ကြောင်က Stable Diffusion (2023)

AI သမိုင်းတွင် မျှော်လင့်မထားသော အမှားအယွင်းအရှိဆုံး ဇာတ်လမ်းများထဲမှ တစ်ခုတွင်၊ အိမ်ကြောင်တစ်ကောင်သည် Stable Diffusion ၏ ရုပ်ပုံထုတ်လုပ်ရေးပိုက်လိုင်းတွင် အရေးကြီးသော ငုပ်လျှိုးနေသော နေရာပုံပျက်မှုကို အင်ဂျင်နီယာများအား အမှတ်မထင် ရှာဖွေဖော်ထုတ်နိုင်စေရန် ကူညီပေးခဲ့ပါသည်။ 2023 ဖြစ်ရပ်သည် မှန်းဆမရသော လက်တွေ့ကမ္ဘာမှ သွင်းအားစုများမှ မည်ကဲ့သို့ ချို့ယွင်းချက်များကို ဖော်ထုတ်နိုင်သနည်း ဟူသော အဖြစ်အပျက်သည် နာရီပေါင်းထောင်နှင့်ချီ၍ လုံးလုံးလျားလျား လွဲချော်သွားသော ချို့ယွင်းချက်များကို ဖော်ထုတ်နိုင်သည် ။

ကြောင်နှင့် Stable Diffusion ဖြင့် အမှန်တကယ် ဘာဖြစ်သွားသနည်း။

2023 အစောပိုင်းတွင် အိမ်မှအလုပ်လုပ်သော စက်သင်ယူမှုအင်ဂျင်နီယာတစ်ဦးသည် ထူးခြားသောအရာတစ်ခုကို သတိပြုမိခဲ့သည်။ Stable Diffusion လေ့ကျင့်ရေးအပြေးတွင် ကီးဘုတ်ကိုဖြတ်၍ သူတို့၏ကြောင်သည် မဆီမဆိုင်မဟုတ်သော ဇာတ်ကောင်များကို ချက်ချင်းအသုတ်အဖြစ် မိတ်ဆက်ပေးခဲ့သည်။ ဗလုံးဗထွေးအထွက်များထုတ်လုပ်ခြင်း သို့မဟုတ် အမှားအယွင်းတစ်ခုပြုလုပ်ခြင်းအစား၊ မော်ဒယ်သည် တသမတ်တည်းနှင့် အလွန်တိကျသောအမြင်အာရုံဆိုင်ရာလက်ရာတစ်ခု—အချက်ပြထည့်သွင်းမှုများကြောင့်မဖြစ်သင့်သော ထပ်ခါတလဲလဲစမ်းသပ်မှုပုံစံတစ်ခုဖြစ်သည်။

၎င်းသည် ကျပန်းဆူညံခြင်းမဟုတ်ပါ။ ပုံစံသည် မော်ဒယ်၏ အာရုံစူးစိုက်မှုအလွှာများတွင် ယခင်က မတွေ့နိုင်သော ဘက်လိုက်မှုကို ဖော်ပြသည်၊ အထူးသဖြင့် U-Net ဗိသုကာသည် ပုံမှန်ဘာသာဗေဒနယ်နိမိတ်များအပြင်ဘက်တွင်ရှိသော အချို့သောတိုကင်ပေါင်းစပ်မှုများကို လုပ်ဆောင်ပုံတွင် အတိအကျဖော်ပြသည်။ ကြောင်၏ကီးဘုတ်ကို ပွတ်တိုက်ခြင်းသည် လူသားစမ်းသပ်သူမျှ မကြိုးစားရန် စိတ်ကူးထားသည့် ဆန့်ကျင်ဘက်အချက်ကို ဖန်တီးခဲ့ပြီး မော်ဒယ်၏ CLIP စာသားကုဒ်ပြောင်းသည့် ပေါင်းစပ်မှုတွင် ချို့ယွင်းချက်တစ်ခုကို ဖော်ထုတ်သည့် ဖြစ်စဉ်အတွင်း spatial relationships တွက်ချက်ပုံကို အကျိုးသက်ရောက်စေပါသည်။

အင်ဂျင်နီယာအဖွဲ့သည် ရှေးဟောင်းပစ္စည်းကို ၎င်း၏ မူလအကြောင်းအရင်းသို့ ပြန်၍ခြေရာခံသည့် ရက်သတ္တပတ်များကြာခဲ့သည်- တိကျသော tokenization edge case များအောက်တွင်သာ ပေါ်လွင်သော latent diffusion scheduler တွင် ပေါ်နေသော အချက်ပြမှုဆိုင်ရာ ပြဿနာတစ်ခု။ ခန့်မှန်းခြေ 3-4% ဖြင့် အချက်ပြအမျိုးအစားအားလုံးတွင် ရုပ်ပုံတစ်ပုံချင်း ဆက်စပ်မှုကို ပိုမိုကောင်းမွန်အောင် ပြုပြင်ခြင်းသည် မျိုးဆက်သစ် AI စွမ်းဆောင်ရည်တွင် သိသာထင်ရှားသော အကျိုးကျေးဇူးဖြစ်သည်။

QA အဖွဲ့များ မလွတ်သော သမားရိုးကျမဟုတ်သော သွင်းအားစုများသည် အဘယ်ကြောင့် အမှားအယွင်းများကို ဖမ်းမိသနည်း။

အစီအစဥ်စမ်းသပ်ခြင်းမှာ လူ့ယုတ္တိဗေဒကို လိုက်နာသည်။ အင်ဂျင်နီယာများသည် မျှော်လင့်ထားသည့် သုံးစွဲသူအပြုအမူ၊ ၎င်းတို့ စိတ်ကူးနိုင်သည့် အစွန်းအထင်းကိစ္စများနှင့် ယခင်ပြုလုပ်မှုများမှ သိထားသော ပျက်ကွက်မှုပုံစံများကို အခြေခံ၍ အင်ဂျင်နီယာများ ရေးသည်။ သို့သော် ဆော့ဖ်ဝဲလ်—အထူးသဖြင့် ကန့်သတ်ဘောင်သန်းပေါင်းများစွာရှိသော AI စနစ်များ—တွင် စမ်းသပ်မှုမူဘောင် လုံးဝအကျုံးဝင်ခြင်းမရှိသော ဖြစ်နိုင်သည့်အခြေအနေများကို ပေါင်းစပ်ပေါက်ကွဲခြင်းပါရှိသည်။

"အန္တရာယ်အရှိဆုံး bugs များသည် သင်မစမ်းသပ်ရသေးသော ကုဒ်တွင် ပုန်းအောင်းနေသော အရာများ မဟုတ်ပါ။ ၎င်းတို့သည် မှားယွင်းသော ယူဆချက်များဖြင့် သင်စမ်းသပ်ထားသော ကုဒ်တွင် ပုန်းအောင်းနေသူများ ဖြစ်ပါသည်။" — သမားရိုးကျ ဆော့ဖ်ဝဲလ်အင်ဂျင်နီယာတွင် ကြာမြင့်စွာ နားလည်ထားသော ဤမူကို စက်ပစ္စည်း သင်ယူမှုစနစ်များတွင် ထည့်သွင်းနေရာလွတ်သည် အကန့်အသတ်မရှိ ပိုမိုအရေးပါလာပါသည်။

ကြောင်ဖြစ်ရပ်သည် နှစ်ပေါင်းများစွာ ပရမ်းပတာအင်ဂျင်နီယာ ပညာရှင်များ သိထားသောအရာကို အားဖြည့်ပေးသည်- ကျပန်းပြု၍ ခန့်မှန်းမရသော သွင်းအားစုများသည် နည်းလမ်းတကျ စမ်းသပ်ခြင်းမပြုနိုင်သော စနစ်ပိုင်းဆိုင်ရာ အားနည်းချက်များကို ဖော်ထုတ်ပြသပါသည်။ ၎င်းသည် အားနည်းချက်များကို ဖော်ထုတ်ရန် တမင်တကာ ပုံမမှန်သော ဒေတာများကို စနစ်များအတွင်းသို့ ထည့်သွင်းသည့် fuzz စမ်းသပ်ခြင်း၏ နောက်ကွယ်တွင် တူညီသော နိယာမဖြစ်သည်။ ဤနေရာတွင် ကွာခြားချက်မှာ fuzzer တွင် ခြေထောက်လေးချောင်းနှင့် အမြီးတစ်ခုပါရှိသည်။

AI Debugging Challenges များအကြောင်း ဤအရာက မည်သို့ဖော်ပြသနည်း။

အမှားရှာခြင်း generative AI မော်ဒယ်များသည် သမားရိုးကျ ဆော့ဖ်ဝဲလ်ကို အမှားရှာခြင်းမှ အခြေခံအားဖြင့် ကွဲပြားပါသည်။ သမားရိုးကျ အပလီကေးရှင်းတစ်ခု မအောင်မြင်သောအခါ၊ သင်သည် အမှားမှတ်တမ်းတစ်ခု၊ stack trace၊ ပြန်လည်ထုတ်လုပ်နိုင်သော လမ်းကြောင်းကို ရရှိမည်ဖြစ်သည်။ AI မော်ဒယ်သည် မှားယွင်းသော ရလဒ်များကို ထုတ်လုပ်သောအခါ၊ နှိုင်းယှဉ်ရန် "မှန်ကန်သော" အဖြေတစ်ခုတည်း မရှိသောကြောင့် လပေါင်းများစွာ ပျက်ကွက်မှုကို သတိမပြုမိနိုင်ပါ။

• Latent space opacity- diffusion model များတွင် အတွင်းပိုင်း ကိုယ်စားပြုမှုများသည် အဓိပ္ပါယ်ဖော်ရန် အလွန်ခက်ခဲပြီး output artifacts များကို တိကျသော တွက်ချက်မှုဆိုင်ရာ ချို့ယွင်းချက်များသို့ ပြန်လည်ခြေရာခံရန် ခက်ခဲစေသည်။
• အမှာစာ အာရုံခံနိုင်စွမ်း- စာသားထည့်သွင်းမှုတွင် သေးငယ်သောပုံစံကွဲလွဲမှုများသည် အလွန်ကွဲပြားသော အထွက်များကို ထုတ်ပေးနိုင်သည်၊ ဆိုလိုသည်မှာ ချွတ်ယွင်းချက်များသည် ကျဉ်းမြောင်းပြီး ခန့်မှန်းမရနိုင်သော အခြေအနေများအောက်တွင်သာ ပေါ်လာနိုင်သည်။
• အကဲဖြတ်ခြင်းဆိုင်ရာ အကြောင်းအရာ- တိုင်းတာနိုင်သော တိကျမှန်ကန်မှုဖြင့် အမျိုးအစားခွဲခြင်းလုပ်ငန်းများနှင့် မတူဘဲ၊ ရုပ်ပုံထုတ်လုပ်ခြင်းအရည်အသွေးသည် တစ်စိတ်တစ်ပိုင်းသဘောအရဖြစ်ပြီး၊ အလိုအလျောက်စစ်ဆေးမှုများမှတစ်ဆင့် သိမ်မွေ့စွာ ကျဆင်းသွားစေရန် ခွင့်ပြုပေးပါသည်။
• Cascading မှီခိုမှု- စာသားကုဒ်ပြောင်းစက်ရှိ တစ်ခုတည်းသော ချို့ယွင်းချက်တစ်ခုသည် အာရုံစူးစိုက်မှုဆိုင်ရာ ယန္တရား၊ denoising scheduler နှင့် VAE ဒီကုဒ်ဒါတို့မှ တစ်ဆင့် ပြန့်ပွားနိုင်ပြီး အခြေခံအကြောင်းရင်းကို ခွဲခြမ်းစိတ်ဖြာမှု အလွန်ရှုပ်ထွေးစေသည်။
• လေ့ကျင့်ရေးဒေတာချိတ်ဆက်မှု- မော်ဒယ်ဗိသုကာအတွင်းရှိ ချွတ်ယွင်းချက်များနှင့် လေ့ကျင့်ရေးဒေတာမှရရှိသော ဘက်လိုက်မှုများကို ခွဲခြားသိမြင်ခြင်းသည် အချိန်ကုန်ပြီး တွက်ချက်မှုအရ ဈေးကြီးသော ဂရုတစိုက် ablation လေ့လာမှုများ လိုအပ်ပါသည်။

ဤအဖြစ်အပျက်သည် AI ဖွံ့ဖြိုးတိုးတက်ရေးအလေ့အကျင့်များကို မည်သို့လွှမ်းမိုးခဲ့သနည်း။

ကြောင်အမှားရှာခြင်းဇာတ်လမ်းသည် မျက်နှာပြင်ပေါ်တွင် ဟာသနှောနေသော်လည်း AI အဖွဲ့များသည် အရည်အသွေးအာမခံချက်ကို ချဉ်းကပ်ပုံနှင့်ပတ်သက်၍ ခိုင်မာသောပြောင်းလဲမှုများစွာကို လှုံ့ဆော်ပေးခဲ့သည်။ နောက်ပိုင်းတွင် အဖွဲ့အစည်းများစွာသည် ၎င်းတို့၏ fuzz testing protocols များကို မျိုးဆက်သစ်မော်ဒယ်များ အတွက် ချဲ့ထွင်ခဲ့ပြီး အထူးသဖြင့် ဘာသာစကားမဟုတ်သော သွင်းအားစုများကို အတုခိုးသည့် ကျပန်းနှင့် ဆန့်ကျင်ဘက် တိုကင်အစီစဉ်များကို ပေါင်းစပ်ထည့်သွင်းထားသည်။ ယခုအခါ အချို့အဖွဲ့များသည် ၎င်းတို့၏ စဉ်ဆက်မပြတ် ပေါင်းစပ်ပိုက်လိုင်းများ ၏ တစ်စိတ်တစ်ပိုင်းအဖြစ် အလိုအလျောက် "ကီးဘုတ်လမ်းလျှောက်ခြင်း" သရုပ်ဖော်မှုများကို လုပ်ဆောင်ပါသည်။

ထိုအဖြစ်အပျက်သည် ပျံ့နှံ့မှုပုံစံများအတွက် အဓိပ္ပာယ်ဖွင့်ဆိုနိုင်သော ကိရိယာများကို အသစ်တဖန် စိတ်ဝင်စားလာခဲ့သည်။ အကယ်၍ ရုပ်ပုံဆိုင်ရာ ပစ္စည်းများသည် ထင်ရှားစွာ နည်းပါးခဲ့သည်— ရဲရင့်သော လက်စရောင်းခြင်းထက် သိမ်မွေ့သော အရောင်အသွေး ပြောင်းလဲမှု — ၎င်းသည် အကန့်အသတ်မရှိ သတိမပြုမိဘဲ ရှိနေနိုင်သည်။ ၎င်းသည် ထုတ်ပေးထားသော ရလဒ်များအတွက် ပိုမိုကောင်းမွန်သော အလိုအလျောက် အလိုအလျောက် ကွဲလွဲမှု ထောက်လှမ်းခြင်းအား လူ့အဖွဲ့အစည်းအား တွန်းအားပေးသည်၊ ရုပ်ပုံတစ်ပုံချင်းစီတွင် အပေါ်ယံပုံမှန်မဟုတ်သည့်တိုင် ကိန်းဂဏန်းဆိုင်ရာ မမှန်မှုများကို အလံပြနိုင်သည့် စနစ်များ ဖြစ်ပေါ်လာစေသည်။

AI ဖွံ့ဖြိုးတိုးတက်မှု၊ ထုတ်ကုန်ပြန်ဆိုခြင်းနှင့် အရည်အသွေးအာမခံမှုတစ်လျှောက် ရှုပ်ထွေးသောအလုပ်အသွားအလာများကို စီမံခန့်ခွဲသည့်အဖွဲ့များအတွက်၊ ဤကဲ့သို့သောဖြစ်ရပ်များသည် ဗဟိုချုပ်ကိုင်မှုရှိသော လုပ်ငန်းလည်ပတ်မှုကို မြင်နိုင်စွမ်းရှိရန် လိုအပ်ကြောင်း မီးမောင်းထိုးပြပါသည်။ ချွတ်ယွင်းချက်တစ်ခုသည် စာသားကုဒ်ပြောင်းကိရိယာ၊ အချိန်ဇယားဆွဲသူနှင့် ဒီကုဒ်ဒါကို ပျံ့နှံ့သွားသည့်အခါ ပြန့်ကျဲနေသောကိရိယာများနှင့် ချိတ်ဆက်မှုပြတ်တောက်နေသည့် ဆက်သွယ်ရေးလမ်းကြောင်းများတစ်လျှောက် စုံစမ်းစစ်ဆေးမှုကို ခြေရာခံခြင်းက ၎င်း၏ကိုယ်ပိုင်ပွတ်တိုက်မှုအလွှာကို ဖန်တီးပေးသည်။

အမေးများသောမေးခွန်းများ

Stable Diffusion cat debugging အဖြစ်အပျက်သည် တကယ့်ဖြစ်ရပ်ဟုတ်ပါသလား။

အဓိကဇာတ်လမ်းသည် 2023 ခုနှစ်တွင် AI အင်ဂျင်နီယာအသိုင်းအဝိုင်းမှ ကျယ်ကျယ်ပြန့်ပြန့်မျှဝေထားသောအကောင့်ကို အခြေခံထားသည်။ အသေးစိတ်အချက်အလက်များကို ပြန်လည်ပြောပြရာတွင် အနည်းငယ်ဒဏ္ဍာရီဆန်ဆန်လုပ်ဆောင်ထားသော်လည်း၊ နောက်ခံနည်းပညာဆိုင်ရာဇာတ်လမ်း—ငုပ်လျှိုးနေသောနေရာလွတ်အမှားကိုဖော်ပြသည့် ကျပန်းကီးဘုတ်ထည့်သွင်းမှု—သည် ကောင်းစွာမှတ်တမ်းတင်ထားပြီး ပျံ့နှံ့နေသောမော်ဒယ်ဗိသုကာများတွင်လူသိများသောပျက်ကွက်မှုမုဒ်များနှင့်အညီဖြစ်သည်။ ဆော့ဖ်ဝဲအင်ဂျင်နီယာသမိုင်းတစ်လျှောက်တွင် အလားတူမတော်တဆတွေ့ရှိမှုများ ပေါ်ပေါက်ခဲ့သည်။

မျိုးဆက်သစ် AI မော်ဒယ်များတွင် အမှားအယွင်းများကို စိတ်ချယုံကြည်စွာ ဖမ်းယူနိုင်ပါသလား။

Fuzz စမ်းသပ်ခြင်းသည် အထူးသဖြင့် ထည့်သွင်းခွဲခြမ်းစိတ်ဖြာခြင်း၊ တိုကင်ယူခြင်း အစွန်းပိုင်းကိစ္စများနှင့် ဂဏန်းတည်ငြိမ်မှုဆိုင်ရာ ပြဿနာများနှင့် သက်ဆိုင်သည့် အချို့သော ချွတ်ယွင်းချက်အမျိုးအစားများကို ဖမ်းယူရာတွင် ထိရောက်မှုရှိပါသည်။ သို့သော်လည်း ၎င်းသည် Generative AI အတွက် ငွေရောင်ကျည်ဆန်မဟုတ်ပါ။ ဤမော်ဒယ်များသည် အဆုံးအဖြတ်ပေးသည့်အရာများထက် ဖြစ်နိုင်ခြေရှိသော ရလဒ်များကို ထုတ်လုပ်သောကြောင့် fuzz စမ်းသပ်မှုအတွင်း "ပျက်ကွက်ခြင်း" ကို သတ်မှတ်ရာတွင် ရိုးရှင်းသော pass/fail အထောက်အထားများထက် ခေတ်မီဆန်းပြားသော ကွဲလွဲချက်များကို ထောက်လှမ်းခြင်းစနစ်များ လိုအပ်ပါသည်။

ရှုပ်ထွေးသောစနစ်များတစ်လျှောက် ပရော်ဖက်ရှင်နယ် AI အဖွဲ့များသည် အမှားရှာပြင်ခြင်းလုပ်ငန်းအသွားအလာများကို မည်သို့စီမံခန့်ခွဲသနည်း။

အရွယ်ရောက်ပြီးသော AI အဖွဲ့အများစုသည် စမ်းသပ်ခြေရာခံခြင်းပလက်ဖောင်းများ၊ ဗဟိုချုပ်ကိုင်ထားသော မှတ်တမ်းမှတ်ရာများ၊ ပူးပေါင်းစာရွက်စာတမ်းများနှင့် ဖွဲ့စည်းတည်ဆောက်ထားသော ပရောဂျက်စီမံခန့်ခွဲမှုတို့ကို ပေါင်းစပ်မှုအပေါ် အားကိုးပါသည်။ အဓိကစိန်ခေါ်မှုမှာ ခြေရာခံနိုင်မှုကို ထိန်းသိမ်းခြင်းဖြစ်သည် — တိကျသောထွက်ရှိမှုဆိုင်ရာပစ္စည်းကို မော်ဒယ်ဗားရှင်း၊ လေ့ကျင့်ရေးဒေတာ၊ ဟိုက်ပါပါရာမီတာများနှင့် ၎င်းကိုထုတ်လုပ်ပေးသော ကုဒ်ကွန်မန့်ကို ချိတ်ဆက်ခြင်း။ ဤလုပ်ငန်းအသွားအလာများကို စုစည်းထားသည့် လုပ်ငန်းလည်ပတ်မှုစနစ်များအဖြစ် စုစည်းထားသည့်အဖွဲ့များသည် ညှိနှိုင်းဆောင်ရွက်မှုအပေါ်တွင် အချိန်ပိုနည်းပြီး အမှန်တကယ်ပြဿနာဖြေရှင်းခြင်းအတွက် အချိန်ပိုသုံးစွဲကြသည်။

သင်၏လုပ်ငန်းဆောင်ရွက်မှုဆိုင်ရာ ရှုပ်ထွေးမှုကို ရိုးရှင်းအောင်ပြုလုပ်ပါ

သင် AI မော်ဒယ်များကို အမှားပြင်ခြင်း သို့မဟုတ် အခြားရှုပ်ထွေးသော လုပ်ငန်းလည်ပတ်မှုကို စီမံခန့်ခွဲသည်ဖြစ်စေ အကွဲကွဲအပြားပြားရှိသော ကိရိယာများသည် ကွဲကွဲပြားပြားတွေးခေါ်မှုကို ဖန်တီးသည်။ Mewayz သည် သုံးစွဲသူ 138,000 ကျော်မှ ယုံကြည်စိတ်ချရသော လုပ်ငန်းလည်ပတ်မှုစနစ်တစ်ခုသို့ ပေါင်းစပ်ထားသော module 207 ခုကို ယူဆောင်လာပါသည် — သင့်အဖွဲ့အား ၎င်းတို့၏အရင်းအမြစ်ဆီသို့ ပြဿနာများကို ခြေရာခံရန်၊ တုံ့ပြန်မှုများကို ညှိနှိုင်းရန်နှင့် ပိုမိုမြန်ဆန်စွာရွှေ့ရန် လိုအပ်သော ဗဟိုချုပ်ကိုင်မှုရှိသောမြင်နိုင်စွမ်းကို ပေးစွမ်းသည်။ app.mewayz.com တွင် သင်၏ အခမဲ့ အစမ်းသုံးမှုကို စတင်ပြီး တစ်စုတစ်စည်းတည်း လုပ်ဆောင်မှုများ မည်သို့ခံစားရသည်ကို ကြည့်ရှုပါ။