Yapay Zekâ ile Görsel Üretimin Dört Aşaması ve Takıldığı Yerler
Yapay zekâyla görsel üretmek dışarıdan tek bir prompt yazma işi gibi görünüyor. Pratikte dört ayrı iş var: ne istediğini tanımlamak, varyant üretmek, çıkanı düzeltmek ve dışa aktarmak. Zamanın hangisine gittiği ise ne ürettiğine göre değişiyor; ilham arayan biriyle teslim edilecek bir afişi hazırlayan biri aynı süreci yaşamıyor.
Tanımlama: asıl zorluk kelimeye dökmek
Kafandaki görüntüyü tarif edecek cümleyi bulamamak, literatürde articulation barrier diye geçiyor. İlginç olan, bu engelin çözümü olarak önerilen şeyin ne yaptığı: bir sohbet modeline prompt yazdırmak, tarif etme işini senin yerine yapmıyor, işi tarif etmekten seçmeye çeviriyor. Beş öneriden birini beğenmek, sıfırdan cümle kurmaktan kolaydır. Aynı mantık geçmiş çalışmalara ya da topluluk galerilerine bakmak için de geçerli; oradan alınan şey ilham değil, karşılaştıracak bir zemin.
Bu aşamada verilecek tek karar var: çıktı ilham mı olacak, teslim mi? İlham arıyorsan kabaca bir yön yeter. Teslim edilecek bir görselde ise çözünürlük, en boy oranı, arka planın şeffaf olup olmayacağı gibi kısıtlar en baştan belli olmalı, çünkü bunların hepsi sonradan düzeltilmesi en pahalı şeyler.
Keşfetme: kaç varyant yeter
İki temel strateji var. Aynı promptu tekrar tekrar çalıştırmak, modelin o tarif etrafındaki dağılımını gösterir. Promptu değiştirerek üretmek ise dağılımın yerini değiştirir. "Detaylı bir tilki karakteri" ile "tilki ve insan hibriti, maskot stilinde" arasındaki fark, ikincisinin bambaşka bir bölgeye bakması.
Burada gözden kaçan bir şey var: üretilen varyant sayısı arttıkça seçme işi de zorlaşıyor. Kırk görselin içinden en iyisini bulmak, sekiz görselin içinden bulmaktan orantısız biçimde uzun sürer, çünkü karşılaştırma ikili yapılır ve göz yorulur. Sekizerlik turlar halinde ilerleyip her turun kazananını saklamak, tek seferde kırk üretip bakınmaktan hızlı sonuç verir.
Bir de kayıt meselesi. Beğendiğin görselin promptunu, seed değerini ve model sürümünü not almazsan o kareyi bir daha üretemezsin; model sürümü güncellendiğinde aynı prompt aynı sonucu vermez. Prompt arşivini bir metin dosyasında tutmak yeterli, ayrı bir araca ihtiyaç yok.
İyileştirme: modelin bırakmadığı kontrol
Süreç bu noktada doğrusal olmaktan çıkıyor. Kompozisyonu beğenip tek bir detaydan rahatsız olduğunda, ya promptu değiştirip ikinci aşamaya geri dönüyorsun ya da görseli olduğu gibi alıp elle düzeltiyorsun.
Tek bir nesneyi düzeltmek gerektiğinde klasik bir editörde yapılan beş dakikalık rötuşu, aynı promptu yirmi kez yeniden çevirmekten daha güvenilir buluyorum. Sebebi basit: yeni üretim tüm kareyi yeniden hesaplar, düzelttiğin şey düzelirken beğendiğin ışık ya da duruş kayar. Nesne bazlı düzenleme sunan araçlarda bu risk azalıyor ama tamamen bitmiyor.
Peki hiç geri dönmemek mümkün mü? İlham odaklı bir çalışmada evet, çünkü kusur çoğu zaman sorun değil. Teslim edilecek işlerde ise iyileştirme turu neredeyse kaçınılmaz, o yüzden takvimi kurarken bu aşamaya en az keşfetme kadar süre ayır.
Dışa aktarma
Son adım en mekanik olanı: gerekiyorsa büyütme (upscale), son rötuşlar, uygun formatta kayıt. Formatı kullanım yeri belirler; baskıya gidecek işte kayıpsız format, web'de kullanılacak görselde dosya boyutu öne çıkar. Vektör beklentisi olan bir logo işinde ise piksel çıktısı yeterli olmaz, izleme (trace) adımı gerekir ve bu adım karmaşık kompozisyonlarda çoğu zaman iyi sonuç vermez.
Zaman nereye gidiyor
İlham arayan kullanıcı ilk iki aşamada kalır ve orada kalmakta haklıdır; amaç zaten seçenek çoğaltmak. Belirli bir çıktıyı hedefleyen kullanıcı ise zamanının çoğunu son iki aşamada harcar. Süreci baştan hangi moda göre kurduğunu bilmek, hangi aşamada durup hangisinde ısrar edeceğini de belirler.