संक्षेप में जवाब
जहाँ मिलीसेकंड, नेटवर्क बंदी, निजता या कच्चे डेटा का आकार मायने रखता है, वहाँ अनुमान सेंसर के पास रखें; फ़्लीट लर्निंग, भारी विश्लेषण और स्टोर-दर-स्टोर संदर्भ क्लाउड में रहने दें। उपयोगी वास्तुकला आम तौर पर हाइब्रिड ही होती है।
एज एक निर्णय-सीमा है, छोटा क्लाउड नहीं
रिटेल की एज वास्तुकला तभी उपयोगी है जब वह किसी बाध्यता को बदले। वही इन्फ़रेंस कोड डेटा सेंटर से उठाकर काउंटर के नीचे रखे डिब्बे में डाल देना अपने आप कोई सुधार नहीं है। असल सवाल ये हैं: निर्णय कितनी जल्दी लौटना चाहिए, कनेक्टिविटी ग़ायब होने पर क्या होता है, सेंसर कितना कच्चा डेटा बनाता है, कौन-सी जानकारी परिसर से बाहर जाने की अनुमति रखती है, और स्थानीय डिवाइस कितनी गणना-शक्ति तथा ऊर्जा लगातार झेल सकता है। NIST का एज AI कार्यक्रम परिवेश को इसी व्यावहारिक भाषा में रखता है: एज पर विशाल डेटा मात्राएँ संसाधन, संचार, निजता और सुरक्षा की बाध्यताओं से टकराती हैं। किसी विक्रेता की डिवाइस श्रेणी से पहले इन्हीं बाध्यताओं को यह तय करना चाहिए कि गणना कहाँ बैठे।
इसलिए अधिकांश रिटेलरों के लिए डिफ़ॉल्ट उत्तर हाइब्रिड है। स्थानीय हार्डवेयर वह संकरा निर्णय सँभालता है जिसका मूल्य तेज़ी से घटता है या जिसका कच्चा इनपुट दूर तक नहीं जाना चाहिए; केंद्रीकृत बुनियादी ढाँचा फ़्लीट का एकत्रीकरण, ऐतिहासिक विश्लेषण, गणना-महँगी प्रोसेसिंग, मॉडल विकास और स्टोर-दर-स्टोर समन्वय सँभालता है। मल्टी-एक्सेस एज कंप्यूटिंग पर ETSI का काम इसी वास्तुशिल्पीय आकर्षण को रेखांकित करता है: कम विलंब और उच्च बैंडविड्थ वाले अनुप्रयोगों के लिए गणना-क्षमता को उपयोगकर्ताओं और डेटा स्रोतों के पास लाना। रिटेल को दूरसंचार की संरचना की शब्दशः नक़ल नहीं करनी है, पर सिद्धांत वही रहता है: गणना वहाँ रखें जहाँ सेवा-स्तर की माँग वास्तव में पूरी हो सके, और फिर उस सीमा को स्पष्ट लिखें।
कैमरे: नेटवर्क से पहले धारा को छोटा करें
स्थानीय प्रोसेसिंग के लिए वीडियो सबसे स्पष्ट रिटेल कार्यभार है, क्योंकि इनपुट लगातार और भारी है जबकि कई उपयोगी परिणाम बहुत छोटे हैं। कैमरा या पास का गेटवे पहले चरण का काम कर सकता है: यह पहचानना कि क़तार की सीमा पार हुई, शेल्फ़ के किसी क्षेत्र की स्थिति बदली, या सुरक्षा क्षेत्र में रुकावट आई। हर फ़्रेम क्लाउड भेजने के बजाय डिवाइस समय-मुद्रित इवेंट, विश्वास-अंक और नीति की अनुमति हो तो कड़ाई से नियंत्रित साक्ष्य-क्लिप भेज सकता है। इससे बैंडविड्थ घटती है और दूरस्थ प्रणालियों के सामने आने वाली कच्ची तस्वीरों की मात्रा भी घट सकती है। फिर भी एज-निजता पर NIST का शोध याद दिलाता है कि गणना को स्थानीय करने से निजता का जोखिम मिटता नहीं; यह बस बदल देता है कि संग्रह, संधारण और पहुँच का शासन कहाँ करना है।
«स्थानीय» का अर्थ «स्वायत्त» मत समझिए। कैमरे को ग्राहक या कर्मचारी से जुड़े भारी परिणाम वाले निर्णय केवल इसलिए नहीं लेने चाहिए कि वह मॉडल तेज़ी से चला सकता है। यदि किसी अनुमान से आरोप लग सकता है, सेवा से इनकार हो सकता है, रोज़गार प्रभावित हो सकता है या और कोई ठोस नुक़सान हो सकता है, तो संदर्भ और क़ानून के अनुरूप समीक्षा का चरण रखें। एज तब भी साक्ष्य को छान या प्राथमिकता दे सकता है, अंतिम अधिकारी बने बिना। उन भौतिक परिस्थितियों को भी परखें जो प्रयोगशाला छोड़ देती है: चमक, मौसमी रोशनी, बदले हुए डिस्प्ले, ओट, गंदे लेंस और कैमरे का हिलना। कम विलंब वाले वर्गीकारक का मूल्य ख़त्म हो जाता है यदि स्थानीय दृश्य मॉडल की पहचान से आगे खिसक जाए और किसी को पता ही न चले।
शेल्फ़ और सेंसर: स्थानीय स्थिति, केंद्रीकृत संदर्भ
स्मार्ट शेल्फ़ और छोटे सेंसर अलग पैटर्न बनाते हैं। दाब सेंसर, RFID रीडर, इलेक्ट्रॉनिक शेल्फ़ प्रणाली या अंतर्निहित विज़न मॉड्यूल को स्थानीय स्थिति-परिवर्तन जल्दी पकड़ना पड़ सकता है, पर उस परिवर्तन का कारोबारी अर्थ अक्सर व्यापक संदर्भ पर निर्भर करता है। एज शोर भरे संकेतों को स्थिर कर सकता है, कई पाठ जोड़ सकता है, अनुमान लगा सकता है कि स्थिति भरोसेमंद है या नहीं, और वाइड-एरिया नेटवर्क बंद रहने पर भी काम करता रह सकता है। क्लाउड कई स्टोरों की तुलना कर सकता है, इन्वेंटरी प्रणालियों का मिलान कर सकता है, उपलब्धता की टिकाऊ समस्याओं का विश्लेषण कर सकता है और तय कर सकता है कि कौन-से पैटर्न नए मॉडल या नए कारोबारी नियम के योग्य हैं। यह बँटवारा एक छोटी नेटवर्क रुकावट को भौतिक स्टोर को अंधा बिंदु बनाने से रोकता है, और साथ ही इस कल्पना से भी बचाता है कि एक शेल्फ़ डिवाइस पूरी आपूर्ति शृंखला समझता है।
यहाँ इंजीनियरिंग का असली ब्योरा मिलान है। यदि शेल्फ़ गेटवे बंदी के दौरान इवेंट दर्ज करता है, तो तय करें कि उन पर समय कैसे अंकित होगा, दोहराव कैसे हटेगा और बाद में वे कैसे अपलोड होंगे। तय करें कि कौन-सी घड़ी प्रामाणिक है और स्थानीय स्थिति केंद्रीय अभिलेख से टकराए तो क्या होगा। जो डिवाइस «वस्तु हटाई गई» बताता है, वह ज़रूरी नहीं कि बिक्री का प्रमाण हो; चेकआउट, वापसी और पुनःपूर्ति की प्रणालियाँ छूटा हुआ संदर्भ दे सकती हैं। एज प्रोसेसिंग को अनिश्चितता घटानी चाहिए, मिटानी नहीं। वास्तुकला तब मज़बूत होती है जब हर इवेंट के साथ पर्याप्त पहचान जुड़ी हो — डिवाइस की पहचान, सॉफ़्टवेयर संस्करण, समय की गुणवत्ता और विश्वास-स्तर — ताकि कनेक्टिविटी लौटने पर उसे केंद्र में सही ढंग से पढ़ा जा सके।
कियोस्क: संवाद-चक्र को नेटवर्क की देरी से बचाएँ
स्व-सेवा कियोस्क के सामने एक इंसान खड़ा इंतज़ार कर रहा होता है, इसलिए महसूस होने वाला विलंब उत्पाद का हिस्सा है। आवाज़ से सक्रियण, वेक-वर्ड की पहचान, कैमरे की फ़्रेमिंग, बुनियादी सुगम्यता सुविधाएँ या इंटरफ़ेस का वैयक्तिकरण अक्सर स्थानीय निष्पादन से लाभ पाते हैं, क्योंकि हर नेटवर्क चक्कर ग्राहक को दिखता है। कनेक्शन कमज़ोर होने पर स्थानीय प्रोसेसिंग एक शालीन विकल्प भी देती है। लेकिन कियोस्क की प्रामाणिक कारोबारी स्थिति — क़ीमतें, लॉयल्टी शेष, स्टॉक की प्रतिबद्धताएँ, भुगतान और खाते की अनुमतियाँ — सामान्यतः उन प्रणालियों की होती है जो इन अभिलेखों को समकालिक और अंकेक्षित रखने के लिए बनी हैं। तेज़ स्क्रीन बदलने भर के लिए एज को न तो क़ीमत गढ़नी चाहिए और न बासी ग्राहक डेटा को ताज़ा मानना चाहिए।
कियोस्क को दो परतों में डिज़ाइन करें: एक प्रतिक्रियाशील संवाद परत और एक लेनदेन-अधिकार परत। पहली अनुमान लगा सकती है, पहले से डेटा ला सकती है और सहायता कर सकती है; दूसरी कार्रवाई को कारोबारी तथ्य बनने से पहले सत्यापित करती है। बंदी के दौरान इंटरफ़ेस को पता होना चाहिए कि कौन-से काम सुरक्षित हैं और किन्हें रोकना है, न कि यह दिखावा करे कि नेटवर्क ठीक है। यहीं नियतात्मक सॉफ़्टवेयर का महत्व भी बना रहता है। हर संवाद को मॉडल की ज़रूरत नहीं होती। एक तय नियम, कैश किया गया कैटलॉग या मानक स्थानीय सत्यापन इन्फ़रेंस से तेज़, परखने में आसान और कम त्रुटि-प्रवण हो सकता है। एज AI अपनी जगह वहीं कमाता है जहाँ सीखा हुआ व्यवहार वह मूल्य देता है जो साधारण एज सॉफ़्टवेयर नहीं दे सकता।
स्टाफ़ के उपकरण: निगरानी-बिंदु बनाए बिना स्थानीय संदर्भ
स्टाफ़ के हाथ में रहने वाले उपकरण निजी कंप्यूटिंग और स्टोर के बुनियादी ढाँचे के बीच बैठते हैं। उपयोगी स्थानीय कामों में स्कैनिंग, वाणी का लिप्यंतरण, छवि का पूर्व-संसाधन या किसी छोटे स्वीकृत ज्ञान-पैकेज में खोज शामिल हो सकती है, ताकि कर्मचारी दूरस्थ मॉडल की प्रतीक्षा किए बिना बुनियादी काम जारी रख सके। केंद्रीय सेवाएँ फिर मौजूदा स्टॉक, नीति के अद्यतन, स्टोरों के बीच की जानकारी और गणना की दृष्टि से अधिक माँग वाली सहायता दे सकती हैं। डिज़ाइन का उद्देश्य यह अधिकतम करना नहीं है कि हैंडहेल्ड कितना अनुमान लगा सकता है; उद्देश्य यह है कि कर्मचारी के सवाल और भरोसेमंद, अधिकृत उत्तर के बीच का समय घटे और सत्य का स्रोत स्पष्ट बना रहे।
निजता की सीमाओं पर विशेष ध्यान चाहिए, क्योंकि स्टाफ़ के उपकरण एक साथ कैमरा, माइक्रोफ़ोन, पहचानकर्ता और स्थान के संकेत ढो सकते हैं। मॉडल को स्थानीय रूप से चलाने से कच्चे डेटा का प्रसारण घट सकता है, पर इससे वह डेटा इकट्ठा करने का औचित्य नहीं मिलता जिसकी कार्यप्रवाह को ज़रूरत ही नहीं। कैप्चर के संकेतक, संधारण, पहुँच और विलोपन इस बात से स्वतंत्र रूप से तय करें कि इन्फ़रेंस कहाँ चलता है। यदि कोई उपकरण ग्राहकों या कर्मचारियों को देखता है, तो क़ानूनी समीक्षा और कर्मचारी-संबंध मॉडल के प्रदर्शन जितने ही महत्वपूर्ण हो सकते हैं। NIST का AI जोखिम-प्रबंधन ढाँचा भरोसेमंद AI को जिन शब्दों में बताता है उनमें निजता का संवर्धन, सुरक्षा, प्रत्यास्थता, पारदर्शिता और निष्पक्षता शामिल हैं; ये गुण उस वास्तुकला-समीक्षा के लिए उपयोगी संतुलन हैं जो केवल मिलीसेकंड और GPU के उपयोग को देखती है।
मॉडल अपडेट अब फ़्लीट-संचालन की समस्या है
जैसे ही इन्फ़रेंस क्लाउड छोड़ता है, मॉडल का संचालन भौतिक फ़्लीट का संचालन बन जाता है। किसी रिटेलर के पास हज़ारों डिवाइस हो सकते हैं जिनके एक्सेलेरेटर, फ़र्मवेयर संस्करण, कैमरे की स्थिति और रखरखाव का इतिहास अलग-अलग हैं। इसलिए नए मॉडल को संगतता की शर्तों के साथ पैक करना होगा, क्रिप्टोग्राफ़िक रूप से जाँचना होगा, चरणों में फैलाना होगा और स्थापना के बाद देखते रहना होगा। डिवाइसों को अपना सक्रिय मॉडल संस्करण और स्वास्थ्य-स्थिति बतानी चाहिए ताकि मुख्यालय देख सके कि फ़्लीट वाक़ई एकरूप है या नहीं। रोलबैक को ख़राब रिलीज़ की ज़रूरत पड़ने से पहले परखा जाना चाहिए, स्टोर की किसी घटना के बीच सुधारा नहीं जाना चाहिए। यही अनुशासन फ़ीचर पाइपलाइन पर भी लागू हो: छवि का सामान्यीकरण या सेंसर का फ़र्मवेयर बदलने से मॉडल अमान्य हो सकता है, भले ही मॉडल फ़ाइल न बदली हो।
चरणबद्ध तैनाती को वास्तविकता का नमूना लेना चाहिए। कैनरी स्टोरों में कठिन रोशनी, व्यस्त समय, कमज़ोर नेटवर्क और पुराना हार्डवेयर दिखना चाहिए, न कि केवल सबसे आसान प्रमुख स्टोर। इन्फ़रेंस की गुणवत्ता, विलंब, तापमान, स्मृति का दबाव, बिजली की खपत और संचालन के परिणाम तुलना करें। जो मॉडल ऑफ़लाइन बेंचमार्क में दो अंक बढ़ाता है पर तीन घंटे बाद गेटवे को थर्मल थ्रॉटलिंग में डाल देता है, वह प्रोडक्शन में पीछे हटना हो सकता है। पिछला ज्ञात-अच्छा संस्करण और सबसे संकरे आवश्यक काम के लिए एक नियतात्मक विकल्प बनाए रखें। एज की प्रत्यास्थता जान-बूझकर घटकर काम करते रहने की क्षमता से आती है, इस मान्यता से नहीं कि हर स्थानीय घटक चलता ही रहेगा।
विफलता के तरीक़े एक समझदार निर्णय को भी उलट सकते हैं
एज ऐसे जोखिम लाता है जिन्हें केंद्रीकृत प्रूफ़ ऑफ़ कॉन्सेप्ट छिपा सकता है। डिवाइस निकाले जा सकते हैं, चोरी हो सकते हैं, भौतिक रूप से छेड़े जा सकते हैं, सामान से ढँक सकते हैं, गरम बक्सों में रखे जा सकते हैं या पुराने सॉफ़्टवेयर पर छूट सकते हैं। नेटवर्क की टूट अपेक्षा से लंबी चल सकती है। भंडारण भर सकता है। स्थानीय घड़ियाँ खिसक सकती हैं। कोई अपडेट आधे फ़्लीट तक पहुँचकर बाक़ी पर विफल हो सकता है। ये एज कंप्यूटिंग से बचने के कारण नहीं हैं; ये कारण हैं कि वास्तुकला में शुरू से ही डिवाइस प्रबंधन, सुरक्षित बूट या समकक्ष प्लेटफ़ॉर्म नियंत्रण, टेलीमेट्री, सीमित स्थानीय भंडारण और संस्करण-सजग मिलान शामिल किए जाएँ। NIST स्पष्ट रूप से कहता है कि एज परिवेश अपने निजता और दक्षता के लाभों के साथ-साथ अतिरिक्त सुरक्षा कमज़ोरियाँ भी खोल सकते हैं।
ग़लती का परिणाम भी यह तय करे कि गणना कहाँ बैठे। यदि ग़लत निर्णय केवल पुनःपूर्ति की चेतावनी में देर करता है, तो स्थानीय स्वायत्तता स्वीकार्य हो सकती है। यदि ग़लत निर्णय किसी ग्राहक से पैसे ले सकता है, दरवाज़ा बंद कर सकता है, किसी व्यक्ति पर निशान लगा सकता है या सुरक्षा-प्रक्रिया रोक सकता है, तो अधिक कड़ा सत्यापन और अक्सर एक स्वतंत्र नियंत्रण-मार्ग माँगिए। हार्डवेयर चुनने से पहले डिग्रेडेड मोड लिखिए: क्लाउड के बिना, सेंसर के बिना, पुराने मॉडल के साथ और कम विश्वास पर डिवाइस अब भी क्या कर सकता है? यह अभ्यास अक्सर दिखाता है कि असली आवश्यकता «एज पर AI» नहीं, बल्कि «ऐसा स्टोर कार्यप्रवाह जो एक निर्भरता गिरने पर भी अनुमेय बना रहे» है।
हर रिटेल कार्यभार पर चार-सवालों का प्लेसमेंट टेस्ट लगाएँ
हर प्रस्तावित कार्यभार पर चार सवाल तोलिए। पहला, विलंब: सबसे देर से आया कौन-सा उत्तर अब भी उपयोगी है, और यह कारोबारी कार्रवाई के स्तर पर मापा गया है या मॉडल के API पर? दूसरा, निरंतरता: तीस मिनट या कई घंटे की नेटवर्क विफलता में क्या चलता रहना ही चाहिए? तीसरा, डेटा का भार और निजता: कच्चा इनपुट कितना बड़ा और कितना संवेदनशील है, और क्या उसकी जगह कोई छोटा प्रतिरूप डिवाइस से बाहर जा सकता है? चौथा, संदर्भ: क्या निर्णय के लिए इतिहास, दूसरे स्टोर, बड़ा मॉडल या कोई प्रामाणिक उद्यम-अभिलेख चाहिए? पहले तीन पर तेज़ दबाव एज के पक्ष में है; चौथे पर तेज़ दबाव केंद्रीय प्रोसेसिंग के पक्ष में। मिले-जुले उत्तर चरणबद्ध पाइपलाइन का तर्क हैं, पूरे कार्यभार को एक ही जगह ठूँसने का नहीं।
फिर जीवनचक्र का परीक्षण जोड़िए। डिवाइस का स्वामी, पैच की खिड़की, मॉडल पर हस्ताक्षर की प्रक्रिया, टेलीमेट्री का बजट, रोलआउट की टोली, रोलबैक का तरीक़ा और मानवीय हस्तक्षेप तय कीजिए। असली परिचालन परिस्थितियों में पायलट कीजिए और जान-बूझकर नेटवर्क तोड़िए। केवल सटीकता नहीं, यह भी मापिए कि स्टाफ़ को विफलता पहचानने और उससे उबरने में कितना समय लगता है। रिटेल में एज AI के सबसे भरोसेमंद उपयोग-मामले वे नहीं हैं जिनमें सबसे अधिक स्थानीय गणना है। वे वे हैं जहाँ हर निर्णय की जगह किसी ठोस परिचालन जोखिम या लागत को घटाती है, और जहाँ रिटेलर अब भी बता सकता है कि मॉडल, सेंसर या कनेक्शन के अपेक्षा से अलग व्यवहार करने पर क्या होगा।
व्यावहारिक चेकलिस्ट
- हर प्रस्तावित निर्णय को अधिकतम सहनीय विलंब और बंदी के दौरान अपेक्षित व्यवहार के आधार पर वर्गीकृत करें।
- क्लाउड-पहले वास्तुकला चुनने से पहले सेंसर की कच्ची बैंडविड्थ मापें।
- लिखें कि कौन-सा कच्चा डेटा डिवाइस से बाहर जा सकता है और उसे कितने समय तक रखा जाता है।
- हस्ताक्षरित मॉडल अपडेट, संस्करण की रिपोर्टिंग, रोलबैक और चरणबद्ध तैनाती तय करें।
- असली स्टोर में सेंसर का ढँकना, डिवाइस का गरम होना, घड़ी का खिसकना और नेटवर्क का टूटना परखें।
- जिन कार्रवाइयों की ग़लती ग्राहकों या कर्मचारियों पर वास्तविक असर डाल सकती है, उनके लिए मानवीय हस्तक्षेप बनाए रखें।
सवाल और जवाब
किसी रिटेल स्टोर में एज AI इस्तेमाल करने का सबसे मज़बूत कारण क्या है?
सबसे मज़बूत कारण आम तौर पर वह आवश्यकता होती है जिसे नेटवर्क भरोसे के साथ पूरा नहीं कर सकता: निर्णय बहुत कम विलंब में होना चाहिए, बंदी के दौरान भी चलता रहना चाहिए, संवेदनशील कच्चे डेटा का निर्यात टालना चाहिए, या प्रसारण से पहले सेंसर की बड़ी धारा को छोटा करना चाहिए। जो कैमरा वीडियो को स्थानीय स्तर पर एक छोटे इवेंट में बदल सकता है, वह साप्ताहिक बिक्री-पूर्वानुमान की तुलना में कहीं स्पष्ट एज मामला है। NIST यह भी रेखांकित करता है कि एज प्रणालियाँ संचार, संसाधन और निजता की बाध्यताओं में काम करती हैं, इसलिए निर्णय कार्यभार पर आधारित होना चाहिए, न कि इस नएपन पर कि मॉडल किसी डिवाइस पर रख दिया गया है।
क्या रिटेल कंप्यूटर विज़न हमेशा कैमरे पर ही चलना चाहिए?
नहीं। स्थानीय इन्फ़रेंस तब आकर्षक है जब उपयोगी परिणाम संकरा और तात्कालिक हो, जैसे यह पहचानना कि निगरानी वाले क्षेत्र की स्थिति बदल गई है, जबकि कच्ची धारा बड़ी या निजता की दृष्टि से संवेदनशील हो। लेकिन कुछ कामों में कई कैमरे, लंबा ऐतिहासिक संदर्भ, बड़ा मॉडल या केंद्रीकृत समीक्षा ज़रूरी होती है। एक व्यावहारिक डिज़ाइन पहले चरण की पहचान कैमरे या गेटवे पर चला सकता है, केवल चुने हुए इवेंट या साक्ष्य की छोटी खिड़कियाँ ऊपर भेज सकता है, और अधिक गहरा विश्लेषण केंद्र में कर सकता है। सही सीमा सटीकता के लक्ष्य, हार्डवेयर की सीमाओं, नेटवर्क की स्थिति, डेटा नीति और ग़लत स्थानीय निर्णय के परिणाम पर निर्भर करती है।
रिटेलर को कई स्टोरों में एज मॉडल कैसे अपडेट करने चाहिए?
मॉडल की डिलीवरी को फ़ाइल की नक़ल नहीं, बल्कि प्रोडक्शन सॉफ़्टवेयर की तैनाती की तरह लें। डिवाइसों को अपने मॉडल और रनटाइम संस्करण बताने चाहिए, हस्ताक्षरित पैकेज जाँचने चाहिए, चरणबद्ध रोलआउट पाने चाहिए, स्वास्थ्य-जाँच चलानी चाहिए और परखा हुआ रोलबैक रास्ता रखना चाहिए। मॉडल, सेंसर फ़र्मवेयर और एप्लिकेशन तर्क के बीच संगतता के नियम बनाए रखें। पूरे फ़्लीट में फैलाने से पहले नए संस्करण को कुछ प्रतिनिधि स्टोरों में कैनरी की तरह चलाएँ, और तकनीकी मापदंडों के साथ-साथ संचालन के परिणाम भी तुलना करें। AI जोखिम-प्रबंधन पर NIST का काम यहाँ उपयोगी है, क्योंकि वैधता, विश्वसनीयता, सुरक्षा, प्रत्यास्थता, पारदर्शिता और निजता जीवनचक्र के गुण हैं; जो मॉडल प्रयोगशाला में स्वीकार्य था, वह हार्डवेयर, रोशनी या स्टोर के व्यवहार बदलने पर असुरक्षित हो सकता है।