No. 5 keseluruhan draft pick ace Bailey memainkan sedikit hardball dengan Jazz Utah, tapi itu tidak salah.

Utah memutuskan untuk menyusun Bailey meskipun penjaga Rutgers berbakat yang menolak untuk berlatih secara pribadi dengan timnya. Terkenal, Bailey ingin pergi ke Washington Wizard atau Brooklyn Net. Miliknya Agen dan kamp membuatnya sangat jelas Sepanjang waktu menjelang draft.

Tapi beri saya kredit jazz dengan Danny Ainge karena tarik pelatuknya. Utah pergi 17-65, rekor NBA terburuk musim lalu. Organisasi ini belum lahir sejak berdagang Donovan Mitchell ke Cleveland Cavaliers. Lotere draft NBA 2025 tidak menguntungkan mereka, memasukkannya dalam pilihan keseluruhan ke -5 dan menolak tembakan pada bendera Cooper.

Seperti yang dikatakan pepatah lama, ketika hidup memberi Anda lemon, Anda setidaknya harus mencoba membuat limun. Kamp Bailey telah menjelaskan bahwa dia tidak ingin pergi ke Utah, tetapi penjaga keamanan berusia 18 tahun itu memiliki salah satu langit-langit terbaik dalam draft tahun ini.

Ini adalah skenario klasik di mana semua chip ada di atas meja.

Untuk jazz, mereka mungkin merasa berada pada posisi yang kurang menguntungkan dalam draft NBA dengan pick No. 5. Menyusun pemain seperti Bailey memberikan bidikan nyata dengan mengembangkan salah satu prospek boom atau bust teratas di kelas ini, terlepas dari preferensi.

Bagi Bailey, tidak ada risiko bermain keras untuk mendapatkannya. Dia cukup berbakat, dan sebelum draft drama di sekitarnya tidak menghentikannya untuk masuk lima besar. Laporan menunjukkan bahwa ia telah berkomunikasi longgar dengan jazz sejak pilihannya dan akan melapor kepada Utah dengan enggan pada hari Senin.

Draf NBA tahun ini menghadapi banyak kritik. Mungkin tidak perlu bertahan dua hari. Para kritikus juga menunjukkan bahwa pandangan ini jarang tampak emosional atau bahkan bersemangat ketika nama mereka dipanggil.

Itu karena prospek lotre ini sudah dekat dengan itu pada saat mereka memasuki miliarder, atau NBA. Usia atletik perguruan tinggi memastikan bahwa sekolah menengah atas ini merekrut kekayaan generasi sebelum bermain pertandingan kuliah.

Jika Anda seorang miliarder berusia 18 tahun, dan hanya puluhan juta lagi, Anda mungkin ingin memilih kota tempat Anda tinggal. Kemungkinan besar, Utah tidak terlalu mahal dalam daftar itu.

Tapi kamp Bailey memiliki kesempatan untuk memanfaatkan pengaruh atas jazz. Jazz benar -benar sadar bahwa dia tidak ingin berada di sana. Dia bisa tetap sulit untuk mendapatkan banyak perubahan yang lebih besar sebagai pick No. 5.

Apakah dia suka atau tidak, dia perlu bermain game di Utah ketika dorongan menonjol. Namun, tidak ada masalah dengan posisi leverage di sepanjang jalan.

Saya baru saja mencoba lima pakaian berbeda dalam waktu sekitar 10 menit – atau setidaknya sepertinya milik saya. Semua ini berkat doppl, aplikasi baru yang diuji Googleyang saya gunakan untuk membuat klip yang dihasilkan oleh IA mengenakan pakaian yang saya temukan di web. Ini bekerja terutama, tetapi memiliki masalah yang jelas untuk meletakkan celana dalam foto saya mengenakan celana pendek, dan bahkan mengganti kaus kaki saya tidak kompatibel dengan kaki yang dihasilkan oleh AI sebagai contoh.

Menggunakan aplikasi ini cukup sederhana. Yang Anda butuhkan hanyalah tangkapan layar dari pakaian yang ingin Anda coba dari Pinterest, Instagram, atau sumber kesepuluh online lainnya dengan foto cahaya terang, pose alami tanpa topi. Setelah Anda mengunggah keduanya, Anda dapat membuat Doppl menghasilkan gambar statis pada Anda mengenakan pakaian. Butuh beberapa saat untuk menghasilkan, tetapi begitu ini terjadi, Anda dapat mencapai ikon animasi untuk menambahkan animasi acak, yang dapat menunjukkan bahwa Anda melempar tanda damai, tersenyum dan melambai ke kamera, atau mencapai pose jenis lain.

Saya mengirim foto sederhana tentang diri saya mengenakan T -shirt, celana pendek, dan kaus kaki. Untuk sesi upaya pertama saya, saya memilih salah satu pakaian sampel Google. Aplikasi ini menggambarkan kemeja bergaris putih dan biru dengan sangat akurat, tetapi memberi saya celana pendek merah alih -alih jeans kurus dan membungkus apa yang seharusnya jeans di sekitar betis saya, seolah -olah saya mengenakan pemanas kaki. Pakaian lain yang saya tangkap oleh layar termasuk Sepasang jeans tertekan. Sekali lagi, Doppl hanya memasukkan bagian bawah celana, sambil membuat bajuku sangat panjang dan berakhir di mana celana pendek saya lakukan dalam kehidupan nyata.

Segalanya menjadi lebih aneh ketika saya memberi makan pakaian Doppl yang menunjukkan seseorang dari lutut saya, Mengenakan kemeja tombol bergaris dan celana pendek yang panjang dan bergaris. Alih -alih menghasilkan pakaian yang sama, dia membuat celana pendek lebih pendek dan memberi saya beberapa kaki palsu.

Meskipun beberapa pakaian lain yang saya bawa ke Doppl tidak menunjukkan sepatu pengguna, itu masih menghasilkan beberapa jenis sepatu untuk penampilan ini. (Mungkin, mungkin Google Aí hanya berpikir bahwa pakaian itu akan terlihat bagus dengan kaki telanjang Anda?)

Selama tes saya, saya menemukan bahwa DOPPP tidak mengizinkan saya mengunggah lebih banyak foto yang saya temukan di web, seperti seseorang yang mengenakan bikini. Saya juga tidak akan meninggalkan kolega saya, Marina Galperina, mengirim citra Presiden Donald Trump. Tangan -pegangan ini dapat mempersulit seseorang untuk membuat gambar palsu dari tokoh -tokoh publik atau menghasilkan gambar eksplisit seseorang.

Namun, pola aneh datang ketika Marina dan saya membawa selfie cermin dari diri kami ke aplikasi untuk hampir mencoba pakaian. Alih -alih tetap relatif dekat dengan penampilan kehidupan nyata, Doppl telah membuat dua kerabat yang lebih tipis ke titik terlihat seperti tokoh bobblehead. Masalahnya tidak muncul ketika saya menggunakan semua foto saya yang lain yang diambil oleh orang lain.

Google memiliki fitur cobalah virtual beberapa tahun yang lalu, tetapi memperluasnya awal tahun ini, memungkinkan Anda untuk mengirim foto Anda dan menggunakan AI untuk meletakkannya di baju, pakaian, rok atau celana yang Anda temukan di hasil pencarian Google. Doppl adalah lompatan yang lebih besar karena memungkinkan Anda untuk mencoba lebih banyak jenis pakaian dari berbagai sumber web dan dapat mengubahnya menjadi video juga. Jika Google dapat memperbaiki beberapa alat alat ini, saya dapat melihat menjadi cara yang berguna untuk membayangkan dalam pakaian yang Anda temukan secara online.

DOPPL sekarang tersedia di AS melalui aplikasi di Android atau iOS.

Proyek visi komputer jarang berjalan sesuai rencana, dan pengecualian ini tidak. Idenya sederhana: Buat model yang dapat melihat gambar laptop dan menentukan kerusakan fisik – hal -hal seperti layar retak, kunci yang hilang atau engsel yang rusak. Itu tampak seperti keadaan penggunaan langsung untuk model foto dan model bahasa besar (LLM), tetapi dengan cepat berubah menjadi sesuatu yang lebih rumit.

Sepanjang jalan, kami menghadapi masalah dengan halusinasi, output, dan gambar yang tidak dapat diandalkan yang bahkan bukan laptop. Untuk menyelesaikannya, kami akhirnya menerapkan kerangka kerja pada agen -agen di Athuma – bukan untuk mengotomatiskan tugas, tetapi untuk meningkatkan kinerja model.

Dalam posting ini, kami akan melalui apa yang kami coba, kecuali berhasil dan bagaimana kami membantu kami serangkaian metode di akhir membangun sesuatu yang dapat diandalkan.

Di mana kami mulai: klaim yang homogen

Pendekatan awal kami agak standar untuk model multimedia. Kami menggunakan satu router besar untuk meneruskan gambar ke LLM yang mampu dari gambar dan memintanya untuk menentukan kerusakan yang terlihat. Strategi homogen ini mudah diimplementasikan dan berfungsi dengan baik untuk tugas yang bersih dan ditentukan dengan baik. Tetapi data di dunia nyata jarang dimainkan.

Kami menghadapi tiga masalah utama lebih awal:

• HalusinogenikModel tersebut kadang -kadang dapat menemukan kerusakan yang tidak ada atau mencalonkan apa yang dilihatnya.
• Deteksi gambar yang tidak diinginkanItu tidak memiliki cara yang dapat diandalkan untuk merek foto yang bahkan bukan laptop, seperti kantor, dinding, atau orang -orang terkadang menerima laporan kerusakan irasional.
• Tidak konsisten: Campuran masalah ini membuat model tidak dapat diandalkan untuk penggunaan operasional.

Inilah poin yang menjadi jelas bahwa kita akan membutuhkan pengulangan.

Perbaikan Pertama: Mencampur Keputusan Foto

Satu hal yang kami perhatikan adalah jumlah kualitas gambar yang mempengaruhi hasil model. Pengguna telah mengunduh semua jenis gambar mulai dari akurasi tajam dan tinggi hingga kabut. Ini mendorong kami untuk merujuk riset Menyoroti bagaimana akurasi gambar mempengaruhi model pembelajaran yang mendalam.

Kami melatih dan menguji model menggunakan campuran gambar resolusi tinggi. Idenya adalah untuk membuat model lebih fleksibel dalam berbagai karakteristik gambar yang akan dihadapi dalam praktiknya. Ini membantu meningkatkan konsistensi, tetapi masalah dasar halusinasi dan berurusan dengan gambar yang tidak diinginkan berlanjut.

The Multimodal Detour: Text-only LLM Goes Multimedia

Mendorong pengalaman modern dalam bentuk jamak KelompokDi mana ilustrasi dibuat dari gambar dan kemudian ditafsirkan melalui model bahasa, kami memutuskan untuk mencobanya.

Inilah cara bekerja:

• LLM dimulai dengan menghasilkan beberapa komentar yang mungkin untuk gambar.
• Model lain, yang disebut model inklusi multimedia, memeriksa kesesuaian setiap komentar pada gambar. Dalam hal ini, kami menggunakan Siglip untuk merekam kesamaan antara gambar dan teks.
• Sistem ini mempertahankan jumlah ilustrasi tertinggi berdasarkan gelar ini.
• LLM menggunakan ilustrasi atas ini untuk menulis yang baru, mencoba mendekati apa yang sudah ditunjukkan oleh gambar.
• Proses ini diulangi sampai penunjukan penjelasan menghentikan peningkatan, atau mencapai batas tertentu.

Saat teori pintar, pendekatan ini menyajikan masalah baru dengan keadaan penggunaan kami:

• Halusinasi terus menerus: Terkadang ilustrasi termasuk kerusakan palsu, yang telah diberitahu dengan percaya diri tentang LLM.
• Cakupan yang tidak lengkap: Bahkan dengan beberapa komentar, beberapa masalah sepenuhnya terlewatkan.
• Peningkatan kompleksitas, manfaat minimalLangkah -langkah tambahan membuat sistem lebih rumit tanpa andal unggul atas persiapan sebelumnya.

Itu adalah pengalaman yang menarik, tetapi pada akhirnya itu bukan solusi.

Penggunaan kerangka kerja yang kreatif

Ini adalah titik balik. Sementara kerangka kerja biasanya digunakan untuk mengoordinasikan aliran tugas (diyakini bahwa agen undangan kalender atau prosedur layanan pelanggan), kami telah bertanya apakah akan melanggar tugas menafsirkan gambar menjadi agen yang lebih kecil dan khusus yang dapat membantu.

Kami telah membangun kerangka kerja terorganisir seperti ini:

• Agen orkestrator: Periksa gambar dan identifikasi komponen laptop (layar, keyboard, struktur, port).
• Agen karcineFaktor -faktor yang ditunjuk memeriksa setiap komponen dari jenis kerusakan tertentu; Misalnya, satu untuk layar retak, dan yang lainnya untuk sakelar yang hilang.
• Penemuan yang tidak diinginkanAgen terpisah telah ditandai jika gambar adalah laptop di tempat pertama.

Pendekatan standar berbasis tugas ini telah menghasilkan hasil yang lebih akurat dan interpretatif. Halusinasi telah menurun secara signifikan, tanda gambar yang tidak diinginkan dibuat dengan andal dan tugas masing -masing agen sederhana dan cukup fokus untuk mengontrol kualitas dengan baik.

Bintik -bintik buta: Pendekatan Al -Wakeel

Buruknya efektif, itu tidak sempurna. Pembatasan utama muncul:

• Peningkatan jintan: Menjalankan beberapa faktor serial yang telah ditambahkan ke total waktu inferensi.
• Menutupi celahAgen hanya dapat menemukan masalah yang telah diprogram secara eksplisit untuk dicari. Jika sebuah gambar menunjukkan sesuatu yang tidak terduga bahwa tidak ada pekerja yang ditugaskan untuk definisi, itu akan tanpa ada yang menyadarinya.

Kami membutuhkan cara untuk menyeimbangkan akurasi dengan cakupan.

Solusi Campuran: Menggabungkan Agen dan Agen Terjemahan

Untuk kesenjangan, kami membuat sistem hybrid:

1. itu Kerangka kerja Pertama, ia berlari, berhadapan dengan deteksi dengan cermat jenis kerusakan yang diketahui dan gambar yang tidak diinginkan. Kami telah membatasi jumlah agen pada faktor terpenting untuk meningkatkan jintan.
2. Lalu, a Homoing photo router llm Bersihkan gambar hal lain yang dilewatkan oleh agen.
3. Akhirnya, kami Atur formulir Menggunakan serangkaian foto gambar prioritas tinggi, seperti skenario kerusakan yang sering dilaporkan, untuk meningkatkan akurasi dan keandalan.

Campuran ini telah memberi kita keakuratan dan kemampuan persiapan agen, cakupan luas dari aplikasi homogen dan peningkatan kepercayaan pada instalasi yang tepat yang ditargetkan.

Apa yang kami pelajari

Beberapa hal menjadi jelas pada saat kami menyimpulkan proyek ini:

• Kerangka kerja musuh lebih beragam daripada yang Anda dikreditkan: Meskipun biasanya terkait dengan manajemen alur kerja, kami telah menemukan bahwa itu dapat meningkatkan kinerja model yang berguna saat menerapkannya dalam standar yang terorganisir.
• Campur pendekatan berbeda yang mengalahkan hanya satu: Campuran deteksi yang cermat berdasarkan agen di samping cakupan luas LLMS, selain sedikit kontrol karena lebih penting, memberi kami hasil yang jauh lebih dapat diandalkan daripada salah satu cara sendirian.
• Model visual rentan terhadap halusinasiBahkan pengaturan yang paling canggih dapat melompat ke kesimpulan atau melihat hal -hal yang tidak ada. Penting untuk merancang sistem yang bijaksana untuk menjaga kesalahan ini di bawah diperiksa.
• Berbagai kualitas gambar membuat perbedaanPelatihan dan pengujian dengan gambar -gambar yang jelas dan tinggi dan suara harian berkualitas rendah agar tetap fleksibel ketika menghadapi gambar yang tidak terduga di dunia nyata.
• Anda membutuhkan cara untuk mengambil gambar yang tidak diinginkan: Itu adalah gambar gambar yang tidak diinginkan atau tidak diinginkan yang telah kami buat, dan memiliki dampak besar pada keandalan sistem secara umum.

Ide akhir

Apa yang dimulai sebagai ide sederhana, menggunakan klaim LLM untuk mendeteksi kerusakan fisik pada gambar laptop, dengan cepat berubah menjadi pengalaman yang jauh lebih dalam dalam menggabungkan berbagai teknik kecerdasan buatan untuk mengatasi masalah yang tidak terduga dan realistis. Sepanjang jalan, kami menyadari bahwa beberapa alat yang paling berguna pada awalnya tidak dirancang untuk jenis pekerjaan ini.

Berbagai kerangka kerja, yang sering dipandang sebagai alat alur kerja, telah terbukti sangat efektif ketika digunakan kembali untuk tugas -tugas seperti mendeteksi kerusakan terorganisir dan memfilter gambar. Dengan sedikit kreativitas, mereka membantu kami membangun sistem yang tidak hanya lebih akurat, tetapi lebih mudah untuk dipahami dan dikelola dalam praktik.

Shruti Tiwari adalah manajer produk AI di Dell Technologies.

Vadiraj Kulkarni adalah dunia data di Dell Technologies.