OpenAI चा नवा मार्ग: स्पर्धेत 'ओपन-वेट' भविष्याकडे

कृत्रिम बुद्धिमत्ता (Artificial Intelligence - AI) विकासाचे क्षेत्र एका रंजक स्थित्यंतरातून जात आहे, जिथे शक्तिशाली नवीन मॉडेल्सच्या खुलेपणाबद्दल जोरदार चर्चा आणि बदलत्या धोरणांनी चिन्हांकित केले आहे. अनेक वर्षांपासून, प्रचलित मत मालकी हक्काच्या, बंद प्रणालींच्या (proprietary, closed systems) बाजूने झुकलेले दिसत होते, विशेषतः अत्याधुनिक AI चे व्यावसायिकीकरण करू पाहणाऱ्या आघाडीच्या प्रयोगशाळांमध्ये. तथापि, एका विरोधी प्रवाहाने निर्विवाद गती मिळवली आहे, ज्याला मुक्त-स्रोत (open-source) आणि अर्ध-मुक्त (quasi-open) पर्यायांच्या उल्लेखनीय यशामुळे आणि जलद स्वीकारामुळे चालना मिळाली आहे. Meta (Llama 2), Google (Gemma) आणि चीनमधील विशेषतः प्रभावी Deepseek सारख्या स्पर्धकांनी जारी केलेल्या अत्यंत सक्षम मॉडेल्सनी हे सिद्ध केले आहे की अधिक सहकार्यात्मक दृष्टिकोन महत्त्वपूर्ण तांत्रिक प्रगती आणि व्यापक डेव्हलपर उत्साह निर्माण करू शकतो. या बदलत्या गतिशीलतेमुळे OpenAI मध्ये महत्त्वपूर्ण धोरणात्मक पुनर्मूल्यांकन करण्यास प्रवृत्त केले आहे, जी जनरेटिव्ह AI क्षेत्रातील सर्वात ओळखली जाणारी कंपनी आहे. आपल्या अग्रगण्य कार्यासाठी आणि GPT-2 च्या काळापासून हळूहळू बंद मॉडेल्सकडे वळण्यासाठी ओळखली जाणारी ही कंपनी आता दिशानिर्देशात लक्षणीय बदल दर्शवत आहे, आणि ‘ओपन-वेट’ (open-weight) प्रतिमानाखाली एक शक्तिशाली नवीन मॉडेल जारी करण्याची तयारी करत आहे.

मुक्त आदर्शांपासून बंद प्रणालींपर्यंत: OpenAI च्या प्रवासाचा आढावा

OpenAI चा प्रवास व्यापक लाभ आणि मुक्त संशोधनाच्या (open research) घोषित वचनबद्धतेने सुरू झाला. त्याचे सुरुवातीचे कार्य, ज्यात 2019 मध्ये प्रसिद्ध झालेले प्रभावशाली GPT-2 मॉडेल समाविष्ट होते, या तत्त्वांचे अधिक जवळून पालन करत होते, जरी संभाव्य गैरवापराच्या चिंतेमुळे सुरुवातीला संपूर्ण मॉडेलच्या प्रकाशनाबाबत सावधगिरी बाळगली गेली होती. तथापि, GPT-3 आणि त्याच्या उत्तराधिकारी मॉडेल्समुळे त्यांची शक्ती आणि व्यावसायिक मूल्य प्रचंड वाढल्याने, कंपनीने निर्णायकपणे बंद-स्रोत (closed-source) दृष्टिकोन स्वीकारला. गुंतागुंतीची रचना (architectures), प्रचंड प्रशिक्षण डेटासेट (training datasets), आणि महत्त्वाचे म्हणजे, विशिष्ट मॉडेल वेट्स (model weights) – AI च्या शिकलेल्या ज्ञानाचे मूर्तिमंत स्वरूप असलेले संख्यात्मक पॅरामीटर्स – गुप्त ठेवण्यात आले, जे प्रामुख्याने APIs आणि ChatGPT सारख्या मालकी उत्पादनांद्वारेच उपलब्ध होते.

या बदलासाठी अनेकदा सुरक्षिततेची चिंता, संभाव्य हानिकारक क्षमतांचा अनियंत्रित प्रसार रोखणे आणि अत्याधुनिक मॉडेल्सच्या प्रशिक्षणासाठी लागणाऱ्या प्रचंड संगणकीय खर्चासाठी महत्त्वपूर्ण गुंतवणुकीची आवश्यकता यांसारखी कारणे दिली जातात. ही रणनीती, व्यावसायिकदृष्ट्या यशस्वी ठरली आणि OpenAI ला तांत्रिक आघाडी टिकवून ठेवण्यास मदत केली असली तरी, वाढत्या मुक्त-स्रोत AI चळवळीशी तिचा अधिकाधिक विरोध होत गेला. ही चळवळ पारदर्शकता, पुनरुत्पादकता (reproducibility) आणि AI तंत्रज्ञानाचे लोकशाहीकरण यांचे समर्थन करते, ज्यामुळे जगभरातील संशोधक आणि डेव्हलपर्सना मॉडेल्सवर आधारित काम करणे, त्यांची छाननी करणे आणि त्यांना मुक्तपणे स्वीकारणे शक्य होते. या दोन तत्त्वज्ञानांमधील तणाव आधुनिक AI युगाचे एक वैशिष्ट्य बनले आहे.

एक धोरणात्मक बदल: ‘ओपन-वेट’ उपक्रमाची घोषणा

या पार्श्वभूमीवर, OpenAI ची अलीकडील घोषणा एक महत्त्वपूर्ण घडामोड दर्शवते. मुख्य कार्यकारी अधिकारी (Chief Executive Officer) Sam Altman यांनी कंपनीचा ‘पुढील काही महिन्यांत’ एक नवीन, शक्तिशाली AI मॉडेल लॉन्च करण्याचा मानस असल्याची पुष्टी केली आहे. महत्त्वाचे म्हणजे, हे मॉडेल पूर्णपणे बंद (closed) किंवा पूर्णपणे मुक्त-स्रोत (open-source) नसेल; त्याऐवजी, ते ‘ओपन-वेट’ (open-weight) मॉडेल म्हणून प्रसिद्ध केले जाईल. हे विशिष्ट नाव महत्त्वाचे आहे. हे सूचित करते की जरी मूळ सोर्स कोड (source code) आणि प्रशिक्षणासाठी वापरलेला प्रचंड डेटासेट मालकी हक्काचा (proprietary) राहू शकतो, तरी मॉडेलचे पॅरामीटर्स किंवा वेट्स (weights) सार्वजनिकरित्या उपलब्ध केले जातील.

हे पाऊल OpenAI च्या गेल्या अनेक वर्षांच्या पद्धतींपासून वेगळे आहे. या निर्णयामुळे असे सूचित होते की ज्या मॉडेल्सचे मुख्य कार्यान्वयन घटक (वेट्स) उपलब्ध आहेत, जरी संपूर्ण आराखडा (blueprint) उपलब्ध नसला तरी, त्यांचा वाढता प्रभाव आणि उपयोगिता मान्य केली जात आहे. वेळमर्यादा, जरी अचूक नसली तरी, हे दर्शवते की हा उपक्रम कंपनीसाठी नजीकच्या काळातील प्राधान्यक्रम आहे. शिवाय, केवळ खुलेच नव्हे तर शक्तिशाली मॉडेल देण्यावर भर दिला जात आहे, जे सूचित करते की त्यात इतर समकालीन प्रणालींशी स्पर्धात्मक असलेल्या प्रगत क्षमतांचा समावेश असेल.

तार्किक क्षमता वाढवणे: तर्क कौशल्यांवर लक्ष केंद्रित करणे

Altman यांनी अधोरेखित केलेला आगामी मॉडेलचा एक विशेष उल्लेखनीय पैलू म्हणजे त्यात तर्क फंक्शन्स (Reasoning functions) समाविष्ट करणे. हे AI च्या तार्किक विचार, अनुमान, निष्कर्ष काढणे आणि समस्येचे निराकरण करण्याच्या क्षमतेचा संदर्भ देते, जे केवळ नमुना ओळखणे (pattern recognition) किंवा मजकूर निर्मितीच्या (text generation) पलीकडे जाते. मजबूत तर्क क्षमता असलेले मॉडेल्स संभाव्यतः हे करू शकतात:

• गुंतागुंतीच्या समस्यांचे विश्लेषण करणे: त्यांना घटक भागांमध्ये विभागणे आणि संबंध ओळखणे.
• बहु-स्तरीय अनुमान काढणे: तार्किक चरणांच्या साखळीवर आधारित निष्कर्ष काढणे.
• युक्तिवादांचे मूल्यांकन करणे: सादर केलेल्या माहितीची वैधता आणि योग्यता तपासणे.
• नियोजनात गुंतणे: विशिष्ट ध्येय साध्य करण्यासाठी कृतींचा क्रम तयार करणे.

मजबूत तर्क कौशल्ये एका उघडपणे उपलब्ध (वेट्सद्वारे) मॉडेलमध्ये एकत्रित करणे परिवर्तनकारी ठरू शकते. हे डेव्हलपर्सना सखोल समज आणि अधिक अत्याधुनिक संज्ञानात्मक कार्ये आवश्यक असलेले अनुप्रयोग तयार करण्यास सक्षम करते, ज्यामुळे वैज्ञानिक संशोधन आणि शिक्षणापासून ते जटिल डेटा विश्लेषण आणि स्वयंचलित निर्णय समर्थनापर्यंतच्या क्षेत्रांमध्ये नवोपक्रमाला गती मिळू शकते. तर्काचा स्पष्ट उल्लेख सूचित करतो की OpenAI चे उद्दिष्ट आहे की हे मॉडेल केवळ त्याच्या खुलेपणासाठीच नव्हे तर त्याच्या बौद्धिक पराक्रमासाठी देखील ओळखले जावे.

सहकार्य वाढवणे: डेव्हलपर समुदायाला सामील करणे

OpenAI हे सुनिश्चित करण्यास उत्सुक दिसते की हे नवीन ओपन-वेट मॉडेल केवळ जगात सोडले जाणार नाही, तर ते ज्या समुदायाची सेवा करण्याचा मानस आहे, त्या समुदायाद्वारे सक्रियपणे आकारले जाईल. Altmanयांनी डेव्हलपर्सना थेट परिष्करण प्रक्रियेत (refinement process) सामील करण्याच्या सक्रिय दृष्टिकोनावर भर दिला. मॉडेलची उपयुक्तता जास्तीत जास्त वाढवणे आणि ते शेवटी त्यावर आधारित काम करणाऱ्यांच्या व्यावहारिक गरजा आणि कार्यप्रवाहांशी जुळते याची खात्री करणे हे ध्येय आहे.

यासाठी, कंपनी विशेष डेव्हलपर इव्हेंट्सची (special developer events) मालिका आयोजित करण्याची योजना आखत आहे. San Francisco मधील सुरुवातीच्या इव्हेंटनंतर युरोप आणि आशिया-पॅसिफिक प्रदेशात इतर इव्हेंट्स आयोजित केले जातील, जे अनेक उद्देश पूर्ण करतील:

• अभिप्राय संकलन (Feedback Collection): डेव्हलपर्सकडून इच्छित वैशिष्ट्ये, संभाव्य अडचणी आणि एकत्रीकरण आव्हानांवर थेट इनपुट गोळा करणे.
• प्रोटोटाइप चाचणी (Prototype Testing): डेव्हलपर्सना मॉडेलच्या सुरुवातीच्या आवृत्त्यांसह प्रत्यक्ष अनुभव घेण्याची संधी देणे, ज्यामुळे बग्स ओळखणे, कार्यक्षमतेचे मूल्यांकन करणे आणि सुधारणा सुचवणे शक्य होईल.
• समुदाय निर्मिती (Community Building): नवीन मॉडेलभोवती एक सहकार्यात्मक परिसंस्था (ecosystem) तयार करणे.

ही रणनीती हे अधोरेखित करते की ओपन-वेट मॉडेलचे यश मोठ्या प्रमाणावर व्यापक तांत्रिक समुदायाद्वारे त्याचा स्वीकार आणि अनुकूलनावर अवलंबून असते. लवकर आणि पुनरावृत्तीने इनपुट मागवून, OpenAI केवळ तांत्रिकदृष्ट्या सक्षमच नव्हे तर व्यावहारिकदृष्ट्या मौल्यवान आणि चांगल्या प्रकारे समर्थित असलेले संसाधन तयार करण्याचे उद्दिष्ट ठेवत आहे.

धोके हाताळणे: सुरक्षा आणि सुरक्षिततेला प्राधान्य देणे

एका शक्तिशाली AI मॉडेलचे वेट्स प्रसिद्ध केल्याने अपरिहार्यपणे सुरक्षेचे मुद्दे निर्माण होतात. OpenAI या धोक्यांबद्दल तीव्रपणे जागरूक आहे आणि त्यांनी म्हटले आहे की नवीन मॉडेल सार्वजनिक प्रकाशनापूर्वी कंपनीच्या स्थापित अंतर्गत प्रोटोकॉलवर आधारित संपूर्ण सुरक्षा मूल्यांकनातून (thorough security assessment) जाईल. दुर्भावनापूर्ण घटकांकडून गैरवापर करणारे फाइन-ट्यूनिंग (abusive fine-tuning) होण्याची शक्यता हा एक प्राथमिक चिंतेचा विषय आहे, ज्याचा स्पष्टपणे उल्लेख केला गेला आहे.

फाइन-ट्यूनिंगमध्ये पूर्व-प्रशिक्षित मॉडेल घेणे आणि विशिष्ट कार्यासाठी ते अनुकूल करण्यासाठी किंवा त्यात विशिष्ट वैशिष्ट्ये समाविष्ट करण्यासाठी लहान, विशिष्ट डेटासेटवर त्याचे आणखी प्रशिक्षण करणे समाविष्ट असते. जरी हे कायदेशीर अनुप्रयोगांसाठी एक मानक आणि फायदेशीर पद्धत असली तरी, त्याचा गैरवापर देखील केला जाऊ शकतो. जर वेट्स सार्वजनिक असतील, तर तृतीय पक्ष संभाव्यतः मॉडेलला यासाठी फाइन-ट्यून करू शकतात:

• हानिकारक, पक्षपाती किंवा अयोग्य सामग्री अधिक प्रभावीपणे तयार करणे.
• मूळ मॉडेलमध्ये अंतर्भूत सुरक्षा यंत्रणांना बायपास करणे.
• चुकीच्या माहितीच्या मोहिमा किंवा इतर दुर्भावनापूर्ण हेतूंसाठी विशेष साधने तयार करणे.

या धोक्यांचा सामना करण्यासाठी, OpenAI च्या सुरक्षा पुनरावलोकन प्रक्रियेमध्ये अशा असुरक्षितता ओळखण्यासाठी आणि कमी करण्यासाठी कठोर अंतर्गत चाचणी समाविष्ट असेल. महत्त्वाचे म्हणजे, कंपनी या प्रक्रियेत बाह्य तज्ञांना (external experts) देखील सामील करण्याची योजना आखत आहे. बाहेरील दृष्टीकोन आणल्याने छाननीचा आणखी एक स्तर जोडला जातो आणि संभाव्य धोक्यांचे विविध दृष्टिकोनांतून मूल्यांकन केले जाते याची खात्री करण्यास मदत होते, ज्यामुळे अंधळे डाग (blind spots) कमी होतात. बहुआयामी सुरक्षा मूल्यांकनाची ही वचनबद्धता AI क्षेत्रात खुलेपणा आणि जबाबदारी यांच्यात समतोल साधण्याच्या जटिल आव्हानाला प्रतिबिंबित करते.

‘ओपन-वेट’ उलगडणे: एक संकरित दृष्टिकोन

खुलेपणाच्या विविध स्तरांमधील फरक समजून घेणे OpenAI च्या हालचालीचे कौतुक करण्यासाठी महत्त्वाचे आहे. ओपन-वेट मॉडेल (open-weight model) पूर्णपणे मालकी हक्काच्या (closed-source) आणि पूर्णपणे मुक्त-स्रोत (open-source) प्रणालींच्या दरम्यान एक मध्यम स्थान व्यापते:

• बंद-स्रोत (Closed-Source): मॉडेलची रचना, प्रशिक्षण डेटा, सोर्स कोड आणि वेट्स सर्व गुप्त ठेवले जातात. वापरकर्ते सामान्यतः नियंत्रित APIs द्वारे त्याच्याशी संवाद साधतात. (उदा. OpenAI चे GPT-4 API द्वारे).
• ओपन-वेट (Open-Weight): मॉडेलचे वेट्स (पॅरामीटर्स) सार्वजनिकरित्या प्रसिद्ध केले जातात. कोणीही हे वेट्स डाउनलोड करू शकतो, तपासू शकतो आणि मॉडेल स्थानिक पातळीवर किंवा स्वतःच्या पायाभूत सुविधांवर चालवण्यासाठी वापरू शकतो. तथापि, प्रशिक्षणासाठी वापरलेला मूळ सोर्स कोड आणि विशिष्ट प्रशिक्षण डेटासेट अनेकदा उघड केले जात नाहीत. (उदा. Meta चे Llama 2, आगामी OpenAI मॉडेल).
• मुक्त-स्रोत (Open-Source): आदर्शपणे, यात मॉडेल वेट्स, प्रशिक्षण आणि अनुमानासाठी (inference) सोर्स कोड आणि अनेकदा प्रशिक्षण डेटा आणि पद्धतीबद्दल तपशीलांमध्ये सार्वजनिक प्रवेश समाविष्ट असतो. हे सर्वाधिक पारदर्शकता आणि स्वातंत्र्य देते. (उदा. EleutherAI चे मॉडेल्स, Stable Diffusion चे काही प्रकार).

ओपन-वेट दृष्टिकोन अनेक आकर्षक फायदे देतो, ज्यामुळे त्याची लोकप्रियता वाढत आहे:

1. वर्धित पारदर्शकता (आंशिक): पूर्णपणे पारदर्शक नसले तरी, वेट्समध्ये प्रवेश संशोधकांना मॉडेलच्या अंतर्गत संरचना आणि पॅरामीटर कनेक्शनचा अभ्यास करण्यास अनुमती देतो, ज्यामुळे ब्लॅक-बॉक्स API पेक्षा अधिक अंतर्दृष्टी मिळते.
2. वाढलेले सहकार्य: संशोधक आणि डेव्हलपर्स निष्कर्ष सामायिक करू शकतात, वेट्सवर आधारित काम करू शकतात आणि मॉडेलच्या सामूहिक समजूतदारपणात आणि सुधारणेत योगदान देऊ शकतात.
3. कमी परिचालन खर्च: वापरकर्ते मॉडेल त्यांच्या स्वतःच्या हार्डवेअरवर चालवू शकतात, ज्यामुळे बंद मॉडेल्सशी संबंधित संभाव्य उच्च API वापर शुल्क टाळता येते, विशेषतः मोठ्या प्रमाणावरील अनुप्रयोगांसाठी.
4. सानुकूलन आणि फाइन-ट्यूनिंग: डेव्हलपमेंट टीम्सना त्यांच्या विशिष्ट गरजा आणि डेटासेटनुसार मॉडेल स्वीकारण्यासाठी महत्त्वपूर्ण लवचिकता मिळते, ज्यामुळे सुरवातीपासून सुरुवात न करता विशेष आवृत्त्या तयार करता येतात.
5. गोपनीयता आणि नियंत्रण: स्थानिक पातळीवर मॉडेल्स चालवल्याने डेटा गोपनीयता वाढू शकते कारण संवेदनशील माहिती तृतीय-पक्ष प्रदात्याकडे पाठवण्याची आवश्यकता नसते.

तथापि, मूळ प्रशिक्षण कोड आणि डेटामध्ये प्रवेशाचा अभाव म्हणजे पुनरुत्पादकता आव्हानात्मक असू शकते आणि मॉडेलच्या उत्पत्ती आणि संभाव्य पक्षपातीपणाची संपूर्ण समज पूर्णपणे मुक्त-स्रोत पर्यायांच्या तुलनेत मर्यादित राहते.

स्पर्धात्मक गरज: बाजारातील गतिशीलतेला प्रतिसाद

OpenAI ने ओपन-वेट मॉडेल स्वीकारणे हे मुक्त-स्रोत क्षेत्रातून वाढत्या स्पर्धात्मक दबावाला (competitive pressure) दिलेला धोरणात्मक प्रतिसाद म्हणून मोठ्या प्रमाणावर पाहिले जात आहे. AI चे क्षेत्र आता केवळ बंद प्रणालींनीच व्यापलेले नाही. Meta च्या Llama 2 कुटुंबासारख्या मॉडेल्सचे प्रकाशन आणि त्यानंतरच्या यशाने डेव्हलपर्समध्ये शक्तिशाली, उघडपणे उपलब्ध असलेल्या पायाभूत मॉडेल्ससाठी प्रचंड मागणी असल्याचे दर्शवले. Google ने त्यांच्या Gemma मॉडेल्ससह याचे अनुसरण केले.

तथापि, कदाचित सर्वात महत्त्वाचा उत्प्रेरक चीनमधून आलेल्या AI मॉडेल Deepseek चे प्रचंड यश होते. Deepseek ने तुलनेने परवानगी असलेल्या अटींखाली उपलब्ध असताना, विशेषतः कोडिंग कार्यांमध्ये त्याच्या मजबूत कामगिरीसाठी त्वरीत ओळख मिळवली. त्याच्या जलद वाढीने उच्च-गुणवत्तेच्या मुक्त मॉडेल्सची व्यवहार्यता आणि संभाव्य धोका अधोरेखित केला, ज्यामुळे केवळ बंद परिसंस्थांच्या मूल्याच्या प्रस्तावाला आव्हान निर्माण झाले.

ही स्पर्धात्मक वास्तविकता OpenAI मध्ये प्रतिध्वनित झालेली दिसते. Deepseek च्या उदयाने व्यापक लक्ष वेधून घेतल्यानंतर लगेचच, Sam Altman यांनी सार्वजनिक चर्चेत कबूल केले की OpenAI कदाचित मुक्त विरुद्ध बंद चर्चेच्या संदर्भात ‘कथेच्या चुकीच्या बाजूला’ असू शकते, ज्यामुळे त्यांच्या भूमिकेचा अंतर्गत पुनर्विचार होत असल्याचे संकेत मिळाले. ओपन-वेट मॉडेलची सध्याची घोषणा त्या पुनर्मूल्यांकनाचे ठोस प्रकटीकरण म्हणून पाहिली जाऊ शकते – काही निरीक्षकांनी म्हटल्याप्रमाणे एक ‘यू-टर्न’ (U-turn). Altman यांनी स्वतः सोशल मीडिया प्लॅटफॉर्म X वर या निर्णयाचे वर्णन करताना सांगितले की, कंपनीने बऱ्याच काळापासून अशा हालचालीचा विचार केला होता, परंतु आता पुढे जाण्यासाठी वेळ योग्य मानली गेली. हे बाजारातील परिपक्वता, स्पर्धात्मक स्थिती आणि कदाचित व्यापक डेव्हलपर समुदायाला अधिक थेटपणे सामील करण्याच्या धोरणात्मक फायद्यांच्या नूतनीकृत कौतुकामुळे प्रभावित झालेला एक गणन केलेला निर्णय सूचित करते.

पुढे पाहताना: AI परिसंस्थेसाठी परिणाम

OpenAI-विकसित, शक्तिशाली, तर्क क्षमतांसह ओपन-वेट मॉडेलचा प्रवेश संपूर्ण AI परिसंस्थेमध्ये तरंग निर्माण करण्यास सज्ज आहे. हे संशोधक आणि डेव्हलपर्सना आणखी एक उच्च-क्षमतेचे साधन प्रदान करते, ज्यामुळे संभाव्यतः अधिक नवोपक्रम आणि स्पर्धेला चालना मिळते. व्यवसायांना प्रगत AI एकत्रित करण्यासाठी अधिक पर्याय मिळतात, ज्यामुळे संभाव्यतः खर्च कमी होतो आणि सानुकूलन शक्यता वाढतात. ही हालचाल अधिक मुक्त दृष्टिकोनांकडे असलेल्या प्रवृत्तीला आणखी गती देऊ शकते, ज्यामुळे इतर आघाडीच्या प्रयोगशाळांना समान धोरणांचा विचार करण्यास प्रोत्साहन मिळेल. जरी मॉडेलची कार्यक्षमता, परवाना अटी आणि अंतिम परिणामाचे तपशील अद्याप समोर यायचे असले तरी, OpenAI चा धोरणात्मक बदल AI विकासातील एका गतिशील टप्प्याचे संकेत देतो, जिथे मुक्त आणि बंद तत्त्वज्ञानांमधील परस्परसंवाद या परिवर्तनकारी तंत्रज्ञानाचे भविष्य घडवत राहील. आगामी महिने अधिक स्पष्टता आणतील कारण मॉडेल प्रकाशनाच्या जवळ येईल आणि डेव्हलपर समुदाय या नवीन ऑफरसह गुंतण्यास सुरुवात करेल.