Amazon पर Amp ने ग्राहक जुड़ाव बढ़ाने के लिए डेटा का उपयोग कैसे किया, भाग 2: Amazon SageMaker का उपयोग करके एक व्यक्तिगत शो अनुशंसा मंच का निर्माण

एम्प Amazon का एक नया लाइव रेडियो ऐप है। Amp के साथ, आप अपने स्वयं के रेडियो शो की मेजबानी कर सकते हैं और Amazon Music कैटलॉग से गाने चला सकते हैं, या अन्य Amp उपयोगकर्ताओं द्वारा होस्ट किए जा रहे शो को ट्यून और सुन सकते हैं। ऐसे वातावरण में जहां सामग्री प्रचुर मात्रा में और विविध है, प्रत्येक उपयोगकर्ता के व्यक्तिगत स्वाद के लिए उपयोगकर्ता अनुभव को तैयार करना महत्वपूर्ण है, ताकि वे आसानी से ऐसे शो ढूंढ सकें और नई सामग्री खोज सकें जो उन्हें पसंद आएगी।

ऐप के होम पेज पर लाइव और आगामी एएमपी शो के लिए वैयक्तिकृत अनुशंसाएं प्रदान करने के लिए एएमपी मशीन लर्निंग (एमएल) का उपयोग करता है। अनुशंसाओं की गणना रैंडम फ़ॉरेस्ट मॉडल का उपयोग करके की जाती है, जिसमें शो की लोकप्रियता (जैसे कि सुनना और पसंद करना), एक निर्माता की लोकप्रियता (जैसे हाल के शो की कुल संख्या) और उपयोगकर्ता की व्यक्तिगत समानता का प्रतिनिधित्व करने वाली सुविधाओं का उपयोग किया जाता है। एक शो के विषय और निर्माता के लिए। समानताएं या तो उपयोगकर्ता के व्यवहार संबंधी डेटा से परोक्ष रूप से या स्पष्ट रूप से रुचि के विषयों (जैसे पॉप संगीत, बेसबॉल, या राजनीति) से गणना की जाती हैं, जैसा कि उनके उपयोगकर्ता प्रोफ़ाइल में प्रदान किया गया है।

यह एम्प के लिए डेटा एनालिटिक्स और एमएल का उपयोग करने और एक व्यक्तिगत शो अनुशंसा सूची मंच बनाने पर एक श्रृंखला का भाग 2 है। प्लेटफ़ॉर्म ने मई 3 में लॉन्च होने के बाद से ट्रैक किए गए ग्राहक जुड़ाव मेट्रिक्स (एक शो को पसंद करना, एक निर्माता का अनुसरण करना, आगामी शो सूचनाओं को सक्षम करना) में 2022% की वृद्धि दिखाई है।

का संदर्भ लें भाग 1 यह जानने के लिए कि डेटा और एनालिटिक्स सिस्टम का उपयोग करके व्यवहार संबंधी डेटा कैसे एकत्र और संसाधित किया गया था।

समाधान अवलोकन

एएमपी के लिए एमएल-आधारित शो अनुशंसाकर्ता के पांच मुख्य घटक हैं, जैसा कि निम्नलिखित आर्किटेक्चर आरेख में दिखाया गया है:

1. एएमपी मोबाइल ऐप।
2. बैक-एंड सेवाएं जो व्यवहार संबंधी डेटा एकत्र करती हैं, जैसे कि पसंद और अनुसरण, साथ ही शो से संबंधित जानकारी जैसे कि शो के लाइव होने पर स्थिति अपडेट।
3. व्यवहार और शो डेटा का रीयल-टाइम अंतर्ग्रहण, और रीयल-टाइम (ऑनलाइन) फीचर कंप्यूटिंग और स्टोरेज।
4. बैच (ऑफ़लाइन) कंप्यूटिंग और स्टोरेज की सुविधा है।
5. एक अनुशंसा प्रणाली जो शो की सूची प्राप्त करने के लिए ऐप बैकएंड से आने वाले अनुरोधों को संभालती है। इसमें व्यक्तिगत और गैर-वैयक्तिकृत सुविधाओं के आधार पर शो को रैंक करने के लिए वास्तविक समय का अनुमान शामिल है।

यह पोस्ट निम्नलिखित विवरण देने के प्रयास में भाग 3, 4, और 5 पर केंद्रित है:

निम्न आरेख उच्च-स्तरीय वास्तुकला और उसके घटकों को दर्शाता है।

निम्नलिखित अनुभागों में, हम रीयल-टाइम फ़ीचर कंप्यूटिंग, बैच फ़ीचर कंप्यूटिंग, रीयल-टाइम इंफ़ेक्शन, ऑपरेशनल हेल्थ और हमारे द्वारा देखे गए परिणामों के बारे में अधिक विवरण प्रदान करते हैं।

रीयल-टाइम फीचर कंप्यूटिंग

कुछ सुविधाओं, जैसे कि किसी शो के लिए पसंद और सुनने की गिनती, को लगातार स्ट्रीम करने और उपयोग करने की आवश्यकता होती है, जबकि अन्य, जैसे कि 5 मिनट से अधिक समय तक सुनने वाले सत्रों की संख्या को भी वास्तविक समय में कच्चे डेटा के रूप में बदलने की आवश्यकता होती है। सत्रों के लिए स्ट्रीम किया जाता है। इस प्रकार की विशेषताएं जहां अनुमान के समय मूल्यों की गणना करने की आवश्यकता होती है, उन्हें कहा जाता है समय में इंगित (पीआईटी) विशेषताएं। PIT सुविधाओं के लिए डेटा को शीघ्रता से अद्यतन करने की आवश्यकता है, और नवीनतम संस्करण को कम विलंबता (20 शो के लिए प्रति उपयोगकर्ता 1,000 मिलीसेकंड से कम) के साथ लिखा और पढ़ा जाना चाहिए। डेटा को एक टिकाऊ भंडारण में भी होना चाहिए क्योंकि लापता या आंशिक डेटा खराब सिफारिशों और खराब ग्राहक अनुभव का कारण बन सकता है। पढ़ने/लिखने की विलंबता के अलावा, PIT सुविधाओं को भी कम प्रतिबिंब समय की आवश्यकता होती है। परावर्तन समय वह समय है जो योगदान देने वाली घटनाओं के उत्सर्जित होने के बाद पढ़ने के लिए एक सुविधा उपलब्ध होने में लगता है, उदाहरण के लिए, एक श्रोता को एक शो पसंद करने और PIT लाइककाउंट फीचर को अपडेट करने के बीच का समय।

डेटा के स्रोत सीधे ऐप की सेवा करने वाली बैकएंड सेवाएं हैं। कुछ डेटा को मेट्रिक्स में बदल दिया जाता है जिसे बाद में के माध्यम से प्रसारित किया जाता है अमेज़न सरल अधिसूचना सेवा (अमेज़ॅन एसएनएस) डाउनस्ट्रीम श्रोताओं जैसे एमएल फीचर ट्रांसफॉर्मेशन पाइपलाइन। मेमोरीडीबी जैसे इन-मेमोरी डेटाबेस टिकाऊ भंडारण और उच्च मात्रा में अल्ट्रा-फास्ट प्रदर्शन के लिए एक आदर्श सेवा है। मेमोरीडीबी में सुविधाओं को बदलने और लिखने वाला कंप्यूट घटक लैम्ब्डा है। ऐप ट्रैफ़िक समय और दिन के आधार पर चोटियों और गिरावटों के दैनिक और साप्ताहिक पैटर्न का अनुसरण करता है। लैम्ब्डा घटनाओं की आने वाली मात्रा में स्वचालित स्केलिंग की अनुमति देता है। प्रत्येक व्यक्तिगत मीट्रिक परिवर्तन की स्वतंत्र प्रकृति भी लैम्ब्डा को बनाती है, जो अपने आप में एक स्टेटलेस सेवा है, जो इस समस्या के लिए उपयुक्त है। लाना अमेज़ॅन सरल कतार सेवा (अमेज़ॅन एसक्यूएस) अमेज़ॅन एसएनएस और लैम्ब्डा के बीच न केवल संदेश हानि को रोकता है, बल्कि ट्रैफ़िक के अप्रत्याशित विस्फोटों के लिए एक बफर के रूप में भी कार्य करता है, जो कि लैम्ब्डा समवर्ती सीमा पूर्व-कॉन्फ़िगर की गई सेवा के लिए पर्याप्त नहीं हो सकती है।

बैच सुविधा कंप्यूटिंग

उपयोगकर्ता के हमेशा विकसित होने वाले स्वाद का प्रतिनिधित्व करने के लिए ऐतिहासिक व्यवहार डेटा का उपयोग करने वाली विशेषताएं गणना करने के लिए अधिक जटिल हैं और वास्तविक समय में गणना नहीं की जा सकती हैं। इन सुविधाओं की गणना एक बैच प्रक्रिया द्वारा की जाती है जो हर बार चलती है, उदाहरण के लिए प्रतिदिन एक बार। बैच सुविधाओं के लिए डेटा को डेटा के फ़िल्टरिंग और एकत्रीकरण के लिए तेज़ क्वेरी का समर्थन करना चाहिए, और यह लंबे समय तक चल सकता है, इसलिए वॉल्यूम में बड़ा होगा। चूंकि बैच सुविधाओं को भी पुनर्प्राप्त किया जाता है और रीयल-टाइम अनुमान के लिए इनपुट के रूप में भेजा जाता है, फिर भी उन्हें कम विलंबता के साथ पढ़ा जाना चाहिए।

बैच फीचर कंप्यूटिंग के लिए अपरिष्कृत डेटा एकत्र करने के लिए पीआईटी सुविधाओं के लिए उप-मिनट प्रतिबिंब समय की आवश्यकता नहीं होती है, जिससे ईवेंट को लंबे समय तक बफर करना और मैट्रिक्स को बैच में बदलना संभव हो जाता है। इस समाधान ने कई गंतव्यों में स्ट्रीमिंग डेटा को त्वरित रूप से अंतर्ग्रहण करने के लिए प्रबंधित सेवा, किनेसिस डेटा फ़ायरहोज़ का उपयोग किया, जिसमें शामिल हैं अमेज़न सरल भंडारण सेवा (अमेज़ॅन S3) ऑफ़लाइन गणना में उपयोग किए जाने वाले S3 डेटा लेक के लिए मेट्रिक्स को बनाए रखने के लिए। Kinesis Data Firehose एक इवेंट बफर और लैम्ब्डा इंटीग्रेशन प्रदान करता है, ताकि बाद में बैच फीचर कंप्यूटिंग द्वारा उपयोग किए जाने के लिए इन मैट्रिक्स को Amazon S3 में आसानी से इकट्ठा किया जा सके, बैच ट्रांसफ़ॉर्म किया जा सके और जारी रखा जा सके। बैच फीचर कंप्यूटेशंस में पीआईटी फीचर्स के समान कम विलंबता पढ़ने/लिखने की आवश्यकताएं नहीं हैं, जो अमेज़ॅन एस 3 को बेहतर विकल्प बनाती है क्योंकि यह इन बड़ी मात्रा में बिजनेस मेट्रिक्स को स्टोर करने के लिए कम लागत वाली, टिकाऊ स्टोरेज प्रदान करती है।

हमारा प्रारंभिक एमएल मॉडल पिछले 21 महीनों में कैप्चर किए गए डेटा का उपयोग करके प्रतिदिन गणना की गई 2 बैच सुविधाओं का उपयोग करता है। इस डेटा में प्रति उपयोगकर्ता प्लेबैक और ऐप सहभागिता इतिहास दोनों शामिल हैं, और यह उपयोगकर्ताओं की संख्या और ऐप के उपयोग की आवृत्ति के साथ बढ़ता है। इस पैमाने पर फ़ीचर इंजीनियरिंग के लिए आवश्यक इनपुट डेटा को खींचने, इसे समानांतर में संसाधित करने और परिणाम को लगातार भंडारण में निर्यात करने के लिए एक स्वचालित प्रक्रिया की आवश्यकता होती है। प्रसंस्करण अवसंरचना की आवश्यकता केवल गणना की अवधि के लिए होती है। SageMaker प्रसंस्करण पूर्वनिर्मित डॉकर छवियां प्रदान करता है जिसमें अपाचे स्पार्क और बड़े पैमाने पर वितरित डेटा प्रोसेसिंग कार्य चलाने के लिए आवश्यक अन्य निर्भरताएं शामिल हैं। प्रसंस्करण कार्य के लिए अंतर्निहित बुनियादी ढाँचा पूरी तरह से सेजमेकर द्वारा प्रबंधित किया जाता है। आपकी नौकरी की अवधि के लिए क्लस्टर संसाधनों का प्रावधान किया जाता है, और काम पूरा होने पर साफ किया जाता है।

बैच प्रक्रिया में प्रत्येक चरण- डेटा एकत्र करना, फीचर इंजीनियरिंग, फीचर दृढ़ता-एक वर्कफ़्लो का हिस्सा है जिसके लिए त्रुटि प्रबंधन, पुन: प्रयास और बीच में राज्य संक्रमण की आवश्यकता होती है। साथ AWS स्टेप फ़ंक्शंस, आप एक स्टेट मशीन बना सकते हैं और अपने वर्कफ़्लो को प्रीप्रोसेसिंग और पोस्टप्रोसेसिंग के कई चरणों में विभाजित कर सकते हैं, साथ ही सेजमेकर फ़ीचर स्टोर या अन्य डेटा को अमेज़ॅन S3 में सुविधाओं को जारी रखने के लिए एक कदम। स्टेप फंक्शंस में एक स्टेट मशीन को ट्रिगर किया जा सकता है अमेज़न EventBridge बैच कंप्यूटिंग को एक निर्धारित समय पर चलाने के लिए स्वचालित करने के लिए, जैसे कि हर दिन एक बार 10:00 PM UTC पर।

सुविधाओं की गणना के बाद, उन्हें अनुमान के साथ-साथ मॉडल रिट्रेनिंग के दौरान पढ़ने के लिए संस्करण और संग्रहीत करने की आवश्यकता होती है। अपनी खुद की फीचर स्टोरेज और मैनेजमेंट सर्विस बनाने के बजाय, आप सेजमेकर फीचर स्टोर का उपयोग कर सकते हैं। फ़ीचर स्टोर एमएल मॉडल के लिए सुविधाओं को स्टोर करने, साझा करने और प्रबंधित करने के लिए पूरी तरह से प्रबंधित, उद्देश्य-निर्मित भंडार है। यह ऑफलाइन स्टोर (अमेज़ॅन एस 3) में एमएल सुविधाओं का इतिहास संग्रहीत करता है और नवीनतम सुविधाओं के कम विलंबता पढ़ने की अनुमति देने के लिए एक ऑनलाइन स्टोर को एपीआई भी प्रदान करता है। ऑफ़लाइन स्टोर आगे के मॉडल प्रशिक्षण और प्रयोग के लिए ऐतिहासिक डेटा की सेवा कर सकता है, और वास्तविक समय के अनुमान के लिए सुविधाएँ प्राप्त करने के लिए आपके ग्राहक-सामना करने वाले एपीआई द्वारा ऑनलाइन स्टोर को कॉल किया जा सकता है। जैसे-जैसे हम अधिक वैयक्तिकृत सामग्री प्रदान करने के लिए अपनी सेवाओं का विकास करते हैं, हम अतिरिक्त एमएल मॉडल के प्रशिक्षण की उम्मीद करते हैं और फ़ीचर स्टोर की मदद से इन मॉडलों में सुविधाओं की खोज, खोज और पुन: उपयोग करते हैं।

वास्तविक समय अनुमान

वास्तविक समय के अनुमान के लिए आमतौर पर समापन बिंदुओं के पीछे एमएल मॉडल की मेजबानी की आवश्यकता होती है। आप वेब सर्वर या कंटेनर का उपयोग करके ऐसा कर सकते हैं, लेकिन इसके प्रबंधन और रखरखाव के लिए एमएल इंजीनियरिंग प्रयास और बुनियादी ढांचे की आवश्यकता होती है। सेजमेकर एमएल मॉडल को रीयल-टाइम एंडपॉइंट पर तैनात करना आसान बनाता है। सेजमेकर आपको एमएल मॉडल को प्रशिक्षित और अपलोड करने देता है और सेजमेकर एंडपॉइंट बनाकर और कॉन्फ़िगर करके उन्हें होस्ट करता है। रीयल-टाइम अनुमान रैंकिंग शो के लिए कम-विलंबता आवश्यकताओं को पूरा करता है क्योंकि उन्हें एएमपी होम पेज पर ब्राउज़ किया जाता है।

प्रबंधित होस्टिंग के अलावा, सेजमेकर प्रबंधित समापन बिंदु स्केलिंग प्रदान करता है। सेजमेकर इंट्रेंस आपको न्यूनतम और अधिकतम इंस्टेंस काउंट और स्केलिंग को ट्रिगर करने के लिए लक्ष्य उपयोग के साथ एक ऑटो स्केलिंग नीति को परिभाषित करने की अनुमति देता है। इस तरह, आप मांग में बदलाव के रूप में आसानी से अंदर या बाहर स्केल कर सकते हैं।

परिचालन स्वास्थ्य

ऐप उपयोग के प्राकृतिक पैटर्न (सप्ताह के दिन या दिन के आधार पर उच्च या निम्न ट्रैफ़िक) के अनुसार रीयल-टाइम फ़ीचर कंप्यूटिंग परिवर्तनों के लिए यह सिस्टम जितने ईवेंट हैंडल करता है। इसी तरह, समवर्ती ऐप उपयोगकर्ताओं की संख्या के साथ रीयल-टाइम इंफ़ेक्शन स्केल के लिए इसे प्राप्त होने वाले अनुरोधों की संख्या। लोकप्रिय रचनाकारों द्वारा सोशल मीडिया में स्वयं को बढ़ावा देने के कारण इन सेवाओं को ट्रैफ़िक में अप्रत्याशित शिखर भी मिलते हैं। हालांकि यह सुनिश्चित करना महत्वपूर्ण है कि आने वाले ट्रैफ़िक को सफलतापूर्वक और मितव्ययी रूप से सेवा देने के लिए सिस्टम ऊपर और नीचे स्केल कर सकता है, ग्राहकों को डेटा और सेवा के नुकसान को रोकने के लिए किसी भी अप्रत्याशित परिचालन मुद्दों के लिए परिचालन मीट्रिक और अलर्ट की निगरानी करना भी महत्वपूर्ण है। इन सेवाओं के स्वास्थ्य की निगरानी करना आसान है अमेज़ॅन क्लाउडवॉच. क्लाउडवॉच का उपयोग करके महत्वपूर्ण सेवा स्वास्थ्य मेट्रिक्स जैसे दोष और संचालन की विलंबता के साथ-साथ मेमोरी, डिस्क और सीपीयू उपयोग जैसे उपयोग मेट्रिक्स बॉक्स से बाहर उपलब्ध हैं। हमारी विकास टीम यह सुनिश्चित करने के लिए मेट्रिक्स डैशबोर्ड और स्वचालित निगरानी का उपयोग करती है कि हम अपने ग्राहकों को उच्च उपलब्धता (99.8%) और कम विलंबता (प्रति उपयोगकर्ता अनुशंसित शो प्राप्त करने के लिए एंड-टू-एंड 200 मिलीसेकंड से कम) के साथ सेवा दे सकें।

परिणाम को मापना

इस पोस्ट में वर्णित एमएल-आधारित शो अनुशंसाकर्ता से पहले, एक सरल अनुमानी एल्गोरिदम रैंक किए गए एएमपी शो को उपयोगकर्ता के व्यक्तिगत रुचि के विषयों के आधार पर दिखाता है जो उनकी प्रोफ़ाइल पर स्वयं-रिपोर्ट किए जाते हैं। हमने उपयोगकर्ता के डेटा के साथ एमएल-आधारित अनुशंसाकर्ताओं पर स्विच करने के प्रभाव को मापने के लिए ए/बी परीक्षण सेट अप किया है। हमने सफलता के संकेतक के रूप में मेट्रिक्स में सुधार की पहचान की जैसे सुनने की अवधि और जुड़ाव क्रियाओं की संख्या (एक शो पसंद करना, एक शो निर्माता का अनुसरण करना, सूचनाओं को चालू करना)। ML-आधारित अनुशंसाकर्ता के माध्यम से उनके लिए रैंक किए गए शो अनुशंसाओं को प्राप्त करने वाले 50% उपयोगकर्ताओं के साथ A/B परीक्षण ने ग्राहक जुड़ाव मीट्रिक में 3% की वृद्धि और प्लेबैक अवधि में 0.5% सुधार दिखाया है।

निष्कर्ष

उद्देश्य-निर्मित सेवाओं के साथ, एएमपी टीम इस पोस्ट में वर्णित वैयक्तिकृत शो अनुशंसा एपीआई को 3 महीने से कम समय में उत्पादन के लिए जारी करने में सक्षम थी। यह प्रणाली प्रसिद्ध शो होस्ट या मार्केटिंग अभियानों द्वारा बनाए गए अप्रत्याशित भार के लिए भी अच्छी तरह से मापती है जो उपयोगकर्ताओं की आमद उत्पन्न कर सकती है। समाधान प्रसंस्करण, प्रशिक्षण और होस्टिंग के लिए प्रबंधित सेवाओं का उपयोग करता है, जो सिस्टम के दिन-प्रतिदिन के रखरखाव पर लगने वाले समय को कम करने में मदद करता है। हम उत्पादन में सिस्टम के निरंतर स्वास्थ्य को सुनिश्चित करने के लिए CloudWatch के माध्यम से इन सभी प्रबंधित सेवाओं की निगरानी करने में सक्षम हैं।

A/B ने नियम-आधारित दृष्टिकोण के विरुद्ध Amp के ML-आधारित अनुशंसाकर्ता के पहले संस्करण का परीक्षण किया (जो केवल ग्राहक की रुचि के विषयों द्वारा दिखाया गया है) ने दिखाया है कि ML-आधारित अनुशंसाकर्ता ग्राहकों को अधिक विविध विषयों से उच्च-गुणवत्ता वाली सामग्री के बारे में बताता है। , जिसके परिणामस्वरूप अधिक संख्या में अनुसरण और सक्षम सूचनाएं होती हैं। Amp टीम अत्यधिक प्रासंगिक अनुशंसाएं प्रदान करने के लिए मॉडलों को बेहतर बनाने की दिशा में लगातार काम कर रही है।

फ़ीचर स्टोर के बारे में अधिक जानकारी के लिए, पर जाएँ अमेज़न SageMaker फ़ीचर स्टोर और अन्य ग्राहक उपयोग मामलों की जाँच करें एडब्ल्यूएस मशीन लर्निंग ब्लॉग.

---

लेखक के बारे में

ट्यूलिप गुप्ता Amazon वेब सर्विसेज में सॉल्यूशंस आर्किटेक्ट हैं। वह एडब्ल्यूएस पर प्रौद्योगिकी समाधान डिजाइन, निर्माण और तैनात करने के लिए अमेज़ॅन के साथ काम करती है। वह ग्राहकों को एडब्ल्यूएस में समाधान लागू करते समय सर्वोत्तम प्रथाओं को अपनाने में सहायता करती है, और एक विश्लेषिकी और एमएल उत्साही है। अपने खाली समय में, वह तैराकी, लंबी पैदल यात्रा और बोर्ड गेम खेलना पसंद करती है।

डेविड कुओ Amazon वेब सर्विसेज में सॉल्यूशंस आर्किटेक्ट हैं। वह एडब्ल्यूएस ग्राहकों के साथ एडब्ल्यूएस पर प्रौद्योगिकी समाधान डिजाइन, निर्माण और तैनात करने के लिए काम करता है। वह मीडिया और मनोरंजन ग्राहकों के साथ काम करता है और मशीन सीखने की तकनीकों में उसकी रुचि है। अपने खाली समय में, वह सोचता है कि उसे अपने खाली समय का क्या करना चाहिए।

मनोल्या मैककॉर्मिक Amazon पर Amp के लिए सीनियर सॉफ्टवेयर डेवलपमेंट इंजीनियर हैं। वह ग्राहक के सामने आने वाले अनुप्रयोगों की सेवा के लिए AWS का उपयोग करके वितरित सिस्टम का डिज़ाइन और निर्माण करती है। वह खाली समय में नई-नई रेसिपीज़ पढ़ना और खाना बनाना पसंद करती हैं।

जेफ क्रिस्टोफरसेन Amazon पर Amp के सीनियर डेटा इंजीनियर हैं। वह एडब्ल्यूएस पर बिग डेटा सॉल्यूशंस को डिजाइन, निर्माण और तैनात करने के लिए काम करता है जो कार्रवाई योग्य अंतर्दृष्टि प्रदान करता है। वह स्केलेबल और स्वचालित समाधान अपनाने में आंतरिक टीमों की सहायता करता है, और एक विश्लेषिकी और बिग डेटा उत्साही है। अपने खाली समय में, जब वह स्की की एक जोड़ी पर नहीं होता है, तो आप उसे उसकी माउंटेन बाइक पर पा सकते हैं।