எளிமையாப் புரிஞ்சுக்கலாம்

Generative AI text, image, audio, video போன்ற புதிய content-க்கான candidate output-ஐ உருவாக்கும். Autoregressive models, diffusion, GANs என்று வெவ்வேறு முறைகள் இருக்கின்றன. Diffusion-ல் noise-ஐ நீக்க உதவும் process கற்றுக்கொள்ளப்படுகிறது. ஏற்கனவே சேமித்த படத்தைத் தேடி எடுப்பது மட்டுமல்ல. எந்த input, output வகைகள் வேலை செய்யும் என்பது model, product-ஐப் பொறுத்து மாறும். எல்லா system-மும் எல்லா வகையையும் support செய்யும்னு நினைக்க வேண்டாம்.

இந்த AI approach எப்படி வேலை செய்கிறது?

Generative model புதிய samples உருவாக்க ஒரு distribution அல்லது generation procedure கற்றுக்கொள்ளும். கிடைக்கும் output ஒரு candidate; அது verify செய்யப்பட்ட உண்மை என்று அர்த்தமில்லை. Prompt, class label, source image, audio context போன்ற கூடுதல் தகவலை வைத்து உருவாக்குவது conditional generation. Generative AI என்பது ஒரு chatbot product-ஓட பெயர் மட்டும் இல்லை.

Autoregressive model sequence-ஐ அடுத்தடுத்த conditional predictions-ஆக உருவாக்கும். Diffusion training-ல் data-க்கு படிப்படியாக noise சேர்க்கும் process-க்கு தொடர்பான reverse denoising கற்றுக்கொள்ளும். Generation-ல் noise-லிருந்து தொடங்கி learned denoising steps மூலம் output வரும்; text conditioning-மும் இருக்கலாம். GAN-ல் generator, discriminator எதிரெதிர் objectives-ல் train ஆகும். VAE latent representation, probabilistic reconstruction objective பயன்படுத்தும். ஒவ்வொரு family-க்கும் training, sampling trade-offs வேறு.

Prompt கொடுத்தால் exact control கிடைக்கும் என்று இல்லை. Image model count தவறலாம்; தமிழ் எழுத்துகளைச் சரியாக உருவாக்காமல் போகலாம். Text model ஆதாரமில்லாத claim சொல்லலாம். Seed, prompt, decoding settings, model version, postprocessing எல்லாம் output-ஐ பாதிக்கலாம். Image input வாங்கும் model கண்டிப்பாக image output உருவாக்கும் என்று சொல்ல முடியாது.

Task-க்கு ஏற்ற evaluation தேவை. Explanation-க்கு factual support, relevance; structured output-க்கு instruction adherence; image-க்கு visual consistency பார்க்கலாம். Meaning, style-க்கு மனித review உதவும். Training-data rights, consent, impersonation, provenance போன்றவற்றையும் கவனிக்கணும். Output அழகாக இருப்பதும் நம்பகமாக இருப்பதும் தனித்தனி விஷயங்கள்.

ஒவ்வொரு படியாகப் பார்க்கலாம்

1. என்ன output வேண்டும், என்ன நிபந்தனைகள் வேண்டும் என்று முதலில் சொல்லுங்க.
2. Candidate வந்ததும் facts, format, பயன்பாட்டுக்கு ஏற்றதா என்று பாருங்க.
3. நிஜ source material பயன்படுத்தும்போது அது எங்கிருந்து வந்தது, பயன்படுத்த அனுமதி இருக்கா என்பதையும் கவனிங்க.

உதாரணம்: task-உடன் approach-ஐ இணைக்கலாம்

Course thumbnail-க்கு title text இல்லாமல் illustration உருவாக்கலாம். பிறகு சரிபார்த்த தமிழ் title-ஐ சாதாரண typography மூலம் சேர்க்கலாம். இதனால் image generation-உம் exact text rendering-உம் தனியாகக் கட்டுப்படுத்தலாம். தவறான diagrams, அர்த்தமில்லாத technical symbols வந்திருக்கிறதா என்று review செய்யுங்க.

Lesson explanation எழுத approved factual outline கொடுத்து, பிறகு ஒவ்வொரு technical claim-ஐயும் verify செய்யணும். Random words தேர்வு செய்யும் template அல்லது சின்ன noise filter, learned generative model-க்கு சமம் இல்லை. அதனால்தான் இங்கே அப்படிப்பட்ட code-ஐ AI என்று காட்டாமல் workflow-ஐ ஆராய்கிறோம்.

கருத்தைப் பயன்படுத்தலாம்: உங்க புரிதலைச் சோதிங்க

அடுத்த பாடத்துக்கு முன்னாடி

• Technical பெயரை மட்டும் சொல்லாமல், கருத்தை உங்க வார்த்தைகளில் விளக்கிப் பாருங்க.
• Approach என்ன, அதன் assumptions என்ன, result-ஐ நம்ப என்ன evidence வேண்டும் என்று சொல்லிப் பாருங்க.
• பயிற்சியை முயற்சி செய்துவிட்டு, உங்க காரணத்தை விடையோடு ஒப்பிட்டுப் பாருங்க.

ஆதாரங்கள்: இன்னும் தெரிஞ்சுக்கலாம்

இந்தப் புதுப்பிப்பில் original research papers மற்றும் official documentation பயன்படுத்தப்பட்டுள்ளன. கீழே உள்ள கூடுதல் links ஆங்கிலத்தில் இருக்கும். அவற்றை முதலில் படிக்காமலேயே இந்தப் பாடத்தைப் புரிஞ்சுக்கலாம். Product versions, availability மாறலாம்.

• Denoising Diffusion Probabilistic Models, 2020 ↗
• Hugging Face: model cards ↗