AI铲平无论是问答类产品还是美术类产品从开年火到了现在，同时也颠覆了很多原有的事情流程。现在更多的公司开始引入AI到事情流程之中，那接下来紧张讲一下在实际事情中利用的场景以及如何进行本地支配。
在支配和演习的时候会有一定量的代码问题，这个须要和开拓同学进行沟通。里面代码都是通过AI以及开拓干系平台搜到的，有缺点请联系示正。
一、分类1. Stable Diffusion-美术绘画类产品
这里会有人提到Midjourney（后面简称mj），mj现在也很火而且的确能出高质量的图片作为参考，但是产品是属于联网属性。可能会导致设计稿件以及最近的设计方向的泄露，以是的话我才推举Stable Diffusion这一类须要本地化支配的产品，不会让公司的机密透露出去。
2. ChatGPT-对话类产品
作为一个人工智能措辞模型，利用自然措辞处理技能，可以理解和天生人类措辞。针对提问者供应帮助和建议，并考试测验与用户进行自然而流畅的对话。能够为提问者供应便利和娱乐，帮助人们办理问题和获取信息，而且不会产生负面的感情。就像是一个老师或者说是专家的环境下GPT可以作为一个不厌其烦的老师对你的问题进行指示和解决。
并且已经从3.5升级到了4.0.在实际的事情流之中，给与我的最大震荡是可以通过图片识别出主题，并且能够进行过感情方面的逻辑判断这个点暂时没想到在事情中如何进行利用（也容许以直接进行抠图之类的）。
二、分别的运用处景1. Stable Diffusion
1）套系员工头像
员工头像可以是真实的照片，也可以是虚构的图像或符号。常日，公司或组织会哀求员工供应一张清晰的照片，以便在其内部系统中利用。一些公司还可能哀求员工在其外部网站或社交媒体账户上利用公司标识或公司品牌色调的头像以增强品牌有名度。常日须要设计师（有的时候也被称为美工）一个头像一个头像制作，效率相称低并且代价也并不高。
用类似的风格的大量喂图，然后在引入照片和相连关键词就可以快速天生头像从而提高效率。
2）活动图/游戏图标/插画/原画参考
由于这4个场景类似我就进行了合并处理，这个跟mj效果类似可以根据数据快速天生想要的图，不过sd天生的效果现在看来质量比不了mj。不过胜在不会泄密还是可以接管的。详细的效果须要看数据图的质量以及指令的精确与否。
关于游戏/插画的部分再说下，我已经知道了几个游戏UI以及插画师朋友公司决定不再续约了，已经再整理作品集去找事情了，以是多学点吧。
3）人物造型
这个在电商领域已经开始利用了，用AI天生模特之后调度动作（骨架调度），然后把衣服传到sd之上进行更换。
我在干系的群里讯问了几个电贩子，都说是老板让来学习的，就足以解释了现在的AI已经能冲击到了电商模特行业了。
4）IP设计
之前的IP设计一样平常是须要有专业美术功底的设计师进行设计，现在SD降落了门槛，只有准确的指令和足够的数据就可以天生不同的样式进行选择。并且像之前难以绘制的IP的表情包，换到现在只是一个关于表情的指令。
2. ChatGPT
1）专家问答
在实际事情中，无论是刚入职的新人还是进入到公司一段韶光的同学，他们对项目的背景以及行业背景并不是很清晰。这个在B端设计中比较常见，只要设计师/产品换一个公司纵然是同样的ERP、SaaS类型的产品全体业务逻辑都要重新去学习。
还有一种情形便是新人进入之后是渴求老员工或者是团队专家来进行培训带领，实际情形是大家都在忙自己的事情很难抽出韶光来带领新人培训。纵然是有韶光，一样平常的老员工也不会带新员工，由于没有任何的收益。
但是有了“问答机器人”老师/前辈进行耐心的进行传授教化，能使得新人能人能够快速进入到项目之中，降落新人的入门门槛和学习本钱。纵然是老人知识也是有限的，也可以通过问答办法就可以找到问题的办理方法。
2）高度数据整合
之前往往要搜索办理办法都是通过百度搜索多篇的文章或者是案例进行结合剖析，但是融入了GPT之后提问者只要问出得当的问题就可以收到整合数据之后的方案，减少了提问者去剖析数据资料得出结论的韶光。
3）数据测试
新手初次做数据测试时候，每每会不知道什么规则去埋点，可以直接给与指示乃至可以给以干系字段表格。
4）用户问题整合
用户调研的出来的报告在做数据清理之后，每每要做用户问题整合是个很麻烦的事情，可以把记录传到AI上并且精准进行提问。AI可以进行问题的整合，把洗濯后的问题进行分类以及数据的统计。
5）访谈框架
紧张是用于调研时候可以利用AI快速搭建一个完全的访谈问题框架，从而不用一个一个问题从零开始搭建。
6）用户访谈练习
这个功能我估计很多人都想不到这个功能，日常无论是约请用户还是请同事来做调研韶光本钱和金钱本钱都不算的低的，很难找到得当演习工具。但是GPT就不一样，没有负面感情可以合营演习训练者多次进行演习训练，比较适宜调研前的演习训练以及新手演习训练工具。
三、Stable Diffusion
再支配以及后期的启动时候须要一定的代码知识，以是须要程开拓同学的帮助。
1. Stable Diffusion本地支配
方法：
1）自己支配
电脑配置：电脑方面建议Win10/11的电脑，Mac的没有办法了。常见看的设备是内存卡，显卡和cpu,内存卡推举16G以上，显卡不推举A卡紧张是调试的问题比较多，4G的话只能出图而且韶光也比较长。
根本环境由3个软件搭建：python，vcode，Git。
python：推举3.10.6版本，组假如用于抓取数据VScode：可以理解为记事本可以修正代码GIT：专用的下载器，可以下载干系的美术信息末了通过一键整合包进行。
还有一种开源的办法（不过要懂一些代码）：
①安装Python环境
Stable Diffusion须要Python 3.6或更高版本。如果您的打算机上没有Python环境，请先安装Python。
②安装必要的依赖项
在安装Stable Diffusion之前，您须要安装以下依赖项：
NumPySciPyNetworkXMatplotlib您可以利用pip命令来安装这些依赖项，例如：
plaintextCopy code pip install numpy scipy networkx matplotlib
下载Stable Diffusion的源代码。您可以从Stable Diffusion的GitHub页面下载源代码：https://github.com/leotrs/stable-baselines
解压源代码并进入项目目录。利用以下命令解压源代码：
plaintextCopy code unzip stable-baselines-master.zip
然后进入源代码目录：
plaintextCopy code cd stable-baselines-master
安装Stable Diffusion。利用以下命令来安装Stable Diffusion：
plaintextCopy code pip install -e .
这将在您的打算机上安装Stable Diffusion，并将其添加到Python环境中。 6. 验证安装。运行以下Python代码，确保Stable Diffusion已成功安装：
plaintextCopy code import stable_baselines print(stable_baselines.__version__)
如果输出了版本号，则解释Stable Diffusion已经成功安装。 现在，您已经成功在本地支配了Stable Diffusion。您可以利用它来进行社交网络剖析和传播建模。
2. Stable Diffusion如何演习
常规的演习有3种分别是：embeding、lora以及pernert。现在常见的也是最新的模式便是lora，能够对付图片上所有的特色以及细节机型复刻，还能够演习画风和固界说务的特色。
1）准备数据
LoRA模型须要一个社交网络图和一组初始种子节点。您可以利用NetworkX库创建一个社交网络图，并选择一些节点作为初始种子节点。例如，以下代码创建了一个包含100个节点和300个边的社交网络图，并选择了前10个节点作为初始种子节点：
plaintextCopy code import networkx as nx import numpy as np import random # 创建一个包含100个节点和300个边的随机图 G = nx.gnm_random_graph(100, 300) # 随机选择10个节点作为初始种子节点 seeds = random.sample(list(G.nodes), 10)
2）创建LoRA演习器
在Stable Diffusion库中，LoRA模型由LoRATrainer类实现。要创建一个LoRA演习器，请利用以下代码：
plaintextCopy code from stable_baselines import LoRATrainer # 创建LoRA演习器 trainer = LoRATrainer
3）演习模型
利用train方法演习LoRA模型。例如，以下代码利用默认参数在全体社交网络图上演习LoRA模型：
plaintextCopy code # 演习LoRA模型 trainer.train(G, seeds)
在演习模型时，您可以指定以下参数：
steps=n：设置演习步骤的数量。默认值为100。offline_mode=True：利用离线模式进行演习。online_mode=True：利用在线模式进行演习。batch_size=n：利用小批量模式进行演习，并将批量大小设置为n。 例如，以下代码利用在线模式和100个演习步骤在全体社交网络图上演习LoRA模型：plaintextCopy code # 利用在线模式和100个步骤演习LoRA模型 trainer.train(G, seeds, online_mode=True, steps=100)
4）预测传播结果
利用predict方法预测给定初始种子节点的传播结果。例如，以下代码预测利用前10个节点作为初始种子节点在全体社交网络图上的传播结果：
plaintextCopy code # 预测传播结果 result = trainer.predict(G, seeds) print(result)
在演习LoRA模型时，您可以根据自己的需求选择不同的参数和不同的演习数据。
把稳点：
是配套的大模型效果更好，演习须要一个大模型才能演习参数的，如果没有选择当初的，效果不尽如人意最好利用跟作者一样的参数精确设置利用的权重，不要设置到1以上，最好是09旁边一定要利用触发词：一定要看提示词文档新手只管即便不要利用多个lora（并不理解演习图集）美术资源紧张来源于：civitai.com（俗称：C站）
四、总结
利器能使精良者更新精良，平庸者更平庸。将来一定是会AI产品的和不会AI产品的竞争。AI一定是未来，未来已至。
专栏作家
一只鸡腿，微信"大众号：B端设计一只鸡腿，大家都是产品经理专栏作家。一个吃货的B端设计师。
本文原创发布于大家都是产品经理，未经容许，禁止转载
题图来自 Unsplash，基于 CC0 协议
该文不雅观点仅代表作者本人，大家都是产品经理平台仅供应信息存储空间做事。