Nvidia en Amazon ontwikkelen slimmere AI beelden

Onderzoekers van Nvidia, Amazon en de Seoul National University hebben een nieuwe manier ontwikkeld om AI beelden beter te laten aansluiten op wat mensen echt bedoelen met hun prompts. De techniek, genaamd Subject Fidelity Optimization (SFO), brengt een interessante verandering met zich mee. In plaats van AI alleen maar positieve voorbeelden te geven van wat het moet maken, krijgt het ook te zien wat het juist niet moet doen.

Dat klinkt simpel, maar is behoorlijk vernieuwend. Normaal gesproken leert een AI model alleen van voorbeelden die kloppen met het eindresultaat. Dankzij SFO leert de AI ook van negatieve voorbeelden, beelden die juist niet passen bij de opdracht. Hierdoor krijgt het systeem een duidelijker idee van wat wel en niet de bedoeling is. En dat zorgt voor betere, scherpere en kloppendere plaatjes die meer in lijn zijn met wat iemand uit de prompt bedoelde.

Een slimme toevoeging is het zogeheten CDNS systeem, wat staat voor Condition Degradation Negative Sampling (nogal een mond vol). Klinkt ingewikkeld, maar het betekent simpelweg dat de AI zelf negatieve voorbeelden bedenkt op basis van de originele input. Dat scheelt een hoop werk, want er hoeft geen mens aan te pas te komen om de verkeerde voorbeelden handmatig te maken.

Uit tests blijkt dat deze nieuwe aanpak zorgt voor duidelijk betere resultaten dan eerdere methodes. De AI beelden sluiten beter aan bij de tekst en zijn visueel van hogere kwaliteit. Dat maakt deze techniek erg interessant voor allerlei toepassingen, zoals marketing, spelontwikkeling en online educatie, waar het belangrijk is dat beelden nauwkeurig overeenkomen met de bedoelingen van de gebruiker.

Er zit wel een kleine kanttekening aan: doordat de AI meer moet leren, duurt het trainen van het model iets langer. Bovendien hangt de kwaliteit sterk af van hoe goed en divers de dataset is waarop de AI wordt getraind.