AI द्वारे उत्तम चित्रे तयार करणे म्हणजे एखादे मंत्र जपणे (casting a spell) असे वाटू नये. तरीही बहुतेक टीम्स नेमके तसेच करतात. ते योग्य विशेषणांचा (adjectives) शोध घेत राहतात, या आशेने की "cinematic," "hyper-detailed," किंवा "8K" मुळे त्यांना हवे तसे आउटपुट मिळेल. टीममधील एक व्यक्ती "bokeh" आणि "golden hour" वर विश्वास ठेवते. दुसरी व्यक्ती Reddit थ्रेडवर सापडलेल्या "magic" कीवर्ड्सची एक खाजगी स्प्रेडशीट बनवून ठेवते. याचा परिणाम अपेक्षित असतो: प्रत्येक चित्र वेगळे दिसते, रिव्ह्यू सायकल वाढून वाढून मोठी होते आणि काही प्रॉम्प्ट्स का काम करतात तर काही का अपयशी ठरतात, हे कोणालाच समजत नाही.

युक्ती (Tricks) मोठ्या प्रमाणावर वापरता येत नाहीत (scale होत नाहीत). त्या कधीच होत नाहीत. जेव्हा प्रत्येकजण प्रॉम्प्ट्स एखाद्या कवितेसारखे लिहितो, तेव्हा सुसंगतता (consistency) संपते. एका डिझायनरला मिनिमलिस्ट लूक हवा असतो. दुसऱ्याला काहीतरी सिनेमॅटिक हवे असते. दोन्ही समान अस्पष्ट शब्द वापरतात पण त्यांच्या कल्पनेत पूर्णपणे वेगळे परिणाम असतात. हा गोंधळ रिव्ह्यू क्यू (review queue) मध्ये दिसून येतो. स्टेकहोल्डर्स अशा कारणांमुळे चित्रे नाकारतात ज्यांचा संबंध नेमक्या कोणत्या सूचनेशी आहे हे कोणालाच सांगता येत नाही. ती शब्दांची रचना होती? क्रम होता? की मूड होता? परिणामी, काय चुकले हे सुधारण्याऐवजी टीम्स संपूर्ण प्रॉम्प्ट्स सुरुवातीपासून पुन्हा लिहिण्यात वेळ घालवतात.

मी GitHub आणि Evolink.ai वरील १२,५०२ उच्च-गुणवत्तेच्या प्रॉम्प्ट्सचा अभ्यास केला. त्यातून जो पॅटर्न समोर आला तो कल्पकता (creativity) याबद्दल नव्हता. जे प्रॉम्प्ट्स विश्वासार्ह आणि पुन्हा पुन्हा मिळण्यासारखे (repeatable) निकाल देतात, ते एखाद्या लघुकथेसारखे नसून तांत्रिक तपशिलांसारखे (technical specifications) वाचले जातात. लेखक फुलांच्या भाष्याने मॉडेलला प्रभावित करण्याचा प्रयत्न करत नव्हते. ते एखाद्या इंजिनिअरप्रमाणे सूचना तयार करत होते, जसे की एखादे स्कीमॅटिक (schematic) तयार केले जाते: अचूक, स्तरित (layered) आणि स्पष्ट.

याचा अर्थ असा की तुम्ही एका क्रिएटिव्ह रायटरसारखा विचार करणे थांबवून एका स्पेसिफिकेशन रायटरसारखा (specification writer) विचार करायला सुरुवात केली पाहिजे. हा फरक केवळ तात्विक नाही. क्रिएटिव्ह रायटिंगमध्ये विशेषणांची थप्पी लावली जाते आणि मूडची अपेक्षा केली जाते. स्पेसिफिकेशन रायटिंगमध्ये व्हेरिएबल्स (variables) वेगळे केले जातात आणि त्यांच्यावर वैयक्तिकरित्या नियंत्रण ठेवले जाते.

येथे सहा-स्तरीय संरचना दिली आहे जी त्या उच्च-कार्यक्षम प्रॉम्प्ट्समध्ये सातत्याने दिसून येते.

Goal

चित्र का तयार केले जात आहे, हे परिभाषित करून सुरुवात करा. तुम्ही लँडिंग पेजसाठी प्रॉडक्ट हिरो शॉट तयार करत आहात का? डॉक्युमेंटेशनसाठी तांत्रिक आकृती (technical diagram)? की गेमसाठी कॅरेक्टर स्प्राइट (character sprite)? तुमचे ध्येय त्यानंतरच्या प्रत्येक निर्णयावर परिणाम करते. ध्येयाशिवाय, तुम्ही नेमके कशावर लक्ष केंद्रित करत आहात हे स्पष्ट नसते आणि त्यानंतर येणाऱ्या निकालांबद्दल तक्रार करणे व्यर्थ ठरते.

Canvas

कोणताही दृश्य घटक (visual element) वर्णन करण्यापूर्वी तुमचा तांत्रिक पाया सेट करा. आस्पेक्ट रेशो (aspect ratio), रिझोल्यूशन (resolution) आणि आवश्यक असल्यास कलर स्पेस किंवा गॅमट (color space or gamut) परिभाषित करा. जर तुमच्या चित्राला सोशल मीडिया बॅनर बनायचे असेल, तर 16:9 म्हणा. जर ते मोबाईल ॲप आयकॉनसाठी हवे असेल, तर 1:1 म्हणा. कॅनव्हास म्हणजे फ्रेम आहे. जर तुम्ही यात चूक केली, तर अगदी उत्तम विषय देखील चुकीच्या ठिकाणी असल्यासारखा वाटेल.

Layout

वस्तू कुठे असतील आणि सर्वात महत्त्वाचे काय आहे याचे वर्णन करा. विषय मध्यभागी आहे का? हेडलाईनसाठी जागा सोडण्यासाठी तो डाव्या बाजूला ढकलला आहे का? तुम्हाला टेक्स्ट ओव्हरलेसाठी निगेटिव्ह स्पेस (negative space) हवी आहे की संपूर्ण फ्रेम भरलेली हवी आहे? लेआउट श्रेणीबद्धता (hierarchy) प्रस्थापित करतो. तो मॉडेलला सांगतो की कोणत्या गोष्टीने लक्ष वेधून घ्यावे आणि कोणत्या गोष्टीला मोकळी जागा द्यावी. याला शब्दांद्वारे वायरफ्रेमिंग (wireframing) करणे असे समजा.

Subject

आता मुख्य दृश्य घटकांचा तपशील द्या. वस्तू, व्यक्ती, प्राणी किंवा दृश्याबद्दल विशिष्ट माहिती द्या. "एक कुत्रा" म्हणण्याऐवजी, "मध्यम आकाराचा बीगल कुत्रा चालण्याच्या स्थितीत, लो थ्री-क्वार्टर अँगलने (low three-quarter angle) पाहिला आहे" असे म्हणा. "एक कार" म्हणण्याऐवजी, "कॅमेऱ्याच्या ४५-डिग्री कोनात पार्क केलेली सिल्व्हर सेडान, ज्यामध्ये ड्रायव्हरची बाजू दिसत आहे" असे म्हणा. विषय स्तर (subject layer) हा असा भाग आहे जिथे अचूकता सर्वात महत्त्वाची असते, कारण AI मॉडेल्स तुम्ही वर्णन केलेल्या गोष्टीचे सर्वात सामान्य (generic) रूप देण्याकडे कल ठेवतात. भूमिती (geometry), अँगल आणि दृश्य वैशिष्ट्ये मर्यादित करून त्या सामान्य स्वरूपाला बाहेर काढा.

Style

शैलीचे नाव स्पष्टपणे घ्या. केवळ भावनांचे वर्णन करू नका. "1980s editorial fashion photography" किंवा "mid-century travel posters च्या शैलीतील flat vector illustration" असे म्हणा. "Unreal Engine 5 render with physically based materials" किंवा "rice paper वरील ink wash painting" असे म्हणा. तुमची शैली जितकी नामनिर्देशित आणि मर्यादित असेल, तितका मॉडेलला अंदाज लावण्याची गरज कमी पडेल. जर तुम्ही "modern" असे म्हटले, तर दहा लोक दहा वेगवेगळ्या दशकांची कल्पना करतील. जर तुम्ही "1923 मधील Bauhaus poster design" असे म्हटले, तर तुम्ही त्यातील संदिग्धता दूर केली आहे.

Constraints

काय दिसू नये याची स्पष्ट यादी करा. हा स्तर रिव्ह्यूमध्ये वेळ वाया घालवणाऱ्या विचित्र चुका टाळण्यास मदत करतो. जर तुम्ही कॉर्पोरेट साइटसाठी पोर्ट्रेट तयार करत असाल, तर धूसर चेहरे (blurred faces), सनग्लासेस किंवा दृश्यमान ब्रँड लोगो यांपासून मर्यादा (constrain) ठेवा. जर तुम्हाला कंपोझिटिंगसाठी स्वच्छ बॅकग्राउंड हवे असेल, तर ग्रेडियंट्स, मजकूर किंवा अतिरिक्त वस्तूंना मनाई करा. मर्यादा (Constraints) या गार्डरेल्सप्रमाणे (guardrails) काम करतात. त्यांच्याशिवाय, मॉडेल अशा गोष्टी समाविष्ट करते ज्या चित्राचा वापर करण्यायोग्यता (usability) हळूहळू नष्ट करतात.

हे प्रत्यक्ष व्यवहारात कसे दिसते ते मी तुम्हाला दाखवतो. समजा तुम्हाला SaaS डॅशबोर्ड हेडरसाठी एका प्रतिमेची (image) गरज आहे.

जुनी पद्धत अशी असते: "एका उजळ आणि रंगीत ऑफिसमध्ये लॅपटॉपवर काम करणाऱ्या एका आनंदी व्यावसायिक महिलेचे सुंदर आधुनिक चित्रण, स्वच्छ डिझाइन, उच्च दर्जा, विचित्र हात नसावेत."

फ्रेमवर्क वापरण्याची पद्धत अशी दिसते:

  • ध्येय (Goal): B2B SaaS प्राइसिंग पेजसाठी हिरो इमेज, जी विश्वासार्ह आणि व्यावसायिक वाटली पाहिजे
  • कॅनव्हास (Canvas): 21:9 अल्ट्रावाईड बॅनर, वेब हेडरसाठी योग्य, RGB
  • लेआउट (Layout): विषय (Subject) उजव्या तिसऱ्या भागात बसलेला, मजकूर टाकण्यासाठी (text overlay) डावा तिसरा भाग जाणीवपूर्वक रिकामा, दृष्टी (eye-line) हेडलाईनच्या जागेकडे थोडी डावीकडे वळलेली
  • विषय (Subject): बिझनेस कॅज्युअल कपड्यांमधील महिला, स्लिम सिल्व्हर लॅपटॉपवर टाईप करताना, कॅमेराच्या डावीकडून थ्री-क्वार्टर व्ह्यू, कीबोर्डवर हात स्पष्टपणे दिसत आहेत
  • शैली (Style): कॉर्पोरेट लाइफस्टाइल फोटोग्राफी, मऊ विखुरलेला सूर्यप्रकाश (soft diffused daylight), सूक्ष्म निळ्या छटांसह न्यूट्रल कलर पॅलेट, शॅलो डेप्थ ऑफ फील्ड
  • मर्यादा (Constraints): कपड्यांवर कोणतेही लोगो दिसू नयेत, स्क्रीनवर कोणताही मजकूर नसावा, इतर कोणीही व्यक्ती नसावी, डेस्कवर पसारा नसावा, अतिशयोक्तीपूर्ण हास्य नसावे

काय घडले ते लक्षात घ्या. इथे कोणीही केवळ इच्छा व्यक्त करत नाहीये. प्रत्येक लेयर (layer) नेमका एकच व्हेरिएबल (variable) नियंत्रित करतो.

यामुळे सर्व काही का बदलते

ही रचना टीम्सना दररोज भेडसावणाऱ्या दोन महागड्या समस्या सोडवते.

पहिले म्हणजे, स्वतंत्र पुनरावृत्ती (independent iteration) शक्य होते. जेव्हा एखादा स्टेकहोल्डर (stakeholder) म्हणतो की इमेज खूप अनौपचारिक (casual) वाटते, तेव्हा तुम्ही संपूर्ण प्रॉम्प्ट पुन्हा लिहीत नाही. तुम्ही 'Style' लेयर उघडता आणि "corporate lifestyle photography" च्या जागी "studio editorial portrait" वापरता. जेव्हा मार्केटिंग टीम म्हणते की मजकूर (text overlay) नीट दिसत नाहीये, तेव्हा तुम्ही नवीन विशेषणांचा (adjectives) अंदाज घेत नाही. तुम्ही 'Layout' लेयरवर जाता आणि 'negative space' वाढवता. प्रत्येक लेयर स्वतंत्र आहे. तुम्ही इंजिन न बदलता मशीन ट्यून करू शकता.

दुसरे म्हणजे, यामुळे खरी जबाबदारी (accountability) निश्चित होते. जेव्हा एखादी टीम सामायिक फ्रेमवर्क वापरते, तेव्हा चूक नेमकी कुठे झाली हे तुम्हाला स्पष्टपणे समजते. जर रचना (composition) विस्कळीत असेल, तर ती 'Layout' ची समस्या आहे. जर इमेज अस्पष्ट असेल किंवा चुकीची गोष्ट फोकसमध्ये असेल, तर ती 'Canvas' किंवा 'Subject' ची समस्या आहे. जर सौंदर्यशास्त्र (aesthetic) ब्रँडला साजेसे नसेल, तर ती 'Style' ची समस्या आहे. तुम्ही "vibes" बद्दलचे अस्पष्ट वाद थांबवता आणि विशिष्ट लेयर्स सुधारण्यावर लक्ष केंद्रित करता. यामुळे वैयक्तिक मते (subjective opinion) कृतीयोग्य फीडबॅकमध्ये (actionable feedback) रूपांतरित होतात.

चांगला प्रॉम्प्ट म्हणजे हुशारी दाखवणे नव्हे. हुशारी ही क्षणभंगुर असते. एखादा शब्दकोश किंवा काव्यमय शैली मानवी वाचकाला आनंद देऊ शकते, परंतु सूचनांचे पालन करण्याचा प्रयत्न करणाऱ्या मॉडेलसाठी ती केवळ गोंधळ (noise) निर्माण करते. जे काम करते ते म्हणजे रचना (structure). जे विस्तारू शकते (scale) ते म्हणजे रचना.

जेव्हा तुम्ही फ्रेमवर्क तयार करता, तेव्हा तुम्ही लोकांना प्रॉम्प्ट कसे लिहायचे हे शिकवणे थांबवता. तुम्ही त्यांना अशी प्रणाली देता जी प्रत्येक वेळी काम करते. नवीन सहकाऱ्यांना सहा महिन्यांचे अनुभवावर आधारित कीवर्ड ज्ञान (tribal keyword knowledge) आत्मसात करण्याची गरज नसते. ते फक्त सहा लेयर्स भरतात. रिव्ह्यूअर्सना (Reviewers) प्रॉम्प्ट लिहिणाऱ्या व्यक्तीला त्याचा अर्थ विचारण्यासाठी शोधण्याची गरज पडत नाही. अर्थ आधीच विभागलेला आणि लेबल केलेला असतो.

अशा प्रकारे तुम्ही वेग आणि गुणवत्ता एकाच वेळी मिळवू शकता. चांगल्या विशेषणांनी नाही, तर चांगल्या आर्किटेक्चरने (architecture).

जर तुम्हाला स्ट्रक्चर्ड AI वर्कफ्लोबद्दल अधिक सखोल माहिती हवी असेल, तर आम्ही GyaanSetu learning community मध्ये या आणि इतर व्यावहारिक प्रणालींबद्दल चर्चा करतो. कोणत्याही मॅजिक कीवर्ड्सची गरज नाही.