शीघ्र इंजीनियरिंग

OpenAI के DALL-E 3 पर एक नज़दीकी नज़र

प्रकाशित

2 साल पहले

अक्टूबर 31

आयुष मित्तल

में जनरेटिव एआई दुनिया, नवीनतम के साथ बने रहना खेल का नाम है। और जब छवियाँ उत्पन्न करने की बात आती है, तो स्थिर प्रसार और मध्य यात्रा यह वह मंच था जिसके बारे में हर कोई बात कर रहा था - अब तक।

टेक दिग्गज माइक्रोसॉफ्ट द्वारा समर्थित OpenAI पेश किया गया डैल · ई 3 सितंबर 20th, 2023 पर।

DALL-E 3 केवल छवियाँ बनाने के बारे में नहीं है; यह आपके विचारों को जीवन में लाने के बारे में है, ठीक उसी तरह जैसे आपने उनकी कल्पना की थी। और सबसे अच्छा हिस्सा? यह तेज़ है, जैसे, सचमुच तेज़। आपके पास एक विचार है, आप इसे DALL-E 3 को फ़ीड करें, और बूम, आपकी छवि तैयार है।

तो, इस लेख में, हम गहराई से जानेंगे कि DALL-E 3 क्या है। हम इस बारे में बात करेंगे कि यह कैसे काम करता है, क्या चीज़ इसे बाकियों से अलग करती है, और यह वह उपकरण क्यों हो सकता है जिसकी आपको आवश्यकता नहीं थी। चाहे आप एक डिज़ाइनर हों, एक कलाकार हों, या बहुत अच्छे विचारों वाले व्यक्ति हों, आप इसके लिए बने रहना चाहेंगे। आएँ शुरू करें।

DALL·E 3 के साथ नई बात यह है कि इसे DALL·E 2 की तुलना में कहीं बेहतर संदर्भ मिलता है। पहले के संस्करणों में कुछ विशिष्ट बातें छूट गई होंगी या यहां-वहां कुछ विवरणों को नजरअंदाज कर दिया गया होगा, लेकिन DALL·E 3 सही स्थिति में है। यह आप जो मांग रहे हैं उसका सटीक विवरण प्राप्त करता है, और आपको एक ऐसी तस्वीर देता है जो आपकी कल्पना के करीब होती है।

बढ़िया हिस्सा? DALL·E 3 और ChatGPT अब एक साथ एकीकृत हो गए हैं। वे आपके विचारों को परिष्कृत करने में सहायता के लिए मिलकर काम करते हैं। आप एक अवधारणा को शूट करते हैं, चैटजीपीटी प्रॉम्प्ट को ठीक करने में मदद करता है, और DALL·E 3 इसे जीवंत बनाता है। यदि आप छवि के प्रशंसक नहीं हैं, तो आप ChatGPT से प्रॉम्प्ट में बदलाव करने और DALL·E 3 को पुनः प्रयास करने के लिए कह सकते हैं। 20$ के मासिक शुल्क पर, आपको GPT-4, DALL·E 3 और कई अन्य शानदार सुविधाओं तक पहुंच मिलती है।

माइक्रोसॉफ्ट के बिंग चैट OpenAI के ChatGPT के आने से पहले ही DALL·E 3 पर इसका कब्जा हो गया था, और अब यह सिर्फ बड़े उद्यमों के लिए नहीं है, बल्कि हर किसी को इसके साथ मुफ्त में खेलने का मौका मिलता है। बिंग चैट और बिंग इमेज क्रिएटर में एकीकरण से इसे किसी के लिए भी उपयोग करना बहुत आसान हो जाता है।

प्रसार मॉडल का उदय

पिछले 3 वर्षों में, विज़न एआई ने प्रसार मॉडल का उदय देखा है, विशेष रूप से छवि निर्माण में एक महत्वपूर्ण छलांग लगाई है। प्रसार मॉडल से पहले, जनरेशनल एडवरसियरी नेटवर्क (GANs) यथार्थवादी छवियाँ उत्पन्न करने के लिए प्रचलित तकनीक थे।

Gans

हालाँकि, उनके सामने बड़ी मात्रा में डेटा और कम्प्यूटेशनल शक्ति की आवश्यकता सहित कुछ चुनौतियाँ थीं, जिन्हें संभालना अक्सर उनके लिए मुश्किल हो जाता था।

दर्ज प्रसार मॉडल। वे GAN के अधिक स्थिर और कुशल विकल्प के रूप में उभरे। जीएएन के विपरीत, प्रसार मॉडल डेटा में शोर जोड़कर काम करते हैं, इसे तब तक अस्पष्ट करते हैं जब तक कि केवल यादृच्छिकता न रह जाए। फिर वे इस प्रक्रिया को उलटने के लिए पीछे की ओर काम करते हैं, शोर से सार्थक डेटा का पुनर्निर्माण करते हैं। यह प्रक्रिया प्रभावी और कम संसाधन-गहन साबित हुई है, जिससे प्रसार मॉडल एआई समुदाय में एक गर्म विषय बन गया है।

वास्तविक मोड़ 2020 के आसपास आया, नवोन्मेषी पत्रों की एक श्रृंखला और परिचय के साथ OpenAI की CLIP प्रौद्योगिकी, जिसने प्रसार मॉडल की क्षमताओं को महत्वपूर्ण रूप से उन्नत किया। इसने प्रसार मॉडल को पाठ-से-छवि संश्लेषण में असाधारण रूप से अच्छा बना दिया, जिससे उन्हें पाठ्य विवरण से यथार्थवादी छवियां उत्पन्न करने की अनुमति मिली। ये सफलताएं सिर्फ छवि निर्माण में ही नहीं थीं, बल्कि अन्य क्षेत्रों में भी थीं संगीत रचना और जैव चिकित्सा अनुसंधान.

आज, प्रसार मॉडल केवल अकादमिक रुचि का विषय नहीं हैं, बल्कि व्यावहारिक, वास्तविक दुनिया के परिदृश्यों में भी उपयोग किए जा रहे हैं।

जनरेटिव मॉडलिंग और सेल्फ-अटेंशन परतें: DALL-E 3

स्रोत

इस क्षेत्र में महत्वपूर्ण प्रगति में से एक जेनेरेटिव मॉडलिंग का विकास रहा है, जिसमें ऑटोरेग्रेसिव जेनेरेटिव मॉडलिंग और प्रसार प्रक्रियाओं जैसे नमूना-आधारित दृष्टिकोण अग्रणी हैं। उन्होंने टेक्स्ट-टू-इमेज मॉडल को बदल दिया है, जिससे प्रदर्शन में भारी सुधार हुआ है। छवि निर्माण को अलग-अलग चरणों में तोड़कर, ये मॉडल तंत्रिका नेटवर्क के लिए सीखने के लिए अधिक सुव्यवस्थित और आसान हो गए हैं।

समानांतर में, आत्म-ध्यान परतों के उपयोग ने एक महत्वपूर्ण भूमिका निभाई है। इन परतों को एक साथ जोड़कर, अंतर्निहित स्थानिक पूर्वाग्रहों की आवश्यकता के बिना छवियों को उत्पन्न करने में मदद मिली है, जो कि संकल्पों के साथ एक आम समस्या है। ट्रांसफार्मर के अच्छी तरह से समझे गए स्केलिंग गुणों के कारण, इस बदलाव ने टेक्स्ट-टू-इमेज मॉडल को स्केल करने और विश्वसनीय रूप से सुधार करने की अनुमति दी है।

छवि निर्माण में चुनौतियाँ और समाधान

इन प्रगतियों के बावजूद, छवि निर्माण में नियंत्रणीयता एक चुनौती बनी हुई है। शीघ्र अनुसरण जैसे मुद्दे, जहां मॉडल इनपुट पाठ का बारीकी से पालन नहीं कर सकता है, प्रचलित रहे हैं। इसे संबोधित करने के लिए, कैप्शन सुधार जैसे नए दृष्टिकोण प्रस्तावित किए गए हैं, जिसका उद्देश्य प्रशिक्षण डेटासेट में पाठ और छवि युग्मों की गुणवत्ता को बढ़ाना है।

कैप्शन सुधार: एक नवीन दृष्टिकोण

कैप्शन सुधार में छवियों के लिए बेहतर गुणवत्ता वाले कैप्शन तैयार करना शामिल है, जो बदले में अधिक सटीक टेक्स्ट-टू-इमेज मॉडल को प्रशिक्षित करने में मदद करता है। यह एक मजबूत छवि कैप्शनर के माध्यम से हासिल किया जाता है जो छवियों का विस्तृत और सटीक विवरण तैयार करता है। इन उन्नत कैप्शन पर प्रशिक्षण के माध्यम से DALL-E 3 उल्लेखनीय परिणाम प्राप्त करने में सक्षम हुआ है, जो मनुष्यों द्वारा निर्मित तस्वीरों और कलाकृतियों से काफी मिलता-जुलता है।

सिंथेटिक डेटा पर प्रशिक्षण

सिंथेटिक डेटा पर प्रशिक्षण की अवधारणा नई नहीं है। हालाँकि, यहाँ अद्वितीय योगदान एक उपन्यास, वर्णनात्मक छवि कैप्शनिंग प्रणाली के निर्माण में है। जेनरेटिव मॉडल के प्रशिक्षण के लिए सिंथेटिक कैप्शन का उपयोग करने का प्रभाव पर्याप्त रहा है, जिससे मॉडल की संकेतों का सटीक रूप से पालन करने की क्षमता में सुधार हुआ है।

DALL-E 3 का मूल्यांकन

DALL-E 2 और स्टेबल डिफ्यूजन XL जैसे पिछले मॉडलों के साथ कई मूल्यांकन और तुलना के माध्यम से, DALL-E 3 ने बेहतर प्रदर्शन का प्रदर्शन किया है, विशेष रूप से शीघ्र अनुसरण से संबंधित कार्यों में।

विभिन्न मूल्यांकनों पर टेक्स्ट-टू-इमेज मॉडल की तुलना

स्वचालित मूल्यांकन और बेंचमार्क के उपयोग ने इसकी क्षमताओं का स्पष्ट प्रमाण प्रदान किया है, जिससे अत्याधुनिक टेक्स्ट-टू-इमेज जनरेटर के रूप में इसकी स्थिति मजबूत हुई है।

DALL-E 3 संकेत और क्षमताएँ

DALL-E 3 दृश्य निर्माण के लिए अधिक तार्किक और परिष्कृत दृष्टिकोण प्रदान करता है। जैसे-जैसे आप स्क्रॉल करते हैं, आप देखेंगे कि कैसे DALL-E प्रत्येक छवि को सटीकता और कल्पना के मिश्रण से तैयार करता है, जो दिए गए संकेत के साथ प्रतिध्वनित होती है।

अपने पूर्ववर्ती के विपरीत, यह उन्नत संस्करण एक दृश्य के भीतर वस्तुओं को स्वाभाविक रूप से व्यवस्थित करने और हाथ पर उंगलियों की सही संख्या तक मानवीय विशेषताओं को सटीक रूप से चित्रित करने में उत्कृष्टता प्राप्त करता है। संवर्द्धन सूक्ष्म विवरणों तक विस्तारित हैं और अब अधिक यथार्थवादी और पेशेवर आउटपुट सुनिश्चित करते हुए उच्च रिज़ॉल्यूशन पर उपलब्ध हैं।

पाठ प्रतिपादन क्षमताओं में भी पर्याप्त सुधार देखा गया है। जहां DALL-E के पिछले संस्करणों ने अस्पष्ट पाठ तैयार किया था, वहीं DALL-E 3 अब सुपाठ्य और पेशेवर स्टाइल वाले अक्षर (कभी-कभी), और यहां तक कि अवसर पर साफ लोगो भी उत्पन्न कर सकता है।

जटिल और सूक्ष्म छवि अनुरोधों के बारे में मॉडल की समझ में काफी वृद्धि हुई है। DALL-E 3 अब कई तत्वों और विशिष्ट निर्देशों वाले परिदृश्यों में भी विस्तृत विवरणों का सटीक रूप से पालन कर सकता है, जो सुसंगत और अच्छी तरह से बनाई गई छवियों का उत्पादन करने की अपनी क्षमता का प्रदर्शन करता है। आइए कुछ संकेतों और हमें मिले संबंधित आउटपुट का पता लगाएं:

Design the packaging for a line of organic teas. Include space for the product name and description.

पाठ संकेतों पर आधारित DALL-E 3 छवियां (ध्यान दें कि बाएं पोस्टर में गलत वर्तनी है)

Create a web banner advertising a summer sale on outdoor furniture. The image feature a beach setting with different pieces of outdoor furniture, and text announcing 'Huge Summer Savings!'

पाठ संकेतों पर आधारित DALL-E 3 छवियाँ

A vintage travel poster of Paris with bold and stylized text saying 'Visit Paris' at the bottom.

पाठ संकेतों पर आधारित DALL-E 3 छवियां (ध्यान दें कि दोनों पोस्टरों में गलत वर्तनी है)

A bustling scene of the Diwali festival in India, with families lighting lamps, fireworks in the sky, and traditional sweets and decorations.

पाठ संकेतों पर आधारित DALL-E 3 छवियाँ

A detailed marketplace in ancient Rome, with people in period-appropriate clothing, various goods for sale, and architecture of the time.

पाठ संकेतों पर आधारित DALL-E 3 छवियाँ

Generate an image of a famous historical figure, like Cleopatra or Leonardo da Vinci, placed in a contemporary setting, using modern technology like smartphones or laptops.

पाठ संकेतों पर आधारित DALL-E 3 छवियाँ

DALL-E 3 की सीमाएँ और जोखिम

ओपनएआई ने पूर्वाग्रहों को कम करने और मॉडल के आउटपुट में सुधार करने के उद्देश्य से DALL-E 3 के प्रशिक्षण डेटा से स्पष्ट सामग्री को फ़िल्टर करने के लिए महत्वपूर्ण कदम उठाए हैं। इसमें संवेदनशील सामग्री श्रेणियों के लिए विशिष्ट फ़िल्टर का अनुप्रयोग और व्यापक फ़िल्टर के लिए सीमा का संशोधन शामिल है। शमन स्टैक में सुरक्षा उपायों की कई परतें भी शामिल हैं, जैसे संवेदनशील विषयों के लिए चैटजीपीटी में इनकार तंत्र, नीति उल्लंघनों को रोकने के लिए त्वरित इनपुट क्लासिफायर, विशिष्ट सामग्री श्रेणियों के लिए ब्लॉकलिस्ट, और संकेतों को दिशानिर्देशों के साथ संरेखित करने के लिए परिवर्तन।

अपनी प्रगति के बावजूद, DALL-E 3 में स्थानिक संबंधों को समझने, लंबे पाठ को सटीक रूप से प्रस्तुत करने और विशिष्ट इमेजरी उत्पन्न करने की सीमाएँ हैं। OpenAI इन चुनौतियों को स्वीकार करता है और भविष्य के संस्करणों के लिए सुधार पर काम कर रहा है।

कंपनी एआई-जनित छवियों को मनुष्यों द्वारा बनाई गई छवियों से अलग करने के तरीकों पर भी काम कर रही है, जो पारदर्शिता और जिम्मेदार एआई उपयोग के प्रति उनकी प्रतिबद्धता को दर्शाती है।

डैल · ई 3

DALL-E 3, नवीनतम संस्करण, विशिष्ट ग्राहक समूहों के साथ शुरू होकर और बाद में अनुसंधान प्रयोगशालाओं और एपीआई सेवाओं तक विस्तारित चरणों में उपलब्ध होगा। हालाँकि, मुफ़्त सार्वजनिक रिलीज़ की तारीख की अभी पुष्टि नहीं हुई है।

OpenAI वास्तव में DALL-E 3 के साथ AI के क्षेत्र में एक नया मानक स्थापित कर रहा है, जो जटिल तकनीकी क्षमताओं और उपयोगकर्ता के अनुकूल इंटरफेस को सहजता से जोड़ रहा है। बिंग जैसे व्यापक रूप से उपयोग किए जाने वाले प्लेटफार्मों में DALL-E 3 का एकीकरण विशेष अनुप्रयोगों से मनोरंजन और उपयोगिता के व्यापक, अधिक सुलभ रूपों में बदलाव को दर्शाता है।

आने वाले वर्षों में वास्तविक गेम-चेंजर संभवतः नवाचार और उपयोगकर्ता सशक्तिकरण के बीच संतुलन होगा। सफल होने वाली कंपनियाँ वे होंगी जो न केवल AI द्वारा प्राप्त की जा सकने वाली सीमाओं को आगे बढ़ाएंगी, बल्कि उपयोगकर्ताओं को उनकी इच्छानुसार स्वायत्तता और नियंत्रण भी प्रदान करेंगी। ओपनएआई, नैतिक एआई के प्रति अपनी प्रतिबद्धता के साथ, इस पथ पर सावधानीपूर्वक आगे बढ़ रहा है। लक्ष्य स्पष्ट है: एआई उपकरण बनाना जो न केवल शक्तिशाली हों, बल्कि भरोसेमंद और समावेशी भी हों, यह सुनिश्चित करते हुए कि एआई के लाभ सभी के लिए सुलभ हों।

संबंधित विषय:AI chagpt दाल-ई 3 छवि निर्माण OpenAI

अगला

एनालॉग और स्टेप-बैक प्रॉम्प्टिंग: Google डीपमाइंड द्वारा हाल की प्रगति में एक गोता

मिस न करें

एलएलएम की त्वरित हैकिंग और दुरुपयोग

आयुष मित्तल

मैंने पिछले पांच साल मशीन लर्निंग और डीप लर्निंग की आकर्षक दुनिया में डूबने में बिताए हैं। मेरे जुनून और विशेषज्ञता ने मुझे एआई/एमएल पर विशेष ध्यान देने के साथ 50 से अधिक विविध सॉफ्टवेयर इंजीनियरिंग परियोजनाओं में योगदान करने के लिए प्रेरित किया है। मेरी निरंतर जिज्ञासा ने मुझे प्राकृतिक भाषा प्रसंस्करण की ओर भी आकर्षित किया है, एक ऐसा क्षेत्र जिसे मैं और अधिक जानने के लिए उत्सुक हूं।

यूनाइट.एआई

OpenAI के DALL-E 3 पर एक नज़दीकी नज़र

प्रसार मॉडल का उदय

जनरेटिव मॉडलिंग और सेल्फ-अटेंशन परतें: DALL-E 3

छवि निर्माण में चुनौतियाँ और समाधान

कैप्शन सुधार: एक नवीन दृष्टिकोण

सिंथेटिक डेटा पर प्रशिक्षण

DALL-E 3 का मूल्यांकन

DALL-E 3 संकेत और क्षमताएँ

DALL-E 3 की सीमाएँ और जोखिम

शायद तुम पसंद करोगे