مشکلات کسب و کار را از طریق یادگیری ماشینی در راه حل های Amazon SageMaker JumpStart حل کنید

Amazon SageMaker JumpStart مدل‌های از پیش آموزش‌دیده و منبع باز را برای طیف گسترده‌ای از انواع مشکلات ارائه می‌کند تا به شما در شروع یادگیری ماشین (ML) کمک کند. JumpStart همچنین الگوهای راه حلی را ارائه می دهد که زیرساخت هایی را برای موارد استفاده رایج تنظیم می کند و نمونه های نوت بوک قابل اجرا برای ML با آمازون SageMaker.

به عنوان یک کاربر تجاری، می توانید کارهای زیر را با راه حل های JumpStart انجام دهید:

• راه حل ها را کاوش کنید و ارزیابی کنید که کدام یک با نیازهای کسب و کار شما مطابقت دارند.
• راه‌حل‌ها را با یک کلیک راه‌اندازی کنید Amazon SageMaker Studio. این راه اندازی می کند AWS CloudFormation قالبی برای ایجاد منابع مورد نیاز
• راه حل را برای رفع نیازهای شما با دسترسی به دارایی های نوت بوک و مدل اصلی تغییر دهید.
• پس از اتمام، منابع به دست آمده را حذف کنید.

این پست بر روی پنج راه حل ML تمرکز دارد که اخیراً برای رسیدگی به پنج چالش مختلف تجاری اضافه شده اند. تا زمان نگارش این مقاله، JumpStart 23 راه حل تجاری ارائه می دهد که از کشف تقلب در تراکنش های مالی تا تشخیص دست خط متفاوت است. تعداد راه حل هایی که از طریق JumpStart ارائه می شوند به طور منظم با اضافه شدن راه حل های بیشتری به آن افزایش می یابد.

بررسی اجمالی راه حل

پنج راه حل جدید به شرح زیر است:

• بهینه سازی قیمت – مدل‌های ML قابل سفارشی‌سازی را ارائه می‌دهد تا به شما در تصمیم‌گیری بهینه برای تعیین قیمت محصول یا خدمات خود به منظور دستیابی به هدف کسب‌وکارتان، مانند به حداکثر رساندن درآمد، سود، یا سایر معیارهای سفارشی کمک کند.
• پیش بینی گونه پرندگان - نشان می دهد که چگونه می توانید یک مدل تشخیص اشیا را آموزش دهید و تنظیم کنید. تنظیم مدل را از طریق تقویت تصویر آموزشی نشان می‌دهد و پیشرفت‌های دقتی را که در طول تکرار (دوران) کار آموزشی رخ می‌دهد، نمودار می‌کند.
• پیش بینی بقای سرطان ریه - نشان می‌دهد که چگونه می‌توانید ویژگی‌های رادیومیک دوبعدی و سه‌بعدی و اطلاعات جمعیتی بیمار را به الگوریتم ML تغذیه کنید تا شانس بقای بیمار در سرطان ریه را پیش‌بینی کنید. نتایج حاصل از این پیش بینی می تواند به ارائه دهندگان کمک کند تا اقدامات پیشگیرانه مناسب را انجام دهند.
• طبقه بندی پرداخت های مالی - نحوه آموزش و استقرار یک مدل ML را برای طبقه بندی تراکنش های مالی بر اساس اطلاعات تراکنش ها نشان می دهد. همچنین می توانید از این راه حل به عنوان یک مرحله میانی در کشف تقلب، شخصی سازی یا تشخیص ناهنجاری استفاده کنید.
• پیش بینی ریزش برای مشتریان تلفن همراه - نشان می دهد که چگونه می توان به سرعت یک مدل پیش بینی ریزش را با استفاده از مجموعه داده تراکنش تماس تلفن همراه توسعه داد. این یک مثال ساده برای کاربرانی است که تازه وارد ML شده اند.

پیش نیازها

برای استفاده از این راه حل ها، مطمئن شوید که به Studio با یک نقش اجرایی دسترسی دارید که به شما امکان می دهد عملکرد SageMaker را اجرا کنید. برای نقش کاربری خود در استودیو، مطمئن شوید که SageMaker Projects و JumpStart گزینه روشن است

در بخش‌های بعدی، هر یک از پنج راه‌حل جدید را مرور می‌کنیم و نحوه کارکرد آن را با جزئیات به همراه توصیه‌هایی درباره نحوه استفاده از آن برای نیازهای تجاری خود مورد بحث قرار می‌دهیم.

بهینه سازی قیمت

کسب و کارها دوست دارند از اهرم های مختلف برای گرفتن بهترین نتایج استفاده کنند. به عنوان مثال، قیمت یک محصول یا یک خدمت اهرمی است که یک کسب و کار می تواند آن را کنترل کند. سوال این است که چگونه تصمیم بگیرید که یک محصول یا خدمات را با چه قیمتی تعیین کنید تا یک هدف تجاری مانند سود یا درآمد را به حداکثر برسانید.

این راه حل مدل های ML قابل تنظیم را ارائه می دهد تا به شما کمک کند تا تصمیمات بهینه برای تعیین قیمت محصول یا خدمات خود را به منظور دستیابی به هدف خود مانند به حداکثر رساندن درآمد، سود یا سایر معیارهای سفارشی اتخاذ کنید. این راه حل از روش های ML و استنتاج علّی برای یادگیری روابط قیمت-حجم از داده های تاریخی استفاده می کند و قادر است توصیه های قیمت پویا را در زمان واقعی برای بهینه سازی معیارهای هدف سفارشی ارائه دهد.

تصویر زیر نمونه داده های ورودی را نشان می دهد.

راه حل شامل سه بخش است:

• تخمین کشش قیمت - این با استنتاج علی از طریق یک الگوریتم ML مضاعف تخمین زده می شود
• پیش بینی حجم – این با استفاده از الگوریتم پیامبر پیش بینی شده است
• بهینه سازی قیمت - این با یک شبیه سازی what-if از طریق سناریوهای مختلف قیمت به دست می آید

راه حل، قیمت پیشنهادی روز بعد را برای به حداکثر رساندن درآمد ارائه می دهد. علاوه بر این، خروجی ها شامل کشش قیمت تخمینی است که مقداری نشان دهنده تأثیر قیمت بر حجم است و یک مدل پیش بینی که قادر به پیش بینی حجم روز بعد است. نمودار زیر نشان می دهد که چگونه یک مدل علّی که کشش قیمت محاسبه شده را در خود جای داده است، تحت یک تحلیل what-if (با انحرافات زیاد از قیمت رفتار) بسیار بهتر از یک مدل پیش بینی است که از پیامبر برای پیش بینی حجم با استفاده از داده های سری زمانی استفاده می کند.

می توانید این راه حل را برای موارد استفاده زیر در کسب و کار خود اعمال کنید:

• تعیین قیمت بهینه کالا برای یک فروشگاه خرده فروشی
• تاثیر کوپن های تخفیف بر خرید مشتری را تخمین بزنید
• پیش بینی تاثیر روش های تشویقی مختلف در هر کسب و کاری

پیش بینی گونه های پرندگان

امروزه چندین برنامه کاربردی بینایی کامپیوتری (CV) برای مشاغل وجود دارد. یکی از این کاربردها تشخیص شی است که در آن یک الگوریتم ML مکان یک شی را در یک تصویر با ترسیم کادر محدود کننده در اطراف آن تشخیص می دهد و نوع شی را مشخص می کند. یادگیری نحوه به کارگیری یک مدل تشخیص شی و تنظیم دقیق آن می تواند برای سازمانی که نیازهای CV دارد، ارزش زیادی داشته باشد.

این راه حل نمونه ای از نحوه ترجمه مشخصات جعبه محدود کننده هنگام ارائه تصاویر به الگوریتم SageMaker را ارائه می دهد. این راه حل همچنین نشان می دهد که چگونه می توان یک مدل تشخیص شی را با افزودن تصاویر آموزشی که به صورت افقی برگردانده می شوند (تصاویر آینه) بهبود بخشید.

هنگامی که تعداد زیادی کلاس (200 گونه پرنده) وجود دارد، یک نوت بوک برای آزمایش چالش های تشخیص اشیا ارائه شده است. این دفترچه همچنین نشان می‌دهد که چگونه می‌توان پیشرفت‌های دقت را که در طول دوره‌های کار آموزشی رخ می‌دهد، ترسیم کرد. تصویر زیر نمونه تصاویری از مجموعه داده پرندگان را نشان می دهد.

این راه حل شامل پنج مرحله است:

1. داده ها، از جمله دانلود و RecordIO تولید فایل
2. ایجاد و آموزش مدل تشخیص شی
3. استقرار نقطه پایانی و ارزیابی عملکرد مدل.
4. یک مدل تشخیص شی را دوباره با مجموعه داده توسعه یافته ایجاد و آموزش دهید.
5. یک نقطه پایانی ایجاد کنید و عملکرد مدل توسعه یافته را ارزیابی کنید.

شما به عنوان خروجی موارد زیر را دریافت می کنید:

• نتایج تشخیص اشیاء با جعبه‌های پیوند در برابر تصویر آزمایشی شما
• یک مدل تشخیص شی آموزش دیده
• یک مدل تشخیص شی آموزش‌دیده با مجموعه داده‌های توسعه‌یافته (تغییرشده).
• دو نقطه پایانی جداگانه با یکی از هر مدل مستقر شده است

نمودار زیر بهبود مدل را در برابر تکرارهای مدل (دوران) در طول آموزش نشان می دهد.

نمونه های زیر از دو تصویر آزمایشی خروجی می شوند.

می توانید این راه حل را برای موارد استفاده زیر در کسب و کار خود اعمال کنید:

• تشخیص اشیاء روی تسمه نقاله در صنعت بسته بندی
• رویه های روی پیتزا را تشخیص دهید
• اجرای برنامه های عملیاتی زنجیره تامین که شامل تشخیص اشیاء است

پیش بینی بقای سرطان ریه

COVID-19 توجه بیشتری را به چالش های پزشکی مرتبط با ریه جلب کرد. همچنین فشار زیادی بر بیمارستان ها، پزشکان، پرستاران و رادیولوژیست ها وارد کرده است. امکانی را تصور کنید که در آن می توانید ML را به عنوان یک ابزار قدرتمند برای کمک به پزشکان و کمک به آنها در سرعت بخشیدن به کار خود استفاده کنید. در این راه‌حل، ما نشان می‌دهیم که چگونه ویژگی‌های رادیومیک دوبعدی و سه‌بعدی و جمعیت‌شناسی بیمار را می‌توان به الگوریتم ML برای پیش‌بینی شانس بقای بیمار در سرطان ریه تغذیه کرد. نتایج این پیش‌بینی می‌تواند به ارائه‌دهندگان کمک کند تا اقدامات پیشگیرانه مناسب را انجام دهند.

این راه حل نشان می دهد که چگونه می توان یک خط لوله ML مقیاس پذیر برای مجموعه داده Radiogenomics سرطان ریه سلول غیر کوچک (NSCLC) ساخت که از داده های توالی یابی RNA، داده های بالینی (منعکس کننده داده های EHR) و تصاویر پزشکی تشکیل شده است. استفاده از چندین نوع داده برای ایجاد یک مدل ماشین به عنوان نامیده می شود چند وجهی ML. این راه حل نتیجه بقای بیماران مبتلا به سرطان ریه سلول غیر کوچک را پیش بینی می کند.

تصویر زیر نمونه‌ای از داده‌های ورودی از مجموعه داده‌های رادیوژنومیک سرطان ریه سلولی غیرکوچک (NSCLC) را نشان می‌دهد.

به عنوان بخشی از محلول، RNA کل از بافت تومور استخراج شد و با فناوری توالی یابی RNA آنالیز شد. اگرچه داده های اصلی حاوی بیش از 22,000 ژن هستند، اما ما 21 ژن از 10 خوشه ژنی (متاژن) را که با هم بیان شده اند، شناسایی شده، در گروه های بیان ژن در دسترس عموم تایید شده و با پیش آگهی همبستگی دارند، نگهداری می کنیم.

سوابق بالینی در قالب CSV ذخیره می شود. هر ردیف مربوط به یک بیمار است و ستون ها حاوی اطلاعاتی درباره بیماران، از جمله دموگرافیک، مرحله تومور و وضعیت بقا هستند.

برای داده‌های ژنومی، ما 21 ژن را از 10 خوشه ژنی (متاژن‌ها) که با هم‌ابراز شدن بالا شناسایی شده‌اند، در گروه‌های بیان ژن در دسترس عموم تأیید شده‌اند و با پیش‌آگهی مرتبط هستند، حفظ می‌کنیم.

برای داده های تصویربرداری پزشکی، ما ویژگی های رادیومیک سه بعدی در سطح بیمار ایجاد می کنیم که اندازه، شکل و ویژگی های بصری تومورهای مشاهده شده در سی تی اسکن را توضیح می دهد. برای هر مطالعه بیمار، مراحل زیر انجام می شود:

1. فایل‌های برش دوبعدی DICOM را هم برای سی تی اسکن و هم برای تقسیم‌بندی تومور بخوانید، آن‌ها را با حجم‌های سه‌بعدی ترکیب کنید، حجم‌ها را در قالب NIfTI ذخیره کنید.
2. حجم سی تی و تقسیم بندی تومور را تراز کنید تا بتوانیم محاسبات را در داخل تومور متمرکز کنیم.
3. محاسبه ویژگی های رادیومیک توصیف کننده ناحیه تومور با استفاده از کتابخانه pyradiomics.
4. استخراج 120 ویژگی رادیومیک از هشت کلاس، مانند نمایش آماری از توزیع و وقوع همزمان شدت در ناحیه تومور مورد نظر، و اندازه‌گیری‌های مبتنی بر شکل که تومور را از نظر مورفولوژیکی توصیف می‌کند.

برای ایجاد یک نمای چند وجهی از یک بیمار برای آموزش مدل، بردارهای ویژگی را از سه مدالیت می‌پیوندیم. سپس داده ها را پردازش می کنیم. ابتدا، با استفاده از مقیاس‌بندی ویژگی، محدوده ویژگی‌های مستقل را عادی می‌کنیم. سپس تجزیه و تحلیل مؤلفه اصلی (PCA) را روی ویژگی‌ها انجام می‌دهیم تا ابعاد را کاهش دهیم و متمایزترین ویژگی‌هایی را شناسایی کنیم که 95٪ واریانس در داده‌ها را ایجاد می‌کنند.

این منجر به کاهش ابعاد از 215 ویژگی به 45 جزء اصلی می شود که ویژگی هایی را برای یادگیرنده تحت نظارت تشکیل می دهد.

این راه حل یک مدل ML تولید می کند که وضعیت بقای بیماران NSCLC (مرده یا زنده) را به شکلی از احتمال پیش بینی می کند. علاوه بر مدل و پیش‌بینی، گزارش‌هایی نیز برای توضیح مدل تولید می‌کنیم. خط لوله تصویربرداری پزشکی حجم های سی تی ریه سه بعدی و تقسیم بندی تومور را برای اهداف تجسم تولید می کند.

شما می توانید این راه حل را در موارد استفاده از مراقبت های بهداشتی و علوم زندگی اعمال کنید.

طبقه بندی پرداخت های مالی

در نظر گرفتن تمام تراکنش های مالی یک کسب و کار یا مصرف کننده و سازماندهی آنها در دسته های مختلف می تواند بسیار مفید باشد. این می‌تواند به کاربر کمک کند تا بفهمد در کدام دسته چقدر هزینه کرده است، و همچنین می‌تواند هشدارهایی را هنگام افزایش یا کاهش غیرمنتظره تراکنش‌ها یا هزینه‌های یک دسته خاص افزایش دهد.

این راه حل نحوه آموزش و استقرار یک مدل ML را برای طبقه بندی تراکنش های مالی بر اساس اطلاعات تراکنش نشان می دهد. بسیاری از بانک ها این را به عنوان خدماتی ارائه می کنند تا به کاربران نهایی خود یک نمای کلی از عادات خرج کردنشان ارائه دهند. همچنین می توانید از این راه حل به عنوان یک مرحله میانی در کشف تقلب، شخصی سازی یا تشخیص ناهنجاری استفاده کنید. ما از SageMaker برای آموزش و استقرار یک مدل XGBoost با زیرساخت های اساسی مورد نیاز استفاده می کنیم.

مجموعه داده مصنوعی که ما برای نشان دادن این راه حل داریم دارای ویژگی های زیر است:

• تراکنش_دسته – دسته معامله، از میان 19 گزینه زیر: Uncategorized, Entertainment, Education, Shopping, Personal Care, Health and Fitness, Food and Dining, Gifts and Donations, Investments, Bills and Utilities, Auto and Transport, Travel, Fees and Charges, Business Services, Personal Services, Taxes, Gambling, Homeو Pension and insurances.
• گیرنده_id - یک شناسه برای طرف دریافت کننده. شناسه شامل 16 عدد است.
• شناسه فرستنده - یک شناسه برای طرف ارسال کننده. شناسه شامل 16 عدد است.
• مقدار - مبلغی که منتقل می شود.
• برچسب زمان - مهر زمانی تراکنش در قالب YYYY-MM-DD HH:MM:SS.

پنج مشاهده اول مجموعه داده به شرح زیر است:

برای این راه‌حل، ما از XGBoost، یک پیاده‌سازی منبع باز محبوب و کارآمد از الگوریتم درختان تقویت‌شده گرادیان استفاده می‌کنیم. تقویت گرادیان یک الگوریتم یادگیری نظارت شده است که سعی می کند با ترکیب مجموعه ای از تخمین ها از مجموعه ای از مدل های ساده تر و ضعیف تر، یک متغیر هدف را به طور دقیق پیش بینی کند. پیاده سازی آن در الگوریتم های داخلی SageMaker موجود است.

راه حل طبقه بندی پرداخت مالی شامل چهار مرحله است:

1. داده ها را آماده کنید.
2. یک فروشگاه ویژگی بسازید.
3. یک مدل XGBoost ایجاد و آموزش دهید.
4. استقرار نقطه پایانی و ارزیابی عملکرد مدل.

خروجی زیر را دریافت می کنیم:

• یک مدل XGBoost آموزش‌دیده بر اساس مجموعه داده‌های نمونه ما
• نقطه پایانی SageMaker که می تواند دسته تراکنش را پیش بینی کند

پس از اجرای این راه حل، باید گزارش طبقه بندی مشابه زیر را مشاهده کنید.

برنامه های کاربردی ممکن برای کسب و کار شما شامل موارد زیر است:

• کاربردهای مالی مختلف در بانکداری خرده فروشی و سرمایه گذاری
• زمانی که تراکنش ها باید در هر موردی (نه فقط مالی) طبقه بندی شوند.

پیش بینی ریزش برای مشتریان تلفن همراه

پیش بینی ریزش مشتری یک نیاز تجاری بسیار رایج است. مطالعات متعدد نشان می دهد که هزینه حفظ مشتری فعلی بسیار کمتر از جذب مشتری جدید است. چالش اغلب از آنجا ناشی می‌شود که کسب‌وکارها در درک اینکه چرا مشتری سرگردان است یا مدلی می‌سازند که ریزش مشتری را پیش‌بینی می‌کند، مشکل دارند.

در این مثال، کاربرانی که به تازگی با ML آشنا شده‌اند، می‌توانند تجربه کنند که چگونه یک مدل پیش‌بینی ریزش می‌تواند به سرعت با استفاده از مجموعه داده تراکنش تماس تلفن همراه توسعه یابد. این راه حل از SageMaker برای آموزش و استقرار یک مدل XGBoost بر روی مجموعه داده های پروفایل مشتری استفاده می کند تا پیش بینی کند که آیا مشتری احتمالاً اپراتور تلفن همراه را ترک می کند یا خیر.

مجموعه داده ای که این راه حل استفاده می کند به صورت عمومی در دسترس است و در کتاب کشف دانش در داده نوشته دانیل تی لاروز ذکر شده است. توسط نویسنده به مخزن مجموعه داده های یادگیری ماشین دانشگاه ایروین دانشگاه کالیفرنیا نسبت داده شده است.

این مجموعه داده از 21 ویژگی زیر برای توصیف نمایه مشتری یک اپراتور تلفن همراه ناشناس در ایالات متحده استفاده می کند.

• ایالت: ایالت ایالات متحده که مشتری در آن اقامت دارد که با علامت اختصاری دو حرفی مشخص می شود. به عنوان مثال، OH یا NJ
• طول حساب: تعداد روزهایی که این حساب فعال بوده است
• کد منطقه: کد منطقه سه رقمی شماره تلفن مشتری مربوطه
• تلفن: شماره تلفن هفت رقمی باقیمانده
• برنامه بین المللی: آیا مشتری طرح تماس بین المللی دارد: بله/خیر
• طرح VMail: آیا مشتری ویژگی پست صوتی دارد: بله/خیر
• VMail Message: میانگین تعداد پیام های پست صوتی در ماه
• دقیقه روز: تعداد کل دقیقه های مکالمه استفاده شده در طول روز
• تماس های روز: تعداد کل تماس های انجام شده در طول روز
• شارژ روز: هزینه صورتحساب تماس های روزانه
• دقیقه حوا، تماس های شبانه، شارژ حوا: هزینه صورتحساب برای تماس هایی که در طول شب انجام می شود
• دقایق شبانه، تماس های شبانه، هزینه شبانه: هزینه صورتحساب برای تماس هایی که در طول شب انجام می شود
• دقیقه بین المللی، تماس های بین المللی، هزینه بین المللی: هزینه صورتحساب برای تماس های بین المللی
• CustServ Calls: تعداد تماس هایی که با خدمات مشتری انجام می شود
• Churn؟: آیا مشتری سرویس را ترک کرد: درست/نادرست

این محلول شامل سه مرحله است:

1. داده ها را آماده کنید.
2. یک مدل XGBoost ایجاد و آموزش دهید.
3. استقرار نقطه پایانی و ارزیابی عملکرد مدل.

خروجی زیر را دریافت می کنیم:

• یک مدل XGBoost آموزش‌دیده بر اساس مجموعه داده‌های نمونه ما برای پیش‌بینی ریزش کاربر
• نقطه پایانی SageMaker که می تواند ریزش کاربر را پیش بینی کند

این مدل به تخمین اینکه چه تعداد از 5,000 مشتری تلفن همراه احتمالاً استفاده از اپراتور تلفن همراه فعلی خود را متوقف می کنند، کمک می کند.

نمودار زیر توزیع احتمال ریزش را به عنوان خروجی از مدل نشان می دهد.

برای موارد استفاده زیر می توانید این را در کسب و کار خود اعمال کنید:

• ریزش مشتری در کسب و کار خود را پیش بینی کنید
• طبقه بندی کنید که چه مشتریانی می توانند ایمیل بازاریابی شما را باز کنند و چه کسانی نمی توانند (طبقه بندی باینری)
• پیش بینی کنید که کدام دانش آموزان احتمالاً از یک درس خارج می شوند

منابع را پاکسازی کنید

پس از اجرای یک راه حل در JumpStart، مطمئن شوید که آن را انتخاب کنید تمام منابع را حذف کنید بنابراین تمام منابعی که در این فرآیند ایجاد کرده اید حذف شده و صورتحساب شما متوقف می شود.

خلاصه

این پست به شما نشان می دهد که چگونه می توانید با استفاده از ML، بر اساس راه حل های JumpStart، مشکلات مختلف کسب و کار را حل کنید. اگرچه این پست بر روی پنج راه حل جدید که اخیراً به JumpStart اضافه شده اند متمرکز شده است، در مجموع 23 راه حل موجود است. ما شما را تشویق می کنیم که وارد استودیو شوید و خودتان به راه حل های JumpStart نگاه کنید و شروع به استخراج ارزش فوری از آنها کنید. برای اطلاعات بیشتر مراجعه کنید Amazon SageMaker Studio و SageMaker JumpStart.

توجه: اگر تمام پنج راه حل بالا را در کنسول JumpStart منطقه AWS خود نمی بینید، لطفاً یک هفته صبر کنید و دوباره بررسی کنید. ما آنها را به صورت مرحله ای در مناطق مختلف رها می کنیم.

---

درباره نویسنده

دکتر راجو پنماچا یک معمار راه حل های تخصصی AI/ML در پلتفرم های هوش مصنوعی در AWS است. او روی مجموعه سرویس‌های کم‌کد/بدون کد در SageMaker کار می‌کند که به مشتریان کمک می‌کند به راحتی مدل‌ها و راه‌حل‌های یادگیری ماشین را بسازند و به کار گیرند. وقتی به مشتریان کمک نمی کند، دوست دارد به مکان های جدید سفر کند.

منان شاه مدیر توسعه نرم افزار در خدمات وب آمازون است. او از علاقه مندان به ML است و بر ساخت محصولات هوش مصنوعی بدون کد/کد کم تمرکز دارد. او تلاش می کند تا سایر افراد با استعداد و فنی را برای ساختن نرم افزارهای عالی توانمند کند.