AI સાથે સારી ઈમેજ બનાવવી એ કોઈ જાદુઈ મંત્ર બોલવા જેવું ન હોવું જોઈએ. છતાં, મોટાભાગની ટીમો તેની સાથે બરાબર આ રીતે જ વ્યવહાર કરે છે. તેઓ યોગ્ય વિશેષણોના સંયોજનની શોધમાં રહે છે, એવી આશા સાથે કે "cinematic," "hyper-detailed," અથવા "8K" જેવા શબ્દો કોઈ રીતે તેમને જોઈતી આઉટપુટ અપાવશે. ટીમનો એક સભ્ય "bokeh" અને "golden hour" પર અતૂટ વિશ્વાસ રાખે છે. બીજો કોઈ Reddit થ્રેડ પરથી મળેલા "મેજિક" કીવર્ડ્સનું ખાનગી સ્પ્રેડશીટ રાખે છે. પરિણામ અનુમાનિત છે: દરેક ઈમેજ અલગ દેખાય છે, રિવ્યુ સાયકલ વધી જાય છે, અને કોઈ પણ એ સમજાવી શકતું નથી કે અમુક પ્રોમ્પ્ટ્સ કેમ કામ કરે છે જ્યારે બીજા કેમ નિષ્ફળ જાય છે.
ટ્રિક્સ લાંબા ગાળે કામ નથી આવતી. તે ક્યારેય કામ કરતી નથી. જ્યારે દરેક વ્યક્તિ પ્રોમ્પ્ટ્સ એવી રીતે લખે છે જાણે કે તેઓ કવિતા લખી રહ્યા હોય, ત્યારે સુસંગતતા (consistency) નાશ પામે છે. એક ડિઝાઇનરને મિનિમલિસ્ટ લુક જોઈએ છે. બીજાને કંઈક સિનેમેટિક જોઈએ છે. બંને સમાન અસ્પષ્ટ શબ્દોનો ઉપયોગ કરે છે પરંતુ તદ્દન અલગ પરિણામોની કલ્પના કરે છે. આ અરાજકતા રિવ્યુ ક્યુ (review queue) માં જોવા મળે છે. સ્ટેકહોલ્ડર્સ એવા કારણોસર ઈમેજ રિજેક્ટ કરે છે જેનો કોઈ ચોક્કસ સૂચના સાથે સંબંધ શોધી શકતું નથી. શું તે શબ્દો હતા? ક્રમ હતો? કે મૂડ હતો? ટીમો ખરેખર શું ખોટું થયું તે સુધારવાને બદલે આખા પ્રોમ્પ્ટ્સ ફરીથી શૂન્યથી લખવા લાગે છે.
મેં GitHub અને Evolink.ai પરથી 12,502 ઉચ્ચ-ગુણવત્તાવાળા પ્રોમ્પ્ટ્સ તપાસવામાં સમય વિતાવ્યો છે. જે પેટર્ન સામે આવી તે બિલકુલ સર્જનાત્મકતા વિશે નહોતી. જે પ્રોમ્પ્ટ્સ વિશ્વસનીય અને પુનરાવર્તિત પરિણામો આપતા હતા તે ટૂંકી વાર્તાઓ જેવું નહીં, પણ ટેકનિકલ સ્પેસિફિકેશન્સ (technical specifications) જેવું લાગતું હતું. લેખકો અલંકારિક ભાષાથી મોડેલને પ્રભાવિત કરવાનો પ્રયાસ કરી રહ્યા નહોતા. તેઓ સૂચનાઓ એવી રીતે બનાવી રહ્યા હતા જે રીતે એક એન્જિનિયર સ્કીમેટિક (schematic) બનાવે છે: સચોટ, સ્તરબદ્ધ અને સ્પષ્ટ.
આનો અર્થ એ છે કે તમારે ક્રિએટિવ રાઈટરની જેમ વિચારવાનું બંધ કરવું જોઈએ અને સ્પેસિફિકેશન રાઈટરની જેમ વિચારવાનું શરૂ કરવું જોઈએ. આ તફાવત માત્ર શૈક્ષણિક નથી. ક્રિએટિવ રાઈટિંગ વિશેષણોનો થપ્પો લગાવે છે અને મૂડની આશા રાખે છે. સ્પેસિફિકેશન રાઈટિંગ વેરિએબલ્સને અલગ પાડે છે અને તેને વ્યક્તિગત રીતે નિયંત્રિત કરે છે.
અહીં છ-સ્તરનું માળખું છે જે તે ઉચ્ચ-પ્રદર્શન કરતા પ્રોમ્પ્ટ્સમાં સતત જોવા મળે છે.
Goal
ઈમેજ શા માટે અસ્તિત્વ ધરાવે છે તે વ્યાખ્યાયિત કરીને શરૂઆત કરો. શું તમે લેન્ડિંગ પેજ માટે પ્રોડક્ટ હીરો શૉટ બનાવી રહ્યા છો? ડોક્યુમેન્ટેશન માટે ટેકનિકલ ડાયાગ્રામ? અથવા ગેમ માટે કેરેક્ટર સ્પ્રાઈટ? લક્ષ્ય પછીના દરેક નિર્ણયને નક્કી કરે છે. તેના વગર, તમે ક્યાંય નિશાન સાધ્યા વગર તીર વિશે ફરિયાદ કરી રહ્યા છો.
Canvas
કોઈપણ વિઝ્યુઅલ એલિમેન્ટનું વર્ણન કરતા પહેલા તમારો ટેકનિકલ પાયો સેટ કરો. સંબંધિત હોય ત્યારે એસ્પેક્ટ રેશિયો (aspect ratio), રિઝોલ્યુશન અને કલર સ્પેસ અથવા ગેમટ વ્યાખ્યાયિત કરો. જો તમારી ઈમેજ સોશિયલ મીડિયા બેનર બનવાની હોય, તો 16:9 કહો. જો તેને મોબાઈલ એપ આઇકોનમાં ફિટ થવું હોય, તો 1:1 કહો. કેનવાસ એ ફ્રેમ છે. જો તે ખોટું હશે, તો એકદમ પરફેક્ટ વિષય પણ અયોગ્ય લાગશે.
Layout
વસ્તુઓ ક્યાં જશે અને સૌથી વધુ શું મહત્વનું છે તેનું વર્ણન કરો. શું વિષય કેન્દ્રમાં છે? શું હેડલાઇન માટે જગ્યા છોડવા માટે તેને ડાબી બાજુના ત્રીજા ભાગમાં રાખવામાં આવ્યો છે? શું તમારે ટેક્સ્ટ ઓવરલે માટે નેગેટિવ સ્પેસની જરૂર છે, અથવા તમારે આખી ફ્રેમ ભરેલી જોઈએ છે? લેઆઉટ હાયરાર્કી (hierarchy) સ્થાપિત કરે છે. તે મોડેલને જણાવે છે કે કઈ વસ્તુએ ધ્યાન ખેંચવા માટે સ્પર્ધા કરવી જોઈએ અને કઈ વસ્તુને ખુલ્લી રાખવી જોઈએ. તેને શબ્દો દ્વારા વાયરફ્રેમિંગ (wireframing) તરીકે વિચારો.
Subject
હવે મુખ્ય વિઝ્યુઅલ એલિમેન્ટ્સની વિગતો આપો. વસ્તુ, વ્યક્તિ, પ્રાણી અથવા દ્રશ્ય વિશે ચોક્કસ બનો. "એક કૂતરો" કહેવાને બદલે, "એક મધ્યમ કદનો બીગલ જે ચાલતો હોય તેવો દેખાય છે, જે નીચેના ત્રિ-ચતુર્થાંશ એંગલ (low three-quarter angle) થી જોવામાં આવે છે" એમ કહો. "એક કાર" કહેવાને બદલે, "કેમેરાના 45-ડિગ્રી એંગલ પર પાર્ક કરેલી સિલ્વર સેડાન, ડ્રાઇવરની બાજુ દેખાય છે" એમ કહો. સબ્જેક્ટ લેયર એ છે જ્યાં ચોકસાઈ સૌથી વધુ મહત્વની છે કારણ કે AI મોડેલ્સ તમે જે કંઈ પણ વર્ણવો છો તેના સૌથી સામાન્ય (generic) વર્ઝન પર જ વળગી રહેવાનો પ્રયાસ કરે છે. ભૂમિતિ (geometry), એંગલ અને દેખાતા લક્ષણોને મર્યાદિત કરીને સામાન્યતાને દૂર કરો.
Style
સ્ટાઇલનું ચોક્કસ નામ આપો. કોઈ લાગણીનું વર્ણન કરશો નહીં. "1980s editorial fashion photography" અથવા "mid-century travel posters ની સ્ટાઇલમાં ફ્લેટ વેક્ટર ઇલસ્ટ્રેશન" કહો. "physically based materials સાથે Unreal Engine 5 render" અથવા "રાઈસ પેપર પર ઇન્ક વોશ પેઇન્ટિંગ" કહો. તમારો સ્ટાઇલ રેફરન્સ જેટલો વધુ નામબદ્ધ અને મર્યાદિત હશે, મોડેલે તેટલું ઓછું અનુમાન લગાવવું પડશે. જો તમે "modern" કહેશો, તો દસ લોકો દસ અલગ-અલગ દાયકાઓની કલ્પના કરશે. જો તમે "1923 નું Bauhaus પોસ્ટર ડિઝાઇન" કહેશો, તો તમે તે ખાઈ (gap) પૂરી કરી દીધી છે.
Constraints
શું દેખાવું જોઈએ નહીં તેની સ્પષ્ટ યાદી બનાવો. આ લેયર રિવ્યુમાં સમય બગાડતી વિચિત્ર ભૂલોને અટકાવે છે. જો તમે કોર્પોરેટ સાઇટ માટે પોટ્રેટ બનાવી રહ્યા હોવ, તો ઝાંખા ચહેરા, સનગ્લાસ અથવા દેખાતા બ્રાન્ડ લોગો સામે પ્રતિબંધ મૂકો. જો તમારે કમ્પોઝિટિંગ માટે ક્લીન બેકગ્રાઉન્ડની જરૂર હોય, તો ગ્રેડિયન્ટ્સ, ટેક્સ્ટ અથવા વધારાની વસ્તુઓ સામે પ્રતિબંધ મૂકો. કન્સ્ટ્રેઇન્ટ્સ (Constraints) ગાર્ડરેલ (guardrails) તરીકે કામ કરે છે. તેમના વિના, મોડેલ મુક્તપણે એવા એલિમેન્ટ્સ ઉમેરે છે જે ઈમેજની ઉપયોગિતાને શાંતિથી નષ્ટ કરી દે છે.
ચાલો હું તમને બતાવું કે વ્યવહારમાં આ કેવું લાગે છે. કલ્પના કરો કે તમારે SaaS ડેશબોર્ડ હેડર માટે એક ઈમેજની જરૂર છે.
જૂની રીત આ મુજબ લાગે છે: "એક તેજસ્વી રંગીન ઓફિસમાં લેપટોપ પર કામ કરતી એક ખુશ વ્યાવસાયિક મહિલાનું સુંદર આધુનિક ઈલસ્ટ્રેશન, ક્લીન ડિઝાઇન, હાઈ ક્વોલિટી, વિચિત્ર હાથો વગર."
ફ્રેમવર્કની રીત આ મુજબ દેખાય છે:
- ધ્યેય (Goal): B2B SaaS પ્રાઇસિંગ પેજ માટે હીરો ઈમેજ, જે વિશ્વાસપાત્ર અને વ્યાવસાયિક દેખાવી જોઈએ
- કેનવાસ (Canvas): 21:9 અલ્ટ્રાવાઈડ બેનર, વેબ હેડર માટે યોગ્ય, RGB
- લેઆઉટ (Layout): વિષય (Subject) જમણી ત્રીજા ભાગમાં બેઠેલ છે, ટેક્સ્ટ ઓવરલે માટે ડાબો ત્રીજો ભાગ જાણીજોઈને ખાલી રાખવામાં આવ્યો છે, આઈ-લાઇન હેડલાઇન સ્પેસ તરફ થોડી ડાબી બાજુ નિર્દેશિત છે
- વિષય (Subject): બિઝનેસ કેઝ્યુઅલ પહેરેલી મહિલા, પાતળા સિલ્વર લેપટોપ પર ટાઈપ કરતી, કેમેરાના ડાબી બાજુથી થ્રી-ક્વાર્ટર વ્યુ, કીબોર્ડ પર હાથ સ્પષ્ટ રીતે દેખાય છે
- શૈલી (Style): કોર્પોરેટ લાઈફસ્ટાઈલ ફોટોગ્રાફી, નરમ ડિફ્યુઝ્ડ ડે-લાઇટ, સબટલ બ્લુ એક્સેન્ટ્સ સાથે ન્યુટ્રલ કલર પેલેટ, શેલો ડેપ્થ ઓફ ફીલ્ડ
- મર્યાદાઓ (Constraints): કપડાં પર કોઈ દેખાતા લોગો નહીં, સ્ક્રીન પર કોઈ ટેક્સ્ટ નહીં, અન્ય કોઈ લોકો નહીં, ડેસ્ક પર કોઈ અવ્યવસ્થિત વસ્તુઓ નહીં, અતિશયોક્તિભર્યા સ્મિત નહીં
ધ્યાન આપો શું થયું. અહીં કોઈ અટકળ નથી કરી રહ્યું. દરેક લેયર બરાબર એક વેરિએબલને નિયંત્રિત કરે છે.
આ બધું શા માટે બદલી નાખે છે
આ માળખું ટીમો દરરોજ સામનો કરતી બે મોંઘી સમસ્યાઓનું નિરાકરણ લાવે છે.
પ્રથમ, સ્વતંત્ર ઇટરેશન (iteration) શક્ય બને છે. જ્યારે કોઈ સ્ટેકહોલ્ડર કહે કે ઈમેજ બહુ કેઝ્યુઅલ લાગે છે, ત્યારે તમારે આખો પ્રોમ્પ્ટ ફરીથી લખવાની જરૂર નથી. તમે 'Style' લેયર ખોલો છો અને "corporate lifestyle photography" ને બદલે "studio editorial portrait" કરી દો છો. જ્યારે માર્કેટિંગ ટીમ કહે કે ટેક્સ્ટ ઓવરલે દેખાતો નથી, ત્યારે તમારે નવા વિશેષણોનો અંદાજ લગાવવાની જરૂર નથી. તમે 'Layout' લેયર પર જાઓ છો અને નેગેટિવ સ્પેસ વધારી દો છો. દરેક લેયર અલગ છે. તમે એન્જિન બદલ્યા વગર મશીનને ટ્યુન કરી શકો છો.
બીજું, તે વાસ્તવિક જવાબદારી (accountability) બનાવે છે. જ્યારે ટીમ શેર કરેલા ફ્રેમવર્કનો ઉપયોગ કરે છે, ત્યારે તમને ખબર હોય છે કે ભૂલ ક્યાં થઈ છે. જો કમ્પોઝિશન અસ્તવ્યસ્ત હોય, તો તે 'Layout' ની સમસ્યા છે. જો ઈમેજ બ્લર હોય અથવા ખોટી વસ્તુ ફોકસમાં હોય, તો તે 'Canvas' અથવા 'Subject' ની સમસ્યા છે. જો એસ્થેટિક બ્રાન્ડ મુજબ ન હોય, તો તે 'Style' ની સમસ્યા છે. તમે "vibes" વિશેની અસ્પષ્ટ દલીલો કરવાનું બંધ કરો છો અને ચોક્કસ લેયર્સને સુધારવાનું શરૂ કરો છો. તે વ્યક્તિલક્ષી અભિપ્રાયને અમલીકરણ કરી શકાય તેવા ફીડબેકમાં ફેરવે છે.
સારો પ્રોમ્પ્ટ હોવાનો અર્થ હોશિયાર હોવો એ નથી. હોશિયારી નાજુક હોય છે. કોઈ શબ્દ રમત અથવા કાવ્યાત્મક શૈલી માનવ વાચકને મનોરંજન આપી શકે છે, પરંતુ તે સૂચનાઓનું પાલન કરવાનો પ્રયાસ કરતા મોડેલ માટે અવાજ (noise) ઉમેરે છે. જે કામ કરે છે તે છે માળખું (structure). જે સ્કેલ કરી શકાય છે તે છે માળખું.
જ્યારે તમે ફ્રેમવર્ક બનાવો છો, ત્યારે તમે લોકોને પ્રોમ્પ્ટ કેવી રીતે લખવા તે શીખવવાનું બંધ કરો છો. તમે તેમને એક એવી સિસ્ટમ આપો છો જે દર વખતે કામ કરે છે. નવા સાથીદારોને છ મહિનાના અનુભવથી મેળવેલા કીવર્ડ્સના જ્ઞાનની જરૂર નથી પડતી. તેઓ ફક્ત છ લેયર્સ ભરે છે. રિવ્યુઅર્સ પ્રોમ્પ્ટ લખનાર વ્યક્તિને એ પૂછવા માટે શોધતા નથી કે તેમનો અર્થ શું હતો. અર્થ પહેલેથી જ વિભાજિત અને લેબલ કરેલો હોય છે.
આ રીતે તમે એકસાથે ઝડપ અને ગુણવત્તા મેળવી શકો છો. વધુ સારા વિશેષણોથી નહીં, પણ વધુ સારા આર્કિટેક્ચરથી.
જો તમે સ્ટ્રક્ચર્ડ AI વર્કફ્લો વિશે વધુ ઊંડાણપૂર્વક જાણવા માંગતા હોવ, તો અમે GyaanSetu learning community માં આ અને અન્ય વ્યવહારુ સિસ્ટમ્સ વિશે વાત કરીએ છીએ. કોઈ જાદુઈ કીવર્ડ્સની જરૂર નથી.