कॉन्सेप्ट एंटैंगलमेंट क्यों आपको एआई वीडियो ‘आपके तरीके से’ नहीं मिल सकता है

एआई वीडियो टूल्स पूर्ण नियंत्रण का वादा करते हैं, लेकिन छिपे हुए ‘कॉन्सेप्ट एंटैंगलमेंट’ पहचान, अभिव्यक्तियों और व्यवहार को एक साथ जोड़ता है, जिससे हैक्स और टेम्पलेट ट्रिक्स की आवश्यकता होती है जो एआई की सहज जादू के मिथक को तोड़ते हैं।

राय जब से मैंने इस विषय पर आखिरी बार गहराई से चर्चा की पांच साल पहले, प्रशिक्षित एआई सिस्टम में कॉन्सेप्ट एंटैंगलमेंट की समस्या अधिक व्यापक उपयोगकर्ता आधार तक फैल गई है, बिना इसकी अपनी शर्तों पर समझ में आने के।

उस समय, ऑटोएन्कोडर डीपफेक सिस्टम (यानी, अब निष्क्रिय डीपफेसलैब और कम पोर्न-सेंट्रिक फेसस्वैप, दोनों 2017 के रेडिट कोड रिलीज से व्युत्पन्न) लोगों के लिए अपेक्षाकृत फोटोरियलिस्टिक डीपफेक बनाने के लिए एकमात्र खेल में थे।

इन सिस्टम ने व्यापक चेहरे के प्रशिक्षण डेटासेट पर निर्भर किया जो एआई मॉडल को ए) के बारे में जानकारी प्रदान करने के लिए था।) व्यक्ति कैसा दिखता है आराम में (एक मानक संदर्भ एम्बेडिंग) और बी) वे विभिन्न स्थितियों में कैसे दिखते हैं जिनमें एक चेहरा परिलक्षित हो सकता है, नींद से लेकर हंसी, आतंक, उदासीनता, निराशा, दुख, आदि।

पहचान अकेले नहीं आती है, बल्कि चेहरे की अभिव्यक्तियों के साथ एक साथ आती है। इसके अलावा, कुछ भावनाएं केवल विशिष्ट, चरम कोणों से उपलब्ध चेहरे के डेटा से ही उपलब्ध हो सकती हैं, जो कोण को भावना के साथ जोड़ने की प्रवृत्ति होगी और इसके विपरीत।

मुश्किल यह थी कि सामान्य पहचान आमतौर पर तटस्थ नहीं थी, इसलिए प्रशिक्षण डेटासेट में चेहरे के कैप्चर से अनुमान लगाना था, जो स्वयं ‘तटस्थ’ नहीं थे। यह इसलिए था क्योंकि वेब-स्क्रैप्ड प्रशिक्षण डेटा में पैपाराज़ी शॉट्स की उच्च मात्रा के कारण, साथ ही किसी भी अन्य कारण से जो डेटा को एक प्रकार की छवि की ओर पूर्वाग्रहित कर सकता था।

दूसरे शब्दों में, ऑटोएन्कोडर सिस्टम को हजारों छवियों से ‘तटस्थ’ पहचान की अवधारणा निकालने का प्रयास करना था जहां चेहरे की विशेषताएं सामान्य चेहरे की अभिव्यक्तियों से विकृत थीं।

यह भी चेहरे के कोणों से जो चेहरे लिए गए थे उनसे अलग-अलग भावनाओं के सेमेंटिक चेहरे की अवधारणाओं को अलग करने का प्रयास करना था। इसका मतलब था कि अगर केवल ‘अत्यधिक भयभीत’ चेहरे की अभिव्यक्तियां प्रोफाइल दृश्य से ली गई थीं, तो प्रशिक्षित प्रणाली केवल उस दृश्य से उस भावना को अनुकूलित रूप से पुन: उत्पन्न कर पाएगी।

आगे बढ़ना

जैसे ही डिफ्यूजन-आधारित दृष्टिकोण 2022 से जन एआई छवि (और बाद में वीडियो) दृश्य पर कब्जा कर लिया, उत्पन्न सिस्टम चेहरे की अभिव्यक्तियों को सीमित चेहरे के डेटा के साथ अनुमानित करने में बहुत बेहतर हो गए।

यहां तक कि चुनौती को पूरा करने में भी उत्कृष्टता हासिल की गई है जो प्रोफाइल दृश्यों को बनाने में है, जबकि अभिव्यक्ति डेटा को पहचान से प्रभावी ढंग से अलग कर लिया गया है – जितना कि डीपफेसलाइव स्ट्रीमिंग सिस्टम द्वारा पioneered लाइव डीपफेक पपेटिंग के मामले में है, जिसमें वास्तविक समय के कार्यान्वयन एक संभावित भविष्य के विकास के साथ कई प्रभावी ऑफलाइन डिफ्यूजन अनुप्रयोग हैं।

प्ले करने के लिए क्लिक करें। ‘फ्लैशपोर्ट्रेट’ परियोजना से, स्रोत वीडियो के माध्यम से अवतार को चलाने के विविध उदाहरण। इस मामले में, यह महत्वपूर्ण नहीं है कि ‘वास्तविक’ डोमेन किस तरफ बैठता है, यदि कोई है। स्रोत 

लेकिन जैसे ही जन एआई का क्षेत्र व्यापक हुआ और आउटपुट अधिक परिष्कृत हो गया, एंटैंगलमेंट की समस्या बस अन्य क्षेत्रों में फैल गई – और वर्तमान में कुछ बहुत ही सस्ते और पुराने तरीकों से ‘सुधार’ की जा रही है। यदि आप नहीं जानते कि वे तरीके क्या हैं, तो आपको यह महसूस हो सकता है कि वीडियो और छवि एआई कितनी जल्दी विकसित हो रही है और अपने पुराने कीड़ों को दूर कर रही है।

चैटी बिल्ली

उम्मीद है कि यह स्पष्ट है कि पहचान और भावना पुराने 2017-युग के ऑटोएन्कोडर सिस्टम के लिए अलग करना क्यों मुश्किल था। यह इसलिए था क्योंकि ए) एक प्रकार के डेटा की बहुत अधिक मात्रा थी, या एक प्रकार के महत्वपूर्ण डेटा का एक विशिष्ट संस्करण, जो दोनों ही एक वितरणात्मक पूर्वाग्रह का कारण बनेगा; और/या बी) मॉडल आर्किटेक्चर इस गुणों को अलग करने के लिए पर्याप्त नहीं था, और अनुमान के समय उन्हें ‘एक साथ चिपकाने’ की प्रवृत्ति थी, जब तक कि उपयोगकर्ता अपने डेटासेट में संतुलन सुनिश्चित करने के लिए असाधारण देखभाल नहीं लेता था।

उदाहरण के लिए, वान2.+ सिस्टम में, कई उपयोगकर्ताओं ने पाया है कि यह उनके द्वारा उत्पन्न पात्रों को बात करना बंद करना बहुत मुश्किल है, और अक्सर यह भी मुश्किल है कि वे कैमरे की ओर देखना बंद करें।

कैमरे की ओर देखने (या चौथी दीवार तोड़ने) का मुद्दा वीडियो सिंथेसिस सिस्टम के आगमन से पहले ही विभिन्न छवि-केवल डिफ्यूजन सिस्टम में उभरा था, जो वेब-स्क्रैप्ड डेटासेट जैसे लायोन में कैमरे की ओर देखने वाली तस्वीरों की प्रचुरता के कारण था।

पात्रों के ‘बातूनी’ होने का मुद्दा यूट्यूब पर ‘इन्फ्लूएंसर’ वीडियो की आसानी से उपलब्धता से उत्पन्न होता है, जो स्वाभाविक रूप से सीधे लेंस के लिए घंटों की बातचीत प्रदान करते हैं, अक्सर क्यूरेटेड डेटासेट में जो शोध वैज्ञानिकों को वेब-स्क्रैप द्वारा प्रदान किए जा सकते हैं एक अकादमिक संदर्भ प्रदान करके।

लेकिन जब तक मूल या बाद के क्यूरेटर वीडियो की इस प्रकार की संख्या को सीमित करने और उन्हें विभिन्न प्रकार के फुटेज के खिलाफ संतुलित नहीं करते हैं, एक गंभीर पूर्वाग्रह वीडियो मॉडल में विकसित हो जाता है, जिसे प्रॉम्प्ट-आधारित उपचारों और विभिन्न तृतीय-पक्ष अनुपूरक प्रणालियों के माध्यम से संबोधित किया जाना चाहिए।

वान के ‘बातूनी’ मुद्दे का सामना करते हुए, रेडिट उपयोगकर्ता यू / सेवरल-एस्टिमेट-681 ने एक कामaround का पता लगाया जो वान 2.1 इन्फिनिट टॉक वी2वी सिस्टम में एक सेटिंग का लाभ उठाता है – एक फ्रेमवर्क जो प्रभावित करने वाले शैली को प्रोत्साहित करने के लिए डिज़ाइन किया गया है – जो उपयोगकर्ता को प्रस्तुत पात्र को शांत करने की अनुमति देता है:

प्ले करने के लिए क्लिक करें: बस सुनो – वान2.+ में पात्र की सक्रियता प्राप्त करने के लिए एक कामaround। स्रोत 

स्पष्ट रूप से, इस तरह के शॉर्टकट निम्न-स्तरीय वास्तुकला समाधानों का प्रतिनिधित्व नहीं करते हैं, और, वास्तविक समाधानों को खोजने और लागू करने के लिए फाउंडेशन मॉडल के निर्माताओं द्वारा (क्योंकि आकस्मिक शौकीनों के पास आमतौर पर ऐसा काम करने के लिए लाखों डॉलर नहीं होते हैं), इसका मतलब है कि एंटैंगलमेंट ‘व्हैक-ए-मोल’ खेल को अगले संस्करण जारी होने पर शून्य पर रीसेट किया जा सकता है।

सस्ता और नाजुक

डिफ्यूजन वास्तुकला में ही कुछ भी नहीं है जो इन समस्याओं को अपरिहार्य बनाता है; वास्तव में, यदि किसी तरह से वास्तवically प्रभावी क्यूरेशन, ट्राइएज और उच्च-गुणवत्ता वाली कैप्शनिंग और एनोटेशन को लाखों में डेटा बिंदुओं वाले हाइपरस्केल डेटासेट पर लागू किया जा सकता है, तो लगभग सभी इन समस्याओं का समाधान हो जाएगा।

हालांकि, उस स्तर की विस्तार की आवश्यकता मैनहट्टन परियोजना के बराबर होगी जो लॉजिस्टिक्स, दायरे, आवश्यक संसाधनों और शुद्ध दीर्घकालिक प्रयास के मामले में है। एक जलवायु में जहां एक नई वास्तुकला या यहां तक कि एक नई वास्तुकला संस्करण भी इस तरह के प्रयास की पूरी सीमा को उलट सकता है, ऐसा प्रतिबद्धता करने का कोई वर्तमान इरादा नहीं है।

परिणामस्वरूप, जैसा कि उपयोगी मॉडल प्राप्त करने के साथ संगत है, सबसे सस्ते दृष्टिकोण अभी भी पसंद किए जाते हैं। ऐसे दृष्टिकोणों में से एक डेटा ऑगमेंटेशन है, जो जब भी गलत तरह से और गलत प्रकार के डेटासेट वीडियोक्लिप पर लागू किया जाता है, तो हास्यमय परिणाम हो सकते हैं:

क्योंकि डेटा ऑगमेंटेशन अक्सर डेटासेट में स्रोत वीडियो की दिशा को उलट देता है, एआई मॉडल कभी-कभी ‘असंभव’ चालें सीख सकता है। – स्रोत

हालांकि, समग्र रूप से, चट्टानें ऊपर की ओर घूमती हैं और लोग ‘इन्फ्लूएंसर मोड’ पर स्विच करते हुए पात्र टूट जाते हैं, जो जनरेटिव सिस्टम में सहायक क्षति के रूप में माना जाता है जो गोफर के बावजूद प्रभावशाली परिणाम और पर्याप्त आश्चर्यजनक हेडलाइन पैदा कर सकते हैं।

बायलरप्लेट समाधान

वर्तमान अवधि में, सैकड़ों जनरेटिव वीडियो डोमेन हैं, जिनमें से लगभग सभी किसी न किसी तरह से नई स्लेटी कानूनों और जन एआई के खिलाफ प्रतिक्रिया का उल्लंघन करते हैं, जो अपने समय का आनंद ले रहे हैं खाद्य ट्रफ़ से पहले कानून प्रवर्तन, ब्लॉकलिस्ट या डिप्लेटफ़ॉर्मिंग जैसे अन्य प्रकार के हटाने से।

इस प्रकार के बड़े और बेहतर ज्ञात साइटों में से अधिकांश, जैसे क्लिंग और ग्रोक, या तो कुछ प्रकार के स्व-नियंत्रण का पालन करते हैं (अंततः), या आलोचना के प्रति प्रतिक्रिया करते हैं कि वे अपने मंचों के माध्यम से उपयोगकर्ताओं के लिए सुविधा प्रदान करने वाली सामग्री के प्रकार को बदल देते हैं।

लेकिन इन बड़े नामों के पीछे सैकड़ों अन्य फ्लाई-बाई-नाइट ऑपरेशन हैं, जो लगातार नए और अक्सर अधिक चरम प्रकार की सामग्री की मांग को पूरा करते हैं।

इस तरह के कम-प्रयास वाले प्रावधान फाउंडेशन मॉडल को शून्य से प्रशिक्षित करने के अत्यधिक लागत और प्रयास को रोकते हैं। बहुत बार, यहां तक कि फाइन-ट्यूनिंग भी जो कि बहुत कम खर्चीला है, बाहर रखा जाता है।

इसलिए, वे ‘टेम्पलेट’ प्रदान करते हैं, जो व्यवहार में 100% ग्राहक-ट्रेन्ड लोरस की तरह व्यवहार करते हैं, जिन्हें एआई शौकीनों द्वारा चार साल से अधिक समय से किसी भी वांछित पहचान, शैली, वस्तु और (वीडियो लोरस के मामले में) गति या क्रिया को एक समर्पित लोरा सहायक में प्रशिक्षित किया जा सकता है।

लोरा के साथ उपयोगकर्ता और फाउंडेशन मॉडल के बीच, परिणाम लोरा पर प्रशिक्षित के रूप में विशिष्ट होंगे, और आमतौर पर लोरा के वजन-मोड़ प्रभाव के कारण मॉडल का व्यापक प्रदर्शन कमजोर हो जाएगा, जो अपने विषय को बहुत अच्छी तरह से पुन: उत्पन्न करेगा, लेकिन किसी भी अनुरोध में उस सामग्री को भी डाल देगा (यदि फ्लाई-बाई-नाइट जेनएआई वीडियो साइटें इस स्तर के नियंत्रण की अनुमति देती हैं; वे नहीं करते हैं; वे केवल एक [एक्शन अपनी पसंद का] टेम्पलेट प्रदान करते हैं, और आपके इनपुट पाठ / छवियों / वीडियो की व्याख्या करते हैं जो टेम्पलेट के सफल अनुप्रयोग का परिणाम होगा)।

स्पष्ट कारणों से, मैं इस लेख में वेबसाइट नमूने एम्बेड नहीं कर सकता; लेकिन शोध साहित्य ने हाल ही में कुछ समान उदाहरण प्रदान किए हैं। यहाँ, उदाहरण के लिए, इफेक्टमेकर प्रोजेक्ट सिद्धांत को कार्रवाई में दिखाता है, जहां एक विशिष्ट क्रिया को उपयोगकर्ता-प्रदान की गई छवि पर लागू किया जाता है:

प्ले करने के लिए क्लिक करें। इफेक्टमेकर में, विशिष्ट प्रभाव कस्टम इनपुट पर लागू किए जा सकते हैं। स्रोत 

यहां तक कि इन अत्यधिक क्यूरेटेड और लक्षित परिस्थितियों में, उपयोगकर्ता अक्सर शिकायत करते हैं कि एक अच्छा परिणाम प्राप्त करने के लिए कई, टोकन-बर्निंग प्रयासों की आवश्यकता होती है, और हमें शायद प्रदाता लालच या तेज़ प्रथाओं को नहीं देना चाहिए जो अधिक संभावना से कांगेनिटली ‘हिट-एंड-मिस’ डीआईटी जेनएआई फ्रेमवर्क की गलती है।

व्यापक जनता, यह तर्क दिया जा सकता है, जेनएआई की क्षमताओं का अंदाजा उन उदाहरणों से लगाता है जो प्रतिनिधित्व नहीं करते हैं जो एक आकस्मिक, नौसिखिया उपयोगकर्ता को मिलने की संभावना है। यदि एक उपयोगकर्ता एक टेम्पलेट (यानी, एआई वेबसाइट द्वारा प्रदान की गई एक लोरा) पर छह प्रयास करता है, तो वे आमतौर पर सबसे अच्छे को प्रकाशित और प्रशंसा करेंगे, जो यह धारणा देते हैं कि इस तरह के परिणाम प्राप्त करने के लिए बेस मॉडल का प्रश्न करना संभव होगा – और यह धारणा देते हैं कि उत्पन्न फाउंडेशन मॉडल वास्तव में जितने विच्छिन्न हैं।

निष्कर्ष

साहित्य एंटैंगलमेंट की समस्या की जांच करता रहता है, जो पहली बार 2020 के आसपास गंभीर रूप से दिखाई दी थी, मैक्स प्लैंक / गूगल सहयोग ए सोबर लुक एट द अनसुपरवाइज्ड लर्निंग ऑफ डिसेंटैंग्ल्ड रिप्रेजेंटेशन एंड देयर इवैल्यूएशन में।

इसके अलावा, विभिन्न डिसेंटैंग्लमेंट वाया कंट्रास्ट (डिस्को) के उत्तराधिकारी आवर्ती रूप से उभरते हैं, और दृश्य एंटैंगलमेंट की समस्या के प्रति जागरूकता से भरा रहता है जो सार्वजनिक जागरूकता से अधिक है कि एआई क्या नहीं कर सकता है।

एक चीनी अध्ययन से 2024 सुझाव देता है कि एंटैंगलमेंट का समाधान होना जरूरी नहीं है ताकि यह समस्याएं पैदा कर सके। ऐतिहासिक रूप से, यह सच है, क्योंकि कंप्यूटर दृष्टि में कई अटूट मुद्दों का समाधान नहीं किया गया था, लेकिन नए तकनीकों और दृष्टिकोणों के माध्यम से पार किया गया था।

एक विविध प्रतियोगी के उदय तक, ऐसा लगता है कि हमें जेनएआई की कमियों और सीमाओं के लिए हॉट-फिक्स और प्लास्टर लगाने की आवश्यकता होगी, और फाउंडेशन मॉडल की लचीलापन और दृढ़ता के सार्वजनिक अतिरंजित अनुमान को सहन करना होगा।

सोमवार, 23 मार्च, 2026 को पहली बार प्रकाशित