කෘතිම දැක්ම: ඔබ දැනගත යුතු සියල්ල

කෘතිම දැක්ම

නිෂ්පාදන ලෝකයේ පරිගණක පසුගාමී වී ඇත. කර්මාන්තය ආරම්භ කර ඇත්තේ කෘත්‍රිම බුද්ධිය මඟින් ලබා දෙන දැවැන්ත විභවයන් ප්‍රයෝජනයට ගැනීම පමණි. කෙසේ වෙතත්, AI සහ නිෂ්පාදනයේ අභිසාරීත්වය දැනටමත් බලපෑමක් ඇති කිරීමට පටන් ගෙන ඇත. පරිගණක දැක්ම කර්මාන්තයේ කර්මාන්තශාලා පරිවර්තනය කරන්නේ කෙසේද යන්න මෙම ලිපියෙන් ගවේෂණය කරනු ඇත. ඔවුන් සමඟ වැඩ කරන නිෂ්පාදනවල පැහැදිලි රූප සහිත යන්ත්‍ර ලබා දීමෙන්, මෙම තාක්‍ෂණය නිෂ්පාදකයින්ට පිරිවැය අඩු කිරීමට, කාර්යක්ෂමතාව වැඩි කිරීමට සහ කාර්ය සාධනය වැඩි කිරීමට හැකියාව ලබා දෙයි.

එය ඔවුන්ට ද ඉඩ සලසයි ගැටළු ඇති වන විට ඒවා නිරීක්ෂණය කිරීම සහ ඒවා විසඳා ගැනීමදේවල් වැරදී යන තෙක් බලා සිටීම වෙනුවට මිල අධික කොටස් ඇණවුම් කිරීමට හෝ වෙහෙස මහන්සි වී අලුත්වැඩියා කටයුතු සිදු කිරීමට සිදු වේ. එය සාක්ෂාත් කර ගැනීමේ පළමු පියවර? තොරතුරු තාක්ෂණ දෘෂ්ටි කෝණයකින් ඔබේ කර්මාන්තශාලාව සැබවින්ම කෙබඳුදැයි තේරුම් ගන්න. ප්‍රධාන උදාහරණ කිහිපයක් ගවේෂණය කිරීමෙන් යන්ත්‍ර දර්ශනය ලොව පුරා කර්මාන්තශාලා පරිවර්තනය කරන්නේ කෙසේදැයි බලමු.

පරිගණක දර්ශනයට අදාළ විවෘත මූලාශ්‍ර ව්‍යාපෘති සඳහා උදාහරණ වන්නේ BSD බලපත්‍රය යටතේ පරිගණක දර්ශනය සඳහා පුස්තකාලයක් වන OpenCV වේ.

පරිගණක දැක්ම යනු කුමක්ද?

මහා පරිමාණ කාර්මික CNC

යන්ත්‍ර දර්ශනය යනු පරිගණකය ලෝකය වටහා ගන්නා ක්‍රියාවලියයි. එය ප්‍රධාන ආකාර කිහිපයකින් මිනිස් දර්ශනයෙන් වෙනස් වේ. පළමුවෙන්ම, යන්ත්‍ර දර්ශනය ඩිජිටල් වේ. පරිගණක දෘෂ්ඨි ඇල්ගොරිතම වලට හැඩයන් සහ වර්ණ හඳුනා ගත හැක, නමුත් ඒවාට ඇත්ත වශයෙන්ම කිසිවක් දැකිය නොහැක. මිනිසුන් වර්ණ දකින නමුත් අපි හැඩයන් ද හඳුනා ගනිමු. පරිගණක දැක්ම මෙතරම් වටින්නේ මෙයයි. පරිගණක දැක්ම යනු යන්ත්‍ර ඉගෙනීමේ උප ක්ෂේත්‍රයකි. ඔබ යන්ත්‍ර ඉගෙනීමේ ඇල්ගොරිතමයක් පුහුණු කරන විට, ඔබ ඇත්ත වශයෙන්ම එය උගන්වයි. ඔහුට උදාහරණ පෙන්වා ඒවායින් ඉගෙන ගනී. ඔබ ඔහුට පෙන්වන උදාහරණ වැඩි වන තරමට ඔහු වඩාත් නිවැරදි වනු ඇත. පරිගණක දෘශ්‍ය ඇල්ගොරිතමයක් පුහුණු කළ විට එය සිදු වේ. දෘශ්‍ය දත්ත රාශියක් එයට පෝෂණය කිරීමෙන් පසු එය වඩ වඩාත් නිවැරදි වේ.

කෘතිම දර්ශනය ක්රියා කරන්නේ කෙසේද?

කෘතිම දර්ශනය සමන්විත වන්නේ ලෝකය පිළිබඳ පැහැදිලි රූපයක් ලබා ගැනීමයි. මෙය සිදු කිරීම සඳහා, ඔබට දර්ශනයේ සිදුවන දේ හඳුනා ගැනීමට යම් ක්‍රමයක් අවශ්‍ය වේ. එය කිරීමට බොහෝ ක්රම තිබේ. උදාහරණයක් ලෙස, ඔබට කැමරාවක් භාවිතා කළ හැකිය, නැතහොත් ඔබ අවට ලෝකය හඳුනා ගන්නා සංවේදක තිබිය හැක. ඕනෑම ආකාරයකින්, ඔබ දෘශ්‍ය දත්ත හඳුනා ගැනීමට සංවේදකයක් ලෙස හඳුන්වන දෙයක් භාවිතා කරයි. මීළඟට, ඔබට මෙම සංවේදක හඳුනාගන්නා දේ අර්ථ නිරූපණය කිරීමට ක්‍රමයක් අවශ්‍ය වේ. Computer vision algorithms මෙය සිදු කරන්නේ විශේෂාංග නිස්සාරණය නම් සංකල්පයක් මගිනි. සංවේදකයේ දෘශ්‍ය දත්ත ඇල්ගොරිතමයට භාවිතා කළ හැකි සංඛ්‍යාත්මක අගයන් බවට පරිවර්තනය වේ.

කෘතිම දෘෂ්ටි වර්ග

කෘත්‍රිම දර්ශනය සඳහා යොදා ගන්නා පරිගණකගත දැක්ම හෝ තාක්ෂණයන් සමහරක් නම්:

  • ගැඹුරු ඉගෙනීම: ගැඹුරු ඉගෙනුම් පද්ධති, ස්නායුක ජාල ලෙසද හැඳින්වේ, යන්ත්‍ර දර්ශනයේ හරය වේ. ඒවා නිර්මාණය කර ඇත්තේ අත්දැකීම් සමඟ ඉගෙනීමට සහ වැඩිදියුණු කිරීමට, නව තාක්‍ෂණයන්හි වේගවත් සංවර්ධනයට අනුවර්තනය වීමට තරම් පරිමාණය සහ නම්‍යශීලී වීමෙනි. ඒවා සාමාන්‍යයෙන් විශාල දත්ත කට්ටල මත පුහුණු කර ඇති අතර පරිගණක දැක්ම, වස්තු හඳුනාගැනීම, භාෂා අවබෝධය සහ අනුමාන ඇතුළු විවිධ කාර්යයන් සඳහා භාවිතා කළ හැක. ස්නායුක ජාල ලෙසද හැඳින්වෙන ගැඹුරු ඉගෙනුම් පද්ධති පරිගණක දර්ශනයේ හරය වේ. ඒවා නිර්මාණය කර ඇත්තේ අත්දැකීම් සමඟ ඉගෙනීමට සහ වැඩිදියුණු කිරීමට, නව තාක්‍ෂණයන්හි වේගවත් සංවර්ධනයට අනුවර්තනය වීමට තරම් පරිමාණය සහ නම්‍යශීලී වීමෙනි. ඒවා සාමාන්‍යයෙන් විශාල දත්ත කට්ටල මත පුහුණු කර ඇති අතර පරිගණක දැක්ම, වස්තු හඳුනාගැනීම, භාෂා අවබෝධය සහ අනුමාන ඇතුළු විවිධ කාර්යයන් සඳහා භාවිතා කළ හැක.
  • ශක්තිමත් කිරීමේ ඉගෙනීම: ශක්තිමත් කිරීමේ ඉගෙනුම් පද්ධති පරිශීලක හැසිරීම් මත පදනම්ව පද්ධතිය වෙනස් කිරීමට AI භාවිතා කරයි. මෙයට උදාහරණයක් වන්නේ පරිශීලකයාගේ චලනය අනුගමනය කරන සහ ස්ථානය සහ වේලාව වැනි පරාමිති මත පදනම්ව ප්‍රතික්‍රියා කරන අතථ්‍ය නියෝජිතයෙකි. VR හි, අතථ්‍ය ලෝකයේ වස්තූන් පරිශීලකයාගේ ක්‍රියාවන්ට ප්‍රතිචාර දක්වන අන්තර්ක්‍රියාකාරී අත්දැකීමක් නිර්මාණය කිරීමට මෙය භාවිතා කළ හැකිය, උදාහරණයක් ලෙස පරිශීලකයා එය වෙත ළඟා වන විට විවෘත වන දොරක්. ශක්තිමත් කිරීමේ ඉගෙනුම් පද්ධති පරිශීලක හැසිරීම් මත පදනම්ව පද්ධතිය වෙනස් කිරීමට AI භාවිතා කරයි. මෙයට උදාහරණයක් වන්නේ පරිශීලකයාගේ චලනය අනුගමනය කරන සහ ස්ථානය සහ වේලාව වැනි පරාමිති මත පදනම්ව ප්‍රතික්‍රියා කරන අතථ්‍ය නියෝජිතයෙකි. VR හි, අතථ්‍ය ලෝකයේ වස්තූන් පරිශීලකයාගේ ක්‍රියාවන්ට ප්‍රතිචාර දක්වන අන්තර්ක්‍රියාකාරී අත්දැකීමක් නිර්මාණය කිරීමට මෙය භාවිතා කළ හැකිය, උදාහරණයක් ලෙස පරිශීලකයා එය වෙත ළඟා වන විට විවෘත වන දොරක්.
  • අර්ධ-අධීක්ෂණ ඉගෙනීම: අර්ධ-අධීක්ෂණ පද්ධති ලේබල් කළ දත්තවල උප කුලකයක් පමණක් භාවිතා කරමින් ඔවුන්ගේ ආකෘති පුහුණු කරයි. උදාහරණයක් ලෙස, එක් යෙදුමක් වන්නේ ඒවායේ හැඩයන් ලේබල් කිරීමකින් තොරව වස්තූන් හඳුනා ගැනීමයි. ක්‍රීඩා කණ්ඩායමක් ඔවුන්ගේ නම් නොදැන දර්ශනවල ක්‍රීඩකයින් සොයා ගැනීමට අර්ධ-අධීක්‍ෂණය කළ AI භාවිත කරයි.

පරිගණක දර්ශනය කොටස් නිරීක්ෂණය කිරීමෙන් කර්මාන්තශාලා පරිවර්තනය කරන ආකාරය

නිෂ්පාදන නඩත්තුව

පරිගණක දර්ශනයේ මුල් ප්‍රතිලාභවලින් එකක් වූයේ වැඩිදියුණු කළ පරීක්ෂාවයි. කැමරා දෝෂ හඳුනා ගැනීමට පමණක් නොව, ඒවා නිවැරදිව හඳුනා ගැනීමට යන්ත්‍ර දර්ශනය විශිෂ්ටයි. මෙය ගුණාත්මක වැඩිදියුණු කිරීම සඳහා ප්‍රධාන තාක්‍ෂණයක් බවට පත් කරයි, නිෂ්පාදකයින්ට මිල අධික ප්‍රතිනිර්මාණය කිරීමට පෙර ගැටළු අල්ලා ගැනීමට ඉඩ සලසයි. විශාල හා සංකීර්ණ කොටස් ස්වයංක්‍රීයව පරීක්ෂා කිරීමේදී පරිගණක දර්ශනය ද විශේෂයෙන් ඵලදායී වේ. මෙය ඔබට කුඩා කොටසක දර්ශනයකට වඩා විශ්ලේෂණය කිරීමට පහසු සමස්ත වස්තුව පිළිබඳ දර්ශනයක් ලබා දෙයි. ඔබ වෙනත් ආකාරයකින් නොදකින ගැටලුවක් හඳුනා ගැනීමට බොහෝ දුරට ඉඩ ඇත. පරිගණක දෘෂ්ඨි ඇල්ගොරිතමයක් ඔබට මෙම ගැටළු විසඳීමටද උපකාර කළ හැක. ඔබට එම කොටසෙහි ඩිජිටල් ආකෘතියක් නිර්මාණය කිරීමට පරිගණක දර්ශනය භාවිතා කළ හැකි අතර දෝෂ ඇති වන විට ඒවා නිරීක්ෂණය කිරීමට සහ ඒවා සවි කර ඇති විට ඒවායේ ප්‍රගතිය අනුගමනය කිරීමට එය භාවිතා කළ හැකිය.

පරිගණක දැක්ම උපකරණ නිරීක්‍ෂණය කිරීමෙන් කර්මාන්තශාලා පරිවර්තනය කරන්නේ කෙසේද?

කොටස් පරීක්ෂා කිරීම සඳහා පරිගණක දර්ශනය විශිෂ්ට කරන එම ප්‍රතිලාභම උපකරණ නිරීක්ෂණ සඳහා හොඳ තේරීමක් කරයි. කැමරාවක් යන්ත්‍රයක අභ්‍යන්තර ක්‍රියාකාරීත්වය දැකීමට නොහැකි තරම් කුඩා විය හැකි අතර, පරිගණක දර්ශනයට යන්ත්‍රයේ සම්පූර්ණ අභ්‍යන්තරය පහසුවෙන් සිතියම්ගත කර එහි අඩංගු කොටස් සිතියම්ගත කළ හැක. මෙය සිදුවන්නේ කුමක්ද යන්න නිවැරදිව බැලීමට සහ ඇතිවිය හැකි ගැටළු හඳුනා ගැනීමට ඔබට ඉඩ සලසයි. යන්ත්‍ර සූත්‍රවල ගැටලු හඳුනාගැනීම සඳහා පරිගණක දර්ශනය විශේෂයෙන් හොඳින් ගැලපේ. මිනිසෙකුට මග හැරිය හැකි චලනයන් පහසුවෙන් හඳුනාගත හැකිය. දෝෂ සහිත සංරචක වැනි යන්ත්‍ර සූත්‍රවල ඇති ගැටළු ද ඔබට හඳුනාගත හැකිය. නිෂ්පාදනය අධීක්‍ෂණය කිරීමේදී, මිනිසාට මග හැරිය හැකි දේවල් පරිගණක දර්ශනයට හඳුනාගත හැකිය. මිනිසාට නොපෙනෙන දත්තවල විෂමතා ද එය හඳුනාගත හැකිය. මෙම ලක්ෂ්‍ය අනෙකුත් දත්ත සමඟ නොගැලපෙන බැවින් විෂමතා ලෙස හැඳින්වේ. මෙය ඔබගේ ක්‍රියාවලි වල ඇති විය හැකි ගැටළු හඳුනා ගැනීමට උපකාරී වේ. ගැටළු වලට ප්‍රමුඛත්වය දීමට සහ නිෂ්පාදනය වැඩි දියුණු කිරීම සඳහා විසඳුම් සෙවීමට ද එය ඔබට උපකාර කළ හැකිය.

යන්ත්‍ර දර්ශනය සේවකයින් නිරීක්ෂණය කිරීමෙන් කර්මාන්තශාලා පරිවර්තනය කරන්නේ කෙසේද?

යන්ත්‍ර දර්ශනය කොටස් පරීක්‍ෂා කිරීමට සුදුසු සේම, සේවකයන් නිරීක්‍ෂණය කිරීමට ද සුදුසු ය. මෙය ආරක්ෂාව වැඩි දියුණු කිරීමට සහ මිනිසුන්ව ඔවුන්ගේ ඇඟිලි මත තබා ගැනීමට ප්‍රයෝජනවත් ක්‍රමයක් බවට පත් කරයි. තෙහෙට්ටුව සහ තෙහෙට්ටුව ආශ්‍රිත ගැටළු අවම කර ගැනීමට ද එය ප්‍රයෝජනවත් ක්‍රමයකි. කර්මාන්තශාලාව වටා ගමන් කරන කම්කරුවන් අනුගමනය කිරීමට පරිගණක දර්ශනය භාවිතා කළ හැකිය. මෙය ඔබට ඔබේ සේවා පරිසරය සිතියම්ගත කිරීමට සහ අවහිර වූ හෝ ජනාකීර්ණ මාර්ග වැනි ගැටලු හඳුනා ගැනීමට උදවු කළ හැක. එක් එක් සේවකයාගේ ක්‍රියාකාරකම් නිරීක්ෂණය කිරීමට ඔබට පරිගණක දර්ශනය භාවිතා කළ හැකිය. මෙය ඔබට ඔබගේ කාර්ය සාධනය නිරීක්ෂණය කිරීමට ඉඩ සලසයි, ඒවා මිල අධික ප්‍රතිනිර්මාණය කිරීමට පෙර විය හැකි දෝෂ හඳුනා ගනී. ඔබට උපකරණ සහ යන්ත්‍ර සූත්‍ර නිරීක්ෂණය කිරීමට පරිගණක දර්ශනය භාවිතා කළ හැකිය. මිනිස් ඇසට පහසුවෙන් මග හැරිය හැකි යන්ත්‍රෝපකරණ ගැටළු හඳුනා ගැනීමට මෙය ඔබට ඉඩ සලසයි.

පරිගණක දර්ශනය දෝෂ හඳුනාගැනීම හරහා කර්මාන්තශාලා පරිවර්තනය කරන ආකාරය

ia

පරිගණක දර්ශනය ද දෝෂ හඳුනාගැනීම සඳහා විශිෂ්ට මෙවලමකි. මෙය බොහෝ අර්ථවත් කරයි, එය කොටස් පරීක්ෂාව සඳහා හොඳ මෙවලමක් බවට පත් කරන බොහෝ ප්‍රතිලාභවලින් අදහස් වන්නේ එය සංරචක දෝෂ හඳුනා ගැනීම සඳහා හොඳ මෙවලමක් බවයි. මුල් අවධියේදී දෝෂ හඳුනා ගැනීම සඳහා පරිගණක දර්ශනය විශේෂයෙන් ගැලපේ. මෙයින් අදහස් කරන්නේ ඔබට මිල අධික අලුත්වැඩියාවන් හෝ විසඳුම් ඇණවුම් කිරීමට ඇති ඉඩකඩ අඩු බවයි. සීරීම් හෝ තීන්ත දෝෂ වැනි මතුපිට දෝෂ හඳුනා ගැනීම සඳහා පරිගණක දර්ශනය ද විශේෂයෙන් සුදුසු වේ. මෙය තත්ත්ව පාලනය සඳහා හොඳ තේරීමක් කරයි.

3D ස්කෑන් කිරීම

ඔබේ කර්මාන්තශාලාව සැබවින්ම කෙබඳුද යන්න තේරුම් ගැනීමට ඔබ පරිගණක දර්ශනය භාවිතා කිරීමට පටන් ගත් විට, ඔබට නැති වී ඇත්තේ කුමක්දැයි කල්පනා කිරීම ස්වාභාවිකය. පැහැදිලි ඊළඟ පියවර වන්නේ ඔබේ පරිසරයේ ත්‍රිමාණ ආකෘති නිර්මාණය කිරීමට කැමරා භාවිතා කිරීම ආරම්භ කිරීමයි. යන්ත්‍ර දර්ශනය සඳහා මෙම දත්ත මත පදනම් වූ ප්‍රවේශය බොහෝ විට ගැඹුරු ඉගෙනීම ලෙස හැඳින්වේ. තවද, නැවත වරක්, එය බොහෝ අර්ථවත් කරයි. යන්ත්‍ර දර්ශන ඇල්ගොරිතම සාමාන්‍යයෙන් කුඩා උදාහරණ සංඛ්‍යාවක් මත පුහුණු කරනු ලැබේ. මෙය යන්ත්‍ර ඉගෙනීමේ ඉතා මතුපිට ආකාරයකි. ගැඹුරු ඉගෙනුම් ඇල්ගොරිතමයක් පුහුණු කිරීම සඳහා දෘශ්‍ය දත්ත විශාල ප්‍රමාණයක් අවශ්‍ය වේ, නමුත් එය අවසන් වූ පසු, ඔබට දත්තවල බොහෝ දේ දැකිය හැකිය.

රොබෝ දර්ශනය

කෙසේ වෙතත්, 3D ස්කෑන් කිරීම විභව ගැටළුවක් මතු කරයි. ස්ථාන පරීක්ෂා කිරීම් සඳහා එය ඉතා හොඳින් ක්‍රියා කරයි, නමුත් ඔබ ත්‍රිමාණ ආකෘතියක් නිර්මාණය කළ පසු, ඔබ එය සමඟ සිරවී ඇත. තවද, ඔබ කොටස් ලුහුබැඳීම සහ හඳුනාගැනීම සඳහා පරිගණක දර්ශනය භාවිතා කිරීමට පටන් ගත් පසු, ඔබ බොහෝ විට දේවල් වලට ගැටීමට පටන් ගනී. වාසනාවකට මෙන්, මෙම ගැටලුව සඳහා විසඳුමක් ද තිබේ. රොබෝවරයාගේ පරිසරයේ දෘශ්‍ය නිරූපණයක් නිර්මාණය කිරීමට ඔබට පරිගණක දර්ශනය භාවිතා කළ හැකිය. විභව බාධක හඳුනා ගැනීමට සහ ඒවා වළක්වා ගැනීමට පරිගණක දර්ශනය භාවිතා කිරීමට මෙය ඔබට ඉඩ සලසයි.

වීඩියෝ නිරීක්ෂණ

ඔබ ඔබේ යන්ත්‍ර සූත්‍රවල පරිගණක දර්ශනය භාවිතා කිරීමට පටන් ගත් පසු, ඔබට ඔබේ උපකරණ සමඟද එසේ කිරීමට අවශ්‍ය වනු ඇත. කණ්ඩායමේ දෘශ්‍ය නිරූපණයන් නිර්මාණය කිරීමෙන් ඔබට මෙය කළ හැකිය. මෙම ප්රවේශය බොහෝ විට දෘශ්යකරණය ලෙස හැඳින්වේ. ඔබේ පරිගණකය ක්‍රියා කරන ආකාරය තේරුම් ගැනීමට ඔබට දෘශ්‍යකරණයන් නිර්මාණය කළ හැකිය, නැතහොත් ඔබේ පරිගණක දෘෂ්ඨි ඇල්ගොරිතම පුහුණු කිරීමට උදවු කිරීමට ඔබට දෘශ්‍යකරණයන් සෑදිය හැක. ඔබේ යන්ත්‍ර සූත්‍රවල ත්‍රිමාණ ආකෘතියක් නිර්මාණය කිරීමට ඔබට දෘශ්‍යකරණයන් භාවිතා කළ හැක.

AI සහ සංවේදක

බොහෝ කෘතිම බුද්ධි යෙදුම්වල පරිගණක දැක්ම ප්‍රධාන අංගයකි. මේවාට රූප හඳුනාගැනීම, භාෂා පරිවර්තනය සහ කථන සංස්ලේෂණය වැනි දේ ඇතුළත් වේ. ස්නායුක ජාල සංවර්ධනයේදී පරිගණක දැක්ම ද ප්‍රධාන වේ. මේවා ගැඹුරු ඉගෙනුම් යෙදුම්වල ප්‍රධාන කොටසකි. පරිගණක දර්ශනය දෘෂ්‍ය දත්ත සරලව හඳුනා ගැනීමට වඩා බොහෝ සෙයින් වැඩි ය. මෙම පද්ධති ප්‍රයෝජනවත් වීමට බොහෝ උදාහරණ සහිතව පුහුණු කළ යුතුය. නිෂ්පාදන රේඛාව පුරාම ඒවා යෙදවිය යුතුය.


ලිපියේ අන්තර්ගතය අපගේ මූලධර්මවලට අනුකූල වේ කතුවැකි ආචාර ධර්ම. දෝෂයක් වාර්තා කිරීමට ක්ලික් කරන්න මෙන්න.

අදහස් පළ කිරීමට ප්රථම වන්න

ඔබේ අදහස තබන්න

ඔබේ ඊ-මේල් ලිපිනය පළ කරනු නොලැබේ. අවශ්ය ක්ෂේත්ර දක්වා ඇති ලකුණ *

*

*

  1. දත්ත සඳහා වගකිව යුතු: මිගෙල් ඇන්ජල් ගැටන්
  2. දත්තවල අරමුණ: SPAM පාලනය කිරීම, අදහස් කළමනාකරණය.
  3. නීත්‍යානුකූලභාවය: ඔබේ කැමැත්ත
  4. දත්ත සන්නිවේදනය: නෛතික බැඳීමකින් හැර දත්ත තෙවන පාර්ශවයකට සන්නිවේදනය නොකෙරේ.
  5. දත්ත ගබඩා කිරීම: ඔක්සෙන්ටස් නෙට්වර්ක්ස් (EU) විසින් සත්කාරකත්වය දක්වන දත්ත සමුදාය
  6. අයිතිවාසිකම්: ඕනෑම වේලාවක ඔබට ඔබේ තොරතුරු සීමා කිරීමට, නැවත ලබා ගැනීමට සහ මකා දැමීමට හැකිය.

ඉංග්රීසි පරීක්ෂණයකැටලන් පරීක්ෂණයස්පාඤ්ඤ ප්‍රශ්නාවලිය