Projekto metu bus kuriama vaizdų generavimo modelių pasirinkimo, apmokymo bei paaiškinamumo platforma, kurios tikslas – pagerinti vartotojo patirtį kuriant generatyvinius vaizdų modelius. Yreal automatine vaizdų generavimo modelių apmokymo platforma planuojama spręsti šias problemas: - Modelių pasirinkimas. Dirbtinio intelekto (DI) sritis nuolat plečiasi, todėl daugėja vaizdų apdorojimui ir generavimui skirtų modelių, pritaikytų konkrečioms užduotims, probleminėms sritims ir duomenų rinkiniams. Tiek pradedantiesiems, tiek patyrusiems vartotojams pasirinkti tinkamiausią modelį, galintį optimaliai išspręsti reikiamą uždavinį, yra nelengva užduotis. Todėl kuriama platforma padės išsirinkti tinkamus modelius bet didelių pastangų. - Duomenų parengtis ir tinkamumas. Kiekvienas duomenų rinkinys turi savo unikalią struktūrą ir turinį. Kadangi vaizdų apdorojimo ir generavimo modeliai geba atpažinti ir interpretuoti duomenis tam tikrais formatais, yra svarbu, kad duomenų rinkinio struktūros atitiktų modelio galimybes, o duomenų turinys – būtų reprezentatyvus norimo uždavinio sprendimui. Daugelis vartotojų į duomenų kokybės ir atitikimo modelio galimybėms reikalavimus kreipia nepakankamai dėmesio, o tai sudaro sąlygas gauti nepakankamos kokybės, netikslius, šališkus (angl. biased) rezultatus. - Rizikos valdymas. Vaizdų apdorojimo ir generavimo modeliai yra tikimybiniai, ir dėl šios jų prigimties galimos rizikos, tokios kaip klaidingų koreliacijų generavimas, turimų duomenų šališkumo sustiprinimas, taip pat remiantis pateiktais duomenimis, modelis gali pateikti netinkamas išvadas, pvz., sugeneruoti neprasmingus ar reikalavimų neatitinkančius vaizdus. Vartotojai, ypač pradedantieji, gali nepastebėti šios rizikos arba nebūti pasirengę strategijų šių rizikų mažinimui. Tai gali lemti klaidingus sprendimus, etinių problemų kilimą. Vartotojai taip pat gali nustoti pasitikėti DI paremtomis įžvalgomis ir sprendimais. - Išteklių vartojimo neefektyvumas. Tinkamus modelius bandant parinkti bandymų ir klaidų keliu neefektyviai naudojami ne tik skaičiavimo, bet ir finansiniai resursai. Kad išbandytų įvairius vaizdų generavimo ir apdorojimo modelius ir įsitikintų, kurie jų yra tinkami ir veikia optimaliai norimo uždavinio sprendimui, vartotojai turi investuoti daug laiko ir finansinių resursų, kadangi modelių taikymui nėra susisteminta ir pasiūlyta universalių ar bent plačiai taikomų modelių parinkimo ir taikymo įvairiems uždaviniams skirtingose probleminėse srityse „receptų“. Šis požiūris yra ne tik netvarus, bet ir daugelį vartotojų atgraso nuo modelių, skirtų vaizdų apdorojimui ir generavimui, naudojimo. - Strateginių gairių trūkumas. Modelio pasirinkimas yra tik viena DI taikymo dalis. Tam reikia suprasti modelio stipriąsias puses, žinoti, kada jį naudoti, ir sąlygas bei prielaidas, kada jie norimos problemos sprendimui veiktų optimaliai. Daugelis vartotojų, neturėdami aiškių gairių ir rekomendacijų, nepakankamai išnaudoja pasirinktų modelių galimybes arba diegia juos ne optimaliam taikymui, todėl galima klaidingo rezultatų interpretavimo rizika, o ir patys rezultatai gali būti prastesni nei parinkus optimalų vaizdų generavimo ir apdorojimo modelį. - Modelio skaidrumas. Daugeliui vartotojų didžiųjų vaizdų modelių (angl. large vision models) sprendimų priėmimo logika išlieka „juodąja dėže“. Dėl šių modelių sudėtingumo ir nespecialistams arba pradedantiesiems vartotojams prieinamai ir suprantamai pateikiamos informacijos stokos, vartotojams sunku pasitikėti pasirinktų modelių pateikiamais rezultatais ir juos visiškai suprasti. Ši skaidrumo trūkumo problema gali trukdyti plačiau taikyti didžiuosius vaizdų modelius bei kitus DI ir giliuoju mokymu paremtus vaizdų apdorojimo ir generavimo modelius, nes vartotojai gali nepasitikėti įžvalgomis ir rezultatais, jei iki galo nesupranta, kaip jie buvo gauti. Automatinę vaizdų generavimo modelių apmokymo platformą yreal mes įsivaizduojame kaip supaprastintą ekosistemą, pritaikytą paprastam, bet efektyviam didelių vaizdų modelių apmokymui ir naudojimui. Vartotojai galės pasirinkti ir įdiegti modelius, kurie atitinka jų konkrečius poreikius, kartu atsižvelgiant į problemos sprendimo efektyvumą bei atsakingą DI naudojimą.