტურ სტიმულის სტრატეგიებს სიცხადის, შედეგების და თანმიმდევრულობის გასაუმჯობესებლად.

რამდენ წყალს იყენებს ხელოვნური ინტელექტი? მოკლე ციფრები, რომელთა გამოყენებაც რეალურად შეგიძლიათ 📏

• ტიპური დიაპაზონი დღეს თითოეული მოთხოვნისთვის: ერთ ძირითად სისტემაში საშუალო ტექსტური მოთხოვნისთვის მილილიტრის ქვემილიტრიდან , მეორეზე უფრო ხანგრძლივი, უფრო მაღალი გამოთვლითი პასუხის მისაღებად ათობით მილილიტრამდე საშუალო ტექსტურ მოთხოვნას ~0.26 მლ-ს (სრული მომსახურების ზედნადები ხარჯების ჩათვლით) [1]. Mistral-ის სასიცოცხლო ციკლის შეფასება 400 ტოკენიანი ასისტენტის პასუხს ~45 მლ-ს (ზღვრული ინფერენცია) [2]. კონტექსტს და მოდელს დიდი მნიშვნელობა აქვს.

• სასაზღვრო მასშტაბის მოდელის მომზადება: მილიონობით ლიტრი მოხმარდეს , ძირითადად გაგრილებისა და ელექტროენერგიის გენერაციაში ჩართული წყლისგან. ფართოდ ციტირებული აკადემიური ანალიზით, GPT კლასის მოდელის მომზადება დაახლოებით 5.4 მილიონ ლიტრს ~700,000 ლიტრი ადგილზე გაგრილებისთვის მოიხმარს - და წყლის ინტენსივობის შესამცირებლად ჭკვიანური გრაფიკის გამოყენებას ამტკიცებდა [3].

• მონაცემთა ცენტრები ზოგადად: დიდი ობიექტები ასობით ათას გალონს დღეში , ზოგიერთ კამპუსში კი უფრო მაღალი პიკებია კლიმატისა და დიზაინის მიხედვით [5].

მოდით, ვიყოთ გულახდილები: თავიდან ეს ციფრები არათანმიმდევრულად მოგეჩვენებათ. მართლაც ასეა. და ამის კარგი მიზეზები არსებობს.

ხელოვნური ინტელექტის წყლის მოხმარების მეტრიკა ✅

რამდენ წყალს იყენებს ხელოვნური ინტელექტი?“ კარგი პასუხი რამდენიმე უჯრას უნდა მონიშნავდეს:

1. საზღვრების სიცხადე
   მოიცავს თუ არა ეს მხოლოდ ადგილზე არსებულ გამაგრილებელ წყალს, თუ ასევე ელექტროსადგურების ელექტროენერგიის გენერირებისთვის ობიექტს გარეთ არსებულ წყალს წყლის აღებას წყლის მოხმარებისგან და მოიცავს 1-2-3 სფეროებს, ნახშირბადის აღრიცხვის მსგავსად [3].

2. ადგილმდებარეობის მგრძნობელობა.
   წყალი კვტ/სთ-ზე განსხვავდება რეგიონისა და ქსელის მიხედვით, ამიტომ ერთი და იგივე მოთხოვნას შეიძლება ჰქონდეს განსხვავებული გავლენა წყალზე, იმისდა მიხედვით, თუ სად მიეწოდება მას - ეს არის მთავარი მიზეზი, რის გამოც ლიტერატურა დროისა და ადგილის გათვალისწინებით დაგეგმვას [3].

3. სამუშაო დატვირთვის რეალიზმი.
   ასახავს თუ არა რიცხვი წარმოების საშუალო მაჩვენებლებს , მათ შორის უმოქმედო სიმძლავრეს და მონაცემთა ცენტრის დატვირთვის მაჩვენებლებს, თუ მხოლოდ ამაჩქარებელს პიკში? Google დასკვნისთვის ხაზს უსვამს სისტემის სრულ აღრიცხვას (უმოქმედო, CPU/DRAM და მონაცემთა ცენტრის დატვირთვის მაჩვენებლებს) და არა მხოლოდ TPU-ს მათემატიკას [1].

4. გაგრილების ტექნოლოგია
   აორთქლებით გაგრილება, დახურული ციკლის სითხით გაგრილება, ჰაერით გაგრილება და ახალი პირდაპირი ჩიპზე გაგრილების მიდგომები მკვეთრად ცვლის წყლის ინტენსივობას. Microsoft-ი ნერგავს დიზაინებს, რომლებიც მიზნად ისახავს გარკვეული ახალი თაობის ობიექტებისთვის გაგრილების წყლის გამოყენების აღმოფხვრას

5. დღის დრო და სეზონი
   რეალურ ცხოვრებაში სიცხე, ტენიანობა და ქსელის პირობები წყლის გამოყენების ეფექტურობას

წყლის აღება წყლის მოხმარებასთან შედარებით, ახსნილია 💡

• ამოღება = წყლის აღება მდინარეებიდან, ტბებიდან ან წყალშემკრები ფენებიდან (ნაწილი უკან დაბრუნება).

• მოხმარება = წყალი არ ბრუნდება, რადგან ის ორთქლდება ან შედის პროცესებში/პროდუქტებში.

გამაგრილებელი კოშკები ძირითადად აორთქლების გზით მოიხმარენ მოხმარება , რაც დამოკიდებულია ქარხნისა და გაგრილების მეთოდის მიხედვით. სანდო ხელოვნური ინტელექტის წყლის ნომერი მიუთითებს, რომელსაც ის აფიქსირებს [3].

სად მიდის წყალი ხელოვნურ ინტელექტში: სამი ვედრო 🪣

1. ფარგლები 1 - ადგილზე გაგრილება
   ხილული ნაწილი: წყალი აორთქლდება თავად მონაცემთა ცენტრში. დიზაინის არჩევანი, როგორიცაა აორთქლება ჰაერის ან დახურული ციკლის სითხის წინააღმდეგ, განსაზღვრავს საბაზისო ნიშნულს [5].

2. მე-2 სფერო - ელექტროენერგიის გამომუშავება.
   ყოველ კვტ/სთ-ს შეიძლება ჰქონდეს დაფარული წყლის ნიშანი; ნარევი და მდებარეობა განსაზღვრავს ლიტრ-კვტ/სთ სიგნალს, რომელსაც თქვენი სამუშაო დატვირთვა მემკვიდრეობით მიიღებს [3].

3. სფერო 3 - მიწოდების ჯაჭვი
   ჩიპების წარმოება დამზადებისას ულტრასუფთა წყალზეა დამოკიდებული. თქვენ მას „თითოეული მოთხოვნის“ მეტრიკაში ვერ ნახავთ, თუ საზღვარი აშკარად არ მოიცავს განსახიერებულ ზემოქმედებას (მაგ., სრული LCA) [2][3].

მომწოდებლები ციფრებით, ნიუანსებით 🧮

• Google Gemini-ს
  სრული დასტის მიწოდების მეთოდის შეთავაზებები (მოკლე და ობიექტის ზედნადები ხარჯების ჩათვლით). საშუალო ტექსტური მოთხოვნა ~0.26 მლ წყალი ~0.24 ვტ/სთ ენერგიასთან ერთად; ციფრები ასახავს წარმოების ტრაფიკს და ყოვლისმომცველ საზღვრებს [1].

• Mistral Large 2-ის სასიცოცხლო ციკლი
  იშვიათი დამოუკიდებელი LCA (ADEME/Carbone 4-ით) ავლენს ~281,000 მ³-ს ტრენინგისთვის + ადრეული გამოყენებისთვის და ინფერენციის ზღვრულ ~45 მლ-ს 400-ტოკენიანი პასუხისთვის [2].

• Microsoft-ის წყლის გარეშე გაგრილების ამბიცია.
  გაგრილების მიზნით წყლის გარეშე მოხმარებისთვისაა შექმნილი და ჩიპზე პირდაპირი მიდგომის გამოყენებას ეყრდნობა; ადმინისტრაციული მიზნებისთვის წყლის გარკვეული რაოდენობა მაინც საჭიროა [4].

• ზოგადი მონაცემთა ცენტრის მასშტაბი
  მსხვილი ოპერატორები საჯაროდ აცხადებენ, რომ საშუალოდ ასობით ათასი გალონი მოიხმარს დღეში ცალკეულ ობიექტებზე; კლიმატი და დიზაინი ზრდის ან ამცირებს ციფრებს [5].

• ადრეული აკადემიური საბაზისო მონაცემები
  „წყურვილის მქონე ხელოვნური ინტელექტის“ ანალიზმა GPT კლასის მოდელების გასაწვრთნელად მილიონობით ლიტრი 10–50 საშუალო სიმძლავრის პასუხი დაახლოებით 500 მლ ბოთლის ტოლი იქნებოდა - რაც დიდად იყო დამოკიდებული იმაზე, თუ როდის/სად გამოიყენება ისინი [3].

რატომ განსხვავდება ასე ძალიან შეფასებები 🤷

• სხვადასხვა საზღვრები
  ზოგიერთი ციფრი მხოლოდ ადგილზე გაგრილებას ; სხვები კი ელექტროენერგიას და წყალს ; ადგილობრივი საკონტროლო სააგენტოები შეიძლება ჩიპების წარმოებას . ვაშლი, ფორთოხალი და ხილის სალათი [2][3].

• სხვადასხვა სამუშაო დატვირთვები
  მოკლე ტექსტური მოთხოვნა არ არის ხანგრძლივი მულტიმოდალური/კოდის გაშვება; პარტიული დამუშავება, პარალელური და შეყოვნების სამიზნეები ცვლის გამოყენებას [1][2].

• სხვადასხვა კლიმატი და ქსელები
  აორთქლებით გაგრილება ცხელ, არიდულ რეგიონში ≠ ჰაერით/თხევადით გაგრილება გრილ, ნესტიან რეგიონში. ქსელის წყლის ინტენსივობა მნიშვნელოვნად განსხვავდება [3].

• მომწოდებლის მეთოდოლოგიები
  Google-მა გამოაქვეყნა სისტემის მასშტაბით მომსახურების მეთოდი; Mistral-მა გამოაქვეყნა ოფიციალური LCA. სხვები გვთავაზობენ ქულების შეფასებას არასრული მეთოდებით. ხმაურიანი „ჩაის კოვზის ერთი მეთხუთმეტედის“ მოთხოვნამ სათაურები მოიპოვა - მაგრამ საზღვრების დეტალების გარეშე, ის შედარებადი არ არის [1][3].

• მოძრავი სამიზნე
  გაგრილება სწრაფად ვითარდება. Microsoft-ი წყლის გარეშე გაგრილების ; ამ სისტემების დანერგვა შეამცირებს ადგილზე წყლის მოხმარებას მაშინაც კი, თუ ზედა დინების ელექტროენერგია კვლავ წყლის სიგნალს ატარებს [4].

რა შეგიძლიათ გააკეთოთ დღეს ხელოვნური ინტელექტის წყლის კვალის შესამცირებლად 🌱

1. მოდელის სწორი ზომა.
   უფრო პატარა, დავალებაზე მორგებული მოდელები ხშირად ემთხვევა სიზუსტეს, ამავდროულად ნაკლებ გამოთვლით ხარჯავენ. მისტრალის შეფასება ხაზს უსვამს ზომისა და ნაკვალევის ძლიერ კორელაციას და აქვეყნებს ზღვრულ ინფერენციულ რიცხვებს, რათა კომპრომისებზე მსჯელობა შეძლოთ [2].

2. აირჩიეთ წყლის მოხმარების თვალსაზრისით გონივრული რეგიონები.
   უპირატესობა მიანიჭეთ უფრო გრილი კლიმატის მქონე რეგიონებს, ეფექტურ გაგრილებას და ქსელებს, სადაც წყლის ინტენსივობა დაბალია კვტ/სთ-ზე; „წყურვილის ხელოვნური ინტელექტის“ კვლევა აჩვენებს, რომ დროისა და ადგილის გათვალისწინებით დაგეგმვა სასარგებლოა [3].

3. სამუშაო დატვირთვის დროულად გადატანა.
   ტრენინგის/მძიმე პარტიების ანალიზის დაგეგმვა წყლის დაზოგვის საათებისთვის (უფრო გრილი ღამეები, ხელსაყრელი ქსელის პირობები) [3].

4. გამჭვირვალობის მაჩვენებლებისთვის მიმართეთ თქვენს მომწოდებელს.
   მოთხოვნა თითოეული მოთხოვნის მიხედვით , საზღვრების განსაზღვრებები და ის, მოიცავს თუ არა რიცხვები უმოქმედო სიმძლავრეს და ობიექტის ზედნადებს. პოლიტიკის ჯგუფები მოითხოვენ სავალდებულო გამჟღავნებას, რათა შესაძლებელი გახდეს შედარება [3].

5. გაგრილების ტექნოლოგია მნიშვნელოვანია
   თუ აპარატურას იყენებთ, შეაფასეთ დახურული ციკლის/ჩიპზე პირდაპირი მიწოდებით გაგრილება ; თუ ღრუბელზე ხართ, უპირატესობა მიანიჭეთ რეგიონებს/პროვაიდერებს, რომლებიც წყლის განათების დიზაინში [4][5].

6. გამოიყენეთ ნაცრისფერი წყალი და ხელახლა გამოყენების ვარიანტები.
   ბევრ კამპუსს შეუძლია არასასმელი წყაროების ჩანაცვლება ან ციკლურად გადამუშავება; მსხვილი ოპერატორები აღწერენ წყლის წყაროების და გაგრილების ვარიანტების დაბალანსებას წმინდა ზემოქმედების მინიმიზაციის მიზნით [5].

მოკლე მაგალითი, რომელიც რეალობას წარმოაჩენს (არა უნივერსალური წესი): ღამის ტრენინგის სამუშაოს ზაფხულის შუა პერიოდში ცხელი, მშრალი რეგიონიდან გაზაფხულზე უფრო გრილ, ნოტიო რეგიონში გადატანა - და მისი პიკის საათების მიღმა, გრილ საათებში განხორციელება - შეიძლება შეცვალოს როგორც ადგილზე წყლის მოხმარება, ასევე ობიექტის გარეთ (ქსელის) წყლის ინტენსივობა. ეს არის ისეთი პრაქტიკული, ნაკლებად დრამატული გამარჯვების დაგეგმვა, რომელსაც შეუძლია განვავითაროთ [3].

შედარების ცხრილი: სწრაფი არჩევანი ხელოვნური ინტელექტის მიერ წყლის დანაკარგის შესამცირებლად 🧰

(„ფასი“ დიზაინით რბილია - განლაგება განსხვავებულია.)

ღრმა ჩახედვა: პოლიტიკის დოლების ხმაური სულ უფრო ხმამაღალი ხდება 🥁

საინჟინრო ორგანოები მოითხოვენ სავალდებულო გამჟღავნებას , რათა მყიდველებმა და თემებმა შეძლონ ხარჯებისა და სარგებლის შეფასება. რეკომენდაციები მოიცავს მასშტაბის განმარტებებს, ადგილმდებარეობის დონის ანგარიშგებას და ადგილმდებარეობის მითითებებს - რადგან შედარებითი, მდებარეობაზე ორიენტირებული მეტრიკის გარეშე, ჩვენ ბნელში ვკამათობთ [3].

დეტალური ინფორმაცია: მონაცემთა ცენტრები ყველა ერთნაირად არ წვავს მონაცემებს 🚰

არსებობს მუდმივი მითი, რომ „ჰაერის გაგრილება წყალს არ იყენებს“. სულაც არ არის ასე. ჰაერზე მომუშავე სისტემებს ხშირად მეტი ელექტროენერგია , რომელიც ბევრ რეგიონში ქსელიდან ფარულ წყალს წყლით გაგრილებას შეუძლია ელექტროენერგიის და გამონაბოლქვის შემცირება ადგილზე წყლის ხარჯზე. მსხვილი ოპერატორები აშკარად აბალანსებენ ამ კომპრომისებს თითოეული უბნის მიხედვით [1][5].

სიღრმისეული ანალიზი: ვირუსული განცხადებების სწრაფი რეალობის შემოწმება 🧪

შესაძლოა, შეგხვედრიათ თამამი განცხადებები, რომ ერთი მოთხოვნა უდრის „წყლის ბოთლს“ ან, მეორე მხრივ, „მხოლოდ რამდენიმე წვეთს“. უკეთესი პოზა: თავმდაბლობა მათემატიკასთან ერთად . დღევანდელი სანდო წიგნის საკიდები საშუალო წარმოების მოთხოვნისთვის ~0.26 მლ- ~45 მლ-ია 400 ჟეტონიანი ასისტენტის პასუხისთვის (ზღვრული დასკვნა) [2]. ფართოდ გავრცელებულ „ჩაის კოვზის ერთი მეთხუთმეტედის“ მტკიცებას აკლია საჯარო საზღვარი/მეთოდი; განიხილეთ ის, როგორც ამინდის პროგნოზი ქალაქის გარეშე [1][3].

მინი-ხშირად დასმული კითხვები: რამდენ წყალს იყენებს ხელოვნური ინტელექტი? კიდევ ერთხელ, მარტივად რომ ვთქვათ 🗣️

• მაშ, რა უნდა ვთქვა შეხვედრაზე?
  მოდელის, სიგრძისა და დანიშნულების ადგილის მიხედვით, წვეთებიდან რამდენიმე ყლუპამდე მერყეობს ვარჯიში ტბორებში ტარდება და არა გუბეებში“. შემდეგ მოიყვანეთ ზემოთ მოცემული ერთი ან ორი მაგალითი.

• ხელოვნური ინტელექტი უნიკალურად ცუდია?
  ის უნიკალურად კონცენტრირებულია : ერთად შეკრული მაღალი სიმძლავრის ჩიპები დიდ გაგრილების დატვირთვას ქმნის. თუმცა, მონაცემთა ცენტრები ასევე ის ადგილია, სადაც ყველაზე ეფექტური ტექნოლოგიები, როგორც წესი, პირველ რიგში ხვდება [1][4].

• რა მოხდება, თუ ყველაფერს უბრალოდ ჰაერით გაგრილებულ სისტემაზე გადავიყვანთ?
  შესაძლოა, ადგილზე წყლის მიწოდება შეამციროთ, მაგრამ ელექტროენერგიის საშუალებით გაზარდოთ ობიექტის გარეთ წყლის მიწოდება. დახვეწილი ოპერატორები ორივეს აწონ-დაწონიან [1][5].

• რაც შეეხება მომავლის ტექნოლოგიებს?
  დიზაინები, რომლებიც თავიდან აიცილებენ წყლის მასშტაბურ გაგრილებას, გადამწყვეტი იქნება Scope 1-ისთვის. ზოგიერთი ოპერატორი ამ მიმართულებით მოძრაობს; ზედა დინების ელექტროენერგია კვლავ ატარებს წყლის სიგნალს მანამ, სანამ ქსელები არ შეიცვლება [4].

დასკვნითი შენიშვნები - ძალიან გრძელია, არ წამიკითხავს 🌊

• თითოეული შენიშვნის მიხედვით: მოდელის, შენიშვნის სიგრძისა და გამოყენების ადგილის მიხედვით, წარმოიდგინეთ სუბმილილიტრიდან ათეულ მილილიტრამდე საშუალო შენიშვნის მნიშვნელობა ~0.26 მლ ერთ ძირითად დასტაზე; ~45 მლ 400-ტოკენიანი პასუხის შემთხვევაში მეორეზე [1][2].

• ტრენინგი: მილიონობით ლიტრი საფრონტო მოდელებისთვის, რაც დაგეგმვის, განლაგებისა და გაგრილების ტექნოლოგიების კრიტიკულ დონეს ანიჭებს [3].

• რა უნდა გააკეთოთ: სწორი ზომის მოდელები, წყლის მოხმარების თვალსაზრისით რეგიონების შერჩევა, მძიმე სამუშაოების გრილ საათებში გადატანა, წყლის განათების დიზაინის მქონე მომწოდებლების უპირატესობა მიანიჭეთ და გამჭვირვალე საზღვრები მოითხოვეთ [1][3][4][5].

ოდნავ არასრულყოფილი მეტაფორა დასასრულს: ხელოვნური ინტელექტი მწყურვალი ორკესტრია - მელოდია გამოთვლითია, მაგრამ დასარტყამი ინსტრუმენტები გამაგრილებელია და წყალს აწვება. ააწყვეთ ჯგუფი და მაყურებელი მაინც მიიღებს მუსიკას სარწყავი აპარატების ჩართვის გარეშე. 🎻💦

ცნობები

1. Google Cloud ბლოგი - რამდენ ენერგიას მოიხმარს Google-ის ხელოვნური ინტელექტი? ჩვენ გამოვთვალეთ ისინი (მეთოდოლოგია + ~0.26 მლ საშუალო მოთხოვნა, სრული პორციის ხარჯები). ბმული
   (ტექნიკური ნაშრომი PDF ფორმატში: ხელოვნური ინტელექტის მიწოდების გარემოზე ზემოქმედების გაზომვა Google-ის მასშტაბით .) ბმული

2. Mistral AI - ჩვენი წვლილი ხელოვნური ინტელექტის გლობალურ გარემოსდაცვით სტანდარტში (LCA ADEME/Carbone 4-ით; ~281,000 მ³ ტრენინგი + ადრეული გამოყენება; ~45 მლ 400-ტოკენიან პასუხზე , ზღვრული ინფერენცია). ბმული

3. ლი და სხვ. - ხელოვნური ინტელექტის „წყურვილის“ შემცირება: ხელოვნური ინტელექტის მოდელების საიდუმლო წყლის კვალის გამოვლენა და მასზე რეაგირება მილიონობით ლიტრის ტრენინგი , დროისა და ადგილის გათვალისწინებით დაგეგმვა, მოხმარების წინააღმდეგობის გაწევა). ბმული

4. Microsoft - ახალი თაობის მონაცემთა ცენტრები გაგრილებისთვის ნულოვან წყალს მოიხმარენ (პირდაპირი ჩიპზე მიმაგრების დიზაინი, რომელიც მიზნად ისახავს გარკვეულ ობიექტებზე წყლის გარეშე გაგრილებას). ბმული

5. Google-ის მონაცემთა ცენტრები - მდგრადი ფუნქციონირება (ადგილმდებარეობის მიხედვით გაგრილების კომპრომისები; ანგარიშგება და ხელახალი გამოყენება, მათ შორის აღდგენილი/ნაცრისფერი წყლები; ობიექტის დონეზე ყოველდღიური გამოყენების ტიპური სიდიდის რიგი). ბმული

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ