میں نے ایک پروپٹ باکس کے لئے میرا اسٹیکپڈ ٹریڈ کیا - اور فن کبھی نہیں ہو گا

TL;DR: DALL·E جیسے Generative AI ماڈل ڈیجیٹل آرٹ کو تبدیل کر رہے ہیں - متن سے فوری تصویر پیدا کرنے کی اجازت دیتا ہے. صرف چند سال پہلے، ڈیجیٹل آرٹ کی تخلیق میں پیچیدہ آلات، مہنگی آلات، اور ہفتوں - اگر نہیں مہینوں - عمل کی حکمت کی ضرورت تھی. آج، ایک سادہ جملہ اور چند سیکنڈ کے ساتھ، مصنوعی ذہانت کو ایک تصویر کی تخلیق کرنے میں مدد مل سکتی ہے جو ایک فنکار کے لئے دنوں کی ضرورت تھی. لیکن ہم واقعی کیا حاصل کر چکے ہیں، اور ہم کیا چھوڑ سکتے ہیں؟ اور شاید سب سے زیادہ اہم طور پر - کیا یہ فنکار کو قدیم بنا دیتا ہے؟ From Brushstrokes to Pixels: The Traditional Digital Artist’s Journey Brushstrokes سے Pixels: روایتی ڈیجیٹل فنکار کے سفر ایک ڈیجیٹل فنکار بننے کے لئے بہت زیادہ کی ضرورت ہے - آنکھ سے زیادہ. ایک فنکار کے طور پر، ڈیجیٹل تخلیق کی طرف منتقل کرنا نہ تو سادہ ہے اور نہ ہی سستا ہے. یہ صحیح ہارڈ ویئر کا انتخاب کرتے ہوئے شروع ہوتا ہے، ایک فیصلہ جس میں بہت سے متغیر ہیں: آپریٹنگ سسٹم، آلہ کے آرام دہ، اسکرین کی سائز، قلم کی حساسیت، قیمت، اور زیادہ. اگلا پلیٹ فارم آتا ہے. اگر آپ ایک ٹیبلٹ یا کمپیوٹر پر ہیں تو، دستیاب ایپلی کیشنز کی تعداد بہت زیادہ محسوس ہوسکتی ہے. Photoshop سے Procreate، Clip Studio سے Corel Painter تک، اختیارات وسیع ہیں - اور ہر ایک ایک پائیدار سیکھنے کی کوریج کے ساتھ آتا ہے کیونکہ ہر ایک میں اختیارات اور صلاحیتوں کی قسم بہت بڑی ہے. سافٹ ویئر کا مہارت صرف لڑائی کا نصف ہے. آپ کو ڈیجیٹل دنیا میں روایتی مہارتوں کو ترجمہ کرنے کے لئے بھی سیکھنا پڑے گا. رنگ کے نظریہ، مرکب، اور پینٹنگ بنیادی طور پر رہتے ہیں، لیکن گرافائٹ یا ایوارڈورر کے ٹیٹیل تجربے کو ذہنی طور پر ایپل پنجرے یا پنجرے پر منتقل نہیں کیا جاتا ہے. یہاں تک کہ تجربہ کار فنکاروں کو سیکھنے اور دوبارہ تربیت کی ایک مدت کا سامنا ہے. اور نئے آنے والوں کے لئے، سفر اس سے بھی تیز ہے. ڈیجیٹل دنیا فنکشن کے بنیادی ضروریات کی ضرورت سے دور نہیں کرتا - یہ صرف ان کو سیکھنے کا طریقہ تبدیل کرتا ہے. شکل، روشنی، گہرائی اور سٹائل کو سمجھنے کے لئے ایک ہی اہم ہے، جو ان لوگوں کے لئے سیکھنے کے عمل کو طویل اور زیادہ مساوی بناتا ہے جو ابتدائی طور پر شروع کرتے ہیں. اگر آپ ایک تجربہ کار پینٹرز یا مکمل ابتدائی ہیں تو، ڈیجیٹل آرٹ میں منتقل کرنا کچھ بھی نہیں ہے. پیشہ وروں کے لئے، اس کا مطلب یہ ہے کہ نئے آلات اور کام کے چیلنجوں کے لئے پٹھوں کی یادداشت کے سالوں کو اپ ڈیٹ کرنا ہے. نئے آنے والوں کے لئے، یہ بنیادی آرٹ کی مہارتوں کو سب سے اوپر سے تعمیر کرنے کا مطلب ہے. دونوں صورتوں میں، راستہ طویل ہے - آزمائش اور غلطی، مسلسل گھنٹے کے عمل، اور صبر اور وفاداری کی ایک گہرائی. سفر مہینے لگ سکتا ہے - صرف ایک سیب، ایک گھوڑے، یا ایک سیٹ کے طور پر ایک غلطی سے سادہ چیز بنانے کے لئے. Then Came AI: A Paradigm Shift in Creative Process Then Came AI: A Paradigm Shift in Creative Process خوش قسمتی سے - یا شاید غیر متوقع طور پر - یہ منظر بدل گیا ہے. مصنوعی ذہانت کی ترقی کے ساتھ، ڈیجیٹل آرٹ میں وقت گزارنے کا آغاز اب ضروری نہیں ہے. ایک جملہ درج کریں، اور ایک ڈیجیٹل چیمپئن سیکنڈ میں ظاہر ہوتا ہے. ڈیل اور فن کی دنیا، تقریبا ہر دوسرے ڈومین کے طور پر، AI کی صلاحیتوں کی طرف سے چمک دیا گیا ہے. جی پی ٹی ماڈل سے سوالات کا جواب دینے اور کوڈ کی تصدیق کرنے سے، ڈال · ای پیدا کرنے کے لئے، تخلیقی عمل کو تبدیل کیا گیا ہے. لیکن یہ واقعی کیسے کام کرتا ہے؟ اور کیا یہ جادوگر لگتا ہے؟ Learning Like a Human: The Foundation of AI Art انسانی طور پر سیکھنے: AI فن کی بنیاد یہ سمجھنے کے لئے کہ کس طرح AI تصاویر پیدا کر سکتا ہے، ہم سب سے پہلے یہ سمجھنے کی ضرورت ہے کہ یہ کس طرح سیکھتا ہے. تصور کریں کہ ایک چھوٹا سا بچہ - ہم اسے ایلیور کہتے ہیں - جانوروں کی شناخت کرنے کے لئے سیکھتا ہے. اس کی ماں ایک سیاہ گھوڑے کو دکھاتا ہے اور کہتے ہیں، "یہ ایک گھوڑے ہے." نئے رنگ کے باوجود، اوائلر مشترکہ خصوصیات کو پہچانتا ہے: چار ٹانگیں، چہرے، چہرے کے کان، ایک چہرہ، اور ایک میو. لیکن غلطییں ہوتی ہیں. ایک دن، اوائلر نے ایک شیش زو کو دیکھا اور اسے ایک گائے کہا. یہ اس کی بہترین گمان ہے، اس کی معلومات کی بنیاد پر. اس کی ماں اسے درست کرتی ہے: "نہیں، یہ ایک سگ ہے." یہ یہ ہے کہ کس طرح مصنوعی نیورل نیٹ ورک سیکھتے ہیں. Neural Networks: Digital Brains Built on Data نیورل نیٹ ورک: ڈیجیٹل دماغ ڈیٹا پر تعمیر نیورل نیٹ ورک ایک قسم کی کمپیوٹر ماڈل ہے جس میں انسانی دماغ کے کام کے طریقوں کی طرف سے حوصلہ افزائی کی جاتی ہے. یہ نمونوں کو پہچاننے اور بڑی رقم کے اعداد و شمار کا تجزیہ کرتے ہوئے تجربے سے سیکھنے کے لئے تعمیر کیا گیا ہے. انسانی دماغ میں نیورونز۔ مصنف کی طرف سے DALL-E 3 کا استعمال کرتے ہوئے تخلیق کردہ تصویر۔ ان نیٹ ورکوں کو چھوٹے پروسیسنگ یونٹوں (یعنی "نڈوز" یا "سینیپسز" کہا جاتا ہے) کے کٹ سے تشکیل دیا جاتا ہے جو ایک دوسرے سے منسلک ہیں - دماغ میں نیورونز کیسے منسلک ہوتے ہیں. تربیت کے دوران، نیٹ ورک ان وزنوں کو وقت کے ساتھ اس پر منحصر کرتا ہے کہ یہ کتنا اچھا یا برا عمل کرتا ہے - جیسا کہ اوائلر آہستہ آہستہ اپنے غلطیوں کو درست کرکے ایک گائے اور ایک سگے کے درمیان فرق بتانے کے لئے سیکھتا ہے. تربیت کے عمل میں ایک ڈیٹا سیٹ کی ضرورت ہوتی ہے - ماڈل کو سکھانے کے لئے استعمال کیا جاتا ہے کہ معلومات کا ایک منظم مجموعہ. ایک زبان کے ماڈل کے لئے، یہ عام طور پر لاکھوں جملوں کا مطلب ہے، ہر ایک الفاظ سے بنا دیا گیا ہے، جو اپنے آپ کو خطوط کے خطوط سے بنا دیا جاتا ہے. ڈیٹا سیٹ زیادہ بڑا اور مختلف ہو جاتا ہے، ماڈل زیادہ درست ہو جاتا ہے. Inside the Neural Network: How Data Flows and Decisions Form نیورل نیٹ ورک کے اندر: کس طرح ڈیٹا ٹرانسمیشن اور فیصلے کی شکل ہم ایک نیورل نیٹ ورک کی تصور کریں جیسا کہ یہ عام طور پر جدید ڈراموں میں نظر آتا ہے: ایک وسیع گراف ایک دوسرے کے ساتھ منسلک نیٹ ورک سے تشکیل دیا جاتا ہے. ان نیٹ ورکوں کو مختلف layers میں منظم کیا جاتا ہے - اوپر سے نیچے کی طرح ایک layered circuit کے layers کے طور پر توسیع. اس مجموعی ساخت کو نامی طور پر جانا جاتا ہے ٹیپولوجی کا تعین کرتا ہے کہ نیٹ ورک میں کتنے layers شامل ہیں، ہر layer میں کتنے nodes موجود ہیں، اور ان کے درمیان ڈیٹا چلاتا ہے. topology تربیت نیٹ ورک کی پہلی سطح میں داخل کردہ اعداد و شمار - جیسے تصاویر یا الفاظ - کو کھانے سے شروع ہوتا ہے. اس کے بعد یہ اعداد و شمار نیٹ ورک کے ذریعے آگے بڑھتے ہیں، layer by layer.In each stage, nodes apply mathematical operations to the data, such as matrix multiplications, activation functions such as ReLU (Rectified Linear Unit), or other transformations. اس عمل کے نتیجے میں، A یہ گرافک ہر عمل اور ڈیٹا کی فراہمی کو محتاط طور پر ریکارڈ کرتا ہے: کون سی نائٹ نے کیا تبدیلی کی. computation graph یہ کمپیوٹنگ گراف ضروری ہے - نہ صرف پیش گوئی کرنے کے لئے، بلکہ غلطیوں سے سیکھنے کے لئے بھی. جب ماڈل ایک غلط نتیجہ ( پیش گوئی) پیدا کرتا ہے، گراف نظام کو ہر قدم کے ذریعے واپس ٹریک کرنے اور تمام وزنوں کو منظم کرنے کی اجازت دیتا ہے. یہ بنیادی میکانیزم ہے جس کے ذریعہ نیورل نیٹ ورک وقت کے ساتھ بہتر ہو جاتا ہے. backpropagation - Backpropagation: Learning by Error Backpropagation: غلطی سے سیکھنے آؤ واپس آؤٹ آؤٹ آؤٹ جب وہ ایک سگ کو ایک گائے کے طور پر غلط ٹیگ کرتا ہے، تو اس کی ماں اسے درست کرتی ہے اور آلیور اس کی سمجھ کو دوبارہ درست کرسکتا ہے. ایک نیٹ ورک ایک پیش گوئی کرتا ہے کے بعد، نتیجہ ایک کا استعمال کرتے ہوئے حقیقی قدر کے ساتھ موازنہ کیا جاتا ہے نقصان فورم کا اندازہ کرتا ہے کہ پیش گوئی واقعی نتائج سے سچ سے کتنا دور تھی. loss function backpropagation کے عمل میں، گراف کے layers کو پیچھے کی طرف پھینک دیا جاتا ہے کہ نیٹ ورک میں ہر وزن کو کتنا حصہ دیا گیا ہے کا حساب کرنے کے لئے. کے حساب سے، ہر گائیڈینٹ ہر وزن کے بارے میں نقصان کی وضاحت کرتا ہے. یہ شمار شدہ گائیڈینٹ ہمیں گائیڈینٹ کو کم کرنے کے لئے ضروری تبدیلی کی سمت اور شدت بتانے کی طرف سے غلطی کو ٹھیک کرنے کا طریقہ دکھانے کی اجازت دیتا ہے. زنجیر کے قوانین gradients یہ ردعمل - آگے گزرنے، غلطی کا حساب، واپس گزرنے - دوبارہ اور دوبارہ تکرار کیا جاتا ہے. نتیجہ؟ ایک تربیت یافتہ ماڈل نمونوں کی شناخت اور زیادہ سے زیادہ درست پیشکش بنانے کے قابل ہے. Teaching Oliver to Draw: The Power of Generative Models Oliver کو ڈرائنگ کرنے کے لئے سکھانے: Generative ماڈل کی طاقت اب کہ ہم پیش گوئیوں کو پیش گوئی کے ماڈل کا استعمال کرتے ہوئے کیسے بنایا جاتا ہے، ہم پیدا کرنے والے ماڈل کے زیادہ پیچیدہ کاموں کو سمجھنے کے لئے شروع کر سکتے ہیں. جیسا کہ ان کے ناموں کا اشارہ کرتے ہیں، پیش گوئی کے ماڈل موجودہ اعداد و شمار کا تجزیہ کرنے اور ممکنہ نتائج کے بارے میں باخبر انداز کرنے کے لئے ڈیزائن کیے جاتے ہیں - نوجوان اولیور کی طرح، جو جانوروں کا مطالعہ کرنے کے بعد، اعتماد سے ایک نئے کی قسم کی پیش گوئی کرسکتے ہیں جو وہ ملتا ہے. لیکن تصور کریں کہ ایلیور کو ایک گائے کی شناخت نہیں کرنے کے لئے پوچھنا ہے، لیکن ایک کو نکالنے کے لئے. ہم فرض کرتے ہیں کہ اس کے سامنے کوئی گائے نہیں ہے، اور وہ دیکھنے والے گائے کی ہر تفصیل کو یاد نہیں کرسکتا ہے. تاہم، اس سے اب ایک مکمل طور پر نئی تصویر کو یادگار، تخیل، اور سیکھنے والے ماڈل پر مبنی ایک گھوڑے کی تخلیق کرنے کے لئے کہا جاتا ہے. نئی چیزوں کو تعمیر کرنے کا یہ عمل - جو پہلے سے ہی موجود ہے - سے منتخب کرنے کے بجائے - پیدا شدہ ماڈل کی اصل ہے. DALL·E جیسے پیدا شدہ ماڈل نمونے کی شناخت سے زیادہ ہیں. وہ اصل مواد پیدا کرنے کے لئے تربیت دیتے ہیں جو تربیت کے دوران ان سے ملنے والی چیزوں کی طرح نظر آتے ہیں. اس سوال کا جواب دیتے ہیں، یہ ماڈل صرف ڈیٹا نہیں سمجھتے ہیں - وہ اس کے ساتھ تخلیق کرتے ہیں، مکمل طور پر نئے تصاویر، متن، آڈیو، یا ویڈیو پیدا کرتے ہیں جو ان کے سیکھنے والے ساختوں اور سٹائلوں کے ساتھ مطابقت رکھتے ہیں. “What is this?” ’’اگر ایسا ہوتا تو کیا ہوتا؟‘‘ When Language Takes Shape جب زبان کی شکل بن جاتی ہے DALL·E کی طرح پیداوار ماڈل تصاویر اور متن جوڑوں کی بڑی ڈیٹا سیٹ پر تربیت دیتے ہیں، زبان کے ساتھ بصری عناصر کو منسلک کرنے کے لئے سیکھتے ہیں. تربیت کے دوران، ماڈل اس کے عنوان کے ساتھ ایک تصویر دیکھتا ہے اور آہستہ آہستہ سیکھتا ہے کہ کس شکلوں، ساختوں، رنگوں، اور خیالات کے مطابق الفاظ ہیں. اس کے اندرونی معنی کا نقشہ بناتا ہے، یہ سمجھنے کے لئے کہ "جنگا ایبل" ایک گردن، ایک مخصوص رنگ، ایک بام، وغیرہ کا مطلب ہے. پھر، جب ایک نیا ٹیکسٹ نوٹ دیا جاتا ہے، ماڈل الفاظ کو ایک ساختہ نمائندگی میں تبدیل کرتا ہے اور ایک تصویر پیدا کرنے کے لئے ایک ہدایت کے طور پر استعمال کرتا ہے - تصادفی شور سے شروع اور اس کو مرحلے سے قدم بڑھانے تک ایک متوازن بصری ظاہر ہوتا ہے جو متن کے ساتھ ملتا ہے. یہ عمل ماڈل کو مکمل طور پر نئے تصاویر پیدا کرنے کی اجازت دیتا ہے جو اس نے پہلے کبھی نہیں دیکھا ہے، جبکہ اب بھی تربیت کے دوران سیکھنے والے نمونوں کے مطابق رہتا ہے. A Thousand Apples a Second: What AI Sees That Artists Can’t ایک ہزار ایپل ایک سیکنڈ میں: کیا AI دیکھتا ہے کہ فنکار نہیں کر سکتے یہ فن کے لئے کیسے لاگو ہوتا ہے؟ مثال کے طور پر، آپ DALL·E کا استعمال کرتے ہوئے ایک سیب کی ڈیجیٹل تصویر بنانے کے لئے چاہتے ہیں. آپ صرف آپ کی درخواست درج کریں - اور سیکنڈ کے اندر، آپ کو ایک تصویر مل جائے گی. درخواست کے لئے "ایپل کی ایک ڈیجیٹل تصویر پیدا کریں" DALL-E 3 نے مندرجہ ذیل تصویر کے ساتھ جواب دیا: یہ سیب ملین تصاویر کی مصنوعات ہے جو ماڈل نے تربیت کے دوران دیکھا ہے. بدقسمتی سے، ایک انسانی آرٹسٹ انفارمیشن کی تلاش سے شروع کرے گا - Pinterest جیسے ماہر پلیٹ فارمز کو براہ کرم مطالعہ کرتے ہوئے، خام شکلوں کو ڈیزائن کرتے ہوئے، تفصیلات کو بہتر بنانے، رنگوں کے ساتھ تجربات کرتے ہوئے، اور ساخت کا استعمال کرتے ہوئے. براؤزنگ، حوالوں کو جمع کرنے، اور اشیاء کو قریب سے دیکھنے کا یہ عمل - جیسے ایبلز - کسی بھی فنکار کے کام کی رفتار کا ایک اہم حصہ ہے. یہ وہ اپنے ذہن میں ایک بصری لائبریری بناتے ہیں: شکل، ساخت، روشنی، رنگ کے اختیارات، اور سٹائلسٹک انتخاب کا جائزہ لیں. بہت سے طریقوں میں، یہ ایک AI ماڈل کو کس طرح تربیت دی جاتی ہے. اس سے پہلے کہ وہ تصاویر پیدا کرسکتے ہیں، ماڈل کو ہزاروں - اکثر ملین - مثالوں کو بھی دکھایا جانا چاہئے. ، ایک ہی مقصد کی خدمت کرتا ہے: ماڈل کو سکھانے کے لئے کہ ایک سیب مختلف نقطہ نظر سے، مختلف سٹائلوں میں اور مختلف روشنی کے حالات میں کیا نظر آتا ہے. dataset لیکن کچھ اہم فرق ہیں جیسے: . scale and speed جبکہ انسانی فنکار صرف اپنے ذہن، تجربے، اور وقت کے دوران انضمام کو پروسیسنگ کرنے کی صلاحیت پر انحصار کرتا ہے، AI ماڈلوں کو وسیع پیمانے پر کمپیوٹنگ وسائل کا استعمال کرتے ہوئے تربیت دی جاتی ہے. DALL·E جیسے بڑے پیمانے پر ماڈلوں کو طاقتور ڈیٹا سینٹرز میں تربیت دی جاتی ہے جس میں ہزاروں انضمام شدہ GPUs، TPUs یا میری کمپنی کے معاملے میں - تربیت کے لئے مہارت (جیسا کہ) ان مشینوں کو مختلف طریقے سے کام کرتا ہے، غیر معمولی رفتار سے تصاویر کی بڑے پیمانے پر پروسیسنگ اور تجزیہ کرتا ہے، مشینوں کے درمیان نیٹ ورک کنکشنز، اعلی ٹرانسپورٹ سٹوریج سسٹمز، اور مہارت AI ہارڈ ویئر ان ماڈلوں کو دنوں یا ہفتوں میں بڑے پیمانے پر ڈیٹا سیٹ پر تربیت حاصل کرنے کی اجازت دیتا ہے - جو انسانوں کو جذب کرنے کے لئے سال لگ سکتے ہیں، اگر کبھی. گائیڈ3 بدقسمتی سے، فنکار کے دماغ صرف دستیاب "ارڈ ویئر" ہے. کوئی ہائی سپیڈ کسٹمرز یا تصاویر کے ڈیٹا کے پٹیابائٹ - صرف انٹرویو، یادگار، اور عمل. یہ انسانی حدود ہے کہ AI سے دور ہے، اس کی اجازت دیتا ہے کہ اسے ایک زندگی میں ایک شخص سے زیادہ مثالیں، زیادہ تبدیلیوں، اور زیادہ سٹائل دیکھیں. Matching Human Style: Mimicking Mediums انسانی طرز کا موازنہ: مامیکنگ میڈیمز ڈیجیٹل فنکار آج ایک بصری سٹائل پر محدود نہیں ہیں. Procreate جیسے آلات کے ساتھ، وہ تیل، ایوارڈور، پنجرے، اور انکشن کی نمائش کرسکتے ہیں - کاغذ کی ساختوں اور پنجرے کی ڈینمیکس کے ساتھ مکمل. کیا آپ کو کاغذ پر پانی کے رنگ کی چمکدار نرمگی کا نمونہ کرنا چاہتے ہیں؟ اس کے لئے ایک بستر ہے. کپاس پر تیل کی گہری غنییت سے ترجیح دیتے ہیں؟ یہ بھی. AI بھی ان سٹائل کی پیروی کرسکتا ہے - اگر درست طریقے سے کہا جاتا ہے. ان میں سے ہر ایک نمبروں نے ماڈل کو نہ صرف موضوع کی طرف متوجہ کرنے کی ہدایات دی ہیں بلکہ میڈیا، رنگ کے ٹن، اور فنکار کی ساخت بھی. The Artistic Process فنکشن کا عمل AI کے بغیر اسی اثرات پیدا کرنے کے لئے، ایک فنکار مندرجہ ذیل مواد جمع کرنا چاہئے، اسکرینوں کو layer by layer بنانا، پٹھوں کی ترتیبات کے ساتھ تجربہ کرنا، بنیادی رنگوں کو لاگو کرنا، ہائی فائلوں اور سایوں کو شامل کرنا، اور دستاویزات کو منظم کرنا. یہ ایک لمبی لیکن دلچسپ تجربہ ہے. AI کے ساتھ، عمل زیادہ فوری بن جاتا ہے - لیکن یہ بھی زیادہ منفرد ہو جاتا ہے. ہم ایک وقت میں ایک مرحلے میں ایک تخلیقی سفر میں قدموں کی پیروی کریں. The Ghost in the Gallery: Why AI Still Can’t Replace You گیلری میں روح: کیوں AI اب بھی آپ کو تبدیل نہیں کرسکتا یہ ایک اہم سوال اٹھاتا ہے: کیوں کوئی بھی روایتی ڈیجیٹل میڈیا کو اب تک منتخب کرے گا؟ کیا اب بھی حقیقی آرٹسٹک اظہار اور تخلیق کے لئے جگہ ہے، یا اس کی تلاش پرانے ہو گیا ہے؟ اور اگر انسانی فنکاروں کو اب بھی ایک جگہ ہے تو، وہ AI سے بڑھ سکتے ہیں - اور کس kontext میں یہ ممکن ہوسکتا ہے؟ دیکھیں کہ جب ہم زیادہ درست اور ضروری ہدایات کے ساتھ ایک نوٹ پیدا کرنے کی کوشش کرتے ہیں تو کیا ہوتا ہے: پروموشن کے جواب میں "ایک apple with two leaves in watercolour style" کے طور پر، ماڈل مندرجہ ذیل نتائج پیدا کرتا ہے: یہ وہ جگہ ہے جہاں پردہ اٹھا جاتا ہے - اور رکاوٹوں کو ظاہر کیا جاتا ہے: جب ایک زیادہ پیچیدہ اور مخصوص پروموٹ کے ساتھ پیش کیا جاتا ہے - "ایک سیل بنائیں جس میں ایک ہی سمت کے ساتھ دو اشیاء ہیں جو ایک ہی سمت میں پانی کی طرح" - نتیجہ ایک دلچسپ اور غیر متوقع رجحان لیتا ہے. کیا یہ آپ کے لئے بھی اسی طرح لگتا ہے؟ میں اس سے متفق ہوں. لیکن کیا یہ ضروریات کو پورا کرتا ہے - واضح اور براہ راست ایک، اس پر؟ بالکل نہیں. کیا یہ صرف سمجھ نہیں سکتا تھا؟ غلطی میری تھی - کیا میرا فوری طور پر بہت غیر معمولی تھا؟ کسی بھی بے ترتیب کو دور کرنے کے لئے، میں نے درخواست کو مزید بہتر بنایا: "ایک سیل پیدا کریں جس میں دو چمڑے ہیں جہاں دونوں چمڑے پانی کے رنگ کی طرح بائیں طرف چمڑے ہیں" جیسا کہ اوپر دیکھا گیا ہے، نتیجہ منصوبہ بندی کے نتائج سے بھی زیادہ مختلف تھا. AI ماڈل کے ساتھ غلط مواصلات کا یہ واقعہ انفرادی نہیں ہے، حقیقت میں، یہ محسوس ہوتا ہے کہ جس سے زیادہ درست طریقے سے اس کی رہنمائی کرنے کی کوشش کی جاتی ہے، اس سے زیادہ مطلوبہ نتیجہ غیر معمولی ہو جاتا ہے - اکثر مایوس اور وقت ضائع ہونے کی وجہ سے. حیرت انگیز بات یہ ہے کہ ایک درخواست جو ایک بچہ اس طرح سادہ ہوسکتی ہے وہ ماڈل کے لئے بے سمجھ ثابت ہوئی ہے. تصور کریں کہ ایک کسٹمر ایک انسانی فنکار کو ایک سادہ ہدایات پیش کرتا ہے - صرف خالی غلط فہمی کے ساتھ ملاقات کرنے کے لئے، جیسے کہ جملہ ایک اجنبی زبان میں کہا گیا تھا. اس صورت میں، کسٹمر یقینی طور پر ان کے کاروبار کو دوسری جگہ لے جائے گا. اور ہمارے اسکرین میں، یہ ماڈل ہے جو کمیشن کھوتا ہے. Final Thoughts: The Art We Make Together Final Thoughts: The Art We Make Together: ہم ایک دوسرے کے ساتھ کام کرتے ہیں آخر میں، یہ بستر اور کوڈ کے درمیان ایک جنگ نہیں ہے، لیکن ایک بات چیت ہے. مشین تیزی، درستگی، اور ناممکن متغیر کی پیشکش کرتا ہے؛ فنکار جذبات، intuition، اور روح لاتا ہے. ہم خوش قسمت ہیں کہ ہم ایک وقت میں رہتے ہیں جہاں تخیل اب صرف ہمارے ہاتھوں کی حدوں سے محدود نہیں ہے. تخلیق کا مستقبل تنازعہ میں نہیں ہے، بلکہ حوصلہ افزائی میں ہے - جہاں انسانی روح اور مصنوعی ذہانت ایک دوسرے کے ساتھ بناتے ہیں، ہر ایک اپنی طرح کی جادو کی قرض. About me میرے بارے میں میں ماریا پیٹربرگ ہوں - ایک AI ماہر ہابانا لیبس (انٹیل) میں Runtime سافٹ ویئر کی ٹیم کی قیادت کرتا ہوں اور ایک نصف پیشہ ور فنکار جو روایتی اور ڈیجیٹل میڈیمز پر کام کرتا ہے. میں مواصلات لائبریریز (HCCL) اور چلانے کے وقت کو بہتر بنانے سمیت بڑے پیمانے پر AI تربیت کے نظام میں مہارت کرتا ہوں.