Whisk বনাম পৰম্পৰাগত প্ৰম্পট ইঞ্জিনিয়াৰিং: কিয় Google-ৰ নতুন টুলে সকলো সলনি কৰে
প্ৰম্পট ইঞ্জিনিয়াৰিং যোৱা কেইবছৰমানত এক কলাৰ ৰূপলৈ বিকশিত হৈছে, সমৰ্পিত সম্প্ৰদায়বোৰে AI ছবি জেনেৰেটৰৰ পৰা শ্ৰেষ্ঠ ফলাফল পাবলৈ জটিল কৌশল আৰু সূত্ৰ ভাগ-বতৰা কৰিছে। Google Labs-ৰ পৰীক্ষামূলক Whisk AI-এ এই পৰিৱেশত এক মৌলিক পৰিৱৰ্তনক প্ৰতিনিধিত্ব কৰে, সম্ভৱতঃ আমি জেনেৰেটিভ AI টুলৰ সৈতে কেনেকৈ পাৰস্পৰিক ক্ৰিয়া কৰোঁ সেয়া চিৰদিনৰ বাবে সলনি কৰিব পাৰে।
পৰম্পৰাগত প্ৰম্পট ইঞ্জিনিয়াৰিং পৰিৱেশ
Whisk-ৰ দৰে টুলৰ আগতে, প্ৰম্পট ইঞ্জিনিয়াৰিঙৰ বাবে এক গুৰুত্বপূৰ্ণ শিকাৰ বক্ৰৰ প্ৰয়োজন হৈছিল। ব্যৱহাৰকাৰীসকলে বিভিন্ন কৌশল বুজিব লাগিছিল:
- কীৱৰ্ড ওজন - কিছুমান উপাদানত গুৰুত্ব দিবলৈ বিশেষ বাক্যবিন্যাস ব্যৱহাৰ কৰা
- নেতিবাচক প্ৰম্পটিং - কি পৰিহাৰ কৰিব লাগে স্পষ্টভাৱে উল্লেখ কৰা
- শৈলীৰ উল্লেখ - নিৰ্দিষ্ট শিল্পী, আন্দোলন, বা কৌশলৰ নাম উল্লেখ কৰা
- কাৰিকৰী পেৰামিটাৰ - ৰিজ'লিউচন আৰু বিৱৰণৰ স্তৰৰ দৰে ৰেণ্ডাৰ নিৰ্দিষ্টকৰণ অন্তৰ্ভুক্ত কৰা
- গঠনমূলক নিৰ্দেশনা - দৃষ্টিভংগী, ফ্ৰেমিং, আৰু সজ্জা নিৰ্দিষ্ট কৰা
এই কৌশলবোৰ সম্প্ৰদায়ৰ পৰীক্ষা-নিৰীক্ষাৰ জৰিয়তে বিকশিত হৈছিল, যাৰ ফলত প্ৰম্পট ফৰ্মেটবোৰ প্ৰায়ে প্ৰাকৃতিক ভাষাৰ সলনি ক'ডৰ দৰে দেখা গৈছিল। যদিও কাৰ্য্যকৰী, ই সাধাৰণ ব্যৱহাৰকাৰীসকলৰ বাবে এক গুৰুত্বপূৰ্ণ বাধা সৃষ্টি কৰিছিল যিসকলে প্ৰম্পট ইঞ্জিনিয়াৰিং নীতি অধ্যয়ন কৰিবলৈ ইচ্ছুকসকলৰ দৰে একে মানৰ ফলাফল লাভ কৰিব নোৱাৰিছিল। যদি আপুনি আৰম্ভ কৰিছে, আমাৰ Whisk AI-ৰ সম্পূৰ্ণ নবাগতৰ গাইড-এ এই ধাৰণাবোৰ স্তৰে স্তৰে ভাঙি দিয়ে।
Whisk AI-এ প্ৰক্ৰিয়াটো কেনেকৈ ৰূপান্তৰ কৰে
Whisk AI-এ বিশেষজ্ঞ প্ৰম্পট ইঞ্জিনিয়াৰসকলৰ জ্ঞানক এলগৰিথমিকভাৱে এনকোড কৰি দৃষ্টিভংগীত এক নাটকীয় পৰিৱৰ্তনক প্ৰতিনিধিত্ব কৰে। Whisk AI আৰু Veo AI Google-ৰ সৃষ্টিশীল চুইটৰ ভিতৰত পৰিপূৰক AI টুল হিচাপে একেলগে কাম কৰে। ই কেনেকৈ মৌলিকভাৱে প্ৰক্ৰিয়াটো সলনি কৰে ইয়াত দিয়া হ'ল:
প্ৰাকৃতিক ভাষা ইনপুট: ব্যৱহাৰকাৰীসকলক বিশেষ বাক্যবিন্যাস আৰু পৰিভাষা শিকিবলৈ বাধ্য কৰাৰ সলনি, Whisk-এ কথোপকথনমূলক বৰ্ণনা গ্ৰহণ কৰে। ই সমগ্ৰ প্ৰক্ৰিয়াটোক অধিক স্বজ্ঞাত আৰু সুলভ কৰি তোলে।
স্বয়ংক্ৰিয় উন্নতকৰণ: চিস্টেমে স্বয়ংক্ৰিয়ভাৱে এটা প্ৰম্পটৰ কোনবোৰ উপাদান উন্নত কৰাৰ প্ৰয়োজন চিনাক্ত কৰে আৰু উপযুক্ত কাৰিকৰী বিৱৰণ, শৈলীগত উল্লেখ, আৰু গঠনমূলক নিৰ্দেশনা যোগ কৰে। অন্তৰ্নিহিত প্ৰযুক্তিটো Google DeepMind-ৰ Imagen 3-ৰ ওপৰত নিৰ্মিত, যিটো উপলব্ধ আটাইতকৈ উন্নত টেক্সট-টু-ইমেজ মডেলবোৰৰ ভিতৰত অন্যতম।
শৈক্ষিক দৃষ্টিভংগী: ব্যৱহাৰকাৰীসকলক তেওঁলোকৰ সৰল প্ৰম্পটবোৰ কেনেকৈ অধিক কাৰ্য্যকৰী প্ৰম্পটলৈ ৰূপান্তৰ হয় দেখুৱাই, Whisk-এ প্ৰকৃততে আগতীয়া শিকাৰ প্ৰয়োজন নোহোৱাকৈ প্ৰদৰ্শনৰ জৰিয়তে প্ৰম্পট ইঞ্জিনিয়াৰিং নীতি শিকায়।
সামঞ্জস্যপূৰ্ণ মান: সম্ভৱতঃ আটাইতকৈ গুৰুত্বপূৰ্ণ কথাটো হ'ল, Whisk-এ ব্যৱহাৰকাৰীৰ অভিজ্ঞতাৰ স্তৰ নিৰ্বিশেষে সামঞ্জস্যপূৰ্ণ, উচ্চ-মানৰ ফলাফল প্ৰদান কৰে। নবাগতসকলে অভিজ্ঞ প্ৰম্পট ইঞ্জিনিয়াৰসকলৰ সৈতে তুলনীয় আউটপুট লাভ কৰিব পাৰে, সৃষ্টিশীল AI ছবি সৃষ্টিৰ বাবে খেলপথাৰ সমান কৰি তোলে।
প্ৰম্পট ইঞ্জিনিয়াৰিঙৰ ভৱিষ্যত
প্ৰম্পট অপ্টিমাইজেশ্বনৰ ওপৰত ২০২৪ চনৰ এখন গৱেষণা পত্ৰ-ই দেখুৱায় যে স্বয়ংক্ৰিয় প্ৰম্পট উন্নতকৰণে টেক্সট-টু-ইমেজ কাৰ্য্যত মানৱ বিশেষজ্ঞৰ প্ৰদৰ্শনৰ সৈতে মিল খাব পাৰে বা অতিক্ৰম কৰিব পাৰে, যাৰ ফলত Whisk AI-ৰ দৰে টুলে লোৱা দৃষ্টিভংগীটো বৈধ হয়।
যিহেতু Whisk-ৰ দৰে টুলবোৰ Google Labs-ৰ ভিতৰত বিকশিত হৈ থাকিব, নবাগত আৰু বিশেষজ্ঞ ব্যৱহাৰকাৰীৰ মাজৰ ব্যৱধান কমি আহিব। প্ৰম্পট ইঞ্জিনিয়াৰিং জ্ঞানক প্ৰতিস্থাপন কৰাৰ সলনি, এই টুলবোৰে ইয়াক সকলোৰে বাবে সুলভ কৰি তুলিছে — AI ছবি সৃষ্টিক গণতান্ত্ৰিক কৰি তুলিছে আৰু সৃষ্টিশীল সম্ভাৱনাবোৰ মুকলি কৰিছে যিবোৰ আগতে কেৱল গভীৰ কাৰিকৰী দক্ষতা থকাসকলৰ বাবেহে উপলব্ধ আছিল। আমাৰ Whisk AI-এ কেনেকৈ সাধাৰণ ব্যৱহাৰকাৰীৰ বাবে ছবি সৃষ্টিত বিপ্লৱ আনিছে-ৰ ওপৰত প্ৰবন্ধটোত ই ব্যৱহাৰিকভাৱে কেনেকৈ কাম কৰে চাওক।
