AI के साथ अच्छी इमेज बनाना किसी जादू की तरह महसूस नहीं होना चाहिए। फिर भी, ज़्यादातर टीमें इसके साथ बिल्कुल ऐसा ही व्यवहार करती हैं। वे विशेषणों (adjectives) के सही संयोजन की तलाश में रहती हैं, इस उम्मीद में कि "cinematic," "hyper-detailed," या "8K" जैसे शब्द किसी तरह उन्हें वह आउटपुट दिला देंगे जिसकी उन्हें ज़रूरत है। टीम का एक सदस्य "bokeh" और "golden hour" पर भरोसा करता है। दूसरा व्यक्ति Reddit थ्रेड से मिले "जादुई" कीवर्ड्स की एक निजी स्प्रेडशीट रखता है। परिणाम अनुमानित है: हर इमेज अलग दिखती है, रिव्यू साइकिल बढ़ जाती है, और कोई भी यह नहीं समझा पाता कि कुछ प्रॉम्प्ट्स काम क्यों करते हैं जबकि अन्य विफल हो जाते हैं।

ट्रिक्स स्केल नहीं होतीं। वे कभी नहीं होतीं। जब हर कोई प्रॉम्प्ट ऐसे लिखता है जैसे वह कविता लिख रहा हो, तो निरंतरता (consistency) खत्म हो जाती है। एक डिज़ाइनर मिनिमलिस्ट लुक चाहता है। दूसरा कुछ सिनेमैटिक चाहता है। दोनों एक ही अस्पष्ट शब्दों का उपयोग करते हैं लेकिन पूरी तरह से अलग परिणामों की कल्पना करते हैं। यह अराजकता रिव्यू क्यू (review queue) में दिखाई देती है। स्टेकहोल्डर्स उन कारणों से इमेज को खारिज कर देते हैं जिनका पता किसी विशिष्ट निर्देश से नहीं लगाया जा सकता। क्या यह शब्दों का चयन था? क्रम? या मूड? टीमें वास्तव में जो गलत हुआ उसे ठीक करने के बजाय पूरे प्रॉम्प्ट को शुरू से फिर से लिखने में समय बर्बाद करती हैं।

मैंने GitHub और Evolink.ai से 12,502 उच्च-गुणवत्ता वाले प्रॉम्प्ट्स का अध्ययन किया। जो पैटर्न सामने आया वह रचनात्मकता (creativity) के बारे में बिल्कुल नहीं था। जो प्रॉम्प्ट विश्वसनीय और दोहराने योग्य परिणाम देते थे, वे छोटी कहानियों की तरह नहीं, बल्कि तकनीकी विशिष्टताओं (technical specifications) की तरह लिखे गए थे। लेखक भारी-भरकम भाषा से मॉडल को प्रभावित करने की कोशिश नहीं कर रहे थे। वे निर्देशों का निर्माण उसी तरह कर रहे थे जैसे एक इंजीनियर एक स्कीमैटिक (schematic) बनाता है: सटीक, स्तरित (layered), और स्पष्ट।

इसका मतलब है कि आपको एक रचनात्मक लेखक की तरह सोचना बंद करना चाहिए और एक स्पेसिफिकेशन राइटर (specification writer) की तरह सोचना शुरू करना चाहिए। यह अंतर केवल अकादमिक नहीं है। रचनात्मक लेखन विशेषणों का ढेर लगाता है और मूड की उम्मीद करता है। स्पेसिफिकेशन लेखन चरों (variables) को अलग करता है और उन्हें व्यक्तिगत रूप से नियंत्रित करता है।

यहाँ छह-स्तरीय संरचना (six-layer structure) दी गई है जो उन उच्च-प्रदर्शन करने वाले प्रॉम्प्ट्स में लगातार दिखाई देती है।

Goal

शुरुआत यह परिभाषित करने से करें कि इमेज क्यों बनाई जा रही है। क्या आप लैंडिंग पेज के लिए प्रोडक्ट हीरो शॉट (product hero shot) बना रहे हैं? डॉक्यूमेंटेशन के लिए एक तकनीकी आरेख (technical diagram)? या गेम के लिए एक कैरेक्टर स्प्राइट (character sprite)? लक्ष्य ही उसके बाद के हर निर्णय को निर्धारित करता है। इसके बिना, आप बिना किसी लक्ष्य के निशाना लगा रहे हैं और तीर के बारे में शिकायत कर रहे हैं।

Canvas

किसी भी विज़ुअल तत्व का वर्णन करने से पहले अपना तकनीकी आधार सेट करें। पहलू अनुपात (aspect ratio), रिज़ॉल्यूशन, और प्रासंगिक होने पर कलर स्पेस या गैमट (color space or gamut) को परिभाषित करें। यदि आपकी इमेज को सोशल मीडिया बैनर बनना है, तो 16:9 कहें। यदि इसे मोबाइल ऐप आइकन में फिट होना है, तो 1:1 कहें। कैनवास फ्रेम है। यदि यह गलत हुआ, तो एक बेहतरीन विषय भी बेमेल लगेगा।

Layout

वर्णन करें कि चीज़ें कहाँ होंगी और सबसे महत्वपूर्ण क्या है। क्या विषय केंद्र में है? क्या इसे हेडलाइन के लिए जगह छोड़ने के लिए बाईं ओर धकेला गया है? क्या आपको टेक्स्ट ओवरले के लिए नेगेटिव स्पेस की आवश्यकता है, या आपको पूरा फ्रेम भरा हुआ चाहिए? लेआउट पदानुक्रम (hierarchy) स्थापित करता है। यह मॉडल को बताता है कि ध्यान आकर्षित करने के लिए किसे प्रतिस्पर्धा करनी चाहिए और किसे 'साँस लेने' की जगह देनी चाहिए। इसे शब्दों के साथ वायरफ्रेमिंग (wireframing) के रूप में सोचें।

Subject

अब मुख्य विज़ुअल तत्वों का विवरण दें। वस्तु, व्यक्ति, जानवर या दृश्य के बारे में विशिष्ट रहें। "एक कुत्ता" कहने के बजाय, कहें "एक मध्यम आकार का बीगल जो दौड़ने की मुद्रा में है, जिसे नीचे से तीन-चौथाई कोण (low three-quarter angle) से देखा जा रहा है।" "एक कार" कहने के बजाय, कहें "कैमरे के प्रति 45-डिग्री के कोण पर खड़ी एक सिल्वर सेडान, जिसका ड्राइवर वाला हिस्सा दिखाई दे रहा है।" विषय वाला स्तर वह है जहाँ सटीकता सबसे अधिक मायने रखती है क्योंकि AI मॉडल आपके द्वारा वर्णित किसी भी चीज़ के सबसे सामान्य संस्करण (generic version) को चुनने की प्रवृत्ति रखते हैं। ज्यामिति (geometry), कोण और दृश्य विशेषताओं को सीमित करके उस सामान्यता को खत्म करें।

Style

शैली का विशिष्ट रूप से नाम लें। किसी भावना का वर्णन न करें। कहें "1980 के दशक की एडिटोरियल फैशन फोटोग्राफी" या "मिड-सेंचुरी ट्रैवल पोस्टर्स की शैली में फ्लैट वेक्टर इलस्ट्रेशन।" कहें "फिजिकली बेस्ड मैटेरियल्स के साथ Unreal Engine 5 रेंडर" या "राइस पेपर पर इंक वॉश पेंटिंग।" आपकी शैली का संदर्भ जितना अधिक नामित और सीमित होगा, मॉडल को उतना ही कम अनुमान लगाना पड़ेगा। यदि आप "आधुनिक" (modern) कहते हैं, तो दस लोग दस अलग-अलग दशकों की कल्पना करेंगे। यदि आप "1923 का बाउहौस पोस्टर डिज़ाइन" कहते हैं, तो आपने अंतर को खत्म कर दिया है।

Constraints

स्पष्ट रूप से सूचीबद्ध करें कि क्या नहीं दिखना चाहिए। यह स्तर उन अजीब दुर्घटनाओं को रोकता है जो रिव्यू में समय बर्बाद करती हैं। यदि आप कॉर्पोरेट साइट के लिए पोर्ट्रेट बना रहे हैं, तो धुंधले चेहरे, धूप का चश्मा, या दिखाई देने वाले ब्रांड लोगो को प्रतिबंधित करें। यदि आपको कंपोजिटिंग के लिए एक साफ बैकग्राउंड चाहिए, तो ग्रेडिएंट्स, टेक्स्ट, या अतिरिक्त वस्तुओं को प्रतिबंधित करें। बाधाएं रेलिंग (guardrails) की तरह काम करती हैं। उनके बिना, मॉडल स्वतंत्र रूप से ऐसे तत्व डाल देता है जो चुपचाप इमेज की उपयोगिता को नष्ट कर देते हैं।

चलिए मैं आपको दिखाता हूँ कि व्यवहार में यह कैसा दिखता है। कल्पना कीजिए कि आपको एक SaaS डैशबोर्ड हेडर के लिए एक इमेज की आवश्यकता है।

पुराना तरीका कुछ ऐसा सुनाई देता है: "एक उज्ज्वल रंगीन कार्यालय में लैपटॉप पर काम कर रही एक खुशहाल पेशेवर महिला का एक सुंदर आधुनिक चित्रण, साफ डिज़ाइन, उच्च गुणवत्ता, अजीब हाथ नहीं।"

फ्रेमवर्क वाला तरीका ऐसा दिखता है:

  • लक्ष्य (Goal): एक B2B SaaS प्राइसिंग पेज के लिए हीरो इमेज, जो भरोसेमंद और पेशेवर दिखनी चाहिए
  • कैनवस (Canvas): 21:9 अल्ट्रावाइड बैनर, वेब हेडर के लिए उपयुक्त, RGB
  • लेआउट (Layout): विषय (Subject) दाईं ओर के एक-तिहाई हिस्से में बैठा है, टेक्स्ट ओवरले के लिए बाईं ओर का एक-तिहाई हिस्सा जानबूझकर खाली रखा गया है, आई-लाइन (eye-line) हेडलाइन स्पेस की ओर थोड़ा बाईं ओर निर्देशित है
  • विषय (Subject): बिजनेस कैजुअल में महिला, एक स्लिम सिल्वर लैपटॉप पर टाइप करते हुए, कैमरा के बाईं ओर से थ्री-क्वार्टर व्यू, कीबोर्ड पर हाथ स्पष्ट रूप से दिखाई दे रहे हैं
  • स्टाइल (Style): कॉर्पोरेट लाइफस्टाइल फोटोग्राफी, सॉफ्ट डिफ्यूज्ड डेलाइट, सूक्ष्म नीले रंग के स्पर्श के साथ न्यूट्रल कलर पैलेट, शैलो डेप्थ ऑफ फील्ड
  • सीमाएं (Constraints): कपड़ों पर कोई दृश्य लोगो नहीं, स्क्रीन पर कोई टेक्स्ट नहीं, कोई अन्य लोग नहीं, डेस्क पर बिखरा हुआ सामान नहीं, कोई अतिरंजित मुस्कान नहीं

ध्यान दें कि क्या हुआ। कोई अनुमान नहीं लगा रहा है। हर लेयर (layer) ठीक एक वेरिएबल (variable) को नियंत्रित करती है।

यह सब कुछ क्यों बदल देता है

यह संरचना उन दो महंगी समस्याओं का समाधान करती है जिनका सामना टीमें हर दिन करती हैं।

पहला, स्वतंत्र इटरेशन (iteration) संभव हो जाता है। जब कोई स्टेकहोल्डर कहता है कि इमेज बहुत कैजुअल लग रही है, तो आप पूरा प्रॉम्प्ट फिर से नहीं लिखते। आप स्टाइल लेयर खोलते हैं और "corporate lifestyle photography" को "studio editorial portrait" से बदल देते हैं। जब मार्केटिंग कहती है कि टेक्स्ट ओवरले दब रहा है, तो आप नए विशेषणों (adjectives) का अनुमान नहीं लगाते। आप लेआउट लेयर पर जाते हैं और नेगेटिव स्पेस (negative space) बढ़ा देते हैं। प्रत्येक लेयर अलग (isolated) है। आप इंजन को बदले बिना मशीन को ट्यून करते हैं।

दूसरा, यह वास्तविक जवाबदेही (accountability) पैदा करता है। जब एक टीम साझा फ्रेमवर्क का उपयोग करती है, तो आपको पता होता है कि गलती ठीक कहाँ हुई है। यदि कंपोजिशन अस्त-व्यस्त है, तो यह लेआउट की समस्या है। यदि इमेज धुंधली है या गलत चीज़ फोकस में है, तो यह कैनवस या विषय (Subject) की समस्या है। यदि सौंदर्य (aesthetic) ब्रांड के अनुरूप नहीं लगता है, तो यह स्टाइल की समस्या है। आप "vibes" के बारे में अस्पष्ट बहस करना बंद कर देते हैं और विशिष्ट लेयर्स को ठीक करना शुरू कर देते हैं। यह व्यक्तिपरक राय (subjective opinion) को कार्रवाई योग्य फीडबैक (actionable feedback) में बदल देता है।

एक अच्छा प्रॉम्प्ट चतुर होने के बारे में नहीं है। चतुराई नाजुक होती है। एक शब्द-खेल (pun) या काव्य शैली एक मानव पाठक को मनोरंजन दे सकती है, लेकिन यह उस मॉडल के लिए शोर (noise) पैदा करती है जो निर्देशों का पालन करने की कोशिश कर रहा है। जो काम करता है वह है संरचना। जो स्केल करता है वह है संरचना।

जब आप एक फ्रेमवर्क बनाते हैं, तो आप लोगों को प्रॉम्प्ट लिखना सिखाना बंद कर देते हैं। आप उन्हें एक ऐसा सिस्टम देते हैं जो हर बार काम करता है। नए टीम के साथियों को छह महीने के पारंपरिक कीवर्ड ज्ञान को आत्मसात करने की आवश्यकता नहीं होती है। वे बस छह लेयर्स भरते हैं। रिव्यूअर्स प्रॉम्प्ट लिखने वाले व्यक्ति के पीछे यह पूछने के लिए नहीं भागते कि उनका क्या मतलब था। अर्थ पहले से ही विभाजित और लेबल किया हुआ होता है।

इस तरह आप एक ही समय में गति और गुणवत्ता प्राप्त करते हैं। बेहतर विशेषणों से नहीं। बेहतर आर्किटेक्चर से।

यदि आप स्ट्रक्चर्ड AI वर्कफ़्लो पर और गहराई से जाना चाहते हैं, तो हम GyaanSetu learning community में इस और अन्य व्यावहारिक प्रणालियों के बारे में बात करते हैं। किसी जादुई कीवर्ड की आवश्यकता नहीं है।