KI-generierte Kunst – Vom Misserfolg zur Perfektion

- Dr. Theo SteiningerCo-Founder & CEO von Erium
- Dr. Maksim GreinerCo-Founder & CTO von Erium
Überblick
In dieser Folge des Erium Podcasts tauchen Theo Steininger und Maksim Greiner tief in die Welt der KI-generierten Bilder ein. Sie erklären, wie Stable Diffusion technisch funktioniert, worin der Unterschied zu Sprachmodellen wie ChatGPT besteht, und zeigen praxisnah, wie man durch gezieltes Prompt Engineering deutlich bessere Ergebnisse erzielt – von der naiven Erstnutzung bis hin zu professionellen Workflows.
Zusammenfassung
Spektakuläre KI-Bilder in der Öffentlichkeit – und die ernüchternde Realität beim Selbstausprobieren
Die Folge startet mit bekannten Beispielen viral gegangener KI-generierter Bilder, etwa dem Foto von Papst Franziskus in einer weißen Daunenjacke, das zeitweise für echt gehalten wurde. Die Hosts diskutieren, warum solche Bilder so täuschend wirken: Sie befinden sich genau an der Grenze des Möglichen. Wer selbst naiv mit Bildgeneratoren experimentiert, erlebt jedoch schnell das Gegenteil – zufällige, qualitativ enttäuschende Ergebnisse. Dieser Kontrast ist der Ausgangspunkt für die tiefergehende Diskussion über Technik und Technik des Promptens.
Wie Stable Diffusion funktioniert – De-Noising, Diffusion und gesteuertes Halluzinieren
Maksim erklärt den grundlegenden Unterschied zwischen Sprachmodellen wie ChatGPT (Text-zu-Text) und Bildgeneratoren wie Stable Diffusion (Text-zu-Bild). Stable Diffusion basiert auf dem Prinzip des De-Noisings: Ein neuronales Netz wird darauf trainiert, Rauschen von echten Bildern zu trennen. Startet man dann nur mit Rauschen und lässt das Netz iterativ 'Rauschen abziehen', fantasiert es ein realistisch wirkendes Bild herbei.
Um gezielt bestimmte Motive zu erzeugen, wird ein Klassifikator-Mechanismus eingebunden, der das Rauschen-Abziehen in Richtung gewünschter Bildmerkmale lenkt. Freier Eingabetext wird dabei über ein Embedding-Modell in diese interne Repräsentation übersetzt. Das Ergebnis ist ein System, das auf Basis einer Textbeschreibung kontrolliert 'halluziniert'.
Steuerungsparameter und Modellvielfalt – Seeds, Iterationen, Fine-Tunings
Die Hosts gehen auf zentrale Steuerungsparameter ein: Der Random Seed bestimmt das initiale Rauschen und ermöglicht reproduzierbare Ergebnisse; die Iterationszahl beeinflusst, wie oft das De-Noising wiederholt wird; und der 'Classifier Free Guidance'-Wert regelt, wie streng sich das Modell an die Prompt hält – ähnlich der Temperatur bei Sprachmodellen. Zu hohe Werte führen zu künstlichen Artefakten, zu niedrige zu beliebigen Ergebnissen.
Auf Plattformen wie Hugging Face gibt es neben wenigen grundlegenden Basismodellen (Stable Diffusion, DALL-E, Midjourney) eine riesige Zahl an Fine-Tuned-Versionen, die auf bestimmte Stile oder Themen spezialisiert sind – von Roboter-Ästhetik über Neon-Steampunk bis hin zu diversen Anime-Subkategorien.
Werkzeuge und Zugangswege – Von der Kommandozeile bis zur Web-App
Für technisch versierte Nutzer bietet Hugging Face direkte API-Zugänge und Python-Packages. Wer tiefer einsteigen möchte, kann mit Tools wie der 'Automatic1111'-Oberfläche (einer lokalen Web-GUI) alle Hyperparameter manuell einstellen und Plugins nutzen – setzt aber eine leistungsfähige GPU, Python-Kenntnisse und Installationsgeduld voraus. Für Einsteiger hingegen gibt es webbasierte Plattformen wie Nightcafe, die das Modell als Service anbieten, aber Credits-basiert abrechnen. Die Erium-eigene Plattform Halerium geht einen Mittelweg: Hyperparameter sind konservativ voreingestellt, sodass Nutzer sich auf das Prompten konzentrieren können.
Prompt Engineering für Bildmodelle – Classifier-Sprache statt Chatbot-Stil
Der Kern der Folge ist das richtige Formulieren von Prompts für Stable Diffusion. Ein häufiger Anfängerfehler ist, das Modell wie einen Chatbot anzusprechen – mit Absichten, Kontextsätzen oder gar Höflichkeitsfloskeln wie 'Vielen Dank'. Stable Diffusion ist kein Gesprächspartner, sondern benötigt eine beschreibende, nominalstilistische Sprache ähnlich der Ausgabe eines Bild-Klassifikators.
Als mentales Modell empfehlen die Hosts: Nicht was das Bild bedeutet oder bezweckt beschreiben, sondern was man konkret sieht – analog zu einem Chemielehrer, der fragt 'Was sehen Sie?' statt 'Was vermuten Sie?'. Bewährt hat sich ein strukturiertes Schema aus: Medium, Subject, Style, Artist, Website (Bildquelle), Details, Color Scheme, Resolution und Lighting. Abstrakte Konzepte wie 'nachdenklich' funktionieren kaum; konkrete visuelle Beschreibungen ('ernste Miene, Blick abgewandt') hingegen gut.
ChatGPT als Brücke zwischen Intention und Classifier-Sprache
Da Menschen intuitiv in Absichten und Bedeutungen denken, nicht in Klassifikator-Labels, empfehlen die Hosts, ChatGPT 4 als Zwischenschicht einzusetzen. Man beschreibt dem Sprachmodell den Kontext und Zweck des gewünschten Bildes, und ChatGPT übersetzt dies in eine strukturierte, Stable-Diffusion-kompatible Prompt. Die Erium-Plattform Halerium bietet dafür ein vorbereitetes Template mit kuratierten Listen valider Labels (Künstlernamen, Lighting-Stile etc.), da Stable Diffusion nicht alle Begriffe kennt und eine offizielle Dokumentation fehlt – das Wissen stammt aus kollektivem Trial-and-Error der Community.
Grenzen des Workflows und die Frage, was noch als 'KI-generiert' gilt
Professionelle Ergebnisse wie das Papst-Franziskus-Bild entstehen nicht mit einem einzigen Prompt, sondern durch iterative Nachbearbeitung: Teile des Bildes werden gezielt neu generiert (Inpainting), Fehler wie falsche Finger manuell korrigiert – teils mit Photoshop, teils wieder mit Stable Diffusion. Die Hosts diskutieren, wo die Grenze zwischen KI-generiert und manuell bearbeitet verläuft, und stellen fest, dass dieser Übergang fließend ist. Die eigentliche Stärke generativer Modelle liegt im schnellen Erzeugen plausibler Ausgangsvarianten; für den letzten Feinschliff ist traditionelle Bildbearbeitung oft effizienter.
Kernaussagen
- Stable Diffusion erzeugt Bilder durch iteratives De-Noising: Es 'fantasiert' aus reinem Rauschen ein Bild herbei, geleitet durch die Textprompt.
- Der entscheidende Unterschied zu ChatGPT: Stable Diffusion benötigt beschreibende, nominalstilistische Sprache – keine Chatbot-Konversation, keine Absichtssätze.
- Ein strukturiertes Prompt-Schema (Medium, Subject, Style, Artist, Website, Details, Colors, Resolution, Lighting) liefert konsistent bessere Ergebnisse als freie Formulierungen.
- ChatGPT 4 eignet sich hervorragend als Übersetzer zwischen menschlicher Intention und dem 'Classifier-Sprech', den Stable Diffusion versteht.
- Hyperparameter wie Seed, Iterationszahl und Classifier Free Guidance beeinflussen Ergebnis und Qualität erheblich – für Einsteiger empfiehlt sich eine konservative Voreinstellung.
- Die Modelllandschaft besteht aus wenigen Basismodellen und sehr vielen Fine-Tuned-Varianten für spezifische Stile – die Wahl des Modells beeinflusst das Ergebnis stark.
- Professionelle KI-Bilder entstehen meist durch mehrere Iterationen und manuelle Nachbearbeitung; die Grenze zwischen 'KI-generiert' und 'manuell bearbeitet' ist fließend.
- Negativprompts sind ein wichtiges Werkzeug: Unerwünschte Elemente lassen sich damit gezielt aus dem generierten Bild heraushalten.
Fazit
KI-generierte Bilder, die viral gehen und täuschend echt wirken, sind kein Zufallsprodukt, sondern das Ergebnis von durchdachtem Prompt Engineering und oft manueller Nachbearbeitung. Wer versteht, wie Stable Diffusion intern 'denkt' – nämlich als Klassifikator, der visuelle Merkmale erkennt und beschreibt – kann mit einem strukturierten Prompt-Schema und dem Einsatz von ChatGPT als Hilfs-Übersetzer die Qualität seiner Ergebnisse drastisch verbessern, ohne tief in Hyperparameter einzutauchen.
Für Einsteiger und kreative Nutzer
Vergesst den Chatbot-Modus: Beschreibt, was ihr seht, nicht was ihr meint. Ein strukturiertes Schema aus Medium, Stil, Beleuchtung etc. – am besten von ChatGPT befüllt – bringt euch ohne technischen Aufwand deutlich weiter.
Für technisch Versierte und Entwickler
Die Kombination aus kuratierter Prompt-Vorlage und einem Sprachmodell als Intermediate Layer ist ein praxistauglicher Ansatz, um Stable Diffusion in Produkte oder Workflows zu integrieren – wie das Halerium-Template zeigt.
Für Führungskräfte und Entscheider
KI-Bildgenerierung ist kein 'Knopf drücken und fertig': Der Wert liegt im schnellen Erzeugen von Varianten, nicht im vollautomatischen Ersetzen kreativer Arbeit. Qualitätsergebnisse erfordern nach wie vor kuratierte Prozesse und menschliche Iteration.
Volltranskript anzeigen
Speaker0: Die
Speaker1: Eriom Podcast.
Speaker0: Herzlich willkommen zu 1 neuen Folge von The Eriom Podcast. Mein Name ist Theo Steininger und heute sprechen Maximo und ich über das Thema prompt Engineering für Stable Diffusion. Hi Maxim. Hi Theo. Du kennst bestimmt das Bild von Papst Franziskus. Das ging recht breit durch die Öffentlichkeit. Die meisten der Zuhörer werden das noch im im Gedächtnis haben. Papst Franziskus stimmt. In 'ner Neunzigerjahre Style weiße Daunenjacke, fettes, quotzigfix den Hals. Und die See oder die Öffentlichkeit, ich glaub, sonen halben Tag lang war mir sich nicht ganz sicher, ob das 'n genialer Marketingstunts der katholischen Kirche ist oder ob's dann doch 'n AI Fake ist. Dem Benedikt hätt man's weniger zugetraut, ne. Ja, aber Franziskos halt eben schon, Ja. Das war 1 der beeindruckendsten Beispiele für KI generierte Bilder. Ja. Gab noch 'n paar auch animierte Beispiele mit Bilder von Trump, wie er angeblich festgenommen wird. Mhm. Ginge einiges durch die Öffentlichkeit. Und spannend wird's ja immer dann, wenn man nicht so genau weiß, ja, also wenn wenn der dargestellte Inhalt im Rahmen des Möglichen ist. Wenn das jetzt Papst Franziskus mit 'nem Kabeuhut auf 'nem Einhorn Na ja, okay, ist klar, ja. Nee, das sind immer die, wo die wo Du halt dann überlegst, so wie damals bei Varufakis
Speaker1: und dem Mittelfinger. Kannst Du dich daran erinnern? Der damalige griechische Finanzminister, dem haben sie dann irgendwie Ich glaub, das war der Böhmermann sogar, die dann Nee. Das Fake gemacht haben, dass er quasi in dem Vortrag so, ja, da Was war was? Dann zeigen wir halt der Europäischen Zentralbank oder also zeigte er den halt quasi den Mittelfinger und das hat er sogar zum Text son bisschen gepasst, der hätt ja gern provokant formuliert Ah. Und das war wohl 'n Fake. Aha, aha.
Speaker0: Ja,
Speaker1: kann sich jetzt nicht das bei Forstable Diffusion Zeiten. Schönen, war schon, manuelle Arbeit.
Speaker0: Kann kann sich tatsächlich noch nicht, aber genau das ist, was ich mein, ja. Wenn's genau an der Kante des Möglichen ist, dass man dass man wirklich zweimal hinschauen muss. Und der Aufhänger dieses Gesprächs würd ich mir folgendermaßen vorstellen, Maxim, und zwar, dass wir mal genauer beleuchten, diese Beispiele, die man in der Öffentlichkeit oder ja, die man in der Presse dann sieht, das sieht immer wahnsinnig gut aus. Ja. Also das Papst Franziskus Ding, das könnt wirklich 'n Foto sein und man merkt nur an dem Becher, den er irgendwie in der Hand hält, da geht 'n Finger einmal verkehrt rum, ja. Und und und da musst Du mal schon ganz genau hingucken. Und wenn man selbst mal so ganz naiv mit diesen Bildgeneratoren
Speaker1: rumspielt, na ja, da kommt halt eher Quark raus. Man hat so das Gefühl, dass halt immer noch sowieso, na ja, so wie wie wird's schon sein? Dann probierst Du's selbst.
Speaker0: Absolut. Jetzt haben wir ja letztes Mal über Prompt Engineering generell gesprochen. Und ich denk, ist eine gute Idee, wenn wir erst mal noch mal klar ausarbeiten oder ja, durchgehen. Was ist noch mal jetzt der Unterschied oder gibt's überhaupt 'n Unterschied zwischen KIs wie ChatGPT Ja. Und so was wie.
Speaker1: Ja, dann lass uns da mal kurz reingehen, weil irgendwie Es ist ja alles einfach die KI, ne? Also Ja, aber liest das Gleiche, ne? Also ChatGPT und Stable Diffusion sind 2 unterschiedliche Modelle und auch 2 in 2 ganz unterschiedlichen Klassen von Modellen. Also ChatGPT, da geht's ja darum, Text zu Text, also ist ja 'n Chatbot. Das heißt, was im Hintergrund passiert ist, das hatten wir ja, glaub ich, in Folge 1 oder 2 beleuchtet, ist, auf Basis 1 existierenden Textes wird das nächste Wort oder eigentlich der nächste Token vorhergesagt. Und dann kannst Du diese Kette immer weiter spinnen und den Text immer weiter fortschreiten. Wir nehmen immer das, was Du grad vorhergesagt hattest, als Basis für die nächste Vorhersage nimmst. Und mit solchen Modellen kannst Du dann wunderbar einfach Texte weiterschreiben. Das heißt, Du promptst das, das deswegen dieser Name liegt prompt und dann dann vervollständigt er das. Und ChatGPT ist eben darauf getunet oder trainiert worden, Chats zu vervollständigen mit 1 Antwort. Das heißt, das ist eine Chathistorie und dann, was was wäre die nächste sinnvolle Antwort der KI? So tickt ChatGPT.
Speaker0: Und meistens kommt zurück.
Speaker1: Ja, genau. Also und Stable Diffusion, es hat die Aufgabe, Bilder zu erzeugen, ja? Es ist schon mal fundamental an, es erzeugt keinen Text und Sondern erzeugt Bilder und der andere Unterschied ist auch ChatGPT kann ja im Prinzip unendlich weiterlaufen. Es könnte ja immer noch ein Wort und noch ein Wort und noch ein Wort und 'n Bild wiederum ist eigentlich irgendwie fertig oder zumindest 'n Bild ist jetzt da. Das ist schon mal auf der ganz grundlegenden konzeptionellen Ebene vom Ziel her der Unterschied. Wenn wir jetzt bisschen auf die Funktionsweise von Stable Diffusion eingehen wollen, ich glaub, ChatGPT hatten wir ein bisschen besprochen, wie das so läuft, dass man vorhersagt, also neuronales Netz, was vorhersagt, was wäre Wären die Wahrscheinlichkeiten für verschiedene nächste Worte und dann wird halt 1 gewürfelt. Bei Stable Diffusion geht's darum, dass man aus 1 prompt wiederum, also aus einem Satz, ein Bild generiert. Wie funktioniert das? Da müssen wir 'n bisschen ausholen. Das basiert auf letztendlich dem Die Anfänge liegen im Dinoising. Also Du hast ein verrauschtes Bild und möchtest jetzt Bild von Rauschen trennen, also so klassische Geschichte, wo man auch von Filtern einfach auch noch spricht, so Kameratechnik und so was. Wie könnt man das wie kann man das mit neuronalen Netzen verbessern? Also Theo und ich haben ja auch sone Vergangenheit im De Noysing, das wurde damals viel mit haben wir viel mit basischer Statistik und Foyer Analysen und und und verwandtensachen gemacht. Und hier letztendlich das gleiche gleiche Herausforderung, gib dem Modell ein Bild, auf das Du Rauschen künstlich draufgesetzt hast und lernst und trainiere das Bild darauf, jetzt Rauschen von Bild zu trennen. Und wenn Du dann ein Bild, 1 1 1 Maschinerie trainiert hast, die das gut kann, ja? Also der kannst Du dann ein verrauschtes Bild geben. Sagen wir mal, Du gibst den 'n Katzenbild, wo ganz viel so typischer Old School Analog Fernseh, Schneerauschen drauf ist und das Trend Rauschen von Katze ziemlich gut. Wenn Du das einmal hast, dann kannst Du sagen, okay, jetzt nutzen wir das doch als quasi Generierungsmaschine für zufällige Bilder. Nämlich Du fängst nur mit Rauschen an und sagst dann, okay, liebe KI, subtrahiere jetzt hier bitte Rauschen vom Bild. Und Modell gehorsam, wie es ist, mach das. Kriegst Du wahrscheinlich zweimal Schnee, okay. 1 ist das laut Modellrauschen und der andere ist das laut Modellbild, irgendwie immer noch Schnee. Aber jetzt macht es mal paar Mal hintereinander, immer öfter, immer wieder von dem quasi Von dem bereinigten die neuesten Bild siehst Du immer wieder noch mal das Rauschen ab und irgendwann kommt dabei dann ein Bild raus, weil diese dieses Modell darauf trainiert ist, halt irgendwie Bilder zu erzeugen, ja? Es fantasiert dann quasi, weil Du hast ja nur mit rauschen angefangen oder im im Wahrscheinlichkeitsgespräch, es sampelt quasi dann aus der impliziert trainierten Wahrscheinlichkeit irgendein Bild raus. Das heißt, dass nachher dann, wenn Du das 'n paarmal machst, hast Du dann irgendwann beispielsweise ein Kätzchen oder ein Stuhl oder whatever, ja? Also das ist dann quasi 'n zufälliger Pfad, den Du da anstößt mit diesem initialen Rauschen. So, jetzt haben wir ja sone Maschinerie, die kann Bilder, die irgendwie realistisch aussehen oder irgendwie dem Trainingsdatensatz von Bildern ähnlich sind, erzeugen.
Speaker0: Das heißt, wo wir jetzt momentan stehen, ich hab 'n einfach nur rauschendes Bild als Ausgangsgrundlage. Genau. Und einen Algorithmus, der ganz fest die Augen zusammenkneift und dann irgendwas in dem Rauschen
Speaker1: sieht. Ja, aber das Aber das könnte alles sein, erst mal. Das könnte alles sein, genau. Es ist so so son son Stell dir vor, Du spielst stille Post Mhm. Und fängst an mit.
Speaker0: Ja, genau.
Speaker1: So. Gutes Beispiel. Und irgendwann kommt halt was dabei raus. Ist im Prinzip auch fast egal. Du hast einen Sampler für realistische oder was auch immer für für für wünschenswerte
Speaker0: Bilder. Das sollten wir uns übrigens mal anschauen, ob das nicht für Audiofiles ganz genauso funktioniert, weil Du grad
Speaker1: reingegeben hast. Ja. Sollte funktionieren, hab ich mir noch nie angeschaut. Ich tatsächlich auch nicht, aber warum denn nicht? Ja, ja. Also bei Bildern ist halt das Schöne, Du hast halt son fixes Format, ne. Du hast irgendwie 1024 mal 1024 und dann kannst Du da da reinbauen und Du hast halt mit den schönen kleinen, geht es da auch einfach sehr gute Bilder zu erzeugen. Na ja, anyway. So, jetzt haben wir also eine Maschinerie, die 'n random Bild erzeugen kann. Okay, wie geht's jetzt weiter? Wir möchten ja ein bestimmtes Bild, also Stable Diffusion nimmt ja eine prompt und erzeugt ein Bild dazu. Okay. Nehmen wir mal die Maschinerie, die Bilder ad random erzeugt und legen die beiseite und schauen uns ein anderes Modell an, was Bilder klassifiziert, dem Du ein Bild gibst und quasi Tags ranklatscht. So, also zum Beispiel immer dieses Beispiel, ja, Katzen Talks, ne? Also das heißt, Du gibst 'n Bild, ist das 'n Katze oder 'n Hund? So, damit kommst Du natürlich nur mit Katzen- und Hundebildern weiter. Wenn Du dir 'n Pferd gibst, kommt halt irgendwas raus. Mit vielleicht kommt da fifty fifty Hund Katze oder ich weiß nicht, was raus. So, jetzt nimmst Du noch 'n größeres Modell, was wirklich viele, viele, viele, viele Sachen klassifizieren kann und auch Adjektive, dass man zum Beispiel sagen kann, ein Pferd stehend auf 1 Weide. Das wird es nicht unbedingt Sätze generieren, sondern irgendwie Pferd steht, Weide, blauer Himmel, braun, nehmen wir, keine Ahnung, nehmen wir irgendwie so 20 Tags, was das einfach so rausspuckt, okay? Gut und jetzt haben wir diesen Classifier. Und jetzt stell dir vor, Du verbindest beides. Du würdest sagen, okay, ich nehm jetzt diese Maschinerie, die random Bilder erzeugen kann und Du nimmst diesen Classifier. Und jetzt verknüpfst Du die so, dass Du quasi die Maschinerie dazu anregst, in die Richtung das Bild zu die neuesten, dass dieser Classifier die Wahrscheinlichkeit für die von dir gewünschten Tags erhöht und nicht verringert. Das heißt, Du ziehst jetzt nicht irgendein Rauschen ab, sondern Du ziehst das Rauschen ab, was möglichst danach her, das, was übrig bleibt, mehr Richtung Pferd stehend blauer Himmel und was ich grad gesagt hab, klassifiziert. Und dann wiederholst Du das und dann beginnt das quasi das Modell zu fantasieren in ein Bild, was diesen trainierten Raum von Bildern entspricht und möglichst gut diese Klassifizierung erfüllt. Und damit haben wir jetzt im Prinzip schon eine Maschinerie, die gezielte Bilder erzeugen kann. Und die Zutaten sind jetzt quasi Klassifizierungstags und ein initiales Rauschen und eben 2 Modelle, die zusammenarbeiten. Also in Stable Diffusion ist das dann alles vereint, damit's auch effizienter geht. Aber vom vom Konzept her könntest Du ja sagen, ich nehm jetzt verschiedene Möglichkeiten, da Rauschen abzuziehen und nehm halt die, geh mal den Schritt, der die Wahrscheinlichkeit für meine gewünschten Tags erhöht und nicht verringert. Und die letzte quasi Convenience Funktionalität ist solche Tags, die folgen ja ganz bestimmten Mustern. Das ist ja im Prinzip einen, Also son Classifier, wie ich ihn gerade vorhin beschrieben hatte, der erzeugte fast fast schon strukturierte Daten, nämlich irgendwie Wahrscheinlichkeiten für Tags. Und was Du jetzt dann noch machst, ist, Du nimmst halt also ein Sprachmodell, ein Embedding Modell, quasi einen freien Text wie, ich hätte gerne ein Pferd, was auf 1 Weide steht, der Himmel im Hintergrund soll blau sein, vielen Dank, okay? So, ist definitiv kein Classifier Output, aber Du kannst die möglichen Outputs embedden und diesen Text embedden und dann quasi das Matching machen, sozusagen aus der freien Sprache über das, was ja auch so was wie Chat GPT intern benutzt, ein Set von Tags im Hintergrund zu generieren. Wie genau das Label Diffusion jetzt macht im Detail, weiß ich jetzt auch nicht, aber das ist das Prinzip. Das benutzt er so ein Embedding, aus dem Freitext dann in in diese in diese Repräsentation der Tags zu gehen.
Speaker0: Was da mit drin steckt, ist auf jeden Fall Multi Attention Heads. Okay. Das heißt, genauso wie ChatGPT funktioniert. Man hat quasi sonen kleinen Transformer mit in dem Stable-b-vier-Sch-Modell mit drin. Okay, damit man noch besser mit der natürlichen Sprache prompt. Genau, genau, genau. Für Kontext. Also damit, wenn Du die die prompt von gerade eben noch mal hernimmst, dass er dann am Ende wirklich der Himmel blau ist und nicht das Pferd.
Speaker1: Genau und wahrscheinlich, das hab ich mir jetzt gar nicht in dem Detail angeschaut, aber es wird auch Sinn machen, dass Du dann gleich diesen internen auf das trainierst als Ziel und nicht auf irgendwelche Tags als Zwischenschicht.
Speaker0: Jetzt sind wir schon sehr, sehr technisch unterwegs. Genau. Im Endeffekt, worum geht's? Wir haben einen eine Text KI, die die prompt so verarbeitet, dass eine andere KI, die aus Rauschen zurückfantasiert, was hätte das sein können Genau. Mild rekonstruiert.
Speaker1: Richtig. Ja, im Prinzip, wie Du Wir haben ja vorhin gesagt, Du kneifst die Augen zusammen und schaust auf ein Bild, was nur rauschen ist und gleichzeitig hast Du quasi diesen Promptsatz auch noch dabei und dann träumst Du halt was. Also es ist wirklich halt Halluzination im besten Sinne, ne? Also Genau. Du hast jetzt den ganzen Tag Den Satz wurde dir vorgespult, ein Pferd steht auf 1 grünen Weide mit blauem Himmel und so weiter und jetzt halluzinierst Du halt auf Schlafentzug oder und kleinen Substanzen und dann siehst Du irgendwas. Und im Prinzip macht das das. Ja, genau. Ich fand da in dem Kontext 1 spannend,
Speaker0: wir hatten noch bei dem Thema Prompt Engineering auch die Komponente mit drin. Bitte, bitte keine Verneinungen oder impliziten Angaben machen. Ja, genau. Das würde ja auch schlecht träumen nicht von einem Pferd. Ja, genau. Und und deswegen, das nur als wichtige Ergänzung zum Thema Prompting, bei gibt's ganz explizit auch einen Negativ prompt. Richtig. Also Dinge, die nicht enthalten sein sollen, denn es kann heut durchaus passieren, wenn man in der schreibt, dass man eben genau Gesichter mit Schnurrbart rausbekommt. Und der ist, man packt den Mustage in die Negativ prompt und dann wird er abgezogen. Und das funktioniert dann tatsächlich auch qua Sampling im Hintergrund. Genau.
Speaker1: Richtig. Jetzt sind wir ja schon son bisschen bei, wie kann ich Stable Diffusion steuern. Mhm. Ja, das ist spannend. Vielleicht, also was sind die Zutaten, hab ich ja vorhin gesagt. Das ist die, neben der ist es ja auch dieses zufällige Rauschen. Mhm. Deswegen kann man bei Sable Diffusion Modellen, also wenn man's wirklich Low Level benutzt, auch den Random Seat angeben. Das ist nichts anderes als eine Zahl, aus der sich dann dieses Rauschen speist. Und wenn ich den denselben Random Seat zweimal verwende, dann basiere ich auch auf demselben Rauschen und dementsprechend auf dem, also sollte ich dasselbe Bild bekommen.
Speaker0: Ja, das funktioniert, genau.
Speaker1: Dann gibt's die, also wie viele mehrere, also wenn ich mehrere Bilder mir generieren lassen möchte gleichzeitig, damit ich danach mir das Beste aussuchen kann. Und dann gibt es in manchen Implementierungen noch die Iterationszahl. Das ist Das Ich hab ja vorhin erzählt, ne, man man zieht das Rauschen ab, zieht das wieder ab, zieht das wieder ab und das sind die Iterationen. Und dann gibt's noch diese Classifier Free Guidance. Du hast dir die angeschaut, Theo, ne? Das ist das Ja, im im Wesentlichen geht's halt darum, wie
Speaker0: eng muss oder soll sich das Modell an die prompt halten. Genau. Und wenn man's zu schwach macht, dann geht's halt in irgend eine Richtung. Wenn man's zu stark macht, dann wird das Ergebnis sehr künstlich oder Artefakt, sieht sehr artefaktbehaftet
Speaker1: aus. Aber man kann son bisschen das betrachten mit die Temperatur bei ChatGPT oder bei den Sprachmodellen, über die Das ist eine schöne Analogie, ja. An die hatte ich noch gar nicht gedacht. So, wenn's, also bei der bei der hohen Temperatur wurd ja quasi die der der generierte Text dann irgendwann sehr, sehr gibberisch. Bei der Niedrigen ist er halt immer das sehr rigide dasselbe und so ist es bei dem Classifier dann dann auch, ja. Wenn Du halt Die Sache ist nämlich, das ist sone Balance. Wenn Du sagst, mir ist jetzt vielleicht gar nicht so wichtig, wie realistisch das Bild ist, wichtig ist für mich nur, dass der Classifier Teil einhundert Prozent sicher ist, dass das ein Pferd mit blauem Himmel ist. Mhm. Dann kommen wir fast schon in dieses Thema Advertarian Noise rein. Also das Bild, was einen am stärksten anregt, muss nicht mehr realistisch sein. Richtig. Und das wird hier dieser Trade off sein.
Speaker0: Wenn ich mir jetzt Plattformen anschaue wie Hackingface, dann findest da ja erst mal 1000000, Milliardenanzahl von verschiedenen Modellen. Ja. Sind die tatsächlich alle unterschiedlich?
Speaker1: Ja. Also okay, fangen wir mal an. Es gibt gar nicht so viele oder zumindest weitverbreitete Models für diese Bildgenerierung, also die wirklich von 0 aufgebaut, trainiert, konzeptioniert wurden. Also Stable Diffusion, DALI beziehungsweise DALI 2 Mid Journey sind meines Wissens nach 3 ganz unterschiedliche Klassen, aber dann gibt's Darauf basieren wahnsinnig viele Feintunings, Ja, also was ist 'n Feintuning? Du trainierst das Bild nicht Das Bild, das das Modell nicht noch mal von 0, sondern Du nimmst das so wie es ist und gibst dem noch mal einen Satz Bildern zum Nachtrainieren, denen auf etwas zu spezialisieren. Wir haben darüber auch im Kontext der Sprachmodelle gesprochen, zum Beispiel, von einem generischen Textvervollständiger zu einem Chat zu kommen, reicht häufig ein Feintuning. Dass Du da sagst, okay, Du kannst jetzt beispielsweise bis der englischen Sprache mächtig und jetzt trainieren wir dich auf 'n Muster, wie User Doppelpunkt sagt, k I Doppelpunkt sagt und dass das sich immer so abwechselt. Und dann trainierst Du oder fine tunest Du ein generisches Sprachmodell auf ein Chatmodell. Und so kannst Du's bei Stable Diffusion oder 'nem Bildgenerierung auch machen. Du trainierst es zum Beispiel nur auf, was haben wir da, Robo Diffusion zum Beispiel, auf Bilder von Robotern, ja? Dann wird der, wenn Du ihm jetzt sagst, ein Pferd auf 1 Weide mit Himmel und so weiter, dann wird der wahrscheinlich ein Roboterpferd generieren. Vielleicht 'n bisschen abhängig von deinem Classy Fryer Free Guidance Setting, aber grundsätzlich ist sein quasi Raum an realistischen Bildern stark Richtung Roboter dann gebeißt. Ja, dann Ink Punk, Diffusion hast Haben wir noch vorhin angeschaut, das ist eine gezeichneter Punk Gezeichneter, oder? Neonsteampunk.
Speaker0: Ja, also Style, ja, genau. Okay und na ja,
Speaker1: ja, es ist das Internet, also gibt's natürlich auch Waifu Diffusion
Speaker0: Ja. Und wie sie alle leisten. Das ist tatsächlich das, wo ich immer denk, da gibt's am allerallermeisten, nämlich feingetunte Modelle für so ziemlich jede Subkategorie von Anime, Ja. Die Du dir nur vorstellen kannst. Und häufig auch ein bisschen, ne. Ja, in jeglicher Variante. Also das ist,
Speaker1: na ja, freut halt, ne. Das ist der stärkste Motivator des Menschen oder so. Ja, also das heißt, es gibt nicht nicht so viele Models Models, aber es gibt wahnsinnig viele Feintunics und die unterscheiden sich dann auch. Und dann gibt's auch einfach Weiterentwicklung desselben Modells, wenn man noch mal 'n weiteren, größeren Datensatz weitertrainiert oder noch mal größer aufgesetzt, so so was in der Art. Ja, okay. Jetzt hab ich lange geredet darüber, was ist Stable Diffusion? Wie funktioniert es grob, ja? Da hab ich sicher auch, ich hätt's 'n paar Verballhornungen gemacht, aber ich hoffe, es gibt euch 'n Bild davon, wie das so so tickt. Aber okay, Butter über die Fische, wie nutz ich das jetzt?
Speaker0: Ach so, das Schöne ist, wenn man bei dir beim Arbeiten zuguckt, Du schaust dir die die die Gewichte an und dann entsteht bei dir ja schon die im Kopf. Sicher. Also als normaler Mensch Code es von Hand jedes Mal. Absolut, genau. Also das ist, finde ich, 'n extrem spannender Punkt, weil grade bei den Bildmodellen, weil die so populär sind, gibt's eine ganze Latte von Möglichkeiten. Also ich kann mir ja erst mal 'n Modell schnappen von Hackingface und das einfach runterladen. Genau. Die Gewichte haben wir halt dann meinetwegen paar Gigabyte, aber sei's drum.
Speaker1: Ja, brauchst halt in der Regel eine potente GPU, wo die Gewichte in den Speicher passen, aber manche Implementierungen funktionieren auch mit der CPU und Geduld. Genau.
Speaker0: Und Huggingface gibt ja auch das entsprechende Python Package mit dazu. Also dann kannst Du auf der Kommandozeile dir erst mal low Level mit 'nem Modell deiner Wahl, Du kannst das einfach runterladen, Bilder generieren. Und das ist dann aber bissel mühsam. Und deswegen gibt's Packages wie, die 'n kompletten, einen kompletten 4 Einsen, ne? 4 Einsen, ja. 111, Du hast es richtig gesagt. Ja, Schlagzeuger, ne. Und und Automatik 11111 baut
Speaker1: Wir haben uns vorhin übrigens gefragt, heißt es vielleicht Automatikie?
Speaker0: Oder. Ja. Wer das weiß, schickt uns bitte eine E-Mail, ihr bekommt 'n T-Shirt.
Speaker1: Genau.
Speaker0: Und ist echt cool, weil das ist eine Gui die erst mal die die rohen Modelle drum rum. Und Du kannst jeden Hyperparameter per Hand einstellen, wenn Du das möchtest. Also das ist so das Tool für die, die's ganz genau wissen möchten und die auch Plug ins nutzen möchten, die hat dann meinetwegen noch nicht so stabil laufen. Aber es gab doch dieses von Balenciaga. Ja. Diese animierten Köpfe, so was kannst Du auch total easy machen. Also gibt's Plug ins, die die dir da schon vieles an an Pipelining abnehmen, Aber es ist halt echt kompliziert aufzusetzen und Du brauchst die entsprechende Hardware. Also wie Du sagst,
Speaker1: ohne ohne eine entsprechende GPO Maschine wird's halt echt witzlos. Ja, 'n bisschen textsavy musst Du sein, dass Du halt so was aufsetzt. Aber für jemanden, der, sag ich mal, öfter Python Environments oder so was schon aufgesetzt hat und die Hardware hat und 'n bisschen Zeit und Muße Ja, der hat nach 4 Stunden das alles installiert, genau. Du redest grad von deinem Wochenende, ne? Ja, ja, ja, ja. Aber das waren lustige
Speaker0: Ich setze meine wissenschaftliche Computing Pipeline auf 'nem Supercomputer auf Flashbacks. Ja. Und auf 'nem Supercomputer, auf Flashbacks. Ja. Aber es geht. Also es geht, die Communitys, die sind echt fettgroß und die versuchen das natürlich Dummyproof zu machen, aber trotzdem. Also man man muss schon wissen, wie man Python benutzt, wie man Shellprogrammierungen nutzt, sonst kommst Du keinen Millimeter weit. Und dann auf der anderen Seite gibt's Plattformen wie Nightcafe, die das Ganze als Webapplikation anbieten und dann aber auch das Ganze als Geschäftsmodell betreiben. Also da kaufst Du dir so Credit Packs und ein Bild kostet dich halt dann 3 Credits, was auch immer das in Euro bedeutet. Und
Speaker1: Ja, der Lightcafé ist ja wahrscheinlich das, was was alle, die Also was man immer als Erstes ausprobiert, wenn's Bildgenerierung ausgeht
Speaker0: geht, so meiner Wahrnehmung nach. Ja, und da tummeln sich ganz viele am Markt Und da liegt halt das der Fokus drauf, aber Zielgruppe ist immer noch absolut oder könnt man die die Leute ja bezeichnen. Also die die die fummeln ja wirklich tagelang an den Hyperparametern rum, Genau. Dass genau das rauskommt, auch wenn wir jetzt nicht nur von Text to Image sprechen, sondern auch gibt's da die Variante Image to Image, also dass Du auf Basis 1 bestehenden Bildes dann weiterarbeitest. Und teilweise superlange Iterationsketten, wo ich gar nicht mehr wissen möchte, wie viel ein enderzeugtes Bild dann am Ende gekostet hat, ja. Also der der ganze
Speaker1: Schwung an Credits, die vorher verbraten wurden, da hinzukommen, ne, ist echt krass. Ja, auf jeden Fall. Also und es ist am Ende des Tages dann auch Geduld und meine Also meiner meiner Wahrnehmung nach, irgendwann sagen halt auch dann die erfahrenen Leute so, fuck it, den letzten Feinschliff, den mach ich jetzt mit Photoshop, weil es halt irgendwann nicht mehr effizient ist. Das hatten wir ja auch beim Prompt Engineering generell, irgendwann, ach, jetzt editiere ich halt kurz die Antwort. Machen wir bei Text auch, bevor Du jetzt versuchst, die Prompt so weiter umzuschreiben, bis da dieses eine Wort oder das eine Komma anders ist. Und genauso ist es bei Bildern auch. Irgendwann ist die Effizienz halt erschöpft, aber am Anfang ist es halt, Du kriegst erst mal eine große Spielwiese Ganz genau. Kommst da schon sehr weit.
Speaker0: Na ja, und nicht zu nicht zu vernachlässigen. Bei uns in der Plattform in Halirium gibt's ja auch die Möglichkeit, auf den Boards über Bots, über Stabilety Fusion, Bots Bilder zu erzeugen. Und wir gehen da halt den Weg, dass die Hyperparameter erst mal konservativ gesetzt sind, dass jetzt kein totaler Quatsch passiert. Natürlich könnte man noch viel besser oder also mit viel mehr Arbeit noch etwas bessere Ergebnisse produzieren, aber die Parameter sind erst mal riesenabel eingestellt, sodass das Einzige und über das Brett muss man uns jetzt als Nächstes unterhalten, noch übrig bleibt, nämlich wie sieht jetzt die konkrete aus, ja? Weil wir nehmen den Leuten das Hyperparameter Tuning ab, aber die prompt,
Speaker1: die muss man ja trotzdem irgendwie erst mal noch schreiben. Richtig. Dir ist am Ende des Tages auch das, womit Du einfach den Löwenanteil Also bevor Du dich über die Hyperparameter kniest, arbeite an der. Also damit hast Du den größten Einfluss.
Speaker0: Und das find ich ganz spannend, wenn man wenn man beobachtet, wie sich die Modelle verhalten. Also nehmen wir mal, ein Cowboy reitet auf einem Einhorn als prompt Ja. Ohne zusätzliche Styleinformation, dann kriegst Du sehr zufällige Ergebnisse. Und zwar nicht nur in dem Sinn, dass er das Ganze mal als Zeichnung von van Gogh macht oder dann Neon Steampunk Varianten oder so was, sondern das ist tatsächlich qualitativ auch häufig 'n Mischmasch. Also diese Modelle, die brauchen das auch in den meisten Fällen, dass Du ihnen doch sehr spezifisch sagst, in welche Richtung sie
Speaker1: Ja. Die fundieren sollen und dann wird's aber auch gut. Ja, das ist das gleiche Thema, was wir auch letztes Mal hatten. Das Modell kann nicht deine Gedanken lesen. Mhm. Und was ist ein valides Bild? Also wenn das Modell zum Beispiel auch eine Kinderbleiiftzeichnung generieren können soll, dann waren mal wahrscheinlich auch Kinderbleiiftzeichnungen im Trainingsdatensatz und dementsprechend sind sie mögliche Ergebnisse dieser random, dieses Random Samplers, über den wir am Anfang gesprochen haben. Und wenn Du ihm also nicht sagst, dass das zum Beispiel fotorealistisch sein soll oder ein van Gogh Ölgemälde sein soll, na ja, dann kommt halt auch mal so was raus, ne.
Speaker0: Nicht alle Bilder sind gut. Ja und und vor allem halt auch 1 1 1 Mischung aus Bleistift, Zeichnung 1 Kindes mit van Gogh und Neon Steampunkort.
Speaker1: Ja, also warum soll das auch nicht mal jemand gemacht haben? Vielleicht ist das ja genau das, was Du willst. Es ist wahnsinnig schwierig, da zu einfach dann objektiv zu sagen, das ist falsch. Also im Prinzip ist ja auch Rauschen ein valides Bild. Richtig. Und jetzt ist im Prinzip der der der der dieser diese Wahrscheinlichkeitsverteilung, die implizit Sable Diffusion trainiert, die gewichtet halt eher auf wahrscheinlich Fotos und und und und Artwork als auf Rauschen. Aber grundsätzlich sind ja sind alle 1024, kurz 1024 Pixel irgendwie einen valides PNG. Mhm. Und da da da kommt halt diese Schwierigkeit und deswegen ist die Prompt halt dann so wichtig.
Speaker0: Du hast ganz am Anfang eine einen Prompt formuliert mit vielen Dank hinten raus. Ja. Das das fand ich witzig. Das ist nämlich tatsächlich eine ganz, ganz schlechte Idee. Auf jeden Fall, also eng hab ich's gesagt. Vielen Dank für die für die für die Steilvorlage. Also weil das das ist wirklich auch was, Man darf dann nicht dem Eindruck erliegen, jetzt son son son Mit Trainey- oder Stabley Fusion Modell, wär hier 'n Chatmodell, mit dem ich rede und sag so, hey, ich brauch hier eine Slide für meinen Vortrag an der Uni und ja, mal so 2 Katzen und danke dir und so. Also das das das klappt überhaupt nicht. Nominalstil beschreibend und auch nicht mit der Absicht dahinter. Also das das das fand ich extrem spannend, auch für sich selber noch mal zu verstehen. Alleine so was wie, dass eine Person nachdenklich ist, das kann teilweise schon zu abstrakt sein. Weil was bedeutet nachdenklich? Nachdenklich kann bedeuten, dass die Stirn leicht in Falten liegt oder dass der Blick in die Weite geht oder dass man defokussiert schaut. Also das das das kann ganz vieles bedeuten und ist kontextabhängig. Und Spezifität Spezifität ist da wirklich normal King, ja, dass man das dann beschreibt, was ist tatsächlich der
Speaker1: das Set-up und und nicht, was ist sozusagen die Story dahinter? Das da das ist das ist wahnsinnig wichtig. Denkt daran, mir hilft wahnsinnig dieses mentale Bild dieses Classifiers, der da quasi eingewoben ist. Wie würde ein Classifier ein Bild beschreiben? Der würde nicht sagen, hm, dieser Mensch schaut nachdenklich in die Ferne, sondern wahrscheinlich würde er sagen, Mann, weggedreht von uns, ernste Miene weiter oder und dann vielleicht irgendwie den Hintergrund noch beschreiben. Also ich ich kann das selber nicht so gut, weil wir Menschen nicht so über Bilder reden, aber versucht, wie wenn ihr als irgendwie so als Wissenschaftler einen Bild beschreiben würdet. Ich Mein Chemielehrer hatte damals immer gesagt, er so, so, nein, was sehen Sie? Das ist gut. Weil man sollte sagen, das ist eine klare Flüssigkeit. Man sollte nicht raten, was diese Flüssigkeit ist, ne. Und und so ist es bisschen auch bei dem Bild, was siehst Du? Mhm. Und wenn Du das dem mal quasi als Prompt gibst, dann ist das viel besser als die Interpretation
Speaker0: oder Intention des Bildes. Also nicht Deutschunterricht, sondern Chemieunterricht. Chemieunterricht, ne. Das ist das ist 'n echt cooles Bild. Das war genau der Grund, wir haben auf Verleiium ja 'n Template, Bilder zu erzeugen, bei Input und Output komplett die Brücke zu schlagen. Genau. So, und was ist der Input? Da fangen wir an zu fragen, worum soll's gehen und was ist der Zweck? Ja. Und was dann ein ChatGPT 4 macht, da kommt noch überhaupt gar nicht vor, ist, sich mal zu überlegen, was sollte man dann sehen, ja, genau das, was Du grad beschrieben hast, was ja uns Menschen so schwerfällt, das, gleich mal, zu fantasieren, ja. Ist ja auch 'n Fantasierungsstab, dass dass dass man dazu auch schon ChatGPT 4 benutzt und dann sich vor allem Vorschläge machen lässt. Na ja, ich brauch die Darstellung von 'n Partieren für meinen Tierkundereferat. Und dann sagt mir ChatGPT, okay, das sollte hier ein Hund, eine Katze, Löwe sein und baut mir damit schon mal das das Subcheck.
Speaker1: Genau. Und die Prompt, die dann ja generiert wird, die ist dann auch letztendlich, die folgt eher sonem Classifier Sprecher. Also das wär so irgendwie Mhm, ja. Wir haben's ja so dann mit mit dem mit dem Platz halt dann letztendlich a Medium of Subjects. Was wär da 'n gutes Beispiel? Also 1 1 1 1 zum Beispiel. Genau. Also dass man, also sozusagen, also, was dann dann kommt zum Beispiel der Stil, also oder Art Deko. Wie geht's weiter? Du Du hast die Du hast die besser im
Speaker0: Kopf? Mitm Artist tatsächlich. Und der der der der Witz ist, dass einige Kombinationsmöglichkeiten auch eher weniger sinnvoll sind als andere. Also wenn Du jetzt beschreibst, Du möchtest 'n Fotografraf haben Ja. Dann würd ich bei Artist eher niemanden nehmen, der Gemälde malt, sondern eher 'n Artist, der für seine glanzvolle Fotografie bekommt. Ein Fotograf bei van Gogh, ja. Ja, richtig. Da kommt halt dann wieder irgend 'ner Mischmaschkäse dabei raus. Und ChatGPT 4, das ist das Coole, wenn man die Dinge da zusammensteckt. Ja. Kann mir jetzt total gut weiterhelfen, nämlich erstens, dass er Kombinationsmöglichkeiten und die Kombinatorik ist immer noch krass hoch, aber dass er mir zumindest die Kombinatorik vorschlägt, die in sich selbst konsistent ist und Genau. Eine möglichst enge Spezifikation dann am Ende fürs Stabilety Fusion macht. Und Und nehme in diesen Classifier Sprech. In den Classifier Sprech kann und meinen Kontext mit reinnimmt. Denn wenn ich ein Bild fürn Tierkundereferat haben möchte, Ja. Dann fänd ich's eher nicht so geil, da einen Künstler mit reinzunehmen wie David Cronenberg, der für seinen Horrormovie Style bekannt ist. Ja, ja, der oder Fantasieniere oder so was mach ich. Wenn ich wenn ich wenn ich aber eher Richtung, okay, ich brauch 'n cooles Bild für meine Halloweenparty gehe, Ja. Dann möcht ich das natürlich schon. Und ChatGPT 4, Halloweenparty, bissel Gruselfaktor. Ja, dann nehmen wir doch 'n Künstler, der Gruselbilder macht.
Speaker1: Genau. Lass uns aber jetzt so zu noch mal einmal diese Classifier Sprech prompt. Ich würd gern ein Beispiel. Ja, genau. Hier ist es grad nicht gelungen. Kannst Du's kannst Du mir helfen? Gehen wir gehen wir durch, ja klar.
Speaker0: Fotografraf oder war das? Orphant Scape. Ja. Style würd ich sagen, Fotorealism, einfach damit damit hier nix irgendwie in Vektorgrafikrichtung abdriftet bei, ich kenn leider keine Fotografen auswendig, tut mir leid, aber bei Und dann spannend, Stabley Fusion vom Trainingsdatensatz, da merken wir mal, womit das Ding trainiert wurde, weiß auch, wie wie der Stil ist von von von Bildmaterial, je nachdem, von welcher Plattform es kommt. Das heißt, wir könnten jetzt hier sagen, Website und dann halt eher Pixabay, weil ich dort Landscapes runterladen kann. Ja. Und dann geht's weiter mit 'nem Vierer Schema, nämlich dann noch Details, Colorskime, Resolution und Lightning, also Beleuchtung. Und in dem Fall Details würd ich jetzt eher weniger Science Fiction nehmen, sondern, ja. Ich möchte ein natürliches Bild in dem Fall haben. Bei, high detailed, 4 k, 8 k, also weil es soll ja 'n Foto sein. Mhm. Bei den, bei den bei den Colors kann ich mir jetzt überlegen, möcht ich, dass das Ganze eher in ein goldgetauchtes sonnendurchflutetes Bild Richtung geht oder ob's vielleicht 'n Regenbogen gibt, ja. Das würd ich eher provozieren damit, dass ich sag Rainbow Colors. Und dann, wie gesagt, noch die Beleuchtung, Lighting. Genau. Und und dort gibt's auch eine ganze Latte von von ja, Labels, die das Modell unterstützt. Mein favorite ist. Das sind Lichtstrahlen, die durch einen Wolkenloch
Speaker1: nach unten greifen auf die Erde. Also mit so was kann man arbeiten. Ja, und wo wo krieg ich die jetzt her? Diese, also Du hast ja grad, wir haben ja grad dieses dieses Platzhalterding aufgebaut, ne? Wo Du quasi Medium, Subject, Style, Artist, Website, Details, Colourskin, Resolution, Lightning im Prinzip so aneinanderreihst, wie son wie son Classifier mit seiner trockenen Art machen würde. Und das ist ja grad gesagt ein
Speaker0: Label, was Stable Diffusion unterstützt. Ja, und womit's was anfangen kann, ne? Und wir haben ja sone Liste in Halerium dann eingeimpft ins Template, damit ChatGPT 4 einen gute Prompt draus bauen kann aus dem, was man ihm so sagt. Aber wo kommen die Dinger her? Trial and Error. Das ist letztlich der Service, den die Prompt engineers oder auch wir der Community tun, dass man ausprobiert, welche Artists funktionieren. Es gibt Künstler, die kennt Stable Fusion einfach nicht. Van Gogh kennt's sehr wohl, ja. Und da braucht man eine kuratierte Liste von Labels für diese für diese promptbestandteile. Und die müssen halt echt Teil des Templates sein, damit ich mir von Chat GPT 4 helfen lassen kann, weil, wie ich vorhin gesagt hab, ich kenn jetzt keine guten Fotografen oder so. Also ich könnte jetzt keinen Fotografen Genau. Aber wenn ich 3, 4 Vorschläge bekomm, soll es eher so aussehen wie von dem und dem oder von der und der. Dann kann ich halt schnell auch 1 1 1 Bildersuche anwerfen und sagen, ah, okay, cool, bitte lieber wie dieser die wie von dieser Fotografin.
Speaker1: Genau, also es ist das Faszinierende, man Die Community hat im Prinzip diesen Classifier Teil Reverse engineered, wenn man so will, zu schauen, was kennt der?
Speaker0: Und was ich was ich interessant finde, ich hab in der Vorarbeit oder beim beim Bauen dieses Templates auch geguckt, ob's quasi wie sone offizielle API Dokumentation Ja. Gibt, gibt's nicht. Nee. Also Du Du Du kriegst halt von von von den den Machern von Stable Diffusion so 30 Beispielproms,
Speaker1: ja, die halt die halt coole Bilder machen. Und dann so, ja, viel Spaß damit. Ja, das das spricht dafür, dass der Classypeier nicht auf harte Labels geeignet ist, sondern mit 'nem Embedding direkt arbeitet und deswegen ist das alles son bisschen in der Ja, ja, genau. In der Schwebe, was der wie gut versteht. Was mich auch Was bei echt spannend wäre, vielleicht gibt's da schon Leute, die daran rumhacken, wenn man ihn quasi prompts gibt, die gar keine Wörter sind, so. Also Stichwort, wie das atvoc serial noise Oh ja. Welche ChatGPT das vielleicht der beste prompt, einen gewissen Stil zu erreichen, ist irgendwie Backslash x Dollar Zeichen 28 oder so was. Und dann, Also kann sein, ne. Also Ja, ja. Es erzeugt ja auf jede Prompt irgendwas. Richtig. Die läuft eben durch das Embedding und je nachdem, wie gut sich das dann halt, wie eindeutig sich das die neusen lässt.
Speaker0: Witzig, wenn Du wenn Du fragst oder nee, einfach nur, Mhm. Kommt tatsächlich bei Station raus. Also dieses Konzept ist zu abstrakt. Ja, okay. Ja, weil Du siehst kein. Du siehst konkrete Bilder. Sind wir wieder bei deinem Chemielehrer. Ja. Der Profi Workflow, der ist aber, das auch noch mal festzuhalten, noch mal echt deutlich viel krasser. Also dieses Bild wie von Papst Franziskus, ich unterstelle, dass da noch einiges an manueller Arbeit drinsteckte, So was wie, dass man kleine Teile des Bildes noch mal korrigiert, entweder über im kann man auch Sable Fusion dafür benutzt, also dass man eben sagt, jetzt korrigier mal nur die Augenstellung, dass das Schielen weggeht oder halt mit Photoshop. Nur, das dann echt noch mal
Speaker1: hier festzuhalten. Und irgendwann wird die Diskussion auch akademisch, was ist KI generiert und was nicht? Also ich meine Ja, und was sind die was sind die Rules of the game? Ja. Heißt es, Du durftest so viele Versuche machen, wie Du willst, solange an der Prompt rumfallen, wie Du willst mit quasi diesen Maskingkorrekturen, wo Du sagst, ich halte jetzt 90 Prozent des Bildes fest und generier nur zum Beispiel den Kopf neu bis hin zu, na ja, jetzt mach ich halt mit Photoshop noch die Finger richtig. Das ist halt aus meiner Sicht irgendwann 'n fließender Übergang.
Speaker0: Ein Kopierstempel bei Photoshop ist sozusagen ja auch eine KI, ja. Aber es gibt einen Unterschied tatsächlich, und zwar bei Photoshop, da musste man schon immer wissen, wo man hin möchte. Ja. Also wie Ja. Wie sitzt jetzt Es ist nicht so generativ. Genau. Wie sitzt die Person jetzt tatsächlich auf dem Einhorn? Ja. Und die Stärke der generativen Modelle ist es ja, dass Du nur sagst, ich hätt gern 'n Astronaut aufm Pferd vor 'nem Berg.
Speaker1: Und ob der Berg jetzt eine schneebedeckte Spitze hat oder nicht. Ja, und ob der links oder rechts im Hintergrund ist und ob der Astronaut nach links oder rechts raus, das ist dann Das ist mir wurscht, ne. Es wird dann halt gesampelt. Richtig. Und wenn Du dann unzufrieden bist, kannst Du versuchen, noch konkreter zu werden. Aber deswegen erschöpft sich dann auch irgendwann der Wert, die die Stärke ist, das Generieren 1 1 oder mehrere Beispiele für das, was Du gesagt hast und dann aber noch die letzte Augenbraue zu korrigieren. Mhm.
Speaker0: Exakt. Ich bin ziemlich happy mit dem Template, das wir bei uns in der Plattform haben. Also weil von jetzt meinem pragmatischen Startpunkt aus betrachtet, ich hab ja irgend 'n Ziel, das ich erreichen möchte und das Template denkt vom Ziel her, ja. Ich brauch 'n Bild für, mit, dem und dem drauf. Für mich ist das 'n Gamechanger. Ihr habt ja vorhin gemerkt, wie schlecht ich darin war, diese Classe Fire spreche, obwohl ich, das
Speaker1: Blick hinter die Kulissen, hier ein ausgedrucktes Blatt mit unserem mit dem mit dem Schembar auf mir. Ich kann das nicht, ich kann meinen mein mein Pferd auf diesen Hügel da nicht rein übersetzen, deswegen ist für mich dieses Template wahnsinnig wichtig.
Speaker0: Und wer das ausprobieren möchte, wir packen in die Shownotes noch mal den Link zum. Meldet's euch an, in die wofür möchtet ihr Zugriff haben. Genau. Und dann geben wir euch das Template frei. Maxim, nächste Folge. Ja, was machen wir nächste Folge? Sprechen wir 'n bissel über KI und den Impact auf Schulen und Universitäten. Was meinst Du?
Speaker1: Aber sehr gern. Muss man noch mal die South Park Folge anschauen vorher, wo die Schüler ihre Aufsätze mit Chat GPT schreiben und der Lehrer sie mit Chat GPT korrigiert,
Speaker0: weil keiner Bock hat. Beide Seiten verarschen sich gegenseitig und keiner mag's zugeben.
Speaker1: Genau, weil dann bricht das Kartenhaus zusammen.
Speaker0: Nice. Maxime, freu mich drauf. Bis demnächst auch. Bis dann.
Speaker1: Wenn ihr uns unterstützen wollt, gebt uns eine 5 Sterne Bewertung auf Apple Podcasts, folgt uns auf Spotify und empfehlt uns weiter. Bis zum nächsten Mal bei The IRIUM Podcast.