मेट्रिक्स जोडल्याने समज आवश्यकच सुधारते असे नाही. अनेक डॅशबोर्डमध्ये त्याच अंतर्निहित वर्तनाची अनेक मोजमापे असतात. एकमेकांवर मर्यादा घालणाऱ्या जोड्यांमध्ये एकत्र केल्यावर मेट्रिक्स अधिक निदानात्मक ठरतात: गुणवत्तेसह खर्च, भावनांसह नियंत्रण, किंवा विलंबासह अचूकता.
AI उत्पादन पायलट टप्प्यातून उत्पादन टप्प्यात जात असताना योग्य जोड्या बदलतात. प्रत्येक टप्प्यावर संघांला जे निर्णय घ्यायचे असतात, त्यानुसार मोजमाप असावे.
ऑपरेशनल मॉनिटरिंग आणि धोरणात्मक मापन यांचे उद्देश वेगवेगळे असतात. उत्पादनविषयक निर्णयांना मार्गदर्शन करण्यासाठी केवळ काही जोड्या वापरत असताना, संघ शेकडो सिस्टम सिग्नल्सचा मागोवा घेऊ शकतात.
ठळक मेट्रिक्स प्रभावी कथा सांगू शकतात, तरीही उत्पादनासंबंधीचा एक महत्त्वाचा निर्णय अनिर्णित राहू शकतो.
Klarna च्या AI सहाय्यकाचा सार्वजनिकरित्या अधिक थ्रुपुट, कमी खर्च आणि मानवी एजंट्सच्या तुलनेत ग्राहक समाधानाचे गुण यांच्याशी संबंध जोडला गेला. पुढील वर्षी, खर्चकपातीवर खूप जास्त भर देण्यात आला होता, हे मुख्य कार्यकारी अधिकाऱ्यांनी मान्य करत, कंपनीने मानवी सहाय्याची उपलब्धता वाढवण्याचा निर्णय घेतला.
हे AI सहाय्यकाचा किंवा त्यामागील तंत्रज्ञानाचा नकार नव्हता. कंपनीला उत्पादन चालवण्याच्या अनुभवातून शिकत असताना, स्वयंचलन आणि मानवी सेवेमधील समतोलात केलेला हा बदल होता. स्वयंचलनाने उच्च प्रमाणातील, सोप्या क्वेरी अधिक हाताळल्यामुळे, Klarna ला जटिल, संवेदनशील प्रकरणांसाठी सज्ज असलेल्या मानवी एजंट्सची गरज होती.
सुरुवातीपासूनच एखाद्या उत्पादनाने काय साध्य करावे हे ठरवल्यानंतर, AI उत्पादने विकसित करणाऱ्या बहुतेक संस्थांसमोर शेवटी तोच प्रश्न उभा राहतो: ते प्रत्यक्षात काम करत आहे का?
उत्तर स्पष्ट नसेल, तर अनेकदा अधिक मेट्रिक्स जोडण्याची प्रवृत्ती असते. तीनचे दहा होतात, मग दहाचे 30 होतात. डॅशबोर्ड अधिक समृद्ध होतो, पण संघांची समज सुधारेलच असे नाही.
समस्या नेहमीच प्रत्येक मोजमापाच्या गुणवत्तेची नसते, तर त्यांच्यातील संबंधांची असते. ग्राहक समाधान, Net Promoter Score, पुनरावलोकने आणि थम्ब्स-अप दर हे सर्व उपयुक्त संकेत देऊ शकतात, पण ते एकूण भावनेतील समान बदल दर्शवू शकतात. ते एकत्र बदलतात तेव्हा, काहीतरी घडले आहे याची पुष्टी होते, पण त्यामागचे कारण स्पष्ट होईलच असे नाही.
म्हणून AI संघांनी एकमेकांशी सुसंगत असलेल्या मेट्रिक्सपलीकडे पाहावे आणि परस्परविरोधी परिणाम उघड करणारी मोजमापे ओळखावीत. या परस्परांना हानी पोहोचवणाऱ्या जोड्या उत्पादनाच्या कामगिरीमागील तडजोडींचा परिणाम उघड करतात आणि त्यावर लक्ष ठेवण्यास मदत करतात, ज्यामुळे अधिक चांगले निर्णय घेता येतात.
लाँचपूर्वीच्या एका उपयोजनात, संयुक्त संघ येणाऱ्या ग्राहक-सहाय्य कॉल्ससाठी रिअल-टाइम AI व्हॉइस एजंट विकसित करत होती. सर्वांत कठीण प्रश्नांपैकी एक मॉडेल निवड किंवा ऑर्केस्ट्रेशनबद्दल नव्हता. ग्राहकांनी त्याचा मोठ्या प्रमाणावर वापर सुरू केल्यानंतर उत्पादन कार्यरत आहे की नाही हे संस्थेला कसे कळेल, हा प्रश्न होता.
प्रारंभिक आराखड्यात तीन मापदंडांचा वापर करण्यात आला:
निराकरण दर: AI एखादा कॉल व्यक्तीकडे हस्तांतरित न करता किती वेळा सोडवते.
एस्कलेशन दर: कॉल मानवी एजंटकडे किती वेळा हस्तांतरित केला जातो.
निराकरण दर: ग्राहकाची समस्या शेवटी किती वेळा सोडवली जाते.
प्रत्येक उपाय वाजवी होता. मात्र, ते एकत्रितपणे एका स्पष्ट प्रश्नाचे उत्तर देऊ शकले नाहीत: परिस्थितीची तीव्रता वाढल्यास, त्यातून तुम्हाला काय कळते?
संघांने एस्कलेशनचे आठ उपप्रकारांमध्ये विभाजन केले. त्यानंतर तिने त्याग, प्रवास आणि वेळेसंबंधीची मोजमापे, भाषा-समज स्कोअर आणि क्वेरी प्रकारानुसार पूर्तता जोडली. या फ्रेमवर्कमध्ये अखेरीस सहा श्रेणींमध्ये 31 मेट्रिक्स समाविष्ट होते.
ते वाढीचे तपशीलवार वर्णन करू शकत होते, पण तिचे कारण विश्वसनीयपणे निदान करू शकत नव्हते. बहुतेक मोजमापे त्याच वर्तनाची रूपांतरे होती, त्यामुळे पर्यायी स्पष्टीकरणांची चाचणी करण्याऐवजी ती एकत्र बदलत होती.
डॅशबोर्ड निदानात्मक नसून निरीक्षणात्मक बनला होता.
संघांला विघटनाचा आणखी एक स्तर नको होता. तिला एकमेकांवर मर्यादा घालणारी मोजमापे हवी होती.
आम्ही यांना परस्पर-विध्वंसक जोड्या म्हणतो: अशी दोन मापदंडे की, एका मापदंडात स्वतंत्रपणे सुधारणा केल्यास दुसऱ्याने दर्शविलेल्या परिणामाला हानी पोहोचू शकते. हे नाव एकतर्फी अनुकूलनामुळे निर्माण होणाऱ्या अपयशाच्या प्रकाराचे वर्णन करते, अपेक्षित स्थितीचे नाही.
दोन्ही बाजू सुदृढ राहिल्यास, उत्पादन कदाचित शाश्वतपणे कार्यरत असेल. त्यांच्यात फरक पडल्यास, त्या फरकाची दिशा संघाला कुठे तपास करायचा हे ठरवण्यास मदत करते.
आमच्याकडे काय होते | परस्पर विनाशकारी जोडी | या जोडीमुळे काय उघड होऊ शकते |
|---|---|---|
एस्कलेशन दर आठ उपप्रकारांमध्ये विभागलेला आहे | एस्कलेशन दर ↔ एस्कलेशनपर्यंतचा वेळ | तात्काळ एस्कलेशन विश्वास किंवा मांडणीतील समस्या दर्शवू शकते; नंतरचे एस्कलेशन प्रणाली कार्य पूर्ण करू शकत नसल्याचे दर्शवू शकते. |
कंटेनमेंट दर आणि पूर्तता दर स्वतंत्रपणे नोंदवले जातात | कंटेनमेंट दर ↔ ग्राहक भावना | कंटेनमेंट हे समाधानकारक निराकरण दर्शवते की ग्राहकाने प्रयत्न सोडून दिला आहे. |
हेतूच्या प्रकारानुसार पूर्तता दर | पूर्तता दर ↔ संभाषणाची खोली | यशस्वी निराकरण कार्यक्षम असो किंवा त्यासाठी थकवणारा संवाद आवश्यक असो. |
हे कसे समोर येते आणि या अंतर्दृष्टीचा काय उपयोग करायचा याचा अधिक सखोल विचार करताना, एस्कलेशनचा दर आणि एस्कलेशनपर्यंतचा वेळ पाहूया. प्रत्यक्ष कॉल येईपर्यंत ग्राहक कसे वागतात हे संघाला कळणार नाही, पण तिला तपासायच्या गृहितकांची व्याख्या करता येईल.
अधिक कॉल एस्कलेट होऊ लागल्यास आणि ग्राहक पहिल्या 30 सेकंदांत AI अनुभवातून बाहेर पडत असल्यास, संघाने विश्वास, माहिती उघड करणे, टोन आणि सुरुवातीच्या संवादांची तपासणी करावी. एखादे कार्य करण्याचा प्रयत्न करण्यात ग्राहक अनेक मिनिटे घालवल्यानंतर एस्कलेट करत असल्यास, क्षमता किंवा वर्कफ्लो कव्हरेजची समस्या असण्याची शक्यता अधिक असते.
मथळ्यातील एस्कलेशन क्रमांक समान आहे. उत्पादनाबाबतचा निर्णय वेगळा आहे.
उपयुक्त जोडी स्वतःहून कारण सिद्ध करत नाही. ती तपासाचा आवाका मर्यादित करते आणि पुढील निर्णय अधिक स्पष्ट करते.
पूर्वी दिलेले Klarna चे उदाहरण दाखवते की खर्च आणि सेवेची गुणवत्ता परस्परसंवाद साधतात तेव्हा हे तत्त्व कसे लागू होते. तडजोडींच्या परिणामाचे निरीक्षण करून आणि त्याच्या तैनातीमधून शिकून कंपनीचे AI-सक्षम कार्यकारी मॉडेल कसे विकसित होऊ शकते, हे ते दाखवते.
फेब्रुवारी 2024 मध्ये, कंपनीने अहवाल दिला की तिच्या AI सहाय्यकाने पहिल्या महिन्यात 2.3 दशलक्ष संभाषणे हाताळली, 700 पूर्णवेळ एजंट्सच्या कामाइतके काम केले आणि मानवी एजंट्सशी तुलनीय ग्राहक-समाधान गुण मिळवले. Klarna च्या अंदाजानुसार, 2024 मध्ये हा सहाय्यक नफ्यात $40 दशलक्षांची वाढ करण्यात हातभार लावेल. हे स्वतंत्र मूल्यांकनाऐवजी Klarna ने स्वतः अहवाल दिलेले परिणाम होते.
मे 2025 मध्ये, Klarna च्या मुख्य कार्यकारी अधिकाऱ्यांनी सांगितले की कंपनीने ग्राहक सेवेत खर्च कमी करण्यावर खूप जास्त भर दिला होता आणि मानवी सहाय्याची उपलब्धता वाढवण्याच्या योजना सांगितल्या. हे AI सहाय्यक किंवा त्यामागील तंत्रज्ञान नाकारण्याऐवजी, स्वयंचलित आणि मानवी सेवेतील संतुलनात केलेले समायोजन होते.
सार्वजनिक पुरावे दाखवतात की कार्यक्षमतेच्या उपाययोजनांचा विचार विविध ग्राहकांच्या आणि परस्परसंवादांच्या गरजांसोबत केला पाहिजे. एखादी AI प्रणाली सरासरीने चांगली कामगिरी करू शकते, तरीही काही जटिल, संवेदनशील किंवा असामान्य प्रकरणांमध्ये सुलभ मानवी माध्यमाचा लाभ होऊ शकतो.
त्या नातेसंबंधाच्या दोन्ही बाजूंचे निरीक्षण केल्याने कंपनीला हे ठरवता येते की स्वयंचलन कुठे मूल्य निर्माण करते, मानवी सहाय्य कुठे महत्त्वाचे राहते आणि नवीन पुरावे उपलब्ध होत असताना हा समतोल कसा बदलला पाहिजे.
AI उत्पादनांमधील इतर परस्पर-विनाशकारी जोड्यांमध्ये पुढील गोष्टींचा समावेश असू शकतो:
परस्पर विनाशकारी जोडी | जोखीम उघड करण्यात ते मदत करते |
|---|---|
प्रतिसादाची अचूकता ↔ प्रतिसादाचा विलंब | तांत्रिकदृष्ट्या अचूक, पण कार्यप्रवाहासाठी खूप धीमी असलेली प्रणाली. |
कार्य पूर्णता ↔ वापरकर्ता ओव्हरराइड दर | वापरकर्ते वारंवार पुन्हा करत असलेली कामे पूर्ण करणारा AI वर्कफ्लो. |
प्रति परस्परसंवादाचा खर्च ↔ मूल्यमापन केलेल्या आउटपुटची गुणवत्ता | ग्राहक किंवा कर्मचाऱ्यांचा अनुभव खालावून साधलेली बचत. |
स्वीकार्यता ↔ मूल्य मिळवण्याचा वेळ | वापरकर्त्यांना अनुरूप मूल्य न मिळता साइन-अपमध्ये वाढ. |
दोन्ही मोजमापे अनिश्चित काळासाठी वाढत राहावीत, हा उद्देश नाही. एकतर्फी अनुकूलनामुळे कार्यात्मक समस्या निर्माण होण्यापूर्वी त्यांतील तडजोड स्पष्ट करणे, हा उद्देश आहे.
मोबाइल-गेम्स कंपनीसाठी खेळाडू समर्थनाच्या अंमलबजावणीमध्ये असेच एक आव्हान दिसून आले. प्रणालीने प्रगती गमावणे, पेमेंटविषयक वाद आणि खात्यात प्रवेश यांसारख्या उच्च-प्रमाणातील समस्यांचे निराकरण केले.
प्रणाली मोठ्या प्रमाणावर कार्यरत असल्यामुळे कार्यक्षमतेच्या उपाययोजना महत्त्वाच्या होत्या. पण खेळाडूंसाठीचे समर्थन ही केवळ कामकाजाची रांग नाही. खेळाडू अनेकदा निराश होऊन येतात, कारण त्यांच्या अनुभवात इतरत्र काहीतरी आधीच चुकीचे घडलेले असते.
त्या सुरुवातीच्या मुद्द्यामुळे ग्राहक-समाधानाच्या डेटाचा अर्थ कसा लावावा हे बदलते. ज्या खेळाडूची समस्या योग्य प्रकारे सोडवली जाते, तो तरीही कमी समाधान नोंदवू शकतो, कारण सुरुवातीलाच त्याची प्रगती गमावली गेली होती. संदर्भाशिवाय तो गुण पाहिल्यास, ग्राहकाच्या प्रवासात आधी निर्माण झालेल्या निराशेसाठी ग्राहक सहाय्याच्या संवादाला दंड होऊ शकतो.
त्यामुळे, ग्राहकाची सुरुवातीची भावना आणि सहाय्याच्या अनुभवाचा परिणाम यांच्यात भेद करणे संघासाठी आवश्यक होते. अधिक उपयुक्त प्रश्न असा नव्हता, “खेळाडू आनंदी होता का?” तो असा होता, “खेळाडूने सुरुवात केली त्या स्थितीच्या तुलनेत या परस्परसंवादामुळे परिस्थिती सुधारली का?”
संघाकडे दोन्ही गोष्टी मोजण्याचा विश्वासार्ह मार्ग असल्यास, ही तुलना उत्पादनाबद्दलची निराशा आणि सहाय्याच्या गुणवत्तेमधील फरक स्पष्ट करण्यात मदत करू शकते.
AI उत्पादने बदलतात, पण त्यांचे मेट्रिक्स अनेकदा स्थिर राहतात.
प्रायोगिक टप्प्यादरम्यान, सतत गुंतवणूक करणे योग्य ठरेल इतकी ही प्रणाली विश्वासार्ह आहे का, हा मुख्य प्रश्न असू शकतो:
ते मुख्य कार्य विश्वसनीयपणे पूर्ण करते का?
वापरकर्ते पुढे जाण्यासाठी यावर पुरेसा विश्वास ठेवतात का?
सर्वाधिक सामान्य परिस्थितींबाहेर ते कसे वागते?
बिघाड सुरक्षितपणे ओळखून त्यातून सावरता येते का?
ते प्रश्न अशा जोड्यांना अनुकूल ठरतात:
मुख्य कार्यातील यश ↔ अपवादात्मक प्रकरणातील कामगिरी;
स्वयंचलन दर ↔ मानवी ओव्हरराइड दर; आणि
पूर्ण होण्याचा वेग ↔ वापरकर्त्याचा आत्मविश्वास.
एकदा उत्पादन कार्यान्वयनाच्या दृष्टीने महत्त्वाचे झाले की, प्रश्न बदलतात:
गुणवत्ता कमी न करता ते मोठ्या प्रमाणात वाढवता येईल का?
वापरासोबत त्याचे अर्थकारण सुधारते का?
वापर वाढत असताना कार्यप्रदर्शन स्थिर राहते का?
मानवी हस्तक्षेप योग्य ठिकाणी होत आहेत का?
संबंधित जोड्या या दिशेने सरकू शकतात:
प्रति परस्परसंवादाचा खर्च ↔ मूल्यमापन केलेल्या आउटपुटची गुणवत्ता;
स्वीकाराची व्याप्ती ↔ वापराची खोली; आणि
ऑटोमेशन दर ↔ ऑपरेशनल जोखीम एक्सपोजर.
सुरुवातीची मोजमापे चुकीची असतीलच असे नाही. ती आधीच्या टप्प्यावर महत्त्वाच्या असलेल्या प्रश्नांची उत्तरे देतात.
बदलाच्या काळात धोका उद्भवतो. पायलट मेट्रिक्स अनेकदा कायम राहतात, कारण संघाना त्यांचा अहवाल कसा द्यायचा हे माहीत असते आणि ते बंद करण्याचा निर्णय घेण्याची जबाबदारी कोणाचीही नसते. जे मोजमाप एकेकाळी शिकण्यास मदत करत होते, ते हळूहळू दिखाऊ मेट्रिक्स बनू शकतात.
म्हणून जोड्यांचे जीवनचक्र असावे. संघांनी त्यांचा वापर ठरावीक निर्णयासाठी सुरू करावा, त्या अजूनही महत्त्वपूर्ण तडजोड दर्शवतात का याचे पुनरावलोकन करावे आणि उत्पादन किंवा निर्णय बदलल्यावर त्यांचा वापर बंद करावा.
AI प्रणालींना तपशीलवार निरीक्षणक्षमता, सूचना, गुणवत्ता आश्वासन आणि मूल्यमापन आवश्यक असते. ते संकेत काढून टाकल्यास उत्पादन सुरक्षितपणे चालवणे अधिक कठीण होईल. पण कार्यात्मक निरीक्षण हे नेतृत्वाच्या मोजमापासारखे नाही.
निगराणीमुळे संघाना घटना शोधण्यात, अपयशांचा मागोवा घेण्यात आणि प्रणालीचे वर्तन समजून घेण्यात मदत होते. निर्णय मेट्रिक्स उत्पादन आणि व्यवसाय नेत्यांना गुंतवणूक करायची, हस्तक्षेप करायचा, दिशा बदलायची की तडजोड स्वीकारायची हे ठरवण्यास मदत करतात.
एखादी संस्था एखाद्या विशिष्ट उत्पादनासंबंधी निर्णयासाठी शेकडो तांत्रिक आणि कार्यकारी संकेतांचे निरीक्षण करू शकते, परंतु परस्परविनाशक असलेल्या केवळ दोन किंवा तीन जोड्यांनाच प्राधान्य देऊ शकते. निर्णयाचा हा स्तर लहान ठेवल्याने प्राधान्यक्रम ठरवणे सोपे होते.
योग्य पुनरावलोकन वारंवारता उत्पादनावर अवलंबून असते. नवीन किंवा वेगाने बदलणाऱ्या प्रणालीसाठी निर्णयांचे साप्ताहिक पुनरावलोकन आवश्यक असू शकते, तर परिपक्व उत्पादनासाठी मासिक किंवा त्रैमासिक वारंवारता योग्य ठरू शकते. कालावधीपेक्षा तत्त्व अधिक महत्त्वाचे आहे: तडजोड महागडी किंवा असुरक्षित होण्यापूर्वी कृती करता येईल इतक्या वेळा या जोडीचे पुनरावलोकन करा.
जोडी बिघडल्यास काय होईल यावर संस्था सहमत झाल्यावरच जोडी उपयुक्त ठरते.
यासाठी विचलनासाठीची लाल रेषा निश्चित करण्यापेक्षा अधिक काही करणे आवश्यक आहे. संघांनी तीन अटींचा विचार करावा:
पूर्ण अपयश: दुसऱ्या मापदंडाची पर्वा न करता, एक मापदंड अस्वीकार्य मर्यादा ओलांडतो.
विचलन: एक मापदंड सुधारतो, तर त्याचा प्रतितोलक बिघडतो.
संयुक्त ऱ्हास: दोन्ही बाजूंची घसरण होत आहे, जी उत्पादनातील किंवा कार्यपद्धतीतील व्यापक समस्या सूचित करते.
प्रत्येक जोडीमध्ये असावे:
नावाने ओळखला जाणारा मालक;
ते ज्या स्पष्ट निर्णयाला समर्थन देते;
मान्य केलेल्या मर्यादा किंवा मूल्यमापन निकष;
तपासाचा एक मार्ग; आणि
संभाव्य हस्तक्षेपांचा एक संच.
त्या घटकांशिवाय, संस्था उत्पादनाचे व्यवस्थापन करण्याऐवजी त्याचे निरीक्षण करत आहे.
आणखी एक मोजमाप जोडण्यापूर्वी, उत्पादनाशी संबंधित एक महत्त्वाचा निर्णय निवडा आणि या प्रश्नांवर विचार करा. पुनरावलोकनाचा शेवट सर्वमान्य पुढील पायरीने होण्यासाठी उत्तरे लिहून ठेवा.
1. या मेट्रिक्सच्या मदतीने तुम्हाला कोणता निर्णय घ्यायचा आहे?
नेमके सांगा: तुम्ही ऑटोमेशन वाढवायचे, मॉडेल बदलायचे की मानवी हस्तांतरण सुधारायचे हे ठरवत आहोत? उपाय निवडण्यापूर्वी निर्णयाचे नाव ठरवा.
2. या संख्येत सुधारणा झाल्यास, काय अधिक वाईट होऊ शकते?
तुम्हाला ज्या परिणामाचे संरक्षण करायचे आहे तो आणि हानी उघड करणारे मोजमाप ओळखा. उदाहरणार्थ, स्वस्त उत्तरे अजूनही उपयुक्त आहेत का हे तपासण्यासाठी प्रति परस्परसंवादाचा खर्च मूल्यमापन केलेल्या आउटपुटच्या गुणवत्तेशी जोड द्या.
3. ठळक आकडे काय लपवत असतील?
त्याच वापरकर्त्यांसाठी, कामांसाठी आणि कालावधीसाठी दोन्ही मोजमाप वाचा, आणि अधिक वाईट परिणाम अनुभवणारे गट शोधा. सुरुवातीच्या परिस्थितींचाही विचार करा: कमी समाधान हे सपोर्टशी झालेल्या संवादापूर्वीपासून असलेल्या निराशेचे प्रतिबिंब असू शकते.
4. तुम्हाला कृती करण्यास काय प्रवृत्त करेल आणि प्रतिसादाची जबाबदारी कोणाची आहे?
एखादे मापन अस्वीकार्य मर्यादा ओलांडल्यावर, एक सुधारत असताना दुसरे खराब होत असल्यास, किंवा दोन्ही बिघडत असल्यास कृती करण्यासाठी निकष ठरवा. कोण तपास करेल, ते प्रथम काय तपासतील आणि ते कधी अहवाल देतील यावर सहमती करा.
5. ही जोडी अजूनही उत्पादनाच्या सध्याच्या टप्प्याशी जुळते का?
ते कायम ठेवायचे, बदलायचे की वापरातून काढून टाकायचे हे ठरवा. प्रायोगिक उपक्रमात कार्याची विश्वासार्हता आणि वापरकर्त्यांचा विश्वास यांवर लक्ष केंद्रित केले जाऊ शकते; तर सुरू असलेल्या सेवेसाठी खर्च आणि गुणवत्तेची अधिक बारकाईने तपासणी आवश्यक असू शकते. या निर्णयाचा पुनर्विचार करण्यासाठी तारीख ठरवा.
AI उत्पादनाचे मोजमाप केवळ कार्यप्रदर्शनाचे वर्णन करण्यापेक्षा अधिक असले पाहिजे. त्याने संस्था करत असलेल्या तडजोडी उघड कराव्यात आणि पुढील निर्णय अधिक स्पष्ट करावा.