ഡെമോകളിൽ നിന്ന് വിഷൻ AI ഉൽപ്പാദനത്തിലേക്ക് മാറുകയാണ്. ഉൽപ്പന്നങ്ങൾ പരിശോധിക്കുന്നതിനും, പരിസ്ഥിതികൾ നിരീക്ഷിക്കുന്നതിനും, സുരക്ഷാ വർക്ക്ഫ്ലോകളെ പിന്തുണയ്ക്കുന്നതിനും, ഇമേജുകളിലും വീഡിയോ സ്ട്രീമുകളിലും എന്താണ് സംഭവിക്കുന്നതെന്ന് സിസ്റ്റങ്ങൾ മനസ്സിലാക്കാൻ സഹായിക്കുന്നതിനും ഇത് ഉപയോഗിക്കുന്നു. വിന്യാസങ്ങൾ വളരുന്നതിനനുസരിച്ച്, മോശം പരിശീലനത്തിന്റെ ചെലവും വർദ്ധിക്കുന്നു. വൃത്തിയുള്ള ഒരു ടെസ്റ്റ് സെറ്റിൽ മികച്ച പ്രകടനം കാഴ്ചവയ്ക്കുന്ന ഒരു മോഡലിന്, ലൈറ്റിംഗ് മാറുമ്പോഴോ, വസ്തുക്കൾ ഓവർലാപ്പ് ചെയ്യുമ്പോഴോ, അല്ലെങ്കിൽ പരിസ്ഥിതി കാലക്രമേണ മാറുമ്പോഴോ യഥാർത്ഥ ലോകത്ത് തകരാൻ കഴിയും.
അതുകൊണ്ടാണ് ഉയർന്ന പ്രകടനമുള്ള വിഷൻ AI പ്രോഗ്രാമുകൾ സാധാരണയായി ഒറ്റത്തവണ മോഡൽ പരിശീലനം പോലെയല്ല, മറിച്ച് ഒരു പ്രവർത്തന മേഖല പോലെയാണ് കാണപ്പെടുന്നത്. ശക്തമായ ഡാറ്റ ശേഖരണം, വ്യക്തമായ വ്യാഖ്യാന നിയമങ്ങൾ, ഡൊമെയ്ൻ വൈദഗ്ദ്ധ്യം, അത് സഹായിക്കുന്നിടത്ത് സിന്തറ്റിക് ഓഗ്മെന്റേഷൻ, സമാരംഭിച്ചതിന് ശേഷമുള്ള തുടർച്ചയായ നിരീക്ഷണം എന്നിവ അവ സംയോജിപ്പിക്കുന്നു. കടലാസിൽ ഉയർന്ന കൃത്യത മാത്രമല്ല ലക്ഷ്യം. രംഗം കുഴപ്പത്തിലാകുമ്പോൾ ഇത് വിശ്വസനീയമായ പ്രകടനമാണ്.
മോഡൽ പുതുമയെക്കാൾ പരിശീലന നിലവാരം പ്രധാനമാകുന്നത് എന്തുകൊണ്ട്?
പല ടീമുകളും വാസ്തുവിദ്യയിൽ ശ്രദ്ധ കേന്ദ്രീകരിച്ചാണ് തുടങ്ങുന്നത്. അത് പ്രധാനമാണ്, പക്ഷേ ദർശന AI-യെ സംബന്ധിച്ചിടത്തോളം, ഒരു പ്രോജക്റ്റ് ഉൽപാദനത്തിലെത്തുന്നുണ്ടോ എന്ന് പലപ്പോഴും ഡാറ്റ ഗുണനിലവാരം തീരുമാനിക്കുന്നു. നിങ്ങളുടെ ചിത്രങ്ങൾ പൊരുത്തക്കേടായി ലേബൽ ചെയ്തിട്ടുണ്ടെങ്കിൽ, നിങ്ങളുടെ വൈകല്യ വിഭാഗങ്ങൾ അവ്യക്തമാണെങ്കിൽ, അല്ലെങ്കിൽ നിങ്ങളുടെ എഡ്ജ് കേസുകൾ നഷ്ടപ്പെട്ടാൽ, മോഡൽ യാഥാർത്ഥ്യത്തിന്റെ മങ്ങിയ പതിപ്പ് പഠിക്കുന്നു.
ഹൈലൈറ്റ് ക്ലിപ്പുകൾ മാത്രം ഉപയോഗിച്ച് ഒരു കായിക മത്സരം നിയന്ത്രിക്കാൻ ഒരാളെ പഠിപ്പിക്കുക എന്നതാണ് ഒരു എളുപ്പ ഉപമ. അവർക്ക് വ്യക്തമായ കളികൾ തിരിച്ചറിയാൻ കഴിഞ്ഞേക്കും, പക്ഷേ വിചിത്രമായ കോണുകൾ, ഭാഗിക കാഴ്ചകൾ, ബോർഡർലൈൻ കോളുകൾ എന്നിവയിൽ അവർക്ക് ബുദ്ധിമുട്ടുണ്ടാകും. വിഷൻ AI അതേ രീതിയിൽ പെരുമാറുന്നു. ഇതിന് മികച്ച ഉദാഹരണങ്ങൾ മാത്രമല്ല വേണ്ടത്. ഇതിന് കഠിനമായ കേസുകളും ആവശ്യമാണ്.
ഡാഷ്ബോർഡിൽ നിന്നല്ല, ഡാറ്റയിൽ നിന്ന് ആരംഭിക്കുക
പരിശീലനം ആരംഭിക്കുന്നതിന് മുമ്പ്, മോഡൽ എന്താണ് കാണേണ്ടതെന്നും വിജയമായി കണക്കാക്കുന്നത് എന്താണെന്നും നിർവചിക്കുക. അതായത്, ടാസ്ക് ഒബ്ജക്റ്റ് ഡിറ്റക്ഷൻ, വർഗ്ഗീകരണം, സെഗ്മെന്റേഷൻ, ട്രാക്കിംഗ്, അനോമലി ഡിറ്റക്ഷൻ, അല്ലെങ്കിൽ സീൻ അണ്ടർസ്റ്റാൻഡിംഗ് എന്നിവയാണോ എന്ന് തീരുമാനിക്കുക. ലേബൽ നിർവചനങ്ങളിൽ നേരത്തെ തന്നെ യോജിക്കുക എന്നതും ഇതിനർത്ഥമാണ്.
ഉദാഹരണത്തിന്, ഒരു സിസ്റ്റം ഒരു പ്രൊഡക്ഷൻ ലൈനിൽ അപകടങ്ങൾ ഫ്ലാഗ് ചെയ്യാൻ ഉദ്ദേശിച്ചുള്ളതാണെങ്കിൽ, എന്താണ് അപകടമായി കൃത്യമായി യോഗ്യത നേടുന്നത്? ഭാഗിക ഒക്ലൂഷൻ ഇപ്പോഴും ലേബൽ ചെയ്യാൻ കഴിയുമോ? ഗ്ലെയർ ഒരു നെഗറ്റീവ് ഉദാഹരണമായി കണക്കാക്കുമോ അതോ ഒരു പ്രത്യേക കേസായി കണക്കാക്കുമോ? ഈ വിശദാംശങ്ങൾ മോഡലിനെ രൂപപ്പെടുത്തുന്നതിന് വളരെ മുമ്പുതന്നെ ഡാറ്റാസെറ്റിനെ രൂപപ്പെടുത്തുന്നു.
ഇവിടെയാണ് ഇതുപോലുള്ള സേവനങ്ങൾ ഡാറ്റ ശേഖരണം, ഡാറ്റ വ്യാഖ്യാനം, ഒപ്പം കമ്പ്യൂട്ടർ വിഷൻ പരിശീലന ഡാറ്റ പിന്തുണ തന്ത്രപരമായി പ്രാധാന്യമുള്ളതായി മാറുന്നു. ശക്തമായ അപ്സ്ട്രീം വർക്ക്ഫ്ലോകൾ ടീമുകളെ ഇമേജ് ഫോർമാറ്റുകൾ സ്റ്റാൻഡേർഡ് ചെയ്യാനും, വിശാലമായ കവറേജ് ശേഖരിക്കാനും, പൈപ്പ്ലൈനിലൂടെ വ്യാപിക്കുന്നതിനുമുമ്പ് അവ്യക്തത കുറയ്ക്കാനും സഹായിക്കുന്നു.
എന്തുകൊണ്ടാണ് പൊതുവായ ലേബലിംഗ് അപൂർവ്വമായി മാത്രം മതിയാകുന്നത്
ആ വ്യത്യാസം ഏറ്റവും വ്യക്തമായി കാണപ്പെടുന്നത് എഡ്ജ് കേസുകളിലാണ്. ദർശന AI-യിലെ ഏറ്റവും കഠിനമായ പിശകുകൾ പലപ്പോഴും അവ്യക്തമായ, അസാധാരണമോ, ഉയർന്ന പ്രാധാന്യമുള്ളതോ ആയ സാഹചര്യങ്ങളിലാണ് സംഭവിക്കുന്നത്. അതുകൊണ്ടാണ് ടീമുകൾ പ്രോട്ടോടൈപ്പുകളിൽ നിന്ന് നിർമ്മാണത്തിലേക്ക് മാറുമ്പോൾ ഡൊമെയ്ൻ-അവബോധമുള്ള ലേബലിംഗ് ഇത്രയധികം പ്രധാനമാകുന്നത്.
സിന്തറ്റിക് ഡാറ്റ സഹായിക്കുന്നു, പക്ഷേ അത് ഉദ്ദേശ്യത്തോടെ ഉപയോഗിക്കുമ്പോൾ മാത്രം.
യഥാർത്ഥ ലോകത്തിലെ ഡാറ്റ അപൂർവമോ, അപകടകരമോ, ചെലവേറിയതോ, അല്ലെങ്കിൽ പിടിച്ചെടുക്കാൻ മന്ദഗതിയിലുള്ളതോ ആയിരിക്കുമ്പോൾ സിന്തറ്റിക് ചിത്രങ്ങളും വീഡിയോയും സഹായിക്കും. അസാധാരണമായ വൈകല്യങ്ങൾ, അപകടകരമായ സാഹചര്യങ്ങൾ, പ്രാതിനിധ്യം കുറഞ്ഞ സാഹചര്യങ്ങൾ എന്നിവയ്ക്ക് അവ പ്രത്യേകിച്ചും ഉപയോഗപ്രദമാണ്. എന്നാൽ സിന്തറ്റിക് ഡാറ്റ മാന്ത്രികമല്ല. അത് വളരെ വൃത്തിയുള്ളതോ വളരെ ഇടുങ്ങിയതോ ആണെങ്കിൽ, മോഡൽ സിമുലേറ്റഡ് റിയാലിറ്റിയിൽ മികച്ചതും യഥാർത്ഥ യാഥാർത്ഥ്യത്തിൽ ദുർബലവുമാകാം.
സിന്തറ്റിക് ഡാറ്റയുടെ ഏറ്റവും മികച്ച ഉപയോഗം സാധാരണയായി ടാർഗെറ്റഡ് ഓഗ്മെന്റേഷനാണ്. ഇത് വിടവുകൾ നികത്തുകയും, വ്യതിയാനം വർദ്ധിപ്പിക്കുകയും, യഥാർത്ഥ ഫൂട്ടേജിൽ പലപ്പോഴും സംഭവിക്കാത്ത സംഭവങ്ങൾക്ക് മാതൃക തയ്യാറാക്കുകയും ചെയ്യുന്നു.
വെറും വസ്തുക്കളുടെ സാന്നിധ്യം മാത്രമല്ല, രംഗ സന്ദർഭവും പരിശീലിപ്പിക്കുക.
ഒരു പക്വമായ കാഴ്ചപ്പാടുള്ള AI സിസ്റ്റം, പിക്സലുകളിൽ ഇനങ്ങൾ കണ്ടെത്തുന്നതിനേക്കാൾ കൂടുതൽ കാര്യങ്ങൾ ചെയ്യുന്നു. സന്ദർഭത്തിൽ എന്താണ് സംഭവിക്കുന്നതെന്ന് ഇത് വ്യാഖ്യാനിക്കുന്നു. തിരക്കേറിയ ഒരു ഇടനാഴി ഒരു മണിക്കൂറിൽ സാധാരണവും മറ്റൊരു മണിക്കൂറിൽ ഒരു അപകട സിഗ്നലും ആകാം. നിർത്തിയിരിക്കുന്ന ഒരു വാഹനം ഒരു സാഹചര്യത്തിൽ നിരുപദ്രവകരവും മറ്റൊന്നിൽ നിർണായകവുമാകാം. ഒരു പ്രത്യേക സ്ഥലം, ചലന രീതി അല്ലെങ്കിൽ പ്രവർത്തന നില എന്നിവയുമായി സംയോജിപ്പിക്കുമ്പോൾ മാത്രമേ ഒരു തകരാർ പ്രശ്നമാകൂ.
അതുകൊണ്ടാണ് ഉയർന്ന നിലവാരമുള്ള സംവിധാനങ്ങൾ ഒരു ഇടുങ്ങിയ പ്രകടന സ്കോറിനെ ആശ്രയിക്കുന്നതിനുപകരം സമ്പന്നമായ ലേബലിംഗിനെയും വിലയിരുത്തൽ തന്ത്രങ്ങളെയും കൂടുതലായി ആശ്രയിക്കുന്നത്.
ഒരു ചെറുകഥ: രാത്രി ഷിഫ്റ്റിൽ എത്തുന്നതുവരെ മോഡൽ കൃത്യമായി കാണപ്പെട്ടപ്പോൾ
ചോർച്ച അപകടസാധ്യതകളും തടസ്സപ്പെട്ട ഇടനാഴികളും തിരിച്ചറിയാൻ ഒരു റീട്ടെയിലർ വിഷൻ AI വിന്യസിക്കുന്നത് സങ്കൽപ്പിക്കുക. പൈലറ്റ് പരിശോധനയിൽ, ഫലങ്ങൾ ശക്തമായി കാണപ്പെടുന്നു. പകൽ സമയത്തെ ദൃശ്യങ്ങൾ വ്യക്തമാണ്, ലേബലുകൾ വൃത്തിയുള്ളതാണ്, കൂടാതെ മോഡൽ ഏറ്റവും വ്യക്തമായ പ്രശ്നങ്ങൾ കണ്ടെത്തുന്നു.
പിന്നെ രാത്രി ഷിഫ്റ്റ് ആരംഭിക്കുന്നു. വെളിച്ചം മങ്ങുന്നു. തറയിലെ പ്രതിഫലനങ്ങൾ മാറുന്നു. ക്ലീനിംഗ് വണ്ടികൾ ക്യാമറ കാഴ്ചയെ ഭാഗികമായി തടയുന്നു. ജീവനക്കാർ വ്യത്യസ്തമായി നീങ്ങുന്നു. പെട്ടെന്ന്, സിസ്റ്റം യഥാർത്ഥ അപകടങ്ങൾ കാണാതിരിക്കുകയും നിരുപദ്രവകരമായ പ്രവർത്തനത്തെ ഓവർഫ്ലാഗ് ചെയ്യുകയും ചെയ്യുന്നു.
യഥാർത്ഥ മോഡലിൽ അപൂർണ്ണമായത് പോലെ മറ്റൊന്നും തെറ്റില്ലായിരുന്നു. പരിശീലന ഡാറ്റ പരിസ്ഥിതിയുടെ ഒരു പതിപ്പിനെയാണ് പ്രതിഫലിപ്പിച്ചത്, പൂർണ്ണ പരിസ്ഥിതിയെയല്ല. ടീം രാത്രികാല ഫൂട്ടേജ്, എഡ്ജ്-കേസ് അനോട്ടേഷനുകൾ, സ്റ്റോർ ഓപ്പറേറ്റർമാരിൽ നിന്നുള്ള അവലോകന ഫീഡ്ബാക്ക് എന്നിവ ചേർത്തുകഴിഞ്ഞാൽ, പ്രകടനം മെച്ചപ്പെട്ടു, കാരണം മോഡൽ യഥാർത്ഥത്തിൽ നേരിടേണ്ടിവരുന്ന സാഹചര്യങ്ങളിൽ നിന്ന് ഒടുവിൽ പഠിക്കുകയായിരുന്നു.
തീരുമാന ചട്ടക്കൂട്: കൂടുതൽ ഡാറ്റ, കൂടുതൽ വിദഗ്ദ്ധർ, അല്ലെങ്കിൽ കൂടുതൽ ഫീഡ്ബാക്ക് എന്നിവ എപ്പോൾ ചേർക്കണം
ദർശന AI മെച്ചപ്പെടുത്തുന്നതിനുള്ള ഒരു പ്രായോഗിക മാർഗം നാല് ചോദ്യങ്ങൾ ചോദിക്കുക എന്നതാണ്:
- ഏത് തരത്തിലുള്ള നഷ്ടങ്ങളാണ് ഏറ്റവും പ്രധാനം?
സുരക്ഷ, ആരോഗ്യ സംരക്ഷണം, ചില്ലറ വിൽപ്പന, നിർമ്മാണം എന്നിവയിൽ തെറ്റായ നെഗറ്റീവുകൾക്ക് വ്യത്യസ്ത പ്രാധാന്യമുണ്ട്. - ഏതൊക്കെ സാഹചര്യങ്ങളാണ് പ്രതിനിധീകരിക്കാത്തത്?
ലൈറ്റിംഗ് വ്യതിയാനം, ചലന മങ്ങൽ, ഒക്ലൂഷൻ, സീസണൽ മാറ്റം, ക്യാമറ ആംഗിൾ മാറ്റങ്ങൾ, അപൂർവ സംഭവങ്ങൾ എന്നിവയ്ക്കായി നോക്കുക. - മനുഷ്യന്റെ വിധി എവിടെയാണ് ലേബൽ മാറ്റുന്നത്?
അവിടെയാണ് വിഷയ വിദഗ്ധർ തങ്ങളുടെ സ്ഥാനം നേടുന്നത്. - വിക്ഷേപണത്തിനു ശേഷം നിങ്ങൾ എന്ത് നിരീക്ഷിക്കും?
കൃത്യത മാത്രം പോരാ. മാറിക്കൊണ്ടിരിക്കുന്ന യഥാർത്ഥ സാഹചര്യങ്ങളിൽ ടീമുകൾ മിസ് റേറ്റുകൾ, ഡ്രിഫ്റ്റ്, ലേറ്റൻസി, പ്രകടനം എന്നിവ നിരീക്ഷിക്കണം.
AI പ്രവർത്തനങ്ങൾ എങ്ങനെയുള്ള നല്ല കാഴ്ചപ്പാടാണ് കാണിക്കുന്നത്?
അതുകൊണ്ടാണ് പല ടീമുകളും ദർശന പദ്ധതികളെ ഒറ്റപ്പെട്ട മോഡൽ പരീക്ഷണങ്ങളേക്കാൾ തുടർച്ചയായ ഡാറ്റ പ്രവർത്തനങ്ങളായി കണക്കാക്കുന്നത്. പരിശീലന ഡാറ്റ, അവലോകനം, പുതുക്കൽ സൈക്കിളുകൾ എന്നിവയ്ക്കുള്ള ശക്തമായ അടിസ്ഥാന സൗകര്യങ്ങൾ, ലോകം മാറുമ്പോൾ മോഡലുകളെ ഉപയോഗപ്രദമായി നിലനിർത്തുന്നത് എളുപ്പമാക്കുന്നു.
തീരുമാനം
ദർശന AI-യിലെ ഉയർന്ന നിലവാരമുള്ള ഫലങ്ങൾ സ്കെയിലിൽ നിന്ന് മാത്രം ലഭിക്കുന്നതല്ല. എന്ത് ശേഖരിക്കണം, എങ്ങനെ ലേബൽ ചെയ്യണം, വിദഗ്ധരെ എവിടെ ഉപയോഗിക്കണം, എഡ്ജ് കേസുകൾ എപ്പോൾ സിമുലേറ്റ് ചെയ്യണം, വിന്യാസത്തിന് ശേഷം പ്രകടനം എങ്ങനെ അളക്കണം എന്നിവയെക്കുറിച്ചുള്ള മികച്ച തീരുമാനത്തിൽ നിന്നാണ് അവ വരുന്നത്.
മറ്റൊരു വിധത്തിൽ പറഞ്ഞാൽ, പരിശീലന ദർശനം AI എന്നത് ഒരു ടാങ്ക് നിറയ്ക്കുന്നത് പോലെയല്ല. മാറിക്കൊണ്ടിരിക്കുന്ന കളി സാഹചര്യങ്ങളിലൂടെ ഒരു ടീമിനെ പരിശീലിപ്പിക്കുന്നത് പോലെയാണ് ഇത്. മികച്ച സംവിധാനങ്ങൾ യഥാർത്ഥ ഉദാഹരണങ്ങളിൽ പരിശീലിപ്പിക്കപ്പെടുന്നു, ബുദ്ധിമുട്ടുള്ള സാഹചര്യങ്ങളെ വെല്ലുവിളിക്കുന്നു, ഫീൽഡിൽ പ്രവേശിച്ചുകഴിഞ്ഞാൽ തുടർച്ചയായി മെച്ചപ്പെടുത്തുന്നു.
എന്താണ് വിഷൻ AI?
ഇമേജുകളും വീഡിയോകളും വ്യാഖ്യാനിക്കുന്നതിന് AI മോഡലുകൾ ഉപയോഗിക്കുന്നതാണ് വിഷൻ AI, ഇതിൽ കണ്ടെത്തൽ, വർഗ്ഗീകരണം, വിഭജനം, ട്രാക്കിംഗ്, രംഗ ധാരണ തുടങ്ങിയ ജോലികളും ഉൾപ്പെടുന്നു.
എന്തുകൊണ്ടാണ് വിഷൻ AI ഉൽപ്പാദനത്തിൽ പരാജയപ്പെടുന്നത്?
ദുർബലമായ എഡ്ജ്-കേസ് കവറേജ്, പൊരുത്തമില്ലാത്ത ലേബലുകൾ, ഡൊമെയ്ൻ പൊരുത്തക്കേട്, ലൈറ്റിംഗ് മാറ്റങ്ങൾ, ഒക്ലൂഷൻ, പോസ്റ്റ്-ഡിപ്ലോയ്മെന്റ് മോണിറ്ററിങ്ങിന്റെ അഭാവം എന്നിവയാണ് സാധാരണ കാരണങ്ങൾ.
കാഴ്ച AI-ക്ക് സിന്തറ്റിക് ഡാറ്റ ഉപയോഗപ്രദമാണോ?
അതെ, പ്രത്യേകിച്ച് അപൂർവമോ അപകടകരമോ ആയ സാഹചര്യങ്ങളിൽ, പക്ഷേ യഥാർത്ഥ ലോക മൂല്യനിർണ്ണയ ഡാറ്റയ്ക്ക് പൂർണ്ണമായ പകരക്കാരനേക്കാൾ, ലക്ഷ്യം വച്ചുള്ള വർദ്ധനവായിട്ടാണ് ഇത് ഏറ്റവും നന്നായി പ്രവർത്തിക്കുന്നത്.
ടീമുകൾക്ക് വിദഗ്ദ്ധ വ്യാഖ്യാതാക്കളുടെ ആവശ്യം എപ്പോഴാണ്?
ലേബലുകൾക്ക് ഡൊമെയ്ൻ വിധിന്യായം ആവശ്യമായി വരുമ്പോൾ അവ ഏറ്റവും പ്രധാനമാണ്, ഉദാഹരണത്തിന് വൈകല്യങ്ങൾ, സുരക്ഷാ അപകടസാധ്യതകൾ, മെഡിക്കൽ കണ്ടെത്തലുകൾ, അല്ലെങ്കിൽ പൊതു അവലോകകർക്ക് നഷ്ടമായേക്കാവുന്ന സൂക്ഷ്മമായ സന്ദർഭം.
വിന്യാസത്തിനുശേഷം ടീമുകൾ എന്ത് അളക്കണം?
ലൈറ്റിംഗ്, ക്യാമറ സ്ഥാനം, ട്രാഫിക് പാറ്റേണുകൾ തുടങ്ങിയ മാറിക്കൊണ്ടിരിക്കുന്ന സാഹചര്യങ്ങളിൽ മിസ് റേറ്റുകൾ, ഡ്രിഫ്റ്റ്, ലേറ്റൻസി, പ്രകടനം എന്നിവ ടീമുകൾ നിരീക്ഷിക്കണം.
കാലക്രമേണ കാഴ്ച AI എങ്ങനെ മെച്ചപ്പെടുത്താം?
ഡാറ്റ പൈപ്പ്ലൈൻ മെച്ചപ്പെടുത്തുക: പുതിയ യഥാർത്ഥ ലോക ഉദാഹരണങ്ങൾ ശേഖരിക്കുക, വ്യാഖ്യാന നിയമങ്ങൾ പരിഷ്കരിക്കുക, അവലോകകരുടെ ഫീഡ്ബാക്ക് സംയോജിപ്പിക്കുക, നിരീക്ഷിച്ച പരാജയ മോഡുകൾക്കെതിരെ വീണ്ടും പരിശീലനം നൽകുക.
