AI দিয়ে ভালো ছবি তৈরি করা কোনো জাদুমন্ত্র করার মতো হওয়া উচিত নয়। অথচ বেশিরভাগ টিম ঠিক এভাবেই এটাকে দেখে। তারা সঠিক বিশেষণ বা adjectives-এর সংমিশ্রণ খুঁজে বেড়ায়, এই আশায় যে "cinematic," "hyper-detailed," বা "8K" শব্দগুলো কোনোভাবে তাদের প্রয়োজনীয় আউটপুট বের করে আনবে। টিমের একজন সদস্য "bokeh" এবং "golden hour"-এর ওপর খুব ভরসা করেন। অন্য একজন Reddit থ্রেড থেকে পাওয়া কিছু "ম্যাজিক" কিওয়ার্ডের একটি ব্যক্তিগত স্প্রেডশিট মেইনটেইন করেন। এর ফলাফলটি অনুমান করা সহজ: প্রতিটি ছবি দেখতে আলাদা হয়, রিভিউ সাইকেল অনেক লম্বা হয়ে যায় এবং কেউ ব্যাখ্যা করতে পারে না কেন কিছু প্রম্পট কাজ করে আর কিছু কাজ করে না।

কৌশল বা ট্রিকস স্কেল করা যায় না। কখনোই না। যখন সবাই প্রম্পট লেখে যেন তারা কবিতা লিখছে, তখন ধারাবাহিকতা হারিয়ে যায়। একজন ডিজাইনার চান একটি মিনিমালিস্ট লুক। অন্যজন চান কিছু সিনেমাটিক। দুজনেই একই অস্পষ্ট শব্দ ব্যবহার করেন কিন্তু সম্পূর্ণ ভিন্ন ভিন্ন ফলাফল কল্পনা করেন। এই বিশৃঙ্খলা রিভিউ কিউতে ধরা পড়ে। স্টেকহোল্ডাররা এমন সব কারণে ছবি প্রত্যাখ্যান করেন যা নির্দিষ্ট কোনো নির্দেশনার সাথে মেলানো যায় না। এটি কি শব্দচয়ন ছিল? নাকি শব্দের ক্রম? নাকি মুড? টিমগুলো আসলে কী ভুল হয়েছে তা ঠিক করার পরিবর্তে পুরো প্রম্পটটি নতুন করে লেখার চেষ্টা করে।

আমি GitHub এবং Evolink.ai থেকে ১২,৫০২টি উচ্চমানের প্রম্পট বিশ্লেষণ করেছি। যে প্যাটার্নটি বেরিয়ে এসেছে তা সৃজনশীলতা নিয়ে নয়। যে প্রম্পটগুলো নির্ভরযোগ্য এবং বারবার ব্যবহারযোগ্য ফলাফল দেয়, সেগুলো ছোট গল্পের মতো নয় বরং টেকনিক্যাল স্পেসিফিকেশনের মতো মনে হয়। লেখকরা খুব সুন্দর বা অলঙ্কৃত ভাষা দিয়ে মডেলকে প্রভাবিত করার চেষ্টা করছিলেন না। তারা একজন ইঞ্জিনিয়ার যেভাবে একটি স্কিম্যাটিক (schematic) তৈরি করেন, ঠিক সেভাবেই নির্দেশাবলী তৈরি করছিলেন: সুনির্দিষ্ট, স্তরভিত্তিক এবং স্পষ্ট।

এর মানে হলো আপনার একজন সৃজনশীল লেখক হিসেবে ভাবা বন্ধ করে একজন স্পেসিফিকেশন রাইটার হিসেবে ভাবা শুরু করা উচিত। এই পার্থক্যটি কেবল তাত্ত্বিক নয়। সৃজনশীল লেখা বিশেষণ সাজিয়ে একটি মুড বা ভাব তৈরির চেষ্টা করে। স্পেসিফিকেশন রাইটিং ভেরিয়েবলগুলোকে আলাদা করে এবং সেগুলোকে আলাদাভাবে নিয়ন্ত্রণ করে।

এখানে সেই ছয়টি স্তরের কাঠামো দেওয়া হলো যা উচ্চ-কার্যক্ষমতাসম্পন্ন প্রম্পটগুলোতে ধারাবাহিকভাবে দেখা যায়।

লক্ষ্য (Goal)

ছবিটি কেন তৈরি করা হচ্ছে তা দিয়ে শুরু করুন। আপনি কি একটি ল্যান্ডিং পেজের জন্য প্রোডাক্ট হিরো শট তৈরি করছেন? ডকুমেন্টেশনের জন্য একটি টেকনিক্যাল ডায়াগ্রাম? নাকি কোনো গেমের জন্য ক্যারেক্টার স্প্রাইট? লক্ষ্যটিই পরবর্তী প্রতিটি সিদ্ধান্ত নির্ধারণ করে দেয়। লক্ষ্য ছাড়া আপনি লক্ষ্যহীনভাবে তীর ছুড়ছেন এবং লক্ষ্যভ্রষ্ট হওয়ার জন্য অভিযোগ করছেন।

ক্যানভাস (Canvas)

একটি মাত্র ভিজ্যুয়াল এলিমেন্ট বর্ণনা করার আগেই আপনার টেকনিক্যাল ভিত্তি সেট করে নিন। অ্যাসপেক্ট রেশিও (aspect ratio), রেজোলিউশন এবং প্রাসঙ্গিক ক্ষেত্রে কালার স্পেস বা গ্যামাট নির্ধারণ করুন। আপনার ছবির যদি একটি সোশ্যাল মিডিয়া ব্যানার হওয়ার প্রয়োজন হয়, তবে ১৬:৯ বলুন। যদি এটি একটি মোবাইল অ্যাপ আইকন হিসেবে প্রয়োজন হয়, তবে ১:১ বলুন। ক্যানভাস হলো ফ্রেম। এটি ভুল হলে নিখুঁত সাবজেক্টও অপ্রাসঙ্গিক মনে হবে।

লেআউট (Layout)

কোন জিনিসটি কোথায় থাকবে এবং কোনটির গুরুত্ব সবচেয়ে বেশি তা বর্ণনা করুন। সাবজেক্ট কি মাঝখানে আছে? নাকি হেডলাইনের জন্য জায়গা রাখতে এটিকে বাম দিকের এক-তৃতীয়াংশে সরিয়ে রাখা হয়েছে? টেক্সট ওভারলে করার জন্য কি নেগেটিভ স্পেস প্রয়োজন, নাকি পুরো ফ্রেমটি পূর্ণ করার প্রয়োজন? লেআউট হায়ারার্কি বা শ্রেণিবিন্যাস প্রতিষ্ঠা করে। এটি মডেলকে বলে দেয় কোনটির জন্য মনোযোগ আকর্ষণ করতে হবে এবং কোনটিকে কিছুটা ফাঁকা রাখতে হবে। এটিকে শব্দের মাধ্যমে ওয়্যারফ্রেমিং (wireframing) হিসেবে ভাবুন।

বিষয়বস্তু (Subject)

এখন মূল ভিজ্যুয়াল এলিমেন্টগুলোর বিস্তারিত বর্ণনা দিন। অবজেক্ট, ব্যক্তি, প্রাণী বা দৃশ্য সম্পর্কে সুনির্দিষ্ট হোন। "একটি কুকুর"-এর পরিবর্তে বলুন "একটি মাঝারি আকারের বিগল কুকুর, যা হাঁটার মাঝপথে আছে এবং নিচ থেকে তিন-চতুর্থাংশ কোণ (three-quarter angle) থেকে দেখা যাচ্ছে।" "একটি গাড়ি"-এর পরিবর্তে বলুন "একটি সিলভার সেডান যা ক্যামেরার সাথে ৪৫-ডিগ্রি কোণে পার্ক করা আছে এবং ড্রাইভারের দিকটি দেখা যাচ্ছে।" সাবজেক্ট লেয়ারটি হলো যেখানে সুনির্দিষ্টতা সবচেয়ে বেশি প্রয়োজন, কারণ AI মডেলগুলো আপনি যা বর্ণনা করছেন তার সবচেয়ে সাধারণ বা জেনেরিক সংস্করণটি দেখানোর প্রবণতা রাখে। জ্যামিতি, অ্যাঙ্গেল এবং দৃশ্যমান বৈশিষ্ট্যগুলো নির্দিষ্ট করে দিয়ে সেই জেনেরিক ভাবটি দূর করুন।

স্টাইল (Style)

স্টাইলটি সুনির্দিষ্টভাবে উল্লেখ করুন। কোনো অনুভূতি বর্ণনা করবেন না। বলুন "১৯৮০-এর দশকের এডিটোরিয়াল ফ্যাশন ফটোগ্রাফি" অথবা "মিড-সেঞ্চুরি ট্রাভেল পোস্টারের স্টাইলে ফ্ল্যাট ভেক্টর ইলাস্ট্রেশন"। বলুন "Unreal Engine 5 রেন্ডার উইথ ফিজিক্যালি বেসড ম্যাটেরিয়ালস" অথবা "রাইস পেপারে ইঙ্ক ওয়াশ পেইন্টিং"। আপনার স্টাইল রেফারেন্স যত বেশি নির্দিষ্ট এবং সীমাবদ্ধ হবে, মডেলের অনুমান করার প্রয়োজন তত কম হবে। আপনি যদি বলেন "আধুনিক" (modern), দশজন মানুষ দশটি ভিন্ন দশক কল্পনা করবে। কিন্তু আপনি যদি বলেন "১৯২৩ সালের বাউহাউস পোস্টার ডিজাইন" (Bauhaus poster design from 1923), তবে আপনি সেই অস্পষ্টতার ব্যবধান কমিয়ে আনলেন।

সীমাবদ্ধতা (Constraints)

কী কী থাকা উচিত নয় তা স্পষ্টভাবে তালিকাভুক্ত করুন। এই লেয়ারটি রিভিউ করার সময় সময় নষ্ট করে এমন অদ্ভুত ভুলগুলো প্রতিরোধ করে। আপনি যদি কোনো কর্পোরেট সাইটের জন্য পোর্ট্রেট তৈরি করেন, তবে ঝাপসা মুখ (blurred faces), সানগ্লাস বা দৃশ্যমান ব্র্যান্ড লোগো না থাকার জন্য সীমাবদ্ধতা আরোপ করুন। যদি কম্পোজিটিংয়ের জন্য একটি পরিষ্কার ব্যাকগ্রাউন্ড প্রয়োজন হয়, তবে গ্রেডিয়েন্ট, টেক্সট বা অতিরিক্ত অবজেক্ট না থাকার জন্য সীমাবদ্ধতা দিন। সীমাবদ্ধতাগুলো গার্ডরেলের মতো কাজ করে। এগুলো ছাড়া মডেল এমন সব এলিমেন্ট যুক্ত করে দেয় যা নিঃশব্দে ছবির উপযোগিতা নষ্ট করে দেয়।

চলুন আমি আপনাকে দেখাই এটি বাস্তবে দেখতে কেমন। কল্পনা করুন আপনার একটি SaaS ড্যাশবোর্ড হেডারের জন্য একটি ছবি প্রয়োজন।

পুরনো পদ্ধতিটি অনেকটা এরকম: "একটি উজ্জ্বল রঙিন অফিসে ল্যাপটপে কাজ করছে এমন একজন সুখী পেশাদার মহিলার একটি সুন্দর আধুনিক ইলাস্ট্রেশন, পরিচ্ছন্ন ডিজাইন, উচ্চ গুণমান, অদ্ভুত হাত থাকবে না।"

ফ্রেমওয়ার্ক পদ্ধতিটি দেখতে এরকম:

  • Goal: একটি B2B SaaS প্রাইসিং পেজের জন্য হিরো ইমেজ, যা অবশ্যই বিশ্বাসযোগ্য এবং পেশাদার দেখাবে
  • Canvas: ২১:৯ আল্ট্রাওয়াইড ব্যানার, ওয়েব হেডারের জন্য উপযুক্ত, RGB
  • Layout: সাবজেক্ট ডান দিকের এক-তৃতীয়াংশে বসে আছে, টেক্সট ওভারলে-র জন্য বাম দিকের এক-তৃতীয়াংশটি ইচ্ছাকৃতভাবে খালি রাখা হয়েছে, দৃষ্টির রেখা হেডলাইন স্পেসের দিকে সামান্য বামে নির্দেশিত
  • Subject: বিজনেস ক্যাজুয়াল পোশাকে একজন মহিলা, একটি স্লিম সিলভার ল্যাপটপে টাইপ করছেন, ক্যামেরা বাম দিক থেকে থ্রি-কোয়ার্টার ভিউ, কিবোর্ডে হাত স্পষ্টভাবে দেখা যাচ্ছে
  • Style: কর্পোরেট লাইফস্টাইল ফটোগ্রাফি, নরম ডিফিউজড ডে-লাইট, সূক্ষ্ম নীল রঙের ছোঁয়া সহ নিউট্রাল কালার প্যালেট, শ্যালো ডেপথ অফ ফিল্ড
  • Constraints: পোশাকে কোনো দৃশ্যমান লোগো থাকবে না, স্ক্রিনে কোনো টেক্সট থাকবে না, অন্য কোনো মানুষ থাকবে না, ডেস্কে কোনো অগোছালো জিনিস থাকবে না, অতিরিক্ত হাসিখুশি ভাব থাকবে না

খেয়াল করুন কী ঘটেছে। এখানে কেউ শুধু কামনা করছে না। প্রতিটি লেয়ার ঠিক একটি ভেরিয়েবল নিয়ন্ত্রণ করছে।

কেন এটি সবকিছু বদলে দেয়

এই কাঠামোটি দলগুলো প্রতিদিন যে দুটি ব্যয়বহুল সমস্যার সম্মুখীন হয় তা সমাধান করে।

প্রথমত, স্বতন্ত্র ইটারেশন (iteration) সম্ভব হয়। যখন কোনো স্টেকহোল্ডার বলেন যে ছবিটি খুব বেশি ক্যাজুয়াল মনে হচ্ছে, তখন আপনাকে পুরো প্রম্পটটি নতুন করে লিখতে হয় না। আপনি শুধু Style লেয়ারটি খুলবেন এবং "corporate lifestyle photography"-র পরিবর্তে "studio editorial portrait" বসিয়ে দেবেন। যখন মার্কেটিং টিম বলে যে টেক্সট ওভারলেটি ঢাকা পড়ে যাচ্ছে, তখন আপনাকে নতুন অ্যাডজেক্টিভ বা বিশেষণ নিয়ে আন্দাজ করতে হয় না। আপনি সরাসরি Layout লেয়ারে যাবেন এবং নেগেটিভ স্পেস বাড়িয়ে দেবেন। প্রতিটি লেয়ার আলাদাভাবে কাজ করে। আপনি ইঞ্জিন পরিবর্তন না করেই মেশিনটি টিউন করতে পারেন।

দ্বিতীয়ত, এটি প্রকৃত জবাবদিহিতা তৈরি করে। যখন একটি দল একটি শেয়ার্ড ফ্রেমওয়ার্ক ব্যবহার করে, তখন আপনি ঠিকভাবে জানতে পারেন কোথায় ভুল হয়েছে। যদি কম্পোজিশন অগোছালো হয়, তবে সেটি Layout-এর সমস্যা। যদি ছবিটি ঝাপসা হয় বা ভুল কিছু ফোকাসে থাকে, তবে সেটি Canvas বা Subject-এর সমস্যা। যদি নান্দনিকতা ব্র্যান্ডের সাথে না মেলে, তবে সেটি Style-এর সমস্যা। আপনি "vibes" নিয়ে অস্পষ্ট তর্কে লিপ্ত না হয়ে নির্দিষ্ট লেয়ারগুলো ঠিক করা শুরু করবেন। এটি ব্যক্তিগত মতামতকে কার্যকর ফিডব্যাকে রূপান্তরিত করে।

একটি ভালো প্রম্পট মানে চতুর হওয়া নয়। চতুরতা ভঙ্গুর। একটি কৌতুক বা কাব্যিক প্রকাশ একজন মানুষের কাছে আনন্দদায়ক হতে পারে, কিন্তু নির্দেশাবলী অনুসরণ করার চেষ্টা করা একটি মডেলের জন্য এটি কেবল অপ্রয়োজনীয় শব্দ বা 'noise' যোগ করে। যা কাজ করে তা হলো কাঠামো। যা স্কেল করা সম্ভব তা হলো কাঠামো।

যখন আপনি একটি ফ্রেমওয়ার্ক তৈরি করেন, তখন আপনি মানুষকে প্রম্পট লিখতে শেখানো বন্ধ করে দেন। আপনি তাদের এমন একটি সিস্টেম দেন যা প্রতিবার কাজ করে। নতুন টিম মেম্বারদের ছয় মাসের অভিজ্ঞতা বা বিশেষ কিছু কিওয়ার্ড মুখস্থ করার প্রয়োজন হয় না। তারা শুধু ছয়টি লেয়ার পূরণ করে। রিভিউয়ারদের প্রম্পট লেখককে খুঁজে বের করে জিজ্ঞেস করতে হয় না যে তিনি কী বোঝাতে চেয়েছেন। কারণ অর্থ ইতিমধ্যেই ভেঙে আলাদা করা এবং লেবেল করা থাকে।

এভাবেই আপনি একই সাথে গতি এবং গুণমান অর্জন করতে পারেন। উন্নত বিশেষণ দিয়ে নয়, বরং উন্নত আর্কিটেকচার দিয়ে।

আপনি যদি স্ট্রাকচার্ড AI ওয়ার্কফ্লো সম্পর্কে আরও গভীরে জানতে চান, তবে আমরা GyaanSetu learning community-তে এই এবং অন্যান্য ব্যবহারিক সিস্টেম নিয়ে আলোচনা করি। কোনো জাদুকরী কিওয়ার্ডের প্রয়োজন নেই।