یک رویکرد پژوهشی تازه محدودیت بنیادین در هوش مصنوعی زاینده (Generative AI) را هدف گرفته است: شکاف میان آنچه کاربر توصیف میکند و آنچه مدل تولید میکند.
این پژوهش روش «تکامل توصیه» را معرفی میکند. این تکنیک بهجای بهبود توصیهها از پیش یا تقویت مدلها، فشار انتخاب تکاملی را در لحظه تولید اعمال میکند.
نوآوری اصلی استفاده از یک دستهبند تصویر چندبرچسبی (Multi-label Image Classifier) بهعنوان راهنماست. کاربر توصیفی ارسال میکند. سیستم چندین نسخه تولید کرده و هریک را بر اساس برچسبهای پیشبینیشده ارزیابی میکند.
{{img:0}}
این پیشبینیها بهعنوان اهداف همزمان برای الگوریتم تکاملی عمل میکنند.
یک مزیت کلیدی در بهرهگیری از تصادف ذاتی مدلهای زاینده نهفته است. سیستم بهجای طراحی دستی عملیات جهش، از قابلیت تولید تصادفی خود مدل بهعنوان سازوکار جهش ضمنی استفاده میکند.
این اتوماسیون به تولید مجموعهای متنوع از تصاویر بهینه پارتو کمک میکند. این تصاویر تاریخچههای مختلف میان اهداف رقیب را نشان میدهند.
روش در ایجاد تصاویری که مطابقت بهتری با ترجیحات کاربر و مفاهیم هدف دارند، عملکرد برجستهای نشان داده است. تکامل توصیهها طی نسلهای متعدد و ارزیابی همزمان در برابر اهداف دستهبند، امکان کاوش فضای راهحل وسیعتری را فراهم میکند.
این تحول نشاندهنده گذار از بهینهسازی ایستای توصیه به تغییر پویا و تطبیقی توصیه در حین تولید است. رویکرد میتواند به ابزارهای خلاقانه و وظایف سنتز بصری تخصصی کمک کند.
اتکای روش به دستهبندهای از پیش آموزشدیده به آن امکان میدهد تا با جایگزینی مدلهای دستهبندی مناسب، خود را با نیازهای حوزههای مختلف تطبیق دهد. این قابلیت آن را به چارچوبی چندمنظوره برای کاربردهای هوش مصنوعی زاینده فراتر از سنتز تصویر تبدیل میکند.
گفتگو