Fréchet inception distance (FID) on mittari tekoälyn luomien kuvien laadun arviointiin. Todelliset ja luodut kuvat johdetaan esikoulutetun kuvantunnistusverkon (Inception v3) läpi, ja niiden piirteiden tilastollisia jakaumia verrataan. Mitä pienempi arvo, sitä lähempänä luodut kuvat ovat oikeita valokuvia realismiltaan ja monipuolisuudeltaan. FID otettiin käyttöön vuonna 2017, ja se on vakiomittari kuvageneraattorien vertailussa.
Agentit, työnkulut ja mallit yhdessä työtilassa – maksuton 24 tunnin demo.
Aloita demoGeneratiivinen kilpaileva verkko (GAN) koostuu kahdesta neuroverkosta, joita koulutetaan toisiaan vastaan: generaattori luo keinotekoista dataa, kuten kuvia, ja diskriminaattori yrittää erottaa ne oikeista. Tämän kilpailun myötä tulokset muuttuvat yhä realistisemmiksi. GAN-verkot esiteltiin vuonna 2014, ja ne muovasivat kuvanluontia ennen kuin diffuusiomallit yleistyivät; niitä käytetään esimerkiksi synteettisen koulutusdatan tuottamiseen tai kuvien parantamiseen.
Stable Diffusion on kuvantuottomallien perhe, joka luo kuvia tekstikuvauksesta. Ensimmäinen versio julkaistiin vuonna 2022, ja sen kehitystä johti Stability AI yhdessä tutkimuskumppaneiden kanssa. Teknisesti kyseessä on latentti diffuusiomalli, joka muuttaa kuvakohinaa vähitellen kuvaksi. Koska mallin painot on julkaistu, sitä voi ajaa ja mukauttaa paikallisesti; uudempien versioiden kaupallisesta käytöstä määrää Stability AI:n oma lisenssi (tilanne: lokakuu 2026).
Tekoälyssä benchmarking tarkoittaa mallien tai järjestelmien järjestelmällistä vertailua määriteltyjen tehtävien ja kriteerien avulla. Julkiset vertailutestit mittaavat esimerkiksi yleistietoa, päättelykykyä tai ohjelmointitaitoa; käytännön käytössä tärkeimpiä ovat kuitenkin oman arkityön testitapaukset. Tyypillisiä kriteerejä ovat tarkkuus, kattavuus, vasteaika ja kustannukset. Tämä auttaa päättämään, riittääkö pienempi ja edullisempi malli tehtävään.
Kuvantunnistus on konenäön osa-alue, jossa ohjelmisto tunnistaa, mitä kuvassa on – esineitä, ihmisiä, tekstiä, logoja tai näkymiä. Se perustuu yleensä neuroverkkoihin, jotka on koulutettu suurella määrällä merkittyjä kuvia. Sovellukset vaihtelevat valmistuksen laadunvalvonnasta ja tuotekuvien lajittelusta lääketieteellisen kuvantamisen tukemiseen. Ihmisistä otettujen kuvien kohdalla tietosuoja ja mahdolliset vinoumat vaativat erityistä huomiota.
