பன்னிரண்டு ஆண்டுகளுக்குப் பிறகு, ஒரு காரில் தனியாகப் பயணித்தார் ஸ்டீவ் மஹான். பார்வை மாற்றுத்திறனாளியான அவரை அழைத்துச் சென்றது கூகுளின் தானியங்கி முன்மாதிரிக் கார். 2015-இல் அமெரிக்காவின் ஆஸ்டினில் நடந்த அந்தப் பயணத்தில் சோதனை ஓட்டுநரும் உடனிருக்கவில்லை. தனியாகப் பயணிக்கும் சுதந்திரத்தை அவர் மகிழ்ச்சியுடன் அனுபவித்ததாக, Waymo-வின் பொறியாளர் தனது பதிவில் விவரிக்கிறார்.
தானாக ஓட்ட முடியாத ஒருவருக்குத் தனியாகப் பயணிக்கும் வாய்ப்பு கிடைப்பது எவ்வளவு பெரிய மாற்றம்! அந்த வாய்ப்புடன் பாதுகாப்பும் சேர்ந்திருக்க வேண்டும் அல்லவா? கார் ஓட்டக் கற்பது எப்படி? நமது பயணத்துக்கு முன்பே அதன் தவறுகளைக் கண்டுபிடிக்க முடியுமா?
காரின் செயற்கை நுண்ணறிவு (Artificial Intelligence — AI), சாலைப் பதிவுகள், மனிதர்கள் காட்டும் உதாரணங்கள், கணினிப் பயிற்சி போன்றவற்றின் உதவியால் உருவாக்கப்படுகிறது. அதன் திறனை மதிப்பிட மெய்நிகர்ச் சூழல், கட்டுப்படுத்தப்பட்ட சோதனைத் தளம், நிஜச் சாலை ஆகியவை பயன்படுகின்றன. கற்றுக்கொடுத்ததும் சரிபார்த்ததும் தனித்தனி வேலைகள். மனிதரின் புரிதலும் இயந்திரத்தின் கற்றலும் ஒன்றல்ல. கார் ஓட்டக் கற்றுக்கொள்வது ஒரு சாதனை; பாதுகாப்பாக ஓட்டும் திறனை நிரூபிப்பதுதான் உண்மையான தேர்ச்சி! காரின் ‘பள்ளிக்கூடம்’ எப்படி இயங்குகிறது என்பதைப் பார்ப்போம்!
படங்கள், காணொளிகள், வாகனத்தின் இயக்கப் பதிவுகள் போன்றவை பயிற்சித் தரவாகப் பயன்படலாம். சில தரவுகளில் மனிதர்கள் பொருள்களின் வகையையும் இருப்பிடத்தையும் குறித்துக் கொடுப்பார்கள். இதற்குத் தரவுக் குறியிடுதல் (Data labelling) என்று பெயர். சாலையின் விளிம்பையும் நடைபாதையையும் தவறாகக் குறித்தால், கற்றலுக்கான அடித்தளமே பாதிக்கப்படலாம். பதிவுகளைச் சேகரிப்பதுடன் அவற்றின் தரத்தைச் சரிபார்ப்பதும் அவசியம்.
திறமையான ஓட்டுநர் ஒரு சூழலில் எடுத்த பாதை அல்லது வேக மாற்றத்திலிருந்து கற்கும் முறையும் உண்டு. மனிதர் காட்டிய உதாரணத்தைப் பின்பற்றும் இந்த அணுகுமுறை, பின்பற்றிக் கற்றல் (Imitation learning) எனப்படுகிறது. கற்றலின் மூலம் பதில்களை உருவாக்கும் கணித அமைப்பையே இங்கு ‘AI மாதிரி’ (Model) என்கிறோம்.
பல உதாரணங்களைக் கொண்டு பயிற்சி செய்யும்போது, எதிர்பார்த்த பதிலுக்கும் மாதிரியின் பதிலுக்கும் உள்ள பிழையைக் குறைக்கும் வகையில் அதன் உள்ளகக் கணக்குகள் திருத்தப்படுகின்றன. எல்லா ஓட்டுதல் அமைப்புகளும் ஒரே முறையில் உருவாக்கப்படுவதில்லை.
மனிதர் ஓட்டிய பதிவுகள் என்பதால் அவற்றிலுள்ள எல்லாச் செயல்களும் சிறந்த முன்மாதிரியாகிவிடாது. தவறான முந்துதல், போதாத இடைவெளி போன்றவற்றையும் அப்படியே பின்பற்றச் செய்வது பயிற்சியின் நோக்கமல்ல. எந்த நடத்தையை ஏற்க வேண்டும், எதைத் தவிர்க்க வேண்டும் என்பதற்கான இலக்குகளையும் சோதனைகளையும் பொறியாளர்கள் வரையறுக்க வேண்டும்.
Waymo வெளியிட்ட 2018 ChauffeurNet ஆய்வு விளக்கம், இயல்பான ஓட்டுதல் உதாரணங்கள் மட்டும் போதாததைச் சுட்டுகிறது. வழியிலிருந்து விலகிய நிலையைச் சரிசெய்வது போன்ற சூழல்களையும் செயற்கையாக உருவாக்கிப் பயிற்சியில் சேர்த்தனர். இது ஓர் ஆய்வு அணுகுமுறை; எல்லாக் கார்களுக்குமான பொதுவான தயாரிப்பு விளக்கம் அல்ல.
ஓட்டுநர் பயிற்சியாளர், ‘ஏன் இங்கே வேகத்தைக் குறைத்தாய்?’ என்று கேட்பதுபோல, AI-யிடமும் காரணம் கேட்கும் முயற்சிகள் நடக்கின்றன. 2026 ஆகஸ்டில் NVIDIA வெளியிட்ட Alpamayo 2 Super என்ற AI மாதிரி, வாகனம் செல்லக்கூடிய பாதையுடன் அதற்கான காரண விளக்கத்தையும் உருவாக்குகிறது. சாலைக் காட்சிகளைப் பற்றிய கேள்விகளுக்குப் பதிலளிக்கவும், பயிற்சித் தரவுக்கான விளக்கக் குறிப்புகளை உருவாக்கவும் இதைப் பயன்படுத்தலாம்.
உதாரணமாக, சாலைப் பணியால் ஒரு தடம் மூடப்பட்டிருக்கிறது என்று வைத்துக்கொள்வோம். வேகத்தைக் குறைக்கும் முடிவுடன், முன்னாலுள்ள தடையையும் காரணமாக அமைப்பு குறிப்பிடுகிறதா என்பதை ஆய்வாளர் ஆராயலாம். காட்சியைப் புரிந்துகொள்வதிலா, அடுத்த செயலைத் தேர்ந்தெடுப்பதிலா தவறு ஏற்பட்டது என்று விசாரிக்க இத்தகைய விளக்கங்கள் உதவும். இது வாகன உருவாக்கத்துக்கான AI கருவி. காரண விளக்கமும் வாகனத்தின் நடத்தையும் பொருந்துகின்றனவா என்பதையும் சோதிக்க வேண்டும். தேர்வில் விடையுடன் செய்முறையையும் பார்ப்பதுபோல, AI-யின் முடிவுகளை நெருக்கமாக ஆராய்வதற்கான ஒரு வழி இது.
பயிற்சியிலேயே பார்த்த கேள்விகளுக்கு மட்டும் சரியான பதில் சொன்னால், புதிய சாலையில் திறமை வெளிப்படுமா? அதற்காகத் தரவுகள் பிரிக்கப்படுகின்றன. ஒரு பகுதி கற்றுக்கொள்ள; மற்றொரு பகுதி மாதிரியைத் தேர்ந்தெடுத்துத் திருத்த; தனியாக ஒதுக்கிய இறுதிப் பகுதி, இதுவரை பார்க்காத உதாரணங்களில் திறனை மதிப்பிட. Google-ன் இயந்திரக் கற்றல் பாடத்திட்டம் இந்தப் பிரிவினையையும் தரவுகள் ஒன்றுக்கொன்று கலக்கக்கூடாததையும் விளக்குகிறது.
உதாரணமாக, ஒரே பயணத்தில் அடுத்தடுத்து எடுத்த காட்சிகள் பயிற்சியிலும் இறுதித் தேர்விலும் இடம்பெற்றால், மதிப்பீடு அளவுக்கு அதிகமான நம்பிக்கையைத் தரலாம். ஏற்கெனவே தெரிந்த காட்சிக்கும் உண்மையில் புதிய அனுபவத்துக்கும் உள்ள வேறுபாடு மறைந்துவிடும். மேலும், அதிகமான பகல் பதிவுகளை மட்டும் வைத்துக்கொண்டு இரவு மழைக்கான திறனை முடிவுசெய்ய முடியாது. தரவின் அளவுடன் அதன் பன்முகத்தன்மையும் முக்கியம்.
மதிப்பீட்டிலும் ‘எத்தனை முறை சரி?’ என்ற ஒரே கணக்கு போதாது. கடக்கும் மனிதரைத் தவறவிட்டதா, இல்லாத ஆபத்துக்காகத் தேவையின்றி நின்றதா போன்ற பிழைகளைத் தனித்தனியாகப் பார்க்க வேண்டும். அவற்றின் விளைவுகளும் ஒரே அளவில் இருப்பதில்லை. பாதுகாப்பு, சீரான பயணம் ஆகியவற்றுக்கான அளவுகோல்கள் முன்கூட்டியே தெளிவாக இருப்பது மதிப்பீட்டுக்கு உதவும்.
சாலையில் பயணிக்கும்போதே ஒவ்வொரு காரும் தனது AI-யைத் தானாக மாற்றிக்கொள்கிறது என்றும் எண்ண வேண்டாம். பயிற்சி பெற்ற மாதிரியைப் பயன்படுத்தி முடிவெடுப்பதும், புதிய தரவைக் கொண்டு அதன் கற்றலை மாற்றுவதும் வெவ்வேறு செயல்கள். புதுப்பிக்கப்பட்ட மென்பொருளுக்கும் மீண்டும் பொருத்தமான சோதனைகள் தேவை.
முன்னால் செல்லும் வாகனத்திலிருந்து சரக்குப் பெட்டி ஒன்று சாலையில் விழுவதாகக் கருதுங்கள். அரிதாக நிகழும் ஒரு சூழலுக்காக, அது உண்மையில் நடக்கும்வரை காத்திருக்க முடியாது. இத்தகைய நிகழ்வுகளைப் பொதுச்சாலையில் ஆபத்தாக ஏற்படுத்திப் பயிற்சி அளிக்க முடியாது. மெய்நிகர்ச் சோதனை (Simulation) உதவுகிறது: கணினியில் உருவாக்கிய சாலைச் சூழலில் வாகனத்தின் பதிலை மதிப்பிடலாம். அதே காட்சியில் வேகம், வெளிச்சம், மற்ற வாகனத்தின் நகர்வு ஆகியவற்றை மாற்றி மீண்டும் சோதிக்கலாம்.
கணினிச் சாலையில் AI முயற்சிக்கும் செயல்களின் விளைவுக்கு மதிப்பெண் கொடுத்து, அதன் நடத்தையை மேம்படுத்தும் முறையும் உண்டு. இதற்கு வலுவூட்டல் கற்றல் (Reinforcement Learning — RL) என்று பெயர். மோதாமல் முன்னேறுவதற்கு நல்ல மதிப்பெண்; மோதலுக்கோ சாலையைவிட்டு விலகுவதற்கோ மதிப்பெண் குறைப்பு வழங்கலாம். இந்தப் பின்னூட்டத்தைக் கொண்டு AI-க்கு மீண்டும் பயிற்சி அளிக்கப்படுகிறது. இதில் மதிப்பெண் தரும் விதமும் முக்கியம்: பயணத்தில் முன்னேறுவதுடன், பாதுகாப்பும் சீரான பயணமும் கணக்கில் கொள்ளப்பட வேண்டும். NVIDIA-வின் AlpaGym, இத்தகைய மெய்நிகர்ப் பயிற்சிக்கான ஓர் உதாரணம்.
அந்தக் கணினி உலகமும் நம்பகமாக இருக்க வேண்டும். நமது கார் மெதுவானால் பின்னால் வரும் வாகனம் எப்படி எதிர்வினையாற்றும்? மற்றவர்கள் வெறும் அசையும் பொம்மைகளாக இருந்தால் முடிவு தவறாகலாம். Waymo-வின் 2020 விளக்கம், மெய்நிகர் மாதிரிகளை நிஜத் தரவுகளுடன் ஒப்பிட்டு மேம்படுத்துவதையும் வலியுறுத்துகிறது. மெய்நிகரில் கடந்த தூரத்தை நிஜச் சாலை அனுபவத்துடன் நேரடியாகச் சமமாக்க முடியாது.
AI-க்குத் தேர்வு நடத்த, இன்னொரு AI சாலை உருவாக்கிக் கொடுத்தால்? 2026 பிப்ரவரியில் Waymo அறிமுகப்படுத்திய World Model அதற்கான ஓர் உதாரணம். Google DeepMind-ன் Genie 3-ஐ அடிப்படையாகக் கொண்ட இந்த மாதிரியில், மொழிக் கட்டளைகள் மூலம் முழுப் புதிய சோதனைக் காட்சிகளையும் உருவாக்கலாம்.
யானை குறுக்கிடுவது போன்ற அரிதான சூழல்களையும் தனது விளக்கத்தில் Waymo காட்டியுள்ளது. நிஜத்தில் போதுமான பதிவுகள் கிடைக்காத நிகழ்வுகளைச் சோதனைக்கு எடுத்துவர இந்த அணுகுமுறை உதவுகிறது. சாதாரண கேமராவில் பதிவான சாலைக் காணொளியை மெய்நிகர்ச் சோதனைச் சூழலாக மாற்றுவதையும் நிறுவனம் விவரிக்கிறது. வாகனம் பதிவிலிருந்த பாதையைவிட்டு வேறு பாதையைத் தேர்ந்தெடுத்தால், அதற்கேற்ற காட்சிகளையும் உருவாக்க முடியும் என்கிறது. இதனால், ஒரே சாலைப் பதிவிலிருந்து புதிய கோணங்களிலும் சோதனையைத் தொடர முடிகிறது.
அடுத்து, கட்டுப்படுத்தப்பட்ட சோதனைத் தளத்தில் உண்மையான வாகனத்தைக் கொண்டு தேர்வுகள் நடைபெறலாம். சோதனைக்காக வடிவமைக்கப்பட்ட உருவப்பொம்மைகள் போன்ற பாதுகாப்பான இலக்குகளுடன் குறிப்பிட்ட சூழலை மீண்டும் உருவாக்கி, கணினியில் கிடைத்த முடிவு வாகனத்திலும் கிடைக்கிறதா என்று பார்க்கலாம். பொதுச்சாலைச் சோதனைகள் அதன் பிறகும் முக்கியம். அமெரிக்கச் சாலைப் பாதுகாப்பு அமைப்பான NHTSA-வின் 2017 தன்னார்வ வழிகாட்டுதல், மெய்நிகர், சோதனைத் தளம், சாலை ஆகியவற்றை இணைத்த மதிப்பீட்டை விளக்குகிறது.
ஒவ்வொரு கூறையும் தனியாகச் சோதிப்பதுடன், அனைத்தும் சேர்ந்து செயல்படும்போதும் மதிப்பிட வேண்டும். சில தேர்வுகளில் வெற்றிபெற்றதால், சந்திக்கக்கூடிய எல்லாச் சூழல்களிலும் பாதுகாப்பு உறுதியாகிவிட்டதாகக் கொள்ள முடியாது.
ஒழுங்கான தடக்கோடுகள் கொண்ட வெளிநாட்டுச் சாலையில் கிடைத்த முடிவு, நம் ஊரின் குறுகிய சந்திப்புக்கும் பொருந்துமா? இருசக்கர வாகனம், ஆட்டோ, பேருந்து, பாதசாரி ஆகியோர் வெவ்வேறு வேகத்தில் நகரும் சூழல்களும் மதிப்பீட்டில் இடம்பெற வேண்டும். இந்தியச் சாலை ஆய்வுக்கான IDD தரவுத்தொகுப்பு, ஒழுங்கமைக்கப்பட்ட சாலைகளின் தரவுகள் மட்டும் போதாத சிக்கலை எடுத்துக்காட்டுகிறது. உள்ளூர் தரவின் தேவையைப் புரிந்துகொள்ள இது உதவுகிறது.
இந்தியச் சாலைக்கான AI பாடத்தில் ஊட்டியின் பனிமூட்டத்துக்கும் இடமுண்டு! IIIT Hyderabad உள்ளிட்ட ஆராய்ச்சியாளர்கள் உருவாக்கிய IDD-AW தொகுப்பு, மழை, பனிமூட்டம், குறைந்த வெளிச்சம், பனி படர்ந்த சாலை ஆகிய சூழல்களின் படங்களை உள்ளடக்குகிறது. 2024-இல் வெளியான இந்த ஆய்வில், ஊட்டி, டெல்லி, ஹைதராபாத், மணாலி பகுதிகளின் பதிவுகள் இடம்பெறுகின்றன.
இந்த ஆய்வின் இன்னொரு பங்களிப்பு, Safe mIoU என்ற மதிப்பீட்டு முறை. காட்சியிலுள்ள பொருட்களை AI வகைப்படுத்தும்போது, பாதசாரி, வாகனம் போன்ற முக்கிய வகைகளில் ஏற்படும் ஆபத்தான குழப்பங்களைக் கணக்கில் கொள்ள இது முயல்கிறது. சராசரி மதிப்பெண்ணில் மறைந்துபோகக்கூடிய தவறுகளை முன்னிலைப்படுத்துவதே நோக்கம். ‘எத்தனை பொருட்களைச் சரியாக அடையாளம் கண்டது?’ என்பதுடன், ‘எவற்றை எவற்றுடன் குழப்பியது?’ என்பதும் இங்கே முக்கியமாகிறது. மழையில் பள்ளியிலிருந்து திரும்பும் குழந்தையையும், பனிமூட்டத்தில் நடந்து செல்லும் முதியவரையும் நினைத்தால், இந்த ஆய்வின் தேவையை நம் அன்றாட வாழ்க்கையுடன் இணைத்துப் புரிந்துகொள்ளலாம்.
அத்தகைய படத் தொகுப்பில் நன்றாகச் செயல்படுவது மட்டுமே முழுக் காரின் பாதுகாப்புக்குச் சான்றாகாது. ஒரே நகரிலும் நெடுஞ்சாலை, பள்ளிச்சாலை, சந்தைப்பகுதி ஆகியவை ஒரே மாதிரியான தேர்வுகள் அல்ல. பயிற்சிக்கு உதாரணங்களைத் திரட்டுவதிலும் இந்த வேறுபாடுகளைத் திட்டமிட்டுக் கணக்கில் எடுக்க வேண்டும். சென்னையில் எடுத்த தரவால் பயிற்சி அளித்திருந்தாலும், வேறு ஊரின் சந்திப்பு, மழை நேரம், தற்காலிகத் தடுப்பு போன்றவற்றில் தனியாக மதிப்பிட வேண்டும்.
எந்தச் சூழலில் திறன் குறைந்தது, அதைச் சரிசெய்தபோது முன்பு சரியாகச் செயல்பட்ட இடத்தில் புதிய பிழை வந்ததா என்பதையும் பார்க்க வேண்டும். உள்ளூருக்கான பொருத்தத்தை விளக்க, சோதித்த சூழல்களையும் முடிவுகளையும் விவரிக்க வேண்டும்.
· CARLA மென்பொருளில் கணினிச் சாலைகளை உருவாக்கி AI-யைச் சோதிக்கலாம். இது திறந்த மூல மென்பொருள் என்பதால், ஆய்வாளர்கள் அதன் நிரலையும் மாற்றிப் பயன்படுத்தலாம்.
· IDD தொகுப்பில் ஹைதராபாத், பெங்களூரு மற்றும் அவற்றின் புறநகர்ப் பகுதிகளில் எடுக்கப்பட்ட 10,000 சாலைப் படங்கள் உள்ளன. பொருட்களும் சாலைப் பகுதிகளும் 34 வகைகளாகக் குறிக்கப்பட்டுள்ளன.
· பழுது இல்லாவிட்டாலும், காரின் அமைப்பு ஒரு சூழலைச் சரியாகக் கையாள முடியாமல் ஆபத்து ஏற்படலாம். இதற்கான பாதுகாப்பு வழிகாட்டுதல்களை ISO 21448:2022 வழங்குகிறது.
பேருந்துக்கான AI சோதனைகளில், பயணிகள் ஏறி இறங்கும் சூழல்களும் இடம்பெற வேண்டும். சோதனை வடிவமைப்பில் ஓட்டுநர்களையும் மாற்றுத்திறனாளிப் பயணிகளையும் பங்கேற்கச் செய்யலாம். பேருந்து பயணத்தை முடித்ததா என்பதுடன், பயணிகள் பாதுகாப்பாகவும் எளிதாகவும் சேவையைப் பயன்படுத்த முடிந்ததா என்பதையும் மதிப்பிட வேண்டும்.
1. ஒரு வெற்றிக் காணொளியை மட்டும் நம்பாமல், விரிவான சோதனை அறிக்கை உள்ளதா என்று கேளுங்கள்.
2. ‘இந்தியாவில் சோதித்தோம்’ என்றால், எந்த ஊர், சாலை, வானிலை என்று கேட்டு, உங்கள் பயணச் சூழலுடன் ஒப்பிடுங்கள்.
3. முடிவுகள் கணினிச் சோதனையிலா, சோதனைத் தளத்திலா, பொதுச்சாலையிலா கிடைத்தன என்பதையும் பயன்படுத்திய மென்பொருள் பதிப்பையும் கவனியுங்கள்.
4. மென்பொருள் புதுப்பிப்பால் செயல்பாடும் பயன்பாட்டு வரம்பும் மாறியுள்ளனவா என்பதைத் தயாரிப்பாளர் குறிப்பில் பாருங்கள்.
5. மாணவர்கள் AI திட்டங்களில் பயிற்சித் தரவையும் இறுதிச் சோதனைத் தரவையும் பிரித்துப் பயன்படுத்துங்கள்; வெற்றிகளையும் தோல்விகளையும் பதிவு செய்யுங்கள்
1. கற்றலுக்குத் தரவின் அளவுடன், சரியான குறியீடுகளும் பலவிதமான சாலைச் சூழல்களும் முக்கியம்.
2. பார்த்த உதாரணத்தைப் பின்பற்றுவதும் புதிய சூழலைச் சமாளிப்பதும் வெவ்வேறு திறன்கள்.
3. கணினி, சோதனைத் தளம், நிஜச் சாலைச் சோதனைகள் வெவ்வேறு பிழைகளைக் கண்டறிய உதவுகின்றன.
காருக்கான சோதனைகள், அது சந்திக்கவிருக்கும் சாலைச் சூழல்களை அடிப்படையாகக் கொண்டிருக்க வேண்டும்.
ஒரே சாலைக் காட்சியைப் பலமுறை பார்த்து, சிறிய தவறுகளையும் கண்டுபிடிக்கும் மனிதர்கள் இருக்கிறார்கள். அவர்களின் கவனமும் பொறுமையும் காரின் கற்றலில் பங்கெடுக்கின்றன. ‘கார் தானாகக் கற்றுக்கொண்டது’ என்ற வியப்பில், அந்த மனித உழைப்பையும் நினைவில் கொள்வோம்.
காரின் வசதிகளை விசாரிப்பதுபோல, அதன் சோதனைகளையும் விசாரிப்போம். ‘எத்தனை கிலோமீட்டர் சோதித்தீர்கள்?’ என்பதுடன், ‘எந்தச் சூழலில் சோதித்தீர்கள்; எங்கே தடுமாறியது?’ என்றும் கேட்கலாம். அந்தப் பதில்கள், நமது பயணத்துக்கு அந்தத் தொழில்நுட்பம் பொருந்துமா என்பதைப் புரிந்துகொள்ள உதவும்.
காரின் கற்றலை வியப்போம்; அதன் தேர்ச்சிக்குச் சான்றும் கேட்போம்!
— முனைவர். வளவன். அமுதன்
பொதுப் போக்குவரத்து | ஆட்டோமொபைல் | மொபிலிட்டி | மின்சார வாகனங்கள் | சாலைப் பாதுகாப்பு நிபுணர்
ஆசிரியரைப்பற்றிஅறிந்துகொள்ள: Dr. V. Amudhan – Portfolio
Waymo (ஸ்டீவ் மஹானின் பயணம், 2016, ChauffeurNet, 2018, Simulation, 2020, World Model, 2026); NVIDIA (Alpamayo 2 Super, 2026, RL பயிற்சி, 2026); Google — தரவுப் பிரிப்பு; NHTSA (ADS 2.0, 2017, சோதனைப் பொம்மைகள்); IDD; IDD-AW, 2024; CARLA; ISO 21448:2022.
தீபாவளிக்குப் பட்டாஸ்… காருக்கு ADAS தான் மாஸ்! ஓட்டுநர் உதவி அமைப்புகள் என்ன செய்யும், அவை செயல்படும்போது மனிதரின் பணி என்ன? பண்டிகைப் பயணத்துடன் இணைத்து, உதவித் தொழில்நுட்பத்திற்கும் தானியங்கி இயக்கத்திற்கும் உள்ள வேறுபாட்டை அடுத்த வாரம் பார்ப்போம்.
இத்தொடரின் முந்தைய பகுதியைப் படிக்க: சக்கரங்கள் சொல்லும் கதை – 13 | ஓட்டுநர் இல்லாத கார்… சாலையைப் பார்ப்பது யார்?