AIతో మంచి చిత్రాలను రూపొందించడం అనేది మంత్రం వేసినట్లుగా అనిపించకూడదు. కానీ చాలా బృందాలు సరిగ్గా అలాగే వ్యవహరిస్తున్నాయి. వారు "cinematic," "hyper-detailed," లేదా "8K" వంటి విశేషణాల సరైన కలయిక కోసం వెతుకుతుంటారు, తద్వారా తమకు కావలసిన అవుట్‌పుట్ వస్తుందని ఆశిస్తారు. బృందంలోని ఒకరు "bokeh" మరియు "golden hour" లపై నమ్మకం ఉంచుతారు. మరొకరు Reddit థ్రెడ్‌లో దొరికిన "మ్యాజిక్" కీవర్డ్‌ల కోసం ఒక ప్రైవేట్ స్ప్రెడ్‌షీట్‌ను నిర్వహిస్తారు. దీని ఫలితం ఊహించదగినదే: ప్రతి చిత్రం భిన్నంగా కనిపిస్తుంది, రివ్యూ సైకిల్స్ పెరుగుతాయి, మరియు కొన్ని ప్రాంప్ట్‌లు ఎందుకు పనిచేస్తాయి, మరికొన్ని ఎందుకు విఫలమవుతాయో ఎవరూ వివరించలేరు.

చిట్కాలు (Tricks) స్కేల్ అవ్వవు. అవి ఎప్పటికీ అవ్వవు. ప్రతి ఒక్కరూ ప్రాంప్ట్‌లను కవిత్వం రాస్తున్నట్లుగా రాసినప్పుడు, స్థిరత్వం (consistency) నశిస్తుంది. ఒక డిజైనర్ మినిమలిస్ట్ లుక్ కావాలనుకుంటారు. మరొకరు సినిమాటిక్ లుక్ కావాలనుకుంటారు. ఇద్దరూ ఒకే విధమైన అస్పష్టమైన పదాలను ఉపయోగిస్తారు కానీ పూర్తిగా భిన్నమైన ఫలితాలను ఊహిస్తారు. ఈ గందరగోళం రివ్యూ క్యూలో కనిపిస్తుంది. నిర్దిష్ట సూచనకు సంబంధం లేని కారణాల వల్ల స్టేక్‌హోల్డర్లు చిత్రాలను తిరస్కరిస్తారు. అది పదజాలమా? క్రమమా? లేదా మూడా? అసలు ఏం తప్పు జరిగిందో సరిదిద్దడానికి బదులుగా, బృందాలు ప్రాంప్ట్‌లను మొదటి నుండి మళ్ళీ రాయాల్సి వస్తుంది.

నేను GitHub మరియు Evolink.ai నుండి 12,502 అధిక-నాణ్యత కలిగిన ప్రాంప్ట్‌లను పరిశీలించాను. అక్కడ కనిపించిన విధానం సృజనాత్మకతకు సంబంధించినది కాదు. నమ్మదగిన, పునరావృతమయ్యే ఫలితాలను ఇచ్చే ప్రాంప్ట్‌లు కథలలా కాకుండా, సాంకేతిక స్పెసిఫికేషన్ల (technical specifications) వలె ఉన్నాయి. రచయితలు ఆడంబరమైన భాషతో మోడల్‌ను ఆకట్టుకోవడానికి ప్రయత్నించలేదు. వారు ఒక ఇంజనీర్ స్కీమాటిక్‌ను నిర్మించినట్లుగా సూచనలను రూపొందించారు: ఖచ్చితమైనవి, పొరలుగా (layered) మరియు స్పష్టమైనవి.

అంటే మీరు ఒక సృజనాత్మక రచయితలా ఆలోచించడం ఆపి, ఒక స్పెసిఫికేషన్ రైటర్‌లా ఆలోచించడం ప్రారంభించాలి. ఈ తేడా కేవలం సిద్ధాంతపరమైనది కాదు. క్రియేటివ్ రైటింగ్ విశేషణాలను పేరుకువేసి మూడ్ కోసం ఆశిస్తుంది. స్పెసిఫికేషన్ రైటింగ్ వేరియబుల్స్‌ను వేరు చేసి వాటిని విడివిడిగా నియంత్రిస్తుంది.

అధిక పనితీరు కనబరిచే ఆ ప్రాంప్ట్‌లలో నిరంతరం కనిపించే ఆ ఆరు-అంచెల (six-layer) నిర్మాణాన్ని ఇక్కడ చూడవచ్చు.

Goal

చిత్రం ఎందుకు ఉందో నిర్వచించడంతో ప్రారంభించండి. మీరు ల్యాండింగ్ పేజీ కోసం ప్రొడక్ట్ హీరో షాట్‌ను రూపొందిస్తున్నారా? డాక్యుమెంటేషన్ కోసం సాంకేతిక డయాగ్రామా? లేదా గేమ్‌ కోసం క్యారెక్టర్ స్ప్రైటా? లక్ష్యం తర్వాత తీసుకునే ప్రతి నిర్ణయాన్ని ప్రభావితం చేస్తుంది. అది లేకపోతే, మీరు ఏ లక్ష్యం లేకుండా బాణం వేసి, అది సరిగ్గా తగలలేదని ఫిర్యాదు చేస్తున్నట్లే.

Canvas

ఏ ఒక్క విజువల్ ఎలిమెంట్‌ను వివరించకముందే మీ సాంకేతిక పునాదిని సిద్ధం చేసుకోండి. సందర్భాన్ని బట్టి ఆస్పెక్ట్ రేషియో (aspect ratio), రిజల్యూషన్ మరియు కలర్ స్పేస్ లేదా గామట్‌ను నిర్వచించండి. మీ చిత్రం సోషల్ మీడియా బ్యానర్‌గా ఉండాలంటే, 16:9 అని చెప్పండి. మొబైల్ యాప్ ఐకాన్‌గా ఉండాలంటే, 1:1 అని చెప్పండి. కాన్వాస్ అనేది ఫ్రేమ్ వంటిది. అది తప్పుగా ఉంటే, ఎంతటి అద్భుతమైన సబ్జెక్ట్ అయినా సరిగ్గా సరిపోదు.

Layout

వస్తువులు ఎక్కడ ఉండాలి మరియు దేనికి ప్రాధాన్యత ఇవ్వాలి అనేది వివరించండి. సబ్జెక్ట్ మధ్యలో ఉందా? హెడ్‌లైన్ కోసం స్థలం వదిలి ఎడమ వైపు మూడవ వంతులో ఉందా? టెక్స్ట్ ఓవర్‌లే కోసం మీకు నెగటివ్ స్పేస్ కావాలా, లేదా మొత్తం ఫ్రేమ్ నిండి ఉండాలా? లేఅవుట్ క్రమానుగత శ్రేణిని (hierarchy) నిర్ణయిస్తుంది. ఏది దృష్టిని ఆకర్షించాలి మరియు దేనికి ఖాళీ ఉండాలి అనేది ఇది మోడల్‌కు చెబుతుంది. దీనిని పదాలతో వైర్‌ఫ్రేమింగ్ చేయడం అని అనుకోవచ్చు.

Subject

ఇప్పుడు ప్రధాన విజువల్ ఎలిమెంట్స్‌ను వివరంగా చెప్పండి. వస్తువు, వ్యక్తి, జంతువు లేదా దృశ్యం గురించి స్పష్టంగా ఉండండి. "ఒక కుక్క" అని చెప్పే బదులు, "తక్కువ కోణం (low three-quarter angle) నుండి చూస్తున్నట్లుగా, నడుస్తున్న మధ్యలో ఉన్న మధ్యస్థ పరిమాణపు బీగల్ కుక్క" అని చెప్పండి. "ఒక కారు" అని చెప్పే బదులు, "కెమెరాకు 45-డిగ్రీల కోణంలో పార్క్ చేయబడిన, డ్రైవర్ వైపు కనిపించే వెండి రంగు సెడాన్" అని చెప్పండి. సబ్జెక్ట్ లేయర్‌లో ఖచ్చితత్వం చాలా ముఖ్యం, ఎందుకంటే మీరు వివరించే దేనికైనా AI మోడల్స్ సాధారణంగా అత్యంత సాధారణ వెర్షన్‌ను మాత్రమే ఇస్తాయి. జ్యామితి (geometry), కోణం మరియు కనిపించే లక్షణాలను పరిమితం చేయడం ద్వారా ఆ సాధారణతను తొలగించండి.

Style

స్టైల్‌ను స్పష్టంగా పేర్కొనండి. ఒక భావనను (feeling) వివరించకండి. "1980ల ఎడిటోరియల్ ఫ్యాషన్ ఫోటోగ్రఫీ" లేదా "మిడ్-సెంచరీ ట్రావెల్ పోస్టర్ల శైలిలో ఫ్లాట్ వెక్టర్ ఇలస్ట్రేషన్" అని చెప్పండి. "ఫిజికలీ బేస్డ్ మెటీరియల్స్‌తో Unreal Engine 5 రెండర్" లేదా "రైస్ పేపర్ మీద ఇంక్ వాష్ పెయింటింగ్" అని చెప్పండి. మీ స్టైల్ రిఫరెన్స్ ఎంత స్పష్టంగా మరియు పరిమితంగా ఉంటే, మోడల్ అంత తక్కువగా ఊహించాల్సి ఉంటుంది. మీరు "మోడరన్" అని చెబితే, పది మంది పది వేర్వేరు దశాబ్దాలను ఊహిస్తారు. మీరు "1923 నాటి బాహౌస్ పోస్టర్ డిజైన్" అని చెబితే, ఆ తేడాను మీరు తొలగించినట్లే.

Constraints

ఏవి కనిపించకూడదో స్పష్టంగా జాబితా చేయండి. ఈ లేయర్ రివ్యూలో సమయాన్ని వృధా చేసే వింత పొరపాట్లను నివారిస్తుంది. మీరు కార్పొరేట్ సైట్ కోసం పోర్ట్రెయిట్‌ను రూపొందిస్తుంటే, మసకబారిన ముఖాలు, సన్ గ్లాసెస్ లేదా కనిపించే బ్రాండ్ లోగోలు రాకుండా పరిమితులు విధించండి. మీరు కాంపోజిటింగ్ కోసం క్లీన్ బ్యాక్‌గ్రౌండ్ కావాలనుకుంటే, గ్రేడియంట్లు, టెక్స్ట్ లేదా అదనపు వస్తువులు రాకుండా నియంత్రించండి. పరిమితులు గార్డ్‌రైల్స్ (guardrails) లాగా పనిచేస్తాయి. అవి లేకపోతే, మోడల్ చిత్ర వినియోగ సామర్థ్యాన్ని (usability) దెబ్బతీసే అంశాలను స్వేచ్ఛగా చేరుస్తుంది.

ఇది ఆచరణలో ఎలా ఉంటుందో నేను మీకు చూపిస్తాను. ఒక SaaS డ్యాష్‌బోర్డ్ హెడర్ కోసం మీకు ఒక చిత్రం అవసరమని ఊహించుకోండి.

పాత పద్ధతి ఇలా ఉంటుంది: "ఒక ప్రకాశవంతమైన రంగుల ఆఫీసులో లాప్‌టాప్‌పై పని చేస్తున్న సంతోషకరమైన వృత్తిపరమైన మహిళ యొక్క అందమైన ఆధునిక చిత్రం, క్లీన్ డిజైన్, హై క్వాలిటీ, వింత చేతులు లేకుండా."

ఫ్రేమ్‌వర్క్ పద్ధతి ఇలా ఉంటుంది:

  • లక్ష్యం (Goal): B2B SaaS ప్రైసింగ్ పేజీ కోసం హీరో ఇమేజ్, ఇది నమ్మదగినదిగా మరియు వృత్తిపరంగా (professional) కనిపించాలి
  • కాన్వాస్ (Canvas): 21:9 అల్ట్రావైడ్ బ్యానర్, వెబ్ హెడర్‌కు అనుకూలమైనది, RGB
  • లేఅవుట్ (Layout): సబ్జెక్ట్ కుడి మూడవ వంతులో కూర్చుని ఉండాలి, టెక్స్ట్ ఓవర్‌లే కోసం ఎడమ మూడవ వంతు కావాలనే ఖాళీగా ఉండాలి, చూపు హెడ్‌లైన్ వైపు కొంచెం ఎడమ వైపునకు ఉండాలి
  • సబ్జెక్ట్ (Subject): బిజినెస్ క్యాజువల్ దుస్తుల్లో ఉన్న మహిళ, సన్నని సిల్వర్ లాప్‌టాప్‌పై టైప్ చేస్తూ, కెమెరా ఎడమ వైపు నుండి త్రై-క్వార్టర్ వ్యూ, కీబోర్డ్‌పై చేతులు స్పష్టంగా కనిపించాలి
  • శైలి (Style): కార్పొరేట్ లైఫ్‌స్టైల్ ఫోటోగ్రఫీ, మృదువైన పగటి వెలుతురు, సూక్ష్మమైన నీలి రంగుల కలయికతో కూడిన తటస్థ రంగుల ప్యాలెట్, షాలో డెప్త్ ఆఫ్ ఫీల్డ్
  • పరిమితులు (Constraints): దుస్తులపై లోగోలు కనిపించకూడదు, స్క్రీన్‌పై టెక్స్ట్ ఉండకూడదు, ఇతర వ్యక్తులు ఉండకూడదు, డెస్క్ మీద వస్తువులు ఎక్కువగా ఉండకూడదు, అతిగా నవ్వడం ఉండకూడదు

ఇక్కడ ఏం జరిగిందో గమనించండి. ఎవరూ ఊహలతో పని చేయడం లేదు. ప్రతి లేయర్ ఖచ్చితంగా ఒక వేరియబుల్‌ను మాత్రమే నియంత్రిస్తుంది.

ఇది అన్నింటినీ ఎందుకు మారుస్తుంది

ఈ నిర్మాణం బృందాలు ప్రతిరోజూ ఎదుర్కొనే రెండు ఖరీదైన సమస్యలను పరిష్కరిస్తుంది.

మొదటిది, స్వతంత్రంగా మార్పులు చేయడం (independent iteration) సాధ్యమవుతుంది. ఒక స్టేక్‌హోల్డర్ ఇమేజ్ మరీ క్యాజువల్‌గా ఉందని చెప్పినప్పుడు, మీరు మొత్తం ప్రాంప్ట్‌ను మళ్ళీ రాయాల్సిన అవసరం లేదు. మీరు 'Style' లేయర్‌ను తెరిచి, "corporate lifestyle photography" స్థానంలో "studio editorial portrait" అని మార్చవచ్చు. మార్కెటింగ్ టీమ్ టెక్స్ట్ ఓవర్‌లే సరిగ్గా కనిపించడం లేదని చెప్పినప్పుడు, మీరు కొత్త విశేషణాలను (adjectives) ఊహించాల్సిన అవసరం లేదు. మీరు 'Layout' లేయర్‌కు వెళ్లి నెగటివ్ స్పేస్‌ను పెంచవచ్చు. ప్రతి లేయర్ విడిగా ఉంటుంది. మీరు ఇంజిన్‌ను మార్చకుండానే మెషిన్‌ను ట్యూన్ చేయవచ్చు.

రెండవది, ఇది నిజమైన జవాబుదారీతనాన్ని (accountability) సృష్టిస్తుంది. ఒక బృందం ఉమ్మడి ఫ్రేమ్‌వర్క్‌ను ఉపయోగించినప్పుడు, తప్పు ఎక్కడ జరిగిందో మీకు ఖచ్చితంగా తెలుస్తుంది. కాంపోజిషన్ సరిగ్గా లేకపోతే, అది 'Layout' సమస్య. ఇమేజ్ బ్లర్ (blurry) గా ఉన్నా లేదా తప్పు వస్తువు ఫోకస్‌లో ఉన్నా, అది 'Canvas' లేదా 'Subject' సమస్య. సౌందర్య దృశ్యం (aesthetic) బ్రాండ్‌కు సరిపోకపోతే, అది 'Style' సమస్య. మీరు "vibes" గురించి అస్పష్టమైన వాదనలు చేయడం మానేసి, నిర్దిష్ట లేయర్లను సరిదిద్దడం ప్రారంభిస్తారు. ఇది వ్యక్తిగత అభిప్రాయాన్ని ఉపయోగకరమైన ఫీడ్‌బ్యాక్‌గా మారుస్తుంది.

మంచి ప్రాంప్ట్ అంటే తెలివిగా ఉండటం కాదు. తెలివి అనేది అస్థిరమైనది. ఒక జోక్ లేదా కవితాత్మక శైలి మానవ పాఠకుడిని అలరించవచ్చు, కానీ సూచనలను పాటించడానికి ప్రయత్నిస్తున్న మోడల్‌కు అది అనవసరమైన శబ్దాన్ని (noise) జోడిస్తుంది. నిర్మాణం (structure) మాత్రమే పనిచేస్తుంది. నిర్మాణం మాత్రమే విస్తరించగలదు (scales).

మీరు ఒక ఫ్రేమ్‌వర్క్‌ను నిర్మించినప్పుడు, ప్రజలకు ప్రాంప్ట్‌లు ఎలా రాయాలో నేర్పించడం ఆపివేస్తారు. మీరు వారికి ప్రతిసారీ పనిచేసే ఒక వ్యవస్థను ఇస్తారు. కొత్త టీమ్ సభ్యులు ఆరు నెలల పాటు కీవర్డ్‌ల గురించి నేర్చుకోవాల్సిన అవసరం లేదు. వారు ఆరు లేయర్లను నింపితే సరిపోతుంది. రివ్యూయర్‌లు ప్రాంప్ట్ రాసిన వ్యక్తి వద్దకు వెళ్లి దాని అర్థం ఏమిటో అడగాల్సిన అవసరం లేదు. అర్థం ఇప్పటికే విడదీయబడి, లేబుల్ చేయబడి ఉంటుంది.

ఈ విధంగా మీరు వేగం మరియు నాణ్యతను ఒకేసారి పొందవచ్చు. మెరుగైన విశేషణాలతో కాదు, మెరుగైన ఆర్కిటెక్చర్‌తో.

మీరు స్ట్రక్చర్డ్ AI వర్క్‌ఫ్లోల గురించి మరింత లోతుగా తెలుసుకోవాలనుకుంటే, మేము GyaanSetu learning communityలో దీని గురించి మరియు ఇతర ఆచరణాత్మక వ్యవస్థల గురించి మాట్లాడుతాము. ఎటువంటి మ్యాజిక్ కీవర్డ్‌లు అవసరం లేదు.