محققین AI جنریٹڈ اشتہارات کے لیے ٹوکن لیول نیلامی کی تجویز کرتے ہیں

icon MarsBit
بانٹیں
AI summary iconخلاصہ
رینمن یونیورسٹی کے گاؤ لنگ AI اسکول اور اسٹینفورڈ کے محققین نے ایک نیا ٹوکن لیول اشتہار نیلامی نظام لاما (LAMA) تجویز کیا ہے۔ یہ مکینزم اشتہار بائڈنگ کو AI مواد تخلیق میں ضم کرتا ہے، جس سے اشتہار دہندگان مواد کی سمت پر اثر ڈال سکتے ہیں۔ لاما سچائی کی رپورٹنگ کو یقینی بناتا ہے اور صارفین کے تجربے کو تجارتی قیمت کے ساتھ متوازن کرتا ہے۔ ٹیسٹس سے پتہ چلتا ہے کہ یہ پلیٹ فارم کی آمدنی اور اشتہار دہندگان کے عائدات کو بڑھاتا ہے بغیر مواد کی معیار کو کم کیے۔ یہ ترقی AI + کرپٹو خبروں کے بڑھتے ہوئے رجحان کے تحت آتی ہے اور اس شعبے میں نئے ٹوکن لسٹنگز کو سہارا دے سکتی ہے۔

جب تلاش کے نتائج میں AI خلاصہ ظاہر ہوتا ہے، تو صارفین عام ویب صفحات پر کلک کرنے کی احتمالیت تقریباً آدھی ہو جاتی ہے۔ پیو ریسرچ سینٹر کی طرف سے امریکی صارفین کے گوگل پر بڑے پیمانے پر براوزنگ کے رویوں کے تجزیہ سے پتہ چلتا ہے کہ جب AI خلاصہ موجود ہوتا ہے، تو صارفین کی روایتی تلاش نتائج پر کلک کرنے کی فیصد 15% سے براہ راست 8% تک گر جاتی ہے۔[1]

صارف مکالمے کے دوران تلاش اور موازنہ کر رہا ہے، اور اشتہار بھی اس کے ساتھ منتقل ہو گئے۔ OpenAI نے ChatGPT Ads کو باضابطہ طور پر لانچ کر دیا ہے، اور Google نے AI Overviews میں اشتہارات شامل کر دیے ہیں، جہاں وہ جوابات کے ساتھ سپانسرڈ کارڈ جوڑ رہے ہیں، جو سرچ انجن کے دور کی روایت کو جاری رکھتے ہیں۔ [2, 3] لیکن معلومات حاصل کرنے کے طریقہ کار میں تبدیلی نے اشتہارات کی شکل پر دوبارہ سوچنے پر مجبور کر دیا ہے:

جب معلومات کے ذرائع مکمل صفحات کے نتائج سے براہ راست جنریٹ کردہ جوابات میں تبدیل ہو جائیں، تو اشتہارات کو کیا بیچنا چاہیے؟

تین دہائیوں تک، آن لائن اشتہارات ہمیشہ ایک ڈیفالٹ فرضیہ پر مبنی رہے ہیں: اشتہاری جگہ پہلے موجود ہوتی ہے، اور نیلی کے ذریعے فیصلہ ہوتا ہے کہ کون اسے حاصل کرے گا۔ تلاش کے نتائج کی ترتیب، یا اطلاعات کے اسٹریم میں کون سا اشتہار دکھایا جائے، پہلے سے تعریف شدہ مواقع ہیں۔ لیکن بڑے ماڈل کے جوابات حرف وarf پیدا ہوتے ہیں: کسی برانڈ کو ظاہر ہونا چاہئے یا نہیں، کہاں ظاہر ہونا چاہئے، اور کس طرح پیش کیا جائے، یہ سب اس بات پر منحصر ہے کہ پہلے کیا لکھا جا چکا ہے۔ اس سے پہلے قیمت پر بات کرنا یا تجربے پر بات کرنا، دونوں صورتوں میں مصنوعات کے بارے میں بالکل مختلف اندازہ بن سکتا ہے۔

آن لائن اشتہار

شکل 1: جنریٹو انفارمیشن میڈیا میں، اشتہار کے مواقع کہاں پیدا ہوتے ہیں، کون حاصل کرتا ہے، اور کیسے پیش کیے جاتے ہیں، وہ مل کر مارکیٹنگ کے اثرات اور صارف تجربے کو متاثر کرتے ہیں۔

اس لیے، پیدا کرنا صرف اشتہاری مواقع کو بھرنے تک محدود نہیں، بلکہ اشتہاری مواقع کو شکل دینے تک بھی جاتا ہے۔ اس نئے نمونے کے تحت، پہلے سے موجود تحقیقات نے پیراگراف لیول اشتہار ڈالنے، امیدوار جوابات کی نیلامی جیسے طریقہ کاروں کا جائزہ لینا شروع کر دیا ہے، جبکہ رینمن گاؤ لینگ اور سٹینفورڈ یونیورسٹی کے تحقیقی ٹیم نے بڑے ماڈل کے اصل اشتہاری مقابلے کو ہر ٹوکن کے پیدا کرنے کے عمل تک مزید آگے بڑھا دیا ہے۔

انہوں نے LAMA پیش کیا، جس سے مواد کی تخلیق اور اشتہار کی تقسیم ایک ساتھ ترقی کرتی ہے: جب بھی ایک ٹوکن تخلیق ہوتا ہے، وہ حقیقی وقت میں جواب کے بعد کے الفاظ کو متاثر کرتا ہے اور آخرکار کسے اشتہار کی نمائش ملے گا، اس پر بھی اثر ڈالتا ہے۔ یہی اس کام کا مرکزی خیال ہے — تخلیق کو تقسیم کے طور پر استعمال کرنا (Generation as Allocation)۔

آن لائن اشتہار

ٹوکن لیول اشتہار

مصنفین: ہان بنگ لیو، بووی زھانگ، چانگیوین یو، یین یو یے، کی کی

ایکائی: چین کے رینمن یونیورسٹی کا گائلین انسٹیٹیوٹ آف آرٹیفیشل انٹیلی جنس، اسٹین فورڈ یونیورسٹی

لنک: https://arxiv.org/abs/2608.27382

بڑے ماڈل ہر حرف لکھتے ہیں

یہ سب ایک مناقصہ عمل ہے

اعلان کی نیلامی کو ٹوکن کے سطح تک متعارف کرائیں، تو اشتہار دہندگان صرف آخری نمائش کے موقع کے لیے نہیں، بلکہ اگلے کس سمت میں لکھنا ہے اس پر بھی مقابلہ کر رہے ہیں۔ مثال کے طور پر، چھٹیوں کے مقامات کی تجویز کرتے وقت، ٹرانسپورٹیشن پر پہلے بات کرنا یا اکومڈیشن پر، مختلف اشتہار دہندگان کو بعد میں مقابلے میں فائدہ دے سکتا ہے۔ اس طرح اشتہار دہندگان کے لیے نئی حکمت عملی کا خلیہ بھی شامل ہوتا ہے: وہ صرف رپورٹس کو تبدیل کرکے موجودہ تولید کو متاثر نہیں کر سکتے، بلکہ پہلے سے لکھے گئے مواد کے مطابق مستقبل کی حکمت عملی کو بھی فوراً تبدیل کر سکتے ہیں۔

اس سے مکینیزم کے لیے زیادہ کھڑی ضرورتیں پیدا ہوتی ہیں: نہ صرف اشتہار دینے والوں کو شروع میں حقیقی قیمت کی معلومات فراہم کرنے کے لیے ترغیب دینا ہے، بلکہ اسے تخلیق کے دوران بھی سچ بولنے کے لیے مجبور کرنا ہے۔ اس کے علاوہ، جوابات صرف نیلامی کے مطابق ہونے کے بجائے صارف کے اصل سوال سے بھٹکنے نہیں چاہئیں۔

LAMA کا مکمل نام "Latent Advertiser Mixture Auction" یعنی "مخفی اشتہار دہندہ مخلوط نیلامی" ہے۔ یہ اشتہار دہندگان کو موجودہ متن کے مطابق "اگلے الفاظ اس طرح لکھنا میرے لیے کتنے قیمتی ہوں گے" کا اندازہ لگانے کی اجازت دیتا ہے، اور پھر اصل زبانی ماڈل کے ساتھ ملا کر مختلف اشتہار دہندگان کی ترجیحات کے مطابق پیداواری حکمت عملی تشکیل دیتا ہے۔ پلیٹ فارم اس کے مطابق ہر ٹوکن کو الگ الگ بناتا ہے اور ہر اشتہار دہندہ کو نمایاں ہونے کی آخری احتمالات کو مستقل طور پر اپڈیٹ کرتا رہتا ہے: جتنا نیا متن کسی اشتہار دہندہ کی ترجیحات کے قریب ہوگا، اتنا ہی زیادہ اس کو تفویض کیا جائے گا۔ جواب مکمل ہونے کے بعد، آخری احتمالات کے مطابق فاتح منتخب کیا جاتا ہے، جسے باہری لنک یا سپانسرڈ کارڈ جیسی شکلوں میں نمایاں کیا جاتا ہے۔ عملی طور پر، ان قیمت کے اندازوں کو پلیٹ فارم کا ماڈل خود حساب کر سکتا ہے، جس طرح آج کے اشتہار نظام میں آٹو بائڈنگ (Auto-bidding) سروسز ہوتی ہیں۔

آن لائن اشتہار

شکل 3: LAMA کا عمل۔ ہر ٹوکن کی پیداوار کے دوران رپورٹ، پیداوار اور اپڈیٹ کو ترتیب سے مکمل کیا جاتا ہے، اور جواب کی پیداوار مکمل ہونے کے بعد آخری تقسیم اور سیٹلمنٹ کی جاتی ہے۔

کیسے روکیں کہ اشتہار دینے والے اس عمل کے دوران اپنا فیصلہ بدل دیں؟ LAMA نے اس پیداواری عمل کے لیے مخصوص جزوی رپورٹ جانچ اور ادائیگی کے قواعد تیار کیے ہیں۔

ترجمہ کا تجزیہ یہ ہے کہ آیا پچھلی اور اگلی رپورٹس میں مطابقت ہے: اشتہار دہندہ کے اگلے مراحل کے مختلف فارمیٹس کی قیمت کا جائزہ لینا، مجموعی طور پر، موجودہ متن کی پچھلی رپورٹ کے ساتھ مطابقت رکھنا چاہیے۔ پلیٹ فارم کو ہر مرحلے پر صرف ایک بار مقامی جانچ کرنی ہوتی ہے تاکہ اشتہار دہندہ کو بے ترتیب طور پر اپنا موقف بدلنے سے روکا جا سکے۔ ادائیگیاں تولید کے عمل کے ساتھ متناسب ہوتی ہیں: اگر کسی مرحلے پر اشتہار دہندہ کو نمائش کا امکان اور اس کے بعد کی قیمت مل کر زیادہ فائدہ مند ہو جائے، تو متعلقہ فیس لگائی جائے گی؛ اگر نقصان دہ ہو جائے، تو سبسڈی دی جائے گی، اور پھر ابتدائی فیس کے ساتھ مجموعی طور پر结算 کیا جائے گا۔ اس طرح، تولید پر اثر ڈالنا، نمائش حاصل کرنا، اور فیس برداشت کرنا ایک دوسرے سے جڑ گئے ہیں۔

یہ مکانیزم مارکوف ڈی ایس آئی سی (Markov DSIC) کو پورا کرتا ہے: جب تک ایک اشتہار دہندہ نے پہلے سچائی بیان کی ہو، تو کسی بھی ممکنہ جنریٹڈ حالت میں، دوسرے اشتہار دہندگان کی کوئی بھی ممکنہ حکمت عملی استعمال کرنے کے باوجود، سچائی برقرار رکھنا مستقبل میں کسی بھی دوسری ممکنہ حکمت عملی کے مقابلے میں کم سے کم اتنی اچھی ہے۔ یعنی، ایمانداری صرف شروع کے آفر تک محدود نہیں، بلکہ جواب کے جنریشن کے پورے عمل میں جاری رہتی ہے۔

اسی دوران، LAMA کے پاس سماجی فائدہ کی ضمانت بھی ہے: اشتہار کی قیمت میں سے اصل جواب سے انحراف کے جرمانے کو کم کرکے مقصد مقرر کیا جاتا ہے، اور یہ اصولی طور پر مثالی بہترین طریقہ سے فرق کا واضح حد بندی فراہم کرتا ہے۔ اس سے طریقہ کار تجارتی قیمت کی تلاش کے ساتھ ساتھ اشتہارات کے صارف تجربے پر پڑنے والے اثرات کو بھی محدود کرتا ہے۔

ہر قدم کیسے لکھا جائے، سے لے کر آخر میں کون کو ایکسپوژر ملے گا اور کتنی رقم ادا کی جائے گی، LAMA نے ان سب کو ایک ہی مکینزم میں شامل کر لیا ہے۔ یہی “جینریٹ اینڈ ڈسٹریبیوٹ” کا مطلب ہے۔

نظریہ بہت مکمل ہے

عملی اثر کیا ہے؟

تحقیقی ٹیم نے تین عام مناظر — فٹنس، چھٹیاں اور گاڑیوں — کو کور کرتے ہوئے، ویبسیس جنریٹڈ نیٹیو ایڈز 2024 ڈیٹا سیٹ میں سے 1239 اصل تجارتی تلاش کوئریز کو مفہوم ثابت کرنے کے لیے منتخب کیا، جہاں ہر منظر ایک تین اشتہار دہندگان کا مقابلہ ماحول ہے۔

تجربہ Qwen3-14B کو حوالہ زبانی ماڈل کے طور پر استعمال کرتے ہوئے، LoRA ٹریننگ کے ذریعے اشتہار دینے والوں کے مشترکہ رپورٹ ماڈل حاصل کیا گیا۔ اشتہار کی قیمت开源 پیشگوئی ماڈل کی طرف سے پیش گوئی کردہ تخمینوں سے حاصل ہوتی ہے، جبکہ صارف تجربہ GEM-Bench کے ذریعہ فراہم کردہ متعلقہ، معلوماتی، بہترین اور مسلسل، اشتہار کی قدرتی صلاحیت، اشتہار کی حقیقت اور تشدد کے معیارات کے مطابق جامع طور پر جانچا جاتا ہے۔ بنیادی طریقہ کار میں دو قسم کے تقسیم کے طریقے شامل ہیں، جو تین قسم کے تخلیقی طریقوں—اصل مواد، ایڈٹ کردہ داخلہ، اور تقویت سیکھنے کے اقدامات—کے ساتھ جوڑے گئے ہیں، اور جواب سطح کا اکٹھا کرنے والا نظام MOSAIC۔

آن لائن اشتہار

شکل 4: بنیادی تجربہ کا جدول

LAMA نے چار اہم اشاریوں پر سب سے زیادہ کامیابی حاصل کی، جس سے پلیٹ فارم کی آمدنی (+10.7%) اور اشتہار دینے والوں کی قیمت (+3.8%) دونوں بڑھی، اور صارفین کے تجربے میں کوئی کمی نہیں آئی۔

ہم اس度假 سناریو میں ایک سوال کو دیکھتے ہیں: “best beach vacations in the world (دنیا کے بہترین بیچ ویکنڈز)”。 اشتہاری مکینزم کے بغیر، حوالہ جواب صرف مقامات اور منصوبہ بندی کے عوامل پر بات کرتا ہے؛ LAMA کا جواب پہلے Expedia کا ذکر کرتا ہے اور بعد میں Tripadvisor کا، جس میں اشتہار دینے والے مسلسل اختیار کا تبادلہ ہوتا رہتا ہے، لیکن جواب ابھی بھی قدرتی اور بہترین طریقے سے ہے اور حوالہ جواب کی طرح قیمتی معلومات فراہم کرتا ہے۔

آن لائن اشتہار

شکل 5: چھٹیوں کے منظر میں جواب کا نمونہ، نارنگی سے ہائی لائٹ کی گئی جملے سپر لنک کے لیے مختص متن کے علاقے ہیں۔

تجزیہ کے بعد، ٹریپ ایڈوائزر کی تقسیم کی احتمالیت نمایاں طور پر زیادہ تھی اور اس جواب میں اسے فائنل جیتنے والے کے طور پر منتخب کیا گیا۔

ٹریپ ایڈوائزر کیوں؟ متن کے لحاظ سے، ایکسپیڈیا پہلے حصے میں مالدیف، بیلی اور کیریبین جیسے مقامات کے لیے ایک برانڈ اینکر کے طور پر استعمال ہو رہا ہے؛ جبکہ ٹریپ ایڈوائزر کا ذکر کرتے ہوئے براہ راست بتایا گیا ہے کہ یہ پروڈکٹ کیا کر سکتا ہے: مقامات کا موازنہ کرنا، دورہ کرنے والوں کے جائزے دیکھنا، اور اقامت اور تجربات کا انتخاب کرنا، جس سے اس کی قیمت مکمل طور پر واضح ہوتی ہے۔ اور پلیٹ فارم کی تقسیم کی احتمالات کا اپڈیٹ اس بات کو حساسانہ طور پر سمجھتا ہے۔

تحقیقاتی ٹیم نے ایک بصری بِڈ پرٹربیشن تجربہ بھی کیا: دیگر مشتہرین کی رپورٹیں کو فکس رکھا گیا، صرف ہدف مشتہر کی مجموعی رپورٹ کو اصل قدر سے اوپر نیچے ایڈجسٹ کیا گیا۔ نتیجہ بالکل直觉 کے مطابق تھا: جتنا زیادہ وہ رپورٹ کرتا ہے، اتنا ہی زیادہ اس کا Token کا حصہ، الاٹمنٹ کی احتمال اور ادائیگی بڑھ جاتی ہے۔ تاہم، حقیقی متوقع افادیت لامحدود طور پر نہیں بڑھتی، بلکہ بالکل ایماندار رپورٹنگ کے وقت عروج پر پہنچتی ہے۔ غلط رپورٹنگ کے ذریعے قیمت بڑھانے سے واقعی جواب میں زیادہ اثر حاصل کیا جا سکتا ہے، مگر زیادہ ادائیگی کی وجہ سے یہ فائدہ نقصان میں بدل جاتا ہے، اور یہی خصوصیت “incentive compatibility” کے نظریاتی ضمانت کے تحت فراہم کی جاتی ہے۔

آن لائن اشتہار

شکل 6: تخلیق کا تناسب، تقسیم اور ادائیگیاں رپورٹ کے ساتھ بڑھتی ہیں، اور سچائی پر حقیقی توقعی فائدہ پہنچتا ہے۔

اختتام

جینریٹو اشتہارات کہاں ظاہر ہونے چاہئیں؟ ایک قدرتی جگہ وہ ہے جہاں صارفین پہلے سے ہی تجارتی مشورہ کی تلاش میں ہوتے ہیں: خریداری کے دوران ڈیجیٹل گائیڈ کے ذریعے مصنوعات کا موازنہ کرنا، سفر کے دوران ہوٹل کا انتخاب کرنا، یا اسمارٹ ایجنٹ کو اپنے روزمرہ کے عمل میں استعمال ہونے والے ادائیگی والے ٹولز کا انتخاب کرانا۔ جب تجارتی معلومات صارفین کی حقیقی ضروریات کے جواب میں آئے اور اس میں واضح اشتہاری حدود کا تعین ہو، جس سے جواب کے موثر اور ناقابل تردید حقائق کو نقصان نہ پہنچے، تو اسے زیادہ احتمال سے قبول کیا جائے گا۔

لاما نے یہی دریافت کیا ہے کہ اس خیال کے تحت مکینزم کو کیسے عملی جامہ پہنا جائے: تبلیغ کرنے والے افراد کو تخلیقی عمل کے دوران مقابلہ کرنے دیں، جبکہ اسٹریٹجک رویوں کو قواعد سے منظم کریں اور تجارتی قیمت اور جواب کی معیار کو متوازن رکھیں۔

گزشتہ زمانے میں، نیلامی کے ذریعے یہ فیصلہ ہوتا تھا کہ کون پہلے سے موجود اشتہاری جگہ حاصل کرتا ہے۔ آج، یہ مکانیزم اشتہار کے مواقع کو جوابات میں کیسے تشکیل دیا جائے اس کا بھی فیصلہ کر سکتا ہے۔ "جگہ کی تقسیم" سے "پیدا کرنا اور تقسیم کرنا" تک، LAMA بڑے ماڈل کے لیے اصل اشتہاری مکانیزم کے لیے ایک نئی ڈیزائن کا راستہ فراہم کرتا ہے۔

مصنف کی معلومات

لیو ہان بینگ (پہلے مصنف): چینی ہیمنگ یونیورسٹی کے گاؤ لینگ انسانی ذہانت انسٹیٹیوٹ کی تیسرے سال کی ماسٹرز کی طالبہ، جن کے سرپرست پروفیسر قی قی ہیں، جن کا تحقیقی شعبہ جنریٹو انسانی ذہانت میں ذہین فیصلہ سازی اور مکینزم ڈیزائن ہے، جن کی تکمیل 2027 میں ہونے کا تخمنا ہے۔ ان کے کام WINE، ACL، SIGMOD جیسے عالمی سطح کے کنفرنسز میں شائع ہو چکے ہیں۔

ہوم پیج: https://tokgoleo.github.io/home/

قی قی (متعلقہ مصنف): چین کے ہوئی لینگ انسٹیٹیوٹ آف آرٹیفیشل انٹیلی جنس، رینمن یونیورسٹی کے مستقل پروفیسر، قومی سطح کے جوان ٹیلینٹ، CCF کمپیوٹیشنل اقتصادیات کمیٹی کے نائب چیئرمین (عملی) اور دفتر کے ڈائریکٹر۔ انہوں نے سٹینفورڈ یونیورسٹی سے ڈاکٹریٹ حاصل کی، جہاں ان کے استاد پروفیسر یے ین یو تھے۔ ان کے تحقیقی دائرہ کار میں الگورتھمک گیم تھوری اور مکینزم ڈیزائن، بڑے ماڈلز اور ایجینٹس، متعدد ایجینٹ سسٹمز، بہترین بنانے اور ذہین فیصلہ سازی شامل ہیں۔ ان کے تحقیقی نتائج عالمی سطح کے جرائد جیسے MS، OR، MOR، GEB، TR-B اور CCF-A کلاس کے کانفرنسز STOC، ICML، NeurIPS، ICLR، ACL، AAAI، KDD، SIGIR، WWW وغیرہ میں بڑی تعداد میں شائع ہو چکے ہیں۔ انہوں نے طویل عرصے تک بائیدو، علی بابا، تینسنت، میتوآن، زِبائٹ، دِیجِی، ہواوی، OPPO جیسے کمپنیوں کے ساتھ گہرے تعاون کا مظاہرہ کیا ہے، جہاں آن لائن اشتہارات، ذہین مارکیٹنگ، کوپن بہتر بنانے اور صارفین کے اضافے جیسے مرکزی کاروباروں پر توجہ مرکوز کرتے ہوئے بڑے ماڈلز، مکینزم ڈیزائن اور متعدد ایجینٹ فیصلہ سازی کے تقنيات کو اربوں صارفین کے حقیقی ماحول میں لاگو کرنے میں مدد فراہم کی ہے۔

ہوم پیج: https://ai.ruc.edu.cn/szdw/zrjs/qq/index.htm

حوالہ جات

1. پیو ریسرچ سینٹر، گوگل صارفین AI خلاصہ کے ظہور کے ساتھ نتائج میں لنکس پر کلک کرنے کا امکان کم ہوتا ہے، 2025-07-22: https://www.pewresearch.org/short-reads/2025/07/22/google-users-are-less-likely-to-click-on-links-when-an-ai-summary-appears-in-the-results/

2. OpenAI ہیلپ سنٹر، ChatGPT میں اشتہارات، 2026-09-04 کو ایکسیس کیا گیا: https://help.openai.com/en/articles/20001047-ads-in-chatgpt

3. گوگل ایڈز اور کامرس، گوگل سرچ پر اپنے کاروبار کے لیے مزید مواقع، 2025-05-21: https://blog.google/products/ads-commerce/google-search-ai-brand-discovery

یہ مضمون ویچن کے گروپ "مشین سائنس" سے آیا ہے

اعلان دستبرداری: اس صفحہ پر معلومات تیسرے فریق سے حاصل کی گئی ہوں گی اور یہ ضروری نہیں کہ KuCoin کے خیالات یا خیالات کی عکاسی کرے۔ یہ مواد کسی بھی قسم کی نمائندگی یا وارنٹی کے بغیر صرف عام معلوماتی مقاصد کے لیے فراہم کیا گیا ہے، اور نہ ہی اسے مالی یا سرمایہ کاری کے مشورے کے طور پر سمجھا جائے گا۔ KuCoin کسی غلطی یا کوتاہی کے لیے، یا اس معلومات کے استعمال کے نتیجے میں کسی بھی نتائج کے لیے ذمہ دار نہیں ہوگا۔ ڈیجیٹل اثاثوں میں سرمایہ کاری خطرناک ہو سکتی ہے۔ براہ کرم اپنے مالی حالات کی بنیاد پر کسی پروڈکٹ کے خطرات اور اپنے خطرے کی برداشت کا بغور جائزہ لیں۔ مزید معلومات کے لیے، براہ کرم ہماری استعمال کی شرائط اور خطرے کا انکشاف دیکھیں۔