최근 몇 년간 토트는 현대 사회의 다른 분야와 마찬가지로 기술에 의해 급속히 성장하고 있습니다. 일부는 토트 아티스트들에게 고급, 정확하고 신뢰할 수 있는 장비를 제공하는 데 초점을 맞추고 있으며, 다른 일부는 고객들에게 치유와 토트 후 관리에 대한 도움을 주는 데 초점을 맞추고 있습니다. 세 번째 그룹은 토트 주제에 대한 최대 정보를 얻을 수 있도록 도와주는 모든 현대 정보 기술을 포함할 수 있습니다. 소셜 미디어와 광고 시스템은 명백히 세 번째 그룹에 속합니다. 이는 이 분야를 이끌고 있으며, 이 예술을 지하 형식에서 완전한 산업으로 발전시키는 토르의 휘발성입니다.
오늘 저는 매우 흥미로운 추세에 대해 이야기하고 싶습니다. 이 추세는 다른 산업 분야에서 충분히 인기를 얻었으며 이제 점점 토트 산업으로 확산되고 있습니다. 우리는 토트 산업에서 인공지능 기술을 사용하는 것을 이야기하고 있습니다. 수십 개의 인공지능에 관한 종말 영화를 보고 나면 자동으로 이상한 연결이 떠오르지만, 걱정할 필요는 없습니다. 모든 것이 매우 안전합니다.
인공지능 주제에 전혀 익숙하지 않은 분들을 위해 약간의 이론을 소개합니다.
인공지능과 인공 신경망이란 무엇인가?
인공지능(AI)은 생물학적 신경망의 작동 원리에 기반을 둔 자율 학습 프로그램으로, 대부분 매우 전문적인 프로그램입니다. 이 표현에서 '지능'이라는 단어는 프로그램이 정보를 인식하고 처리, 조직, 저장할 수 있는 능력을 의미합니다. 인공지능은 인간과 유사한 인지 능력을 갖추지 않으며, 프로그램은 수용한 정보에 감정적 또는 감각적 평가를 하지 않습니다. 즉, AI 뒤에 악랄한 스카이넷이 숨어 있다고 보는 것은 가치가 없습니다. AI 기반 음성 처리 프로그램은 그림을 그리지 못하고, 예술적인 AI는 당신의 음성을 이해하지 못합니다.
인공 신경망의 학습 유형
인공 신경망(ANN)에는 주로 두 가지 학습 유형이 있습니다: 감시 학습과 비감시 학습입니다.
첫 번째 방법은 훈련 예제의 배열을 사용하여 프로그램이 샘플의 주요 특성을 이해하고 표준과 비교하는 방식입니다. 예를 들어, 우리가 빨간 사과가 이미지에 있는지 판단할 수 있는 ANN을 만들고자 한다고 가정해 봅시다. 우리는 그 안에 5000개의 빨간 사과 이미지와 5000개의 녹색 사과 이미지를 로드합니다. 몇 개의 이미지를 보여주고 ANN의 반응을 살펴봅니다. 올바른 답변을 받으면 그걸 올바르다고 표시하고, 네트워크가 틀렸다면 빨간 사과를 구분하기 위한 입력 파라미터를 보완하여, 미래에 빨간 사과와 녹색 사과의 차이를 이해하게 됩니다. 이런 식으로 계속 반복하여 네트워크가 어떤 이미지에서 빨간 사과를 정확히 인식할 수 있도록 합니다.
이러한 학습 방식은 결과가 사전에 알려져 있는 문제를 해결하는 데 적합합니다. 예를 들어 위 예시에서 우리가 이미지에 빨간 사과를 찾는 데 정확히 프로그램을 사용해야 한다는 것을 확실히 알고 있을 때입니다.
비감시 접근은 대량의 입력 데이터를 인간 개입 없이 분류하고 체계화하는 원리에 기반합니다. 즉, ANN이 데이터를 받을 때 스스로 입력 데이터의 공통 특성과 그 사이의 관계를 강조하고, 그 특성에 따라 데이터를 분류하려고 시도합니다. 이 접근은 주로 클러스터링 문제와 통계 모델에 사용됩니다. 적용 문제의 관점에서 보면 입력 데이터가 매우 중요합니다. 네트워크에게 더 명확한 자료를 제공하면 학습이 더 빠르고 효과적으로 이루어집니다.
ANN의 학습 알고리즘에 대해 깊이 들어가지 않겠습니다. 우리는 예술에 대해 이야기하고 있는 것이지 수학에 대해 이야기하고 있지 않습니다. 따라서 이제 적용 부분으로 넘어가겠습니다. 위 내용은 토트에 어떻게 적용되는지 설명해 드리겠습니다.
토트 산업에서 인공 신경망의 활용
ANN과 그들의 예술적 능력을 이야기해 보겠습니다. 다시 말해보면, 공개 네트워크에 대해 이야기하며, 전문 프로그래밍 기술과 수학 지식이 필요하지 않은 사람들에게도 사용할 수 있습니다. 이러한 네트워크는 초기 학습을 마치고 이미 당신의 정보를 충분한 품질로 처리할 수 있어 바로 작업에 활용할 수 있습니다.
이 모든 것을 이해하는 데 도움이 되는 인물은 Evgeny Malgin, aka Evgeny Mel - 토트 아티스트로, 인공지능과 ANN을 자신의 토트 작업에 처음 도입한 인물 중 하나입니다.
«내 친구와 저는 약 2년 전, 토트 공개 플랫폼에 게시된 토트 데이터베이스와 나의 전체 포트폴리오를 사용해 첫 번째 AI를 훈련했습니다. 총 15,000개의 토트 이미지를 수집했습니다. 아마도 그때 이미 AI 스케치를 기반으로 토트를 만들었을 수 있었지만, 문제는 2년 전에는 사람들이 그게 무엇인지 이해하지 못했기 때문입니다. 그들은 AI가 토트 이미지를 망가뜨리는 것이라고 생각했고, 실제로는 시도와 실수를 통해 0에서 배우며 그림을 그리는 것을 인식하지 못했습니다. 여기는 그의 인스타그램 @01tattooAi» - Evgeny가 말했습니다.
Evgeny에 따르면 ANN의 사용은 토트 아티스트에게 여러 가지 추가 기회를 제공합니다. 예를 들어 특정 스케치에 대해 가장 짧은 시간 안에 여러 개의 대안 버전을 얻고, 그림의 그림자, 텍스처, 이미지 세부사항을 빠르게 구현할 수 있습니다.
«AI는 토트 아티스트의 보조자이지 대체가 아닙니다. 당신에게 완성된 작품을 그릴 수는 없습니다. 하지만 당신의 아이디어를 다듬는 데 도움이 됩니다. 요청이 더 정확할수록 AI의 결과도 더 성공적으로 나타납니다. 예를 들어, 한 고객이 쥐 토트를 원했습니다. 제가 직접 그릴 수도 있었지만, 저는 이 작업을 AI에게 맡기기로 결정했습니다. 최종 결과는 모든 기대를 초과했고, 고객도 만족했습니다.» - Evgeny가 말했습니다.
토트 아티스트를 위한 인공 신경망
Evgeny Malgin은 토트 아티스트에게 적합한 인공 신경망들을 공유했습니다:
Dall-E는 가장 놀라운 동시에 가장 비싼 인공 신경망입니다. 어떤 정도의 돈이 필요할지 상상하기 어렵습니다. 많은 기능, 구글 후원, 인기 등이 있지만, 생성 비용을 보면 그 이점은 사라집니다. 더불어 하나의 매우 이상한 기능이 있습니다. Dall-E 팀은 LGTB 프로그래머들로 구성되어 있어, 어떤 유머나 그런 것이 있었습니다. Dall-E 생성 중 일부는 단순히 애정을 표현하는 남성들을 그립니다. 그걸 돈을 들여서 사용할 가치가 있나요? 개인적으로는 그렇지 않았습니다. 무료 코인으로 실험했고 그 정도만으로 충분했습니다.
Midjourney는 두 번째로 인기 있는 인공 신경망입니다. Discord를 통해 작동합니다(매우 불편하지만 익숙해질 수 있습니다). 월 30달러로 모든 생성 제한을 제거합니다. 많은 사람들이 이를 사용하지만, 개인적으로는 Discord를 통해 작업하는 것이 불편하다고 느꼈습니다.
Stable Diffusion는 정말 멋진 프로그램입니다. 하지만 먼저 강력한 컴퓨터가 필요하며, 두 번째로 프로그래밍 기초 지식이 있어야만 단순히 실행할 수 있습니다. 그러나 인터넷에 오픈소스 코드가 제공되어 모든 것을 무료로 무제한으로 생성할 수 있습니다.
Draw Things는 스마트폰용 스테이블 디퓨전과 동일한 기능입니다. 매우 멋지죠! 당신의 스마트폰에서 무료로 설치하고 플레이할 수 있습니다. 하지만 이 앱의 단점은 여름철에 생성 중 스마트폰의 배터리가 태양 아래서 아이스크림처럼 녹는다는 것입니다. 하지만 무료이며 인터넷이 필요하지 않습니다!
Nightcafe는 비용이 적고 다양한 설정을 제공하는 브라우저 기반 인공 신경망입니다. 브라우저를 좋아하는 사람들에게 가장 좋으며, 그 안에 커뮤니티가 있어서 사진을 공유하고 포인트를 얻고 무료로 다시 생성할 수 있습니다.
Dream는 iOS용 앱입니다. 제 선호도입니다. 구독 비용이 저렴하고, 모든 것을 빠르게 생성하며 사용자 친화적인 인터페이스와 다양한 예시 스타일을 제공합니다. 이는 매우 편리합니다. 제가 스마트폰에서 스케치를 개발하고, 필요시 다른 편집기나 ANN에서 완성하는 데 사용합니다. 단점은 설정이 적고, 생성이 덜 '지능적'이라는 점입니다.
인공 신경망은 매 초마다 업데이트되며, 각 새로운 반복을 통해 더 '지능적'이 됩니다. 그리고 그들이 수백만 명의 사람들이 그리고 수천억 바이트의 정보를 가지고 있을 때... 우리가 이 기사 작성 중이었을 때, 위에서 언급한 모든 인공 신경망들이 인간과 예술에 대해 더 깊이 이해하는 데 몇 가지 큰 진전을 거쳤다고 생각합니다. 따라서 여러분이 직접 그들의 작업을 확인해 보시기를 권장합니다. 물론 실험 결과를 댓글에 남겨 주세요!
Comments (1)