Adobe Firefly
Brug hverdagssprog til at skabe ekstraordinære resultater med generativ AI.
GÅ TIL AFSNIT
Hvordan fungerer generativ AI bag kulisserne?
Hvorfor generativ intelligens er så intelligent.
Hvordan forskellige typer af generative AI-modeller fungerer.
Hvordan generativ AI fungerer i den virkelige verden og dens fordele.
Udfordringer med kvalitet, bias og sikkerhed i generativ AI.
En kort beskrivelse af hvordan generativ AI virker.
I det seneste år har generativ kunstig intelligens fanget verdens opmærksomhed. Denne kraftfulde type AI kan skabe nyt indhold – som billeder, musik, tekst eller kode – baseret på mønstre, den lærer fra eksisterende data. Generativ AI fungerer ved at bruge dine input, som en tekstbeskrivelse eller et referencebillede, og derefter anvende avancerede modeller til at producere helt nyt output, der matcher din forespørgsel. Det er derfor, den kan skabe fantastiske billeder, skrive poesi, generere softwarekode eller endda producere en sang, der lyder ægte.
Snart kan generativ AI blive en lige så central del i vores liv som smartphones. For mange er det dog stadig et mysterium. Denne vejledning undersøger nærmere, hvad generativ AI er, hvad det ikke er, og hvordan det kan ændre den måde, vi arbejder og skaber på.
Hvordan fungerer generativ AI bag kulisserne?
Selvom generativ AI måske kan virke som magi, er den drevet af kompleks teknologi, der lærer af data og anvender mønstre til at skabe noget nyt. Ved at bryde det ned stykke for stykke bliver det lettere at forstå "magien".
Generativ AI er kunstig intelligens, der ikke blot analyserer eksisterende information – den genererer helt nyt indhold. Modeller trænes på basis af enorme datasæt af tekst, billeder, lyd eller video, hvor de lærer mønstre, relationer og stilarter. Når du giver modellen et input som en tekstbeskrivelse eller et referencebillede, anvender den det, den har lært, til at producere et originalt output, der matcher din forespørgsel.
Det er derfor, du kan bede en chatbot om at foreslå et slogan og få en helt ny idé på sekunder, eller bruge Firefly til at omdanne en beskrivelse til et billede, der ser håndtegnet eller fotorealistisk ud. Ud over kreative opgaver bruges generativ AI inden for videnskab og sundhedspleje til at designe nye proteiner, forbedre kræftbehandlinger og accelerere forskning. Dens potentiale rækker langt ud over ordspil – den er allerede ved at forandre mange brancher.
Hvorfor generativ intelligens er så intelligent.
Førhen kunne computerapplikationer ikke udføre en opgave, med mindre mennesker først gav udtrykkelige instruktioner om, hvordan opgaven skulle udføres. Disse instruktioner kaldes "programmering". Selvom avanceret programmering kan give imponerende resultater, kan et traditionelt computerprogram ikke gøre noget, som mennesker ikke har taget med i programmeringen af det.
Generative AI-systemer er mere fleksible, fordi de gør brug af maskinlæring, hvilket ikke kræver udtrykkelig programmering. I stedet for giver mennesker computere adgang til store mængder af data. Maskinerne oplærer sig selv i at genkende mønstre i de pågældende data og, hvad, der er helt afgørende, at drage konklusioner ud fra det, som de har lært. (Det er her, hvor læringsdelen af "maskinlæring" kommer ind.) Størrelsen og kvaliteten af datasættet er vigtigt. AI er kun så god som de data, den er oplært med.
At besvare spørgsmålet "Hvordan fungerer generativ AI?" er yderst vanskeligt, og det kræver en hel del at opnå en dyb forståelse af det. Det smukke ved generativ AI er dog, at du ikke behøver at forstå alt om det for at drage fordel af det. Du kan blot finde en app som Firefly, skrive, hvad du ønsker at se – "tre labradoodle-hvalpe løber på græsset" – og vupti, så er du bruger af generativ AI. Du behøver ikke en doktorgrad i programmering.
Sådan drives generativ AI.
Bag kulisserne afhænger generativ AI af kraftfuld hardware og storskala-databehandling for at fungere. Grafikprocessorer (GPU'er) og tensorprocessorer (TPU'er) håndterer de omfattende beregninger, der er nødvendige for at træne og køre disse modeller.
Processen består af to hovedfaser:
Træning.
Under træningen lærer modellerne fra enorme datasæt bestående af tekst, billeder, lyd eller video. Dette stadie er energikrævende, fordi det kræver distribueret databehandling, parallelbehandling og lange kørselstider for at genkende mønstre og relationer.
Inferens.
Når en model er trænet, kan den generere output på kommando, f.eks. skrive tekst, producere et billede eller oversætte lyd, med langt mindre energiforbrug. Inferens kan yderligere optimeres gennem teknikker som batchbehandling og udrulning i skyen.
Generativ AI kan være energikrævende, og virksomheder, der udvikler disse værktøjer, er i stigende grad opmærksomme på de miljømæssige omkostninger. Der arbejdes på at forbedre effektiviteten og reducere CO2-aftrykket, men der er stadig plads til forbedring.
Sådan trænes generativ AI.
For at kunne forstå hvordan generativ AI fungerer, hjælper det at se på, hvad der sker, før du overhovedet skriver en beskrivelse. AI-træningsprocessen omfatter grundig datarensning og -kuratering for at forbedre kvaliteten, forhåndstræning på basis af store datasæt for at etablere en vidensbase og finjustering til specifikke opgaver eller domæner.
Menneskelig feedback og sikkerhedstilpasning er også vigtige elementer, der hjælper med at raffinere outputs og reducere uønskede fordomme. Hos Adobe omfatter træningen licenserede og rettighedsafklarede data, herunder indhold fra Adobe Stock, så professionelle kreative kan bruge generative værktøjer med tillid.
Sådan fungerer forskellige typer af generative AI-modeller.
Der findes flere slags generative AI-modeller, og hver fungerer på lidt forskellige måder. At forstå forskellen mellem generativ AI og anden AI kan hjælpe dig med at afgøre, hvilken modeltype der passer bedst til dit specifikke projekt.
- Store sprogmodeller (LLM'er).
Trænet på basis af enorme tekstdatasæt genererer LLM'er, som ChatGPT eller Claude, naturligt lydende sprog ved at forudsige det næste ord i en sekvens. Dette gør dem kraftfulde til at skrive, besvare spørgsmål og skabe menneskelignende dialog. - Diffusionsmodeller.
Diffusionsmodeller, der er almindeligt brugt til billeder og video, starter med tilfældig støj og forfiner det gradvist til et klart resultat, der matcher en beskrivelse. Dette er metoden, der driver Firefly AI-billedgeneratoren. - Generative adversariale netværk (GAN'er).
GAN'er bruger to netværk: en generator, der skaber output, og en diskriminator, der evaluerer dem. Ved at konkurrere forbedrer de sig, indtil de genererede billeder ser realistiske ud. GAN'er var en tidlig drivkraft bag AI-kunst og deepfake-skabelse. - Variationelle autoencodere (VAE'er).
VAE'er komprimerer data til en enklere repræsentation og rekonstruerer det derefter, hvilket gør det muligt at generere variationer, der fanger "essensen" af originalen. De er særligt nyttige til at blande stilarter eller producere flere forskellige versioner. - Transformer-baserede modeller.
Transformers er den underliggende arkitektur bag mange generative systemer, herunder både LLM'er og diffusionsmodeller. De bruger en "opmærksomheds"-mekanisme til at forstå relationer på tværs af data, såsom ord i en sætning eller pixels i et billede, så outputs forbliver nøjagtige og kontekstuelt relevante.
Tilsammen gør disse modeltyper det muligt for generativ AI at håndtere alt fra tekst til video og fortsætte med at udvikle sig til mere kompetente og kreative systemer.
Hvordan generativ AI fungerer i den virkelige verden og dens fordele.
AI gav os virtuelle assistenter. Generativ AI derimod giver os virtuelle eksperter – dog med visse begrænsninger, som vi vil beskæftige os med senere. Så hvordan fungerer generativ AI i den virkelige verden for virksomheder, fagfolk og almindelige brugere? Ved at skabe nyt indhold på opfordring hjælper den teams med at arbejde hurtigere, udforske flere idéer og levere resultater, der engang krævede langt mere tid og ressourcer. Fordelene ved generativ AI spænder fra øget effektivitet til udvidet kreativitet, hvilket gør den til et værdifuldt værktøj på tværs af brancher.
Erhvervsvirksomheder og generativ AI.
Generativ AI kan skabe værdi ved at optimere den måde, som organisationer håndterer intern viden på. Kreative fagfolk kan bruge værktøjer som Adobe Firefly AI-figurgeneratoren til at udvikle unikke figurer til spil, film og markedsføringskampagner. Generativ AI har potentialet til at lade f.eks. strateger i tøjkæder søge i virksomhedens lagerbeholdning ved at stille spørgsmål som: "Solgte vi flere shorts end bukser sidste sommer?" Sådanne indsigter kan fremskynde beslutningstagning og strategiudvikling.
Ud over disse eksempler arbejder generativ AI på tværs af brancher for at øge produktiviteten, forbedre effektiviteten og inspirere til kreativitet. Den kan analysere komplekse datasæt fra regneark og rapporter til billeder og diagrammer langt hurtigere end mennesker er i stand til, hvilket hjælper teams med at finde indsigt og komme med anbefalinger. For markedsføringsfolk kan den strømline rutineprægede opgaver som at tilpasse størrelse på annoncer eller rapportere om elementernes præstation. Kreative som grafiske designere kan bruge AI som brainstormingpartnere, der foreslår nye retninger og variationer, som inspirerer til nye idéer.
Enkeltpersoner og generativ AI.
Enkeltpersoner anvender allerede generativ AI til at besvare generelle spørgsmål og foretage undersøgelser. (Bemærk, at svar og undersøgelse kræver faktatjek foretaget af mennesker – mere om dette og andre ulemper i nedenstående afsnit "Begrænsninger og udfordringer ved generativ AI").
At skabe kunst med generativ AI er også populært blandt privatpersoner. Du kan hurtigt afprøve koncepter, lave et moodboard og finde på ekstraordinære scener fra hverdagssprog. Der kan også være problemer her, fordi mange AI-kunstgenerator-værktøjer er trænet på copyrightbeskyttede billeder.
Men der kan også være bekymringer vedrørende copyright. For at varetage disse problematikker har Adobe oplært Firefly med licenserede billeder i Adobe Stock samt åbent licenseret indhold og offentligt domæneindhold, hvor copyright er udløbet. Eftersom Firefly er designet til at skulle bruges kommercielt, kan den åbne døre for mange andre områder, som f.eks. kommerciel kunst, design, spil, virtuelle miljøer og meget mere.
Udfordringer med kvalitet, fordomme og sikkerhed i generativ AI.
Mulighederne med generativ AI er forbløffende, men det er vigtigt at forstå dens begrænsninger. Disse udfordringer, såsom nøjagtighed, fordomme, intellektuel ejendomsret og de skiftende regler omkring AI-etik, stammer alle fra, hvordan generativ AI fungerer bag kulisserne.
- AI'en har ikke altid ret. Generativ AI kan producere resultater, der lyder overbevisende, men som ikke er faktuelt korrekte. Fordi generativ AI fungerer ved at forudsige mønstre i data snarere end at verificere fakta, kan den komme med informationer, der ser fine ud, men er ukorrekte. Den bedste sikkerhedsforanstaltning er stadig menneskelig overvågning og validering ved hjælp af pålidelige kilder.
- Fordomme findes overalt. At forstå, hvordan generativ AI fungerer – ved at lære fra store datasæt, der afspejler input fra den virkelige verden – forklarer, hvordan sociale fordomme f.eks. omkring køn eller race kan dukke op i resultaterne. Mens udviklere arbejder på at identificere og reducere fordomme gennem design og løbende overvågning, kan brugere også spille en rolle ved at genkende blinde vinkler, raffinere beskrivelser og dele feedback.
- Intellektuelle ejendomsrettigheder er et problem. Generativ AI trænes nogle gange på enorme samlinger af kreativt arbejde, hvilket kan medføre copyright-bekymringer. Professionelle skabere er med rette forsigtige med, hvordan deres indhold bruges, og domstolene er stadig i gang med at afklare de juridiske grænser. Adobe træner Firefly på licenseret og rettighedsgodkendte data og støtter initiativer som Content Authenticity Initiative (CAI) og det foreslåede "Do Not Train"-mærke, så skabere kan kontrollere, hvordan deres arbejde bruges.
Følg med i ændringerne med hensyn til, hvordan generativ AI fungerer.
Reglerne, politikken og lovgivningen omkring generativ AI er stadig under udvikling. Virksomheder og enkeltpersoner skal holde sig informeret, gennemgå privatlivspolitik omhyggeligt og undgå at uploade fortrolige oplysninger, de ønsker at holde private. For virksomheder betyder det at gennemgå output med henblik på korrekthed, fordomme og copyright-overvejelser. For enkeltpersoner betyder det at behandle generativ AI som en kreativ samarbejdspartner, ikke en erstatning for menneskelig dømmekraft.
Omfavn fremtidens design med Adobe Firefly generativ AI.
Generativ AI ændrer allerede vores liv. Som en form for virtuel ekspert kan generativ AI styrke effektiviteten og produktiviteten inden for mange brancher. Som en partner til at brainstorme med kan AI styrke din kreativitet.
Teknologien bag, hvordan generativ AI fungerer, udvikler sig så hurtigt, at morgendagens generative AI kan se meget anderledes ud end den, vi kender i dag. Hvis vi udforsker værktøjerne med nysgerrighed og forsigtighed, kan vi udnytte deres fordele – og undgå eventuelle faldgruber.
Sådan fungerer generativ AI inden for arkitektur.
Lær, hvordan generativ AI forandrer arbejdsgange inden for arkitektur. Fra de tidlige skitser til komplette 3D-modeller hjælper generativ AI arkitekter med at udforske koncepter, forfine design og visualisere rum hurtigere end nogensinde før. Få mere at vide om, hvordan generativ AI fungerer inden for arkitektur.
Sådan fungerer generativ AI for spiludviklere.
Opdag, hvordan generativ AI kan accelerere opbygningen af verdener, figurdesign og indholdsskabelse – så spiludviklere kan fokusere mere på historiefortælling og gameplay. Få mere at vide om, hvordan generativ AI fungerer for spiludviklere.
Hvordan fungerer generativ AI fra beskrivelse til output?
Sådan fungerer generativ AI bag kulisserne, når du laver en beskrivelse ved hjælp af Adobe Firefly eller et andet generativt værktøj. Hvert trin kombinerer avanceret maskinlæring med brugervenlige værktøjer for at skabe nyt indhold ud fra dine inputs.
1. Input og konditionering.
Start med at indtaste en tekstbeskrivelse eller uploade et referencebillede. Systemet konditionerer på basis af disse inputs, hvilket betyder, at det fortolker, hvad du har bedt om, og forbereder sig på at generere et resultat.
2. Kodning.
Inputtet konverteres til en numerisk fremstilling, som modellen kan forstå. For eksempel nedbrydes ord til tokens, mens billeder forvandles til datapunkter, der beskriver former, farver og funktioner.
3. Kontekstforståelse og tilpasning.
Den generative AI-model evaluerer dit input i forhold til, hvad den har lært fra træningsdata, med fokus på relationer og kontekst. Denne tilpasning hjælper med at sikre, at outputtet matcher din intention og forbliver relevant for din anmodning.
4. Generering.
Ved hjælp af sin træning genererer modellen nyt indhold, som f.eks. at forudsige det næste ord i en sætning, raffinere hvid støj til et billede eller producere lyd, der passer til beskrivelsen.
5. Vejledning og funktioner.
Brugerindstillinger som stil, størrelsesforhold eller varemærkepaletter styrer processen. Disse funktioner hjælper med at styre outputtet mod et specifikt udseende, tone eller anvendelse.
6. Efterbehandling og eksport.
Systemet finpudser outputtet, forbedrer kvaliteten og anvender de sidste justeringer. Du kan derefter downloade, eksportere eller raffinere resultatet yderligere med dine foretrukne Firefly-værktøjer eller Adobe-apps.
Ofte stillede spørgsmål om, hvordan generativ AI fungerer.
Generativ kunstig intelligens er en gren af AI, der har fokus på at skabe eller producere nyt indhold, som f.eks. billeder, musik eller tekst gennem algoritmer og maskinlæringsmodeller. Generativ AI kræver typisk input fra brugere, som en tekstbeskrivelse, for at generere et tilsvarende resultat, herunder tekst, billede, musik eller video.
Mekanismen bag generativ AI indebærer træning af modeller baseret på store datasæt af tekst, billeder, lyd eller video, så de kan lære mønstre og sammenhænge. Når du indtaster en beskrivelse, bruger modellen denne viden til at generere nyt indhold, f.eks. ved at forudsige det næste ord i en tekst eller ved at omdanne støj til et billede, afhængigt af hvordan den valgte generative AI-model fungerer.
Et eksempel på generativ AI er en AI-billedgenerator som Adobe Firefly, der kan skabe nye billeder ud fra tekstbeskrivelser eller referencefotos. Andre eksempler omfatter chatbots, der genererer tekst, værktøjer, der komponerer musik, eller systemer, der producerer video og 3D-modeller.
Adobe Firefly bruger avancerede modeller, som f.eks. diffusionsmodeller til billeder, for at lave dine tekstbeskrivelser eller referencefiler om til nyt indhold. Generativ AI i Firefly fungerer ved at lære mønstre fra licenserede og rettighedsgodkendte data og anvender derefter denne viden til at generere billeder, teksteffekter og andre kreative elementer, der er kommercielt sikre at bruge.
Der er mange praktiske anvendelsesformål med generativ AI, herunder at skrive computerkode, skabe billedmateriale og video, sammenfatte rapporter, analysere salgsdata og betjene kunder.
Kunstig intelligens defineres bredt som maskiner, der efterligner menneskelig intelligens for at udføre opgaver. Generativ AI fungerer ved at skabe eller producere nyt indhold, som f.eks. billeder, musik eller tekst, gennem algoritmer og maskinlæringsmodeller. Generativ AI kræver typisk brugerinput for at generere et tilsvarende output.
Potentielle hovedfordele ved kunstig intelligens indebærer forbedret effektivitet, øget produktivitet og forbedret kreativitet. Begrænsninger omfatter ukorrekte informationer, fordomsfuld markedsføring, krænkelse af copyright og energiforbrug.
Virksomheder og enkeltpersoner kan lede efter steder i deres arbejdsgange, hvor de kunne få fordel fra ekstra effektivitet, produktivitet eller kreativitet. Virksomheder, der integrerer generativ AI, bør gennemgå de genererede resultater for nøjagtighed, fordomme og krænkelse af copyright, samtidig med at de lader medarbejdere stå for udarbejdelse af koncept og strategi. Enkeltpersoner kan bruge generative AI-værktøjer til arbejde og leg, samtidig med at de er forsigtige med deres personlige oplysninger.
Artikler om generativ AI.
Hvad er AI-kunst og hvordan virker det?
Generativ AI er hurtigt blevet et essentielt værktøj for kunstnere. Læs mere om, hvad generativ AI-kunst er, hvordan man skaber det, og hvordan du kan bruge det i praksis.
Syv kunststilarter til AI-beskrivelser
Surrealisme, kubisme, impressionisme – find ud af hvordan du skaber billeder i disse og andre kunstarter med generativ AI.
Sådan laver man AI-beskrivelser til arkitektur
Med den rigtige tekstbeskrivelse og en smule know-how kan arkitekter bruge generativ AI til at udforske, udtænke idéer og give deres vision et løft.
AI-beskrivelser til grafiske designere
Lær at lave effektive beskrivelser til generativ AI for at opnå enestående resultater til grafisk design.
