WEBVTT 00:00.330 --> 00:05.940 Halo dan selamat datang di tutorial ini mainan spesial ini akan menjadi sangat menarik karena kita semakin dekat 00:05.940 --> 00:08.540 dengan A. S. C. algoritma. 00:08.700 --> 00:14.190 Anda akan melihat bahwa apa yang akan kami terapkan dan yang disebut penelusuran kelayakan 00:14.520 --> 00:20.380 atau Sarsour sebenarnya adalah algoritma dari algoritma agen kritik aktif yang sinkron yang tidak dapat kami pertimbangkan. 00:20.380 --> 00:25.290 Dan kami melihat karena kami masih akan memiliki satu agen tetapi Anda masih akan 00:25.290 --> 00:32.010 melihat bahwa apa yang akan kami implementasikan sebenarnya diambil dari makalah berikut yang merupakan makalah ini sebagai metode Synchronoss 00:32.130 --> 00:38.280 untuk pembelajaran penguatan yang dalam dan dalam tulisan ini Anda akan menemukan algoritma A-3 yang akan kami terapkan 00:38.280 --> 00:40.840 sebagai bonus akhir dari kursus ini. 00:41.010 --> 00:47.580 Tapi seperti yang saya katakan kita semakin dekat dengan itu karena model yang akan diimplementasikan 00:48.420 --> 00:55.620 saat ini sebenarnya yang ini sinkron dan sekuler itu yang hampir A3 C yang melakukan setelah itu 00:55.620 --> 01:03.490 tetapi dengan satu agen dan yang kuat tentang ini ini dan langkah Cunanan kita akan belajar untuk mengumpulkan 01:03.490 --> 01:09.520 hadiah dan mempelajari target kumulatif pada langkah akhir, bukan satu langkah seperti Priestley. 01:09.690 --> 01:15.250 Dan itulah yang akan membuat pelatihan jauh lebih berkinerja dan karenanya jauh lebih kuat. 01:15.300 --> 01:21.080 Jadi kita benar-benar memiliki kode pseudo untuk algoritma ini. Algoritma ini untuk di sini. 01:21.180 --> 01:23.230 Jadi mari kita klik dan kita mulai. 01:23.250 --> 01:25.740 Itulah algoritma yang akan kami implementasikan. 01:25.890 --> 01:30.960 Tetapi ingat hanya dengan satu agen perbedaannya adalah bahwa di sini mereka mengambil tindakan. 01:30.990 --> 01:37.380 80 menurut kebijakan presiden Greely berdasarkan nilai q untuk negara saat ini dan tindakan yang 01:37.380 --> 01:38.020 dimainkan. 01:38.190 --> 01:42.050 Namun dalam kasus kami, kami tidak menerapkan kebijakan hijau yang sangat baik. 01:42.090 --> 01:43.770 Kami menerapkan Max lunak. 01:43.890 --> 01:46.110 Tetapi sisanya sama seperti yang Anda lihat. 01:46.110 --> 01:50.210 Kami akan menghitung kumulatif yang kami kerjakan dan langkah sebenarnya 10 langkah. 01:50.220 --> 01:52.340 Ingat langkah-langkahnya sama dengan 10. 01:52.440 --> 01:58.170 Jadi kami akan mengimplementasikan baris kode ini dalam algoritme kami yang akan kami implementasikan saat ini. 01:58.170 --> 01:59.010 Kami akan mendapatkan ini. 01:59.010 --> 02:02.150 Dan sebagian besar kita akan menerapkan ini juga. 02:02.160 --> 02:07.590 Anda akan melihat bahwa kita akan mendapatkan nilai q maksimum untuk kondisi saat ini dan tindakan saat ini 02:07.590 --> 02:08.820 dalam theta ini. 02:08.820 --> 02:11.150 Ini hanya parameter target. 02:11.430 --> 02:15.350 Jadi mari kita lakukan ini, mari kita serang algoritma ini. 02:15.360 --> 02:18.730 Yang ini disebut pembelajaran sinkron dan tetap. 02:18.900 --> 02:24.490 Tetapi kami tidak memiliki hak untuk mengatakan sinkron sejauh yang kami ketahui karena kami hanya memiliki satu mesin. 02:24.670 --> 02:29.830 Tetapi karena itu kita dapat menyebutnya dan mempelajari jejak kelayakan atau bahkan Sarsour. 02:30.270 --> 02:31.780 Baiklah jadi mari kita lakukan ini. 02:31.800 --> 02:33.080 Ini akan sangat menyenangkan. 02:33.090 --> 02:37.460 Kita pada dasarnya dapat mengikuti kode di sini dan itulah yang akan kita lakukan. 02:37.460 --> 02:43.980 Dan agar Anda dapat melihat parameter yang kita butuhkan adalah kembali parameter yang merupakan parameter 02:44.280 --> 02:50.820 peluruhan dan oleh karena itu kita akan mulai dengan memperkenalkan variabel untuk parameter Gahanna ini dan memilihnya. 02:50.820 --> 02:51.840 Jadi mari kita lakukan ini. 02:51.900 --> 02:57.040 Kita sebenarnya tidak memerlukan ruang kelas yang luar biasa. Kita cukup mengimplementasikan ini dengan fungsi 02:57.040 --> 03:01.830 karena Anda tahu kita tidak benar-benar perlu membuat objek untuk ini untuk melacak 03:02.190 --> 03:08.500 model. Fungsi akan cukup karena pada dasarnya yang ingin kita lakukan adalah untuk kembalikan input dan target sehingga nanti 03:08.500 --> 03:14.460 ketika melatih AI kita siap untuk meminimalkan jarak antara prediksi dan target dan untuk mendapatkan prediksi kita 03:14.470 --> 03:19.950 membutuhkan input karena kita akan menerapkan otak kita pada input untuk mendapatkan output sinyal yang akan 03:19.950 --> 03:21.300 menjadi prediksi kami. 03:21.300 --> 03:26.730 Dan begitu kita memiliki prediksi dan target kita, kita akan siap untuk melatih AI 03:26.730 --> 03:30.680 dengan mencoba meminimalkan jarak yang jauh antara prediksi dan toilet. 03:30.690 --> 03:32.780 Jadi itulah inti dari melakukan ini sekarang. 03:32.880 --> 03:38.130 Kami menerapkan fungsi ini untuk dapat mengembalikan input ini di Soviet sehingga kami 03:38.130 --> 03:43.010 dapat siap untuk pelatihan untuk meminimalkan prediksi jarak kuadrat mengelola toilet. 03:43.020 --> 03:46.400 Baiklah jadi mari kita lakukan ini seperti yang kita katakan kita ingin mengimplementasikan fungsi. 03:46.410 --> 03:47.910 Kita mulai dengan ini. 03:47.940 --> 03:52.680 Ini akan kita sebut sebagai tanda garis bawah kelayakan. 03:52.860 --> 03:54.210 Anda juga bisa menyebutnya Sarsour. 03:54.240 --> 04:00.660 Anda juga dapat menyebutnya langkah untuk menelepon apa pun yang Anda inginkan, tetapi sebut saja penelusuran 04:00.660 --> 04:07.530 kelayakan dan fungsi ini akan mengambil satu argumen yang akan menjadi kumpulan dan mengapa itu karena kami 04:07.530 --> 04:13.460 akan mendapatkan beberapa input dan beberapa target karena kita akan melatih AI secara berkelompok. 04:13.530 --> 04:19.170 Jadi input dan target akan masuk ke dalam beberapa batch dan karenanya argumen input di 04:19.410 --> 04:25.090 sini adalah batch ini yang akan berisi beberapa input dan kemudian beberapa target yang akan dihitung. 04:25.500 --> 04:26.730 Jadi begitulah. 04:26.730 --> 04:28.310 Itulah satu-satunya argumen yang kita butuhkan. 04:28.500 --> 04:32.280 Sekarang mari kita masuk ke dalam fungsi dan mari kita mendefinisikan apa yang perlu kita lakukan. 04:32.370 --> 04:40.140 Jadi seperti yang kita lihat di Basilika makalah kita perlu parameter lagi jadi seperti yang kita katakan kita mulai 04:40.440 --> 04:45.390 dengan memperkenalkan parameter gamma ini semi-dekat dan kita sudah bisa menguraikan nilai. 04:45.450 --> 04:51.780 Dan kita akan memilih empat koma sembilan puluh sembilan yang merupakan nilai klasik baik untuk Ghana dan Norreys. 04:51.780 --> 04:55.640 Saya memeriksa bahwa ini adalah nilai yang baik untuk AI kami. 04:55.650 --> 05:04.120 Baiklah, langkah selanjutnya, langkah selanjutnya adalah menyiapkan masukan dan target kita karena itulah yang ingin 05:04.120 --> 05:05.260 kita kembalikan. 05:05.260 --> 05:08.980 Kami ingin mengembalikan input ke target untuk mempersiapkan pelatihan. 05:08.980 --> 05:15.520 Jadi kita sudah dapat menginisialisasi mereka dengan daftar kosong karena tentu saja input ini Di dalam yang 05:15.790 --> 05:21.130 terbaik kita akan memiliki beberapa input semua ke dalam daftar dan saat itulah inisialisasi 05:21.430 --> 05:25.000 input sebagai daftar serta target yang kita tuju. 05:25.000 --> 05:31.420 Jadi kami menginisialisasi dan memasukkan target kami dan pada akhirnya fungsi penelusuran kelayakan ini akan mengembalikan 05:31.540 --> 05:33.320 input ini dengan tepat. 05:33.330 --> 05:36.180 Dan ya ini tentu saja Filton. 05:36.290 --> 05:42.300 Kami memiliki beberapa input dan beberapa target terkait apa yang akan dikembalikan oleh fungsi. 05:42.300 --> 05:48.820 Baiklah selanjutnya langkah selanjutnya adalah memulai loop dan itu persis karena kita mengikuti kode 05:48.880 --> 05:50.290 lambat dari kertas. 05:50.290 --> 05:51.400 Kode semacam ini. 05:51.490 --> 05:58.420 Dan seperti yang Anda lihat ada bagian kode berulang ini dan mengulangi persis satu lingkaran penuh dalam kode. 05:58.470 --> 06:03.870 Kami akan menghitung imbalan kumulatif di sini terakumulasi selama 10 langkah. 06:03.940 --> 06:05.130 Dan bagaimana cara menghitungnya. 06:05.290 --> 06:10.480 Nah di setiap langkah yang bukan langkah terakhir kita akan mendapatkan nilai inti maksimum dari mata uang 06:10.480 --> 06:13.070 yang kita masuki selama ini dan langkah-langkah berjalan. 06:13.240 --> 06:17.790 Dan jika kita mencapai Negara terakhir dari 10 langkah dengan baik ini akan sama dengan nol. 06:17.890 --> 06:19.810 Itu kami tidak ingin melakukannya lagi. 06:20.080 --> 06:23.320 Dan kemudian kita memiliki ini untuk loop yang akan menjadi yang lain. 06:23.470 --> 06:28.390 Mereka tidak mengatakan ulangi di sini tapi itu sama dengan itu akan menjadi loop penuh kedua dalam algoritma kami. 06:28.600 --> 06:34.570 Yah kita akan memiliki cara kita dengan mengalikannya dengan gamma parameter peluruhan dan menambahkan 06:34.840 --> 06:35.660 kata. 06:36.010 --> 06:41.510 Jadi mari kita lakukan ini mari kita kembali ke Python dan mari kita mulai dari awal. 06:41.980 --> 06:44.920 Dan apa yang akan menjadi variabel iteratif. 06:45.070 --> 06:47.820 Nah itu akan menjadi seri 10 langkah kami. 06:47.890 --> 06:55.510 Anda tahu seri 10 transisi kami sehingga kami akan memanggil seri variabel ini yang mewakili serangkaian 06:55.600 --> 06:58.820 10 transisi seperti urutan 10 transisi. 06:58.860 --> 07:00.910 Jadi untuk seri. 07:01.210 --> 07:02.400 Lalu apa yang Anda pikirkan. 07:02.620 --> 07:05.570 Nah seri kami akan turun ke batch kami. 07:05.680 --> 07:12.040 Ada batch yang akan melatih seri AI dan seterusnya dalam batch yang untuk semua seri 10 07:12.040 --> 07:14.540 transisi dalam batch input kami. 07:14.800 --> 07:20.710 Nah di mana kita akan melakukannya dengan baik untuk mendapatkan hadiah kumulatif yang akan Anda lihat dalam 07:20.950 --> 07:26.560 silika bahwa kita memerlukan keadaan transisi pertama dari seri dan juga keadaan transisi terakhir dari seri. 07:26.740 --> 07:33.040 Jadi apa yang harus kita lakukan sekarang adalah mendapatkan status input ini dan jadi kita akan menempatkan kedua 07:33.130 --> 07:39.380 status ini menjadi layak yang akan memanggil input dan kita akan mendapatkan dua status input ini. 07:39.400 --> 07:46.590 Yang pertama dari seri dan yang terakhir yang akan kita masukkan ke dalam array non-pilot tetapi tidak ada kekhawatiran tidak 07:46.800 --> 07:51.880 akan bertahan dengan ini dan Ampyra tentu saja akan mengubahnya menjadi mengerikan tetapi langkah 07:51.880 --> 07:56.930 pertama adalah menempatkan kedua menyatakan yang pertama dalam yang terakhir menjadi sebuah kerajaan. 07:57.240 --> 08:03.850 Dan di sini, di array ini kita menambahkan input pertama yang merupakan tahap input dari transisi 08:03.850 --> 08:10.820 pertama dari seri dan itu adalah Seri dan kemudian untuk mengambilnya untuk transisi kita ambil indeks nol dari 08:10.820 --> 08:17.780 seri itulah transisi pertama dan kemudian kita dapat mengaksesnya dengan mengambil atributnya yang state dan thats karena 08:18.290 --> 08:24.200 dalam file replay pengalaman kami, kami memang menemukan struktur khusus untuk setiap transisi dan Anda 08:24.440 --> 08:25.660 tahu strukturnya. 08:25.730 --> 08:29.380 Setiap transisi terdiri dari kata aksi negara. 08:29.570 --> 08:34.970 Tetapi kemudian elemen terakhir yang dilakukan sehingga struktur khusus yang diizinkan untuk kami gunakan 08:35.240 --> 08:39.250 sekarang berasal dari cara kami mendefinisikan transisi dan mengalami replay. 08:39.290 --> 08:45.380 Baiklah jadi dengan ini kita mendapatkan status input dari transisi pertama dan sekarang mari kita dapatkan 08:45.380 --> 08:48.640 juga tahap input dari transisi terakhir dari seri. 08:48.800 --> 08:57.200 Dan untuk melakukan ini itu dengan mengatakan kita bisa menyalin ini dan menempelkannya dan ganti karena Anda berada di sini dengan indeks 08:57.200 --> 09:04.040 terakhir dari seri yang dapat kita akses dengan trik ini dikurangi satu seri minus satu yang menyatakan 09:04.100 --> 09:07.420 akan mendapatkan status input yang terakhir transisi seri. 09:08.210 --> 09:16.310 Baiklah kita perlu meletakkan kedua elemen ini di dalam beberapa kurung siku karena itulah yang diharapkan oleh 09:16.310 --> 09:23.120 wasit sebuah fungsi dan kemudian hal penting yang harus dilakukan karena kita akan mengubahnya 09:23.210 --> 09:26.140 menjadi jawaban obor dalam variabel obor. 09:26.330 --> 09:31.810 Ingat juga tensor torch adalah definisi array khusus yang berisi satu tipe tunggal. 09:31.940 --> 09:34.640 Jadi kita perlu memaksakan memiliki satu tipe tunggal. 09:34.760 --> 09:42.020 Dan seperti biasa kita akan memilih tipe float dan seterusnya menambahkan parameter ini di sini tipe D 09:42.750 --> 09:45.030 sama dengan P yang mengapung. 09:45.320 --> 09:52.380 Sehingga Anda dapat mengambil yang ini dan sekarang kita bisa mengonversinya menjadi tensor obor dalam voivode obor. 09:52.550 --> 09:54.640 Jadi mari kita lakukan ini. 09:54.770 --> 09:57.470 Baiklah pertama-tama mari kita ubah itu menjadi sensor obor. 09:57.590 --> 10:06.880 Dan ingat kita dapat menggunakan torche yang dari non-prime yang kita tuju dan kita meletakkan semua array dari dua negara input 10:06.900 --> 10:15.180 di dalam penari obor ini dengan obor dari mereka dengan fungsi sempurna yang akan mengubah array ini dari 10:15.250 --> 10:18.230 dua keadaan input menjadi obor sensor. 10:18.420 --> 10:26.560 Dan sekarang kita menempatkan obor ini jawabannya menjadi obor dengan sangat baik menggunakan kelas variabel sehingga input akan menjadi objek 10:26.560 --> 10:28.400 dari kelas yang berharga. 10:28.480 --> 10:35.380 Dan sebenarnya ketika Anda memahami kelas variabel ini mengambil semua ini sebagai argumen dan yang 10:35.380 --> 10:36.680 menciptakan objek. 10:36.680 --> 10:38.420 Baiklah jadi sekarang kita harus baik. 10:38.450 --> 10:41.000 Kami memiliki dua input yang kami butuhkan. 10:41.000 --> 10:45.440 Itu adalah keadaan input dari transisi pertama dan kemudian input mengatakan bahwa transisi terakhir. 10:45.770 --> 10:51.890 Dan sekarang kita memiliki input. Nah apa yang bisa kita dapatkan, kita bisa mendapatkan sinyal output dari otak 10:51.890 --> 10:52.560 AI. 10:52.640 --> 10:56.160 Itu adalah prediksi bahwa kita akan menyebutnya output. 10:56.630 --> 10:57.950 Itu sinyal keluaran. 10:58.130 --> 10:59.280 Dan untuk mendapatkan output. 10:59.330 --> 11:04.670 Nah sekarang itu sangat mudah karena kita sudah memiliki otak yang merupakan jaringan saraf convolutional 11:04.670 --> 11:05.330 kami. 11:05.570 --> 11:14.120 Jadi kita bisa mengambil CNN otak kita diterapkan pada input yang akan mengembalikan prediksi yang 11:14.120 --> 11:16.650 merupakan output sesederhana itu. 11:16.820 --> 11:19.510 Dan sekarang kita sudah siap untuk melanjutkan ke langkah selanjutnya. 11:20.730 --> 11:24.890 Dan langkah selanjutnya adalah mulai menghitung komunitas ini jika Anda mau. 11:25.090 --> 11:30.690 Jadi sekarang kita akan melakukan hal yang sama persis seperti kita untuk algoritma Sarsour atau harus kita sebut 11:30.760 --> 11:32.300 dan langkah-langkah untuk belajar. 11:32.290 --> 11:39.990 Kami akan memperkenalkan variabel hadiah kumulatif yang akan menjadi hadiah kumulatif, mari kita kembali ke makalah seperti yang Anda lihat sekarang 11:39.990 --> 11:45.120 apa yang harus kita lakukan untuk mendapatkan hadiah komunitas ini yang merupakan milik kita 11:45.210 --> 11:46.000 di sini. 11:46.170 --> 11:53.160 Baik dan setiap langkah dari 10 langkah berjalan kita perlu memperbaruinya dengan menambahkan nol ke komunitas ini jika 11:53.160 --> 11:59.910 kita jika kita mencapai tahap terakhir dari seri atau maksimum nilai inti jika kita belum mencapai tahap 12:00.000 --> 12:03.410 terakhir seri yang untuk semua statika yang bertahan. 12:03.750 --> 12:05.890 Jadi itu hanyalah bonanza. 12:06.000 --> 12:07.580 Ayo kembali ke Piscean. 12:07.650 --> 12:16.490 Jadi hadiah komunitas ini seperti yang baru saja kita lihat akan sama dengan nol koma nol jika kita mencapai kondisi terakhir 12:16.490 --> 12:23.070 dan kita dapat menulis kondisi ini dengan cara ini jika serangkaian indeks minus 1. 12:23.070 --> 12:25.940 Itu adalah transisi terakhir dari seri ini. 12:26.250 --> 12:32.280 Kemudian kami menambahkan yang dilakukan karena dilakukan sebenarnya adalah atribut dari Anda tahu struktur transisi ini yang 12:32.280 --> 12:38.400 kami definisikan dalam pengalaman kami memainkan pengalaman kami memutar ulang pelanggaran dan ini dilakukan berasal dari sebenarnya 12:38.400 --> 12:44.550 struktur pembukaan karena jika kita pergi ke situs web Allergan terbuka yang sebenarnya benar di sini saya 12:44.550 --> 12:45.240 menyiapkannya. 12:45.280 --> 12:47.160 Itu perbuatan baik atau wazir. 12:47.340 --> 12:52.300 Dan jika kita pergi ke dokumentasi dan kemudian jika kita. 12:52.380 --> 12:55.240 Itulah tutorial yang saya sangat anjurkan Anda untuk melihatnya. 12:55.470 --> 13:01.530 Anda dapat menjalankan lingkungan yang Knowsley Anda dapat melihat bahwa pengamatan kami bahwa ini 13:01.950 --> 13:04.690 adalah transisi yang ditentukan oleh pengamatan. 13:04.790 --> 13:12.150 Kami ingin ini dilakukan di sini dan ini dilakukan berarti transisi atau langkah selesai. 13:12.150 --> 13:15.440 Dan jadi kita akan menggunakan ini dilakukan di sini untuk kondisi JIKA kita. 13:15.610 --> 13:23.460 Oleh karena itu iSeries kegilaan ketika itu dilakukan berarti jika transisi terakhir dari seri selesai. 13:23.730 --> 13:29.290 Dan hadiah kumulatif ini akan sama dengan nol jika transisi terakhir dari seri dilakukan. 13:29.330 --> 13:37.290 Jika kita belum mencapai transisi terakhir, hadiah kumulatif baik akan diperbarui dengan seperti yang 13:37.290 --> 13:40.950 kita katakan maksimum dari nilai-nilai kunci. 13:41.220 --> 13:47.460 Dan karena output ini di sini adalah output dari otak yang merupakan prediksi dari jaringan saraf. 13:47.520 --> 13:53.640 Dan seperti yang Anda tahu prediksi dari jaringan saraf adalah nilai-nilai yang diprediksi Nah output ini 13:53.920 --> 13:55.040 berisi nilai-nilai. 13:55.110 --> 14:01.130 Dan karena kita perlu mengambil maks dari nilai q dengan baik, kita perlu menambahkan pertama indeks ini karena 14:01.130 --> 14:04.620 struktur ini mengandung dua nilai kunci dan yang berikutnya. 14:04.620 --> 14:07.830 Dan kemudian kita perlu menambahkan data untuk mengakses data. 14:07.830 --> 14:12.150 Struktur output ini Anda tahu memiliki struktur khusus dari obor voivode. 14:12.270 --> 14:17.910 Jadi dengan ini kita mendapatkan nilai-nilai inti kita dan kemudian kita ingin mengambil nilai maksimum dari 14:17.910 --> 14:20.470 isyarat kita dan jadi kita menambahkan Max. 14:20.490 --> 14:27.820 Dan sekarang kita mendapatkan apa yang kita inginkan seperti dalam makalah ini maksimum nilai kubus untuk 14:27.820 --> 14:30.240 negara-negara non-terminal sebagai sempurna. 14:30.280 --> 14:33.460 Dan sekarang yang akan kita lakukan adalah membuat lipatan kedua. 14:33.930 --> 14:40.830 Itu untuk 10 langkah dari seri kita akan memperbarui kumulatif berjalan dengan cara ini dengan mengalikan terlebih dahulu 14:40.830 --> 14:46.170 oleh Gamma parameter peluruhan yang sudah kita miliki dan kemudian tambahkan kata B 14:46.410 --> 14:47.540 Jadi mari kita lakukan ini. 14:47.610 --> 14:52.260 Kami benar-benar akan melakukan hal yang persis sama seperti dalam pseudocode karena Anda dapat melihat mereka mulai 14:52.260 --> 14:52.970 dari kanan. 14:53.040 --> 14:59.010 Jadi mereka tidak memulai dengan langkah pertama dan masuk ke tes terakhir yang mereka mulai dengan langkah terakhir. 14:59.040 --> 15:02.280 T-minus 1 ke langkah pertama untuk memulai. 15:02.340 --> 15:06.520 Itulah yang akan kita lakukan dan itu karena kita ingin mendapatkan 15:06.610 --> 15:15.840 imbalan kumulatif yang sama dengan yang sama dengan kita atau nol plus gamma atau 1 plus gamma kuadrat atau dua plus yang ditambahkan plus 15:15.840 --> 15:24.420 gamma dengan kekuatan 10 atau 10 di mana adalah 1 atau 2 yang 10 adalah kata yang diperoleh pada setiap langkah 15:24.420 --> 15:25.580 dari seri. 15:25.590 --> 15:29.870 Jadi mari kita istirahat sejenak sebelum mengambil loop penuh kedua dan sampai jumpa di tutorial berikutnya. 15:30.030 --> 15:31.530 Sampai kemudian menikmati AI.