რა არის უარყოფითი სიგნალი ხელოვნურ ინტელექტში?

მოკლე პასუხი: უარყოფითი მოთხოვნა ხელოვნურ ინტელექტს ეუბნება, თუ რას უნდა მოერიდოს, რაც ხელს უწყობს ბუნდოვანების, არეულობის, გამეორების ან არასტანდარტული შედეგების შემცირებას. ეს მნიშვნელოვანია, რადგან გამომავალი შედეგები უფრო კონტროლირებადი და თანმიმდევრული ხდება, განსაკუთრებით მაშინ, როდესაც ყველაზე გავრცელებული ხარვეზების აღმოჩენა ადვილია. ეს საუკეთესოდ მუშაობს, როდესაც მკაფიო მთავარ მოთხოვნას გამონაკლისების მოკლე, მიზანმიმართულ სიას შეუთავსებთ.

ძირითადი დასკვნები:

კონტროლი : ჯერ მიზანი განსაზღვრეთ, შემდეგ კი მხოლოდ ყველაზე სავარაუდო არასასურველი შედეგები დაბლოკეთ.

სპეციფიკურობა : ბუნდოვანი აკრძალვები შეცვალეთ მკაფიო გამონაკლისებით, როგორიცაა დაბინდვა, კლიშეები ან დამატებითი ობიექტები.

ბალანსი : უარყოფითი მოთხოვნები მოკლედ შეინარჩუნეთ, რათა შედეგები ნათელი დარჩეს და არა ცვეთისკენ გადაიხაროს.

ტესტირება : გამონაკლისების კორექტირება თითოეული გაშვების შემდეგ, როდესაც მოდელი გამუდმებით იმეორებს ერთსა და იმავე შეცდომას.

მორგება : შეუსაბამეთ უარყოფითი მხარეები დავალებას, იქნება ეს სურათები, წერილობითი მასალა, დამხმარე პასუხები თუ სამუშაო პროცესები.

სტატიები, რომელთა წაკითხვაც შეიძლება მოგეწონოთ ამის შემდეგ:

🔗 რა არის ხელოვნური ინტელექტით მართული ძიება და როგორ მუშაობს ის
განმარტავს ინტელექტუალურ ძიებას, რეიტინგს და პერსონალიზებულ შედეგებს ხელოვნური ინტელექტის გამოყენებით.

🔗 ცოცხალია თუ არა ხელოვნური ინტელექტი? რას ამბობს მეცნიერება დღეს
იკვლევს სიცოცხლის, ცნობიერების განმარტებებს და დღევანდელ ხელოვნური ინტელექტის შეზღუდვებს.

🔗 რამდენ ენერგიას იყენებს ხელოვნური ინტელექტი პრაქტიკაში
აანალიზებს ტრენინგისა და ინფერენციის ხარჯებს, მონაცემთა ცენტრებსა და ეფექტურობას.

🔗 როდის გამოიგონეს ხელოვნური ინტელექტი? მოკლე ისტორიული ქრონოლოგია
მოიცავს ძირითად ეტაპებს ადრეული გამოთვლებიდან თანამედროვე მანქანურ სწავლებამდე.

რა არის უარყოფითი სიგნალი ხელოვნურ ინტელექტში? 🧠

ხელოვნურ ინტელექტში უარყოფითი მოთხოვნა არის ინსტრუქციების ერთობლიობა, რომელიც მოდელს ეუბნება, რა არ უნდა გენერირება.

იმის ნაცვლად, რომ მხოლოდ თქვა:

• „შექმენით ქალის რეალისტური პორტრეტი რბილ შუქზე“

შეიძლება ასევე დაამატოთ:

• „დაბინდვის გარეშე“

• „დამატებითი თითები არ არის“

• „მულტფილმის სტილის გარეშე“

• „დამახინჯებული თვალები არ არის“

• „ფონზე ტექსტი არ არის“

ეს მეორე ნაწილი უარყოფითი მოთხოვნაა.

უარყოფითი მოთხოვნის მთავარი ფუნქცია გამომავალში არასასურველი ნიმუშების შემცირებაა. ის ფილტრის მსგავსად მოქმედებს, ან იქნებ უფრო კლუბის კართან მოდარაჯესავით, რომელიც წყვეტს, თუ რომელი ვიზუალური არტეფაქტები არ მოხვდება დღეს საღამოს 🚪

პრაქტიკაში, უარყოფითი ფრაზები ყველაზე ხშირად გვხვდება შემდეგ შემთხვევებში:

• ხელოვნური ინტელექტის სურათების გენერატორები

• ტექსტის გენერირების სისტემები

• სტილის გადაცემის ინსტრუმენტები

• ვიდეო გენერირების სამუშაო პროცესები

• ზოგიერთ შემთხვევაში აუდიოს გენერირება

• სწრაფი საინჟინრო მილსადენები ბიზნესისთვის გამოსაყენებლად

თუმცა, ეს მაგია არ არის. უარყოფითი მოთხოვნა სრულყოფილების გარანტიას არ იძლევა. ის მოდელს გარკვეული შედეგებისგან აშორებს. ზოგჯერ ნაზად. ზოგჯერ კი როგორც გატეხილი ბორბლიანი სავაჭრო კალათა.

რატომ არის ხელოვნურ ინტელექტში ნეგატიური სიგნალი ასე მნიშვნელოვანი 📌

აი, რას სწავლობენ ადამიანები სწრაფად - ხელოვნური ინტელექტი კარგია გამოცნობაში, მაგრამ გამოცნობა არ არის იგივე, რაც გაგება.

როდესაც ჩვეულებრივ მოთხოვნას წერთ, მოდელი ცდილობს დააკმაყოფილოს მოთხოვნა მის მიერ შესწავლილი ნიმუშების საფუძველზე. ამან შეიძლება ძლიერი შედეგები გამოიწვიოს, მაგრამ ასევე შეიძლება შემოიტანოს ისეთი ნაგავი, რომელიც არასდროს გითხოვიათ. რბილი ფენტეზის პორტრეტი ზედმეტად გლუვ პლასტმასის გარსად იქცევა. სუფთა პროდუქტის კადრს მოულოდნელად კუთხეში შემთხვევითი ტექსტი უჩანს. ბლოგის მონახაზი ზოგად შემავსებლად იქცევა. თქვენ იცით ნიმუში.

სწორედ ამიტომ არის ნეგატიური სიგნალი ხელოვნურ ინტელექტში . ის აუმჯობესებს კონტროლს .

ის ეხმარება:

• სიზუსტე - თქვენ ავიწროებთ გამომავალი სივრცის ზომას

• თანმიმდევრულობა - ნაკლები შემთხვევითი სიურპრიზი

• ხარისხის კონტროლი - ნაკლები დასუფთავება მოგვიანებით

• სტილის მენეჯმენტი - მოერიდეთ ისეთ იერსახეს ან ტონებს, რომლებიც არ მოგწონთ.

• შეცდომების შემცირება - გავრცელებული დეფექტებისა და არტეფაქტების მოცილება

• დროის დაზოგვა - უკეთესი შედეგები ნაკლები მცდელობით

ჩემს მიერ ჩატარებული ტესტირებისას, კარგ და უარყოფით სიტყვებს შორის არსებული დახვეწილი ინსტრუქციის სხვაობა ხშირად უფრო დიდია, ვიდრე ხალხი მოელის. რამდენიმე „არ ჩაწეროთ“ ინსტრუქციის დამატება შეიძლება უფრო ეფექტური ჩანდეს, ვიდრე ათი დამატებითი აღწერილობითი სიტყვის დამატება. ყოველთვის არა, მაგრამ საკმარისად ხშირად, რომ დავთვალოთ.

რა ქმნის კარგ უარყოფით მოთხოვნილებას ხელოვნურ ინტელექტში? ✅✨

კარგი უარყოფითი წინადადება არ არის უბრალოდ აკრძალული სიტყვების შემთხვევითი გროვა. ის მიზანმიმართული, კონკრეტული და პრაქტიკულია .

კარგ უარყოფით ფრაზებს, როგორც წესი, აქვს შემდეგი მახასიათებლები:

• გამოსავალთან შესაბამისი

  • თუ რეალისტური პორტრეტი გსურთ, ისეთი ნეგატივები, როგორიცაა „მულტფილმი, ანიმე, დაბალი დეტალები“, ლოგიკურია.

• ფოკუსირება სავარაუდო შეცდომებზე

  • ხელების, სახეების, ტექსტის, ანატომიის, დაბინდვისა და არეულობის შემთხვევაში - ეს არის გავრცელებული პრობლემური ადგილები.

• საკმარისად მოკლე, რომ გამჭვირვალე დარჩეს

  • უზარმაზარი სიები შეიძლება მოუხერხებელი და წინააღმდეგობრივი გახდეს.

• სპეციფიკური, ობსესიურობის გარეშე

  • „ზედაპირული თითების გარეშე“ უკეთესია, ვიდრე „ადამიანის დანამატის სტრუქტურიდან ყველა ბიოლოგიური უსწორმასწორობის მოშორება“. მოდი ახლა.

• ძლიერ დადებით მოტივაციასთან ერთად

  • ნეგატიური მინიშნებები საუკეთესოდ მუშაობს, როდესაც ხელოვნურმა ინტელექტმაც იცის, რა გსურთ .

სუსტი უარყოფითი სიგნალი ხშირად ასე გამოიყურება:

• ძალიან ბუნდოვანია - „გააუმჯობესე“

• ძალიან ფართო - „არაფერი მახინჯი“

• ზედმეტად წინააღმდეგობრივი - „რეალისტური, მაგრამ ჩრდილების, ტექსტურის და კანის დეტალების გარეშე“

• ძალიან გრძელი - უსასრულო საკვანძო სიტყვების დემპინგი სტრუქტურის გარეშე

კარგი გზაა ამაზე დასაფიქრებლად: დადებითი მოთხოვნა განსაზღვრავს დანიშნულების ადგილს, ხოლო უარყოფითი მოთხოვნა შლის იმ გზებს, რომლებიც არ გსურთ, რომ ხელოვნურმა ინტელექტმა გაიაროს 🚗

შესაძლოა, იდეალური მეტაფორა არ იყოს. უფრო GPS-დან ჭაობის ბილიკების ამოღებას ჰგავს. მიუხედავად ამისა, საკმაოდ კარგად ძლებს.

შედარების ცხრილი - ხელოვნურ ინტელექტში უარყოფითი მნიშვნელობის გამოყენების გავრცელებული გზები 📊

სურათის კარნახის ინსტრუქციის , LLM კარნახის ინჟინერიის ინსტრუქციის და API კარნახის ინჟინერიის ინსტრუქციის საფუძველზე .

უარყოფითი მოთხოვნის სტილი	საუკეთესოა	ფორმულირების მაგალითი	რატომ მუშაობს	გავრცელებული შეცდომა
არტეფაქტების მოცილება	ხელოვნური ინტელექტის სურათები	„ბუნდოვანება, ხმაური, დაბალი ხარისხი, პიქსელიზებული“	სწრაფად აშორებს აშკარა ვიზუალურ არეულობას	ძალიან ბევრი გადაფარვის მქონე ხარისხის ტერმინის გამოყენება
ანატომიის კორექცია	პორტრეტები, პერსონაჟები	„ზედმეტი თითები, დაზიანებული ხელები, დამახინჯებული სახე“	მიზნად ისახავს ადამიანის ფიგურის კლასიკურ შეცდომებს	პორტრეტის მთავარი მოთხოვნის გაძლიერების დავიწყება
სტილის გამორიცხვა	მხატვრული ხელმძღვანელობა	„მულტფილმი, ანიმე, კომიქსების სტილი, ზედმეტად გაჯერებული“	გამომავალი ტონი არჩეულ ვიზუალურ ტონთან უფრო ახლოსაა	ბლოკირების სტილები, რომლებიც ჯერ კიდევ გჭირდებათ, უხერხულად
ფონის გაწმენდა	პროდუქტის ფოტოები, მაკეტები	„აურზაურიანი ფონი, ტექსტი, წყლის ნიშანი“	ხელს უწყობს საგნის უკეთ იზოლირებას	დეტალური სცენების მოთხოვნა დეტალების აკრძალვის პარალელურად
ობიექტის გამორიცხვა	სცენის გენერირება	„არც მანქანები, არც ხალხმრავლობა, არც ცხოველები“	პირდაპირ აშორებს არასასურველ ელემენტებს	სცენის ზედმეტად შეზღუდვა მანამ, სანამ ის ცარიელი არ გახდება
ტექსტის ტონის კონტროლი	ხელოვნური ინტელექტის წერა	„არც ჟარგონი, არც გაბერილი ენა, არც გამეორება“	აუმჯობესებს ხმას და წაკითხვადობას	ასეთი მკაცრი წერის გამო ხისტი ჟღერს
უსაფრთხოება ან ბრენდის ფილტრაცია	ბიზნეს სამუშაო პროცესები	„შეურაცხმყოფელი ენის გარეშე, პოლიტიკაში არანაირი“	ამცირებს სარისკო შედეგებს პროფესიონალური გამოყენებისას	თუ ვივარაუდებთ, რომ ის ყველა კიდის შემთხვევას წყვეტს
ფორმატის კონტროლი	სტრუქტურირებული გამომავალი	„არც ცხრილები, არც ტყვიების გადატვირთვა, არც ემოჯიები“	სასარგებლოა, როდესაც ზუსტი ფორმატი გჭირდებათ	მოთხოვნილ ფორმატთან კონფლიქტი... ხშირად ხდება

შეხედეთ კანონზომიერებას. საუკეთესო უარყოფითი მინიშნებები ყველაფრის კონტროლს არ ისახავს მიზნად. ისინი ყველაზე სავარაუდო წარუმატებლობის საკითხებს წყვეტენ.

როგორ მუშაობს ნეგატიური მინიშნებები კულისებში ⚙️

სარეველებში ძალიან ღრმად ჩაღრმავების გარეშე, ნეგატიური სტიმული გავლენას ახდენს მოდელზე გენერაციის დროს გარკვეული ასოციაციების თავიდან აცილებით .

გამოსახულების ხელსაწყოებში სისტემა ათვალიერებს როგორც მთავარ, ასევე უარყოფით მოთხოვნას და ცდილობს ერთთან მიახლოებას, მეორესგან კი დაშორებას. დიახ, ეს გამარტივებული ვერსიაა, მაგრამ ეს გვეხმარება. წარმოიდგინეთ ეს ისე, როგორც ერთი ხელით მართვა და მეორეთი ნაზად გადაწევა არასწორი რუკისკენ. Diffusers-ზე აგებულ ხელსაწყოებში, ამ ტიპის კონტროლისთვის, negative_prompt_embeds

ენობრივ ინსტრუმენტებში, უარყოფითი ინსტრუქციები ხელს უწყობს შემდეგი ფაქტორების ჩამოყალიბებას:

• ტონი

• სტრუქტურა

• აკრძალული თემები

• სტილის შეზღუდვები

• გამეორების კონტროლი

• ფორმატირების ქცევა

ხელოვნური ინტელექტი ძირითადად პრეფერენციებს აბალანსებს.

ეს ნიშნავს, რომ უარყოფითი მინიშნებები არ არის რაიმე ცალკე ჯადოსნური გადამრთველი. ისინი ერთი და იგივე ინსტრუქციის ეკოსისტემის . რაც ასევე ხსნის, თუ რატომ შეიძლება ისინი წარუმატებელი აღმოჩნდეს, როდესაც:

• დადებითი მოთხოვნა ძალიან სუსტია

• უარყოფითი მოთხოვნა ძალიან გრძელია

• ინსტრუქციების კონფლიქტი

• მოდელი ნეგატიურ მაჩვენებლებს კარგად ვერ უმკლავდება

• მოთხოვნა ძალიან რთულია ერთი გავლისთვის

და დიახ, სხვადასხვა ინსტრუმენტი განსხვავებულად რეაგირებს. ზოგიერთ სურათის მოდელს უყვარს მკაფიო უარყოფითი მინიშნებები. სხვები მეტ-ნაკლებად მხრებს იჩეჩავენ და აკეთებენ იმას, რისი გაკეთებაც უკვე შეეძლოთ. ხელოვნური ინტელექტი შეიძლება ერთდროულად იყოს როგორც მკვეთრი, ასევე ჯიუტი 😬

უარყოფითი სიგნალი ხელოვნურ ინტელექტში სურათის გენერირებისთვის 🎨🖼️

სწორედ აქ გამოიყენება ტერმინი ყველაზე ხშირად.

ხელოვნურ ინტელექტში ნეგატიურ სიგნალზე საუბრობენ , ისინი, როგორც წესი, გამოსახულების გენერირებას . ეს გასაგებია, რადგან გამოსახულების მოდელები ცნობილია რამდენიმე კლასიკური შეცდომის გამეორებით:

• დამატებითი კიდურები

• დეფორმირებული ხელები

• უცნაური თვალები

• დუბლირებული ობიექტები

• ტალახიანი ტექსტურები

• შემთხვევითი ტექსტი

• დაბალი დეტალიზაცია

• ზედმეტი ექსპოზიცია

• არეული კომპოზიციები

ასე რომ, თუ თქვენი მოთხოვნაა:

• „ოქროსფერ შუქზე რაინდის კინემატოგრაფიული პორტრეტი“

შეგიძლიათ დაამატოთ უარყოფითი მოთხოვნა, მაგალითად:

• „ბუნდოვანი, ზედმეტი თითები, დამახინჯებული სახე, ცუდი ანატომია, დაბალი დეტალიზაცია, ტექსტი, ჭვირნიშანი, ჩამოჭრილი“

ეს სისტემას ეუბნება, თუ რა უნდა აიცილოს თავიდან რაინდის რენდერირებისას.

კარგი იმიჯის ნეგატიური მინიშნებები ხშირად მიზნად ისახავს:

• ანატომიის საკითხები

  • დაზიანებული ხელები, ზედმეტი თითები, შერწყმული კიდურები

• ხარისხის საკითხები

  • დაბალი ხარისხი, ბუნდოვანი, ხმაურიანი, პიქსელირებული

• კომპოზიციის პრობლემები

  • ჩამოჭრილი, დუბლირებული ობიექტი, ცენტრიდან გადახრილი არეულობა

• სტილის შეუსაბამობები

  • მულტფილმი, ანიმე, არარეალური სკინები, ზედმეტად გაჯერებული

• უპატრონო არტეფაქტები

  • ჭვირნიშანი, ტექსტი, ლოგო, ჩარჩო

მაგრამ ნუ გადააჭარბებთ

ბევრი მომხმარებელი ტოვებს გიგანტურ ნეგატიურ სიებს, რომლებიც სადღაც გადაწერეს. ზოგჯერ ეს ეხმარება. ზოგჯერ ეს ჰგავს ნათურაზე თექვსმეტი საბნის გადაფარებას და იმის გაფიქრებას, თუ რატომ გამოიყურება ოთახი ბნელად.

გრძელი უარყოფითი წინადადებები შეიძლება:

• მოდელის დაბნევა

• შესუსტება შემოქმედებითობა

• ტექსტურის გაბრტყელება

• კარგი დეტალების წაშლა

• სტერილური შედეგების შექმნა

ასე რომ, დიახ, გამოიყენეთ ისინი - უბრალოდ გამოიყენეთ ისინი განზრახ.

ნეგატიური მოთხოვნა ხელოვნურ ინტელექტში წერისა და ჩატბოტებისთვის ✍️💬

ნეგატიური სტიმული მხოლოდ სურათებისთვის არ არის. ის ასევე ძლიერია წერის სისტემებში, ჩატბოტებში, დამხმარე ასისტენტებსა და კონტენტის სამუშაო პროცესებში .

ტექსტისთვის, უარყოფითი სიგნალი მოდელს ეუბნება, რომ თავიდან აიცილოს:

• გამეორება

• კლიშეები

• ჟარგონი

• აგრესიული გაყიდვების ენა

• ემოჯიები

• ტყვიის გადატვირთვა

• სპეკულაცია

• დაუსაბუთებელი პრეტენზიები

• გარკვეული თემები ან ტონები

მაგალითად, მხოლოდ თქმის ნაცვლად:

• „დაწერეთ პროდუქტის აღწერა პრემიუმ კლასის ყავის აპარატისთვის“

შეგეძლოთ დაემატებინათ:

• „ნუ ჟღერთ აგრესიულად“

• „მოერიდეთ გადაჭარბებულ პრეტენზიებს“

• „შემავსებელი ფრაზები არ არის“

• „კორპორატიული ჟარგონი არ არსებობს“

• „ნუ გამოიყენებთ კლიშეებს, როგორიცაა „თამაშის წესების შემცვლელი“ ან „უახლესი“

ეს სრულიად ცვლის ტონს.

წერის ნეგატიური მინიშნებები სასარგებლოა, როდესაც გსურთ:

• უფრო სუფთა ბრენდის ხმა

• ნაკლები ზოგადი ფრაზა

• უფრო პროფესიონალური ტონი

• უფრო წასაკითხი ფორმატირება

• ნაკლები გამეორება

• უფრო უსაფრთხო შედეგები გუნდებისა და კლიენტებისთვის

ვფიქრობ, ამ შემთხვევის გამოყენება არასაკმარისად არის შეფასებული. ყველა საუბრობს ხელოვნური ინტელექტის ლამაზ ხელოვნებაზე, რაც სამართლიანია, რადგან ის თვალშისაცემი და დასამახსოვრებელია. თუმცა, მომუშავე პროფესიონალებისთვის, წერის ტონის კონტროლი არის ის, სადაც ნეგატიური მინიშნებები ჩუმად იმსახურებენ თავიანთ სადილს 🍽️

ხელოვნურ ინტელექტში უარყოფითი სიგნალის გამოყენებისას ადამიანების მიერ დაშვებული გავრცელებული შეცდომები 🚫

ნეგატიური სტიმული უფრო მარტივად გამოიყურება, ვიდრე არის.

აქ არის ყველაზე გავრცელებული შეცდომები.

1. ზედმეტად ბუნდოვანი

ცუდი მაგალითი:

• „ცუდი არაფერი“

ხელოვნურ ინტელექტს იქ მყარი სამიზნე არ ჰყავს. „ცუდი“ თითქმის არაფერს ნიშნავს.

უკეთესი:

• „არც დაბინდვა, არც დამახინჯება, არც დამატებითი ობიექტები“

2. მთავარი მოთხოვნის საწინააღმდეგოდ

თუ თქვენ ითხოვთ:

• „მდიდარად დეტალური ფენტეზის ბაზარი“

და თქვენი უარყოფითი მოთხოვნა ამბობს:

• „არც არეულობა, არც ხალხმრავლობა, არც ფონის დეტალები“

კარგი... შენ საკუთარი თხოვნა ჩააგდე.

3. ძალიან ბევრი საკვანძო სიტყვის ჩასმა

უზარმაზარი კოპირებული სიები ზოგჯერ შეიძლება გამოდგეს, მაგრამ ხშირად ისინი გაბერილი ხდება. მოდელი კარგავს სიცხადეს. ეს ჰგავს ფილმის გადაღების მცდელობას ერთდროულად 80 ნოტის ყვირილით 🎬

4. ნეგატივების გამოყენება დადებითი სიცხადის გარეშე

ნეგატიურ მოთხოვნას სუსტი იდეის გადარჩენა არ შეუძლია. დიახ, მას შეუძლია კარგი მოთხოვნა დახვეწოს. მას ჯადოსნურად მისი გამოგონება არ შეუძლია.

5. იმის გათვალისწინებით, რომ ყველა მოდელი ტერმინებს ერთნაირად განმარტავს

ერთი სისტემა მკაცრად რეაგირებს „დაბალ ხარისხზე“. მეორე უგულებელყოფს მას. ერთს „დეფორმირებული ხელები“ ​​აინტერესებს. მესამეს თვალს ძლივს ახამხამებს. ტესტირებას მნიშვნელობა აქვს.

6. ყველა პიქსელის ან წინადადების კონტროლის მცდელობა

ზედმეტმა კონტროლმა შეიძლება გამომავალი კადრების სიცოცხლე დაკარგოს. სუფთა ვერსია კარგია, მკვდარი ვერსია - არა. განსხვავება მაინც არსებობს.

ხელოვნურ ინტელექტში უარყოფითი მოთხოვნის პრაქტიკული მაგალითები 🔍

მაგალითები ამას უფრო ნათელს ხდის, ამიტომ რამდენიმე მათგანს მოვიყვან.

მაგალითი 1 - რეალისტური პორტრეტი

მთავარი მიზანი:
ქალის რეალისტური ახლო პორტრეტი ფანჯრის რბილ შუქზე, კანის ბუნებრივი ტექსტურა, ველის მცირე სიღრმე.

უარყოფითი მინიშნება:
დაბინდვა, ზედმეტი თითები, დამახინჯებული თვალები, პლასტიკური კანი, ზედმეტად გაჯერებული, მულტფილმი, ტექსტი, ჭვირნიშანი

რატომ მუშაობს:
ის იცავს რეალიზმს და თრგუნავს ყველაზე გავრცელებულ ვიზუალურ შეცდომებს.

---

მაგალითი 2 - პროდუქტის ფოტო

მთავარი იდეა:
შავი ჭკვიანი საათის მინიმალისტური კადრი თეთრ ფონზე, სტუდიური განათებით.

უარყოფითი მინიშნება:
არეულობა, ანარეკლები, დამატებითი ობიექტები, ტექსტი, ლოგოს დამახინჯება, დაბალი დეტალიზაცია, ჩრდილის არეულობა

რატომ მუშაობს:
ის ჩარჩოს სიმარტივეს და კომერციულად სუფთას ინარჩუნებს.

---

მაგალითი 3 - ბლოგის წერა

მთავარი მოთხოვნა:
დაწერეთ სასარგებლო ბლოგ-შესავალი სახლის ოფისის პროდუქტიულობის შესახებ მეგობრული, ექსპერტის ტონით.

უარყოფითი მინიშნება:
არანაირი გაბერილი ენა, არანაირი კლიშე, არანაირი გამეორება, არანაირი რობოტული ფრაზირება, არანაირი გაზვიადებული დაპირებები

რატომ მუშაობს:
ის ხელს უშლის ხელოვნური ინტელექტის მსგავსი ჟღერადობის შემავსებლის გამოყენებას და ასლს უფრო ბუნებრივს ხდის.

---

მაგალითი 4 - მომხმარებელთა მხარდაჭერის პასუხი

მთავარი მოთხოვნა:
დაგვიანებული მიწოდების შემთხვევაში, თავაზიანი დახმარების პასუხის შედგენა

უარყოფითი მინიშნება:
ნუ დაადანაშაულებთ მომხმარებელს, არანაირი თავდაცვითი ტონი, არანაირი იურიდიული ჟარგონი, არანაირი ცარიელი ბოდიშის მოხდა ორჯერ გამეორების გარეშე.

რატომ მუშაობს:
ის აუმჯობესებს პროფესიონალიზმს და ემოციურ ტონს.

ნახეთ, როგორ არ არის ეს ნეგატიური მინიშნებები შემთხვევითი. თითოეული მათგანი დაკავშირებულია წარუმატებლობის რეალურ რისკთან.

როდესაც არ უნდა დაეყრდნოთ ზედმეტად ნეგატიურ შენიშვნებს 🪫

ნეგატიური მინიშნებები ღირებულია, მაგრამ ისინი ყოველთვის არ არიან შოუს ვარსკვლავი.

ზოგჯერ უფრო გონივრულია მთავარი მოთხოვნის გაუმჯობესება.

სიფრთხილე გამოიჩინეთ, როდესაც:

• თქვენი მოთხოვნა ისედაც ძალიან შემზღუდველია

• მოდელის გამომავალი ბრტყელი და უსიცოცხლო ჩანს

• თქვენი ნეგატიური სია უფრო გრძელია, ვიდრე რეალური მოთხოვნა

• ინსტრუმენტი ძლივს რეაგირებს უარყოფით წონაზე

• თქვენ ჯერ არ გამოგიცდიათ უფრო მარტივი ვერსიები

ხელოვნურ ინტელექტს დაბრალებული სუსტი შედეგების უმეტესობა უბრალოდ მზის სათვალის ტარებით გამოწვეული ბუნდოვანი ინსტრუქციებია. უკეთესი ძირითადი მოთხოვნა ხშირად უფრო მეტ შეცდომას ასწორებს, ვიდრე ნეგატივების კიდევ ერთი გროვა.

ასე რომ, დაბალანსებული მიდგომა საუკეთესოდ მუშაობს:

• დაიწყეთ მკაფიო მთავარი მოთხოვნით

• დაამატეთ რამდენიმე მიზნობრივი უარყოფითი ტერმინი

• ტესტი

• დახვეწა იმის მიხედვით, თუ რა არის არასწორი

ეს პროცესი თითქმის ყოველთვის აჯობებს შემთხვევითი შეკვეთის დამპინგით გამოსვლას.

როგორ დავწეროთ უკეთესი უარყოფითი წინადადება ხელოვნური ინტელექტით ეტაპობრივად 🛠️

აქ არის მარტივი პროცესი, რომლის გამოყენებაც შეგიძლიათ.

ნაბიჯი 1 - სასურველი შედეგის განსაზღვრა

ჰკითხეთ საკუთარ თავს:

• რის შექმნას ვცდილობ?

• როგორი სტილი, ტონი ან ფორმატი მინდა?

ნაბიჯი 2 - სავარაუდო წარუმატებლობის პროგნოზირება

დაფიქრდით, რა ხდება ჩვეულებრივ არასწორად.

• უცნაური ანატომია?

• ხმაურიანი სურათი?

• განმეორებადი ტექსტი?

• ბრენდისგან განსხვავებული ტონი?

ნაბიჯი 3 - კონკრეტული გამონაკლისების დაწერა

ეს სავარაუდო წარუმატებლობები პირდაპირ ნეგატიურ შედეგებად აქციეთ.

• „დაბინდვის გარეშე“

• „ჟარგონის გარეშე“

• „დამატებითი ხელების გარეშე“

• „ფონური ტექსტი არ არის“

ნაბიჯი 4 - შეინარჩუნეთ სია მოკლე

დაიწყეთ მცირედით. მოგვიანებით ყოველთვის შეგიძლიათ დაამატოთ მეტი.

ნაბიჯი 5 - ტესტირება და კორექტირება

თუ ხელოვნური ინტელექტი ერთ შეცდომას მაინც უშვებს, უფრო მკაფიოდ მიზანში ამოიღეთ ეს შეცდომა. თუ შედეგი ძალიან მკაცრი გახდება, რამდენიმე შეზღუდვა მოხსენით.

პრაქტიკული მინი-შაბლონი

სურათებისთვის:

• მთავარი მოთხოვნა: საგანი + სტილი + განათება + კომპოზიცია

• უარყოფითი მინიშნება: ანატომიის პრობლემები + სტილის შეუსაბამობები + არტეფაქტის მოცილება

წერისთვის:

• მთავარი მინიშნება: მიზანი + აუდიტორია + ტონი + სტრუქტურა

• უარყოფითი მინიშნება: აკრძალული ტონი + აკრძალული ფორმატირება + აკრძალული კლიშეები + რისკის ზონები

არაფერი განსაკუთრებული. უბრალოდ პრაქტიკული.

დასკვნითი შენიშვნა ხელოვნურ ინტელექტში უარყოფითი მოთხოვნის შესახებ 🌟

მაშ ასე, რა არის უარყოფითი სიგნალი ხელოვნურ ინტელექტში .

ეს არის ინსტრუქციის ის ნაწილი, სადაც თქვენ ეუბნებით მოდელს, თუ რა უნდა აარიდოს თავი. ეს არის მკაფიო განმარტება. მაგრამ პრაქტიკაში ეს უფრო მეტია, ვიდრე ეს. ეს არის კონტროლის ინსტრუმენტი. ხარისხიანი ფილტრი. გზა, რათა შეამციროთ უაზრობა მის გამოჩენამდე. არც სრულყოფილი, არც აბსოლუტური, მაგრამ ნამდვილად ძლიერი.

მისი გამოყენების ყველაზე ჭკვიანური გზა არ არის რაიმე საშინელი საკვანძო სიტყვების სასაფლაოს აშენება და ყველგან მისი ჩასმა. მთავარია შეამჩნიოთ, რა მიდის არასწორად და შემდეგ ზუსტად ეს პრობლემები მშვიდი, კონკრეტული ინსტრუქციებით დაბლოკოთ.

სწორედ ეს არის საუკეთესო წერტილი.

მოკლედ

• ხელოვნური ინტელექტის ნეგატიური სიგნალი მოდელს ეუბნება, რა არ უნდა გენერირება.

• ის განსაკუთრებით სასარგებლოა სურათების გენერირებისთვის , წერისთვის და სამუშაო პროცესის კონტროლისთვის.

• კარგი უარყოფითი მინიშნებები კონკრეტული, რელევანტური და ლაკონურია.

• ცუდი უარყოფითი მინიშნებები ბუნდოვანი, გაბერილი ან წინააღმდეგობრივია

• საუკეთესო შედეგი მიიღება ძლიერი მთავარი მოთხოვნის მიზანმიმართულ უარყოფით მოთხოვნასთან შერწყმით

• ტესტირება მნიშვნელოვანია - სხვადასხვა მოდელი განსხვავებულად რეაგირებს

როგორც კი ნეგატიური მინიშნებების კარგად გამოყენებას დაიწყებთ, უკან დაბრუნება შეიძლება მარილის გარეშე საჭმლის მომზადებას დაემსგავსოს. შეუძლებელი არ არის. უბრალოდ, ცოტა გამაღიზიანებელი იქნება და შედეგი უფრო გლუვი იქნება, ვიდრე საჭიროა 

ხშირად დასმული კითხვები

რა არის უარყოფითი მოთხოვნა ხელოვნურ ინტელექტში და რით განსხვავდება ის ჩვეულებრივი მოთხოვნისგან?

ჩვეულებრივი მოთხოვნა მოდელს ეუბნება, რა შექმნას, ხოლო უარყოფითი მოთხოვნა - რას უნდა აარიდოს თავი. პრაქტიკაში, ეს ნიშნავს, რომ თქვენ არა მხოლოდ აღწერთ მიზანს, არამედ ბლოკავთ წარუმატებლობის საერთო ნიმუშებს. სტატიაში ეს წარმოდგენილია, როგორც საკონტროლო ფენა, რომელიც ამცირებს არასასურველ სტილებს, არტეფაქტებს ან ქცევებს, მთავარი მოთხოვნის ნაცვლად.

რატომ აუმჯობესებს ხელოვნურ ინტელექტში უარყოფითი სიგნალი გამომავალი მონაცემების ხარისხს ასე მნიშვნელოვნად?

ხელოვნური ინტელექტის ნეგატიური სიგნალი ხელს უწყობს გამომავალი მონაცემების სივრცის შევიწროებას, რაც შედეგებს უფრო ზუსტ და თანმიმდევრულს ხდის. მოდელს ძალიან ფართოდ გამოცნობის საშუალებას არ აძლევთ, თქვენ კი მას თავიდან აიცილებთ ბუნდოვანებას, არეულობას, გამეორებას ან ტონის პრობლემებს, რომლებიც ხშირად ნაგულისხმევად ჩნდება. ეს, როგორც წესი, იწვევს ნაკლებ გაწმენდას, ნაკლებ ხელახალ მცდელობებს და უფრო ძლიერ გამომავალ მონაცემებს ნაკლები გავლისას.

როდის უნდა გამოვიყენო უარყოფითი მინიშნებები ხელოვნური ინტელექტის სურათების გენერირებისთვის?

გამოიყენეთ ისინი, როდესაც მოდელი მიდრეკილია შეცდომების გამეორებისკენ, როგორიცაა ზედმეტი თითები, დამახინჯებული სახეები, ტალახიანი ტექსტურები, შემთხვევითი ტექსტი ან არეული ფონი. ისინი განსაკუთრებით სასარგებლოა პორტრეტებისთვის, პროდუქტის კადრებისთვის და სტილიზებული სცენებისთვის, სადაც ხარისხის დეფექტების აღმოჩენა ადვილია. ყველაზე ძლიერი მიდგომაა ზუსტად იმ ვიზუალური პრობლემების ფოკუსირება, რომლებიც ყველაზე მეტად სავარაუდოა.

შეუძლია თუ არა ნეგატიურ მინიშნებებს ხელოვნური ინტელექტით წერის ნაკლებად რობოტული ან განმეორებადი ჟღერადობის უზრუნველყოფა?

დიახ, სტატიაში ნათლად არის ნათქვამი, რომ ნეგატიური მინიშნებები ფასეულია როგორც ტექსტისთვის, ასევე სურათებისთვის. წერის სამუშაო პროცესებში მათ შეუძლიათ შეამცირონ კლიშეები, შემავსებლები, ჟარგონი, გამეორება და გაზვიადებული ენა. ეს მათ სასარგებლოს ხდის ბრენდის იმიჯისთვის, მხარდაჭერის პასუხებისთვის, ბლოგის შესავლებისთვის და სხვა კონტენტისთვის, სადაც ტონი და წაკითხვადობა მნიშვნელოვანია.

როგორ დავწერო კარგი უარყოფითი მოთხოვნა ხელოვნური ინტელექტის გამოყენებით, მისი ზედმეტად გართულების გარეშე?

დაიწყეთ სასურველი შედეგით, შემდეგ კი განსაზღვრეთ რამდენიმე რამ, რაც, სავარაუდოდ, არასწორად წარიმართება. გადააქციეთ ეს რისკები მოკლე, კონკრეტულ გამონაკლისებად, როგორიცაა „დაბინდვის გარეშე“, „ჟარგონის გარეშე“ ან „დამატებითი ობიექტების გარეშე“, ბუნდოვანი ინსტრუქციების ნაცვლად, როგორიცაა „გააუმჯობესე“. ხელოვნურ ინტელექტში კარგი ნეგატიური მოთხოვნა რჩება აქტუალური, მიზანმიმართული და საკმარისად ლაკონური, რათა დარჩეს ნათელი.

რა არის ყველაზე გავრცელებული შეცდომები, რომლებსაც ადამიანები ნეგატიური მინიშნებების გამოყენებისას უშვებენ?

ყველაზე დიდი შეცდომებია ბუნდოვანება, მთავარი მოთხოვნის ეწინააღმდეგება, ძალიან ბევრი საკვანძო სიტყვის ჩატვირთვა და ნეგატიური სიტყვებით სუსტი იდეის გადარჩენის მოლოდინი. კიდევ ერთი გავრცელებული პრობლემაა ყველა დეტალის კონტროლის მცდელობა, რამაც შეიძლება შედეგი არათანაბარი ან უსარგებლო გახადოს. სტატიაში ასევე ნათქვამია, რომ სხვადასხვა მოდელმა შეიძლება ერთი და იგივე ტერმინები ძალიან განსხვავებულად განმარტოს.

რატომ მუშაობს ერთი და იგივე უარყოფითი მოთხოვნა კარგად ერთ ხელოვნური ინტელექტის ინსტრუმენტში და ცუდად მეორეში?

რადგან ნეგატიური მინიშნებები მოდელის უფრო ფართო ინსტრუქციული სისტემის ნაწილია და არა უნივერსალური ჯადოსნური გადამრთველი. ზოგიერთი ინსტრუმენტი მკვეთრად რეაგირებს ისეთ ტერმინებზე, როგორიცაა „დაბალი ხარისხი“ ან „ცუდი ხელები“, ზოგი კი ძლივს რეაგირებს. სტატიის მიზანი პრაქტიკულია: გამოსცადეთ თქვენს მიერ გამოყენებულ მოდელზე, იმის ნაცვლად, რომ ვივარაუდოთ, რომ ერთი და იგივე ფორმულირება ყველგან თანაბრად გადავა.

უნდა დავაკოპირო სხვა ადამიანების უზარმაზარი უარყოფითი სიები?

როგორც წესი, ეს არ არის საუკეთესო საწყისი წერტილი. გრძელი კოპირებული სიები შეიძლება მოდელს აბნევდეს, კრეატიულობას ასუსტებდეს, დეტალებს გაასწორებდეს ან ისეთ წინააღმდეგობებს შეგიქმნიდეთ, რომლებიც ვერ შენიშნეთ. უფრო საიმედო მეთოდია, დაიწყოთ მოკლე სიით, რომელიც თქვენს კონკრეტულ წარუმატებლობის წერტილებს უკავშირდება და შემდეგ შეცვალოთ ის, თუ რა შეცდომები უშვებს მოდელს მუდმივად.

როდის არის უკეთესი მთავარი მოთხოვნის გაუმჯობესება მეტი უარყოფითი სიტყვის დამატების ნაცვლად?

თუ თქვენი მოთხოვნა ისედაც შემზღუდველია, შედეგი უსიცოცხლოდ გამოიყურება, ან თქვენი ნეგატიური ფრაზების სია თავად მოთხოვნაზე გრძელია, სავარაუდოდ, პირველ რიგში მთავარ მოთხოვნას სჭირდება დამუშავება. ნეგატიური ფრაზები კარგ მიმართულებას აზუსტებს, მაგრამ მას არ ცვლის. სტატიაში რეკომენდებულია გამონაკლისების დამატებამდე თემის, სტილის, ტონისა და ფორმატის გარკვევა.

როგორია მარტივი სამუშაო პროცესი რეალურ პროექტებში ხელოვნური ინტელექტის ნეგატიური მოთხოვნის შესამოწმებლად?

დაიწყეთ მკაფიო მთავარი მოთხოვნით, რომელიც განსაზღვრავს თემას, სტილს, ტონს ან სტრუქტურას. დაამატეთ მხოლოდ რამდენიმე მიზანმიმართული უარყოფითი მხარე სავარაუდო შეცდომების საფუძველზე, შემდეგ შეამოწმეთ და დაადგინეთ, რა არის ისევ არასწორი. ამის შემდეგ, დახვეწეთ კონკრეტული გამონაკლისები მეტი საკვანძო სიტყვის დამატების ნაცვლად. ეს ეტაპობრივი ციკლი წარმოდგენილია, როგორც შედეგების თანმიმდევრული გაუმჯობესების ყველაზე პრაქტიკული გზა.

ცნობები

1. Google Cloud - უარყოფითი სიგნალი ხელოვნურ ინტელექტში - docs.cloud.google.com

2. OpenAI დეველოპერები - ტექსტის გენერირების სისტემები - developers.openai.com

3. Microsoft Learn - LLM-ის სწრაფი ინჟინერიის სახელმძღვანელო - learn.microsoft.com

4. ჩახუტებადი სახე - negative_prompt_embeds - huggingface.co

იპოვეთ უახლესი ხელოვნური ინტელექტი ოფიციალურ ხელოვნური ინტელექტის ასისტენტების მაღაზიაში

ჩვენს შესახებ