AI کے ذریعے اچھی تصاویر بنانا ایسا محسوس نہیں ہونا چاہیے جیسے کوئی جادوئی منتر پڑھا جا رہا ہو۔ لیکن زیادہ تر ٹیمیں بالکل اسی طرح اسے لیتی ہیں۔ وہ صفتوں (adjectives) کے صحیح مجموعے کی تلاش میں رہتے ہیں، اس امید میں کہ "cinematic," "hyper-detailed," یا "8K" جیسے الفاظ کسی نہ کسی طرح وہ نتیجہ نکال دیں گے جس کی انہیں ضرورت ہے۔ ٹیم کا ایک رکن "bokeh" اور "golden hour" پر یقین رکھتا ہے۔ دوسرا شخص Reddit کے کسی تھریڈ سے ملنے والے "جادوئی" کلیدی الفاظ (keywords) کا ایک نجی اسپریڈ شیٹ رکھتا ہے۔ نتیجہ قابلِ پیش گوئی ہے: ہر تصویر مختلف نظر آتی ہے، ریویو سائیکل طویل ہو جاتے ہیں، اور کوئی بھی یہ نہیں بتا سکتا کہ کچھ پرامپٹس (prompts) کیوں کام کرتے ہیں جبکہ دوسرے کیوں ناکام ہو جاتے ہیں۔

ترکیبیں (Tricks) بڑے پیمانے پر کام نہیں کرتیں۔ وہ کبھی نہیں کرتیں۔ جب ہر کوئی پرامپٹس ایسے لکھتا ہے جیسے وہ شاعری کر رہے ہوں، تو تسلسل (consistency) ختم ہو جاتا ہے۔ ایک ڈیزائنر کو سادہ (minimalist) لک چاہیے، جبکہ دوسرے کو کچھ سینیمیٹک (cinematic) چاہیے۔ دونوں ایک جیسے مبہم الفاظ استعمال کرتے ہیں لیکن ان کے تصورات بالکل مختلف ہوتے ہیں۔ یہ افراتفری ریویو کی قطار میں نظر آتی ہے۔ اسٹیک ہولڈرز (Stakeholders) ایسی وجوہات پر تصاویر مسترد کر دیتے ہیں جن کا تعلق کسی مخصوص ہدایت سے نہیں مل پاتا۔ کیا یہ الفاظ کا انتخاب تھا؟ ترتیب؟ یا موڈ؟ ٹیمیں اصل غلطی کو ٹھیک کرنے کے بجائے پورے پرامپٹ کو شروع سے دوبارہ لکھنے پر مجبور ہو جاتی ہیں۔

میں نے GitHub اور Evolink.ai سے 12,502 اعلیٰ معیار کے پرامپٹس کا جائزہ لیا۔ جو نمونہ سامنے آیا وہ تخلیقی صلاحیتوں کے بارے میں بالکل نہیں تھا۔ وہ پرامپٹس جو قابلِ اعتماد اور بار بار ملنے والے نتائج دیتے تھے، وہ کہانیوں کے بجائے تکنیکی وضاحتوں (technical specifications) کی طرح لگتے تھے۔ مصنفین پھول پتی زبان سے ماڈل کو متاثر کرنے کی کوشش نہیں کر رہے تھے۔ وہ ہدایات بالکل اسی طرح بنا رہے تھے جیسے ایک انجینئر ایک اسکیمیٹک (schematic) بناتا ہے: درست، تہوں والی (layered)، اور واضح۔

اس کا مطلب ہے کہ آپ کو ایک تخلیقی مصنف کی طرح سوچنا چھوڑ کر ایک وضاحت لکھنے والے (specification writer) کی طرح سوچنا شروع کرنا چاہیے۔ یہ فرق محض نظریاتی نہیں ہے۔ تخلیقی تحریر صفتوں کا ڈھیر لگا دیتی ہے اور موڈ کی امید کرتی ہے۔ جبکہ وضاحت نگاری متغیرات (variables) کو الگ کرتی ہے اور ان پر انفرادی طور پر کنٹرول حاصل کرتی ہے۔

یہاں وہ چھ تہوں والا ڈھانچہ ہے جو ان اعلیٰ کارکردگی والے پرامپٹس میں مستقل طور پر نظر آتا ہے۔

Goal

اس بات کی وضاحت سے شروع کریں کہ یہ تصویر کیوں بنائی جا رہی ہے۔ کیا آپ لینڈنگ پیج کے لیے پروڈکٹ کا ہیرو شاٹ (product hero shot) بنا رہے ہیں؟ دستاویزات کے لیے کوئی تکنیکی ڈایاگرام؟ یا گیم کے لیے کوئی کریکٹر اسپرائٹ (character sprite)؟ مقصد ہی ہر اس فیصلے کا تعین کرتا ہے جو اس کے بعد کیا جاتا ہے۔ اس کے بغیر، آپ کا نشانہ کچھ بھی نہیں ہے اور آپ تیر کے بارے میں شکایت کر رہے ہیں۔

Canvas

کسی بھی بصری عنصر کی وضاحت کرنے سے پہلے اپنی تکنیکی بنیاد قائم کریں۔ متعلقہ ہونے کی صورت میں aspect ratio، ریزولوشن (resolution)، اور کلر اسپیس (color space) یا گیماٹ (gamut) کا تعین کریں۔ اگر آپ کی تصویر کو سوشل میڈیا بینر بننا ہے، تو 16:9 کہیں۔ اگر اسے موبائل ایپ آئیکن کے لیے چاہیے، تو 1:1 کہیں۔ کینوس فریم ہے۔ اگر یہ غلط ہوا، تو ایک بہترین موضوع بھی بے جگہ لگے گا۔

Layout

بیان کریں کہ چیزیں کہاں ہوں گی اور سب سے اہم کیا ہے۔ کیا موضوع مرکز (center) میں ہے؟ کیا اسے ہیڈ لائن کے لیے جگہ چھوڑنے کے لیے بائیں طرف (left third) دھکیل دیا گیا ہے؟ کیا آپ کو ٹیکسٹ اوورلے کے لیے نیگیٹو اسپیس (negative space) چاہیے، یا آپ چاہتے ہیں کہ پورا فریم بھرا ہوا ہو؟ لے آؤٹ درجہ بندی (hierarchy) قائم کرتا ہے۔ یہ ماڈل کو بتاتا ہے کہ کس چیز کو توجہ حاصل کرنی چاہیے اور کس چیز کو جگہ ملنی چاہیے۔ اسے الفاظ کے ذریعے وائر فریم (wireframing) بنانے کے طور پر سوچیں۔

Subject

اب بنیادی بصری عناصر کی تفصیل بتائیں۔ چیز، شخص، جانور یا منظر کے بارے میں مخصوص (specific) رہیں۔ "ایک کتا" کہنے کے بجائے، کہیں "درمیانے سائز کا بیگل (beagle) جو چلنے کی حالت میں ہو، جسے نچلے تین چوتھائی زاویے (low three-quarter angle) سے دیکھا جا رہا ہو"۔ "ایک کار" کہنے کے بجائے، کہیں "ایک سلور سیڈان جو کیمرے کے ساتھ 45 ڈگری کے زاویے پر کھڑی ہو، اور ڈرائیور کی طرف والا حصہ نظر آ رہا ہو"۔ موضوع کی تہہ وہ جگہ ہے جہاں درستگی (precision) سب سے زیادہ اہمیت رکھتی ہے کیونکہ AI ماڈلز کا رجحان آپ کی بیان کردہ چیز کے سب سے عام ورژن پر جانے کا ہوتا ہے۔ جیومیٹری، زاویے اور نظر آنے والی خصوصیات کو محدود کر کے اس "عام" پن کو ختم کریں۔

Style

اسٹائل کا نام مخصوص طور پر لیں۔ کسی احساس کی وضاحت نہ کریں۔ کہیں "1980s editorial fashion photography" یا "mid-century travel posters کے انداز میں flat vector illustration"۔ کہیں "Unreal Engine 5 render with physically based materials" یا "rice paper پر ink wash painting"۔ آپ کا اسٹائل ریفرنس جتنا نامزد اور محدود ہوگا، ماڈل کو اتنا ہی کم اندازہ لگانا پڑے گا۔ اگر آپ "جدید" (modern) کہیں گے، تو دس لوگ دس مختلف دہائیاں تصور کریں گے۔ اگر آپ "1923 کا Bauhaus poster design" کہیں گے، تو آپ نے فرق کو ختم کر دیا ہے۔

Constraints

واضح طور پر فہرست بنائیں کہ کیا ظاہر نہیں ہونا چاہیے۔ یہ تہہ ان عجیب و غریب حادثات کو روکتی ہے جو ریویو کے دوران وقت ضائع کرتے ہیں۔ اگر آپ کارپوریٹ سائٹ کے لیے پورٹریٹ بنا رہے ہیں، تو دھندلے چہرے، دھوپ کے چشمے، یا نظر آنے والے برانڈ لوگو کے خلاف پابندی لگائیں۔ اگر آپ کو کمپوزٹنگ کے لیے صاف بیک گراؤنڈ چاہیے، تو گریڈینٹس (gradients)، ٹیکسٹ، یا اضافی اشیاء کے خلاف پابندی لگائیں۔ پابندیاں گارڈ ریلز (guardrails) کی طرح کام کرتی ہیں۔ ان کے بغیر، ماڈل آزادانہ طور پر ایسے عناصر شامل کر دیتا ہے جو خاموشی سے تصویر کی افادیت کو تباہ کر دیتے ہیں۔

میں آپ کو دکھاتا ہوں کہ عملی طور پر یہ کیسا لگتا ہے۔ تصور کریں کہ آپ کو ایک SaaS ڈیش بورڈ ہیڈر کے لیے ایک تصویر کی ضرورت ہے۔

پرانا طریقہ کچھ ایسا لگتا ہے: "ایک روشن رنگین دفتر میں لیپ ٹاپ پر کام کرتی ہوئی ایک خوش و خرم پیشہ ور خاتون کی خوبصورت جدید تصویر، صاف ستھرا ڈیزائن، اعلیٰ معیار، عجیب و غریب ہاتھ نہ ہوں۔"

فریم ورک کا طریقہ کچھ ایسا ہے:

  • مقصد: B2B SaaS پرائسنگ پیج کے لیے ہیرو امیج، قابل اعتماد اور پیشہ ورانہ نظر آنا چاہیے
  • کینوس: 21:9 الٹرا وائیڈ بینر، ویب ہیڈر کے لیے موزوں، RGB
  • لے آؤٹ: موضوع دائیں جانب کے تیسرے حصے میں بیٹھا ہوا، ٹیکسٹ اوورلے کے لیے بائیں جانب کا تیسرا حصہ جان بوجھ کر خالی، نظریں تھوڑا بائیں جانب ہیڈ لائن کی جگہ کی طرف مڑی ہوئی
  • موضوع: بزنس کیژول لباس میں خاتون، ایک پتلے سلور لیپ ٹاپ پر ٹائپنگ کرتے ہوئے، کیمرے کے بائیں جانب سے تھری کوارٹر ویو، کی بورڈ پر ہاتھ واضح طور پر نظر آ رہے ہوں
  • اسٹائل: کارپوریٹ لائف اسٹائل فوٹوگرافی، نرم منتشر دن کی روشنی، ہلکے نیلے رنگ کے اثرات کے ساتھ غیر جانبدار کلر پیلیٹ، شالو ڈیپتھ آف فیلڈ
  • حدود: لباس پر کوئی نظر آنے والا لوگو نہ ہو، اسکرین پر کوئی ٹیکسٹ نہ ہو، کوئی دوسرے لوگ نہ ہوں، میز پر بکھری ہوئی چیزیں نہ ہوں، ضرورت سے زیادہ مسکراہٹ نہ ہو

غور کریں کہ کیا ہوا۔ کوئی بھی صرف خواہش نہیں کر رہا۔ ہر تہہ (layer) بالکل ایک متغیر (variable) کو کنٹرول کرتی ہے۔

یہ سب کچھ کیوں بدل دیتا ہے

یہ ڈھانچہ ان دو مہنگے مسائل کو حل کرتا ہے جن کا سامنا ٹیمیں روزانہ کرتی ہیں۔

پہلا، آزادانہ طور پر بار بار تبدیلی (iteration) ممکن ہو جاتی ہے۔ جب کوئی اسٹیک ہولڈر کہتا ہے کہ تصویر بہت غیر رسمی لگ رہی ہے، تو آپ پورا پرامپٹ دوبارہ نہیں لکھتے۔ آپ اسٹائل (Style) کی تہہ کھولتے ہیں اور "corporate lifestyle photography" کو "studio editorial portrait" سے بدل دیتے ہیں۔ جب مارکیٹنگ کہتی ہے کہ ٹیکسٹ اوورلے نظر نہیں آ رہا، تو آپ نئے صفت (adjectives) کا اندازہ نہیں لگاتے۔ آپ لے آؤٹ (Layout) کی تہہ پر جاتے ہیں اور نیگیٹو اسپیس (negative space) بڑھا دیتے ہیں۔ ہر تہہ الگ تھلگ ہے۔ آپ انجن کو بدلے بغیر مشین کو ٹیون کرتے ہیں۔

دوسرا، یہ حقیقی جوابدہی پیدا کرتا ہے۔ جب ایک ٹیم مشترکہ فریم ورک استعمال کرتی ہے، تو آپ کو بالکل معلوم ہوتا ہے کہ غلطی کہاں ہوئی۔ اگر کمپوزیشن بکھری ہوئی ہے، تو یہ لے آؤٹ (Layout) کا مسئلہ ہے۔ اگر تصویر دھندلی ہے یا غلط چیز فوکس میں ہے، تو یہ کینوس (Canvas) یا موضوع (Subject) کا مسئلہ ہے۔ اگر جمالیات (aesthetic) برانڈ کے مطابق نہیں ہے، تو یہ اسٹائل (Style) کا مسئلہ ہے۔ آپ "vibes" کے بارے میں مبہم بحث کرنا چھوڑ دیتے ہیں اور مخصوص تہوں کو ٹھیک کرنا شروع کر دیتے ہیں۔ یہ شخصی رائے کو قابل عمل فیڈ بیک میں بدل دیتا ہے۔

ایک اچھا پرامپٹ ہوشیار ہونے کے بارے میں نہیں ہے۔ ہوشیاری نازک ہوتی ہے۔ ایک لفظی کھیل (pun) یا شاعرانہ انداز کسی انسانی قاری کو خوش کر سکتا ہے، لیکن یہ اس ماڈل کے لیے شور (noise) کا باعث بنتا ہے جو ہدایات پر عمل کرنے کی کوشش کر رہا ہے۔ جو چیز کام کرتی ہے وہ ڈھانچہ ہے۔ جو چیز پھیلتی (scale) ہے وہ ڈھانچہ ہے۔

جب آپ ایک فریم ورک بناتے ہیں، تو آپ لوگوں کو پرامپٹ لکھنا سکھانا بند کر دیتے ہیں۔ آپ انہیں ایک ایسا نظام دیتے ہیں جو ہر بار کام کرتا ہے۔ نئے ساتھیوں کو چھ ماہ تک مخصوص کی ورڈز کا تجربہ حاصل کرنے کی ضرورت نہیں ہوتی۔ وہ بس چھ تہیں پُر کرتے ہیں۔ ریویو کرنے والوں کو پرامپٹ لکھنے والے شخص کے پیچھے یہ پوچھنے کے لیے نہیں بھاگنا پڑتا کہ اس کا کیا مطلب تھا۔ مطلب پہلے سے ہی تقسیم شدہ اور لیبل شدہ ہوتا ہے۔

اسی طرح آپ ایک ہی وقت میں رفتار اور معیار حاصل کرتے ہیں۔ بہتر صفتوں سے نہیں، بلکہ بہتر آرکیٹیکچر سے۔

اگر آپ منظم AI ورک فلو کے بارے میں مزید گہرائی میں جانا چاہتے ہیں، تو ہم GyaanSetu learning community میں اس اور دیگر عملی نظاموں کے بارے میں بات کرتے ہیں۔ کسی جادوئی کی ورڈز کی ضرورت نہیں۔