Kutengeneza picha nzuri kwa kutumia AI hakupaswi kuhisi kama kutupa uchawi. Hata hivyo, hiyo ndiyo hasa jinsi timu nyingi zinavyochukulia. Wanatafuta mchanganyiko sahihi wa vivumishi, wakitumaini kwamba "cinematic," "hyper-detailed," au "8K" itawezaje kuleta matokeo wanayohitaji. Mtu mmoja kwenye timu anashikilia sana "bokeh" na "golden hour." Mwingine ana orodha binafsi ya maneno ya "ajabu" aliyoyapata kwenye ujadiliapo wa Reddit. Matokeo ni yanayotabirika: kila picha inaonekana tofauti, mzunguko wa mapitio unakua kupita kiasi, na hakuna mtu anayeweza kueleza kwa nini baadhi ya prompts zinafanya kazi wakati nyingine zinashindwa.

Mbinu za ujanja hazina uwezo wa kuleta matokeo ya kiwango kikubwa (scale). Hazina uwezo huo kamwe. Wakati kila mtu anaandika prompts kana kwamba anaandika mashairi, uthabiti unakufa. Mbuni mmoja anataka muonekano wa minimalist. Mwingine anataka kitu cha cinematic. Wote wanatumia maneno yaleyale yasiyo na maelezo mahususi lakini wanawazia matokeo tofauti kabisa. Machafuko haya huonekana kwenye foleni ya mapitio. Wadau wanakataa picha kwa sababu ambazo hakuna mtu anayeweza kuzihusisha na maelekezo mahususi. Je, ilikuwa ni mpangilio wa maneno? Mpangilio? Mood? Timu huishia kuandika upya prompts nzima kuanzia mwanzo badala ya kurekebisha kile ambacho hakikuenda sawa.

Nilitumia muda nikichunguza prompts 12,502 za hali ya juu kutoka GitHub na Evolink.ai. Mtindo uliojitokeza haukuuhusu ubunifu kabisa. Prompts ambazo zilitoa matokeo ya kuaminika na yanayoweza kurudiwa zilisoma kama maelezo ya kiufundi (technical specifications), si kama hadithi fupi. Waandishi hawakujaribu kuuvutia mfumo (model) kwa lugha ya urembo. Walikuwa wakijenga maelekezo kama vile mhandisi anavyojenga mchoro wa kiufundi (schematic): sahihi, yenye tabaka, na iliyo wazi.

Hii inamaanisha unapaswa kuacha kufikiria kama mwandishi wa ubunifu na uanze kufikiria kama mwandishi wa maelezo ya kiufundi (specification writer). Tofauti hiyo si ya kitaaluma tu. Uandishi wa ubunifu unajumuisha vivumishi vingi na kutegemea hisia (mood). Uandishi wa maelezo ya kiufundi unajitenga na vigezo (variables) na kuvidhibiti kila kimoja.

Hapa kuna muundo wa tabaka sita ambao huonekana mara kwa mara katika hizo prompts zenye ufanisi mkubwa.

Lengo (Goal)

Anza kwa kufafanua kwa nini picha hiyo ipo. Je, unatengeneza picha kuu ya bidhaa (product hero shot) kwa ajili ya ukurasa wa kwanza wa tovuti (landing page)? Mchoro wa kiufundi kwa ajili ya nyaraka? Au mhusika wa mchezo (character sprite) kwa ajili ya mchezo wa video? Lengo huamua kila uamuzi unaofuata. Bila hilo, unalenga wala kitu na kisha unalalamika kuhusu mshale.

Eneo la Picha (Canvas)

Weka msingi wako wa kiufundi kabla ya kuelezea kipengele chochote cha picha. Fafanua uwiano wa upana na urefu (aspect ratio), utata (resolution), na nafasi ya rangi (color space) inapohusika. Ikiwa picha yako inahitaji kuwa kichwa cha habari cha mitandao ya kijamii, sema 16:9. Ikiwa inahitaji kutoshea kwenye ikoni ya programu ya simu, sema 1:1. Canvas ndiyo fremu. Ukikosea, hata mada bora zaidi itaonekana haijakaa mahali pake.

Mpangilio (Layout)

Elezea mahali vitu vilipo na nini ni muhimu zaidi. Je, mada iko katikati? Je, imesukumwa upande wa kushoto ili kuacha nafasi kwa kichwa cha habari? Je, unahitaji nafasi tupu (negative space) kwa ajili ya maandishi, au unahitaji fremu nzima ijazwe? Mpangilio huamua kipaumbele. Inaiambia model ni kitu gani kinapaswa kushindania usikivu na kipi kinapaswa kuwa na nafasi. Ifikirie kama kuunda muundo wa awali (wireframing) kwa kutumia maneno.

Mada (Subject)

Sasa fafanua vipengele muhimu vya picha. Kuwa mahususi kuhusu kitu, mtu, mnyama, au mandhari. Badala ya kusema "mbwa," sema "mbwa aina ya beagle wa ukubwa wa kati akiwa katikati ya hatua, akionekana kutoka pembe ya chini ya robo tatu (low three-quarter angle)." Badala ya "gari," sema "gari la aina ya sedan la rangi ya fedha lililopakiwa kwa pembe ya nyuzi 45 kutoka kwenye kamera, upande wa dereva ukionekana." Tabaka la mada ndipo usahihi unapoleta matokeo makubwa kwa sababu mifumo ya AI huwa inachukua matokeo ya kawaida zaidi ya kile unachoelezea. Zuia matokeo ya kawaida kwa kupunguza upana wa jiometri, pembe, na sifa zinazoonekana.

Mtindo (Style)

Taja mtindo kwa usahihi. Usieleze hisia. Sema "upigaji picha wa mitindo wa kihariri wa miaka ya 1980" au "mchoro wa vector wa flat katika mtindo wa mabango ya safari ya katikati ya karne." Sema "render ya Unreal Engine 5 yenye vifaa vya kulingana na fizikia (physically based materials)" au "uchoraji wa ink wash kwenye karatasi ya mchele." Kadiri rejea yako ya mtindo inavyotajwa na kuwa na mipaka, ndivyo model inavyohitaji kukisia kidogo. Ukisema "modern," watu kumi watawazia miaka kumi tofauti. Ukisema "Bauhaus poster design kutoka 1923," umefunga pengo hilo.

Vizuizi (Constraints)

Orodhesha wazi kile ambacho hakipaswi kuonekana. Tabaka hili huzuia makosa ya ajabu yanayopoteza muda wakati wa mapitio. Ikiwa unatengeneza picha ya mtu kwa ajili ya tovuti ya kampuni, zuia nyuso zilizofifia, miwani ya jua, au nembo za chapa zinazoonekana. Ikiwa unahitaji mandhari safi kwa ajili ya kuunganisha picha (compositing), zuia rangi zinazobadilika (gradients), maandishi, au vitu vya ziada. Vizuizi hufanya kazi kama mipaka (guardrails). Bila hivyo, model itaweka vipengele kwa uhuru ambavyo vitaharibu matumizi ya picha hiyo kimyakimya.

Acha nikuonyeshe jinsi hii inavyoonekana kwa vitendo. Wazia unahitaji picha kwa ajili ya kichwa cha dashboard ya SaaS.

Njia ya zamani inasikika hivi: "Mchoro mzuri wa kisasa wa mwanamke mtaalamu mwenye furaha akifanya kazi kwenye laptop katika ofisi yenye rangi na mwanga mwingi, usanifu safi, ubora wa juu, hakuna mikono ya ajabu."

Njia ya mfumo (framework) inaonekana hivi:

  • Lengo: Picha kuu (Hero image) kwa ajili ya ukurasa wa bei wa B2B SaaS, lazima ionekane ya kuaminika na ya kitaalamu
  • Canvas: Banner pana ya 21:9, inayofaa kwa kichwa cha tovuti, RGB
  • Mpangilio (Layout): Mhusika ameketi upande wa kulia (third), upande wa kushoto uachwe wazi kwa ajili ya maandishi, mwelekeo wa macho uelekee kidogo kushoto kuelekea sehemu ya kichwa cha habari
  • Mhusika (Subject): Mwanamke katika mavazi ya kiofisi yasiyo rasmi sana, akibonyeza herufi kwenye laptop nyembamba ya rangi ya fedha, mtazamo wa robo tatu kutoka upande wa kushoto wa kamera, mikono ionekane vizuri kwenye kibodi
  • Mtindo (Style): Upigaji picha wa maisha ya kiofisi (corporate lifestyle photography), mwanga mwanana wa mchana, rangi zisizo na msisitizo mkubwa zenye rangi za bluu hafifu, kina kifupi cha uwanja (shallow depth of field)
  • Vizuizi (Constraints): Hakuna nembo zinazoonekana kwenye nguo, hakuna maandishi kwenye skrini, hakuna watu wengine, hakuna vitu vingi vilivyovurugika mezani, hakuna tabasamu za kupitiliza

Angalia kilichotokea. Hakuna mtu anayekisia. Kila tabaka linadhibiti kigezo kimoja tu.

Kwa Nini Hii Inabadilisha Kila Kitu

Muundo huu unatatua matatizo mawili ya gharama kubwa ambayo timu hukabiliana nayo kila siku.

Kwanza, marudio huria (independent iteration) yanakuwa yanawezekana. Mhusika muhimu (stakeholder) anaposema picha inaonekana isiyo rasmi sana, huandiki upya maelezo (prompt) yote. Unafungua tabaka la Mtindo (Style) na kubadilisha "corporate lifestyle photography" kuwa "studio editorial portrait." Masoko yanaposema maandishi hayataonekani vizuri, hupigi ramli ya vivumishi vipya. Unaenda kwenye tabaka la Mpangilio (Layout) na kuongeza nafasi wazi (negative space). Kila tabaka limejitenga. Unarekebisha mashine bila kubadilisha injini.

Pili, inatengeneza uwajibikaji wa kweli. Timu inapotumia mfumo wa pamoja, unajua sawia mahali ambapo kosa limetokea. Ikiwa mpangilio (composition) umevurugika, ni tatizo la Mpangilio (Layout). Ikiwa picha imefifia au kitu kisichohitajika kiko kwenye uvivu (focus), ni tatizo la Canvas au Mhusika (Subject). Ikiwa muonekano haufanani na chapa (off-brand), ni tatizo la Mtindo (Style). Unaacha kuwa na mabishano yasiyo na mpangilio kuhusu "vibes" na kuanza kurekebisha tabaka mahususi. Hiyo inageuza maoni ya kibinafsi kuwa maoni yanayoweza kutekelezwa.

Maelezo (prompt) mazuri si kuhusu kuwa mjanja. Ujanja ni dhaifu. Utani au urembo wa kishairi unaweza kumfurahisha msomaji wa binadamu, lakini unaongeza kelele kwa modeli inayojaribu kufuata maelekezo. Kinachofanya kazi ni muundo. Kinachoweza kukua ni muundo.

Unapojenga mfumo, unaacha kuwafundisha watu jinsi ya kuandika maelezo (prompts). Unawapa mfumo unaofanya kazi kila wakati. Wafanyakazi wapya hawahitaji kujifunza kwa miezi sita kuhusu maneno ya siri ya timu. Wanajaza tabaka sita tu. Wakaguzi hawamfuati mtu aliyeandika maelezo ili kumuuliza alimaanisha nini. Maana tayari imegawanywa na kuwekwa lebo.

Hivyo ndivyo unavyopata kasi na ubora kwa wakati mmoja. Si kwa kutumia vivumishi bora zaidi. Bali kwa usanifu bora zaidi.

Ikiwa unataka kuendelea kuzama zaidi katika mifumo ya AI iliyopangwa, tunazungumzia hili na mifumo mingine ya vitendo katika jumuiya ya kujifunza ya GyaanSetu. Hakuna maneno ya kichawi yanayohitajika.