Was bedeutet unausgeglichenes Training?

Unausgeglichenes Training tritt auf, wenn man ein KI-Modell auf einer Datenbasis trainiert, die nicht repräsentativ für die reale Anwendung ist. Dies kann man durch ungleiche Verteilungen, Verzerrungen oder mangelnde Diversität in den Trainingsdaten verursachen. Besonders kritisch ist dies bei Algorithmen, die Vorhersagen oder Entscheidungen für unterschiedliche Bevölkerungsgruppen treffen sollen.

Ursachen unausgeglichenen Trainings

1. Datenverzerrung (Bias in Daten): Wenn die Trainingsdaten nicht alle relevanten Gruppen oder Situationen abbilden, findet die Optimierung des Modells bevorzugt für bestimmte Szenarien statt. (Siehe auch meinen Beitrag „Automatisierungsverzerrungen (Bias) – Oder wie blindes Vertrauen in Technologie zu Fehlern führt„)
2. Datenungleichgewicht (Class Imbalance): In vielen Anwendungen gibt es mehr Daten für eine Kategorie als für eine andere, wodurch das Modell in seiner Bewertung unausgewogen wird.
3. Eingeschränkte Datenvielfalt: Falls man das Modell nur mit Daten aus bestimmten Regionen, Sprachen oder Demografien trainiert, führt dies zu einer schlechteren Generalisierbarkeit.
4. Menschliche Voreingenommenheit: Wenn Menschen die Daten auswählen oder kennzeichnen, kann eine unbeabsichtigte Übertragung einer Verzerrung in die Trainingsdaten stattfinden.

Folgen unausgeglichenen Trainings

• Fehlentscheidungen: Ein Modell, das nicht auf verschiedene Szenarien vorbereitet ist, kann falsche oder diskriminierende Entscheidungen treffen.
• Eingeschränkte Generalisierbarkeit: Eine KI, die nur mit begrenzten Daten trainiert wurde, funktioniert möglicherweise nicht in anderen Kontexten.
• Reputationsverlust und rechtliche Konsequenzen: Unternehmen, deren KI-Modelle durch Bias auffallen, können mit ethischen und rechtlichen Problemen konfrontiert werden.
• Fehlende Fairness: Systeme können bestimmte Gruppen systematisch benachteiligen, sei es in der Bewerberauswahl, Kreditvergabe oder medizinischen Diagnosen.

Lösungsansätze

1. Diversifizierung der Trainingsdaten: Man sollte bewusst diverse und repräsentative Datensätze sammeln und verwenden.
2. Fairness-Metriken und Bias-Tests: Man sollte Werkzeuge zur Bias-Detektion, wie Fairness-Indizes oder statistische Analysen, regelmäßig anwenden.
3. Ausgleich von Datenungleichgewichten: Techniken wie Oversampling, Datenaugmentation oder spezielle Loss-Funktionen können helfen, Ungleichgewichte auszugleichen.
4. Adversariales Training: Hierbei testet man das Modell gezielt auf kritische Schwachstellen und trainiert es nach.
5. Transparenz und Erklärbarkeit: KI-Modelle sollten so gestaltet sein, dass ihre Entscheidungen nachvollziehbar sind.

Fazit

Unausgeglichenes Training ist eine ernstzunehmende Herausforderung im KI-Testing und der Entwicklung robuster Modelle. Durch bewusste Datenauswahl, kontinuierliche Evaluierung und faire Algorithmen kann man dieser Problematik begegnen. Wer langfristig erfolgreiche KI-Systeme entwickeln will, muss auf eine ausbalancierte und gerechte Trainingsstrategie setzen.

Der Beitrag Unausgeglichenes KI-Training – Risiken & Lösungen erschien zuerst auf CEOsBay.

Was sind systematische Fehler in der KI?

Systematische Fehler in KI-Modellen sind Abweichungen vom tatsächlichen Wert, die auf bestimmte, nicht-zufällige Ursachen zurückzuführen sind. Diese Fehler treten reproduzierbar auf und können durch eine fehlerhafte Datenbasis, unzureichende Trainingsmethoden oder Verzerrungen in den Algorithmen entstehen. Im Gegensatz zu zufälligen Fehlern lassen sich systematische Fehler nicht durch Mittelung mehrerer Messungen oder Vorhersagen eliminieren.

Ursachen systematischer Fehler in KI

Systematische Fehler können aus verschiedenen Quellen stammen, darunter:

1. Fehlende oder verzerrte Trainingsdaten: Ungleichgewicht oder Fehler in den Daten können KI-Modelle in eine falsche Richtung lenken.
2. Bias in der Datenverarbeitung: Fehlerhafte oder voreingenommene Algorithmen verstärken bestehende Verzerrungen.
3. Unzureichende Generalisierung: Wenn ein Modell zu stark an spezifische Trainingsdaten angepasst ist (Overfitting), kann es in realen Anwendungen systematische Fehler erzeugen.
4. Subjektive Modellentscheidungen: Die Wahl von Features oder Modellparametern kann unbeabsichtigt Verzerrungen in den Ergebnissen hervorrufen.
5. Fehlende Berücksichtigung externer Faktoren: KI-Systeme, die externe Umwelteinflüsse nicht ausreichend einbeziehen, können systematisch falsche Ergebnisse liefern.

Beispiele für systematische Fehler in der KI

• Vorurteilsbehaftete KI-Modelle: Ein Gesichtserkennungssystem, das Personen mit dunkler Hautfarbe schlechter erkennt als solche mit heller Haut, ist ein klassisches Beispiel für einen systematischen Fehler.
• Fehlklassifikationen durch begrenzte Datenvielfalt: Ein KI-gestütztes Diagnosesystem, dass man hauptsächlich mit Daten junger Patienten trainiert hat, liefert bei älteren Patienten falsche Ergebnisse.
• Unzureichendes Testen von autonomen Fahrzeugen: Wenn man ein KI-Modell nur in idealen Wetterbedingungen testet aber nicht bei Regen oder Schnee, kann es in solchen Umgebungen systematisch fehlerhafte Entscheidungen treffen.
• Fehlgeleitete Empfehlungssysteme: Wenn ein Algorithmus auf vergangenen Nutzerpräferenzen basiert, verstärkt er möglicherweise bestehende Trends, anstatt neue relevante Inhalte vorzuschlagen.

Methoden zur Vermeidung systematischer Fehler in KI-Testing

• Datenaufbereitung und Diversifikation: Die Sicherstellung vielfältiger und repräsentativer Trainingsdaten minimiert Verzerrungen.
• Bias-Tests und Fairness-Analysen: Regelmäßige Überprüfungen von KI-Modellen auf systematische Verzerrungen helfen, Ungleichheiten zu reduzieren.
• Cross-Validation und robuste Testverfahren: Die Nutzung unterschiedlicher Test-Sets und Evaluierungsmethoden kann Schwachstellen in den Modellen aufdecken.
• Transparenz und Erklärbarkeit: Die Dokumentation der Modellentscheidungen ermöglicht eine bessere Nachvollziehbarkeit und Fehleranalyse.
• Iterative Verbesserung der Algorithmen: Durch kontinuierliches Monitoring und Anpassen der Modelle können systematische Fehler erkannt und reduziert werden.

Fazit

Systematische Fehler sind eine große Herausforderung für KI-Systeme und deren Tests. Während zufällige Fehler durch statistische Verfahren ausgeglichen werden können, erfordern die systematischen Fehler gezielte Maßnahmen zur Identifikation und Korrektur. Durch bewusste Auseinandersetzung mit den Ursachen und gezielte Methoden zur Fehlervermeidung können zuverlässigere und fairere KI-Modelle entwickelt werden.

Der Beitrag Systematische Fehler in KI – Ursachen und Vermeidung erschien zuerst auf CEOsBay.

Verhältnis zu Bayes-Netzen

Bayes-Klassifikatoren und Bayes-Netze sind eng miteinander verwandt. Während Bayes-Netze als gerichtete azyklische Graphen (DAGs) dazu dienen, probabilistische Abhängigkeiten zwischen verschiedenen Variablen darzustellen, fokussieren sich Bayes-Klassifikatoren auf die direkte Klassifikation von Datenpunkten auf Basis dieser Wahrscheinlichkeitsmodelle. Ein Bayes-Netz kann als Grundlage für einen Bayes-Klassifikator dienen, wenn es darum geht, Wahrscheinlichkeiten für bestimmte Klassenzugehörigkeiten zu berechnen.

Das Bayes-Theorem als Grundlage

Der Bayes-Klassifikator basiert auf dem Satz von Bayes:

\(P(H|E) = \frac{P(E|H) P(H)}{P(E)} \)

Hierbei beschreibt \(P(H|E) \) die Wahrscheinlichkeit der Hypothese \(H \) unter der Bedingung des beobachteten Ereignisses \(E \). Diese Formel erlaubt es, neue Datenpunkte basierend auf vorhandenen Wahrscheinlichkeiten zu klassifizieren.

Naiver Bayes-Klassifikator: Ein pragmatischer Ansatz

Die wohl bekannteste Variante ist der Naive Bayes-Klassifikator. Er geht von der Annahme aus, dass die Merkmale eines Datenpunktes unabhängig voneinander sind. Obwohl diese Annahme in der Praxis oft nicht zutrifft, liefert der Naive Bayes-Algorithmus dennoch erstaunlich gute Ergebnisse, insbesondere bei Anwendungen wie:

• E-Mail-Spam-Erkennung: Wörter wie „Gratis“ oder „Gewinn“ erhöhen die Wahrscheinlichkeit, dass eine E-Mail als Spam klassifiziert wird.
• Sentiment-Analyse: Die Häufigkeit bestimmter Begriffe kann genutzt werden, um den emotionalen Ton eines Textes zu bestimmen.
• Medizinische Diagnosen: Symptome werden zur Wahrscheinlichkeitsabschätzung bestimmter Erkrankungen genutzt.

Doch darüber schreibe ich in einem zukünftigen Beitrag.

Bayes-Klassifikatoren im KI-Testing

Im Bereich des KI-Testings können Bayes-Klassifikatoren dazu verwendet werden, Fehlerwahrscheinlichkeiten in Modellen vorherzusagen oder Anomalien in Trainingsdaten zu erkennen. Ein paar Anwendungsfälle sind:

• Erkennung von Bias in Trainingsdaten: Mithilfe probabilistischer Methoden kann festgestellt werden, ob eine KI auf bestimmte Muster verzerrt reagiert.
• Fehlklassifikationsanalyse: Durch Wahrscheinlichkeitsmodelle lassen sich systematische Fehler in Modellen aufdecken.
• Robustheitstests: Bayes-Klassifikatoren können genutzt werden, um KI-Systeme gezielt auf Grenzfälle zu testen.
• Integration in Bayes-Netze für tiefere Analyse: Bayes-Netze können mit Klassifikatoren kombiniert werden, um eine tiefere Analyse von Entscheidungsprozessen in KI-Systemen zu ermöglichen.

Grenzen und Herausforderungen bei Bayes-Klassifikatoren

Trotz ihrer Vorteile haben sie auch einige Einschränkungen:

• Die Annahme der Unabhängigkeit kann in vielen realen Anwendungen problematisch sein.
• Sie sind oft weniger leistungsfähig als komplexere Modelle wie neuronale Netze oder Entscheidungsbäume.
• Die Berechnung der Wahrscheinlichkeiten erfordert eine gut strukturierte und repräsentative Datenbasis.
• Die Kombination mit Bayes-Netzen kann die Interpretierbarkeit verbessern, erhöht jedoch die Komplexität der Modellierung.

Fazit

Bayes-Klassifikatoren bieten eine leistungsstarke, interpretierbare und effiziente Methode zur Klassifikation, die insbesondere in probabilistischen KI-Systemen und beim Testen von KI-Modellen von Bedeutung ist. In Kombination mit Bayes-Netzen kann ihre Anwendung erweitert werden, um kausale Zusammenhänge und probabilistische Abhängigkeiten noch tiefer zu erfassen. Trotz ihrer Grenzen bleiben sie ein wertvolles Werkzeug für viele Anwendungen und können als Basis für weiterentwickelte Klassifikationsverfahren dienen.

Der Beitrag Bayes-Klassifikatoren – Grundlage für probabilistische KI-Modelle erschien zuerst auf CEOsBay.

Was ist Shuffling?

Es bezeichnet das zufällige Neuordnen einer Menge von Daten. Im Kontext von KI-Testing und maschinellem Lernen wird es häufig beim Umgang mit Trainings- und Testdaten verwendet, um Verzerrungen zu minimieren und eine bessere Generalisierung der Modelle zu ermöglichen.

Warum ist es wichtig?

Ein gut funktionierendes KI-Modell muss in der Lage sein, Muster in Daten zu erkennen und nicht nur spezifische Beispiele auswendig zu lernen. Hier sind einige zentrale Vorteile des Shufflings:

1. Vermeidung von Reihenfolgeabhängigkeiten: Oftmals sind Daten in einer bestimmten Reihenfolge organisiert (z.B. chronologisch oder thematisch). Ohne Shuffling könnte das Modell ungewollt Reihenfolgen lernen, die in der Praxis nicht generalisierbar sind.
2. Bessere Generalisierung: Durch das zufällige Durchmischen der Daten kann man sicherstellen, dass das Modell ein breites Spektrum von Mustern erkennt. Damit schließt man das Training auf lediglich bestimmte Sequenzen aus.
3. Ausgleich von Datenverzerrungen: Falls Daten in bestimmten Clustern (Hier kann mein Beitrag „Clustering Algorithmen – Gruppieren von Daten“ durchaus lesenswert sein) gespeichert sind (z.B. viele positive Beispiele hintereinander), könnte das Modell fälschlicherweise annehmen, dass solche Cluster immer existieren. Durch Shuffling schwächt man diesen Effekt ab.
4. Vermeidung von Overfitting: Indem man das Modell auf einem gut durchmischten Datensatz trainiert, lernt es nicht nur spezifische Reihenfolgen auswendig, sondern verallgemeinert besser. (Siehe auch meinen Beitrag „Überanpassung („Overfitting“) der KI – Wenn Modelle zu viel lernen„)

Shuffling im KI-Testing

Beim Testen von KI-Modellen spielt es ebenfalls eine entscheidende Rolle, insbesondere in den folgenden Szenarien:

• Cross-Validation: Beim k-fachen Cross-Validation-Verfahren wird der Datensatz in verschiedene Teile aufgeteilt, wobei Shuffling sicherstellt, dass die Trainings- und Validierungsdaten gleichmäßig verteilt sind.
• Benchmarking von Modellen: Um zu vermeiden, dass sich ein Modell nur durch eine festgelegte Testreihe auszeichnet, kann Shuffling genutzt werden, um verschiedene Testkombinationen zu evaluieren.
• A/B-Testing in KI-Systemen: Beim Vergleich von Modellversionen sollte sichergestellt sein, dass die Testdaten zufällig verteilt sind, um eine faire Bewertung der unterschiedlichen Ansätze zu gewährleisten.

Herausforderungen beim Shuffling

Trotz seiner Vorteile gibt es einige Herausforderungen und potenzielle Fallstricke beim Einsatz:

• Datenabhängigkeiten zerstören: In manchen Fällen enthalten die Daten eine sinnvolle Reihenfolge, beispielsweise in Zeitserien oder natürlichen Sprachverarbeitungskontexten. Unbedachtes Shuffling könnte wertvolle Muster zerstören.
• Rechenaufwand: Bei sehr großen Datensätzen kann es rechenintensiv sein und zusätzliche Speicher- und Verarbeitungskosten verursachen.
• Reproduzierbarkeit: Zufälliges Shuffling kann zu schwer reproduzierbaren Experimenten führen, wenn nicht mit festen Zufallsseeds gearbeitet wird.

Fazit

Shuffling ist ein essenzielles Werkzeug im Bereich des KI-Trainings und KI-Testings. Es hilft dabei, Verzerrungen zu vermeiden, die Generalisierung zu verbessern und robustere Modelle zu entwickeln. Allerdings sollte es mit Bedacht eingesetzt werden, insbesondere wenn Daten eine natürliche Abfolge besitzen. Durch den gezielten Einsatz von Shuffling – mit Methoden wie festen Seeds und strategischer Anwendung – kann die Performance und Zuverlässigkeit von KI-Modellen deutlich gesteigert werden.

Hast Du bereits Erfahrungen mit Shuffling in Deinen KI-Projekten gemacht? Teile sie in den Kommentaren!

Der Beitrag Shuffling – Warum zufällige Permutationen entscheidend sind erschien zuerst auf CEOsBay.

Was sind Deep Neural Networks?

Deep Neural Networks sind eine spezielle Art von künstlichen neuronalen Netzen (ANNs), die aus mehreren Schichten von Neuronen bestehen. Diese tiefen Netzwerke sind inspiriert von der Struktur des menschlichen Gehirns und können komplexe Muster und Zusammenhänge in Daten erkennen. Im Gegensatz zu flachen Netzwerken, die nur aus einer oder zwei Schichten bestehen, ermöglicht die Tiefe eines DNNs eine stärkere Abstraktion und Generalisierung von Informationen.

Architektur

Ein typisches Deep Neural Network besteht aus den folgenden Komponenten:

1. Eingabeschicht (Input Layer): Diese Schicht nimmt die Rohdaten auf, beispielsweise Pixelwerte eines Bildes oder Tonfrequenzen einer Audiodatei.
2. Verborgene Schichten (Hidden Layers): Diese Schichten verarbeiten die Eingaben durch eine Reihe von gewichteten Verbindungen und Aktivierungsfunktionen. Je mehr Schichten vorhanden sind, desto komplexere Muster kann das Modell erlernen.
3. Ausgabeschicht (Output Layer): Die letzte Schicht liefert das Endergebnis, zum Beispiel eine Klassifikation („Katze“ oder „Hund“) oder eine numerische Vorhersage.

Wie lernen DNNs?

DNNs lernen mithilfe eines Verfahrens namens Backpropagation und eines Optimierungsalgorithmus wie dem stochastischen Gradientenabstieg (SGD). Der Lernprozess läuft in mehreren Schritten ab:

1. Vorhersage: Vorhersage: Das Netzwerk erzeugt Ausgangswerte basierend auf den aktuellen Gewichten der Neuronen.
2. Fehlermessung: Ein Fehlerwert wird berechnet, indem die Vorhersage mit dem tatsächlichen Ergebnis verglichen wird.
3. Gewichtsaktualisierung: Durch Backpropagation wird der Fehler zurück durch das Netzwerk propagiert, und die Gewichte werden angepasst, um die Vorhersage zu verbessern.
4. Wiederholung: Dieser Zyklus wiederholt sich viele Male, bis das Modell eine ausreichende Genauigkeit erreicht.

Anwendungen von DNNs

Deep Neural Networks haben in vielen Bereichen revolutionäre Entwicklungen ermöglicht:

• Bild- und Spracherkennung: Systeme wie Google Lens oder Apples Siri nutzen DNNs zur Analyse und Interpretation von visuellen oder akustischen Signalen.
• Autonomes Fahren: Selbstfahrende Autos verwenden DNNs zur Verarbeitung von Sensordaten und Entscheidungsfindung in Echtzeit.
• Medizinische Diagnostik: KI-Modelle helfen Ärzten bei der Erkennung von Krankheiten in Röntgenbildern oder MRT-Scans.
• Natural Language Processing (NLP): Anwendungen wie Chatbots oder maschinelle Übersetzungen beruhen auf tiefen neuronalen Netzen zur Sprachverarbeitung. (Siehe auch meinen Beitrag „Sprachmagie – NLP (Natural Language Processing)„)

Herausforderungen und Zukunftsaussichten

Trotz der beeindruckenden Fortschritte stehen DNNs vor einigen Herausforderungen:

• Datenbedarf: Deep Learning-Modelle benötigen riesige Mengen an Trainingsdaten.
• Rechenleistung: Das Training großer DNNs erfordert erhebliche Rechenressourcen.
• Erklärbarkeit: Viele DNNs gelten als „Black Boxes“, deren Entscheidungen schwer nachvollziehbar sind.

In Zukunft wird die Forschung daran arbeiten, effizientere und erklärbarere Modelle zu entwickeln, um den Einsatz von DNNs weiter zu optimieren und ihre Anwendungsbereiche zu erweitern.

Fazit

Deep Neural Networks sind ein Schlüsselbereich der modernen KI und haben zahlreiche innovative Anwendungen ermöglicht. Trotz ihrer Herausforderungen zeigen die Fortschritte im Bereich der DNNs, dass diese Technologie in den kommenden Jahren weiterhin eine zentrale Rolle spielen wird. Wer sich für KI interessiert, sollte sich mit DNNs beschäftigen, da sie die Grundlage vieler zukunftsweisender Entwicklungen bilden.

Der Beitrag DNNs (Deep Neural Networks) – Tiefe Neuronale Netze erschien zuerst auf CEOsBay.

Was ist Überanpassung?

Überanpassung tritt auf, wenn ein KI-Modell die Trainingsdaten so gut lernt, dass es nicht mehr verallgemeinern kann. Das bedeutet, es erkennt Muster, die nur in den Trainingsdaten vorkommen, aber keine Aussagekraft für neue, unbekannte Daten haben. Das Modell passt sich „zu perfekt“ an die Trainingsdaten an und wird dadurch ineffektiv bei der Anwendung in der realen Welt.

Ein klassisches Beispiel: Wenn ein Modell darauf trainiert wird, zwischen verschiedenen Tierarten zu unterscheiden, könnte es lernen, dass alle Elefanten in den Trainingsdaten vor einem grauen Hintergrund stehen. Trifft es dann auf ein Bild eines Elefanten vor blauem Himmel, kann es diesen vielleicht nicht korrekt identifizieren. Siehe auch meinen Beitrag „Überwachtes Lernen bei Künstlicher Intelligenz„.

Ursachen für Überanpassung

Die Hauptgründe für Überanpassung sind:

1. Zu komplexe Modelle: Wenn ein Modell zu viele Parameter hat, kann es sich zu stark an die Trainingsdaten anpassen, statt allgemeingültige Muster zu erkennen.
2. Zu wenige Trainingsdaten: Wenn der Datensatz klein oder nicht repräsentativ ist, findet das Modell möglicherweise keine universellen Muster.
3. Rauschen in den Daten: Modelle können anfangen, unwichtige Details oder Zufälligkeiten in den Daten als bedeutend zu betrachten.
4. Keine angemessene Validierung: Wenn das Modell nicht regelmäßig mit einem unabhängigen Validierungsdatensatz überprüft wird, bleibt Überanpassung unbemerkt.

Wie erkennt man Überanpassung?

Ein überangepasstes Modell zeigt oft eine hohe Genauigkeit auf den Trainingsdaten aber eine schlechte Leistung auf Validierungs- oder Testdaten. Dieses Phänomen nennt man auch „Generalization Gap“.

Ein weiteres Warnsignal sind stark schwankende Vorhersagen: Das Modell ist in der Lage, bekannte Datenpunkte sehr präzise zu klassifizieren, während es bei neuen Daten inkonsistente Ergebnisse liefert.

Methoden zur Vermeidung von Überanpassung

1. Trainings- und Validierungsdaten trennen: Stellen Sie sicher, dass das Modell regelmäßig auf unabhängigen Daten getestet wird.
2. Regulierungsmethoden nutzen: Techniken wie L1- und L2-Regularisierung oder Dropout verhindern, dass das Modell zu komplex wird.
3. Datenset vergrößern: Mehr Daten bedeuten oft diversere Muster und reduzieren die Gefahr, dass das Modell unwichtige Details lernt.
4. Kreuzvalidierung: Diese Technik unterteilt die Daten in mehrere Teilmengen und stellt sicher, dass das Modell auf unterschiedlichen Datensets getestet wird.
5. Frühzeitiges Stoppen: Die Trainingsphase wird abgebrochen, sobald sich die Leistung auf dem Validierungsdatensatz verschlechtert.

Warum ist Überanpassung problematisch?

Ein überangepasstes Modell mag in der Entwicklungsphase beeindruckend wirken, versagt jedoch oft in realen Anwendungen. Im Kontext der KI kann das erhebliche Auswirkungen haben – von fehlerhaften medizinischen Diagnosen bis hin zu falschen Entscheidungen in autonomen Systemen. Es ist daher entscheidend, Modelle so zu gestalten, dass sie robuste und verallgemeinbare Ergebnisse liefern.

Fazit

Überanpassung ist eine der größten Herausforderungen im Bereich der KI und des maschinellen Lernens. Ein gutes Modell zu entwickeln bedeutet, die Balance zwischen Unteranpassung („Underfitting“) und Überanpassung zu finden. Mit den richtigen Techniken und einem sorgfältigen Trainingsprozess können Entwickler sicherstellen, dass ihre KI-Lösungen nicht nur in der Theorie, sondern auch in der Praxis bestehen.

Der Beitrag Überanpassung („Overfitting“) der KI – Wenn Modelle zu viel lernen erschien zuerst auf CEOsBay.