U svijetu umjetne inteligencije generiranje slika iz teksta često izgleda kao igra na sreću. Korisnik zamišlja scenu, sastavlja opis i pritisne gumb za generiranje, a rezultat se čini daleko od onoga što je zamislio. Taj jaz između mentalne vizije i konačnog izlaza postao je čest problem u području text‑to‑image (T2I) modela. Iako su modeli izuzetno moćni, nedostaje im sposobnost da u jednom koraku shvate subjektivne, individualne preferencije korisnika.
Kako PASTA funkcionira
Googleov tim je razvio PASTA – Preference Adaptive and Sequential Text‑to‑Image Agent – koji pretvara proces generiranja slika u interaktivni dijalog. Umjesto da korisnik dobije sliku na prvi pokušaj, PASTA vodi višestruke razgovore, učeći iz povratnih informacija u stvarnom vremenu. Agent koristi tehnike pojačanja učenja (reinforcement learning) kako bi optimizirao svoje odluke na temelju korisničkih preferencija.
Obuka PASTA‑a podijeljena je na dva koraka. Prvo je prikupljen skup od preko 7.000 interakcija s ljudskim ocjenjivačima, gdje su korisnici kombinirali Gemini Flash za proširivanje upita i Stable Diffusion XL za stvaranje slika. Na temelju tih podataka izgrađen je sofisticirani simulator korisnika, koji se sastoji od:
- Modela korisnosti – predviđa koliko će korisnik uživati u određenoj slici.
- Modela preferencija – procjenjuje vjerojatnost da će korisnik odabrati jednu sliku nad drugom, uzimajući u obzir prethodne izbore.
Ovaj simulator omogućuje treniranje PASTA‑a na velikom broju hipotetskih interakcija bez stalne angažiranosti ljudi, čime se agentu daje prilika da nauči kako se preferencije mijenjaju tijekom razgovora.
Prednosti interaktivnog pristupa
PASTA donosi tri ključne prednosti:
- Personalizacija – Agent uči specifične estetske sklonosti svakog korisnika, prilagođavajući se njegovom stilu i željama.
- Preciznost – Umjesto da se oslanja na jedan pokušaj, PASTA iterativno prilagođava sliku, što rezultira većom točnošću u odnosu na korisničku viziju.
- Učinkovitost – Smanjuje potrebu za više ponovljenih generacija, jer agent uči iz povratnih informacija i brzo se usklađuje s ciljevima korisnika.
Primjena u praksi
PASTA se može integrirati u različite platforme: od dizajnerskih alata i društvenih mreža do edukativnih aplikacija. Na primjer, dizajner može koristiti PASTA za stvaranje ilustracija koje točno odražavaju vizualni identitet brenda, dok umjetnik može eksperimentirati s različitim stilovima i dobiti povratne informacije u realnom vremenu.
Osim toga, PASTA otvara mogućnosti za personalizirane marketinške kampanje, gdje se slike prilagođavaju specifičnim preferencijama ciljne publike, čime se povećava angažman i konverzija.
FAQ
Kako se PASTA razlikuje od tradicionalnih T2I modela?
Tradicionalni modeli generiraju sliku na temelju jednog upita, bez mogućnosti prilagodbe na temelju povratnih inform