Red Hat Yazindua Konveyor AI: AI Kubadilisha Usasa wa App

Mazingira ya kiteknolojia yanabadilika kila wakati, yakilazimisha mashirika kuendana na mabadiliko hayo daima. Changamoto kuu katika mabadiliko haya endelevu ni usasishaji wa programu zilizopo. Biashara nyingi zinategemea mifumo ya kizamani, ambayo mara nyingi ilijengwa miaka au hata miongo kadhaa iliyopita kwa kutumia teknolojia ambazo haziendani na mahitaji ya enzi ya kisasa ya cloud. Kuhamisha programu hizi muhimu kwenda kwenye usanifu wa kisasa, unaozingatia cloud (cloud-native) sio tu uboreshaji unaotamanika; inazidi kuwa hitaji la kimkakati ili kudumisha ushindani, wepesi, na uwezo wa kupanuka (scalability). Hata hivyo, mchakato huu unajulikana kuwa mgumu sana, unachukua muda mrefu, na unahitaji rasilimali nyingi, mara nyingi ukiwa kikwazo kikubwa kwa uvumbuzi. Kwa kutambua changamoto hii muhimu katika sekta, Red Hat imejitokeza na suluhisho jipya, ikianzisha toleo la awali, version 0.1, la Konveyor AI. Zana hii ya kiubunifu inalenga kubadilisha kimsingi safari ya usasishaji wa programu kwa kuunganisha nguvu ya akili bandia ya kuzalisha (generative artificial intelligence) moja kwa moja kwenye mtiririko wa kazi wa usanidi programu.

Uhitaji wa Haraka wa Usasishaji wa Programu

Kabla ya kuingia kwa undani katika maelezo ya Konveyor AI, ni muhimu kuelewa nguvu zinazosukuma hitaji la usasishaji wa programu. Programu za kizamani, ingawa zinaweza kuwa thabiti na kufanya kazi, mara nyingi hubeba deni kubwa la kiufundi (technical debt). Zinaweza kuwa ngumu na za gharama kubwa kuzitunza, hazipanuki kwa ufanisi, zinazuia utumiaji wa mbinu za kisasa za usanidi programu kama DevOps na CI/CD, na huleta changamoto za kuunganisha na mifumo mipya na huduma za cloud. Zaidi ya hayo, usanifu wa monolithic ambao ni wa kawaida katika programu za zamani hukosa uthabiti na unyumbufu unaotolewa na microservices na uwekaji kwenye makontena (containerized deployments).

Kuhama kwenda kwenye mazingira ya cloud-native – ambayo kwa kawaida huhusisha teknolojia kama makontena (k.m., Docker), majukwaa ya uratibu (k.m., Kubernetes), na usanifu wa microservices – kunatoa faida nyingi. Hizi ni pamoja na:

• Uwezo wa Kupanuka Ulioboreshwa: Majukwaa ya cloud huruhusu programu kuongeza au kupunguza rasilimali kulingana na mahitaji, kuboresha gharama na utendaji.
• Wepesi Ulioboreshwa: Usanifu wa kisasa na mbinu za usanidi programu huwezesha mizunguko ya haraka ya utoaji, kuruhusu biashara kujibu haraka mabadiliko ya soko na mahitaji ya wateja.
• Uthabiti Ulioongezeka: Kusambaza vipengele vya programu katika microservices na kutumia miundombinu ya cloud huboresha uvumilivu wa makosa (fault tolerance) na upatikanaji wa jumla wa mfumo.
• Ufanisi wa Gharama: Miundo ya cloud ya kulipia unachotumia (pay-as-you-go) na matumizi bora ya rasilimali yanaweza kusababisha akiba kubwa ya gharama ikilinganishwa na kusimamia vituo vya data vya ndani (on-premises).
• Upatikanaji wa Ubunifu: Majukwaa ya cloud hutoa ufikiaji rahisi kwa mfumo mpana wa huduma zinazosimamiwa, ikiwa ni pamoja na hifadhidata, zana za kujifunza kwa mashine (machine learning), majukwaa ya uchanganuzi, na zaidi, kuharakisha uvumbuzi.

Licha ya faida hizi za kuvutia, njia kutoka kwa mifumo ya kizamani hadi cloud-native imejaa vikwazo. Wasanidi programu wanakabiliwa na kazi ngumu ya kuelewa codebases ngumu, ambazo mara nyingi hazina nyaraka za kutosha, kutambua mabadiliko ya code yanayohitajika, kurekebisha usanifu, kuchagua teknolojia lengwa zinazofaa, na kuhakikisha utangamano na utendaji katika mazingira mapya. Hii mara nyingi inahusisha juhudi kubwa za mikono, utaalamu maalum, na hatari kubwa. Ni katika eneo hili lenye changamoto ndipo Konveyor AI imeundwa kusaidia.

Kuanzisha Konveyor AI: Sura Mpya katika Usasishaji

Konveyor AI, inayojulikana ndani kama Kai, inawakilisha mageuzi makubwa ndani ya mradi mpana wa Konveyor. Konveyor yenyewe ni mpango wa chanzo huria (open-source), unaokuzwa na Red Hat kwa kushirikiana na jamii pana, unaojitolea kutoa zana na mbinu za kusasisha na kuhamisha programu, hasa kuelekea mazingira ya Kubernetes. Kuanzishwa kwa Konveyor AI kunaingiza uwezo wa kisasa wa akili bandia katika zana hii iliyoimarika, ikiahidi kurahisisha na kuharakisha kwa kiasi kikubwa mchakato wa usasishaji.

Msingi mkuu wa Konveyor AI ni mchanganyiko wa kimkakati wa generative AI, hasa kwa kutumia mifumo mikubwa ya lugha (large language models - LLMs) iliyoboreshwa, na uchambuzi wa jadi wa static code analysis. Muunganiko huu unaunda msaidizi mwenye akili anayeweza kuelewa code iliyopo ya programu, kutambua mahitaji ya usasishaji, na kupendekeza kwa bidii marekebisho ya code. Kwa kupachika akili hii moja kwa moja ndani ya mazingira yanayofahamika ya msanidi programu, Red Hat inalenga kupunguza kizuizi cha kuingia kwa miradi migumu ya usasishaji, kuifanya iweze kufikiwa zaidi na yenye faida kiuchumi kwa mashirika mbalimbali. Lengo sio tu otomatiki bali ni uimarishaji – kuwawezesha wasanidi programu kwa kushughulikia kazi za kuchosha, zinazojirudia na kutoa mwongozo wenye ufahamu, hivyo kuwaacha huru kuzingatia maamuzi ya usanifu wa kiwango cha juu na usanidi wa vipengele vipya.

Kiini cha Akili: Kuunganisha AI na Uchambuzi wa Code

Ubunifu wa kweli wa Konveyor AI upo katika mbinu yake mseto. Static code analysis imekuwa kikuu kwa muda mrefu katika usanidi wa programu, ikiwa na uwezo wa kuchunguza source code bila kuiendesha ili kugundua hitilafu zinazowezekana, udhaifu wa usalama, kutofautiana kwa mtindo, na, muhimu kwa usasishaji, utegemezi kwa maktaba za zamani au vipengele maalum vya jukwaa. Hata hivyo, static analysis pekee mara nyingi huzalisha kiasi kikubwa cha matokeo ambayo yanahitaji tafsiri kubwa ya kibinadamu na juhudi ili kuyashughulikia.

Generative AI, inayoendeshwa na LLMs zilizofunzwa kwa hifadhidata kubwa za code na lugha asilia, inaleta mwelekeo mpya. Mifumo hii ina ubora katika kuelewa muktadha, kuzalisha maandishi yanayofanana na ya binadamu, na hata kutoa vijisehemu vya code (code snippets). Inapotumika katika usasishaji wa programu, LLMs zinaweza uwezekano wa:

• Kutafsiri Matokeo ya Uchambuzi: Kuelewa maana ya masuala yaliyoonyeshwa na static analysis.
• Kupendekeza Marekebisho ya Code: Kuzalisha mabadiliko maalum ya code yanayohitajika kushughulikia vikwazo vya usasishaji, kama vile kubadilisha miito ya API iliyopitwa na wakati au kurekebisha code kwa ajili ya uwekaji kwenye makontena (containerization).
• Kuelezea Ugumu: Kutoa maelezo kwa lugha asilia kuhusu kwa nini mabadiliko fulani ni muhimu.
• Kuzalisha Code ya Kiolezo (Boilerplate Code): Kuendesha kiotomatiki uundaji wa faili za usanidi au miundo ya kawaida ya code inayohitajika kwa mazingira lengwa (k.m., Dockerfiles, Kubernetes manifests).

Konveyor AI inaunganisha teknolojia hizi mbili bila mshono. Injini ya static analysis inatambua nini kinahitaji uangalizi, wakati kipengele cha generative AI kinatoa mapendekezo yenye akili kuhusu jinsi ya kushughulikia hilo. Muunganiko huu hutokea moja kwa moja ndani ya mtiririko wa kazi wa msanidi programu, kupunguza ubadilishaji wa muktadha na msuguano kwa msanidi programu. Mfumo unachambua source code ya programu, unatambua mifumo inayoashiria hatua muhimu za usasishaji (kama vile kuhama kutoka matoleo ya zamani ya Java EE kwenda Quarkus au Spring Boot, au kuandaa programu kwa ajili ya containerization), na kisha hutumia LLM kuunda mapendekezo yanayoweza kutekelezeka na suluhisho zinazowezekana za code.

Kutumia Hekima Iliyopita: Nguvu ya Retrieval-Augmented Generation (RAG)

Changamoto muhimu katika kutumia LLMs za jumla kwa kazi maalum za kiufundi kama uhamishaji wa code ni kuhakikisha matokeo yaliyozalishwa ni sahihi, yanafaa, na yanazingatia muktadha. LLMs wakati mwingine zinaweza “kuhadaa” (hallucinate) au kutoa code inayoonekana sawa lakini si sahihi. Ili kupunguza hili na kuongeza ubora wa mapendekezo, Konveyor AI inatumia mbinu inayojulikana kama Retrieval-Augmented Generation (RAG).

RAG inaboresha uwezo wa LLM kwa kuweka msingi wa majibu yake katika hifadhidata maalum ya maarifa inayofaa. Badala ya kutegemea tu maarifa ya jumla yaliyopachikwa wakati wa mafunzo yake ya awali, mfumo wa RAG kwanza hurejesha taarifa muhimu zinazohusiana na kazi maalum ya usasishaji inayoshughulikiwa. Katika muktadha wa Konveyor AI, taarifa hii iliyorejeshwa inajumuisha:

• Data Iliyopangwa ya Uhamishaji: Ufahamu unaotokana na static code analysis maalum kwa programu inayosasishwa.
• Mabadiliko ya Code ya Kihistoria: Data kutoka kwa juhudi za awali za usasishaji zilizofanikiwa, ikiwezekana kujumuisha mabadiliko ya code yaliyotumika katika hali kama hizo.
• Kanuni na Mifumo Iliyofafanuliwa Awali: Maarifa kuhusu njia za kawaida za uhamishaji na mbinu bora.

Taarifa hii iliyorejeshwa, maalum kwa muktadha, kisha hutolewa kwa LLM pamoja na kidokezo cha msanidi programu au matokeo ya uchambuzi. LLM hutumia muktadha huu ulioongezwa kuzalisha mapendekezo ya code au maelezo sahihi zaidi, yaliyolengwa, na ya kuaminika. RAG inahakikisha kuwa matokeo ya AI sio tu ubashiri wa jumla lakini yamefahamishwa na nuances maalum za code ya programu, jukwaa lengwa, na uwezekano, hekima iliyokusanywa kutoka kwa uhamishaji wa zamani ndani ya shirika au jamii pana ya Konveyor. Mbinu hii huongeza kwa kiasi kikubwa utendaji na uaminifu wa mwongozo unaoendeshwa na AI, na kuifanya kuwa rasilimali yenye nguvu zaidi kwa mipango tata, mikubwa ya mabadiliko bila kuhitaji mchakato wa gharama kubwa na mgumu wa kurekebisha LLM maalum kwa kila hali maalum ya uhamishaji.

Uwezo Muhimu Ulioanzishwa katika Toleo la 0.1

Toleo la awali la Konveyor AI (v0.1) tayari linakuja na seti ya vipengele muhimu vilivyoundwa kuleta athari ya haraka kwenye miradi ya usasishaji:

1. Uchambuzi wa Static Code Ulioboreshwa: Zana hufanya uchambuzi wa kina ili kubaini vizuizi vinavyowezekana wakati wa kuhamia kwenye teknolojia mpya. Hii ni pamoja na kutambua utegemezi kwa mifumo ya kizamani, matumizi ya mifumo isiyo rafiki kwa cloud, na masuala mengine yanayohusiana na kupitisha mifumo ya kisasa ya Java (kama Quarkus au Spring Boot) au kuandaa programu kwa ajili ya containerization na uwekaji kwenye Kubernetes.
2. Utatuzi wa Matatizo ya Kihistoria: Konveyor AI inadumisha hifadhidata ya maarifa ya masuala ya usasishaji yaliyokutana nayo na kutatuliwa hapo awali. Data hii ya kihistoria, inayotumiwa kupitia utaratibu wa RAG, inaruhusu mfumo kujifunza kutokana na uzoefu wa zamani na kutoa mapendekezo yanayozidi kuwa muhimu kwa uhamishaji wa baadaye, kwa ufanisi kujenga maarifa ya kitaasisi kuhusu changamoto za usasishaji.
3. Akili Tajiri ya Uhamishaji: Jukwaa linakuja na maktaba ya kuvutia ya takriban kanuni 2,400 zilizofafanuliwa awali. Kanuni hizi zinashughulikia anuwai kubwa ya njia za kawaida za uhamishaji na mabadiliko ya kiteknolojia, kutoa mwongozo wa moja kwa moja kwa hali nyingi.
4. Injini ya Kanuni Inayoweza Kubinafsishwa: Kwa kutambua kuwa kila shirika na jalada la programu ni la kipekee, Konveyor AI inaruhusu watumiaji kufafanua kanuni zao maalum. Hii inawezesha kurekebisha uchambuzi na mapendekezo ya AI kulingana na viwango maalum vya ndani, mifumo ya umiliki, au changamoto za kipekee za uhamishaji ambazo hazijashughulikiwa na seti ya kanuni zilizofafanuliwa awali.
5. Uzoefu Uliojumuishwa wa Msanidi Programu: Kipengele muhimu ni kiendelezi cha VS Code. Hii inaleta uwezo wa Konveyor AI moja kwa moja kwenye Mazingira Jumuishi ya Usanidi Programu (IDE) ya msanidi programu. Matokeo ya uchambuzi wa code na mapendekezo ya mabadiliko yanayotokana na AI yanaonekana ndani ya mstari (inline), kupunguza usumbufu na kuruhusu wasanidi programu kukagua na kutumia mabadiliko ya usasishaji bila mshono ndani ya mtiririko wao wa kawaida wa kazi.

Vipengele hivi kwa pamoja vinalenga kubadilisha usasishaji kutoka kuwa mchakato wa mikono, mara nyingi mgumu, hadi kuwa uzoefu unaoongozwa zaidi, wenye ufanisi, na rafiki kwa msanidi programu.

Unyumbufu na Uaminifu: Kutotegemea Mfumo Maalum na Agentic AI

Red Hat imefanya maamuzi kadhaa ya kimkakati ya usanifu ili kuongeza unyumbufu na kujenga uaminifu katika matokeo ya Konveyor AI:

• Usanifu Usiotegemea Mfumo Maalum (Model-Agnostic): Faida kubwa ni kwamba Konveyor AI imeundwa kuwa model-agnostic. Watumiaji hawafungwi kwa LLM maalum ya umiliki. Hii inatoa unyumbufu muhimu, kuruhusu mashirika kuchagua LLM inayofaa zaidi mahitaji yao, bajeti, sera za usalama, au miundombinu iliyopo ya AI. Wanaweza uwezekano wa kutumia mifumo ya chanzo huria, inayopatikana kibiashara, au hata mifumo iliyohifadhiwa ndani (on-premises). Uwezo huu wa kubadilika unaifanya zana kuwa tayari kwa siku zijazo na inalingana na falsafa ya chanzo huria ya kuepuka kufungwa na mtoa huduma mmoja (vendor lock-in).
• Mkazo katika Agentic AI: Ili kuhakikisha uaminifu na manufaa ya mapendekezo yanayotokana na AI, Konveyor AI inajumuisha kanuni za agentic AI. Hii inamaanisha AI haizalishi tu code bila kufikiri; inalenga kutoa majibu yaliyothibitishwa na yenye maana. Utekelezaji wa sasa unajumuisha ukaguzi wa ukusanyaji wa Maven (Maven compilations) na utatuzi wa utegemezi (dependency resolutions). Hii ina maana kwamba mabadiliko ya code yaliyopendekezwa, angalau, hukaguliwa kwa usahihi wa kimsingi na utangamano ndani ya mfumo wa ujenzi wa mradi. Hatua hii ya uthibitishaji ni muhimu kwa kujenga uaminifu wa msanidi programu – kujua kwamba mapendekezo ya AI yamepitia kiwango fulani cha uthibitishaji wa kiotomatiki kabla ya kuwasilishwa huongeza kwa kiasi kikubwa uwezekano wa kupitishwa.
• Udhibiti wa Mtumiaji: Wasanidi programu wanabaki na udhibiti juu ya jinsi AI inavyotumika. Mfumo unaweza kukadiria juhudi zinazohitajika kushughulikia kwa mikono masuala tofauti ya usasishaji yaliyotambuliwa. Kulingana na makadirio haya, watumiaji wanaweza kuchagua ni matatizo gani wanataka kushughulikia kwa kutumia usaidizi wa generative AI na yapi wanaweza kupendelea kushughulikia kwa mikono, kuruhusu matumizi ya kimatendo ya teknolojia pale inapotoa thamani kubwa zaidi.

Vipengele hivi vinasisitiza kuzingatia utumiaji wa kimatendo, uwezo wa kubadilika, na kujenga imani katika jukumu la AI kama msaidizi muhimu badala ya kuwa sanduku jeusi lisiloeleweka.

Kurahisisha Safari ya Kubernetes

Zaidi ya usasishaji wa msingi wa code, Konveyor pia inaboresha uwezo wake kuwezesha mpito kwenda Kubernetes, kiwango kinachokubalika kwa uratibu wa makontena. Kipengele muhimu kijacho, kilichopangwa kutolewa baadaye majira haya ya joto, ni kazi mpya ya uzalishaji wa rasilimali (asset generation function).

Kazi hii inalenga kurahisisha kazi ambayo mara nyingi ni ngumu ya kuunda vifaa vya uwekaji vya Kubernetes (Kubernetes deployment artifacts). Itawaruhusu watumiaji kuchambua uwekaji wa programu zilizopo na usanidi wa wakati wa utekelezaji (runtime configurations) (uwezekano kutoka kwa seva za jadi au VMs) na kuzalisha kiotomatiki maelezo yanayolingana ya Kubernetes (Kubernetes manifests), kama vile usanidi wa Deployment, Services, sheria za Ingress, na uwezekano wa ConfigMaps au Secrets. Kuendesha kiotomatiki uundaji wa rasilimali hizi muhimu za Kubernetes kunaweza kuokoa wasanidi programu muda mwingi na kupunguza uwezekano wa makosa ya usanidi wa mikono, hivyo kurahisisha zaidi njia kwa programu zinazohamia kwenye mazingira ya cloud-native, yaliyoratibiwa. Kipengele hiki kinashughulikia moja kwa moja changamoto ya kawaida katika mchakato wa uhamishaji, kuziba pengo kati ya code ya programu yenyewe na uwekaji wake wa kiutendaji kwenye Kubernetes.

Uzoefu wa Msanidi Programu Uliofikiriwa Upya

Mwishowe, mafanikio ya zana kama Konveyor AI yanategemea athari yake katika maisha ya kila siku ya wasanidi programu. Lengo ni kubadilisha uzoefu wa msanidi programu unaohusiana na usasishaji kutoka kuwa wa uchimbuzi wa kuchosha na marekebisho yanayojirudia hadi kuwa mchakato wenye tija zaidi na wa kuvutia.

Kwa kuunganisha static analysis na mapendekezo ya AI moja kwa moja kwenye IDE (kama VS Code), Konveyor AI inapunguza ubadilishaji wa muktadha. Wasanidi programu hawahitaji kuruka mara kwa mara kati ya kihariri chao cha code, ripoti za uchambuzi, nyaraka, na zana za nje. Ufahamu na mapendekezo yanayoweza kutekelezeka yanawasilishwa pale pale code inapokaa.

Kuendesha kiotomatiki utambuzi wa masuala na uzalishaji wa suluhisho zinazowezekana kunapunguza kwa kiasi kikubwa kazi ya mikono inayohusika. Wasanidi programu wanaweza kutumia muda mchache kutafuta miito ya API iliyopitwa na wakati au kufikiria usanidi wa kiolezo na muda mwingi zaidi kuzingatia vipengele vya kimkakati vya uhamishaji, kama vile urekebishaji wa usanifu, uboreshaji wa utendaji, na upimaji. Matumizi ya RAG na uthibitishaji wa agentic husaidia kuhakikisha kuwa mapendekezo ya AI sio tu kelele bali ni sehemu za kuanzia zenye msaada kweli, hivyo kuharakisha zaidi mchakato. Uwezo wa kubinafsisha kanuni pia unamaanisha kuwa zana inakuwa msaidizi aliyebinafsishwa, anayelingana na viwango maalum na changamoto za timu au shirika.

Athari Pana kwa IT ya Biashara

Kwa viongozi wa IT na mashirika kwa ujumla, ujio wa zana kama Konveyor AI unashikilia ahadi kubwa ya kimkakati. Usasishaji wa programu mara nyingi ni kiwezeshi muhimu kwa mipango mipana ya mabadiliko ya kidijitali. Kwa kufanya usasishaji kuwa wa haraka, wa bei nafuu, na wenye hatari ndogo, Konveyor AI inaweza kusaidia mashirika:

• Kuharakisha Ubunifu: Mizunguko ya haraka ya uhamishaji inamaanisha upitishaji wa haraka wa faida za cloud-native, kuwezesha usanidi na uwekaji wa haraka wa vipengele na huduma mpya.
• Kupunguza Deni la Kiufundi: Kushughulikia kwa utaratibu code na usanifu wa kizamani kunaboresha utunzaji, kunapunguza gharama za uendeshaji, na kuongeza uthabiti wa mfumo.
• Kuboresha Ugawaji wa Rasilimali: Kuokoa muda wa wasanidi programu kutoka kwa kazi za usasishaji za mikono kunaruhusu rasilimali muhimu za uhandisi kuelekezwa kwenye kujenga thamani mpya ya biashara.
• Kupunguza Hatari: Mwongozo, mapendekezo yaliyothibitishwa na otomatiki hupunguza uwezekano wa makosa wakati wa uhamishaji mgumu.
• Kuboresha Uhifadhi wa Vipaji: Kuwapa wasanidi programu zana za kisasa zinazopunguza kazi za kuchosha kunaweza kuchangia kuridhika zaidi kazini.

Asili ya chanzo huria ya mradi wa msingi wa Konveyor pia inakuza ushirikiano wa jamii na inaruhusu mashirika uwezekano wa kuchangia na kufaidika kutokana na maarifa na seti za kanuni zilizoshirikiwa.

Njia Iliyo Mbele kwa Konveyor

Kutolewa kwa Konveyor AI 0.1 kunaashiria hatua muhimu, kufanya uwezo wa msingi wa usasishaji unaoendeshwa na AI kupatikana kwa watumiaji mara moja. Red Hat imeonyesha wazi kujitolea kwake katika eneo hili, na kazi ya uzalishaji wa rasilimali za Kubernetes ikipangwa kutolewa majira ya joto na maboresho zaidi yakipangwa kwa zana ya uhamishaji wa programu katika matoleo yajayo.

Kadiri generative AI inavyoendelea kubadilika haraka, zana kama Konveyor AI zina uwezekano wa kuwa za kisasa zaidi. Marudio ya baadaye yanaweza kutoa uelewa wa kina wa code, mapendekezo magumu zaidi ya urekebishaji, uzalishaji wa kiotomatiki wa majaribio kwa code iliyohamishwa, au hata uchambuzi unaoendeshwa na AI wa tabia ya wakati wa utekelezaji baada ya uhamishaji. Muunganiko wa AI katika mzunguko wa maisha wa usanidi wa programu, hasa kwa kazi ngumu kama usasishaji, uko tayari kuwa mwelekeo mkuu, na Konveyor AI inaiweka Red Hat mbele ya mabadiliko haya, ikitoa suluhisho la kimatendo, linalomlenga msanidi programu kwa changamoto inayoendelea ya sekta. Safari ya kusasisha jalada kubwa la programu zilizopo duniani ni ndefu, lakini kwa zana zenye akili zinazojitokeza, njia iliyo mbele inaonekana kuwa angavu zaidi.