पुनर्प्राप्ति संवर्धित पीढ़ी के साथ अपने स्थिर प्रसार संकेतों में सुधार करें | अमेज़न वेब सेवाएँ

टेक्स्ट-टू-इमेज जनरेशन कृत्रिम बुद्धिमत्ता का एक तेजी से बढ़ता हुआ क्षेत्र है, जिसका अनुप्रयोग मीडिया और मनोरंजन, गेमिंग, ईकॉमर्स उत्पाद विज़ुअलाइज़ेशन, विज्ञापन और मार्केटिंग, वास्तुशिल्प डिज़ाइन और विज़ुअलाइज़ेशन, कलात्मक रचनाएं और मेडिकल इमेजिंग जैसे विभिन्न क्षेत्रों में होता है।

स्थिर प्रसार एक टेक्स्ट-टू-इमेज मॉडल है जो आपको सेकंड के भीतर उच्च गुणवत्ता वाली छवियां बनाने में सक्षम बनाता है। नवंबर 2022 में, हम की घोषणा कि AWS ग्राहक टेक्स्ट से इमेज जेनरेट कर सकते हैं स्थिर प्रसार में मॉडल अमेज़न SageMaker जम्पस्टार्ट, एक मशीन लर्निंग (एमएल) हब जो मॉडल, एल्गोरिदम और समाधान पेश करता है। अप्रैल 2023 में इसकी शुरूआत के साथ विकास जारी रहा अमेज़ॅन बेडरॉक, एक सुविधाजनक एपीआई के माध्यम से स्टेबल डिफ्यूजन सहित अत्याधुनिक फाउंडेशन मॉडल तक पहुंच प्रदान करने वाली एक पूरी तरह से प्रबंधित सेवा।

जैसे-जैसे ग्राहकों की बढ़ती संख्या उनके टेक्स्ट-टू-इमेज प्रयासों को शुरू करती है, एक सामान्य बाधा उत्पन्न होती है - ऐसे संकेत कैसे तैयार किए जाएं जो उच्च-गुणवत्ता, उद्देश्य-संचालित छवियां उत्पन्न करने की शक्ति का उपयोग करें। यह चुनौती अक्सर काफी समय और संसाधनों की मांग करती है क्योंकि उपयोगकर्ता अपने दृष्टिकोण के अनुरूप संकेतों की खोज के लिए प्रयोग की पुनरावृत्ति यात्रा पर निकलते हैं।

रिट्रीवल ऑगमेंटेड जेनरेशन (आरएजी) एक ऐसी प्रक्रिया है जिसमें एक भाषा मॉडल बाहरी डेटा स्रोत से प्रासंगिक दस्तावेजों को पुनर्प्राप्त करता है और अधिक सटीक और सूचनात्मक पाठ उत्पन्न करने के लिए इस जानकारी का उपयोग करता है। यह तकनीक ज्ञान-गहन प्राकृतिक भाषा प्रसंस्करण (एनएलपी) कार्यों के लिए विशेष रूप से उपयोगी है। अब हम इसके परिवर्तनकारी स्पर्श को टेक्स्ट-टू-इमेज जेनरेशन की दुनिया तक बढ़ा रहे हैं। इस पोस्ट में, हम प्रदर्शित करते हैं कि आपके स्थिर प्रसार मॉडलों को भेजे गए संकेतों को बढ़ाने के लिए RAG की शक्ति का उपयोग कैसे करें। आप अमेज़ॅन बेडरॉक के साथ-साथ सेजमेकर जम्पस्टार्ट पर बड़े भाषा मॉडल (एलएलएम) के साथ मिनटों में त्वरित पीढ़ी के लिए अपना खुद का एआई सहायक बना सकते हैं।

टेक्स्ट-टू-इमेज संकेत तैयार करने के दृष्टिकोण

टेक्स्ट-टू-इमेज मॉडल के लिए प्रॉम्प्ट बनाना पहली नज़र में सीधा लग सकता है, लेकिन यह एक भ्रामक रूप से जटिल कार्य है। यह केवल कुछ शब्द टाइप करने और मॉडल से ऐसी छवि बनाने की अपेक्षा करने से कहीं अधिक है जो आपकी मानसिक छवि के अनुरूप हो। रचनात्मकता के लिए जगह छोड़ते समय प्रभावी संकेतों में स्पष्ट निर्देश दिए जाने चाहिए। उन्हें विशिष्टता और अस्पष्टता को संतुलित करना चाहिए, और उन्हें उपयोग किए जा रहे विशेष मॉडल के अनुरूप बनाया जाना चाहिए। त्वरित इंजीनियरिंग की चुनौती से निपटने के लिए, उद्योग ने विभिन्न दृष्टिकोण तलाशे हैं:

• शीघ्र पुस्तकालय - कुछ कंपनियां पूर्व-लिखित संकेतों की लाइब्रेरी तैयार करती हैं जिन्हें आप एक्सेस और कस्टमाइज़ कर सकते हैं। इन पुस्तकालयों में विभिन्न उपयोग के मामलों के अनुरूप संकेतों की एक विस्तृत श्रृंखला होती है, जो आपको अपनी विशिष्ट आवश्यकताओं के अनुरूप संकेतों को चुनने या अनुकूलित करने की अनुमति देती है।
• शीघ्र टेम्पलेट और दिशानिर्देश - कई कंपनियां और संगठन उपयोगकर्ताओं को पूर्वनिर्धारित शीघ्र टेम्पलेट और दिशानिर्देशों का एक सेट प्रदान करते हैं। ये टेम्प्लेट संकेत लिखने के लिए संरचित प्रारूप प्रदान करते हैं, जिससे प्रभावी निर्देश तैयार करना आसान हो जाता है।
• समुदाय और उपयोगकर्ता का योगदान - क्राउडसोर्स्ड प्लेटफ़ॉर्म और उपयोगकर्ता समुदाय अक्सर संकेतों को बेहतर बनाने में महत्वपूर्ण भूमिका निभाते हैं। उपयोगकर्ता समुदाय के साथ अपने सुव्यवस्थित मॉडल, सफल संकेत, युक्तियाँ और सर्वोत्तम अभ्यास साझा कर सकते हैं, जिससे दूसरों को सीखने और उनके त्वरित-लेखन कौशल को निखारने में मदद मिल सकती है।
• मॉडल फाइन-ट्यूनिंग - कंपनियां विशिष्ट प्रकार के संकेतों को बेहतर ढंग से समझने और उनका जवाब देने के लिए अपने टेक्स्ट-टू-इमेज मॉडल को बेहतर बना सकती हैं। फ़ाइन-ट्यूनिंग विशेष डोमेन या उपयोग मामलों के लिए मॉडल प्रदर्शन में सुधार कर सकती है।

इन उद्योग दृष्टिकोणों का सामूहिक लक्ष्य प्रभावी टेक्स्ट-टू-इमेज प्रॉम्प्ट तैयार करने की प्रक्रिया को अधिक सुलभ, उपयोगकर्ता-अनुकूल और कुशल बनाना है, जो अंततः अनुप्रयोगों की एक विस्तृत श्रृंखला के लिए टेक्स्ट-टू-इमेज जेनरेशन मॉडल की उपयोगिता और बहुमुखी प्रतिभा को बढ़ाता है।

त्वरित डिज़ाइन के लिए RAG का उपयोग करना

इस खंड में, हम इस बात पर प्रकाश डालते हैं कि कैसे आरएजी तकनीक इन मौजूदा दृष्टिकोणों के साथ सामंजस्य बिठाकर त्वरित इंजीनियरिंग में गेम चेंजर के रूप में काम कर सकती है। आरएजी को प्रक्रिया में निर्बाध रूप से एकीकृत करके, हम त्वरित डिजाइन की दक्षता को सुव्यवस्थित और बढ़ा सकते हैं।

शीघ्र डेटाबेस में सिमेंटिक खोज

एक ऐसी कंपनी की कल्पना करें जिसने अपनी प्रॉम्प्ट लाइब्रेरी में प्रॉम्प्ट का एक विशाल भंडार जमा किया है या बड़ी संख्या में प्रॉम्प्ट टेम्पलेट बनाए हैं, जिनमें से प्रत्येक को विशिष्ट उपयोग के मामलों और उद्देश्यों के लिए डिज़ाइन किया गया है। परंपरागत रूप से, अपने टेक्स्ट-टू-इमेज संकेतों के लिए प्रेरणा चाहने वाले उपयोगकर्ता इन पुस्तकालयों के माध्यम से मैन्युअल रूप से ब्राउज़ करते हैं, अक्सर विकल्पों की व्यापक सूचियों को छानते हैं। यह प्रक्रिया समय लेने वाली और अप्रभावी हो सकती है। टेक्स्ट एम्बेडिंग मॉडल का उपयोग करके प्रॉम्प्ट लाइब्रेरी से संकेतों को एम्बेड करके, कंपनियां एक सिमेंटिक सर्च इंजन बना सकती हैं। यह ऐसे काम करता है:

• एम्बेडिंग संकेत - कंपनी अपनी लाइब्रेरी में प्रत्येक प्रॉम्प्ट को संख्यात्मक प्रतिनिधित्व में बदलने के लिए टेक्स्ट एम्बेडिंग का उपयोग करती है। ये एम्बेडिंग संकेतों के अर्थपूर्ण अर्थ और संदर्भ को पकड़ते हैं।
• उपयोगकर्ता क्वेरी - जब उपयोगकर्ता अपने स्वयं के संकेत प्रदान करते हैं या अपनी वांछित छवि का वर्णन करते हैं, तो सिस्टम उनके इनपुट का विश्लेषण और एम्बेड भी कर सकता है।
• शब्दार्थ खोज - एम्बेडिंग का उपयोग करके, सिस्टम सिमेंटिक खोज करता है। यह प्रॉम्प्ट लाइब्रेरी में उपयोगकर्ता के इनपुट और ऐतिहासिक डेटा दोनों पर विचार करते हुए, उपयोगकर्ता की क्वेरी के आधार पर लाइब्रेरी से सबसे प्रासंगिक संकेत पुनर्प्राप्त करता है।

अपने त्वरित पुस्तकालयों में सिमेंटिक खोज को लागू करके, कंपनियां अपने कर्मचारियों को संकेतों के विशाल भंडार तक आसानी से पहुंचने के लिए सशक्त बनाती हैं। यह दृष्टिकोण न केवल त्वरित निर्माण को गति देता है बल्कि टेक्स्ट-टू-इमेज जेनरेशन में रचनात्मकता और स्थिरता को भी प्रोत्साहित करता है

सिमेंटिक खोज से शीघ्र निर्माण

यद्यपि सिमेंटिक खोज प्रासंगिक संकेतों को खोजने की प्रक्रिया को सुव्यवस्थित करती है, RAG अनुकूलित संकेतों को उत्पन्न करने के लिए इन खोज परिणामों का उपयोग करके इसे एक कदम आगे ले जाता है। यह ऐसे काम करता है:

• सिमेंटिक खोज परिणाम - लाइब्रेरी से सर्वाधिक प्रासंगिक संकेत प्राप्त करने के बाद, सिस्टम इन संकेतों को उपयोगकर्ता के मूल इनपुट के साथ उपयोगकर्ता के समक्ष प्रस्तुत करता है।
• टेक्स्ट जेनरेशन मॉडल - उपयोगकर्ता खोज परिणामों से एक संकेत का चयन कर सकता है या अपनी प्राथमिकताओं पर आगे संदर्भ प्रदान कर सकता है। सिस्टम चयनित प्रॉम्प्ट और उपयोगकर्ता के इनपुट दोनों को एलएलएम में फीड करता है।
• अनुकूलित संकेत - एलएलएम, भाषा की बारीकियों की अपनी समझ के साथ, एक अनुकूलित प्रॉम्प्ट तैयार करता है जो चयनित प्रॉम्प्ट और उपयोगकर्ता के इनपुट से तत्वों को जोड़ता है। यह नया प्रॉम्प्ट उपयोगकर्ता की आवश्यकताओं के अनुरूप बनाया गया है और वांछित छवि आउटपुट प्राप्त करने के लिए डिज़ाइन किया गया है।

सिमेंटिक सर्च और प्रॉम्प्ट जेनरेशन का संयोजन न केवल प्रॉम्प्ट खोजने की प्रक्रिया को सरल बनाता है बल्कि यह भी सुनिश्चित करता है कि उत्पन्न प्रॉम्प्ट अत्यधिक प्रासंगिक और प्रभावी हैं। यह आपको अपने संकेतों को बेहतर बनाने और अनुकूलित करने का अधिकार देता है, जिससे अंततः टेक्स्ट-टू-इमेज जेनरेशन परिणामों में सुधार होता है। सिमेंटिक सर्च और प्रॉम्प्ट जेनरेशन के संकेतों का उपयोग करके स्टेबल डिफ्यूजन एक्सएल से उत्पन्न छवियों के उदाहरण निम्नलिखित हैं।

मूल संकेत	सिमेंटिक खोज से संकेत	एलएलएम द्वारा अनुकूलित प्रॉम्प्ट
एक छोटे कुत्ते का कार्टून	खाने की मेज पर सैंडविच खाते कुत्ते का प्यारा कार्टून एक पंक कुत्ते का कार्टून चित्रण, एनीमे शैली, सफेद पृष्ठभूमि एक लड़के और उसके कुत्ते का एक कार्टून जो जंगल की गली में चल रहा है	एनीमेशन शैली में एक लड़के का अपने प्यारे पालतू कुत्ते के साथ जंगल की गली में हाथ में हाथ डाले खुशी से चलते हुए एक कार्टून दृश्य।

विभिन्न उद्योगों में आरएजी-आधारित त्वरित डिज़ाइन अनुप्रयोग

इससे पहले कि हम अपने सुझाए गए आरएजी आर्किटेक्चर के अनुप्रयोग का पता लगाएं, आइए एक ऐसे उद्योग से शुरुआत करें जिसमें एक छवि निर्माण मॉडल सबसे अधिक लागू होता है। एडटेक में गति और रचनात्मकता महत्वपूर्ण हैं। आरएजी-आधारित प्रॉम्प्ट जेनरेशन किसी विज्ञापन अभियान के लिए तुरंत कई छवियां बनाने के लिए त्वरित सुझाव उत्पन्न करके तत्काल मूल्य जोड़ सकता है। अभियान के लिए उम्मीदवार की छवि का चयन करने के लिए मानव निर्णय-निर्माता स्वतः उत्पन्न छवियों के माध्यम से जा सकते हैं। यह सुविधा एक स्टैंडअलोन एप्लिकेशन हो सकती है या वर्तमान में उपलब्ध लोकप्रिय सॉफ़्टवेयर टूल और प्लेटफ़ॉर्म में एम्बेडेड हो सकती है।

एक अन्य उद्योग जहां स्थिर प्रसार मॉडल उत्पादकता बढ़ा सकता है वह है मीडिया और मनोरंजन। उदाहरण के लिए, RAG आर्किटेक्चर अवतार निर्माण के उपयोग के मामलों में सहायता कर सकता है। एक साधारण संकेत से शुरू करके, RAG अवतार विचारों में बहुत अधिक रंग और विशेषताएँ जोड़ सकता है। यह कई उम्मीदवारों के लिए संकेत उत्पन्न कर सकता है और अधिक रचनात्मक विचार प्रदान कर सकता है। इन उत्पन्न छवियों से, आप दिए गए एप्लिकेशन के लिए एकदम सही विकल्प ढूंढ सकते हैं। यह स्वचालित रूप से कई त्वरित सुझाव उत्पन्न करके उत्पादकता बढ़ाता है। इससे जो बदलाव आ सकता है, वह समाधान का तात्कालिक लाभ है।

समाधान अवलोकन

एडब्ल्यूएस पर त्वरित डिजाइन के लिए ग्राहकों को अपने स्वयं के आरएजी-आधारित एआई सहायक का निर्माण करने के लिए सशक्त बनाना आधुनिक तकनीक की बहुमुखी प्रतिभा का एक प्रमाण है। AWS इस प्रयास को सुविधाजनक बनाने के लिए ढेर सारे विकल्प और सेवाएँ प्रदान करता है। निम्नलिखित संदर्भ आर्किटेक्चर आरेख AWS पर त्वरित डिज़ाइन के लिए RAG एप्लिकेशन को दिखाता है।

जब आपके एआई सहायक के लिए सही एलएलएम चुनने की बात आती है, तो एडब्ल्यूएस आपकी विशिष्ट आवश्यकताओं को पूरा करने के लिए विकल्पों का एक स्पेक्ट्रम प्रदान करता है।

सबसे पहले, आप समर्पित उदाहरणों का उपयोग करते हुए सेजमेकर जम्पस्टार्ट के माध्यम से उपलब्ध एलएलएम का विकल्प चुन सकते हैं। ये उदाहरण विभिन्न प्रकार के मॉडलों का समर्थन करते हैं, जिनमें फाल्कन, लामा 2, ब्लूम जेड और फ़्लान-टी5 शामिल हैं, या आप एआई2 लैब्स से कोहेयर कमांड और बहुभाषी एंबेडिंग, या जुरासिक-21 जैसे मालिकाना मॉडल का पता लगा सकते हैं।

यदि आप अधिक सरलीकृत दृष्टिकोण पसंद करते हैं, तो AWS एलएलएम प्रदान करता है अमेज़ॅन बेडरॉकजैसे मॉडलों की विशेषता अमेज़न टाइटन और एंथ्रोपिक क्लाउड। ये मॉडल सीधे एपीआई कॉल के माध्यम से आसानी से उपलब्ध हैं, जिससे आप आसानी से उनकी शक्ति का उपयोग कर सकते हैं। विकल्पों का लचीलापन और विविधता यह सुनिश्चित करती है कि आपको एलएलएम चुनने की स्वतंत्रता है जो आपके त्वरित डिजाइन लक्ष्यों के साथ सबसे अच्छी तरह मेल खाता है, चाहे आप खुले कंटेनरों के साथ एक नवाचार की तलाश कर रहे हों या मालिकाना मॉडल की मजबूत क्षमताओं की तलाश कर रहे हों।

जब आवश्यक वेक्टर डेटाबेस बनाने की बात आती है, तो AWS अपनी मूल सेवाओं के माध्यम से कई विकल्प प्रदान करता है। आप चुन सकते हैं अमेज़न ओपन सर्च सर्विस, अमेज़न अरोड़ाया, PostgreSQL के लिए Amazon रिलेशनल डेटाबेस सर्विस (Amazon RDS), प्रत्येक आपकी विशिष्ट आवश्यकताओं के अनुरूप मजबूत सुविधाएँ प्रदान करता है। वैकल्पिक रूप से, आप पाइनकोन, वीविएट, इलास्टिक, मिल्वस या क्रोमा जैसे एडब्ल्यूएस भागीदारों के उत्पादों का पता लगा सकते हैं, जो कुशल वेक्टर भंडारण और पुनर्प्राप्ति के लिए विशेष समाधान प्रदान करते हैं।

त्वरित डिजाइन के लिए आरएजी-आधारित एआई सहायक का निर्माण शुरू करने में आपकी मदद करने के लिए, हमने अपने में एक व्यापक प्रदर्शन रखा है GitHub भण्डार. यह प्रदर्शन निम्नलिखित संसाधनों का उपयोग करता है:

• छवि निर्माण: अमेज़न बेडरॉक पर स्टेबल डिफ्यूजन एक्सएल
• टेक्स्ट एम्बेडिंग: अमेज़न बेडरॉक पर अमेज़न टाइटन
• टेक्स्ट जेनरेशन: अमेज़ॅन बेडरॉक पर क्लाउड 2
• वेक्टर डेटाबेस: FAISS, कुशल समानता खोज के लिए एक खुला स्रोत पुस्तकालय
• प्रॉम्प्ट लाइब्रेरी: प्रॉम्प्ट उदाहरण से डिफ्यूजनडीबी, टेक्स्ट-टू-इमेज जेनरेटर मॉडल के लिए पहला बड़े पैमाने पर प्रॉम्प्ट गैलरी डेटासेट

इसके अतिरिक्त, हमने एलएलएम कार्यान्वयन के लिए लैंगचेन और वेब एप्लिकेशन घटक के लिए स्ट्रीमिट को शामिल किया है, जो एक सहज और उपयोगकर्ता के अनुकूल अनुभव प्रदान करता है।

.. पूर्वापेक्षाएँ

इस डेमो एप्लिकेशन को चलाने के लिए आपके पास निम्नलिखित होना चाहिए:

• एक एडब्ल्यूएस खाता
• नेविगेट करने के तरीके की बुनियादी समझ अमेज़ॅन सैजमेकर स्टूडियो
• रेपो कैसे डाउनलोड करें इसकी बुनियादी समझ GitHub
• टर्मिनल पर कमांड चलाने का बुनियादी ज्ञान

डेमो एप्लिकेशन चलाएँ

आप निर्देशों के साथ सभी आवश्यक कोड डाउनलोड कर सकते हैं GitHub रेपो. एप्लिकेशन तैनात होने के बाद, आपको निम्न स्क्रीनशॉट जैसा एक पेज दिखाई देगा।

इस प्रदर्शन के साथ, हमारा लक्ष्य कार्यान्वयन प्रक्रिया को सुलभ और समझने योग्य बनाना है, जिससे आपको आरएजी की दुनिया में अपनी यात्रा शुरू करने और एडब्ल्यूएस पर त्वरित डिजाइन के लिए व्यावहारिक अनुभव प्रदान किया जा सके।

क्लीन अप

ऐप को आज़माने के बाद, एप्लिकेशन को रोककर अपने संसाधनों को साफ़ करें।

निष्कर्ष

आरएजी त्वरित डिजाइन की दुनिया में एक गेम-चेंजिंग प्रतिमान के रूप में उभरा है, जो स्टेबल डिफ्यूजन की टेक्स्ट-टू-इमेज क्षमताओं को पुनर्जीवित करता है। मौजूदा दृष्टिकोणों के साथ आरएजी तकनीकों का सामंजस्य बिठाकर और एडब्ल्यूएस के मजबूत संसाधनों का उपयोग करके, हमने सुव्यवस्थित रचनात्मकता और त्वरित सीखने का मार्ग खोजा है।

अतिरिक्त संसाधनों के लिए, निम्नलिखित पर जाएँ:

---

लेखक के बारे में

जेम्स यी एमेजॉन वेब सर्विसेज की इमर्जिंग टेक्नोलॉजीज टीम में सीनियर एआई/एमएल पार्टनर सॉल्यूशंस आर्किटेक्ट हैं। उन्हें अपने व्यावसायिक मूल्यों को प्राप्त करने के लिए एआई / एमएल अनुप्रयोगों को डिजाइन, तैनात और स्केल करने के लिए उद्यम ग्राहकों और भागीदारों के साथ काम करने का शौक है। काम के अलावा, उन्हें फ़ुटबॉल खेलना, यात्रा करना और अपने परिवार के साथ समय बिताना पसंद है।

रूमी ऑलसेन एडब्ल्यूएस पार्टनर प्रोग्राम में सॉल्यूशंस आर्किटेक्ट हैं। वह अपनी वर्तमान भूमिका में सर्वर रहित और मशीन सीखने के समाधान में माहिर हैं, और प्राकृतिक भाषा प्रसंस्करण प्रौद्योगिकियों में उनकी पृष्ठभूमि है। वह अपना अधिकांश खाली समय अपनी बेटी के साथ प्रशांत नॉर्थवेस्ट की प्रकृति की खोज में बिताती है।

• एसईओ संचालित सामग्री और पीआर वितरण। आज ही प्रवर्धित हो जाओ।
• प्लेटोडेटा.नेटवर्क वर्टिकल जेनरेटिव एआई। स्वयं को शक्तिवान बनाएं। यहां पहुंचें।
• प्लेटोआईस्ट्रीम। Web3 इंटेलिजेंस। ज्ञान प्रवर्धित। यहां पहुंचें।
• प्लेटोईएसजी. कार्बन, क्लीनटेक, ऊर्जा, पर्यावरण, सौर, कचरा प्रबंधन। यहां पहुंचें।
• प्लेटोहेल्थ। बायोटेक और क्लिनिकल परीक्षण इंटेलिजेंस। यहां पहुंचें।
• स्रोत: https://aws.amazon.com/blogs/machine-learning/improve-your-stable-diffusion-prompts-with-retrieval-augmented-generation/