Yhdistelevä työnkulku

Kirjoittanut: Markus Sjöberg

Tällä hetkellä luovat ammattilaiset suosivat usein usean tekoälytyökalun yhdistelemistä sekä työkalujen yhdistelyä perinteisempiin luovan alan työkaluihin. Harva tekijä pyrkii tekemään valmista tekoälysovelluksilla, vaan jatkaa kuvien, videoiden tai äänen muokkaamista vielä muiden työkalujen avulla.

Katso seuraavasta videosta, kuinka mediayrittäjä Joonas Nieminen näkee tekoälyn osana omaa työnkulkuaan:

Kuten Joonas Nieminen videossa tähdensi, on tekoälyn kanssa työskennellessään monesti eduksi, jos pystyy jättämään ”mahdollisuuden tulla yllätetyksi”. Tarkkarajaisten suunnitelmien mukaan toimiminen voi nykyisillä työkaluilla näyttäytyä hyvin haastavalta tai jopa mahdottomalta.

Jokainen tekoälytyökaluja hyödyntävä luova tekijä lienee käynyt läpi tilanteen, jossa tuntien ajan on generoitu satoja kuvia tai kymmeniä videoita pääsemättä vieläkään lähelle toivottua lopputulosta. Joissain tapauksissa perinteiset menetelmät olisivat tuottaneet halutun lopputuloksen paljon vaivattomammin.

Kuitenkin silloin, jos antaa tekoälylle vapauksia poiketa suunnitelmasta, voi lopputulos olla yllättävän laadukas.

Tekoälyn tuottamat tulokset eivät aina vastaa tarkasti asetettua kehotetta, koska tekoälymallit, kuten kuvien ja videoiden generoinnissa käytetyt mallit, pohjautuvat tilastollisiin malleihin eivätkä käsitä merkitystä tai kontekstia samalla tavalla kuin ihminen. Tämä tekee siitä haastavan välineen, jos tavoitellaan täydellisesti ennakoitavaa tai kontrolloitua lopputulosta. Kuten Joonas Nieminen videossaan tähdensi, että tekoälyn kanssa työskennellessä on eduksi jättää ”mahdollisuus tulla yllätetyksi”. Tämä tarkoittaa sitä, että liian tarkkarajaisiin suunnitelmiin pitäytyminen voi johtaa turhautumiseen, koska nykyiset työkalut eivät aina pysty seuraamaan yksityiskohtaisia kehotteita täsmällisesti.

Tekoälymallien tuloksissa on aina jonkinasteista satunnaisuutta ja mallin omien prioriteettien vaikutusta, mikä voi tarkoittaa, että vaikka kehotteen yksityiskohdat olisivat kuinka tarkkoja, tekoäly saattaa tuottaa odottamattoman tuloksen. Tämä voi johtua myös siitä, että tekoälymallin koulutusdata on rajallinen tai liian laaja, eikä se pysty erottamaan hienovaraisia vivahteita käyttäjän kehotteista.

Luovan työn tekijät saattavatkin löytää itsensä tilanteesta, jossa he ovat käyttäneet tuntikausia satojen kuvien tai kymmenien videoiden generointiin ilman, että yksikään versio vastaa täysin haluttua lopputulosta. Tämä voi olla turhauttavaa, varsinkin jos lopputuloksen saavuttaminen olisi ollut perinteisin menetelmin huomattavasti suoraviivaisempaa.

Kuitenkin, kuten Nieminenkin korostaa, silloin kun käyttäjä on valmis antamaan tekoälylle vapauksia poiketa alkuperäisestä suunnitelmasta, lopputulos voi olla yllättävän laadukas ja inspiroiva. Tämä ”luova epätarkkuus” voi tuoda esiin uusia ideoita tai esteettisiä ratkaisuja, joita ei alun perin tullut edes harkittua. Tekoäly generatiivisessa työssä toimii siis usein enemmän yhteistyötä tekevänä koneena kuin pelkästään työkaluna, joka toistaa tarkasti annetut ohjeet. Tekoälytyökalut voivat siis tarjota ainutlaatuisia luovia ratkaisuja, mutta vaatii samalla joustavuutta käyttäjän osalta. Luovuus ja sattuma voivat tuottaa odottamattoman vaikuttavia lopputuloksia silloin, kun kehotteet ovat enemmän ohjeellisia ja jättävät tilaa ennakoimattomalle.

Generatiiviselle tekoälytyökaluille on tässä ajassa tyypillistä, että ne kehittyvät huimaa vauhtia. Siksi tämä kurssikaan ei pysty antamaan yksityiskohtaista kokonaiskuvaa kaikista mahdollisista työkaluista. Sen sijaan kannustamme luovia tekijöitä käyttämään hakukoneita, keskustelufoorumeita ja kielimalleja työkalujen etsimiseen. Eri työkalut saattavat loistaa eri osa-alueilla. 

Eräs laadukas lähde on suomenkielinen YouTube-kanava jota ylläpitää Esa Riutta. Kanavasta näet laajan katsauksen ja ohjeet viimeisimpien tekoälytyökalujen hyödyntämiseen. Alta löytyy kanavan viimeisin video, jota klikkaamalla löydät myös muut hänen videonsa:

Kehotteiden merkitys tekoälytyökalujen kanssa

Valtaosa tekoälytyökaluista on käyttöliittymältään tekstipohjaisia. Kehotteiden eli promptien avulla pyritään kuvailemaan haluttua lopputulosta mahdollisimman tarkasti ja selkeästi. Kehotteen laatu ja tarkkuus vaikuttavat suoraan siihen, kuinka onnistunut ja tarkoituksenmukainen tekoälyn tuottama sisältö on. Tekoäly ei voi tulkita moniselitteisyyttä tai epätäsmällisyyksiä samalla tavalla kuin ihminen, joten tehokas kehotteen kirjoittaminen vaatii huolellista suunnittelua.

Yksinkertaisimmillaan kehotteet voivat olla suoria ja ytimekkäitä, kuten ”luo kesäpäivän kuva rannalla”. Monimutkaisemmat kehotteet voivat sisältää yksityiskohtia halutusta tunnelmasta, valaistuksesta, väreistä tai muista elementeistä, kuten: ”luo maalausmaisesti valaistu kuva rauhallisesta kesäillasta järven rannalla, jossa taivaan sävyt vaihtuvat oranssista violettiin”. Kehotteen pituus ei aina ole ratkaiseva tekijä, vaan sen relevanssi ja täsmällisyys suhteessa haluttuun lopputulokseen.

Kehotetyöskentelyn kehittyessä käyttäjät voivat oppia parantamaan tuloksia iteratiivisesti, antamalla tekoälylle palautetta ja muokkaamalla kehotteitaan sen mukaan, miten hyvin tekoäly tuottaa toivotun lopputuloksen. Usein tekoälymallit sallivat myös parametriensä hienosäädön, jolloin käyttäjä voi vaikuttaa siihen, kuinka paljon painoa annetaan esimerkiksi visuaaliselle tyylille tai sisällön monimutkaisuudelle.