Yapay Zeka Görseli Nasıl Üretiyor? Cümleden Resme Giden Yol

Bir cümle yazıyorsunuz, saniyeler sonra daha önce var olmamış bir görsel çıkıyor. Arada ne olduğu görünmüyor ve bu görünmezlik, aracı kullanırken karşılaştığınız her tuhaflığı açıklanamaz kılıyor.

Oysa tuhaflıkların çoğunun tek bir açıklaması var. Aynı promptun neden farklı sonuç verdiği, ellerin neden bozuk çıktığı, yazının neden okunmadığı — üçü de aynı mekanizmadan geliyor.

Bu yazı o mekanizmayı kullanıcı gözünden anlatıyor: matematiğini değil, davranışını.

Yazdığınız cümleden görsele giden üç durak

1. Cümle sayıya çevrilir. Model “gün batımında yürüyen bir kedi” ifadesini okumaz; onu, anlamı taşıyan bir sayı dizisine dönüştürür. Bu dönüşümü yapan parça dili anlamak için ayrıca eğitilmiştir ve görsel üretmez — yalnızca isteğinizi, sistemin geri kalanının kullanabileceği bir hedefe çevirir. → Prompt Ne Demek? Kelimenin Anlamı ve Yapay Zekadaki Karşılığı

2. Gürültüden bir görüntü çıkarılır. Sistem boş bir tuvalden başlamaz. Tamamen rastgele bir gürültü lekesinden başlar ve onu adım adım temizler. Her adımda “bu gürültü, hedefe biraz daha benzesin” diye küçük bir düzeltme yapar. Yirmi-otuz adım sonra ortada bir görüntü vardır. (Bu yöntemin teknik adı difüzyondur; matematiği ayrı bir yazının konusu. → 4.5.3.1^yakında)

3. Görüntü büyütülür. Temizleme işlemi çoğunlukla küçük bir çalışma boyutunda yapılır, sonra sonuç yükseltilir. Küçük boyutta doğru görünen ince ayrıntıların büyütmede bozulmasının sebebi budur.

Üç durağın pratik özeti şu: model bir görseli çizmiyor, bir gürültüyü sizin cümlenize doğru sürüklüyor.

Somut örnek: bir promptun üç durağı

Şunu yazdığınızı düşünün:

Yağmurlu bir akşamda vitrine bakan yaşlı bir adam

Birinci durakta bu cümle bir hedefe çevrilir. Sistemin eline “yağmur”, “akşam”, “vitrin”, “yaşlı adam” gibi ayrı etiketler geçmez — hepsinin birlikte oluşturduğu tek bir anlam noktası geçer. Bu yüzden kelimeleri yeniden sıralamak sonucu sandığınız kadar değiştirmez, ama bir kelimeyi çıkarmak belirgin biçimde değiştirir.

İkinci durakta rastgele bir leke bu noktaya doğru çekilir. İlk adımlarda kaba yapı oturur: bir figür, bir yüzey, ışığın geldiği yön. Son adımlarda ayrıntı gelir: yüzdeki çizgiler, camdaki yansıma, yağmur damlaları. Sıra budur ve tersine çevrilemez — kompozisyonu geç aşamada düzeltemezsiniz, çünkü o zamana kadar yapı çoktan sabitlenmiştir.

Üçüncü durakta sonuç yükseltilir. Yüzdeki çizgiler bu aşamada yumuşayabilir; küçük boyutta ikna edici duran ayrıntının büyük boyutta dağılmasının sebebi burasıdır.

Neden “şu olmasın” demek ters tepiyor?

Birinci durağın tek bir anlam noktası üretmesinin, ilk bakışta ilgisiz görünen bir sonucu daha var.

O nokta, cümlede geçen kavramlardan hesaplanıyor — ve hesap olumsuzluk taşımıyor. “Şapkasız bir adam” yazdığınızda “şapka” kavramı hesaba giriyor ve hedef şapkaya doğru kayıyor. Model olumsuzluğu anlamıyor değil; hedefi belirleyen aritmetikte “değil” diye bir işlem yok.

Aynı hesap iki şeyi daha açıklıyor. Kelime eklemek her zaman yardımcı olmuyor: her yeni kelime hedefi biraz oynatıyor, ölçülebilir bilgi taşımayan sıfat yığınları da hedefi bulanıklaştırıyor. Ve eşanlamlı kelimeler benzer sonuç veriyor, çünkü anlamca yakın cümleler birbirine yakın noktalara düşüyor.

Üçü ayrı ayrı ezberlenecek kural değil; tek bir hesabın üç görünümü. Metin tarafında bu kural zamanla yumuşadı, görsel tarafta yumuşamadı. → Olumsuz Talimatlar: \"Bunu Yapma\" Demek Neden Yetmiyor?

İki ayar: kaç adım ve ne kadar sıkı

İkinci durak iki yerden ayarlanabiliyor ve hemen her araç bu ikisini kullanıcıya açıyor.

Adım sayısı, gürültünün kaç kez temizleneceğini söylüyor. Az adımda görüntü yarım kalmış gibi durur: yapı oturmuş, ayrıntı gelmemiştir. Ama getiri belli bir noktadan sonra düşer — adım eklemeye devam etmek görseli iyileştirmez, yalnızca beklemeyi uzatır.

Yönlendirme gücü, modelin cümlenize ne kadar sıkı bağlanacağını belirliyor. Düşük tutarsanız model cümleyi gevşek yorumlar ve kendi alışkanlığına kayar; sonuç güzel çıkabilir ama istediğiniz şey olmaz. Yüksek tutarsanız cümleye sıkı bağlanır, bu kez görsel sertleşir: renkler doyar, kompozisyon kalıplaşır, doku plastikleşir.

İkisi de “daha çok daha iyi” değil. İkisinin de ortasında bir bant var ve bandın yeri modelden modele değişiyor.

Pratik kural: bu ayarlardan birini denerken tohumu sabitleyin. Aksi hâlde hem başlangıç lekesi hem ayar değişir ve farkın hangisinden geldiğini göremezsiniz.

Neden aynı prompt iki farklı görsel veriyor?

Çünkü başlangıçtaki gürültü her seferinde farklı.

O rastgele lekeyi belirleyen bir sayı var — genellikle tohum (seed) deniyor. Tohum değişince başlangıç lekesi değişir, leke değişince temizleme yolu değişir, yol değişince varılan yer değişir. Prompt aynı kalsa bile.

Bunun iki pratik sonucu var.

Beğendiğiniz bir görseli tekrar üretmek istiyorsanız tohumu sabitlemeniz gerekir. Çoğu araç kullandığı tohumu gösterir ve yeniden girmenize izin verir. Aynı prompt + aynı tohum, aynı ya da çok yakın sonucu verir.

Bir promptun gerçekten iyi olup olmadığını tek görselden anlayamazsınız. Gördüğünüz şey, mümkün sonuçların dağılımından çekilmiş tek bir örnek. Dört farklı tohumla dört sonuç üretip bakmak, promptun kalitesi hakkında tek görselden çok daha fazlasını söyler.

Neden eller ve parmaklar bozuk çıkıyor?

Bu, modelin “el çizmeyi bilmemesi” değil. Elin ne kadar zor bir nesne olduğu ile ilgili.

Üç sebep üst üste biniyor.

El, görsellerde nadiren aynı biçimde görünür. Bir yüz neredeyse her fotoğrafta aynı yapıdadır: iki göz, bir burun, sabit oranlar. El ise kapalı, açık, yandan, kısmen gizli, bir nesne tutarken — her karede başka bir şekle giriyor. Modelin öğrendiği “el” kavramı bu yüzden bulanık.

Sayı, görsel bir özellik değil. Model “beş parmak” kuralını bir sayma kuralı olarak öğrenmez; parmak benzeri biçimlerin yan yana gelme eğilimini öğrenir. Eğilim, kural değildir — bu yüzden bazen dört, bazen altı çıkar.

El genellikle küçüktür. Görselin küçük bir bölgesinde duran ayrıntılar, temizleme adımlarından daha az pay alır. Aynı sebeple uzaktaki yüzler de yakındakilerden daha sık bozulur.

Aynı mantık dişlere, gözlüklere, takılara ve kalabalık sahnedeki insanlara da uygular. → Yapay Zeka Görsellerinde Tekrar Eden Hatalar — ve Hangisi Düzelir

Neden görseldeki yazı okunmuyor?

Çünkü model yazıyı yazı olarak değil, şekil olarak üretiyor.

Harfler modelin gözünde belirli bir sırayla dizilmesi gereken semboller değil, bir tabelada ya da kitap kapağında görülmesi beklenen kıvrımlar. Sonuç, uzaktan yazıya benzeyen ama okunmayan bir şey oluyor — doğru dokuda, yanlış içerikte.

Bu, kullanıcının en çok yanıldığı yerlerden biri: prompta yazının kendisini büyük harflerle, tırnak içinde, tekrar tekrar yazmak sonucu çoğu zaman düzeltmiyor. Sorun isteğin belirsizliğinde değil, üretim biçiminde.

Pratik sonuç: görselde okunması gereken bir metin varsa onu görsel modele yazdırmayın. Boş bir alan bırakıp yazıyı sonradan bir tasarım aracıyla ekleyin. → Fotoğraf Promptları: Görsel Üretiminde Yedi Katman

Kadraj neden bazen özneyi ikiye bölüyor?

Üçüncü durak — büyütme — sanıldığından çok daha fazla davranışı açıklıyor.

Model belirli bir çalışma boyutunda eğitildi ve o boyuta yakın oranlarda en güvenilir sonucu veriyor. Çok geniş ya da çok uzun bir kadraj istediğinizde, sistem alışık olmadığı bir alanı doldurmak zorunda kalıyor.

Sonuç çoğu zaman şu oluyor: öznenin tekrarlanması. Çok geniş bir görselde iki gövde, iki baş ya da ikinci bir ufuk çizgisi belirir. Model boşluğu doldururken “burada ne olmalı” sorusuna yine aynı cevabı verir, çünkü prompt tek bir şey tarif ediyordur ve doldurulacak yer iki tanesine yetecek kadar geniştir.

Aynı sebeple ince ayrıntılar büyütmede bozulur: küçük boyutta ikna edici duran bir doku, yükseltildiğinde yumuşar ya da tekrar eden bir desene dönüşür.

Pratik karşılığı iki tanedir. Aşırı orana ihtiyacınız varsa görseli standarda yakın bir oranda üretip kadrajı sonradan genişletmek, doğrudan geniş istemekten daha güvenilir. Ve oranı baştan seçin — üretilmiş bir görseli kırparak istediğiniz orana getirmek genellikle kompozisyonu bozar. → Fotoğraf Promptları: Görsel Üretiminde Yedi Katman

Model neyi gördü, neyi görmedi?

Modelin üretebildiği şey, öğrendiği görsellerin kapsamıyla sınırlı — ve bu kapsam düzgün dağılmış değil.

Çok sayıda örnekle temsil edilen şeyler güçlü çıkıyor: gün batımı, portre, kedi, şehir manzarası. Az temsil edilenler zayıf: yerel bir mimari üslup, belirli bir mesleğin gerçek çalışma ortamı, yaygın olmayan bir alet.

Bunun fark edilmesi zor tarafı şu: model, bilmediği bir şeyi “bilmiyorum” diye üretmez. En yakın bildiği şeye kayar ve kendinden emin bir yanlış üretir. Bir yazı modelinde bu uydurma bilgi olarak görünür; görsel tarafta, gerçekte öyle görünmeyen bir nesne olarak.

Bu yüzden çıktının doğruluğunu değerlendiren tek şey sizin bilginizdir. Tanıdığınız bir konuda üretilen görselin yanlışlarını hemen görürsünüz; tanımadığınız bir konuda göremezsiniz — ve görsel yine ikna edici görünür.

Bu konuda anlaşmazlık var: model üretiyor mu, birleştiriyor mu?

Görüş A — Ürettiği şey yeni. Eğitim görselleri modelin içinde saklı durmuyor; model bir arşiv değil, biçimler arasındaki ilişkileri tutan bir yapı. Aynı prompt her seferinde farklı çıktı veriyorsa ortada kopyalanan bir dosya yok demektir.

Görüş B — “Yeni” olması meselenin tamamı değil. Öğrenilen biçimler milyonlarca telifli görselden geldi ve bir üslubu tanınacak kadar iyi taklit edebilmek, o üslubu üretenin emeğini kullanmaktır. Teknik olarak kopya olmaması, hukuki olarak sorunsuz olduğu anlamına gelmiyor.

Durum — İkisi farklı sorulara cevap veriyor: biri mekanizma, diğeri hak. Mekanizma tarafında geniş uzlaşma var; hak tarafında yok ve davalar sürüyor. Ayrıntısı → 10.4.3.1^yakında

Bu mekanizmayı bilmek ne kazandırıyor?

Üç somut şey.

Yanlış yerde uğraşmayı bırakırsınız. Yazının bozuk çıkması bir prompt sorunu değil; promptu on kez düzeltmek zaman kaybı. Elin bozuk çıkması da öyle — çözüm kadrajı değiştirmek, eli gizlemek ya da düzenleme aşamasına bırakmak.

Tekrarlanabilirliği kurarsınız. Tohumun ne işe yaradığını bilen biri, beğendiği görseli kaybetmez ve bir seti tutarlı üretebilir.

Beklentiyi doğru kurarsınız. Model, sizin niyetinizi değil cümlenizin ortalamasını üretiyor. Bu cümle kulağa olumsuz geliyor ama tersi doğru: ortalamayı nereye çekeceğinizi bildiğinizde araç öngörülebilir hâle geliyor.

Sınırlar

Bu anlatım bir basitleştirmedir. Üç durak gerçek ama araçlar arasında ayrıntılar değişiyor; bazıları metni farklı kodluyor, bazıları temizleme adımlarını farklı yönetiyor.

Mekanizma bilmek prompt yazmayı öğretmez. İkisi ayrı beceri; bu yazı “neden böyle davranıyor”u, bir sonraki yazı “ne yazmalıyım”ı anlatıyor. → Fotoğraf Promptları: Görsel Üretiminde Yedi Katman

Modeller değişiyor. Bugün bozuk çıkan bir şey bir sonraki sürümde düzelebilir. Yukarıdakiler mekanizmanın kalıcı sonuçları, bir ürünün bugünkü kusur listesi değil.

Özet

Yapay zeka görseli çizmiyor: rastgele bir gürültüyü, cümlenizin işaret ettiği yöne doğru adım adım sürüklüyor. Başlangıçtaki gürültü her seferinde farklı olduğu için aynı prompt farklı sonuç veriyor; tohumu sabitlerseniz tekrar edebiliyorsunuz.

Eller ve yazı bozuk çıkıyor çünkü model ikisini de kural olarak değil eğilim olarak öğrendi — parmak saymıyor, harf dizmiyor, benzer görünen şekiller üretiyor. Aynı sebeple, az gördüğü konularda emin bir yanlış üretiyor.

Bunu bilmenin getirisi, yanlış yerde uğraşmayı bırakmak.

Sık sorulanlar

İlgili yazılar