İllüstratörünüzü Kovmayın
(sambleckley.com)- Görsel üreten yapay zeka, latent space, gürültü giderme ve metin-görsel bağlantılarıyla inandırıcı sonuçlar üretir; ancak istenen belirli bir görseli tam olarak elde etme konusunda yapısal sınırlara sahiptir
- Stable Diffusion, milyonlarca görsele gürültü ekleyip bunları adım adım geri kazandırmayı öğrenerek, saf gürültüden inandırıcı görseller üretebilir
- Metin prompt’ları, sözcük uzayından görsel uzayına birkaç kez dönüştürülmek zorundadır ve tek seferde genellikle yalnızca yaklaşık 75 kelimeyle çalışabildiğinden ayrıntılı kontrol zordur
- Basit bir blog başlığı görseli ya da SEO amaçlı yazı gibi çıktının çok önemli olmadığı işleri üretken yapay zeka hızla ikame edebilir; ancak kompozisyon, poz, stil ve renk gibi hassas kısıtlar için illüstratör girdisi gerekir
- Ticari illüstrasyonda daha gerçekçi olan, insanın çizgi resmi, kompozisyonu ve ana fikri belirlediği; yapay zekanın renk, ışık ve arka plan gibi daha az kritik ayrıntıları doldurduğu; ardından insanın yeniden düzelttiği işbirlikçi bir iş akışıdır
Stable Diffusion’ı anlamak için latent space
- Renkler, kelimeler ve görsellerin tümü sayı listeleriyle temsil edilebilir; iyi bir temsil biçimi, benzer nesnelerin yakın sayılara sahip olacağı şekilde kurulur
- Renk uzayında RGB, Lch, CMYK gibi çeşitli yöntemler vardır ve her biri “benzerliği” farklı tanımlar
- Sayılar, rengin kendisini saklayan bir dosyadan çok, o rengi işaret eden bir etiket ve yönergeye daha yakındır
- Kelimeler de yüzlerce sayıyla temsil edilebilir; “mom” ve “dad” birbirine yakın, “mom” ve “prestidigitation” ise daha uzak konumlandırılabilir
- Görseller, kelime ve renklerden daha karmaşıktır; ancak binlerce sayıyla bir görsel uzayı oluşturulabilir
- Tüm piksellerin RGB değerlerini listelemek milyonlarca sayı gerektirir
- Siyah kedi ile beyaz kedi gibi anlamsal olarak benzer görseller bile yalnızca piksel değerlerine bakıldığında birbirinden çok uzak olabilir
Görsel latent space’i altyazılardan ödünç alınır
- Birçok görselin altyazısı, etiketi ve çevresinde metin bulunduğundan, görsel uzayı görsellerle metinler arasındaki ilişki üzerinden oluşturulabilir
- “cat” etiketi taşıyan fotoğraflar birbirine yakın, “car” etiketi taşıyan fotoğraflar da birbirine yakın yerleştirilebilir
- “Miyizaki cat-bus” gibi bir etiket, kedi ile otomobil arasında bir yerde konumlanabilir
- Üretken yapay zeka araştırmalarında bu tür uzaylara image latent space denir
- Latent space, görmek isteyebileceğiniz neredeyse tüm görselleri ve rastgele, yorumlanamaz görselleri sayı listeleri olarak yaklaşık biçimde temsil edebilir
- Bu uzay, resimler için Babil Kütüphanesi benzetmesiyle açıklanır
Stable Diffusion nasıl çalışır
- Stable Diffusion, görsel üretmenin tek yolu değildir; ancak yaygın kullanılan bir yöntemdir
- Eğitim, milyonlarca görsele biraz gürültü ekleyip bilgisayarı bunları temiz biçimde geri kazandıracak şekilde eğiterek ilerler
- Sonrasında daha fazla gürültü eklenir ve model, bunu yeniden daha az gürültülü bir görsele döndürmek üzere eğitilir
- Bu süreç, görsel neredeyse yok olana kadar tekrarlandığında bilgisayar, adım adım herhangi bir görsele geri dönmenin yolunu öğrenir
- Metinlerle görselleri bağlayan eğitim de aynı anda yapılır
- Bir kedi fotoğrafının “my cute kitty mister french fry” gibi bir altyazıya sahip olma olasılığı yüksektir
- “the engine from a 1959 Austin Healey” gibi bir altyazıya sahip olma olasılığı düşüktür
- Cross attention, birden fazla yapay zeka sistemini bağlayarak, görselin gürültüsünü azaltırken onu belirli bir metin altyazısına yaklaştıracak şekilde iten bir yöntemdir
- Üretken yapay zeka, gürültü giderme sürecine başka hedefler ekleyerek görseli belirli bir yöne yönlendirir
Parmaklar ve yüzler neden bozulur
- Latent space, eğitim görsellerinin kendisini aynen barındıran bir uzay değil; olası tüm görselleri temsil eden bir uzaydır
- Gürültüden uzaklaştıran kuvvet, görselin netliğine öncelik verir; metin etiketine doğru giden kuvvet ise o metinle etiketlenebilecek görselleri karşılamaya odaklanır
- Görsel altyazıları, insan elinin ya da parmak sayısının doğruluğunu sık sık ele almaz
- “no deformed hands” gibi negatif etiketlerin etkisi, “deformed hands” etiketi taşıyan görsel azsa sınırlı kalır
- “polydactyly”, fazladan parmaklarla güçlü biçimde ilişkili bir etiket olduğundan daha iyi olabilir
- Yüzlerde de aynı sorun vardır; birçok üretim sistemi yüzleri düzeltmek için ayrı bileşenler kullanır
- Çekirdek sistem, yüz gibi görünmesini yeterli sayabilir
- İnsan gözü, iki gözün yönü gibi yüz doğruluğu konularına çok duyarlıdır
- Prompt’a James Gurney gibi sanatçı adları eklemek, görselin genel tutarlılığını artırabilir
- Genel altyazılar çoğunlukla isimlere ve odaktaki nesnelere yoğunlaşır
- Sanatçı stili, görselin tek bir parçası değil, tüm piksellere yayılan bir gestalt olduğundan daha tutarlı sonuçlara yol açabilir
Üretken yapay zekanın kolayca ikame edebileceği işler
- Gerçek resim, heykel, tahta baskı, nakış gibi fiziksel mecralara yönelik insan arzusunun ortadan kalkmaması oldukça olasıdır
- Fiziksel mecralardaki çıktılar, üretken yapay zeka eğitiminde kullanılmaya devam edebilir
- Eserlerin izinsiz şekilde eğitimde kullanılıp geçim kaynaklarını ikame etmekte değerlendirilmesi ihlal gibi hissedilebilir
- Ancak latent space içinde görseller belirli bir şekilde bulunmaz; belirli bir prompt ve şansla benzer görsellerin geri çağrılabilmesi söz konusudur
- İnsan sanatçıların adil kullanımına izin verirken yalnızca ML kullanımını yasal olarak sınırlamanın yolu net değildir
- Üretken yapay zeka, içeriğin gerçekten önemli olmadığı bazı illüstrasyon ve yazı işlerini ikame edebilir
- Sayfa düzenine uyması için kabaca ilgili bir blog başlığı görseli
- SEO için spam niteliğinde haftalık blog yazıları
- Bu çıktılar, son tüketiciye kadar kimsenin pek umursamadığı mobilya gibi içeriklere yakındır
- Bu işler zaten yüksek ücretli değildi ve hızla ortadan kalkıyor; güçlü yasal düzenlemeler olsa bile bundan kaçmanın bir yolu görünmüyor
Belirli bir görseli elde etmek neden zordur
- Üretken yapay zeka ile etkileyici görseller yapmak nispeten kolaydır; ancak belirli bir görseli yapmak kimi zaman neredeyse imkansızdır
- Yaklaşık 10 görselden 1’i “harika” hissettirebilir; ancak bu, görselin gerçekten istenen görselle eşleştiği anlamına gelmez
- civitai gibi üretken görsel vitrinlerinde çok uzun prompt’ları ve çıkan görselleri karşılaştırabilirsiniz
- Bu site NSFW olabilir
- Prompt’taki birçok unsurun görselde hiç görünmediği durumlar olabilir
- “a mystical dragon” gibi genel bir kavram prompt’ta belirgin olsa bile görselde bulunmayabilir
- Bu kullanım biçimi, resim yapan bir gacha oyunu ya da slot makinesine daha yakındır
- Çok sayıda ilginç fikir içeren bir prompt girilir ve tatmin edici bir şey çıkana kadar tekrar edilir
- Sonuç çekici olabilir; ancak istenen görselin kendisi olmayabilir
- Metnin, gerçek prompt’tan metin latent space’ine, ardından yeniden image latent space’in bir fonksiyonuna dönüştürülmesi gerektiğinden, görsel kontrol aracı olarak kullanımı zor işler
- Tek seferde işlenebilen metin de genellikle yaklaşık 75 kelime düzeyindedir
- Daha uzun olduğunda cross attention içinde ayrı bir yönlendirme sistemine bölünmesi gerekir
Görsel girdisi daha güçlü bir kontrol aracıdır
- Görseller image latent space’e iyi çevrildiğinden, metinden daha doğrudan kısıt koşulları olabilir
- Görsel tabanlı prompt’lar, üretilen sonucun içeriğini ve kompozisyonunu ayrıntılı biçimde kontrol edebilir
- Başka bir görselle aynı çizgi resme indirgenen bir görsel oluşturmak
- Başka bir görselden çıkarılan derinlik haritasıyla aynı görseli oluşturmak
- Başka bir görselden alınan poza uyan bir görsel oluşturmak
- İçeriği farklı olsa da başka bir görselin stiliyle eşleşen bir görsel oluşturmak
- Başka bir görselin perspektif çizgileriyle eşleştirmek
- Başka bir görselin renk paletiyle eşleştirmek
- Sorun, bu rehber görsellerin nereden geleceğidir
- İstenen illüstrasyon fikrini anlayıp bunu çizgi resme, poz eskizine ve stile dönüştürebilen rol, mevcut illüstratör rolüyle örtüşür
- Hassas gereksinimleri olan üretken görsel işleri, illüstratör olmadan faydalı biçimde kullanılması zor işlerdir
Ticari illüstrasyon için olası yapay zeka iş akışı
- Ticari illüstratörlerin işlerini koruması, ancak daha hızlı çalışma temposuna uyum sağlamak için yapay zekayı iş akışının bir parçası olarak öğrenmesi büyük olasılıktır
- Bu, çizimi bırakıp prompt mühendisi olmak anlamına gelmez
- Böyle yapmak, büyük bir eğitimi boşa harcayıp karşılığında çok az şey almak olur
- Olası bir dijital boyama süreci şöyle olabilir
- Kompozisyona ve ana fikre odaklanarak geleneksel şekilde çizgi resmi üretmek
- Üretken yapay zekadan renk ve ışık yaklaşımı için yaklaşık 12 öneri istemek
- Bunlardan 1-2 tanesini seçmek
- Yapay zekanın ürettiği piksellerin neredeyse tamamının üstünden yeniden boyayarak rengi niyete uygun hale getirmek ve düzeltmek
- Renk seçimine büyük özen ve duygu katan sanatçılar için bu yöntem uygun olmayabilir
- Tüm sanatçılara uyan tek bir yöntem yoktur; teslim tarihi olan sanatçılar en az önemli ve en sıkıcı aşamaları yapay zekaya doldurtabilir
- Kalabalık sahneleri
- Şehir manzaraları
- Bitki örtüsü
- Pek çok görselde, sayfanın başlık görseli gibi gerekli ama önemsiz mobilya da bulunur ve bu alan üretken yapay zekanın alanı haline geliyor
Ürünler ile araştırma yönü arasındaki boşluk
- Üretken yapay zeka araştırmaları, görsel üretimini görsel girdileriyle yönlendirme yöntemlerini giderek daha fazla sunma yönünde ilerliyor
- Piyasaya çıkan ürünleri illüstratörlerin iş akışına kolayca yerleştirmek zor
- Kullanışlı düzeyde kontrol elde etmeye yönelik deneyler, kişisel bilgisayarlarda açık veri modelleri çalıştırılarak yapıldı
- Ticari illüstrasyonun geleceği, illüstratörün özü belirlediği, üretken yapay zekanın daha az önemli kısımları doldurduğu ve insanın tekrar düzelttiği bir biçime daha yakın
- Üretken yapay zeka ürünlerinin de bu iş akışını destekleyecek yönde gelişmesi gerekiyor
1 yorum
Hacker News görüşleri
Kimsenin hoşuna gitmeyecek bir başka görüş daha: Yapay zekanın sanatçılar üzerindeki etkisinin, Spotify’ın müzik sektörüne yaptığı etkiyle aynı olacağını düşünüyorum. Yani yayıncılar ve büyük sanatçılar/oyuncular dışında herkesin gelir akışını öldürme ihtimali yüksek.
Spotify, fiziksel dağıtımdan gelen parayı fiilen ortadan kaldırdı ve o dönemde kaçınılmaz olan korsanlıktan bile daha kötüydü. En azından korsanlık zamanında, para bile alamazken plak şirketleriyle yeniden pazarlık yapmak için avukat masrafı da ödemiyordunuz.
Adobe, OpenAI gibi yerler sanatçılara üç kuruş verip model eğitimi için çizimler yaptıracak, ardından “bu yapay zeka sanatından para kazanamasam da sorun değil” diyen feragatnameler imzalatacak ve çıktıları Splice gibi yerlerde pahalıya yeniden satacak gibi görünüyor: https://splice.com/features/sounds
Sonuçta modelin kendisi neredeyse önemsiz olacak; asıl farklılaştırıcı unsur kimin eserleriyle eğitildiği olacak. Ama iş “bu görseli yapay zeka yaptı, o yüzden sana para vermem gerekmiyor” noktasına gelecek.
Eski makineler 1-2 görev alanını ikame etmekle sınırlıydı; ama insanlar yapay zeka eğitimini gerçekten verimli hale getirirse, aynı anda yüzlerce görevi ikame edecek. Ayrıca yapay zeka, başka insanlara duyulan ihtiyacı azaltarak yalıtımı artırma etkisine de sahip.
Bu nedenlerle dünyanın yapay zeka olmadan çok daha iyi durumda olacağını ve teknoloji şirketlerinin canavar gibi ürünleriyle dünyayı mahvettiğini düşünüyorum.
Spotify, korsanlığın ekonomik yapısını alıp üstüne yasal gibi görünen ince bir kabuk geçirdi.
Birincisi, yapay zeka tarafından üretilen görseller rastlantısal ve neredeyse tüketim malı gibi. Bir kez kullanılabilecek havalı bir görsel elde edersiniz; peki sonra? Bunun üzerine bir kampanya kurmak zor.
İkincisi, yapay zeka tarafından üretilen sanat telif hakkıyla korunamaz; dolayısıyla sizi taklit eden rakipler yapay zekayla yapılmış pazarlama görsellerini özgürce kullanabilir.
En azından ücretli bir grafik sanatçısının çalışmasını yapay zekaya seed olarak verebilirsiniz ve seed tabanlı yapay zeka görselleri telif hakkıyla korunabilir. Ama o sanatçı, ücretsiz bir stajyerden daha iyi iş çıkaracaktır.
Çocukken pazar öğleden sonraları babam bir albüm açar ve sadece dinlerdi. Gerçekten sadece dinlerdi. Şimdi bunu yapan çok az insan var.
Artık araba kullanırken, kitap okurken, internette gezinirken, kod yazarken, temizlik yaparken dinlenen arka plan müziğine büyük talep var. Müzik taşınabilir hale geldiği dönemden itibaren tüketim biçiminde köklü bir değişim yaşandı; Spotify da sadece bu yarışı kazandı.
Dijital müziğin ilk dönemleriyle karşılaştırınca, fiziksel medya dağıtımının aksine artış eğiliminde olduğu izlenimini ediniyorum. Bu Spotify’dan çok müziğin dijitalleşmesiyle ilgili.
Çevremde, müziği gerçekten fiziksel formatlarda dinlemekten ziyade sevdikleri sanatçıları desteklemek için merchandise ya da medya satın alan çok kişi var gibi görünüyor.
Bu tür yazılar genelde metinden görsele üretimi ve prompt engineeringi varsayıyor; çoğu zaman da ilgili modeli doğrudan kullanma deneyimi eksikliğinden böyle oluyor. Sırf eğlence için yapmıyorsanız, bu yöntem özünde doğru cevap değil.
Öngörülebilirlik ve kontrol gerektiren işler daha çok “elle çizdiğim diğer baykuşlara benzer şekilde kalan baykuşları çiz” yaklaşımına benzer; buna photobashing ve elle düzeltme/kompozitleme eklenir. Sıkıcı olmayan sonuçlar üretmek için 3D CGI’ya benzer biçimde hem sanatsal hem teknik beceri gerektiren hibrit bir alandır.
Bu, modelin doğal dil anlama eksikliğinden kaynaklanan bir sorun değil; makul biçimde AGI denebilecek bir şey çıksa bile, o zaman da çok değişmeyebilir. Metin prompt’larının anlam taşıma kapasitesi yeterli değil.
Ayrıntılı bir prompt ve istenen stile dair birkaç örnek yeterli görünüyor. Elbette bunun çok zor olmadığı anlamına gelmiyor; ama bunun için köklü bir yenilik gerekiyor gibi görünmüyor. Gerekli yapı taşları zaten mevcut.
Yapay zekayı okula götürmeye ya da Matrix tarzı veri yüklemeyle yeni kavramları hızla öğrenmesini sağlamaya benziyor. Uzmanlar bu yöntemi öğrenecek ve pazar da bu işleri yapmak isteyenler etrafında şekillenecek.
Geçenlerde “bir insanla karşılıklı oturup Magic: The Gathering oynayan bir robot” denedim; daha insanı resme koydurmak bile zordu ve model MTG’yi yeterince bilmediği için en fazla “masa oyunu” ya da “kart oyunu” gibi kalıplarla eşleştirme yapıyor.
Bazı üretilen görseller diğerlerinden çok daha iyi oluyor; bir görseldeki masa düzenini ve başka bir görseldeki robotu almak istiyorum, ama şu an için bu fiilen imkânsız. “blend” de bu amaç için uygun değil.
İyileşeceğinden şüphem yok, ama bunun altında daha genel bir sınır olup olmadığını merak ediyorum. Belki de sadece veri eksikliğidir. Google Görseller’de Magic: The Gathering arayınca bile sonuçlar epey hayal kırıklığı yaratıyor.
Başka bir örnek olarak, taş bir monolitin üzerine kazınmış parlayan mavi bir logo istediğinizde bazen logo kazınmış oluyor, ama nadiren; mavi parladığı ise hiç olmadı. Genelde monolitin tamamı ya da bir kısmı mavi oluyor.
“Ticari illüstratörler işlerini koruyacak, ancak daha hızlı bir çalışma temposunu sürdürebilmek için çoğunlukla iş akışlarının bir parçası olarak yapay zeka kullanmayı öğrenmek zorunda kalacak” kısmını özellikle beğendim.
Ara sıra illüstrasyon yapıyorum ama benim tarzım üretken yapay zekanın yaptıklarından epey farklı. Yakın zamanda Midjourney görselleri kullanan bir oyun kılavuzunun 1.1 sürümünü yayımladım ve şimdi gerçek bir illüstratöre yatırım yapıyorum. Çünkü Midjourney görsellerinde kişilik eksik.
Yine de birkaç ay sonra bu değişebilir. Görsellerin tutarlılığı nedeniyle illüstratörle çalışmaya devam edeceğim, ama yapay zekanın daha gösterişli sonuçlar üretmesi de mümkün.
“2 ay sonra değişir” noktası da makul, fakat bu söz bir buçuk yıldır söylenip duruyor ve niteliksel olarak hâlâ değişmiş değil. Üretilen görsellerin kalitesi arttı, ama buna niteliksel sıçrama denecek düzeyde değil.
Ayrıca civitai bağlantısı https://sambleckley.com/writing/civitai.com/images adresine gidiyor; ölü bağlantı.
Bağlantı: https://youtu.be/FQ6z90MuURM?t=329
Partnerimle birlikte birkaç küçük internet yan işi yürütüyoruz. Bunlardan içerik tabanlı bir D2C işinde, görüntülü reklam kreatifleri için büyük ölçüde özel illüstrasyonlara güveniyorduk; CTR fena değildi, ortalama seviyedeydi, ama CPC çok yüksekti ve ROAS gerçekten kötüydü.
Birkaç ay önce her zamanki illüstratörümüzle Stable Diffusion’ı A/B testine soktuk ve sonuçlar oldukça çarpıcıydı. CTR neredeyse %20 arttı, CVR de istikrarlı biçimde iyileşti.
Yazının, yapay zeka üretimi görsellerin en çok içeriğin aslında önemli olmadığı işlerde işe yaradığı iddiasına katılmıyorum. Bu iş çok iyi bir karşı örnekti. Bizim durumumuzda yapay zeka üretimi görseller hedef müşteride daha iyi karşılık buldu ve önceye kıyasla daha düşük maliyetle çok daha ince ayarlı kişiselleştirme mümkün oldu.
CPA de ciddi ölçüde düştü; kreatif varyasyonlarını çok sıkı kontrol edebildiğimiz için kitle segmentlerine göre gerçek zamanlı optimizasyon yapabilir hâle geldik. Yeni kampanyaların yayına çıkma süresi de yarıya indi; tasarım nüansları üzerine tartışmalar, teslim tarihi gecikmeleri ve yaratıcı tıkanmalar da ortadan kalktı.
Yaratım sürecinde insani dokunuşun azalması konusunda karmaşık duygularım var, ama saf growth hacking açısından bakınca bu oyunun kurallarını değiştiren bir şeydi ve bunu kanıtlayan sayılarımız da var.
Genel olarak net bir kazanç olarak görüyorum. Bu, insan illüstratörlerin sonu olmak zorunda değil, ama onları müşteri ihtiyaçlarına daha duyarlı biçimde uyum sağlamaya zorlayacak. İçerik işi bile kreatif tedarikinde bu kadar büyük sürtünme yaşamamalı.
Sonuçta verimlilik de var, ruh da. Robotlar ilkini genel olarak iyi başardı; bazen ikincisiyle de şaşırtıyorlar.
Gidiş gelişlerin azalmasının nedeni anlık ve etkileşimli yanıtlar, yani insanlarla daha az muhatap olmak mı; yoksa makineye duyulan güven ve yetki devri mi, merak ediyorum.
“Makine bu ikonu benim açıklamama dayanarak yaptı, o yüzden renk seçimini sorgulamaya gerek yok” gibi bir durumsa, sonunda makineyi hatasız ve insandan daha uzman görmeye dayanan klasik meseleye geliyoruz. Muhtemelen ikisinin karışımıdır.
Bir mekânda mobilyanın ne kadar önemli olduğu, kısa süre kalınan bekleme alanından mimarlık ofisine kadar uzanan bir spektrumda değişir; ticari sanat da farklı değil. O görsel gerçekten anlamsız olsaydı, oraya koymaya gerek de olmazdı.
Profesyonel olmayan şekilde tasarlanmış çoğu PowerPoint destesindeki bilgi taşımayan grafiklerin önemi daha da düşük olabilir. Tersine, bir dergideki özel dosya yazısının iki sayfalık açılış görselinin, konu yapay zeka üretimi görsellerle ilgili değilse yapay zekayla yapılma ihtimalini neredeyse %0 görüyorum. O durumda bile uzmanların formu iyileştirmeye geri kalan her şeyden daha uzun zaman harcamış olması çok muhtemel.
Profesyonel grafik iş akışlarında somutluk ve piksel düzeyinde kontrol aşırı önemli. Profesyonel tasarımcı olmayanlar ne derse desin, mevcut araçlar bu işe temelden uygun değil. Arayüzün kendisi yanlış.
Adobe ya da sektörün neye ihtiyaç duyduğunu bilen başka oyuncular bunu çözebilir, ama ortaya çıkacak şey Midjourney’e benzemez.
“Müşteri ihtiyaçlarına daha duyarlı olmak” ile müşterinin zihnini okumak zorunda olmak farklı şeyler. Bu belirli pazarda bunun insan illüstratörler için sonun işareti olmadığını düşünüyorsanız kendinizi kandırıyorsunuz.
Yapay zekaya yazımı yazdırmayı denedim, berbat oldu. Öte yandan dilbilgisi denetleyicisi, özetleyici, yeniden yazma aracı, konuşmadan metne uygulaması gibi yapay zeka araçlarını görmezden gelince yazma sürecim hantal hissettirdi.
Benim için en iyi işleyen nokta orta yol. Üretken yapay zekayı yalnızca işin ara aşamalarında kullanıyorum; girdi olan fikirlerde ya da çıktı olan gerçek taslakta kullanmıyorum.
Yazma biçimim şöyle: Fikirleri düşünerek ya da sosyal medya sohbetlerinden alıyorum. Orada tartışılan konuların en azından bir ölçüde doğrulanmış bir ilgisi oluyor.
Sonra yaklaşık 10 dakika oturup düşüncelerimi AudioPen gibi bir araca dikte ediyorum; bu araç 10 dakikalık içeriği 5-6 paragrafa özetliyor. Yapay zeka aşaması burası. Araç birkaç paragraf yapısı önerdiğinde iyi olanı bulana kadar değiştirip deniyorum.
Ardından o taslağı izleyerek ilk metni kendim yazıyorum. Sondaki dilbilgisi kontrolü dışında artık yapay zeka aracı kullanmıyorum. Yapay zeka harika bir yazı ortağı, ama berbat bir yazar.
“Ticari illüstratörler işlerini koruyacak, ancak daha hızlı bir çalışma temposunu sürdürebilmek için çoğunlukla iş akışlarının bir parçası olarak yapay zeka kullanmayı öğrenmeleri gerekecek” sözü, tam olarak benim gördüğüm gerçeklikle örtüşüyor.
Yapay zeka ile medya üretimi topluluklarının dışında insanlar hâlâ bunun metin girip sonuç almaktan ibaret olduğunu düşünüyor. Oysa gerçekte istenen tam türde görseli elde etmek için bütün bir iş akışı kuruluyor.
Örneğin: https://old.reddit.com/r/StableDiffusion/comments/14ye2eg/co...
İkinci görsel çıktı, ama birincisi daha ilginç. Unreal Engine gibi oyun geliştirme araçlarında sık görülenlere benzer düğüm tabanlı bir arayüz: https://docs.unrealengine.com/5.2/en-US/nodes-in-unreal-engi...
Sonuç görselini elde etmek için API’leri birbirine bağlamaya benziyor. Gelecekte görsel üretimi, fiilen resim çizmekten çok backend programlamaya daha yakın olacak gibi görünüyor. Çünkü gerçek çizim kısmı otomatikleşecek, yaratıcılık ise iş akışının kendisinde yer alacak.
Elbette bir gün iş akışı kısmını da otomatikleştirecekler, ama bilgisayarlar kullanıcının niyetini bilecek kadar zihin okuyamadığı için bu şimdilik uzak bir konu.
Yazı bugüne fazlasıyla odaklanmış görünüyor. Stable Diffusion türü sistemler belirli bir teknikle çok başarılı oldu, ama bu yöntemin sonsuza kadar iyileşeceğini düşünmek aptalca olur.
Üretken “AI” birçok biçim alacak. Sonunda yaratımda teknik unsurunun önemli bir bölümünü ortadan kaldırarak sanatçıların ve içerik sahiplerinin gelirini ve alaka düzeyini ellerinden alma ihtimali yüksek.
Bu bir gecede olmayacak, ancak önümüzdeki kabaca 10 yıl boyunca yapay zekanın bir tehditten çok faydalı bir araca yakın olacağını düşünüyorum.
Bir noktada üretken yapay zekanın görme, ses ve dokunmayı içeren çok duyulu sistemler hâline gelmesini bekliyorum. Bu sistemler, nesnelerin ve ortamların fiziksel modellerine dayanarak, zengin açıklamalar ve kültüre dair derin bağlam farkındalığıyla yeni ve doğru temsiller üretecek.
Piksellerle değil, nesneler ve ilişkilerle düşünecek; bunları simüle edip render edecek, filtreleyerek kullanıcının isteklerine uyduracak.
Yazarların ve oyuncuların kendilerini rekabetten koruma çabalarını destekliyorum, ama sonunda bunun boşa çıkacağını düşünüyorum. Bu alandaki hukuki gelişmeler ilginç olacak.
Gelecekteki üretken sistemlerin izinsiz eğitim yapılmadığını kanıtlamak için dünya hakkındaki anlayışlarını nasıl edindiklerini gösteren bir denetim izine ihtiyaç duyması gerekebilir. Ancak bu yalnızca çıtayı biraz yükseltir; temiz oda yöntemiyle hazırlanmış üst düzey açıklamalar gibi başka yollarla önemli ilişkilerin çıkarılmasını engellemez.
Örneğin Harrison Ford’un telifli eserleriyle ya da kamusal alanlarda çekilmiş görüntüleriyle bir yapay zekayı eğitmek yasa dışı olabilir; ama Harrison Ford’u bir dizi özelliğe indirger ve bunu üretken sisteme aktarırsanız, gerçek Harrison Ford’dan ayırt edilemeyen bir şey yaratabilirsiniz. Bu prosedürü belgeleyebiliyorsanız hukuk sisteminin bunu engellemek için çok fazla yolu yok gibi görünüyor. Tabii bu alanın uzmanı değilim.
Bu arada mevcut “AI”ı sevdiğimi söyleyemem. LLM’leri özellikle güvenilmez ve çoğunlukla işe yaramaz buldum. Yapay zeka üretimi sanat da çoğunlukla sıkıcı, hatalı ya da bir şekilde ikna edicilikten uzak. Yine de gidişatın giderek daha belirginleştiğini düşünüyorum.
“Ticari illüstratörler işlerini koruyacak, ancak daha hızlı bir çalışma temposunu sürdürebilmek için çoğunlukla iş akışlarının bir parçası olarak yapay zeka kullanmayı öğrenmeleri gerekecek” görüşünün neden popüler olmadığını düşündüğünüzü anlamıyorum. Bana gelecekteki mantıklı yol gibi görünüyor.
CoPilot’ın beni ikame etmemesi, ama belirli kalıplaşmış işleri çok daha az sancılı hâle getirmesi ve bir fonksiyon yazmaya çalışırken oluşan boş sayfa ya da yazma tıkanıklığını aşmama yardımcı olması gibi.
Hiçbir şey olmamasındansa bir şeyden başlayıp ihtiyaç duyulan hâle gelene kadar onu düzeltmek daha iyi. Sonunda %80–99’unu baştan yapsanız bile bu böyle.
Sanatçılar için de kendi çizgi çalışmalarının nasıl görünebileceğine dair birkaç örnek görmek yaratıcılığı tetikleyebilir; sonra istedikleri gibi çalışabilirler, bu da iyi olur bence.
Birlikte çalışmayı en çok isteyeceğim illüstratörler, mümkün olan en iyi görselleri üretmek için kullanabildikleri tüm araçlardan yararlanan kişiler olurdu.
Büyük ölçüde katılıyorum, ama belirli bir görseli ortaya çıkarma kısmına katılmıyorum. Bu kesinlikle geliştirilebilir bir beceri
Görsel üretim yapay zekâları için prompt’ları sadeleştirmeyi ve uygun dili seçmeyi insanlara çokça öğrettim. Tuhaf biçimde insanlar gereksiz bir sürü ıvır zıvır ekliyor; muhtemelen “bu cümle parçası geçen sefer birkaç kez işe yaramıştı” türü batıl inanca yakın bir şey
Yazıda söylendiği gibi, bunu birden çok aracın zinciri içinde bir araç olarak kullanan hibrit yaklaşım geleceğin yönü
Yapay zekânın hiç anlamadığı kavramlar da var. Örneğin şu anda Midjourney “buldozer”, “kentaur”, “fantastik okçu” gibi şeylerde aşırı zorlanıyor. Bunlar daha iyi eğitim verisine sahip yeni model sürümlerinde kaçınılmaz olarak düzeltilecek ve geçmişte de böyle düzeltildiler
Asıl zorluk küçük ayrıntılardan veya anlamsal bilgiden geliyor. Örneğin arka planı da dahil her yeri net olan gerçekçi/fotoğraf gibi bir sahne istemek zor; “focus stacking” gibi anahtar kelimeler kullansanız da pek işe yaramıyor. Bulduğumuz en iyi kelime “selfie” idi, ama ne yazık ki yan etkileri büyük
Eğitim verisinde o özelliği özellikle betimleyen yeterince örnek olmayabilir; ama açıkçası böyle bir kavramı ifade edecek İngilizce kelimeyi öğrenmek bile başlı başına zor
Küçük ayrıntılar söz konusu olduğunda mevcut yaklaşım, “üzerlerinde kırmızı üçgenler bulunan altı mavi küp piramit şeklinde dizilmiş ve üstlerinde sarı bir top dengede duruyor” türü istekleri işleyecek şekilde ölçeklenmeyecek. Ancak yazarın dediği gibi, bu tür şeyler muhtemelen ayrı ayrı oluşturulmuş varlıklarla ve asgari Photoshop becerisiyle halledilecek
Prompt’un teknik sorunlarından bahsederken bu kısmı tamamen atlamışsın
Prompt’un sorunu üst üste dizilmiş küpler değil. 10 yazılım mühendisine, 10 satış ekibi üyesine ve 3 üst düzey yöneticiye reklam için görsel fikir üretmelerini söylerseniz siyah arka plan üzerinde çöp gibi görseller, robotlar, anime, bir yerlerde gördükleri ve bilinçaltında hatırladıkları şeylerin kötü kopyaları ve gerçekten işe yarayan 0 görsel fikir çıkar
Tasarımcılar ve illüstratörler, iyi bir ürün ortaya çıkarmak için bu klişelerle ve berbat fikirlerle sürekli mücadele edip onları tersine çevirmek zorunda
GPT ve kod konusunda da neredeyse aynı düşünüyorum. Kod yazmayan zeki insanların GPT’ye istek verip çalışan bir şey elde ettiğini gördüm, ama “zamanlayıcıyla tuşa otomatik basan bir şey yaz”dan “istemcinin bu iş mantığını ve işlevi ele alması için depoyu güncelle”ye geçmek muazzam bir sıçrama
Benim bakış açıma göre işi hâlâ geliştirici gibi düşünen birinin yapması gerekiyor; yapay zeka sadece bu süreçte hayatı biraz kolaylaştırıyor
Sanat alanında da aynı olduğunu düşünüyorum. Kulağa makul gelen bir görsel elde etmek kolay, ama belirli ve anlamlı bir görsel elde etmek için genellikle sıradan birinin yapamayacağı kadar çok son işlem gerekiyor
Şimdiden büyük sıçramalar gördük. LLM tabanlı kodlama araçları da daha iyi hale geliyor, LLM’lerin kendisi de iyileşiyor ve bağlam boyutları da büyüyor. LLM’lere olan ilgi, daha etkili yeni yaklaşımların geliştirilmesini de teşvik ediyor
Birkaç yıl içinde Lecun’un JEPA türü yaklaşımları olsun, DeepMind’ın üzerinde çalışıyor olabileceği bir hibrit süper kodlayıcı olsun, açık kaynak bir LLM olsun, programlamada GPT-4’ü geride bırakacak