تولید تصاویر باکیفیت با هوش مصنوعی نباید شبیه به خواندن یک ورد جادویی باشد. با این حال، اکثر تیمها دقیقاً همینطور با آن برخورد میکنند. آنها به دنبال ترکیب درستی از صفتها میگردند، به این امید که کلماتی مثل "cinematic" (سینمایی)، "hyper-detailed" (بسیار پرجزئیات) یا "8K" به شکلی، خروجی مورد نیازشان را آزاد کنند. یک نفر در تیم بر استفاده از "bokeh" (بوکه) و "golden hour" (ساعت طلایی) اصرار دارد. دیگری یک فایل اکسل خصوصی از کلمات کلیدی "جادویی" دارد که در یک رشته در Reddit پیدا کرده است. نتیجه قابل پیشبینی است: هر تصویر متفاوت به نظر میرسد، چرخههای بازبینی طولانی و طاقتفرسا میشوند و هیچکس نمیتواند توضیح دهد چرا برخی پرامپتها خوب کار میکنند و برخی دیگر شکست میخورند.
ترفندها مقیاسپذیر نیستند. هرگز نیستند. وقتی همه طوری پرامپت مینویسند که انگار در حال سرودن شعر هستند، یکپارچگی از بین میرود. یک طراح خواهان ظاهری مینیمالیست است. دیگری چیزی سینمایی میخواهد. هر دو از کلمات مبهم مشابهی استفاده میکنند اما نتایج کاملاً متفاوتی را تصور میکنند. این آشفتگی خود را در صف بازبینی نشان میدهد. ذینفعان تصاویر را به دلایلی رد میکنند که هیچکس نمیتواند آنها را به دستورالعمل خاصی نسبت دهد. آیا مشکل از کلمات بود؟ ترتیب آنها؟ یا حال و هوا؟ تیمها در نهایت به جای اصلاح آنچه واقعاً اشتباه پیش رفته، مجبور میشوند کل پرامپت را از ابتدا بازنویسی کنند.
من زمان زیادی را صرف بررسی ۱۲,۵۰۲ پرامپت باکیفیت از GitHub و Evolink.ai کردم. الگویی که از این بررسی بیرون آمد، اصلاً به خلاقیت مربوط نبود. پرامپتهایی که نتایج قابل اعتماد و تکرارپذیر تولید میکردند، شبیه به مشخصات فنی (technical specifications) بودند، نه داستانهای کوتاه. نویسندگان سعی نمیکردند با زبان پرطمطراق مدل را تحت تأثیر قرار دهند؛ آنها دستورالعملها را همانگونه میساختند که یک مهندس یک شماتیک را میسازد: دقیق، لایهبندی شده و صریح.
این بدان معناست که شما باید از فکر کردن مانند یک نویسنده خلاق دست بردارید و شروع به فکر کردن مانند یک نویسنده مشخصات فنی کنید. این تفاوت، یک بحث تئوریک نیست. نویسندگی خلاق، صفتها را روی هم میچیند و به حال و هوا امیدوار است. نوشتن مشخصات فنی، متغیرها را ایزوله کرده و هر کدام را به طور جداگانه کنترل میکند.
در اینجا ساختار ششلایهای آورده شده است که به طور مداوم در آن پرامپتهای با عملکرد بالا دیده میشود.
هدف (Goal)
با تعریف اینکه چرا این تصویر وجود دارد، شروع کنید. آیا در حال تولید یک تصویر اصلی محصول (product hero shot) برای یک صفحه فرود (landing page) هستید؟ یک نمودار فنی برای مستندات؟ یا یک کاراکتر (sprite) برای یک بازی؟ هدف، تعیینکننده هر تصمیم بعدی است. بدون هدف، شما بدون هدف تیراندازی میکنید و سپس از منحرف شدن تیر شکایت میکنید.
بوم (Canvas)
قبل از اینکه حتی یک عنصر بصری را توصیف کنید، زیربنای فنی خود را تنظیم کنید. نسبت ابعاد (aspect ratio)، رزولوشن و فضای رنگی (color space) یا گامت رنگی را در صورت لزوم تعریف کنید. اگر تصویر شما قرار است یک بنر برای شبکههای اجتماعی باشد، بگویید 16:9. اگر باید در قالب یک آیکون اپلیکیشن موبایل باشد، بگویید 1:1. بوم، همان قاب است. اگر آن را اشتباه تنظیم کنید، حتی یک سوژه بینقص هم نامناسب به نظر خواهد رسید.
چیدمان (Layout)
توضیح دهید که اشیاء کجا قرار میگیرند و چه چیزی بیشترین اهمیت را دارد. آیا سوژه در مرکز قرار دارد؟ آیا به سمت یکسوم سمت چپ رانده شده تا فضایی برای تیتر باقی بماند؟ آیا برای قرار دادن متن روی تصویر به فضای منفی (negative space) نیاز دارید یا میخواهید تمام قاب پر شود؟ چیدمان، سلسلهمراتب را تعیین میکند. به مدل میگوید چه چیزی باید برای جلب توجه رقابت کند و چه چیزی باید فضای تنفس داشته باشد. به آن به چشم وایرفریمینگ (wireframing) با کلمات نگاه کنید.
سوژه (Subject)
حالا جزئیات عناصر بصری اصلی را بیان کنید. درباره شیء، شخص، حیوان یا صحنه دقیق باشید. به جای "a dog" (یک سگ)، بگویید "a medium-sized beagle mid-stride, viewed from a low three-quarter angle" (یک سگ بیگل با جثه متوسط در حال قدم زدن، که از زاویه سه-چهارم از پایین دیده میشود). به جای "a car" (یک ماشین)، بگویید "a silver sedan parked at a 45-degree angle to the camera, driver's side visible" (یک سدان نقرهای که با زاویه ۴۵ درجه نسبت به دوربین پارک شده و سمت راننده آن مشخص است). لایه سوژه جایی است که دقت در آن بیشترین اهمیت را دارد، زیرا مدلهای هوش مصنوعی تمایل دارند به عمومیترین نسخه از هر چیزی که توصیف میکنید، برگردند. با محدود کردن هندسه، زاویه و ویژگیهای قابل مشاهده، حالت عمومی را از بین ببرید.
سبک (Style)
نام سبک را به طور مشخص ذکر کنید. احساس را توصیف نکنید. بگویید "1980s editorial fashion photography" (عکاسی مد ادیتوریال دهه ۱۹۸۰) یا "flat vector illustration in the style of mid-century travel posters" (تصویرسازی وکتور تخت به سبک پوسترهای سفر اواسط قرن). بگویید "Unreal Engine 5 render with physically based materials" (رندر Unreal Engine 5 با متریالهای مبتنی بر فیزیک) یا "ink wash painting on rice paper" (نقاشی شستشوی جوهر روی کاغذ برنج). هرچه مرجع سبک شما نامگذاری شده و محدودتر باشد، مدل کمتر مجبور به حدس زدن خواهد بود. اگر بگویید "modern" (مدرن)، ده نفر ده دهه متفاوت را تصور خواهند کرد. اما اگر بگویید "Bauhaus poster design from 1923" (طراحی پوستر باوهاوس از سال ۱۹۲۳)، شکاف را از بین بردهاید.
محدودیتها (Constraints)
به طور صریح لیست کنید که چه چیزهایی نباید ظاهر شوند. این لایه از حوادث عجیبی که باعث اتلاف وقت در مرحله بازبینی میشود، جلوگیری میکند. اگر در حال تولید یک پرتره برای یک سایت شرکتی هستید، محدودیتهایی برای چهرههای تار، عینک آفتابی یا لوگوهای برند قابل مشاهده اعمال کنید. اگر برای ترکیببندی (compositing) به یک پسزمینه تمیز نیاز دارید، از گرادینتها، متن یا اشیاء اضافی جلوگیری کنید. محدودیتها مانند حفاظها (guardrails) عمل میکنند. بدون آنها، مدل آزادانه عناصری را وارد میکند که به آرامی قابلیت استفاده از تصویر را از بین میبرند.
اجازه دهید به شما نشان دهم این موضوع در عمل چگونه به نظر میرسد. تصور کنید برای هدر (header) یک داشبورد SaaS به یک تصویر نیاز دارید.
روش قدیمی اینگونه است: «یک تصویرسازی مدرن و زیبا از یک زن حرفهای و خوشحال که در یک دفتر روشن و رنگارنگ با لپتاپ کار میکند، طراحی تمیز، کیفیت بالا، بدون دستهای عجیب و غریب.»
روش مبتنی بر چارچوب (framework) اینگونه است:
- هدف: تصویر اصلی (Hero image) برای صفحه قیمتگذاری یک B2B SaaS، باید قابل اعتماد و حرفهای به نظر برسد
- بوم (Canvas): بنر فوق عریض ۲۱:۹، مناسب برای هدر وب، RGB
- چیدمان (Layout): سوژه در یکسوم سمت راست نشسته است، یکسوم سمت چپ عمداً برای قرارگیری متن خالی گذاشته شده، خط دید سوژه کمی به سمت چپ و به سمت فضای تیتر هدایت شده است
- سوژه: زنی با پوشش بیزنسکژوال (business casual)، در حال تایپ با یک لپتاپ نقرهای باریک، نمای سه-چهارم از سمت چپ دوربین، دستها به وضوح روی کیبورد دیده میشوند
- سبک (Style): عکاسی لایفاستایل شرکتی، نور روز ملایم و پخششده، پالت رنگی خنثی با تأکیدهای آبی ملایم، عمق میدان کم
- محدودیتها (Constraints): بدون لوگوی قابل مشاهده روی لباس، بدون متن روی صفحه نمایش، بدون حضور افراد دیگر، بدون اشیاء نامرتب روی میز، بدون لبخندهای اغراقآمیز
دقت کنید چه اتفاقی افتاد. اینجا کسی «آرزو» نمیکند. هر لایه دقیقاً یک متغیر را کنترل میکند.
چرا این موضوع همه چیز را تغییر میدهد
این ساختار دو مشکل پرهزینه را که تیمها هر روز با آنها روبرو هستند، حل میکند.
اول اینکه، تکرار و اصلاح مستقل (independent iteration) امکانپذیر میشود. وقتی یک ذینفع میگوید تصویر بیش از حد غیررسمی به نظر میرسد، شما کل پرامپت را بازنویسی نمیکنید. شما لایه Style را باز میکنید و «عکاسی لایفاستایل شرکتی» را با «پرتره ادیتوریال استودیویی» جایگزین میکنید. وقتی تیم مارکتینگ میگوید متن روی تصویر گم شده است، شما بر اساس حدس و گمان صفتهای جدید نمینویسید؛ بلکه به لایه Layout میروید و فضای منفی (negative space) را افزایش میدهید. هر لایه مجزا است. شما بدون تعویض موتور، ماشین را تنظیم میکنید.
دوم اینکه، مسئولیتپذیری واقعی ایجاد میکند. وقتی تیمی از یک چارچوب مشترک استفاده میکند، دقیقاً میدانید اشتباه کجا رخ داده است. اگر ترکیببندی (composition) نامرتب است، مشکل از لایه Layout است. اگر تصویر تار است یا چیز اشتباهی در فوکوس قرار دارد، مشکل از لایه Canvas یا Subject است. اگر زیباییشناسی (aesthetic) با برند همخوانی ندارد، مشکل از لایه Style است. شما از بحثهای مبهم درباره «حس و حال» (vibes) دست میکشید و شروع به اصلاح لایههای مشخص میکنید. این کار نظر شخصی را به بازخورد قابل اجرا تبدیل میکند.
یک پرامپت خوب به معنای باهوش بودن نیست. هوش مصنوعی (در اینجا منظور خلاقیت انسانی در نوشتن است) شکننده است. یک بازی با کلمات یا یک عبارت شاعرانه ممکن است خواننده انسانی را سرگرم کند، اما برای مدلی که سعی در اجرای دستورالعملها دارد، فقط نویز ایجاد میکند. آنچه کارساز است، ساختار است. آنچه مقیاسپذیر است، ساختار است.
وقتی یک چارچوب میسازید، دیگر به مردم یاد نمیدهید که چگونه پرامپت بنویسند؛ بلکه سیستمی به آنها میدهید که هر بار کار میکند. همتیمیهای جدید نیازی ندارند شش ماه درگیر یادگیری کلمات کلیدی تجربی و سنتی شوند. آنها فقط شش لایه را پر میکنند. بازبینها (Reviewers) دیگر لازم نیست به دنبال کسی که پرامپت را نوشته بگردند تا بپرسند منظورش چه بوده است. معنا از قبل تجزیه و برچسبگذاری شده است.
اینگونه است که سرعت و کیفیت را همزمان به دست میآورید. نه با صفتهای بهتر، بلکه با معماری بهتر.
اگر میخواهید در مورد جریانهای کاری ساختاریافته هوش مصنوعی عمیقتر شوید، ما در جامعه یادگیری GyaanSetu درباره این موضوع و سایر سیستمهای کاربردی صحبت میکنیم. نیازی به کلمات کلیدی جادویی نیست.