狂飙的AI实际使用场景是什么？

一只鸡腿 2023-08-08 21:54:52

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工作流程。现在更多的公司开始引入AI到工作流程之中，那接下来主要讲一下在实际工作中使用的场景以及如何进行本地部署。

在部署和训练的时候会有一定量的代码问题，这个需要和开发同学进行沟通。里面代码都是通过AI以及开发相关平台搜到的，有错误请联系指正。

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漏，所以的话我才推荐Stable Diffusion这一类需要本地化部署的产品，不会让公司的机密泄露出去。

2. ChatGPT-对话类产品

作为一个人工智能语言模型，使用自然语言处理技术，可以理解和生成人类语言。针对提问者提供帮助和建议，并尝试与用户进行自然而流畅的对话。能够为提问者提供便利和娱乐，帮助人们解决问题和获取信息，而且不会产生负面的情绪。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点和解决。

并且已经从3.5升级到了4.0.在实际的工作流之中，给与我的最大震撼是可以通过图片识别出主题，并且能够进行过情绪方面的逻辑判断这个点暂时没想到在工作中如何进行使用（也许可以直接进行抠图之类的）。

二、分别的应用场景

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。通常，公司或组织会要求员工提供一张清晰的照片，以便在其内部系统中使用。一些公司还可能要求员工在其外部网站或社交媒体账户上使用公司标识或公司品牌色调的头像以增强品牌知名度。通常需要设计师（有的时候也被称为美工）一个头像一个头像制作，效率相当低并且价值也并不高。

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生成头像从而提高效率。

2）活动图/游戏图标/插画/原画参考

因为这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生成想要的图，不过sd生成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受的。具体的效果需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工作了，所以多学点吧。

3）人物造型

这个在电商领域已经开始使用了，用AI生成模特之后调整动作（骨架调整），然后把衣服传到sd之上进行替换。

我在相关的群里询问了几个电商人，都说是老板让来学习的，就足以说明了现在的AI已经能冲击到了电商模特行业了。

4）IP设计

之前的IP设计一般是需要有专业美术功底的设计师进行设计，现在SD降低了门槛，只有准确的指令和足够的数据就可以生成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

在实际工作中，无论是刚入职的新人还是进入到公司一段时间的同学，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/产品换一个公司即使是同样的ERP、SaaS类型的产品整个业务逻辑都要重新去学习。

还有一种情况就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，实际情况是大家都在忙自己的事情很难抽出时间来带领新人培训。即使是有时间，一般的老员工也不会带新员工，因为没有任何的收益。

但是有了“问答机器人”老师/前辈进行耐心的进行教学，能使得新人能人能够快速进入到项目之中，降低新人的入门门槛和学习成本。即使是老人知识也是有限的，也可以通过问答方式就可以找到问题的解决方法。

2）高度数据整合

之前往往要搜索解决方式都是通过百度搜索多篇的文章或者是案例进行结合分析，但是融入了GPT之后提问者只要问出合适的问题就可以收到整合数据之后的方案，减少了提问者去分析数据资料得出结论的时间。

3）数据测试

新手初次做数据测试时候，往往会不知道什么规则去埋点，可以直接给与指点甚至可以给以相关字段表格。

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，往往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，把清洗后的问题进行分类以及数据的统计。

5）访谈框架

主要是用于调研时候可以利用AI快速搭建一个完整的访谈问题框架，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，日常无论是邀请用户还是请同事来做调研时间成本和金钱成本都不算的低的，很难找到合适训练对象。但是GPT就不一样，没有负面情绪可以配合演练者多次进行演练，比较适合调研前的演练以及新手演练对象。

三、Stable Diffusion

再部署以及后期的启动时候需要一定的代码知识，所以需要程开发同学的帮助。

1. Stable Diffusion本地部署

方法：

1）自己部署

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,内存卡推荐16G以上，显卡不推荐A卡主要是调试的问题比较多，4G的话只能出图而且时间也比较长。

基础环境由3个软件搭建：python，vcode，Git。

python：推荐3.10.6版本，组要是用于抓取数据
VScode：可以理解为记事本可以修改代码
GIT：专用的下载器，可以下载相关的美术信息

最后通过一键整合包进行。

还有一种开源的方式（不过要懂一些代码）：

①安装Python环境

Stable Diffusion需要Python 3.6或更高版本。如果您的计算机上没有Python环境，请先安装Python。

②安装必要的依赖项

在安装Stable Diffusion之前，您需要安装以下依赖项：

NumPy
SciPy
NetworkX
Matplotlib

您可以使用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。使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。使用以下命令来安装Stable Diffusion：

plaintextCopy code
pip install -e .

这将在您的计算机上安装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，则说明Stable Diffusion已经成功安装。现在，您已经成功在本地部署了Stable Diffusion。您可以使用它来进行社交网络分析和传播建模。

2. Stable Diffusion如何训练

常规的训练有3种分别是：embeding、lora以及pernert。现在常见的也是最新的模式就是lora，能够对于图片上所有的特征以及细节机型复刻，还能够训练画风和固定任务的特征。

1）准备数据

LoRA模型需要一个社交网络图和一组初始种子节点。您可以使用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训练器

在Stable Diffusion库中，LoRA模型由LoRATrainer类实现。要创建一个LoRA训练器，请使用以下代码：

plaintextCopy code
from stable_baselines import LoRATrainer # 创建LoRA训练器 trainer = LoRATrainer()

3）训练模型

使用train()方法训练LoRA模型。例如，以下代码使用默认参数在整个社交网络图上训练LoRA模型：

plaintextCopy code
# 训练LoRA模型 trainer.train(G, seeds)

在训练模型时，您可以指定以下参数：

steps=n：设置训练步骤的数量。默认值为100。
offline_mode=True：使用离线模式进行训练。
online_mode=True：使用在线模式进行训练。
batch_size=n：使用小批量模式进行训练，并将批量大小设置为n。例如，以下代码使用在线模式和100个训练步骤在整个社交网络图上训练LoRA模型：