بازیافت اگمینٹڈ جنریشن کے ساتھ اپنے مستحکم پھیلاؤ کے اشارے کو بہتر بنائیں | ایمیزون ویب سروسز

ٹیکسٹ ٹو امیج جنریشن مصنوعی ذہانت کا ایک تیزی سے بڑھتا ہوا شعبہ ہے جس میں مختلف شعبوں میں ایپلی کیشنز ہیں، جیسے میڈیا اور تفریح، گیمنگ، ای کامرس پروڈکٹ ویژولائزیشن، ایڈورٹائزنگ اور مارکیٹنگ، آرکیٹیکچرل ڈیزائن اور ویژولائزیشن، فنکارانہ تخلیقات، اور میڈیکل امیجنگ۔

مستحکم بازی ایک ٹیکسٹ ٹو امیج ماڈل ہے جو آپ کو سیکنڈوں میں اعلیٰ معیار کی تصاویر بنانے کی طاقت دیتا ہے۔ نومبر 2022 میں، ہم کا اعلان کیا ہے جس کے ساتھ AWS صارفین متن سے تصاویر بنا سکتے ہیں۔ مستحکم بازی میں ماڈلز ایمیزون سیج میکر جمپ اسٹارٹ، ایک مشین لرننگ (ML) مرکز جو ماڈلز، الگورتھم اور حل پیش کرتا ہے۔ کے تعارف کے ساتھ اپریل 2023 میں ارتقاء جاری رہا۔ ایمیزون بیڈرک, ایک مکمل طور پر منظم سروس جو ایک آسان API کے ذریعے جدید فاؤنڈیشن ماڈلز تک رسائی کی پیشکش کرتی ہے، بشمول Stable Diffusion.

جیسا کہ صارفین کی مسلسل بڑھتی ہوئی تعداد ان کی ٹیکسٹ ٹو امیج کی کوششوں پر شروع ہوتی ہے، ایک عام رکاوٹ پیدا ہوتی ہے — ایسے اشارے کیسے تیار کیے جائیں جو اعلیٰ معیار کی، مقصد سے چلنے والی تصاویر حاصل کرنے کی طاقت رکھتے ہوں۔ یہ چیلنج اکثر کافی وقت اور وسائل کا تقاضہ کرتا ہے کیونکہ صارفین تجربات کے دوبارہ سفر کا آغاز کرتے ہیں تاکہ ان اشارے کو دریافت کیا جا سکے جو ان کے تصورات کے مطابق ہوں۔

Retrieval Augmented Generation (RAG) ایک ایسا عمل ہے جس میں زبان کا ماڈل ایک بیرونی ڈیٹا سورس سے متعلقہ دستاویزات کو بازیافت کرتا ہے اور اس معلومات کو زیادہ درست اور معلوماتی متن بنانے کے لیے استعمال کرتا ہے۔ یہ تکنیک نالج انٹینسیو نیچرل لینگویج پروسیسنگ (NLP) کے کاموں کے لیے خاص طور پر مفید ہے۔ اب ہم متن سے تصویری جنریشن کی دنیا تک اس کے تبدیلی آمیز رابطے کو بڑھاتے ہیں۔ اس پوسٹ میں، ہم یہ ظاہر کرتے ہیں کہ آپ کے مستحکم ڈفیوژن ماڈلز کو بھیجے گئے اشارے کو بڑھانے کے لیے RAG کی طاقت کو کس طرح استعمال کیا جائے۔ آپ ایمیزون بیڈرک کے ساتھ ساتھ سیج میکر جمپ اسٹارٹ پر بڑے لینگویج ماڈلز (LLMs) کے ساتھ منٹوں میں فوری جنریشن کے لیے اپنا AI اسسٹنٹ بنا سکتے ہیں۔

متن سے تصویری اشارے تیار کرنے کے طریقے

ٹیکسٹ ٹو امیج ماڈل کے لیے پرامپٹ بنانا پہلی نظر میں سیدھا لگ سکتا ہے، لیکن یہ ایک فریب دینے والا پیچیدہ کام ہے۔ یہ صرف چند الفاظ ٹائپ کرنے اور ماڈل سے ایسی تصویر بنانے کی توقع کرنے سے زیادہ ہے جو آپ کی ذہنی تصویر کے مطابق ہو۔ تخلیقی صلاحیتوں کے لیے جگہ چھوڑتے ہوئے مؤثر اشارے واضح ہدایات فراہم کریں۔ انہیں مخصوصیت اور ابہام میں توازن رکھنا چاہیے، اور انہیں استعمال کیے جانے والے مخصوص ماڈل کے مطابق بنایا جانا چاہیے۔ فوری انجینئرنگ کے چیلنج سے نمٹنے کے لیے، صنعت نے مختلف طریقوں کی تلاش کی ہے:

• فوری لائبریریاں - کچھ کمپنیاں پہلے سے لکھے ہوئے اشارے کی لائبریریوں کو تیار کرتی ہیں جن تک آپ رسائی اور اپنی مرضی کے مطابق بنا سکتے ہیں۔ ان لائبریریوں میں مختلف استعمال کے معاملات کے لیے تیار کردہ پرامپٹس کی ایک وسیع رینج ہوتی ہے، جو آپ کو اپنی مخصوص ضروریات کے مطابق ہونے والے اشارے کو منتخب کرنے یا اپنانے کی اجازت دیتی ہے۔
• فوری ٹیمپلیٹس اور رہنما خطوط - بہت سی کمپنیاں اور تنظیمیں صارفین کو پہلے سے طے شدہ پرامپٹ ٹیمپلیٹس اور رہنما خطوط فراہم کرتی ہیں۔ یہ ٹیمپلیٹس پرامپٹس لکھنے کے لیے ساختی فارمیٹس پیش کرتے ہیں، جس سے یہ مؤثر ہدایات کو تیار کرنا آسان ہو جاتا ہے۔
• کمیونٹی اور صارف کے تعاون - کراؤڈ سورس پلیٹ فارمز اور صارف کمیونٹیز اکثر اشارے کو بہتر بنانے میں اہم کردار ادا کرتے ہیں۔ صارفین اپنے عمدہ ماڈلز، کامیاب اشارے، تجاویز، اور بہترین طریقوں کو کمیونٹی کے ساتھ شیئر کر سکتے ہیں، دوسروں کو ان کی فوری لکھنے کی مہارتوں کو سیکھنے اور بہتر بنانے میں مدد کر سکتے ہیں۔
• ماڈل فائن ٹیوننگ - کمپنیاں مخصوص قسم کے اشارے کو بہتر طور پر سمجھنے اور ان کا جواب دینے کے لیے اپنے ٹیکسٹ ٹو امیج ماڈلز کو ٹھیک کر سکتی ہیں۔ فائن ٹیوننگ مخصوص ڈومینز یا استعمال کے معاملات کے لیے ماڈل کی کارکردگی کو بہتر بنا سکتی ہے۔

ان صنعتی طریقوں کا مقصد اجتماعی طور پر ٹیکسٹ ٹو امیج پرامپٹس کو موثر بنانے کے عمل کو زیادہ قابل رسائی، صارف دوست اور موثر بنانا ہے، بالآخر ایپلی کیشنز کی ایک وسیع رینج کے لیے ٹیکسٹ ٹو امیج جنریشن ماڈلز کی افادیت اور استعداد کو بڑھانا ہے۔

فوری ڈیزائن کے لیے RAG کا استعمال

اس سیکشن میں، ہم اس بات کا جائزہ لیتے ہیں کہ کس طرح RAG تکنیک ان موجودہ طریقوں کے ساتھ ہم آہنگی میں کام کرتے ہوئے فوری انجینئرنگ میں گیم چینجر کے طور پر کام کر سکتی ہے۔ بغیر کسی رکاوٹ کے RAG کو عمل میں ضم کرکے، ہم فوری ڈیزائن کی کارکردگی کو ہموار اور بڑھا سکتے ہیں۔

فوری ڈیٹا بیس میں سیمنٹک تلاش

ایک ایسی کمپنی کا تصور کریں جس نے اپنی پرامپٹ لائبریری میں پرامپٹس کا ایک وسیع ذخیرہ جمع کر رکھا ہے یا اس نے بڑی تعداد میں پرامپٹ ٹیمپلیٹس بنائے ہیں، جن میں سے ہر ایک کو مخصوص استعمال کے معاملات اور مقاصد کے لیے ڈیزائن کیا گیا ہے۔ روایتی طور پر، اپنے ٹیکسٹ ٹو امیج پرامپٹس کے لیے الہام حاصل کرنے والے صارفین دستی طور پر ان لائبریریوں کے ذریعے براؤز کریں گے، اکثر اختیارات کی وسیع فہرستوں کو تلاش کرتے ہیں۔ یہ عمل وقت طلب اور ناکارہ ہو سکتا ہے۔ ٹیکسٹ ایمبیڈنگ ماڈلز کا استعمال کرتے ہوئے پرامپٹ لائبریری سے پرامپٹس کو ایمبیڈ کرکے، کمپنیاں ایک سیمنٹک سرچ انجن بنا سکتی ہیں۔ یہاں یہ ہے کہ یہ کیسے کام کرتا ہے:

• ایمبیڈنگ پرامپٹس - کمپنی اپنی لائبریری میں ہر پرامپٹ کو عددی نمائندگی میں تبدیل کرنے کے لیے ٹیکسٹ ایمبیڈنگز کا استعمال کرتی ہے۔ یہ سرایتیں اشارے کے معنی اور سیاق و سباق کو حاصل کرتی ہیں۔
• صارف کا استفسار - جب صارفین اپنی مرضی کے اشارے فراہم کرتے ہیں یا اپنی مطلوبہ تصویر کی وضاحت کرتے ہیں، تو سسٹم ان کے ان پٹ کا تجزیہ اور ایمبیڈ بھی کر سکتا ہے۔
• لفظی تلاش - ایمبیڈنگز کا استعمال کرتے ہوئے، سسٹم ایک سیمنٹک تلاش کرتا ہے۔ یہ پرامپٹ لائبریری میں صارف کے ان پٹ اور تاریخی ڈیٹا دونوں پر غور کرتے ہوئے، صارف کے استفسار کی بنیاد پر لائبریری سے سب سے زیادہ متعلقہ اشارے بازیافت کرتا ہے۔

اپنی پرامپٹ لائبریریوں میں سیمنٹک تلاش کو لاگو کرکے، کمپنیاں اپنے ملازمین کو یہ بااختیار بناتی ہیں کہ وہ آسانی کے ساتھ پرامپٹس کے وسیع ذخائر تک رسائی حاصل کریں۔ یہ نقطہ نظر نہ صرف فوری تخلیق کو تیز کرتا ہے بلکہ متن سے تصویر کی تخلیق میں تخلیقی صلاحیتوں اور مستقل مزاجی کی حوصلہ افزائی کرتا ہے۔

سیمنٹک تلاش سے فوری نسل

اگرچہ سیمنٹک تلاش متعلقہ اشارے تلاش کرنے کے عمل کو ہموار کرتی ہے، لیکن RAG ان تلاش کے نتائج کو بہتر بنانے کے لیے استعمال کرکے اسے ایک قدم آگے لے جاتا ہے۔ یہاں یہ ہے کہ یہ کیسے کام کرتا ہے:

• سیمنٹک تلاش کے نتائج - لائبریری سے سب سے زیادہ متعلقہ اشارے حاصل کرنے کے بعد، سسٹم صارف کے اصل ان پٹ کے ساتھ ساتھ صارف کو یہ اشارے پیش کرتا ہے۔
• ٹیکسٹ جنریشن ماڈل - صارف تلاش کے نتائج سے ایک پرامپٹ منتخب کر سکتا ہے یا اپنی ترجیحات پر مزید سیاق و سباق فراہم کر سکتا ہے۔ سسٹم منتخب شدہ پرامپٹ اور صارف کے ان پٹ دونوں کو LLM میں فیڈ کرتا ہے۔
• آپٹمائزڈ پرامپٹ – LLM، زبان کی باریکیوں کی اپنی سمجھ کے ساتھ، ایک بہترین پرامپٹ تیار کرتا ہے جو منتخب کردہ پرامپٹ اور صارف کے ان پٹ کے عناصر کو یکجا کرتا ہے۔ یہ نیا پرامپٹ صارف کی ضروریات کے مطابق بنایا گیا ہے اور مطلوبہ امیج آؤٹ پٹ حاصل کرنے کے لیے ڈیزائن کیا گیا ہے۔

سیمنٹک سرچ اور پرامپٹ جنریشن کا امتزاج نہ صرف پرامپٹ تلاش کرنے کے عمل کو آسان بناتا ہے بلکہ اس بات کو بھی یقینی بناتا ہے کہ پیدا ہونے والے اشارے انتہائی متعلقہ اور موثر ہوں۔ یہ آپ کو اپنے اشارے کو بہتر بنانے اور اپنی مرضی کے مطابق بنانے کے لیے بااختیار بناتا ہے، جو آخر کار متن سے تصویری نسل کے بہتر نتائج کا باعث بنتا ہے۔ سیمنٹک سرچ اور پرامپٹ جنریشن کے پرامپٹس کا استعمال کرتے ہوئے Stable Diffusion XL سے بنائی گئی تصاویر کی مثالیں درج ذیل ہیں۔

اصل پرامپٹ	سیمنٹک تلاش سے اشارے	ایل ایل ایم کے ذریعہ آپٹمائزڈ پرامپٹ
ایک چھوٹے کتے کا کارٹون	رات کے کھانے کی میز پر سینڈوچ رکھنے والے کتے کا پیارا کارٹون ایک گنڈا کتے کی ایک کارٹون مثال، موبائل فون کا انداز، سفید پس منظر ایک لڑکے کا کارٹون اور اس کے کتے جنگل کی گلی میں چل رہے ہیں۔	حرکت پذیری کے انداز میں ایک لڑکے کا ایک کارٹون منظر جو اپنے پیارے پالتو کتے کے ساتھ جنگل کی گلی میں ہاتھ ملا کر خوشی سے چل رہا ہے۔

مختلف صنعتوں میں RAG پر مبنی فوری ڈیزائن ایپلی کیشنز

اس سے پہلے کہ ہم اپنے تجویز کردہ RAG فن تعمیر کے اطلاق کو دریافت کریں، آئیے ایک ایسی صنعت سے آغاز کرتے ہیں جس میں تصویر بنانے کا ماڈل سب سے زیادہ قابل اطلاق ہوتا ہے۔ AdTech میں رفتار اور تخلیقی صلاحیتیں اہم ہیں۔ RAG پر مبنی پرامپٹ جنریشن اشتھاراتی مہم کے لیے فوری طور پر بہت سی تصاویر بنانے کے لیے فوری تجاویز تیار کر کے فوری قدر میں اضافہ کر سکتی ہے۔ انسانی فیصلہ ساز مہم کے لیے امیدوار کی تصویر کو منتخب کرنے کے لیے خود کار طریقے سے تیار کردہ تصاویر کے ذریعے جا سکتے ہیں۔ یہ خصوصیت ایک اسٹینڈ اپلی کیشن ہوسکتی ہے یا فی الحال دستیاب مقبول سافٹ ویئر ٹولز اور پلیٹ فارمز میں سرایت کر سکتی ہے۔

ایک اور صنعت جہاں مستحکم پھیلاؤ ماڈل پیداواری صلاحیت کو بڑھا سکتا ہے میڈیا اور تفریح ​​ہے۔ مثال کے طور پر، RAG فن تعمیر اوتار تخلیق کے استعمال کے معاملات میں مدد کر سکتا ہے۔ ایک سادہ پرامپٹ سے شروع کرتے ہوئے، RAG اوتار کے خیالات میں بہت زیادہ رنگ اور خصوصیات شامل کر سکتا ہے۔ یہ امیدواروں کے بہت سے اشارے پیدا کر سکتا ہے اور مزید تخلیقی خیالات فراہم کر سکتا ہے۔ ان تیار کردہ تصاویر سے، آپ دی گئی ایپلیکیشن کے لیے بہترین فٹ پا سکتے ہیں۔ یہ خود بخود بہت سی فوری تجاویز تیار کرکے پیداواری صلاحیت کو بڑھاتا ہے۔ اس کے ساتھ جو تغیر سامنے آسکتا ہے وہ حل کا فوری فائدہ ہے۔

حل جائزہ

AWS پر فوری ڈیزائن کے لیے صارفین کو اپنا RAG پر مبنی AI اسسٹنٹ بنانے کے لیے بااختیار بنانا جدید ٹیکنالوجی کی استعداد کا ثبوت ہے۔ AWS اس کوشش کو آسان بنانے کے لیے بہت سارے اختیارات اور خدمات فراہم کرتا ہے۔ مندرجہ ذیل حوالہ آرکیٹیکچر ڈایاگرام AWS پر فوری ڈیزائن کے لیے ایک RAG ایپلیکیشن کی وضاحت کرتا ہے۔

جب آپ کے AI اسسٹنٹ کے لیے صحیح LLMs کو منتخب کرنے کی بات آتی ہے، تو AWS آپ کی مخصوص ضروریات کو پورا کرنے کے لیے انتخاب کا ایک سپیکٹرم پیش کرتا ہے۔

سب سے پہلے، آپ مخصوص مثالوں کو استعمال کرتے ہوئے SageMaker JumpStart کے ذریعے دستیاب LLMs کا انتخاب کر سکتے ہیں۔ یہ مثالیں Falcon، Llama 2، Bloom Z، اور Flan-T5 سمیت متعدد ماڈلز کی حمایت کرتی ہیں، یا آپ AI2 Labs سے Cohere's Command اور Multilingual Embedding، یا Jurassic-21 جیسے ملکیتی ماڈلز کو تلاش کر سکتے ہیں۔

اگر آپ زیادہ آسان طریقہ کو ترجیح دیتے ہیں، تو AWS LLMs آن پیش کرتا ہے۔ ایمیزون بیڈرکجیسے ماڈلز کی خاصیت ایمیزون ٹائٹن اور انتھروپک کلاڈ۔ یہ ماڈل سیدھی سادی API کالز کے ذریعے آسانی سے قابل رسائی ہیں، جس سے آپ آسانی کے ساتھ اپنی طاقت کا استعمال کر سکتے ہیں۔ اختیارات کی لچک اور تنوع اس بات کو یقینی بناتا ہے کہ آپ کو LLM کا انتخاب کرنے کی آزادی ہے جو آپ کے فوری ڈیزائن کے اہداف کے ساتھ بہترین موافقت رکھتا ہے، چاہے آپ کھلے کنٹینرز کے ساتھ اختراع کی تلاش کر رہے ہوں یا ملکیتی ماڈلز کی مضبوط صلاحیتوں کے ساتھ۔

جب ضروری ویکٹر ڈیٹا بیس بنانے کی بات آتی ہے، تو AWS اپنی مقامی خدمات کے ذریعے بہت سارے اختیارات فراہم کرتا ہے۔ آپ انتخاب کر سکتے ہیں۔ ایمیزون اوپن سرچ سروس, ایمیزون ارورہ، یا Amazon Relational Database Service (Amazon RDS) PostgreSQL کے لیے، ہر ایک آپ کی مخصوص ضروریات کے مطابق مضبوط خصوصیات پیش کرتا ہے۔ متبادل طور پر، آپ AWS پارٹنرز جیسے Pinecone، Weaviate، Elastic، Milvus، یا Chroma کی مصنوعات کو تلاش کر سکتے ہیں، جو موثر ویکٹر اسٹوریج اور بازیافت کے لیے خصوصی حل فراہم کرتے ہیں۔

فوری ڈیزائن کے لیے RAG پر مبنی AI اسسٹنٹ کی تعمیر شروع کرنے میں آپ کی مدد کرنے کے لیے، ہم نے اپنے میں ایک جامع مظاہرہ پیش کیا ہے۔ GitHub کے ذخیرہ یہ مظاہرہ درج ذیل وسائل کا استعمال کرتا ہے:

• امیج جنریشن: ایمیزون بیڈرک پر مستحکم ڈفیوژن XL
• ٹیکسٹ ایمبیڈنگ: ایمیزون بیڈرک پر ایمیزون ٹائٹن
• ٹیکسٹ جنریشن: ایمیزون بیڈرک پر کلاڈ 2
• ویکٹر ڈیٹا بیس: FAISS، موثر مماثلت کی تلاش کے لیے ایک اوپن سورس لائبریری
• پرامپٹ لائبریری: سے فوری مثالیں۔ بازی ڈی بیٹیکسٹ ٹو امیج جنریٹیو ماڈلز کے لیے پہلا بڑے پیمانے پر پرامپٹ گیلری ڈیٹاسیٹ

مزید برآں، ہم نے LLM کے نفاذ کے لیے LangChain اور ویب ایپلیکیشن کے جزو کے لیے Streamit کو شامل کیا ہے، جو ایک ہموار اور صارف دوست تجربہ فراہم کرتا ہے۔

شرائط

اس ڈیمو ایپلیکیشن کو چلانے کے لیے آپ کو درج ذیل چیزوں کی ضرورت ہے:

• AWS اکاؤنٹ
• نیویگیٹ کرنے کے طریقے کی بنیادی سمجھ ایمیزون سیج میکر اسٹوڈیو
• ریپو ڈاؤن لوڈ کرنے کے طریقے کی بنیادی سمجھ GitHub کے
• ٹرمینل پر کمانڈ چلانے کا بنیادی علم

ڈیمو ایپلیکیشن چلائیں۔

آپ تمام ضروری کوڈ کو ہدایات کے ساتھ ڈاؤن لوڈ کر سکتے ہیں۔ GitHub کے ریپو ایپلیکیشن کے تعینات ہونے کے بعد، آپ کو مندرجہ ذیل اسکرین شاٹ جیسا صفحہ نظر آئے گا۔

اس مظاہرے کے ساتھ، ہمارا مقصد عمل درآمد کے عمل کو قابل رسائی اور قابل فہم بنانا ہے، جس سے آپ کو RAG کی دنیا میں اپنے سفر کو شروع کرنے اور AWS پر فوری ڈیزائن کرنے کے لیے ایک تجربہ فراہم کرنا ہے۔

صاف کرو

ایپ کو آزمانے کے بعد، ایپلیکیشن کو روک کر اپنے وسائل کو صاف کریں۔

نتیجہ

RAG فوری ڈیزائن کی دنیا میں ایک گیم بدلنے والے نمونے کے طور پر ابھرا ہے، جو Stable Diffusion کی متن سے تصویری صلاحیتوں کو زندہ کرتا ہے۔ RAG کی تکنیکوں کو موجودہ طریقوں سے ہم آہنگ کرکے اور AWS کے مضبوط وسائل کا استعمال کرتے ہوئے، ہم نے ہموار تخلیقی صلاحیتوں اور تیز رفتار سیکھنے کا راستہ دریافت کیا ہے۔

اضافی وسائل کے لیے، درج ذیل ملاحظہ کریں:

---

مصنفین کے بارے میں

جیمز یی ایمیزون ویب سروسز میں ایمرجنگ ٹیکنالوجیز ٹیم میں ایک سینئر AI/ML پارٹنر سلوشنز آرکیٹیکٹ ہے۔ وہ انٹرپرائز صارفین اور شراکت داروں کے ساتھ کام کرنے کے بارے میں پرجوش ہے تاکہ ان کی کاروباری اقدار کو حاصل کرنے کے لیے AI/ML ایپلیکیشنز کو ڈیزائن، تعینات اور اسکیل کیا جا سکے۔ کام سے باہر، وہ فٹ بال کھیلنا، سفر کرنا اور اپنے خاندان کے ساتھ وقت گزارنا پسند کرتا ہے۔

رومی اولسن AWS پارٹنر پروگرام میں ایک حل آرکیٹیکٹ ہے۔ وہ اپنے موجودہ کردار میں بغیر سرور اور مشین لرننگ سلوشنز میں مہارت رکھتی ہے، اور قدرتی زبان کی پروسیسنگ ٹیکنالوجیز میں اس کا پس منظر ہے۔ وہ اپنا زیادہ تر فارغ وقت اپنی بیٹی کے ساتھ پیسیفک نارتھ ویسٹ کی فطرت کی کھوج میں گزارتی ہے۔

• SEO سے چلنے والا مواد اور PR کی تقسیم۔ آج ہی بڑھا دیں۔
• پلیٹو ڈیٹا ڈاٹ نیٹ ورک ورٹیکل جنریٹو اے آئی۔ اپنے آپ کو بااختیار بنائیں۔ یہاں تک رسائی حاصل کریں۔
• پلیٹوآئ اسٹریم۔ ویب 3 انٹیلی جنس۔ علم میں اضافہ۔ یہاں تک رسائی حاصل کریں۔
• پلیٹو ای ایس جی۔ کاربن، کلین ٹیک، توانائی ، ماحولیات، شمسی، ویسٹ مینجمنٹ یہاں تک رسائی حاصل کریں۔
• پلیٹو ہیلتھ۔ بائیوٹیک اینڈ کلینیکل ٹرائلز انٹیلی جنس۔ یہاں تک رسائی حاصل کریں۔
• ماخذ: https://aws.amazon.com/blogs/machine-learning/improve-your-stable-diffusion-prompts-with-retrieval-augmented-generation/