Taustaa kuvamallin tekoon

Julkaisija Annukka Leppänen

Kategoriat

Avainsanat

tekoäly

Robotin ja ihmisen etusormet koskettavat

Tämä kirjoitus on toinen osa (eka osa: Tekoäly osana luovaa työskentelyä) sarjaa, jossa aion dokumentoida oman yritykseni kouluttaa tekoälymalli. Kerron matkan varrella mitä opin, missä kohtaa tuli vaikeuksia ja miten toivottavasti saan tekoälyn vähitellen tekemään kuvia omalla tyylilläni.

Tässä artikkelissa käyn läpi, miten tekoälymallit toimivat. Lopuksi pohdin miten voimme käyttää niitä hieman “reilummalla” tavalla kuvien tekemiseen.

Mikä on kuvia generoiva malli?

Tekoälyä on perinteisesti käytetty luokittelemaan ja ryhmittelemään dataa. Generatiivisen tekoälyn tehtävänä sen sijaan on tuottaa uutta digitaalista sisältöä, kuten kuvia, tekstiä, videota tai ääntä sille syötetyn datan perusteella. Kuvageneraattorit ovat malleja, jotka luovat kuvia tekstikehotteiden pohjalta. Mallilla tarkoitetaan järjestelmää, jonka avulla voidaan suorittaa ja automatisoida haluttuja tehtäviä. Esimerkiksi ChatGPT:n taustalla oleva GPT-5 on malli.

Nykyisillä kuvia generoivilla malleilla, kuten OpenAI:n DALL-E:lla ja StabilityAI:n Stable Diffusionilla pystytään tuottamaan huippulaatuisia kuvia. Kuvageneraattorit koostuvat yleensä sekä kielimallista, että generatiivisesta kuvamallista, joka luo kuvan tekstiin perustuen. Ne koulutetaan valtavilla määrillä kuvia ja tekstiä, jotka useimmiten kerätään internetistä.

Midjourney kuvageneraattorilla luotuja neljän kuvan sarjoja tekstikehotteen perusteella.

Kuvageneraattorit nousivat huomion kohteeksi GAN-verkkojen myötä. GAN:t kehitettiin jo vuonna 2014, ja nykyään useimmat merkittävät kuvia generoivat sovellukset (kuten Stable Diffusion, DALL-E ja Midjourney) ovat siirtyneet käyttämään diffuusiomalleja, koska ne tekevät usein tarkempia ja monipuolisempia kuvia kuin GANit.

Kuvia generoivat diffuusiomallit koulutetaan miljoonilla kuvilla, joihin liittyy niitä kuvaava teksti. Koulutus aloitetaan purkamalla kuva sattumanvaraisiksi pikseleiksi, kohinaksi, joka ei kuvaa mitään erityistä. Tämän jälkeen prosessi käännetään nurinpäin ja malli opettelee palauttamaan kuvan kohinasta takaisin alkuperäiseksi. Koulutuksen tarkoitus ei ole antaa mallille kuvia, joita se voi käyttää luodakseen uusia, kun käyttäjä syöttää sille kehotteen. Kuvien tarkoitus on toimia taustaohjeina, joiden perusteella malli voi ymmärtää konsepteja, kuten väri, objektit ja taiteellinen tyyli.

Kun käyttäjä pyytää mallia generoimaan kuvan, käy se läpi kaiken sille syötetyn datan ja tekee laskutoimituksen arvioiden mikä yhdistelmä värejä, muotoja ja viivoja sopii parhaiten pyyntöön. Mitä enemmän dataa on käytössä, sitä suurempi todennäköisyys on, että tulos vastaa pyydettyä.

Diffuusiomallin U-Net kohinanpoistoprosessin eteneminen

Yllä oleva kuva luotu käyttäen Stable Diffusion V1-5 diffuusiomallia. Kuvassa demonstroidaan U-Net kohinanpoistoprosessi. Kuvan lisenssi: Creative Commons Attribution-Share Alike 4.0 International

Mitä oman mallin tekeminen tarkoittaa?

Minulle oman mallin tekeminen tarkoittaa, että hyödynnetään jo valmiiksi koulutettuja malleja ja opetetaan niitä tunnistamaan jotain uutta, esimerkiksi oma piirrostyyli tai hahmo. Toinen tapa olisi kouluttaa malli alusta asti itse, kuten isot firmat, jotka ovat esim. Stable Diffusionin tai Midjourneyn takana, ovat tehneet. Isojen mallien kouluttamiseen tarvitaan kuitenkin supertietokoneita, valtava määrä dataa ja ennen kaikkea jäätävä pinkka rahaa. Kaikki asioita, joita meikällä ei ole :D. Realistisinta on siis antaa valmiille mallille setti kuvia (esim. omia piirroksia), jotka se oppii liittämään osaamiseensa. Tämän jälkeen voin pyytää mallia tekemään kuvia “Annukan piirustustyylillä”.

Reilumpia kuvia

On tärkeää huomioida, että tällainen oma hienosäätö vähentää tekijänoikeusongelmia, mutta ei valitettavasti pyyhi niitä pois kokonaan, koska pohjamalli on yhä koulutettu netistä kerätyllä datalla. Data kerätään automaattisilla työkaluilla, jotka voivat hakea sisältöä kaikkialta, mikä ei ole kirjautumisen takana. Kokosin siksi myös pienen listan asioita, jotka tekevät tekoälyn käytöstä edes hieman ”reilumpaa”:

Käytä hienosäätöön omia kuvituksiasi (tai muuta itse tuotettua aineistoa). Näin lopputulos perustuu omaan tyyliisi, eikä muiden taiteilijoiden töihin.
Kerro avoimesti, mitä mallia käytät ja miten sen tuottamia kuvia syntyy. Älä esitä tekoälyn tuotoksia omana taiteenasi.
Hyödynnä malleja ei-kaupallisesti, eli esim opetuksessa ja tutkimuksessa.
Pidä tekoäly työkaluna, jolla lähinnä luonnostelet ja ideoit. Muokkaa sen tuotoksia mahdollisimman paljon. Säilytä lopullinen vastuu valinnoista ja sisällöstä itselläsi.
Muista, että pohjamallit on koulutettu osin tekijänoikeuden alaisella aineistolla.

Seuraavassa osassa perehdyn siihen, miten näitä malleja pääsee pyörittämään käytännössä ja millaisia työkaluja, kuten Google Colabia ja Hugging Facea, siinä mahdollisesti tarvitaan. Kääk!