OpenVision 2 ની સમીક્ષા: શું આ મલ્ટિમોડલ AI માટે આગલો મોટો કૂદકો છે?
મલ્ટિમોડલ AI એક ધ્યેય તરફ દોડી રહ્યું છે: એવા મોડેલ્સ જે રીઅલ ટાઇમમાં છબીઓ અને ટેક્સ્ટને ખરેખર "જુએ" અને "તર્ક" કરી શકે. OpenVision 2 જનરેટિવ વિઝ્યુઅલ એન્કોડર અભિગમ સાથે તે રેસમાં પ્રવેશે છે જે CLIP જેવા ક્લાસિક કોન્ટ્રાસ્ટિવ બેઝલાઇન્સ કરતાં શ્રેષ્ઠ OCR, મજબૂત શૂન્ય-શોટ સમજણ અને વધુ સારી કાર્યક્ષમતાનું વચન આપે છે. પ્રશ્ન સરળ છે: શું તે ડિલિવર કરે છે?
આ ઊંડાણપૂર્વકની OpenVision 2 સમીક્ષામાં, અમે એક વ્યવહારુ, ઉકેલ-લક્ષી દ્રષ્ટિકોણ દ્વારા શું નવું છે, શું ઝડપી છે અને હજી પણ શું ખૂટે છે તેનું વિશ્લેષણ કરીએ છીએ.
ચુકાદો
- શ્રેષ્ઠ કોના માટે: OCR-ભારે કાર્યો, TextVQA, ચાર્ટ/ટેબલ સમજણ અને મજબૂત શૂન્ય-શોટ પુનઃપ્રાપ્તિને પ્રાથમિકતા આપતી ટીમો માટે.
- શક્તિઓ: CLIP-શૈલીના બેઝલાઇન્સ કરતાં નોંધપાત્ર લાભ; OCR-સંબંધિત બેન્ચમાર્ક્સમાં સુધારેલ કામગીરી; મોડેલ સ્કેલ પર નક્કર કાર્યક્ષમતા વાર્તા.
- ગેરફાયદા: પ્રારંભિક-તબક્કાનું ઇકોસિસ્ટમ; દસ્તાવેજીકરણની ઊંડાઈ બદલાઈ શકે છે; વાસ્તવિક દુનિયામાં જમાવટની પેટર્ન હજી પણ ઉભરી રહી છે.
- બોટમ લાઇન: એક આકર્ષક જનરેટિવ વિઝ્યુઅલ એન્કોડર જે OpenVision v1 અને અગાઉના CLIP બેઝલાઇન્સને બહુવિધ બેન્ચમાર્ક્સ પર વધુ સારો દેખાવ કરે છે, ખાસ કરીને જ્યાં ટેક્સ્ટ-ઇન-ઇમેજ મહત્વપૂર્ણ છે.
OpenVision 2 શું છે?
OpenVision 2 એ જનરેટિવ પ્રીટ્રેઇન્ડ વિઝ્યુઅલ એન્કોડર્સનું એક કુટુંબ છે જે છબી સમજણ અને ટેક્સ્ટ સંરેખણને શુદ્ધ કોન્ટ્રાસ્ટિવ ઉદ્દેશ્યોને બદલે જનરેટિવ લર્નિંગ ઉદ્દેશ્ય સાથે એકીકૃત કરવા માટે રચાયેલ છે. સરળ ભાષામાં: ફક્ત છબીઓને કૅપ્શન્સ સાથે મેચ કરવાનું શીખવાને બદલે, તે વિઝ્યુઅલ ઇનપુટ્સમાંથી ટેક્સ્ટ રજૂઆતો જનરેટ/કન્ડિશન કરવાનું શીખે છે, જે એમ્બેડેડ ટેક્સ્ટ, લેઆઉટ અને સ્ટ્રક્ચર જેવા ફાઇનર-ગ્રેઇન્ડ સિગ્નલોને કેપ્ચર કરે છે. આ ફેરફાર TextVQA, OCR-ભારે તર્ક અને આકૃતિ સમજણ જેવા કાર્યો માટે મહત્વપૂર્ણ છે.
લેખકો અનુસાર, OpenVision 2 સતત અગાઉના CLIP બેઝલાઇન્સ અને મૂળ OpenVision બંનેને બહુવિધ કાર્યોમાં વધુ સારો દેખાવ કરે છે, જેમાં OCR-સંબંધિત મૂલ્યાંકનોમાં સ્પષ્ટ લાભ અને વિવિધ મોડેલ કદમાં સ્પર્ધાત્મક પરિણામો છે.
OpenVision (v1) અને CLIP સામે મુખ્ય અપગ્રેડ્સ
- જનરેટિવ વિઝ્યુઅલ પ્રીટ્રેનિંગ ઉદ્દેશ્ય: ફક્ત કોન્ટ્રાસ્ટિવ-ઓન્લી સંરેખણથી આગળ વધીને એક જનરેટિવ પેરાડાઈમ તરફ જે ફાઇન-ગ્રેઇન્ડ સમજણને મજબૂત બનાવે છે (દા.ત., છબીઓની અંદરનું ટેક્સ્ટ).
- OCR અને TextVQA લાભો: અહેવાલો બેઝલાઇન્સ અને v1 ની સરખામણીમાં ખાસ કરીને TextVQA અને OCR-કેન્દ્રિત કાર્યો પર સુધારેલ કામગીરી દર્શાવે છે.
- બહુવિધ સ્કેલ પર વધુ સારી કાર્યક્ષમતા: માત્ર ચોકસાઈ વિશે જ નહીં—OpenVision 2 મોડેલ કદમાં સુધારેલ કાર્યક્ષમતા મેટ્રિક્સનો દાવો કરે છે, જે તેને ઉત્પાદન વર્કલોડ્સ માટે વ્યવહારુ બનાવે છે.
સંદર્ભ માટે, ઇમર્જન્ટ માઇન્ડનો ઓવરવ્યૂ ભાર મૂકે છે કે OpenVision 2 TextVQA જેવા કાર્યો પર સુધારેલી કાર્યક્ષમતા સાથે તુલનાત્મક અથવા શ્રેષ્ઠ બેન્ચમાર્ક સ્કોર્સ પહોંચાડે છે, જે પેપરના દાવાઓ સાથે સુસંગત છે.
વાસ્તવિક દુનિયાના ઉપયોગના કિસ્સાઓ: જ્યાં OpenVision 2 ચમકે છે
- દસ્તાવેજ AI અને OCR પાઇપલાઇન્સ: ઇન્વૉઇસેસ, રસીદો, ફોર્મ્સ, સ્કેન કરેલા PDF અને હસ્તલિખિત નોંધોમાંથી ટેક્સ્ટ કાઢવું—ઘોંઘાટીયા લેઆઉટ્સ સામે વધુ મજબૂતાઈ સાથે.
- TextVQA અને વિઝ્યુઅલ QA: કૅપ્શન્સ, લેબલ્સ, એમ્બેડેડ ટેક્સ્ટ અને ગ્રાફ્સ વિશે તર્ક લગાવવું.
- રિટેલ અને શેલ્ફ એનાલિટિક્સ: પ્રોડક્ટ લેબલ્સ, SKUs અને ઑન-ધ-ફ્લાય કિંમતો વાંચવી.
- ડેટા જર્નાલિઝમ અને સંશોધન: ચાર્ટ્સ, કોષ્ટકો અને જટિલ વિઝ્યુઅલ્સનું વિશ્લેષણ કરવું જ્યાં સંખ્યાઓ અને લેબલ્સ અર્થપૂર્ણ હોય.
- છબીઓમાંથી જ્ઞાન નિષ્કર્ષણ: શોધ, RAG અને સહાયકોને શક્તિ આપવા માટે વિઝન સાથે પુનઃપ્રાપ્તિનું સંયોજન જે પૃષ્ઠને "જુએ" છે.
બેન્ચમાર્ક્સ અને કામગીરી
ઉપલબ્ધ પેપર અને સારાંશોના આધારે, OpenVision 2:
- અગાઉના CLIP બેઝલાઇન્સ કરતાં વધુ સારો દેખાવ કરે છે વિવિધ કાર્યો પર, ખાસ કરીને OCR-સંબંધિત બેન્ચમાર્ક્સ પર નોંધપાત્ર સુધારાઓ સાથે.
- OpenVision v1 ને હરાવે છે સતત, સૂચવે છે કે જનરેટિવ એન્કોડર ડિઝાઇન એક અર્થપૂર્ણ આર્કિટેક્ચરલ અપગ્રેડ છે.
- મોડેલ સ્કેલ પર સ્પર્ધાત્મક પરિણામો જાળવી રાખે છે, વધુ સારા સ્કેલિંગ વર્તન અને કાર્યક્ષમતા તરફ નિર્દેશ કરે છે.
જો તમારા વર્કલોડ્સ છબીઓની અંદરના ટેક્સ્ટને વાંચવા અને તર્ક કરવા પર આધાર રાખે છે—રસીદો, ફોર્મ્સ, UI સ્ક્રીનશોટ્સ, વૈજ્ઞાનિક આકૃતિઓ—તો આ લાભો ઉત્પાદનમાં ભૌતિક રીતે મહત્વપૂર્ણ છે.
આર્કિટેક્ચર અને તાલીમ: જનરેટિવ શિફ્ટ શા માટે મહત્વપૂર્ણ છે
પરંપરાગત CLIP-શૈલીના મોડેલો કોન્ટ્રાસ્ટિવ લર્નિંગ દ્વારા ટેક્સ્ટ સાથે છબીઓને જોડવામાં શ્રેષ્ઠ છે, જે વૈશ્વિક સંરેખણને પ્રોત્સાહિત કરે છે પરંતુ ફાઇન-ગ્રેઇન્ડ સ્ટ્રક્ચર (જેમ કે નાના ટેક્સ્ટ અથવા ગાઢ એનોટેશન્સ) ને ચૂકી શકે છે. OpenVision 2 નું જનરેટિવ પ્રીટ્રેનિંગ ઉદ્દેશ્ય આનો હેતુ ધરાવે છે:
- વિઝ્યુઅલ પેચ અને ભાષાકીય એકમો વચ્ચે સમૃદ્ધ ટોકન-સ્તરના સંરેખણો શીખવા.
- લેઆઉટ-સભાન સિમેન્ટિક્સ કેપ્ચર કરો જે OCR અને આકૃતિ સમજણમાં મદદ કરે છે.
- ફક્ત સંરેખણને બદલે કન્ડિશનલ જનરેશનને મોડેલિંગ કરીને શૂન્ય-શોટ અને ફ્યૂ-શોટ સેટિંગ્સમાં સામાન્યીકરણમાં સુધારો.
આ ઘણીવાર સુધારેલ TextVQA, OCR, અને ચાર્ટ/ટેબલ QA માં અનુવાદ કરે છે, જ્યાં ટોકન સ્તર પર ચોકસાઈ નિર્ણાયક છે.
ડેવલપર અનુભવ અને એકીકરણ
જ્યારે OpenVision 2 એ સંશોધન-આગળનું પ્રકાશન છે, ત્યારે ટીમો એકીકરણની સરળતાની કાળજી લેશે:
- મોડેલ કદ: કૌટુંબિક અભિગમ વિવિધ લેટન્સી બજેટ્સ માટે બહુવિધ સ્કેલ સૂચવે છે.
- એડેપ્ટર્સ અને ફાઇન-ટ્યુનિંગ: ડોમેન-વિશિષ્ટ દસ્તાવેજોને અનુરૂપ બનાવવા માટે LoRA અથવા લાઇટવેઇટ એડેપ્ટર્સ જેવા સામાન્ય માર્ગોની અપેક્ષા રાખો.
- જમાવટ: GPU અનુમાન માટે યોગ્ય; કાર્યક્ષમતા દાવાઓ એન્ટરપ્રાઇઝ OCR વર્કલોડ્સ માટે ખર્ચ-અસરકારક સ્કેલિંગ સૂચવે છે.
જેમ જેમ ઇકોસિસ્ટમ પરિપક્વ થાય છે, તેમ આની શોધ કરો:
- સંદર્ભ અમલીકરણો અને સ્ટાર્ટર સ્ક્રિપ્ટ્સ.
- પુનઃઉત્પાદન કરી શકાય તેવા બેન્ચમાર્ક હાર્નેસ (દા.ત., TextVQA, DocVQA, ChartQA).
- ઉત્પાદન માટે ONNX/TensorRT નિકાસ પાથ.
લાભો અને ગેરફાયદા
લાભો
- મજબૂત OCR/TextVQA કામગીરી, અગાઉના CLIP બેઝલાઇન્સ અને મૂળ OpenVision ને વટાવી જાય છે.
- સ્કેલ પર કાર્યક્ષમતા, વ્યવહારિક જમાવટમાં સુધારો કરે છે.
- વધુ સારી ફાઇન-ગ્રેઇન્ડ સમજણ, જનરેટિવ પ્રીટ્રેનિંગ માટે આભાર.
- એન્ટરપ્રાઇઝ દસ્તાવેજ AI, રિટેલ અને જ્ઞાન નિષ્કર્ષણ માટે સર્વતોમુખી.
ગેરફાયદા
- પ્રારંભિક ટૂલિંગ અને દસ્તાવેજીકરણ: કેટલાક એસેમ્બલીની જરૂર પડી શકે છે.
- બેન્ચમાર્ક-થી-ઉત્પાદન ગેપ: વાસ્તવિક દુનિયાના OCR ઘણીવાર ઘોંઘાટ ઉમેરે છે; કાળજીપૂર્વક મૂલ્યાંકન મહત્વપૂર્ણ છે.
- ઇકોસિસ્ટમનું કદ: સ્થાપિત CLIP વેરિયન્ટ્સ અને વ્યાપારી સ્ટેક્સ કરતાં નાનું—ઓછામાં ઓછું હમણાં માટે.
OpenVision 2 ની સરખામણી વિકલ્પો સાથે કેવી રીતે થાય છે
- CLIP અને CLIP-જેવા એન્કોડર્સ: વૈશ્વિક સંરેખણ અને પુનઃપ્રાપ્તિ માટે મજબૂત; OpenVision 2 નો હેતુ OCR/TextVQA અને ફાઇન-ગ્રેઇન્ડ કાર્યોમાં તેમને વટાવી જવાનો છે.
- મલ્ટિમોડલ LLMs (દા.ત., વિઝન-સક્ષમ GPT, LLaVA વેરિયન્ટ્સ): સામાન્ય તર્ક માટે ઉત્તમ; ઘણીવાર વિઝ્યુઅલ એન્કોડર બેકબોન પર આધાર રાખે છે. OpenVision 2 OCR-કેન્દ્રિત વર્કલોડ્સ માટે મજબૂત વિઝ્યુઅલ એન્કોડર તરીકે સ્લોટ કરી શકે છે.
- Doc AI નિષ્ણાતો (દા.ત., OCR-વિશિષ્ટ પાઇપલાઇન્સ): ટેક્સ્ટ નિષ્કર્ષણ માટે ખૂબ જ ટ્યુન કરેલ છે પરંતુ વ્યાપક દ્રશ્ય તર્કનો અભાવ હોઈ શકે છે. OpenVision 2 એક સંકલિત અભિગમ પ્રદાન કરે છે જે વાંચે છે અને તર્ક કરે છે.
કિંમત અને લાઇસન્સિંગ
હાલના પ્રકાશનો અને સારાંશો મુજબ, પેપર મોડેલ ક્ષમતાઓ, આર્કિટેક્ચર અને બેન્ચમાર્ક્સ પર ધ્યાન કેન્દ્રિત કરે છે. સંદર્ભિત સામગ્રીમાં કિંમતની માહિતી આપવામાં આવી નથી; પ્રકાશન ફોર્મ (વેઇટ્સ, ચેકપોઇન્ટ્સ અથવા હોસ્ટેડ API) ના આધારે ઉપલબ્ધતા બદલાઈ શકે છે. લાઇસન્સિંગ અને જમાવટની શરતો માટે હંમેશા પ્રોજેક્ટની સત્તાવાર રિપોઝીટરી અથવા જાહેરાત તપાસો.
OpenVision 2 ને અત્યારે કોણે અપનાવવું જોઈએ?
- AI પ્રોડક્ટ ટીમો દસ્તાવેજ સમજણ અથવા વિઝ્યુઅલ QA સુવિધાઓનું નિર્માણ કરે છે.
- એન્ટરપ્રાઇઝ ઉચ્ચ-વોલ્યુમ OCR, પાલન અથવા જ્ઞાન નિષ્કર્ષણની જરૂરિયાતો સાથે.
- સંશોધકો જનરેટિવ વિઝ્યુઅલ એન્કોડર્સ અને મલ્ટિમોડલ મૂલ્યાંકનની શોધ કરે છે.
જો તમે મુખ્યત્વે સામગ્રી મોડરેશન અથવા એસેટ લાઇબ્રેરીઓ માટે વ્યાપક છબી-ટેક્સ્ટ પુનઃપ્રાપ્તિ કરી રહ્યા છો, તો CLIP-જેવા બેઝલાઇન્સ હજી પણ પૂરતા હોઈ શકે છે. પરંતુ જો ટેક્સ્ટ-ઇન-ઇમેજ ચોકસાઈ તમારી અવરોધક છે, તો OpenVision 2 એક મજબૂત ઉમેદવાર છે.
શરૂઆત કરવી: એક વ્યવહારુ માર્ગ
- સ્વીકૃતિ મેટ્રિક્સ વ્યાખ્યાયિત કરો: OCR માટે CER/WER, QA માટે EM/F1, લેટન્સી સીલિંગ્સ.
- એક પ્રતિનિધિ, ઘોંઘાટીયો પરીક્ષણ સમૂહ એસેમ્બલ કરો: સ્કેન, મોબાઇલ કેપ્ચર્સ, ફેરવાયેલા/ઓક્લુડેડ દસ્તાવેજો.
- બેઝલાઇન્સ ચલાવો: તમારું વર્તમાન CLIP એન્કોડર વિ. OpenVision 2.
- લાઇટવેઇટ એડેપ્ટર્સ સાથે 5-10k ડોમેન નમૂનાઓ પર ફાઇન-ટ્યુન કરો.
- માસિક ડ્રિફ્ટ માપો અને વધારાના ડેટા સાથે એડેપ્ટર્સને તાજું કરો.
માર્ગ દ્વારા, જો તમે મલ્ટિમોડલ પાઇપલાઇન્સને પ્રોટોટાઇપ અને પરીક્ષણ કરવાની સરળ રીત ઇચ્છતા હો, તો Sider.AI ની ચેટ-વિથ-તમારા-ડેટા વર્કફ્લો અને કોડ-ફ્રેન્ડલી પ્લેગ્રાઉન્ડ નવા એન્કોડર્સને પ્લગ ઇન કરવાનું, મૂલ્યાંકન સ્યુટ્સ ચલાવવાનું અને આઉટપુટ્સની દૃષ્ટિની રીતે સરખામણી કરવાનું સરળ બનાવે છે. ટીમો માટે નોંધ લેવા યોગ્ય છે કે OCR અને TextVQA સુધારાઓનું A/B પરીક્ષણ શરૂઆતથી સંપૂર્ણ હાર્નેસ બનાવ્યા વિના કરવાનો પ્રયાસ કરી રહી છે.
અમારું મંતવ્ય
OpenVision 2 એ એક વધારાના બમ્પ કરતાં વધુ છે—તે જનરેટિવ વિઝ્યુઅલ એન્કોડિંગ પર એક દિશાત્મક શરત છે જે એવા કાર્યોમાં ચૂકવણી કરતી દેખાય છે જ્યાં ઘણા ઉત્પાદન સિસ્ટમ્સ હજી પણ ઠોકર ખાય છે. જો તમારા રોડમેપમાં દસ્તાવેજ AI, TextVQA અથવા ચાર્ટ/ટેબલ ઇન્ટેલિજન્સ શામેલ હોય, તો આ મોડેલ પરિવાર ગંભીર ટ્રાયલને પાત્ર છે.
અમે આગળ શું જોઈશું
- સમુદાય ચેકપોઇન્ટ્સ અને અનુમાન ઑપ્ટિમાઇઝેશન.
- DocVQA, ChartQA, Chart-to-Text પર હેડ-ટુ-હેડ સરખામણીઓ.
- ઓપન મલ્ટિમોડલ LLM સ્ટેક્સમાં વિઝન બેકબોન તરીકે એકીકરણ.
- ટૂલિંગ પરિપક્વતા: નિકાસકારો, ક્વોન્ટિફિકેશન અને સર્વરલેસ-ફ્રેન્ડલી રનટાઇમ્સ.
મુખ્ય તારણો
- OpenVision 2 એ એક જનરેટિવ વિઝ્યુઅલ એન્કોડર છે જે CLIP બેઝલાઇન્સ અને OpenVision v1 ને વટાવી જાય છે, ખાસ કરીને OCR-કેન્દ્રિત કાર્યો પર.
- સ્કેલ પર કાર્યક્ષમતામાં સુધારાઓ તેને ઉત્પાદન માટે આકર્ષક બનાવે છે.
- TextVQA, દસ્તાવેજ AI અને ચાર્ટ/ટેબલ તર્ક ઉપયોગના કિસ્સાઓ માટે આદર્શ.
- ઇકોસિસ્ટમ અને દસ્તાવેજીકરણ હજી પણ વિકસિત થઈ રહ્યા છે; તમારા ડેટા સાથે મૂલ્યાંકન કરો.
—
સ્ત્રોતો
- OCR/TextVQA લાભો અને ક્રોસ-સ્કેલ કાર્યક્ષમતાને પ્રકાશિત કરતા બેન્ચમાર્ક તારણો સાથે OpenVision 2 પેપર (HTML) અને PDF.
- TextVQA જેવા કાર્યો પર કાર્યક્ષમતા અને બેન્ચમાર્ક પરિણામોનો સારાંશ આપતો ઇમર્જન્ટ માઇન્ડ ઓવરવ્યૂ.
FAQ
Q1: OpenVision 2 શું છે અને તે CLIP થી કેવી રીતે અલગ છે?
OpenVision 2 એ એક જનરેટિવ પ્રીટ્રેઇન્ડ વિઝ્યુઅલ એન્કોડર છે જે શુદ્ધ કોન્ટ્રાસ્ટિવ સંરેખણથી જનરેટિવ ઉદ્દેશ્ય તરફ વળે છે, જે OCR અને TextVQA જેવી ફાઇન-ગ્રેઇન્ડ સમજણમાં સુધારો કરે છે. તે અગાઉના CLIP બેઝલાઇન્સ અને OpenVision v1 ને કેટલાક બેન્ચમાર્ક્સ પર વટાવી જાય છે, ખાસ કરીને OCR-સંબંધિત કાર્યો.
Q2: શું OpenVision 2 OCR અને TextVQA માટે સારું છે?
હા—કામગીરીમાં લાભો OCR-ભારે અને TextVQA દૃશ્યોમાં સૌથી વધુ નોંધપાત્ર છે, જ્યાં ટોકન-સ્તરનું તર્ક મહત્વપૂર્ણ છે. પેપર CLIP બેઝલાઇન્સ અને મૂળ OpenVision પર સતત સુધારાઓની જાણ કરે છે.
Q3: શું OpenVision 2 નો ઉપયોગ મલ્ટિમોડલ LLMs માટે વિઝન બેકબોન તરીકે થઈ શકે છે?
હા. OpenVision 2 એક મજબૂત વિઝ્યુઅલ એન્કોડર બેકબોન તરીકે સેવા આપી શકે છે, ખાસ કરીને એવા કાર્યો માટે કે જેમાં ઇમેજમાં ચોક્કસ ટેક્સ્ટ સમજણની જરૂર હોય છે, જે ડાઉનસ્ટ્રીમ મલ્ટિમોડલ તર્કને વધારે છે.
Q4: OpenVision 2 ની ખામીઓ અથવા મર્યાદાઓ શું છે?
ટૂલિંગ અને ઇકોસિસ્ટમ પરિપક્વતા હજી પણ વિકસિત થઈ રહી છે, તેથી ટીમોને મૂલ્યાંકન અને જમાવટ પાઇપલાઇન્સ એસેમ્બલ કરવાની જરૂર પડી શકે છે. કોઈપણ બેન્ચમાર્કની જેમ, પ્રતિબદ્ધતા પહેલાં તમારા પોતાના ઘોંઘાટીયા, વાસ્તવિક દુનિયાના ડેટા પર માન્ય કરો.
Q5: હું ઉત્પાદનમાં OpenVision 2 સાથે કેવી રીતે શરૂઆત કરું?
સ્વીકૃતિ મેટ્રિક્સ વ્યાખ્યાયિત કરો (દા.ત., CER/WER, EM/F1), એક પ્રતિનિધિ પરીક્ષણ સમૂહ બનાવો, તમારા વર્તમાન એન્કોડર સામે સરખામણી કરો અને લાઇટવેઇટ એડેપ્ટર્સ સાથે ફાઇન-ટ્યુન કરો. ડ્રિફ્ટને મોનિટર કરો અને ફાઇન-ટ્યુન્સને નિયમિતપણે તાજું કરો.
