Create Your Own Microsoft Recall AI Feature with RAG?

Summary

このビデオでは、Microsoftの議論の多いリコール機能にインスパイアされた独自のバージョンを作成するプロジェクトが紹介されています。開発者はローカルで実行する予定だったものの、性能が不安定だったため、クラウドベースのGPT 40を使用してプロトタイプを作成しました。プロジェクトは3つのフェーズに分けられており、記録、分析、使用がそれぞれ行われます。スクリーンショットを撮り、変化を監視し、分析フェーズでGPT 40を用いて情報を抽出します。最後に、RAGシステムを使ってユーザーが過去のスクリーンショットを検索できるようにします。コードの詳細と実際の動作を紹介し、Brilliant.orgという学習プラットフォームも紹介しています。

Takeaways

• 🤖 プロジェクトのアイデアは、Microsoftの反論機能にインスパイアされたもので、独自バージョンの作成を目指しています。
• 🚫 ローカルでの実行を計画していたものの、性能が不安定だったので、GPD 40を使わなければならなくなりました。
• 🔄 プロジェクトは3つのフェーズに分けられています：記録、分析、使用（RAG）フェーズです。
• 📸 レコードフェーズでは、スクリーンショットを撮って変化を監視し、5%のピクセルチェンジがあると新しいスクリーンショットを保存します。
• 🧐 アナリゼフェーズでは、GPT 40を使ってスクリーンショットから情報を抽出し、アーカイブに保存します。
• 🔍 RAGフェーズでは、保存されたアーカイブとスクリーンショットを使用して、特定のアクションやウェブサイトを検索することができます。
• 💻 コードの解説では、GP 4モデルの強さと、ローカルでの実行が難しい理由について言及されています。
• 🔗 RAGモデルを使用した検索デモンストレーションでは、過去のスクリーンショットと関連情報を特定の質問に応じて検索することができました。
• 👨‍🏫 brilliant.orgがデータ分析や言語モデルの理解を深めるためのリソースとして紹介されています。
• 🔗 GitHubのコミュニティへのリンクと、コードのアップロードが予定されていますが、プライバシーに関する注意も提示されています。
• 🎉 プロジェクトは成功裏に動作し、将来的にはローカルで実行できるようになればと期待しています。

Q & A

ビデオで紹介されたプロジェクトの主な目的は何ですか？

ビデオでは、Microsoftのリコール機能にインスパイアされた独自のバージョンを作成するプロジェクトが紹介されています。これは、コンピュータ画面のスクリーンショットを撮り、それらを分析し、RAG（Retrieval-Augmented Generation）モデルを使って検索可能なアーカイブを作成することを目的としています。

プロジェクトをローカルで100％実現する予定だった理由は何ですか？

プロジェクトをローカルで実行することで、パフォーマンスの安定性とプライバシーの保護を図る予定でした。しかし、利用可能なモデルの性能が不十分で安定性がないため、クラウドベースのGPT-4.0を使うプロトタイプを作成することに変わりました。

プロジェクトの3つのフェーズとは何ですか？

プロジェクトは3つのフェーズに分けられています。1つ目は「記録フェーズ」でスクリーンショットを撮ることです。2つ目は「分析フェーズ」でスクリーンショットを分析し、ユーザーのアクションやURLを抽出します。3つ目は「RAGフェーズ」で、アーカイブされた情報を使用して検索機能を提供します。

スクリーンショットを撮る際にどのような条件を設けていますか？

スクリーンショットは、前回のスクリーンショットと5％以上のピクセルが変化したときにのみ撮影されます。これにより、同じ画面を何度も撮影するのを避け、効率的にスクリーンショットを管理しています。

GPT-4.0を使用する理由は何ですか？

GPT-4.0は、開発者が試した中で最も優れたモデルであり、スクリーンショットからユーザーのアクションやURLを抽出するタスクに非常に適しています。しかし、オープンソースの同等のモデルがあればローカルでの実行が実現可能になるため、将来的にはそのようなモデルを期待しています。

RAGモデルを使用する目的は何ですか？

RAGモデルは、検索可能なアーカイブを作成し、ユーザーが過去のアクションや特定のスクリーンショットを検索できるようにするためです。これにより、ユーザーは特定の日付やウェブサイトでのアクションを問い合わせることができ、それに関連するスクリーンショットを見つけることができます。

ビデオスポンサーであるbrilliant.orgはどのようなサービスを提供していますか？

brilliant.orgは、データ分析や大きな言語モデルのしくみなど、複雑な科目を魅力的で手を出すことができる体験に変えるオンライン学習プラットフォームです。レッスンはリアルの問題を解決することで効果的で楽しい学習体験を提供し、批判的思考スキルと学習習慣を育てることができます。

開発者が使用したチャンキングとは何ですか？

チャンキングは、テキストを最大1000文字のチャンクに分割するプロセスです。これにより、RAGモデルで検索できるようにテキストが整理され、効率的に扱われます。

スクリーンショットの名前付けに使用されるGPT-4.0の機能とは何ですか？

GPT-4.0は、与えられた説明に基づいて短くて具体的で関連性の高いファイル名を生成する機能を使用しています。これにより、アーカイブされたスクリーンショットが効果的に検索でき、ユーザーが必要な情報を迅速に見つけることができます。

開発者が行ったプロトタイプのデモンストレーションでは何を示しましたか？

開発者は、スクリーンショットがどのように自動的に撮影され、分析され、RAGモデルによって検索可能なアーカイブに保存されるかをデモンストレーションしました。また、実際にRAGを使用して過去のアクションやスクリーンショットを検索するデモンストレーションも行いました。

今後のプロジェクトで何を計画していますか？

開発者は、今後も興味深いプロジェクトを計画しており、ローカルでの実行が可能になるより良いビジョンモデルを見つけるかもしれないと話していました。また、コミュニティGitHubにコードをアップロードし、チャンネルのメンバーシップを通じてアクセスを提供する予定です。

Outlines

00:00

🤖 自己のバージョンのMicrosoftリコール機能を作る

ビデオでは、Microsoftのリコール機能にインスパイアされたプロジェクトを紹介しており、ローカルで100％実行する予定だったがパフォーマンスが不安定だったため、GPD 40を使用してプロトタイプを作成することにしました。プロジェクトは記録、分析、使用の3つのフェーズに分けられており、スクリーンショットを撮り、変化が5％あった場合にのみ新しいスクリーンショットを保存する機能も実装されています。

05:04

🔍 スクリーンショットの分析とアーカイブ化

GPD 40を使ってスクリーンショットを分析し、ウェブサイトのURLやユーザーの操作などの情報を抽出しています。スクリーンショットは新しいフォルダに保存され、後で参照できるようにアーカイブ化されています。また、GPT 40を使ってカスタムのスクリーンショット名を生成し、後で検索できるようにしています。

10:06

📚 RAGを使用したシステムの実用化

RAG（Retrieval-Augmented Generation）モデルを使って、保存されたスクリーンショットとユーザーアクションを組み合わせて検索可能にしています。ローカルのAMA埋め込みモデルを使用して検索を行い、特定のアクションやウェブサイトに関する情報を特定の日にアクセスしたかどうかを検索することができます。

15:07

💻 コードの詳細とデモンストレーション

重要なコードの機能を説明しており、スクリーンショットを分析するプロンプトやチャンキング、RAGへの組み込み方法について詳述しています。また、スクリーンショットの比較や新しいスクリーンショットのトリガーに使用されるdiffパーセントの設定についても触れています。実際にスクリプトを実行し、ウェブサイトの閲覧やターミナルでの操作がどのように記録され検索可能になるかをデモンストレーションしています。

🔗 RAGでの検索と結果の確認

RAGを使用して新しい履歴を埋め込み、過去のスクリーンショットとユーザーアクションを検索する方法を紹介しています。特定のツイートやGitHubのポストに関するスクリーンショットを特定の質問に応じて見つけることができ、そのポストに関する詳細情報を確認できることをデモンストレーションしています。

🚀 プロジェクトの総括と今後の展望

ビデオの締めくくりとして、作成したプロトタイプの総括と今後の展望について話されています。ローカルで実行できるモデルがあれば100％ローカルで実行できるといいが、現在のGPD 40のモデルはプライバシーに関する懸念があるため、実際に使用するべきではないと指摘しています。しかし、将来的にはアップグレードされ、さらに興味深いものになる可能性があると期待しています。

Keywords

💡Microsoft recall feature

これはマイクロソフトが開発した機能で、ユーザーが過去のアクティビティを呼び出すことができます。ビデオでは、この機能にインスパイアされた独自のバージョンを作成することが目的とされています。ビデオのテーマは、ローカル環境で実行されることを目指していたが、性能の問題からクラウドベースのモデルであるGPT 40を使用することになりました。

💡GPT 40

GPT 40は、ビデオで使用されるクラウドベースの言語モデルです。ビデオでは、ローカルで実行する予定だったが、パフォーマンスの問題からプロトタイプとしてGPT 40を使用することになりました。GPT 40は、スクリーンショットを分析し、ユーザーのアクションやURLを抽出する上で非常に優れたパフォーマンスを発揮しています。

💡record phase

ビデオの中で説明されている3つのフェーズの1つで、コンピュータのスクリーンショットを撮影し、それらを分析し、RAGシステムに投入するプロセスです。ビデオでは、画面上のピクセルの変化を監視し、5％の変化がある場合にのみ新しいスクリーンショットを撮影する機能が実装されています。

💡analyze phase

ビデオで説明されている3つのフェーズの2つ目で、スクリーンショットを分析し、ユーザーのアクションや関連するURLを抽出するプロセスです。GPT 40を使用して、スクリーンショットから得られた情報をアーカイブに記録し、後で参照できるようにします。

💡RAG phase

ビデオで説明されている3つのフェーズの3つ目で、アーカイブされたユーザーアクションとスクリーンショットを使用して、検索と呼び出しを行うプロセスです。ローカルのAMA埋め込みモデルを使用して、検索空間を検索し、特定のアクションやウェブサイトに関する情報を特定のスクリーンショットと関連付けることができます。

💡AMA embeddings models

ビデオでは、ローカルで実行されるAMA埋め込みモデルを使用して、テキストデータを埋め込み空間に変換しています。これにより、RAGシステム内で効率的な検索が可能になります。ビデオでは、このモデルを使用してユーザーアクションのテキストを埋め込み、RAG空間を検索するのに使っています。

💡chunking

テキストを最大1000文字のチャンクに分割するプロセスで、RAGでの検索に使用されます。ビデオでは、スクリーンショットに関連するアクションをチャンク化し、RAGで検索できるようにしています。この方法により、特定のアクションやウェブサイトに関する情報を効率的に検索できます。

💡screenshot comparison

ビデオでは、新しいスクリーンショットを撮影するかどうかを決定するために、前のスクリーンショットと比較するプロセスを実装しています。ピクセルの5％の変化がある場合にのみ新しいスクリーンショットが撮影され、無駄なスクリーンショットの生成を避けることができます。

💡open CV2

ビデオでは、スクリーンショットの比較にOpenCV2ライブラリを使用しています。これは画像処理ライブラリで、ピクセルレベルでの画像の比較と分析を行うことができます。ビデオでは、OpenCV2を使用してスクリーンショット間の変化を測定し、新しいスクリーンショットを決定しています。

💡community GitHub

ビデオの最後に言及されているコミュニティGitHubは、プロジェクトのコードやリソースを共有するための場所です。ビデオでは、関心のある視聴者がコードにアクセスし、詳細を学ぶためにコミュニティGitHubに参加するよう呼びかけています。

Highlights

项目灵感来源于微软的召回功能，尝试创建自己的版本。

原计划完全本地化实现，但性能不稳定，因此放弃，转而使用GPT 40模型。

项目分为三个阶段：记录、分析和使用。

记录阶段通过屏幕截图并监测像素变化来避免重复截图。

分析阶段使用GPT 40模型提取屏幕截图中的用户交互、URL等信息。

存档功能允许用户回溯历史记录。

使用阶段通过本地AMA嵌入模型和llama 3搜索功能实现内容检索。

演示了如何通过搜索查询找到特定日期访问Discord的截图。

介绍了赞助商brilliant.org，提供数据分析和大型语言模型的课程。

代码演示了如何实现屏幕截图的分析和存档。

展示了如何使用GPT 40模型提取图像中的重要信息。

说明了如何将用户活动和截图信息分块并存档以供检索。

演示了如何通过比较像素变化来决定何时拍摄新截图。

展示了如何使用本地嵌入模型和搜索功能来实现召回功能。

讨论了代码的开源性和数据隐私问题。

提供了GitHub链接，供有兴趣的观众访问和学习。

展示了实际运行脚本并检索特定信息的过程。

讨论了召回功能的未来可能性和改进方向。

鼓励观众提供本地化解决方案，并考虑未来合作。

总结了项目的意义和对未来的展望。

Transcripts

today's project is of course going to be

heavily inspired by the kind of

controversial Microsoft recall feature

so I really want to see if we can create

our own version of this my plan was to

do this 100% locally but the wish wers

just weren't good enough the performance

was not stable so I had to kind of

abandon that and just make a prototype

using GPD 40 because that is kind of the

far by the best wish model I have tried

so far so yeah it's a bit shame but I

wanted it to be locally but uh yeah that

could be something for the future so let

me just go through kind of how we set

this up and how I wanted this to work so

I divided this into three phases so we

have the record phase we have the

analyze phase and to kind of use this we

have a rag phase I'm going to explain

that but let's just start here on the

record phase so basically when we fire

up our script this is going to

screenshot our computer screen of course

and it's going to say those screenshots

and bring them to further analyze and

put them into a rag system right but I

kind of wanted to uh Implement something

that kind of monitor pixel changes on

our screen because we don't want to spam

the same screenshot over and over again

so I implemented something that looks at

our Monitor and if there's a 5% pixel

change to kind of the previous

screenshot then it's going to take a new

screenshot and save that and bring it

over over to the analyze phase I also

implemented a step down here that GPT 40

creates a custom screenshot name uh

based on kind of the analyze uh feature

here from GPT 40 because we want to

Archive those screenshots so we can look

them up later that is kind of the ID

behind the recall feature right if we go

to the analyze phas now you can see uh

when a screenshot is Sav is going to be

analyzed by GT40 so this is going to

extract you inter actions what happened

in the screen any URLs and of course the

name that is associated with the

screenshot and this is going to be put

in our

archive uh but also the screenshot is

saved to a new folder so we can look it

up if we want to go back in time and see

what we did in this exactly Frozen

moment in time right uh I think that's

kind of how this Microsoft recall

feature works so I thought it was pretty

interesting and it does work

uh so let's just move on to kind of the

rag phase this is how we can actually

use this system and here you can kind of

see we just take the archive that is

kind of the user action plus the link to

the screenshot uh we have saved in

archive and we create embeddings from

this uh this is done locally so we are

using a local AMA embeddings models and

we use llama 3 to kind of search over

that rag space right uh so here we can

just search for let's say something like

uh did I visit Discord yesterday and

then you can kind of find the associated

screenshot when you did visit let's say

Discord what you talked about on Discord

because you kind of get the recent

action that you talked about on the

Discord screenshot and you get the name

so you can look up the screenshot and

see exactly what you did so that is

basically the whole ID behind this uh so

now I think we just going to take a

quick look at the code kind of how I set

this up and let's bring it out in action

and see if it actually works but before

we do that if you want to learn more

about how llms work data analysis

science and all that stuff take a look

at today's sponsor brilliant.org are you

eager to dive into the world of data

analysis or understand how large

language models work then you're going

to love brilliant.org the sponsor of

today's video brilliant turns complex

subjects into engaging Hands-On

experiences that make learning fun and

effective I especially like the building

regression models course that is perfect

for Learners at any level you learn how

to visualize massive data sets make

better informed decisions from the bias

theorum to multiple linear regression

another favorite mine is of course the

how llms work course this immersive AI

Workshop lets you explore the mechanics

of large language models showing you how

they build vocabulary and generate

different outputs like poetry or cover

letters freance approach to learning is

proven to be six times more effective

than traditional lectures by solving

real problems you build critical

thinking skills and a powerful daily

learning Habit to try everything

brilliant has to offer for free for 30

days visit brilliant.org allabout aai or

just click the link in the description

below go start your Learning Journey

today a big thanks to brilliant for

sponsoring this

video okay so now let's walk through

some of the most important functions in

our code to actually make this work so I

just want to start with the analyze

screenshot functions because this is

kind of the the most important part of

course uh you can see we are running the

GP 4 all model uh it's just so good like

it's by far the best wish model I ever

tried uh I just wish there was like an

open source model that could be on this

level soon so we can make this 100%

locally I think how bad cool that would

be but now it's like should you I don't

even think you should use this because

this is sending kind of your uh

proprietary data sometimes out with the

API and stuff so this is just kind of

prototype for something hopefully we can

have in the future but it is really fun

to play around with and it does work but

let's just focus on the code here now

for a while so you can see uh so let's

let me show you kind of the The Prompt I

use here extract the most important

information from what is happening in

the image include URLs on the website if

applicable because I want to be able to

kind of extract the URLs I was on let's

say I remember something I was on I was

on that web page but I don't remember

exactly the URL then I can kind of

search up that information and find the

url I was on so yeah that is kind of the

idea behind this it's a pretty simple

prompt but it works for my my use case

here okay so now we kind of come to the

chunking part this is important for the

rag right and this is kind of taken from

my EC local rag setup so we're going to

divide it into chunks of Maximum

thousand characters and

every yeah how should you say this every

action is kind of chunked into the

history. text so we can use it in rag to

search up so I just wanted to show you

an example so you can see here uh here

is kind of one action we took from a

screenshot so you can see we have the

PNG image here that is associated with

this

uh with this uh saved action so the user

was engaged in multiple activities on

the computer running a python

script executing a python script called

recall in power cell

terminal and you can see reviewing a

directory and we have a directory path

working on a canva project so we got a

lot of information from this and we can

also look up this image here if we go to

my folder now you can see I have the

archive user activity recall 12 cona AI

so here you can see everything that

happened in that image so this is kind

of associated with this uh action right

and we have another uh image here the

user was watching a YouTube video called

Introducing co- pilot PC by

Microsoft and this is our other

screenshot so you can see it here so

yeah I think it's working pretty good

and that is kind of how we set this up

uh we also have a GPD for Oat to kind of

rewrite this queries so you're an expert

extracting information from a text uh we

use that uh and here is kind of the

compare screenshot function so we take

the previous screenshot and compare it

with the new one and if kind of the

difference in pixels is uh set

percentage here uh then we're going to

execute on that screenshot because if I

just leave my screen on like this

there's no pixel changes so we're not

going to take a screenshot then only if

the user does something else that is

kind of the idea behind it and that is

one I kind of understood that Microsoft

is trying to do as well so I set the

diff percentage to five I don't know

what the optimal solution is here uh but

I set it to five now and seems to be

working pretty

good so yeah you can see here the GPD 4

oat prompt is kind of we feed in the

result from the image description right

and then we say from the image

description about extract

information uh what the user is doing on

the computer include a URL if applicable

so the reason I kind of run it again

with a

new uh function here is because I had

some results just running it from this

uh that was not too good so I tried to

run it again over a new function just by

feeding in the results and it seemed to

work pretty good so uh I kind of left it

like this and here is kind of the

relevant file name query if we look at

the names of our images you can see my

file name here is Microsoft co-pilots PC

keynote and this file name comes from

using the gp4 oat model and Generator

short concise relevant file name for the

following description this file name is

quite important because uh this can be

used in our rag phase to get keywords so

if we type Microsoft co-pilot this will

kind of pop up in our rag search right

that is why I want these file names to

be relevant and not just some random

name and yeah is there anything else to

say here about the code it's pretty

straightforward uh it kind of ends up at

the end here that we are

chunking uh everything and putting it

into this history text on kind of a new

line so it's ready to be embedded in our

rag model uh I might do like a follow-up

video video on my member section if

people are interested in diving deeper

into this of course this code is going

to be uploaded to the community GitHub

so if you want straight access to this

just become a member of the channel

follow the link in the description and I

will invite you to our community GitHub

and our community

Discord and yeah at the end there if we

want to stop this we can just keyboard

interrupt and this will exit uh other

than that it's just going to run in a

true true true Loop until we stop it I

also added this 3 second delay before

starting because when we fire up our

terminal here yeah I just wanted a small

sleep

here and yeah that is basically it uh to

do this um compare screenshots we are

using open

CV2 and seems to be working pretty good

so I think I just want to show you kind

of In Action Now how this works and what

we can do with this okay so let's run

our script now and let's kind of see how

this works now so uh let's say I just

wanted to start my day at working so I'm

just going to fire up this script I'm

just going to go to this website here

I'm just going to pretend I'm reading

this so hopefully now this has taken a

screenshot of this right uh so I just

want to leave it here now because now

you can kind of see it's measuring the

different percentage so let's say now we

switch to this x poost okay so now we

kind of changed our image and then you

can see if we go back here the

percentage changed to

26% and that means that we took a new

screenshot right because the pixels

changed and we take a look at this post

on X and now we got a second different

uh percentage because we brought up the

terminal but if we let this just run now

we're probably just going to stay on

this so now just let's just operate the

computer as normal this is going to run

in the background right so we can see

here we are on kind of the local llama

Reddit post we can read a bit about this

of course this is not going to take

screenshots every single second so it's

going to be a bit it's not perfect right

we can click onto this GitHub

page and hopefully we are collecting

screenshots now as we are scrolling but

of course it's not going to be perfect

so I think we're just going to stop it

here now and then we can kind of take a

look at the results and how we can

implement this into rag R so if we go

back now to our history. text we can

kind of reload this and we should have

some more yeah information here so you

can see a carati gpt2 reproduction

llmc the users reading a post uh Andre

carpon X yes we did that the users

reading a post on local llama reading a

post on GitHub executing a python script

that's true and yeah you can see this

worked pretty good let's take a look at

the images that is kind of associated

with this so let's take a look at the

carpati gpt2 reproduction image so we

can just go here Cara

2 uh yes so you can see this is the

image of

the the Twitter post we read right or

the X post so yeah we can actually align

this with our information and find the

screenshot here so I think the next step

now is going to be to look at our Rag

and how we can embed this and start

using our

recall feature information so here we

are basically using exactly the setup I

had on my E Local rag you can find that

that's open source you can just follow

the link in description to find this

code so basically the only difference

here is now that instead of uh feeding

in our w we call it uh in the previous

version we're just feeding in our

history. text right and embedding that

and we can start searching over it so

let's just fire up the terminal here and

kind of let's clear our cach first and

then we can embed our new history here

right so let's just run python Reco

ragp D- clear cache so we kind of clear

our previous cache okay and then we can

generate new embeddings on history. text

save embeddings to Vault embeddings Json

and now we can start asking question

about our yeah documents but it is

actually our recall uh information right

so let's try to ask I read a post about

gpt2 on X but I forgot who the author

[Music]

was okay so we are fetching some

information about gpd2 here from our

archive right according to your archive

data you read a post about Yeah by Andre

car party on X for Twitter but

reproducing the gp2 Mor okay yeah that's

good let's also try to find our um

related

screenshot do I have any PNG Files about

gpt2 okay so you can see according to

Archive data you have two PNG files

related to gpt2 reproducing gpt2 Gib uh

recall diff percentage okay so let's

check this reproducing GPT through 124

million 90 minutes so we can go to our

archive here and you can see reproducing

gpt2 so this is actually from the GitHub

so not exactly our

X um post but yeah I guess it found

something let's try to alter that and

add X in maybe let's ask do I have any

PNG Files about gpt2 from

X according to Archive data you have one

PNG file yes gp2 from X okay perfect so

this is the car party gpt2 reproduction

llmc so let's see if that

works and yeah perfect so if I was a bit

more specific there I could actually

find the post we took the screenshot of

on X so yeah I got to say I'm pretty

happy how this worked and it is actually

kind of how I wanted this to work so

this means that you can kind of get like

a imagine you get like a big storage

here in your history and you get like a

ton of different screenshots here this

could be helpful if you wanted to kind

of track back and see what you did maybe

yesterday and stuff like that so I think

it's working kind of how I wanted this

to work with this rag face

implementation so yeah that is basically

what I wanted to share with you today

like I said uh in the video if you want

access to this just follow the link in

the description and become a member of

the channel I will probably upload this

uh code tomorrow uh I might even do a

more Deep dive into how this exactly

work if people want that uh but yeah I

found it interesting it's a shame that

we can't do it or that I couldn't

actually do it locally uh yet and maybe

some of you can list if you actually

find a good way to do this locally

please leave a comment uh and I want to

see it and I want to try it and maybe we

can do something together uh but other

than that uh I think it worked pretty

good I'm very happy how it turned out

and it was not that hard to implement

and I think we could kind of upgrade

this in the future and that's going to

be very

interesting uh so yeah should you use

this probably no because you're sending

a lot of private information over the

API and yeah I'm not sure uh I don't

think I'm going to use this actively but

it was a fun prototype to Showcase what

we might have uh running locally in the

future we just need a bit of a better

Vision model and I think everything

should work pretty good uh other than

that yeah thank you for tuning in and

got some cool projects coming up so look

out for that and don't forget to check

out brilliant.org Link in the

description thank you for tuning in and

I'll see you again on Sunday