ন্যানো কলা: এটি কী এবং গুগলের মডেল কীভাবে কাজ করে

ইনফরমটেক ডিজিটাল » কৃত্রিম বুদ্ধিমত্তা » ন্যানো কলা: এটি কী এবং গুগলের মডেল কীভাবে কাজ করে

সাম্প্রতিক দিনগুলোতে, এআই-চালিত ভিজ্যুয়াল এডিটিং পরীক্ষায় এর পারফরম্যান্সের কারণে ‘ন্যানো ব্যানানা’ নামটি প্রযুক্তিগত ফোরাম এবং নেটওয়ার্কগুলোতে দাবানলের মতো ছড়িয়ে পড়েছে। যা একসময় রহস্যের মতো মনে হচ্ছিল, এখন তার রচয়িতা পাওয়া গেছে: এর পেছনে রয়েছে গুগল এবং জেমিনিতে সমন্বিত তাদের নতুন ইমেজ ইঞ্জিন।

কোম্পানিটি নিশ্চিত করেছে যে ন্যানো ব্যানানা হলো জেমিনি ২.৫ ফ্ল্যাশ ইমেজ- এর ছদ্মনাম । এটি এমন একটি সিস্টেম যা স্বাভাবিক ভাষা ব্যবহার করে ছবি তৈরি ও রিটাচ করতে সক্ষম এবং ছবির স্টাইল, চরিত্র ও বস্তুসমূহকে এমন ধারাবাহিকতার সাথে বজায় রাখে, যা পূর্বে এই ধরনের মডেলগুলোর পক্ষে কঠিন ছিল।

ন্যানো কলা কী এবং এর পিছনে কে?

প্রথম দিকের আবির্ভাবের সময়, মডেলটিকে "ন্যানো ব্যানানা" ডাকনামে এলএম এরিনা র‍্যাঙ্কিংয়ে স্থান দেওয়া হয়েছিল, যা জল্পনা এবং "ব্যানানা" রসিকতার জন্ম দেয় যতক্ষণ না গুগল আনুষ্ঠানিকভাবে এটিকে জেমিনির অংশ হিসাবে পরিচয় করিয়ে দেয়। অন্তর্নিহিত ধারণাটি স্পষ্ট: চিত্র তৈরি এবং সম্পাদনাকে একটি সহজ, কথোপকথনমূলক এবং দ্রুত কর্মপ্রবাহে একত্রিত করা।

গুগল জোর দিয়ে বলেছে যে, তাদের এই পদ্ধতিটি জেমিনির বিশ্বজ্ঞান এবং উন্নত এআই মডেলের ওপর নির্ভর করে , যা নির্দেশাবলীর প্রেক্ষাপট বুঝতে এবং শুধুমাত্র দৃশ্যমান জেনারেটরের চেয়ে আরও সুনির্দিষ্ট পরিবর্তন প্রয়োগ করতে সাহায্য করে।

কথোপকথন সম্পাদনা: প্রম্পট থেকে সূক্ষ্ম-টিউনিং পর্যন্ত

মডেলটি স্বাভাবিক ভাষার কমান্ডের সাহায্যে কাজ করে এবং আপনাকে ছবিটির সাথে মিথস্ক্রিয়া করার সুযোগ দেয়: আপনি বলতে পারেন "আকাশটিকে আরও নাটকীয় করুন", "ওই চিহ্নটি সরান" বা "গাড়িটির রঙ লাল করে দিন" এবং একেবারে শুরু থেকে না করেই পরবর্তী ধাপগুলোতে ফলাফলটিকে আরও পরিমার্জন করতে পারেন।

এই বহু-মুখী ইন্টারঅ্যাকশন প্রচলিত টুলগুলোর সাধারণ অসুবিধা কমিয়ে দেয়। গুগলের মতে, নির্দিষ্ট এলাকা নির্বাচন করে রঙ, আলো বা টেক্সচার সমন্বয় করা, অবাঞ্ছিত উপাদান অপসারণ করা, ব্যাকগ্রাউন্ড প্রতিস্থাপন করা এবং এমন অবজেক্ট যুক্ত করা সম্ভব যা ছায়া ও পরিপ্রেক্ষিত বজায় রেখে নির্বিঘ্নে মিশে যায়।

সাধারণ রিটাচিং ছাড়াও, এই প্ল্যাটফর্মটি "একই চরিত্রকে অন্য দৃশ্যে রাখুন" বা "পণ্যটি বিভিন্ন কোণ থেকে দেখান"-এর মতো নির্দেশনা বুঝতে পারে এবং প্রতিটি এডিটের মধ্যে বিষয়বস্তু ও তার চেহারায় সামঞ্জস্য বজায় রাখে ।

ধারাবাহিকতা, গুণমান এবং গতি

অন্যতম উল্লেখযোগ্য অগ্রগতি হলো ধারাবাহিক সংস্করণগুলোর মধ্যে দৃশ্যগত সামঞ্জস্যের উন্নতি : মুখের গড়ন, হাত, পোষা প্রাণী এবং বস্তুগুলো কম বিকৃতিসহ স্থিতিশীল থাকে, যা ঐতিহাসিকভাবে জেনারেটিভ মডেলগুলোর জন্য একটি সমস্যা ছিল।

আরও প্রাকৃতিক আলো এবং টেক্সচারের মাধ্যমে ফটোরিয়ালিজম উন্নত করা হয়েছে, এবং গুগলের দাবি অনুযায়ী এর পারফরম্যান্স অত্যন্ত দ্রুত , যা পণ্যের বিভিন্ন সংস্করণ বা থিমযুক্ত দৃশ্যের মতো কাজের সৃজনশীল প্রক্রিয়াকে ত্বরান্বিত করে।

কমিউনিটি টেস্টিং-এ, সিস্টেমটি ইমেজ এডিটিং-এর জন্য এলএম অ্যারেনা-তে র‍্যাঙ্কিং-এ উপরের দিকে উঠে এসেছে এবং ব্যবহারকারীদের রেটিং অনুযায়ী সেরা ইউজার এক্সপেরিয়েন্স প্রদানকারী ইঞ্জিনগুলোর মধ্যে নিজের স্থান করে নিয়েছে।

প্রধান সরঞ্জাম এবং ব্যবহারের ক্ষেত্রে

জেমিনি ২.৫ ফ্ল্যাশ ইমেজে সাধারণ ব্যবহারকারী এবং সৃজনশীল দল উভয়ের জন্যই বিভিন্ন ফিচার রয়েছে। এর সবচেয়ে আকর্ষণীয় কিছু ফিচারের মাধ্যমে আপনি একাধিক উৎস থেকে ছবি তৈরি করে সেগুলোকে একটি সামঞ্জস্যপূর্ণ পরিবেশে স্থাপন করতে পারবেন।

• প্রাসঙ্গিক পুনর্নির্মাণ: মূল উপাদানগুলি না হারিয়ে রঙ, এক্সপোজার, টেক্সচার, বা স্টাইল সমন্বয়।
• অপসারণ এবং প্রতিস্থাপন: আলো এবং ছায়ার একীকরণের মাধ্যমে বস্তু মুছে ফেলুন, পটভূমি পরিবর্তন করুন অথবা উপাদান যোগ করুন।
• রচনা এবং মিশ্রণ: দুটি ছবি এক দৃশ্যে একত্রিত করুন এবং স্থানান্তর করুন প্যাটার্ন বা স্টাইল এক ছবি থেকে অন্য ছবিতে।
• মাল্টি-শিফট সংস্করণ: প্রক্রিয়াটি পুনরায় শুরু না করেই চেইন পরিবর্তন (দেয়াল রঙ করা, আসবাবপত্র যোগ করা, পোশাক পরিবর্তন করা)।

মার্কেটিং, সাজসজ্জা, ফ্যাশন বা সোশ্যাল মিডিয়া কন্টেন্টের ক্ষেত্রে, প্রচলিত সফটওয়্যারের সাহায্য না নিয়েই দ্রুত বিভিন্ন রূপ তৈরি করতে, ব্র্যান্ডের উপকরণগুলোর ধারাবাহিকতা বজায় রাখতে এবং ভিজ্যুয়াল ধারণা পরীক্ষা করতে এই টুলটি ব্যবহৃত হয়।

নিরাপত্তা এবং ব্যবহারের সীমা

অপব্যবহার কমাতে, গুগল এমন ফিল্টার ব্যবহার করে যা সহিংস বা যৌনতাপূর্ণ বিষয়বস্তু ব্লক করে এবং বাস্তব মানুষ বা বিশিষ্ট ব্যক্তিদের ছবি সম্পাদনার ওপর বিধিনিষেধ আরোপ করে। এর লক্ষ্য হলো ভুল তথ্য এবং ডিপফেকের ঝুঁকি হ্রাস করা।

তৈরি বা সম্পাদনা করা সমস্ত ছবিতে সিন্থআইডি (SynthID) অন্তর্ভুক্ত থাকে , যা ফাইলের মধ্যেই থাকা একটি অদৃশ্য ডিজিটাল ওয়াটারমার্ক এবং এটি ছবির উৎস যাচাই করতে সাহায্য করে। এছাড়াও, শনাক্তকরণযোগ্যতা জোরদার করার জন্য কোম্পানিটি আরও কিছু সংকেত এবং সক্রিয় নিয়ন্ত্রণের কথা উল্লেখ করেছে।

ব্যবহার নীতিমালায় সম্মতি ছাড়া অন্তরঙ্গ সামগ্রী তৈরি এবং অন্যান্য সংবেদনশীল বিষয় স্পষ্টভাবে নিষিদ্ধ করা হয়েছে, যা জেমিনির পরিষেবাগুলিতে দায়িত্বশীল এআই-এর উপর গুরুত্বারোপকে আরও জোরদার করে।

জেমিনি অ্যাপে ন্যানো ব্যানানা কীভাবে ব্যবহার করবেন

ব্যবহার করা খুবই সহজ: অতিরিক্ত কিছু ইনস্টল করার বা কোনো নির্দিষ্ট মডেল বেছে নেওয়ার প্রয়োজন নেই। শুধু Gemini খুলুন, একটি ছবি আপলোড করুন এবং পরিবর্তনগুলো বর্ণনা করুন । যদি আপনি একটি পরিবর্তন ছাড়া বাকি সবকিছু রাখতে চান, তাহলে "মূল ছবিতে,..." দিয়ে শুরু করতে পারেন, যাতে এটা স্পষ্ট হয় যে বাকি অংশ অপরিবর্তিত থাকবে।

কিছু দরকারি উদাহরণ: "সাদা-কালোতে রূপান্তর করুন," "কোণার খুঁটিটি সরিয়ে ফেলুন," "বেঞ্চে একটি কুকুর যোগ করুন," অথবা "পোশাকটি সবুজ করে দিন।" পরিবর্তনটি প্রয়োগ করার সময় সিস্টেমটি বিষয়বস্তুর বৈশিষ্ট্য এবং আনুপাতিকতা বজায় রাখার চেষ্টা করে।

এছাড়াও আপনি দুটি ছবি আপলোড করতে পারেন এবং অনুরোধ করতে পারেন যেন একটির বিষয়বস্তু অন্যটিতে প্রদর্শিত হয়, অথবা কোনো নকশার শৈলী (যেমন, প্রজাপতির ডানা) দ্বিতীয় ছবিটির কোনো পোশাক বা বস্তুতে স্থানান্তরিত হয়।

ডেভেলপারদের জন্য প্রাপ্যতা এবং অ্যাক্সেস

এই কার্যকারিতাটি সাধারণ ব্যবহারকারীদের জন্য জেমিনি অ্যাপে উপলব্ধ । পেশাদার ইন্টিগ্রেশনের জন্য, এটি জেমিনি এপিআই, গুগল এআই স্টুডিও এবং ভার্টেক্স এআই-এর মাধ্যমে অ্যাক্সেস করা যায়, যা এন্টারপ্রাইজ এবং থার্ড-পার্টি অ্যাপে ওয়ার্কফ্লো তৈরির পথ খুলে দেয়।

যুক্তিসঙ্গত সীমাবদ্ধতা সাপেক্ষে অ্যাপের ভেতরে এটি বিনামূল্যে ব্যবহার করা যায়। ডেভেলপারদের জন্য, গুগল ব্যবহারের ভিত্তিতে মূল্য পরিশোধের (pay-as-you-go) ব্যবস্থা রেখেছে ; এপিআই-তে (API) একটি রেফারেন্স হিসেবে প্রতি মিলিয়ন টোকেনের জন্য ৩০ ডলার খরচের কথা উল্লেখ করা হয়েছে, এবং ব্যবহারের ধরনের ওপর নির্ভর করে আনুমানিক হিসাব অনুযায়ী প্রতিটি ছবির দাম কয়েক সেন্ট হতে পারে।

প্রতিযোগিতামূলক প্রেক্ষাপট

এই পদক্ষেপটি সরাসরি মিডজার্নি এবং ডাল-ই (ওপেনএআই) -এর মতো প্রতিদ্বন্দ্বীদের লক্ষ্য করে নেওয়া হয়েছে । গুগলের কৌশলটি জেমিনির প্রাসঙ্গিক বোধগম্যতার সহায়তায় কথোপকথনমূলক সম্পাদনা এবং সামঞ্জস্যপূর্ণ ফলাফলের উপর আলোকপাত করে।

এর ইকোসিস্টেমে ‘ন্যানো ব্যানানা’ নামটি অন্তর্ভুক্ত করার মাধ্যমে, কোম্পানিটি এমন একটি ক্ষেত্রে ব্যবধান ঘোচানোর চেষ্টা করছে যেখানে অন্তিম ব্যবহারকারীর জন্য গতি, গুণমান এবং নিয়ন্ত্রণ অত্যন্ত গুরুত্বপূর্ণ।

প্রায়শই জিজ্ঞাসিত প্রশ্নাবলী

কথোপকথনমূলক সম্পাদনা, বিভিন্ন শটে বিষয়বস্তুর সামঞ্জস্য এবং অন্তর্নির্মিত নিরাপত্তা ব্যবস্থার উপর গুরুত্ব দেওয়ায় , ন্যানো ব্যানানা (জেমিনি ২.৫ ফ্ল্যাশ ইমেজ) দৈনন্দিন জীবন ও পেশাদার প্রকল্প—উভয় ক্ষেত্রেই ছবি তৈরি ও রিটাচিং করার জন্য একটি নির্ভরযোগ্য বিকল্প হিসেবে গড়ে উঠছে, যা জেমিনি অ্যাপ বা এর এপিআই (API)-এর মাধ্যমে ব্যবহার করা যায়।

সম্পর্কিত নিবন্ধ:

ড্রিমস্টুডিও: এটি কী এবং কীভাবে কৃত্রিম বুদ্ধিমত্তা ব্যবহার করে ছবি তৈরি করা যায়