Negatiivinen kehotus

Mikä on negatiivinen kehotus tekoälyssä?

Negatiivinen kehotus tekoälyssä on ohje, joka kertoo tekoälymallille, mitä ei tule sisällyttää tuotettuun sisältöön. Siinä missä perinteiset kehotteet ohjaavat tekoälyä tuottamaan haluttua sisältöä, negatiiviset kehotteet määrittelevät elementit, tyylit tai ominaisuudet, joita tulisi välttää. Tämä tekniikka on erityisen hyödyllinen generatiivisissa malleissa, kuten tekstistä kuvaksi -järjestelmissä, joissa lopputuloksen sisällön hallinta on tärkeää toivottujen tulosten saavuttamiseksi.

Tekoälyn tuottamien kuvien yhteydessä negatiivinen kehotus voi jättää pois tiettyjä esineitä, tyylejä tai ei-toivottuja ominaisuuksia. Negatiivista kehotetta käyttämällä käyttäjä voi tarkentaa lopputulosta ja varmistaa, että tuotettu sisältö vastaa paremmin omia odotuksia.

Miten negatiivista kehotetta käytetään?

Negatiivisia kehotteita käytetään generoinnin aikana ohjaamaan tekoälymallia pois ei-toivotusta sisällöstä. Kun kehotetta annetaan tekoälylle, käyttäjä voi lisätä negatiivisia kehotteita poissuljettavien asioiden määrittämiseksi. Tämä tehdään yleensä lisäämällä erillinen kenttä negatiivisille kehotteille tai käyttämällä erityistä syntaksia erottaakseen positiiviset ja negatiiviset ohjeet.

Vaiheet negatiivisen kehotteen käyttöön

1. Luo positiivinen kehotteesi: Aloita kirjoittamalla kehotus, joka kuvaa mitä haluat tekoälyn tuottavan.
   Esimerkki: “Muotokuva naisesta metsäaukealla auringonnousun aikaan.”

2. Tunnista ei-toivotut elementit: Päätä, mitkä asiat haluat jättää pois kuvasta. Tämä voi olla tyylejä, esineitä tai piirteitä, jotka heikentävät haluttua lopputulosta.

3. Muotoile negatiivinen kehotus: Kirjoita negatiivinen kehotus listaamalla vältettävät asiat.
   Esimerkki: “epätarkka, huonolaatuinen, ylimääräiset raajat, teksti, vesileima, epämuodostunut.”

4. Syötä molemmat kehotteet tekoälyjärjestelmään: Tekoälytyökaluissa, jotka tukevat negatiivisia kehotteita, on kentät sekä positiiviselle että negatiiviselle kehotteelle. Syötä kehotteet asianmukaisesti.

5. Generoi sisältö: Käynnistä tekoälymalli tuottamaan lopputulos. Tekoäly huomioi molemmat kehotteet pyrkien sisällyttämään toivotut elementit ja välttämään määritetyt negatiiviset asiat.

Esimerkkejä negatiivisten kehotteiden käytöstä

Kuvanlaadun parantaminen Stable Diffusionissa

Ilman negatiivista kehotetta:
Käyttäjä antaa kehotteen: “Korkearesoluutioinen muotokuva fantasia-sankarista.”
Tekoäly tuottaa kuvan, mutta tuloksessa on ei-toivottuja artefakteja, kuten ylimääräisiä sormia tai vääristyneitä kasvonpiirteitä.

Negatiivisella kehotteella:
Käyttäjä lisää negatiivisen kehotteen: “epämuodostunut, ylimääräiset raajat, epätarkka, huonolaatuinen.”
Nyt tekoäly tuottaa siistimmän kuvan, jossa anatomia on oikea ja visuaalinen laatu korkeampi.

Ei-toivottujen objektien poistaminen

Tilanne:
Haluat luoda kuvan kaupunkisiluetista, mutta haluat välttää saasteiden tai savun näkymisen.

• Positiivinen kehotus: “Kirkas näkymä kaupunkisiluetista auringonlaskussa.”
• Negatiivinen kehotus: “savu, saasteet, sumu.”

Tuloksena on puhdas kaupunkinäkymä ilman ympäristösaasteita.

Taiteellisen tyylin hallinta

Tilanne:
Haluat valokuvamaisen kuvan ja haluat välttää sarjakuvamaisia elementtejä.

• Positiivinen kehotus: “Valokuvamainen kuva vuoristomaisemasta.”
• Negatiivinen kehotus: “sarjakuva, kuvitus, sarjakuvamainen tyyli.”

Tekoäly tuottaa kuvan, joka näyttää aidolta valokuvalta ilman tyyliteltyjä tai sarjakuvamaisia piirteitä.

Negatiivisten kehotteiden käyttötapauksia

Tekoälytaiteen tarkentaminen

Taiteilijat, jotka käyttävät tekoälytyökaluja kuten Stable Diffusion tai Midjourney, voivat hyödyntää negatiivisia kehotteita tarkentaakseen luomuksiaan. Ei-toivottujen elementtien määrittelyllä he voivat ohjata tekoälyä tuottamaan korkealaatuisia kuvia, jotka täyttävät ammattimaiset vaatimukset.

Esimerkki:
Taiteilija haluaa luoda yksityiskohtaisen konseptikuvan ilman tekstiä tai vesileimoja. Lisäämällä negatiiviseen kehotteeseen “teksti, vesileima, logo” hän varmistaa, että lopullinen kuva on puhdas ja käyttökelpoinen.

Spesifisen sisällön tuottaminen suunnittelussa ja mainonnassa

Suunnittelijat, jotka työskentelevät mainoskampanjoiden parissa, voivat tarvita kuvia, jotka noudattavat brändiohjeita. Negatiiviset kehotteet auttavat sulkemaan pois elementtejä, jotka ovat ristiriidassa brändin identiteetin kanssa.

Esimerkki:
Jos yrityksen brändissä vältetään tiettyjä värejä tai tyylejä, suunnittelija voi lisätä nämä negatiivisiin kehotteisiin. Näin tekoälyn tuottamat kuvat vastaavat brändin visuaalista ilmettä.

Sisällön moderointi ja sääntelyn noudattaminen

Julkiseen käyttöön tarkoitetun sisällön generoinnissa on tärkeää välttää sopimatonta tai kiellettyä materiaalia. Negatiiviset kehotteet auttavat suodattamaan tällaisen sisällön pois.

Esimerkki:
Varmistaakseen, että tuotetut kuvat sopivat kaikille yleisöille, käyttäjä voi lisätä negatiivisiin kehotteisiin “alastomuus, väkivalta, veri, loukkaavat symbolit”. Tämä auttaa pitämään sisällön sääntöjen ja yhteiskunnallisten normien mukaisena.

Tekstigenerointimallien parantaminen

Vaikka negatiiviset kehotteet liitetään usein kuvagenerointiin, niitä voidaan käyttää myös tekstigenerointimalleissa, kuten chatboteissa.

Esimerkki:
Chatbot, jonka on tarkoitus antaa ammatillista lääketieteellistä neuvontaa, tulisi välttää rentoa kieltä tai slangia.

• Positiivinen kehotus: “Anna yksityiskohtainen selitys influenssan oireista.”
• Negatiivinen kehotus: “slangi, epämuodollinen kieli, vitsit.”

Näin chatbotin vastaus pysyy asiallisena ja tilanteeseen sopivana.

Negatiivisten kehotteiden ymmärtäminen Stable Diffusionissa

Stable Diffusion on suosittu tekoälymalli, jota käytetään kuvien luomiseen tekstikehotteista. Negatiiviset kehotteet ovat erityisen tehokkaita parantamaan Stable Diffusionin tuotoksia.

Miten negatiiviset kehotteet toimivat Stable Diffusionissa

Negatiiviset kehotteet toimivat rajoitteina kuvan generointiprosessissa. Ne vaikuttavat tekoälymallin diffuusioprosessiin ohjaamalla sitä poispäin tietyistä käsitteistä monimuotoisessa avaruudessa.

Kuvan luomisen yhteydessä Stable Diffusion ottaa huomioon sekä positiivisen kehotteen (mitä sisällyttää) että negatiivisen kehotteen (mitä välttää). Tämä kaksisuuntainen ohjaus tarkentaa generointia ja johtaa tuloksiin, jotka vastaavat paremmin käyttäjän odotuksia.

Negatiivisten kehotteiden syntaksi

Jotkin Stable Diffusion -käyttöliittymät mahdollistavat negatiivisten kehotteiden syöttämisen suoraan erilliseen kenttään. Toisissa voidaan käyttää erityistä syntaksia samassa kehotekentässä.

Esimerkkisyntaksi:

• Positiivinen kehotus: “Muotokuva nuoresta naisesta Rembrandtin tyyliin.”
• Negatiivinen kehotus: “huonolaatuinen, epätarkka, epämuodostunut, ylimääräiset raajat”

Esimerkkejä Stable Diffusionissa

Muotokuvan parantaminen

Ilman negatiivista kehotetta:
Henkilökuvassa voi olla virheitä, kuten ylimääräisiä sormia tai vääristyneet kasvonpiirteet.

Negatiivisella kehotteella:
Lisäämällä negatiiviseen kehotteeseen “huono anatomia, epämuodostunut, ylimääräiset raajat, huonosti piirretyt kasvot”, tekoäly tuottaa anatomisesti oikeamman muotokuvan.

Tyylin hallinta

Tilanne:
Haluat tulevaisuuden kaupunkikuvan, mutta haluat välttää steampunk-elementtejä.

• Positiivinen kehotus: “Futuristinen kaupunkisiluetti, jossa lentäviä autoja.”
• Negatiivinen kehotus: “steampunk, viktoriaaninen, hammasrattaat”

Tuloksena on moderni ja virtaviivainen estetiikka ilman ei-toivottuja steampunk-vaikutteita.

Vinkkejä tehokkaaseen negatiiviseen kehotteeseen

Ole tarkka negatiivisissa kehotteissasi

Mitä tarkempi olet negatiivisissa kehotteissa, sitä paremmin tekoäly pystyy jättämään ei-toivotut asiat pois.

• Vähemmän tehokas: “huonoja asioita”
• Tehokkaampi: “epätarkka, huonolaatuinen, pikselöitynyt, teksti, vesileima”

Yhdistä useita negatiivisia avainsanoja

Laajan negatiivisten termien listan sisällyttäminen voi parantaa lopputulosta entisestään.

Esimerkki negatiivisesta kehotteesta:
“epätarkka, epäterävä, matala resoluutio, huono anatomia, ylimääräiset raajat, epämuodostunut, teksti, vesileima”

Käytä negatiivisia kehotteita tyylien poissulkemiseen

Jos haluat välttää tiettyjä taiteellisia tyylejä tai vaikutteita, lisää ne negatiiviseen kehotteeseen.

• Esimerkki: “sarjakuva, anime, sarjakuvakirja, low poly”

Vältä liiallista rajoittamista

Vaikka negatiiviset kehotteet ovat tehokkaita, niiden liiallinen käyttö voi rajoittaa tekoälyn luovuutta tai johtaa vähemmän kiinnostaviin lopputuloksiin. Pyri tasapainoon ohjauksen ja luovuuden välillä.

Negatiiviset kehotteet muissa tekoälymalleissa

Midjourney

Midjourney on toinen tekoälymalli kuvagenerointiin. Myös se tukee negatiivisia kehotteita tulosten tarkentamiseksi.

Esimerkki Midjourneyn käytöstä:

• Positiivinen kehotus: “/imagine Rauhallinen ranta auringonlaskussa”
• Negatiivinen kehotus: “–no ihmiset, ei tekstiä, ei logoja”

ChatGPT ja tekstimallit

Tekstiä tuottavissa tekoälymalleissa, kuten ChatGPT, negatiiviset kehotteet voivat ohjata bottia pois ei-toivotuista aiheista.

Esimerkki:

• Käyttäjä: “Selitä kvanttimekaniikka.”
• Negatiivinen kehotus (implisiittinen): Tekoäly on suunniteltu välttämään kiellettyä sisältöä, kuten henkilökohtaisia mielipiteitä tai arkaluontoisia aiheita.

Vaikka käyttöliittymä ei välttämättä salli eksplisiittisiä negatiivisia kehotteita, malli hyödyntää järjestelmätason ohjeita suodattaakseen sopimattoman sisällön.

Yleisiä negatiivisia kehotteita ja niiden vaikutukset

Negatiivisten kehotteiden listoja eri tilanteisiin

Muotokuviin ja hahmoihin

• Negatiiviset kehotteet: “huono anatomia, ylimääräiset raajat, epämuodostunut, huonosti piirretyt kasvot, kaksoiskappale, epätarkka, huonolaatuinen”

Maisemiin

• Negatiiviset kehotteet: “ihmiset, eläimet, rakennukset, epätarkka, ylivalottunut, alivalottunut, huonolaatuinen”

Tuotekuviin

• Negatiiviset kehotteet: “teksti, vesileima, logo, epätarkka, heijastukset, varjot”

Taiteellisiin tyyleihin

Tietyt tyylit pois suljettavaksi:

• Negatiiviset kehotteet: “sarjakuva, sarjakuvakirja, anime, impressionistinen, abstrakti”

Negatiiviset kehotteet ovat tehokas ominaisuus tekoälyssä, jonka avulla käyttäjät voivat ohjata malleja välttämään tiettyjä asioita tuotetussa sisällössä. Hyödyntämällä negatiivisia kehotteita tehokkaasti voit parantaa tekoälyn tuottamien kuvien ja tekstien laatua ja varmistaa, että ne täyttävät omat tarpeesi ja mieltymyksesi. Olipa kyse taiteellisten tuotosten tarkennuksesta, brändisisällön hallinnasta tai sisältöpolitiikan noudattamisesta, negatiiviset kehotteet ovat olennainen työkalu kaikille, jotka työskentelevät tekoälyn generatiivisten mallien kanssa.

Lähteet

1. RePrompt: Automatic Prompt Editing to Refine AI-Generative Art Towards Precise Expressions – Yunlong Wang, Shuyuan Shen, Brian Y. Lim (Julkaistu: 2023-03-20).
   Tämä artikkeli tutkii generatiivisten tekoälymallien kykyä tuottaa kuvia tekstikehotteiden perusteella, erityisesti keskittyen siihen, kuinka hyvin kuvat ilmentävät syötetyn tekstin toivottuja tunneulottuvuuksia. Kirjoittajat kehittivät RePrompt-menetelmän, joka automaattisesti muokkaa tekstikehotteita parantaakseen AI-kuvien emotionaalista ilmaisua, erityisesti negatiivisten tunteiden osalta. Menetelmä sisältää joukkoistettuja muokkausstrategioita ja välitysmallin koulutuksen, jolla analysoidaan intuitiivisten tekstipiirteiden vaikutuksia kuvagenerointiin. Simulaatiot ja käyttäjätutkimukset osoittivat merkittäviä parannuksia AI-kuvien tunteiden ilmaisutarkkuudessa.
   Lue lisää

2. Redefining Qualitative Analysis in the AI Era: Utilizing ChatGPT for Efficient Thematic Analysis – He Zhang, Chuhao Wu, Jingyi Xie, Yao Lyu, Jie Cai, John M. Carroll (Julkaistu: 2024-05-28).
   Tämä tutkimus tarkastelee tekoälytyökalujen, kuten ChatGPT:n, integrointia laadullisen tutkimuksen prosesseihin. Haastattelujen ja yhteistyön kautta laadullisten tutkijoiden kanssa artikkeli tunnistaa haasteita ja ehdottaa kehystä tehokkaiden kehotteiden suunnitteluun AI:n käytön tehostamiseksi temaattisessa analyysissä. Tutkimus osoittaa tutkijoiden asenteiden muutoksen negatiivisista positiivisiin tekoälyn roolia kohtaan, korostaen hyvin suunniteltujen kehotteiden tärkeyttä ja mahdollisia eettisiä riskejä.
   Lue lisää

3. Learning to Prompt in the Classroom to Understand AI Limits: A pilot study – Emily Theophilou et al. (Julkaistu: 2023-09-01).
   Tämä tutkimus käsittelee negatiivisia tuntemuksia, joita syntyy väärinkäsityksistä tekoälyn kykyihin liittyen, erityisesti suurten kielimallien (LLM) kuten ChatGPT kohdalla. Tutkimuksessa korostetaan tekoälytaitojen (AI literacy) koulutuksen tarvetta yleisön opastamiseksi LLM-mallien rajoituksiin ja tehokkaisiin kehotteiden käyttöstrategioihin. Tunnustamalla tekoälyn puutteet tutkimus pyrkii vähentämään negatiivisia asenteita ja pelkoja tekoälyä kohtaan, edistäen tasapainoisempaa ja tietoisempaa suhtautumista.
   Lue lisää