OpenAdLibraryOpenAdLibrary
एफिलिएट और मीडिया खरीद

AI से विज्ञापन क्रिएटिव्स बनाने का तरीका: एक कामकाजी प्रोडक्शन पाइपलाइन

AI एड क्रिएटिव तभी काम करते हैं जब वे ऑब्ज़र्व किए गए मार्केट रिसर्च पर आधारित हों और कठोरता से फ़िल्टर किए गए हों। एंगल रिसर्च से लॉन्च कैडेंस तक की पाँच-चरणीय प्रोडक्शन पाइपलाइन।

संपादकीय चित्रण: AI से विज्ञापन क्रिएटिव्स बनाने का तरीका: एक कामकाजी प्रोडक्शन पाइपलाइन

AI का उपयोग विज्ञापन क्रिएटिव्स के लिए वैसे करने का तरीका, जो वास्तव में काम करता है, यह है कि इसे एक आइडिया मशीन की बजाय एक ग्राउंडेड पाइपलाइन के अंदर एक प्रोडक्शन मल्टीप्लायर के रूप में देखें। आपके बाज़ार में ऑब्ज़र्व किए गए विज्ञापनों से एंगल्स की रिसर्च करें, उन्हें मॉडल को कंस्ट्रेंट्स के रूप में फ़ीड करें, संरचित वेरिएशन जनरेट करें (एंगल × हुक × इमेज), दावों और कंप्लायंस के लिए कठोरता से फ़िल्टर करें, फिर लाइव ट्रैफ़िक को विजेताओं का चुनाव करने दें। ग्राउंडिंग स्टेप छोड़ दें तो आम तौर पर फ्लुएंट, सामान्य विज्ञापन मिलते हैं, क्योंकि मॉडल का ट्रेनिंग डेटा आपका बाज़ार नहीं है।

यहाँ पाँच-चरणीय पाइपलाइन है, जिसमें बताया गया है कि AI वास्तव में कहाँ मदद करता है, कहाँ यह टूटने की प्रवृत्ति रखता है, और एक साप्ताहिक कैडेंस जिसे आप अपने हिसाब से ढाल सकते हैं।

AI एड क्रिएटिव फेल होने के आम कारण#

तीन फेल्योर मोड्स बार-बार सामने आते हैं:

  • अनग्राउंडेड जनरेशन। कोल्ड प्रॉम्प्ट किए जाने पर, एक मॉडल वही पैदा करता है जो उसके ट्रेनिंग डेटा में विज्ञापन की आवाज़ थी — संभाव्य, सुरक्षित, औसत। औसत क्रिएटिव नीलामियाँ हार जाते हैं।
  • समानता। हर कोई समान मॉडल्स को समान प्रॉम्प्ट्स के साथ प्रॉम्प्ट कर रहा है, इसलिए अनएडिटेड आउटपुट अभिसरण करता है। फ़ीड्स में यह दो बार घातक है: आपका विज्ञापन लॉन्च पर मिल जाता है, और जब एक दर्जन विज्ञापनदाता लगभग समान वेरिएंट्स चलाते हैं तो पूरा एंगल तेज़ी से बर्न आउट हो जाता है — क्रिएटिव फ़टीग अकाउंट लेवल पर नहीं, बल्कि मार्केट लेवल पर।
  • गढ़े हुए विवरण। मॉडल आँकड़े, प्रशंसापत्र, गारंटी और मेकेनिज़म का आविष्कार करते हैं। विज्ञापन कॉपी में ये चूकें नहीं हैं: असमर्थित दावे नेटवर्क पॉलिसीज़ तोड़ते हैं, जैसे Realize का वह नियम जो ऐसे दावों पर रोक लगाता है जिन्हें "आसानी से समर्थित नहीं किया जा सकता", और अमेरिका में नकली या झूठे प्रशंसापत्र FTC के कंज़्यूमर रिव्यूज़ और टेस्टिमोनियल्स नियम के तहत प्रतिबंधित हैं, चाहे वे AI से बनाए गए हों।

एक सूक्ष्म चौथा है: ओवर-पॉलिश। नेटिव विज्ञापन संपादकीय फ़ीड्स के अंदर रहते हैं, और जो क्रिएटिव प्रोफेशनली डिज़ाइन किया हुआ दिखता है वह विज्ञापन की तरह पढ़ा जाता है और छोड़ दिया जाता है। कुछ नेटिव विज्ञापनदाता पॉलिश किए गए इमेजेज़ की बजाय सहज, थोड़े अधूरे इमेजेज़ को तरजीह देते हैं; इसे अपने कैंपेन में टेस्ट करने योग्य एक हाइपोथीसिस मानें, किसी प्रमाणित नियम की तरह नहीं (देखें नेटिव एड क्रिएटिव बेस्ट प्रैक्टिसेज़)।

चरण 1: मॉडल को आपके बाज़ार में ऑब्ज़र्व किए गए विज्ञापनों में ग्राउंड करें#

कुछ भी जनरेट करने से पहले, लाइव मार्केट से एक एंगल इन्वेंटरी बनाएं:

अपने वर्टिकल और ऑफ़र टाइप में कॉम्पिटिटर क्रिएटिव्स निकालें। हर एक को कितने समय तक ऑब्ज़र्व किया गया, उसके हिसाब से सॉर्ट करें। लंबा रन दिखाता है कि एक विज्ञापन बार-बार दिखता रहा, यह नहीं कि वह अपना खर्च निकाल रहा है; यह ब्रांड बजट, टेस्टिंग, धीमे ऑप्टिमाइज़ेशन या कैप्चर में कमियों को भी दर्शा सकता है (अधिक जानकारी विज्ञापन लॉन्गेविटी क्या दिखा सकती है और क्या नहीं में)। अपनी शॉर्टलिस्ट के हर विज्ञापन के लिए, वे हिस्से निकालें जिनका आप अध्ययन कर सकते हैं: एंगल, हुक स्ट्रक्चर, इमेज स्टाइल, क्लेम शेप। विधि विजेता नेटिव एड क्रिएटिव्स का विश्लेषण कैसे करें में है, और आवर्ती पैटर्न सबसे आम नेटिव एड एंगल्स में हैं।

यह वह रिसर्च लेयर है जिसके लिए OpenAdLibrary बनाया गया था: एक नेटिव एड स्पाई टूल जो कैप्चर किए गए विज्ञापनों के लिए फर्स्ट-सीन और लास्ट-सीन डेट्स रिकॉर्ड करता है। Founders प्लान ($29.99/month) पर, डेज़-रनिंग और लास्ट-सीन फ़िल्टर उस सॉर्ट को स्प्रेडशीट प्रोजेक्ट की बजाय तेज़ बना देते हैं; फ़्री प्लान 20 सबसे नए विज्ञापन दिखाता है।

एक नियम नॉन-निगोशिएबल है: सीखें, कॉपी नहीं। एंगल और स्ट्रक्चर निकालें; कभी भी कॉपी या इमेजेज़ को क्लोन न करें। क्लोनिंग आपको ओरिजिनल के साथ पैरिटी तक सीमित कर देती है और आपको ट्रेडमार्क व कॉपीराइट शिकायतों के लिए उजागर करती है। इन्वेंटरी का काम आपके जनरेशन को कंस्ट्रेन करना है (ऑडियंस, एंगल फैमिलीज़, क्लेम शेप्स जिन्हें आप प्रमाणित कर सकते हैं), न कि पेस्ट मटेरियल सप्लाई करना।

चरण 2: एंगल्स और हेडलाइन्स जनरेट करें, पूर्ण विज्ञापन नहीं#

मॉडल से सबसे छोटी उपयोगी यूनिट माँगें — एक संरचित मैट्रिक्स के अंदर हेडलाइन और हुक उम्मीदवार — न कि "मेरे लिए एक एड लिखो।" एक प्रैक्टिकल मैट्रिक्स: आपकी इन्वेंटरी के पाँच एंगल्स × चार हुक फॉर्मूले × दो ऑडियंस फ़्रेमिंग्स = मिनटों में चालीस उम्मीदवार। स्थापित हेडलाइन फॉर्मूले को स्कैफोल्डिंग के रूप में इस्तेमाल करें, और अपने प्रॉम्प्ट्स में हुक, एंगल और क्लेम को अलग रखें ताकि आप एक को वैरी कर सकें जबकि दूसरों को फिक्स रख सकें — यही डाउनस्ट्रीम टेस्ट रिजल्ट्स को पढ़ने योग्य बनाता है।

कंस्ट्रेंट्स के साथ प्रॉम्प्ट करें, वाइब्स के साथ नहीं: ऑडियंस, अनुमति-प्राप्त-दावों की सूची, बैन किए गए शब्द, करैक्टर लिमिट्स, और नेटवर्क का टोन। फिर मानवीय फ़िल्टर बेरहमी से लगाएं और अपेक्षा रखें कि आउटपुट का ज़्यादातर हिस्सा आप छोड़ देंगे। उन उम्मीदवारों को रखें जिनमें एक विशिष्ट, ठोस विवरण हो; उन्हें छोड़ दें जो श्रेणी में किसी भी उत्पाद का वर्णन कर सकते हैं।

चरण 3: इमेजेज़ — जहाँ AI मदद करता है और जहाँ यह टूटता है#

जहाँ इमेज जनरेशन वास्तव में मदद करता है:

  • एडवर्टोरियल और प्री-लैंडर थंबनेल्स के लिए संदर्भगत लाइफ़स्टाइल दृश्य और कॉन्सेप्ट शॉट्स।
  • रैपिड स्टाइल एक्सप्लोरेशन — लंच से पहले दस विज़ुअल डायरेक्शन्स, स्टॉक-फोटो हंटिंग के एक हफ़्ते की बजाय।
  • यूटिलिटी एडिट्स: बैकग्राउंड स्वैप, एक्सटेंशन, रीसाइज़िंग, क्लीनअप।

जहाँ यह टूटने की प्रवृत्ति रखता है:

आपका वास्तविक उत्पाद। जनरेट किए गए उत्पाद शॉट्स विवरणों का आविष्कार कर सकते हैं: गलत ढक्कन, गलत लेबल ज्योमेट्री, गलत अनुपात। उत्पाद के लिए वास्तविक फोटोग्राफ़ी का उपयोग करें; इसके आसपास की दुनिया के लिए AI का उपयोग करें। इमेजेज़ के अंदर टेक्स्ट। यह अभी भी गड़बड़ कर सकता है, और नेटिव थंबनेल्स छोटे होते हैं। छोटे आकार में चेहरे और हाथ। आर्टिफैक्ट्स फ़ीड रेजोल्यूशन पर ही "घोटाले" जैसे पढ़े जा सकते हैं। असली लोग। कभी भी सेलिब्रिटी या सार्वजनिक हस्तियों की समानता जनरेट न करें। नकली प्रशंसापत्र घोटाले के विज्ञापनों की मुख्य चीज़ है, और नेटवर्क इन पर रोक लगाते हैं: उदाहरण के लिए, Realize बिना अनुमति के व्यक्तियों की इमेजेज़ के उपयोग पर रोक लगाता है और किसी उत्पाद के थंबनेल में सेलिब्रिटी या नेताओं के इस्तेमाल पर रोक लगाता है, जब तक कि आपके पास दर्ज अनुमति न हो। उल्लंघनों के कारण विज्ञापन अस्वीकृत हो सकते हैं या अकाउंट पर कार्रवाई हो सकती है।

हर इमेज को फ़ीड साइज़ पर जज करें, फुल स्क्रीन पर नहीं। एक थंबनेल जो छोटा पढ़ने योग्य नहीं है, कभी भी बड़ा होकर प्रेरक बनने का मौका नहीं पाता।

चरण 4: दावे और कंप्लायंस फ़िल्टर (नॉन-निगोशिएबल)#

जनरेट की गई कॉपी में हर तथ्यात्मक कथन को अनवेरिफ़ाइड मानें जब तक कि उसे ऑफ़र के लिए एक स्वीकृत-दावों वाले दस्तावेज़ से ट्रेस न किया जाए: अध्ययन उद्धरण, गारंटी शर्तें, मूल्य निर्धारण, शिपिंग वादे, मेकेनिज़म स्पष्टीकरण। वह सब कुछ जो मॉडल अपने आप "जानता" है एक देयता है। यह स्वास्थ्य और वित्त में सबसे ज़्यादा मायने रखता है, जहाँ दावों पर विशिष्ट नियम लागू होते हैं: अमेरिका में, FTC अपेक्षा करता है कि स्वास्थ्य दावे सक्षम और विश्वसनीय वैज्ञानिक प्रमाणों से समर्थित हों, और नेटवर्क दोनों श्रेणियों के लिए अपनी सीमाएँ तय करते हैं।

कुछ भी लॉन्च करने से पहले दो और गेट्स:

डिस्क्लोज़र। अमेरिका में, FTC कहता है कि एक विज्ञापन को यह संकेत नहीं देना चाहिए कि वह विज्ञापन के अलावा कुछ और है, और यह वही आकलन उस क्लिक-इन पेज पर भी लागू करता है जहाँ पूरा विज्ञापन दिखाई देता है, जिसमें एडवर्टोरियल-स्टाइल फनल्स शामिल हैं; व्यावहारिक पक्ष हमारे FTC डिस्क्लोज़र नियम गाइड में है। अन्य क्षेत्राधिकारों के अपने नियम हैं। नेटवर्क पॉलिसी। प्रत्येक नेटवर्क स्वास्थ्य दावों, बिफोर/आफ्टर इमेजरी और वित्तीय वादों पर अपनी रेखाएँ खींचता है (उदाहरण के लिए, Realize थंबनेल्स में बिफोर/आफ्टर फ़ोटो पर रोक लगाता है)। किसी बॉर्डरलाइन एंगल को स्केल करने से पहले नेटवर्क का वर्तमान डॉक्यूमेंटेशन चेक करें; सबमिशन पर मंज़ूरी कंप्लायंस की राय नहीं है।

इस फ़िल्टर को एक नामित चेकलिस्ट स्टेप बनाएं जिसका एक व्यक्ति स्वामी हो। किसी दावे को लिखने के लिए AI का उपयोग करने से यह नहीं बदलता कि उसका ज़िम्मेदार कौन है: विज्ञापनदाता को अभी भी अपने विज्ञापनों के हर दावे के लिए प्रमाण चाहिए, और FTC की गाइडेंस कहती है कि विज्ञापनदाताओं को प्रशंसापत्रों या एंडोर्समेंट्स के ज़रिए ऐसे दावे नहीं करने चाहिए जिन्हें वे सीधे करने पर प्रमाणित नहीं कर सकते।

चरण 5: लॉन्च स्ट्रक्चर और फ़ीडबैक लूप#

लॉन्च को इस तरह स्ट्रक्चर करें कि बाज़ार का वोट पढ़ने योग्य हो:

  • एक तरीका है चौड़ा और उथला टेस्ट करना: बड़े बजट वाले तीन क्रिएटिव्स की बजाय छोटे बजट वाले अधिक क्रिएटिव्स, ताकि परिणाम दिखाएँ कि कौन से घटक मायने रखते हैं। यह केंद्रित टेस्टिंग से बेहतर है या नहीं, यह आपके बजट और कन्वर्ज़न वॉल्यूम पर निर्भर करता है।
  • क्लिक-थ्रू डेटा पर स्पष्ट हारने वालों को जल्दी ख़त्म कर दें; सर्वाइवर्स को पर्याप्त डेटा होने पर कन्वर्ज़न डेटा पर जज करें। छोटे खर्च पर दिन-एक कन्वर्ज़न रीड्स नॉइज़ हैं।
  • हर क्रिएटिव को उसके मैट्रिक्स कोऑर्डिनेट्स — एंगल, हुक फॉर्मूला, इमेज स्टाइल — से टैग करें ताकि परिणाम केवल विज्ञापन से नहीं, बल्कि घटक के हिसाब से एकत्रित हों।

फिर लूप को क्लोज़ करें: जीतने वाले टैग्स अगले साइकल के प्रॉम्प्ट कंस्ट्रेंट्स बन जाते हैं। यह कदम छोड़ देना आसान है, और यहीं कंपाउंडिंग रहती है। कुछ साइकल्स के बाद आपके पास एक स्वामित्व वाला मानचित्र होता है कि आपके ऑफ़र के लिए कौन सा एंगल × हुक × इमेज कॉम्बिनेशन काम करता है। मॉडल सभी के पास साझा है; मानचित्र केवल आपका है।

शुरुआत करने के लिए एक साप्ताहिक कैडेंस#

  • सोमवार: 30–60 मिनट की मार्केट रीड — नए कॉम्पिटिटर क्रिएटिव्स, और पिछले हफ़्ते के कौन से सर्वाइवर्स अभी भी चल रहे हैं।
  • मंगलवार: मैट्रिक्स जनरेट करें; मानवीय फ़िल्टर से उसे शॉर्ट लिस्ट तक कम करें।
  • बुधवार: दावे और कंप्लायंस QA; फाइनल्स बनाएं।
  • गुरुवार: बैच लॉन्च करें।
  • शुक्रवार: शुरुआती संकेतों को पढ़ें, स्पष्ट हारने वालों को ख़त्म करें, सीखने को एंगल इन्वेंटरी में लॉग करें।

एक उदाहरणात्मक प्लानिंग आंकड़े के तौर पर, न कि किसी मापे गए बेंचमार्क के रूप में, एक सोलो बायर इस कैडेंस पर प्रति सप्ताह दस से बीस नए-नए क्रिएटिव्स संभाल सकता है, और बॉटलनेक जनरेशन की बजाय QA और जजमेंट होना चाहिए। अगर जनरेशन कभी भी आपका बॉटलनेक बन जाता है, तो आप अनफ़िल्टर्ड आउटपुट शिप कर रहे हैं, और बाज़ार उसी के अनुसार ग्रेड करेगा।

स्टैक पर एक नोट: आपको चार लेयर्स की ज़रूरत है, और उनमें से कोई भी विदेशी होना ज़रूरी नहीं है। एक रिसर्च लेयर जो आपको लॉन्गेविटी डेटा वाले लाइव कॉम्पिटिटर क्रिएटिव्स दिखाती है; एक जनरेशन लेयर (कॉपी के लिए कोई भी करंट फ्रंटियर मॉडल, विज़ुअल्स के लिए कोई भी कॉम्पिटेंट इमेज मॉडल); एक QA लेयर, जो एक चेकलिस्ट और एक नामित स्वामी है न कि सॉफ़्टवेयर; और आपका ट्रैकर, जो लॉन्च को टैग किए गए परिणामों में बदल देता है जो अगले साइकल को फ़ीड करते हैं। जनरेशन लेयर में ओवरइन्वेस्ट करने का मन करता है — चारों में सबसे ज़्यादा कमोडिटाइज्ड — और रिसर्च और QA में अंडरइन्वेस्ट करने का, जहाँ वास्तविक एज रहती है।

AI ने एक विज्ञापन बनाने को लगभग मुफ़्त कर दिया। इसने एक ग्राउंडेड विज्ञापन बनाने को केवल सस्ता कर दिया। एज अपस्ट्रीम चली गई, उसके पास जो सबसे अच्छे इनपुट्स रखता है।

अक्सर पूछे जाने वाले प्रश्न

क्या AI ऐसे विज्ञापन क्रिएटिव्स जनरेट कर सकता है जो वास्तव में कन्वर्ट करते हों?
यह उपयोगी क्रिएटिव तैयार कर सकता है, लेकिन कोई भी प्रोडक्शन मेथड कन्वर्ज़न की गारंटी नहीं देता; कोई विज्ञापन कन्वर्ट करता है या नहीं, यह केवल आपके अपने टेस्ट बताते हैं। एक कामकाजी पैटर्न यह है कि मॉडल को आपके वर्टिकल में ऑब्ज़र्व किए गए विज्ञापनों से निकाले गए एंगल्स खिलाए जाएं, संरचित वेरिएशन जनरेट किए जाएं, लॉन्च से पहले उनमें से ज़्यादातर को छोड़ दिया जाए और बाकी को टेस्ट किया जाए। कोल्ड-प्रॉम्प्ट किया गया 'मेरे लिए एक एड लिखो' आउटपुट फ्लुएंट लेकिन सामान्य होता है।
विज्ञापन कॉपी के लिए AI का उपयोग करने का सबसे बड़ा जोखिम क्या है?
गढ़े हुए विवरण। मॉडल आँकड़े, प्रशंसापत्र, गारंटी और मेकेनिज़म का आविष्कार करते हैं, और पेड मीडिया में ये हानिरहित चूकें नहीं बल्कि नेटवर्क पॉलिसीज़ और उपभोक्ता-संरक्षण कानून का उल्लंघन हो सकते हैं। जनरेट की गई कॉपी में हर तथ्यात्मक दावे को लॉन्च से पहले एक स्वीकृत-दावों वाले दस्तावेज़ से ट्रेस किया जाना चाहिए, खासकर स्वास्थ्य और वित्त में, जहाँ दावों को कड़ाई से नियमित किया जाता है।
क्या मुझे नेटिव विज्ञापनों में AI-जनरेटेड इमेजेज़ का इस्तेमाल करना चाहिए?
संदर्भ के लिए, हाँ; उत्पाद के लिए, नहीं। AI लाइफ़स्टाइल दृश्यों, कॉन्सेप्ट थंबनेल और रैपिड स्टाइल एक्सप्लोरेशन के लिए उपयोगी है, लेकिन यह उत्पाद के विवरणों का आविष्कार कर सकता है, टेक्स्ट को बिगाड़ सकता है, और चेहरे व हाथों में आर्टिफैक्ट पैदा कर सकता है जो फ़ीड साइज़ पर घोटाले जैसे लगते हैं। उत्पाद के लिए वास्तविक फोटोग्राफ़ी का उपयोग करें, कभी भी असली लोगों की समानता जनरेट न करें, और हर इमेज को थंबनेल स्केल पर जाँचें।
मुझे एक साथ कितने AI-जनरेटेड विज्ञापन वेरिएशन टेस्ट करने चाहिए?
एक व्यावहारिक शुरुआती बिंदु है चौड़ा और उथला टेस्ट करना। एक उदाहरणात्मक प्लानिंग आंकड़े के तौर पर, न कि किसी मापे गए बेंचमार्क के रूप में, एक सोलो बायर छोटे बजट पर दस से बीस नए-नए क्रिएटिव्स का साप्ताहिक बैच संभाल सकता है। हर वेरिएशन को उसके एंगल, हुक और इमेज स्टाइल से टैग करें ताकि परिणाम घटक के हिसाब से एकत्रित हों, फिर जीतने वाले कॉम्बिनेशन को अगले जनरेशन साइकल में कंस्ट्रेंट्स के रूप में फ़ीड करें।
क्या एड नेटवर्क AI-जनरेटेड क्रिएटिव्स की अनुमति देते हैं?
Taboola का अपना Realize हेल्प कॉपी और विज़ुअल्स को रीफ़्रेश करने के लिए अपने GenAI Admaker टूल का सुझाव देता है, इसलिए वहाँ AI से बनाए गए क्रिएटिव पर बैन नहीं है; पॉलिसीज़ यह नियंत्रित करती हैं कि विज्ञापन क्या कहता और दिखाता है: कोई असमर्थित दावे नहीं, कोई नकली प्रशंसापत्र या असली लोगों की अनधिकृत समानता नहीं, कोई भ्रामक बिफोर/आफ्टर इमेजरी नहीं, और हर मार्केट में आवश्यक डिस्क्लोज़र। कुछ प्लेटफ़ॉर्म्स के सिंथेटिक मीडिया के लिए विशेष नियम भी होते हैं; उदाहरण के लिए, Google चुनाव विज्ञापनों में डिस्क्लोज़र जोड़ता है जब विज्ञापनदाता बताते हैं कि उनमें सिंथेटिक या डिजिटली बदला गया कंटेंट है। पॉलिसीज़ बदलती रहती हैं, इसलिए किसी भी बॉर्डरलाइन चीज़ को स्केल करने से पहले हर नेटवर्क का वर्तमान डॉक्यूमेंटेशन चेक करें; सबमिशन पर मंज़ूरी कंप्लायंस की राय नहीं है।
OpenAdLibrary टीम
लेखकOpenAdLibrary टीम
विज्ञापन इंटेलिजेंस और नेटिव विज्ञापन अनुसंधान

हम OpenAdLibrary बनाते हैं, जो एक खुला विज्ञापन-पारदर्शिता प्लेटफॉर्म है। हर दिन हमारी प्रणालियाँ Taboola, Outbrain, MGID, Revcontent, Teads, Yahoo और MSN पर लाइव नेटिव विज्ञापन कैप्चर करती हैं, प्रत्येक विज्ञापन के पीछे के वास्तविक विज्ञापनदाता की पहचान करती हैं, और क्लिक को उसके लैंडिंग पेज तक फॉलो करती हैं। ये गाइड उस डेटा में हम जो देखते हैं, उसका सार प्रस्तुत करती हैं ताकि आप बाजार का तेजी से शोध कर सकें।