Job Overview :

āļˆāļąāļ”āļ—āļģāļŠāļļāļ”āļ‚āđ‰āļ­āļĄāļđāļĨāļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ—āļĩāđˆāļŦāļĨāļēāļāļŦāļĨāļēāļĒ āđāļĨāļ°āđ‚āļĄāđ€āļ”āļĨāļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ”āđ‰āļ§āļĒāđ€āļ—āļ„āđ‚āļ™āđ‚āļĨāļĒāļĩāļ—āļĩāđˆāļĨāđ‰āļģāļŠāļĄāļąāļĒ āđ€āļŠāđˆāļ™ Machine Learning āđāļĨāļ° Data Science āļĢāļ§āļĄāļ–āļķāļ‡āļāļēāļĢāļ§āļīāđ€āļ„āļĢāļēāļ°āļŦāđŒāļ‚āđ‰āļ­āļĄāļđāļĨāđ€āļŠāļīāļ‡āļĨāļķāļ (Deep Insight) āļ—āļĩāđˆāļŠāđˆāļ‡āļœāļĨāļ•āđˆāļ­āļžāļĪāļ•āļīāļāļĢāļĢāļĄāļ‚āļ­āļ‡āļĨāļđāļāļ„āđ‰āļē āđāļĨāļ°āļ—āļ”āļŠāļ­āļšāđ€āļžāļ·āđˆāļ­āļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđāļšāļšāļˆāļģāļĨāļ­āļ‡āđƒāļ™āļāļēāļĢāļ™āļģāđ„āļ›āđƒāļŠāđ‰āļ—āļģāļ™āļēāļĒ āļ„āļēāļ”āļāļēāļĢāļ“āđŒ (Predictive) āļ•āļ­āļšāđ‚āļˆāļ—āļĒāđŒāļāļąāļšāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆāđƒāļŦāđ‰āļāļąāļšāļ­āļ‡āļ„āđŒāļāļĢ

Job Responsibilities :

  • āļĢāļ§āļĄāļ‚āđ‰āļ­āļĄāļđāļĨāļ”āļīāļšāļˆāļēāļāđāļŦāļĨāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļ•āđˆāļēāļ‡āđ† āļ—āļąāđ‰āļ‡āļ āļēāļĒāđāļĨāļ°āļ āļēāļĒāļ™āļ­āļ āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡āļ­āļąāļĨāļāļ­āļĢāļīāļ—āļķāļĄāđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡āļ•āđ‰āļ™āđāļšāļš
  • āļāļēāļĢāļĢāļ§āļšāļĢāļ§āļĄāļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāļĄāļĩāđ‚āļ„āļĢāļ‡āļŠāļĢāđ‰āļēāļ‡ (Structured Data) āđāļĨāļ°āđ„āļĄāđˆāļĄāļĩāđ‚āļ„āļĢāļ‡āļŠāļĢāđ‰āļēāļ‡ (Unstructured Data) āļ›āļĢāļ°āđ€āļĄāļīāļ™āļ„āļ§āļēāļĄāļ•āđ‰āļ­āļ‡āļāļēāļĢāđāļĨāļ°āļ§āļąāļ•āļ–āļļāļ›āļĢāļ°āļŠāļ‡āļ„āđŒāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆ
  • āļˆāļąāļ”āļĢāļ°āđ€āļšāļĩāļĒāļšāļ‚āđ‰āļ­āļĄāļđāļĨāļ”āļīāļš āļ™āļģāļ‚āđ‰āļ­āļĄāļđāļĨāļĄāļēāļ—āļģāļ„āļ§āļēāļĄāļŠāļ°āļ­āļēāļ” (Data Cleansing + Shaping + ETL) āļĢāļ§āļĄāļ–āļķāļ‡āļˆāļąāļ”āđ€āļ•āļĢāļĩāļĒāļĄāļ‚āđ‰āļ­āļĄāļđāļĨāļŠāļģāļŦāļĢāļąāļšāļāļēāļĢāļŠāļĢāđ‰āļēāļ‡āđāļšāļšāļˆāļģāļĨāļ­āļ‡
  • āļ—āļģāļāļēāļĢ Explore Data āļ”āđ‰āļ§āļĒ Data Visualization Tools
  • āļŦāļēāļ§āļīāļ˜āļĩāļāļēāļĢāļ›āļĢāļąāļšāļ›āļĢāļļāļ‡āļ„āļļāļ“āļ āļēāļžāļ‚āļ­āļ‡āļ‚āđ‰āļ­āļĄāļđāļĨ āđāļĨāļ°āļŠāļĢāđ‰āļēāļ‡āļ„āļ§āļēāļĄāļ™āđˆāļēāđ€āļŠāļ·āđˆāļ­āļ–āļ·āļ­āļ‚āļ­āļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļ”āļđāđāļ™āļ§āđ‚āļ™āđ‰āļĄāđāļĨāļ° Patterns
  • āđƒāļŠāđ‰ AI/ML āļāļēāļĢāļ—āļģāļ™āļēāļĒ āļ„āļēāļ”āļāļēāļĢāļ“āđŒ (Predictive) āđāļĨāļ°āļĢāļēāļĒāļ‡āļēāļ™āļœāļĨ

Qualifications :

  • āļ›āļĢāļīāļāļāļēāļ•āļĢāļĩ āļŠāļēāļ‚āļē āļ§āļīāļ—āļĒāļēāļāļēāļĢāļ„āļ­āļĄāļžāļīāļ§āđ€āļ•āļ­āļĢāđŒ āļ§āļīāļĻāļ§āļāļĢāļĢāļĄāļĻāļēāļŠāļ•āļĢāđŒ āļ„āļ“āļīāļ•āļĻāļēāļŠāļ•āļĢāđŒ āļŠāļ–āļīāļ•āļī āļŦāļĢāļ·āļ­āļŠāļēāļ‚āļēāļ­āļ·āđˆāļ™āļ—āļĩāđˆāđ€āļāļĩāđˆāļĒāļ§āļ‚āđ‰āļ­āļ‡
  • āļĄāļĩāļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒāđƒāļ™āļāļēāļĢāļ—āļģ Data Visualization
  • āļĄāļĩāļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒāļāļēāļĢāđƒāļŠāđ‰ Cloud Platform
  • āļĄāļĩāļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒāļāļēāļĢāđƒāļŠāđ‰ Python āđ€āļŠāđˆāļ™ Pandas, Numpy, Scikit-learn, Matplotlib and PyTorch
  • āļĄāļĩāļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒ āļāļēāļĢāđƒāļŠāđ‰ Machine Learning āđ€āļŠāđˆāļ™ regression, classification, clustering and association
  • āļĄāļĩāļ„āļ§āļēāļĄāđ€āļ‚āđ‰āļēāđƒāļˆāđƒāļ™āļŠāļ–āļīāļ•āļīāļ‚āđ‰āļ­āļĄāļđāļĨ
  • āļĄāļĩāļ—āļąāļāļĐāļ°āļāļēāļĢāļ™āļģāđ€āļŠāļ™āļ­ āđ‚āļ”āļĒāļŠāļēāļĄāļēāļĢāļ–āļ™āļģāļ„āļ§āļēāļĄāļ„āļīāļ”āļ—āļĩāđˆāļ‹āļąāļšāļ‹āđ‰āļ­āļ™āļĄāļēāļ—āļģāđƒāļŦāđ‰āđ€āļ›āđ‡āļ™āļĢāļđāļ›āđāļšāļšāļ—āļĩāđˆāđ€āļ‚āđ‰āļēāđƒāļˆāļ‡āđˆāļēāļĒ
  • āļ™āļąāļāļŠāļ·āđˆāļ­āļŠāļēāļĢāļ—āļĩāđˆāļ”āļĩāļžāļĢāđ‰āļ­āļĄāļāļēāļĢāļˆāļąāļ”āļāļēāļĢāļœāļđāđ‰āļĄāļĩāļŠāđˆāļ§āļ™āđ„āļ”āđ‰āļŠāđˆāļ§āļ™āđ€āļŠāļĩāļĒāđ„āļ”āđ‰
  • āļĄāļĩāļ—āļąāļāļĐāļ°āļāļēāļĢāđāļāđ‰āļ›āļąāļāļŦāļē
āļ—āļąāļāļĐāļ°āļ—āļĩāđˆāļˆāļģāđ€āļ›āđ‡āļ™
  • ETL
  • Python
  • Data Analysis
āļ›āļĢāļ°āļŠāļšāļāļēāļĢāļ“āđŒāļ—āļĩāđˆāļˆāļģāđ€āļ›āđ‡āļ™
  • 1 āļ›āļĩ
āļĢāļ°āļ”āļąāļšāļ•āļģāđāļŦāļ™āđˆāļ‡āļ‡āļēāļ™
  • āļĢāļ°āļ”āļąāļšāļŦāļąāļ§āļŦāļ™āđ‰āļēāļ‡āļēāļ™
āļ—āļąāļāļĐāļ°āđ€āļžāļīāđˆāļĄāđ€āļ•āļīāļĄ
  • Good Communication Skills
āđ€āļ‡āļīāļ™āđ€āļ”āļ·āļ­āļ™
  • āļŠāļēāļĄāļēāļĢāļ–āļ•āđˆāļ­āļĢāļ­āļ‡āđ„āļ”āđ‰
āļŠāļēāļĒāļ‡āļēāļ™
  • āļ§āļīāļĻāļ§āļāļĢāļĢāļĄ
āļ›āļĢāļ°āđ€āļ āļ—āļ‡āļēāļ™
  • āļ‡āļēāļ™āļ›āļĢāļ°āļˆāļģ
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 1
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 2
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 3
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 4
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 5
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 6
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 7
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 8
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 9
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 10
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 11
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 12
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 13
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 14
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 15
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 16
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 17
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 18
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 19
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 20
  • āļŦāļēāļ‡āļēāļ™ āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļšāļēāļ‡āļˆāļēāļ 21
keyboard_arrow_right

āđ€āļāļĩāđˆāļĒāļ§āļāļąāļšāļšāļĢāļīāļĐāļąāļ—

āļˆāļģāļ™āļ§āļ™āļžāļ™āļąāļāļ‡āļēāļ™:1000-2000 āļ„āļ™
āļ›āļĢāļ°āđ€āļ āļ—āļšāļĢāļīāļĐāļąāļ—:āļ›āļīāđ‚āļ•āļĢāđ€āļĨāļĩāļĒāļĄ / āđāļāđŠāļŠ
āļ—āļĩāđˆāļ•āļąāđ‰āļ‡āļšāļĢāļīāļĐāļąāļ—:āļāļĢāļļāļ‡āđ€āļ—āļž
āđ€āļ§āđ‡āļšāđ„āļ‹āļ•āđŒ:career.bangchak.co.th
āļāđˆāļ­āļ•āļąāđ‰āļ‡āđ€āļĄāļ·āđˆāļ­āļ›āļĩ:1984
āļ„āļ°āđāļ™āļ™:4.5/5

āļšāļĢāļīāļĐāļąāļ— āļšāļēāļ‡āļˆāļēāļ āļ„āļ­āļĢāđŒāļ›āļ­āđ€āļĢāļŠāļąāđˆāļ™ āļˆāļģāļāļąāļ” (āļĄāļŦāļēāļŠāļ™) āļāđˆāļ­āļ•āļąāđ‰āļ‡āļ‚āļķāđ‰āļ™āđ€āļžāļ·āđˆāļ­āļ”āļģāđ€āļ™āļīāļ™āļ˜āļļāļĢāļāļīāļˆāļžāļĨāļąāļ‡āļ‡āļēāļ™āļ•āļąāđ‰āļ‡āđāļ•āđˆāļ›āļĩ 2527 āđ‚āļ”āļĒāđ„āļ”āđ‰āļĒāļķāļ”āļŦāļĨāļąāļāļ§āļąāļ’āļ™āļ˜āļĢāļĢāļĄāļ­āļ‡āļ„āđŒāļāļĢ “āļžāļąāļ’āļ™āļēāļ˜āļļāļĢāļāļīāļˆāļ­āļĒāđˆāļēāļ‡āļĒāļąāđˆāļ‡āļĒāļ·āļ™āđ„āļ›āļāļąāļšāļŠāļīāđˆāļ‡āđāļ§āļ”āļĨāđ‰āļ­āļĄāđāļĨāļ°āļŠāļąāļ‡āļ„āļĄâ€ āļĄāļēāļ•āļĨāļ­āļ”āļĢāļ°āļĒāļ°āđ€āļ§āļĨāļē 30 āļ›āļĩ āļšāļĢāļīāļĐāļąāļ—āļŊ āļˆāļ°āļĒāļąāļ‡āļ„āļ‡āļĄāļļāđˆāļ‡āļžāļąāļ’āļ™āļēāļ˜āļļāļĢāļāļīāļˆāđƒāļŦāđ‰āļĄāļĩāļ„āļ§āļēāļĄāļŠāļĄāļ”āļļāļĨāļĢāļ°āļŦāļ§āđˆāļēāļ‡āļĄāļđāļĨāļ„āđˆāļēāļ—āļēāļ‡āļ˜āļļāļĢāļāļīāļˆāđāļĨāļ°āļ„āļļāļ“āļ„āđˆāļēāļ—āļēāļ‡āļŠāļīāđˆāļ‡āđāļ§āļ”āļĨāđ‰āļ­āļĄāđāļĨāļ°āļŠāļąāļ‡āļ„āļĄāļ•āđˆāļ­āđ„āļ› āđ‚āļ”āļĒāļšāļĢāļīāļĐ ... āļ­āđˆāļēāļ™āļ•āđˆāļ­

āļĢāđˆāļ§āļĄāļ‡āļēāļ™āļāļąāļšāđ€āļĢāļē: āļŠāļĢāđ‰āļēāļ‡āļŠāļĢāļĢāļ„āđŒāļ™āļ§āļąāļ•āļāļĢāļĢāļĄāļŠāļĩāđ€āļ‚āļĩāļĒāļ§āļ—āļĩāđˆāļāđ‰āļēāļ§āļĨāđ‰āļģ āļĄāļļāđˆāļ‡āđ€āļ™āđ‰āļ™āļāļēāļĢāļ”āļģāđ€āļ™āļīāļ™āļ˜āļļāļĢāļāļīāļˆāļ”āđ‰āļ§āļĒāđāļ™āļ§āļ—āļēāļ‡āđāļšāļšāļĄāļĩāļŠāđˆāļ§āļ™āļĢāđˆāļ§āļĄāđāļĨāļ°āļĒāļąāđˆāļ‡āļĒāļ·āļ™ āļ‚āļĒāļēāļĒāļāļēāļĢāđ€āļ•āļīāļšāđ‚āļ•āļ—āļąāđ‰āļ‡āđƒāļ™āđāļĨāļ°āļ•āđˆāļēāļ‡āļ›āļĢāļ°āđ€āļ—āļĻ āļĒāļķāļ”āļŦāļĨāļąāļāļāļēāļĢāļāļģāļāļąāļšāļ”āļđāđāļĨāļāļīāļˆāļāļēāļĢāļ—āļĩāđˆāļ”āļĩ āđāļĨāļ°āļžāļąāļ’āļ™āļēāļ§āļąāļ’āļ™āļ˜āļĢāļĢāļĄāđāļŦāđˆāļ‡āļāļēāļĢāđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āļŠāļđāđˆāļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āđ€āļĨāļīāļĻ āļšāļ™āļšāļĢāļĢāļĒāļēāļāļēāļĻāļāļēāļĢāļ—āļģāļ‡āļēāļ™āļ—āļĩāđˆāļĄāļĩāļ„āļ§āļēāļĄāļŠāļļāļ‚

āđ€āļ‚āļ•āļ—āļĩāđˆāļ•āļąāđ‰āļ‡āļ—āļĩāđˆāļ—āļģāļ‡āļēāļ™: āļžāļĢāļ°āđ‚āļ‚āļ™āļ‡
āļŠāļģāļ™āļąāļāļ‡āļēāļ™āđƒāļŦāļāđˆ: āļŠāļģāļ™āļąāļāļ‡āļēāļ™āđƒāļŦāļāđˆ āđ€āļĨāļ‚āļ—āļĩāđˆ 2098 āļ­āļēāļ„āļēāļĢāđ€āļ­āđ‡āļĄāļ—āļēāļ§āđ€āļ§āļ­āļĢāđŒ āļŠāļąāđ‰āļ™ 8
Display map

āļŠāļ§āļąāļŠāļ”āļīāļāļēāļĢ

  • āļāļ­āļ‡āļ—āļļāļ™āļšāļģāđ€āļŦāļ™āđ‡āļˆāļšāļģāļ™āļēāļ
  • āļāļēāļĢāļžāļąāļ’āļ™āļēāđ€āļžāļ·āđˆāļ­āļ„āļ§āļēāļĄāđ€āļ›āđ‡āļ™āļĄāļ·āļ­āļ­āļēāļŠāļĩāļž
  • āļ—āļģāļ‡āļēāļ™ 5 āļ§āļąāļ™/āļŠāļąāļ›āļ”āļēāļŦāđŒ
  • āļ›āļĢāļ°āļāļąāļ™āļŠāļąāļ‡āļ„āļĄ
  • āļāļķāļāļ­āļšāļĢāļĄ
  • āđ‚āļ­āļāļēāļŠāđƒāļ™āļāļēāļĢāđ€āļĢāļĩāļĒāļ™āļĢāļđāđ‰āđāļĨāļ°āļžāļąāļ’āļ™āļē
  • āļ›āļĢāļ°āļāļąāļ™āļ—āļąāļ™āļ•āļāļĢāļĢāļĄ
  • āđ€āļ„āļĢāļ·āđˆāļ­āļ‡āđāļšāļšāļžāļ™āļąāļāļ‡āļēāļ™
  • āđ‚āļ„āļĢāļ‡āļāļēāļĢāļŠāđˆāļ‡āđ€āļŠāļĢāļīāļĄāļ„āļļāļ“āļ āļēāļžāļŠāļĩāļ§āļīāļ•
  • āļŠāļąāđˆāļ§āđ‚āļĄāļ‡āļ—āļģāļ‡āļēāļ™āļĒāļ·āļ”āļŦāļĒāļļāđˆāļ™
  • āļŠāļĄāļēāļŠāļīāļāļŸāļīāļ•āđ€āļ™āļŠ
  • āļˆāđˆāļēāļĒāļ„āđˆāļēāļ—āļģāļ‡āļēāļ™āļĨāđˆāļ§āļ‡āđ€āļ§āļĨāļē
  • āļ„āđˆāļēāđ€āļ”āļīāļ™āļ—āļēāļ‡
  • āđ‚āļ—āļĢāļĻāļąāļžāļ—āđŒāļšāļĢāļīāļĐāļąāļ—

āļ•āļģāđāļŦāļ™āđˆāļ‡āļ‡āļēāļ™āļ§āđˆāļēāļ‡āļ—āļĩāđˆāļ„āļļāļ“āļ™āđˆāļēāļˆāļ°āļŠāļ™āđƒāļˆ

āļ”āļđāļ‡āļēāļ™āļ—āļąāđ‰āļ‡āļŦāļĄāļ” >

āļ—āļĩāđˆ WorkVenture āđ€āļĢāļēāđƒāļŦāđ‰āļĄāļđāļĨāđ€āļŠāļīāļ‡āđ€āļāļĩāđˆāļĒāļ§āļāļąāļšāļšāļĢāļīāļĐāļąāļ— āļšāļĢāļīāļĐāļąāļ— āļšāļēāļ‡āļˆāļēāļ āļ„āļ­āļĢāđŒāļ›āļ­āđ€āļĢāļŠāļąāđˆāļ™ āļˆāđāļēāļāļąāļ” (āļĄāļŦāļēāļŠāļ™) āđ‚āļ”āļĒāļĄāļĩāļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļĩāđˆāđ€āļāļĩāđˆāļĒāļ§āļ‚āđ‰āļ­āļ‡ āļ•āļąāđ‰āļ‡āđāļ•āđˆāļ āļēāļžāļšāļĢāļĢāļĒāļēāļāļēāļĻāļāļēāļĢāļ—āļģāļ‡āļēāļ™ āļĢāļđāļ›āļ–āđˆāļēāļĒāļ‚āļ­āļ‡āļ—āļĩāļĄāļ‡āļēāļ™ āđ„āļ›āļˆāļ™āļ–āļķāļ‡āļĢāļĩāļ§āļīāļ§āđ€āļŠāļīāļ‡āļĨāļķāļāļ‚āļ­āļ‡āļāļēāļĢāļ—āļģāļ‡āļēāļ™āļ—āļĩāđˆāļ™āļąāđˆāļ™ āļ‹āļķāđˆāļ‡āļ‚āđ‰āļ­āļĄāļđāļĨāļ—āļļāļāļ­āļĒāđˆāļēāļ‡āļšāļ™āļŦāļ™āđ‰āļēāļ‚āļ­āļ‡āļšāļĢāļīāļĐāļąāļ— āļšāļĢāļīāļĐāļąāļ— āļšāļēāļ‡āļˆāļēāļ āļ„āļ­āļĢāđŒāļ›āļ­āđ€āļĢāļŠāļąāđˆāļ™ āļˆāđāļēāļāļąāļ” (āļĄāļŦāļēāļŠāļ™) āļĄāļĩāļžāļ™āļąāļāļ‡āļēāļ™āļ—āļĩāđˆāļāļģāļĨāļąāļ‡āļ—āļģāļ‡āļēāļ™āļ—āļĩāđˆāļšāļĢāļīāļĐāļąāļ— āļšāļĢāļīāļĐāļąāļ— āļšāļēāļ‡āļˆāļēāļ āļ„āļ­āļĢāđŒāļ›āļ­āđ€āļĢāļŠāļąāđˆāļ™ āļˆāđāļēāļāļąāļ” (āļĄāļŦāļēāļŠāļ™) āļŦāļĢāļ·āļ­āđ€āļ„āļĒāļ—āļģāļ‡āļēāļ™āļ—āļĩāđˆāļ™āļąāđˆāļ™āļˆāļĢāļīāļ‡āđ† āđ€āļ›āđ‡āļ™āļ„āļ™āđƒāļŦāđ‰āļ‚āđ‰āļ­āļĄāļđāļĨāļˆāļĢāļīāļ‡āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļ—āļ§āļīāļ™ āđ„āļĨāļ—āđŒ āļ—āļąāļ§āļĢāđŒāļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļāļĢāļļāļ‡āđ€āļ—āļžāđ‚āļ›āļĢāļ„āļīāđ‰āļ§āļŠāđŒāļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āļ­āļ­āļĨāļžāļĢāđ‡āļ­āļžāđ€āļžāļ­āļĢāđŒāļ•āļĩāđ‰āļŠāļĄāļąāļ„āļĢāļ‡āļēāļ™ āđ€āļ‹āļ›āļ—āļīāļĨāđ€āļĨāļĩāļĒāļ™