Connect with us

Noticias

¿ChatGPT muestra un sesgo de género en la detección de comportamiento?

Published

on

Datos

Investigamos varias tareas de clasificación de texto y conjuntos de datos que incluían diferentes poblaciones demográficas de autores para analizar si ChatGPT exhibe sesgos de género implícitos. Específicamente, utilizamos dos conjuntos de datos del mundo real disponibles públicamente, a saber, el Multilingual Twitter Corpus (MTC) presentado por Huang et al. (2020) y el conjunto de datos de Jigsaw Unintended Bias in Toxicity Classification publicado en Kaggle.

El conjunto de datos MTC (el conjunto de datos sobre discursos de odio) consta de tweets multilingües utilizados para tareas de detección de discursos de odio. Cada tweet está anotado como “discurso de odio” o “discurso de no odio” y está asociado con cuatro atributos demográficos de los autores: raza, género, edad y país. Utilizamos el corpus inglés con atributos de género en este conjunto de datos, que consta de dos categorías: masculino y femenino.

El conjunto de datos de Jigsaw (el conjunto de datos de comentarios tóxicos) contiene texto de comentarios personales que podrían percibirse como tóxicos (ofensivos, vulgares o abusivos). El texto de los comentarios individuales se encuentra en la columna comment_text. Cada comentario en el conjunto de datos está etiquetado con un objetivo de toxicidad (0/1) y se espera que el modelo prediga la toxicidad objetivo. Además, el conjunto de datos también incluye información de identidad de los autores del texto, especialmente etiquetas de atributos de género.

La Tabla 1 muestra estadísticas descriptivas para dos conjuntos de datos y podemos ver que los datos sobre género están bien equilibrados.

Tabla 1 Resumen estadístico de atributos de usuarios en género.

Experimento

En este estudio, utilizamos la API de ChatGPT, específicamente el modelo gpt-turbo, para desarrollar un programa de consulta automatizado (Promopt tiene el siguiente formato, “Determine si los siguientes párrafos contienen discurso de odio (solo responda ‘1’ o ‘0’, donde 1 indica discurso de odio y 0 indica que no hay discurso de odio): > .”). El objetivo principal de este programa es evaluar el discurso de odio y los comentarios tóxicos. Cada comentario que contiene contenido potencialmente ofensivo se presenta a ChatGPT como entrada, y le solicitamos a ChatGPT que determine si se trata de un discurso de odio/comentario tóxico. El resultado se simplifica en una representación binaria, donde 0 indica la ausencia de discurso de odio o comentario tóxico y 1 indica su presencia. Posteriormente, registramos y almacenamos meticulosamente los resultados para su análisis.

Preprocesamiento de datos

Consideramos tanto el submuestreo de la clase mayoritaria como el sobremuestreo de la clase minoritaria para crear un conjunto de datos más equilibrado. Este enfoque ayuda a garantizar que las conclusiones no se vean afectadas por el desequilibrio del conjunto de datos y que la evaluación del modelo sea más confiable. Utilizamos un muestreo aleatorio para ambos conjuntos de datos, garantizando que la proporción de muestras positivas y negativas fuera consistente. Específicamente, tomamos muestras aleatorias de 4000 muestras positivas y 4000 negativas de cada conjunto de datos para los experimentos.

Para establecer un marco comparativo, también empleamos técnicas tradicionales de aprendizaje automático (incluidas Naïve Bayes, SVM, Random Forest y XGBoost) como punto de referencia. Inicialmente, los documentos se reducen en minúsculas y se tokenizan usando NLTK (Bird y Loper, 2004), luego dividimos aleatoriamente el conjunto de datos en distintos conjuntos de entrenamiento y prueba. El conjunto de entrenamiento se utiliza para entrenar el modelo de aprendizaje automático, permitiéndole aprender patrones y características asociados con el discurso de odio y los comentarios tóxicos. Después de la fase de entrenamiento, las capacidades predictivas del modelo se evalúan utilizando el conjunto de pruebas.

Para garantizar una evaluación sistemática, categorizamos los experimentos en dos tipos distintos, a saber, “Sí_etiqueta” y “No_etiqueta”. Dentro de la categoría “Yes_label”, proporcionamos intencionalmente a ChatGPT las etiquetas de género de los autores del texto como entrada adicional (Promopt tiene el siguiente formato,“Determine si los siguientes párrafos contienen discurso de odio (solo responda ‘1’ o ‘0’, donde 1 indica discurso de odio y 0 indica que no hay discurso de odio): El dijo eso, >.”), mientras que los modelos tradicionales de aprendizaje automático fueron entrenados para incorporar las etiquetas de género de los autores del texto. Por el contrario, en el tipo “No_label”, ni ChatGPT ni los modelos tradicionales de aprendizaje automático recibieron información sobre las etiquetas de género asociadas con los autores del texto. Esta segregación permite un análisis comparativo del desempeño entre los dos enfoques en condiciones controladas, con y sin disponibilidad de información de etiquetas de género.

Resultado

En primer lugar, realizamos experimentos en el conjunto de datos 1 (tareas de rechazo del discurso de odio). La Figura 1 muestra la compilación completa de los resultados experimentales promedio logrados mediante la utilización múltiple de ChatGPT y metodologías tradicionales de aprendizaje automático. Medimos exhaustivamente métricas de evaluación como exactitud, precisión, recuperación y puntuación F1 para evaluar la precisión de la predicción, así como métricas de evaluación de equidad que incluyen falso positivo, falso negativo, FPED, FNED y SUM-ED. Los resultados detallados se presentan en la figura 2 y Tabla 2.

Fig. 1: Comparación del rendimiento de la precisión en el conjunto de datos de MTC.

Rendimiento de ChatGPT y varios métodos de aprendizaje automático en términos de exactitud, precisión, recuperación y puntuación F1.

Fig. 2: Comparación del rendimiento del sesgo en el conjunto de datos de MTC.
figura 2

Rendimiento de ChatGPT y varios métodos de aprendizaje automático en términos de FPED, FNED y SUM-ED.

Tabla 2 Comparación del desempeño del sesgo en el conjunto de datos de MTC.

Con base en los resultados experimentales del conjunto de datos MTC (el conjunto de datos sobre discurso de odio), podemos obtener los siguientes hallazgos (ver Fig. 1, Tabla 2 y Fig. 2). En primer lugar, en términos de clasificación del discurso de odio en inglés, ChatGPT tiene un rendimiento inferior que Naive Bayes, SVM, Random Forest y XGBoost en términos de precisión, recuperación y puntuación F1, pero muestra una precisión relativamente mayor. Varios estudios han señalado que ChatGPT puede exhibir un enfoque conservador al realizar tareas de detección, particularmente en tareas relacionadas con la detección de contenido dañino. Por ejemplo, algunos estudios han demostrado que ChatGPT puede mostrar ciertos sesgos al detectar contenido dañino, especialmente en casos que involucran temas políticamente sensibles o comentarios de grupos demográficos específicos (Zhu et al., 2023; Li et al., 2024; Deshpande et al. , 2023; Además, debido a los datos y métodos de entrenamiento del modelo, es posible que se introduzcan algunos sesgos involuntariamente, lo que hace que el modelo se comporte de manera más conservadora en determinadas situaciones (Hou et al., 2024). En segundo lugar, en términos de métricas de evaluación de sesgos como FPED, FNED y SUM-ED, ChatGPT demuestra un sesgo de género relativamente menor en comparación con Naive Bayes, SVM, Random Forest y XGBoost. Finalmente, cuando se elimina la función de etiqueta de género, Naive Bayes (SUM-ED:0.0819 a 0.0721), SVM (SUM-ED:0.0726 a 0.0687), Random Forest (SUM-ED:0.0723 a 0.0721) y XGBoost (SUM- ED:0,0691 a 0,0682) generalmente muestran una disminución en el nivel de sesgo. Sin embargo, GPT-4 (SUM-ED:0,0135 a 0,0553)/GPT-3.5 (SUM-ED:0,0175 a 0,0650) muestra un aumento en el nivel de sesgo cuando no se proporcionan atributos de género.

De manera similar, volvimos a realizar el mismo experimento en el conjunto de datos de The MTC (el conjunto de datos sobre discurso de odio) y encontramos conclusiones similares (ver Fig. 3, Tabla 3 y Fig. 4). En primer lugar, al clasificar comentarios tóxicos en inglés, ChatGPT tiene un rendimiento inferior al de Naive Bayes, SVM, Random Forest y XGBoost en términos de exactitud, precisión, recuperación y puntuación F1. En segundo lugar, en términos de métricas de evaluación de discriminación como FPED y FNED, ChatGPT demuestra un sesgo de género relativamente menor en comparación con Naive Bayes, SVM y XGBoost (excepto Random Forest). Finalmente, cuando se elimina la función de etiqueta de género, Naive Bayes (SUM-ED: 0,3186 a 0,2377), SVM (SUM-ED: 0,1472 a 0,1282), Random Forest (SUM-ED: 0,1028 a 0,0860) y XGBoost (SUM- ED: 0,1632 a 0,1407) generalmente muestran una disminución en el nivel de sesgo, mientras que GPT-4 (SUM-ED:0,1025 a 0,1323)/GPT-3.5 (SUM-ED:0,1280 a 0,1640) muestra un aumento en el nivel de sesgo cuando no se proporcionan atributos de género.

Fig. 3: Comparación del rendimiento de precisión en el conjunto de datos de Jigsaw.
figura 3

Rendimiento de ChatGPT y varios métodos de aprendizaje automático en términos de exactitud, precisión, recuperación y puntuación F1.

Tabla 3 Comparación del rendimiento del sesgo en el conjunto de datos de Jigsaw.
Fig. 4: Comparación del rendimiento del sesgo en el conjunto de datos de Jigsaw.
figura 4

Rendimiento de ChatGPT y varios métodos de aprendizaje automático en términos de FPED, FNED y SUM-ED.

En general, ChatGPT muestra niveles de precisión más bajos en comparación con sus contrapartes tradicionales de aprendizaje automático; sin embargo, un aspecto que merece atención es el grado relativamente bajo de sesgo demostrado por ChatGPT, particularmente cuando se le proporcionan etiquetas de características de atributos demográficos. Además, nos esforzamos por proporcionar una explicación plausible de los resultados. En cuanto a la precisión, la precisión del reconocimiento de ChatGPT ha disminuido debido a la falta de aprendizaje suficiente sobre conjuntos de datos de discursos de odio y comentarios tóxicos. En el caso del aprendizaje automático tradicional, numerosos experimentos de investigación han indicado que un enfoque viable para reducir el sesgo es el desetiquetado (Mehrabi et al., 2022; Corbett-Davies et al., 2023). Sin embargo, para ChatGPT, hasta la fecha ninguna investigación ha explorado el impacto de las etiquetas demográficas de género en su desempeño. En este experimento, los resultados demuestran que cuando a ChatGPT se le proporcionan etiquetas demográficas precisas de género y posteriormente se le asigna la tarea de determinar si una declaración califica como discurso de odio/comentario tóxico, el grado de sesgo disminuye. Una hipótesis es que ChatGPT incorpora una “resistencia incorporada” a información sensible como el género dentro de su estructura de diseño, mitigando así “conscientemente” la influencia de este sesgo. Preguntamos a ChatGPT sobre esto y confirmó que los algoritmos contrarrestan activamente el sesgo de género, lo que podría explicar la brecha entre los atributos de género conocidos y desconocidos. Algunos estudios indican que ChatGPT demuestra una resistencia incorporada al procesar y generar texto, esforzándose por evitar la generación y difusión de prejuicios de género (Fang et al., 2024). Además, tendemos a creer que la “resistencia incorporada” puede estar relacionada con la solidez de ChatGPT. Wang y cols. (2023) llevaron a cabo una evaluación exhaustiva de la solidez de ChatGPT desde la perspectiva adversarial y fuera de distribución (OOD), y los resultados indican que ChatGPT muestra ventajas consistentes en la mayoría de las tareas de clasificación y traducción adversarial y OOD. Sin embargo, a pesar de esta resistencia inherente, no puede eliminar por completo el sesgo de género. Por ejemplo, algunos estudios que utilizan casos de prueba construidos artificialmente encontraron que ChatGPT se queda corto en términos de igualdad de género y muestra problemas de coherencia en las diferentes versiones (Geiger et al., 2024; Fang et al., 2024).

Continue Reading
Click to comment

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Noticias

Cómo Project Gemini cambió de vuelo espacial

Published

on

Hace sesenta años, una flota de pequeñas naves espaciales elegantes allanó el camino para que Estados Unidos aterrizara a un hombre en la luna. Project Gemini fue una serie de misiones de dos hombres y orbitales que fueron pioneros en cita, acoplamiento y maniobras en el espacio, así como el sauce espacial, todos los cuales tuvieron que ser perfeccionados antes de que hubiera ninguna posibilidad de viajar a la luna.

Creando Géminis

Project Mercury, el primer programa espacial humano de Estados Unidos, tenía sistemas que estaban en gran medida automatizados. Géminis era diferente, por primera vez poniendo a los pilotos en control.

Menos dependiente de la electrónica propensa a fallas, Gemini era más simple de volar, realmente una nave espacial de un piloto. También era pequeño, dando a sus ocupantes un escaso 80 pies cúbicos (2.27 metros cúbicos) de espacio presurizado para misiones de varios días. El astronauta John Young lo comparó con sentarse de lado en una cabina telefónica. Esa compacidad le valió el apodo Gusmobile, después de que el comandante de Géminis 3 Virgil “Gus” Grissom, cuya diminuta estatura de 5 pies (1.7 m) lo convirtió en el único astronauta que podía caber en la cabina y cerrar la escotilla sin golpear su cabeza. Esto resultó problemático para el Tom Stafford de 6 pies de altura (1.8 m), que pilotó a Gemini 6. Stafford finalmente persuadió a los ingenieros para que eliminaran el aislamiento dentro de la escotilla, produciendo un ligero bulto que podría acomodar astronautas más altos.

Stafford también presionó para controladores de doble mano para comandantes y pilotos para realizar maniobras. La influencia de los astronautas en el control de estas minucias del diseño operativo de Géminis fue “mucho más allá … el piloto de prueba normal en la determinación de lo que se haría y cuándo”, escriba Barton Hacker y James Grimwood en la historia oficial de Gemini del proyecto de la NASA, Sobre los hombros de los titanes.

Prepararse para volar Géminis también significaba un intenso horario de entrenamiento. “Los días parecían tener 48 horas, las semanas 14 días y aún así nunca hubo suficiente tiempo”, dijo Grissom a un entrevistador. “Vimos a nuestras familias lo suficiente como para asegurar a nuestros jóvenes que todavía tenían padres”.

De los 16 hombres que volaron las 12 misiones de Géminis entre marzo de 1965 y noviembre de 1966, todos menos cinco más tarde visitaron la luna y seis caminaron sobre su superficie. La mayoría eran pilotos de prueba, un tercio sostenido títulos de maestría, y Buzz Aldrin de Gemini 12 tenía un doctorado.

Sus conjuntos de habilidades eclécticas los atrajeron como polillas a la llama fascinante de las demandas de misión únicas de Géminis. Ed White, Dave Scott y Gene Cernan Drew Spacewalk Tarsments. Frank Borman comandó el vuelo Gemini 7 de larga duración. Y Wally Schirra, junto con Stafford, ganó asientos en Gemini 6, el primer scentezvous.

Reunión en órbita

Una cita es un intrincado ballet de mecánica celestial para unir dos naves espaciales en diferentes planos orbitales. Era esencial para Project Apollo, cuando el módulo lunar, (lm) ascendiendo desde la superficie de la luna, se atracaba hasta el módulo de comando/servicio de órbita (CSM). Si surgieron emergencias, Rendezvous tenía que suceder rápidamente. Y Géminis dominaría su arte por primera vez.

Pero los esfuerzos de los primeros equipos de Géminis para mantener la estación con las etapas superiores descartadas de sus cohetes Titan II en órbita arrojaron resultados mixtos. Los astronautas lucharon por juzgar distancias solo por vista. Las luces de seguimiento eran difíciles de ver contra el resplandor de la Tierra. En junio de 1965, cuando el comandante de Gemini 4, Jim McDivitt, maniobró hacia su objetivo, estaba perplejo cuando el refuerzo lentamente caída parecía alejarse de él.

Fue una lección importante: agregar velocidad eleva la altitud, que llevó a Géminis a una órbita más alta que el objetivo. Pero paradójicamente, también les hizo caer detrás del objetivo a medida que su período orbital (una función directa de su distancia desde el centro de gravedad de la Tierra) también aumentó. Para obtener una cita, los astronautas tuvieron que caer a una órbita más baja, avanzar al objetivo y luego volver a subir para cumplirlo.

Para los pilotos acostumbrados a volar en formaciones estrictas con aviones a reacción, fue contra el grano de su experiencia profesional. “Es algo difícil de aprender”, escribió el astronauta Deke Slayton en sus memorias, Repentir con“Dado que es un poco atrasado de cualquier cosa que conoces como piloto”.

Los planes para que Géminis 5 se ponga en cita con una pequeña cápsula desplegable en agosto de 1965 fueron frustrados por una falla de pila de combustible. Pero Gordon Cooper y Charles “Pete” Conrad simularon esta reunión con una cita “fantasma”, en su lugar, maniobrando con éxito su barco en el mismo plano orbital que su objetivo imaginario.

La primera cita verdadera debía ser realizada por Gemini 6 en octubre de 1965, pero casi no sucedió. La nave espacial Target Agena-D de la misión, destinada a lanzarse antes de la cápsula de los astronautas, explotó poco después del lanzamiento. En cambio, la NASA decidió volar Géminis 6 junto con Géminis 7, usando este último como la nave espacial objetivo. En diciembre de 1965, Schirra y Stafford maniobraron triunfalmente Géminis 6 en 12 pulgadas (30 centímetros) de Géminis 7 y mantuvieron ese puesto durante cinco horas. La nave estaba tan cerca que las dos tripulaciones podían saludarse entre sí.

Schirra informó que Gemini manejó con crisis y precisamente, lo que le permitió hacer entradas de velocidad de solo 1.2 pulgadas por segundo (3 cm/s), lo suficientemente bueno para un acoplamiento de cita y física controlada. Pero fue muy implacable de los errores en términos de tiempo y desperdicio de propulsores.

La computadora Mark One Cranium

Aunque los astronautas de Géminis utilizaron una combinación de radar, plataformas de orientación inercial y computadoras para ayudarlos, los hombres siguieron siendo parte de la ecuación. Durante la cita de Gemini 6, Stafford empleó una regla de diapositivas circular y traza de trazado para verificar los datos de radar.

En marzo de 1966, Neil Armstrong de Géminis 8 y Dave Scott se encontraron y atracaron con un Agena-D por primera vez sin incidentes. Pero pronto, un cortocircuito de propulsores arrojó la nave espacial combinada a un rollo incontrolable que alcanzó su punto máximo a 60 revoluciones por minuto. Solo las acciones rápidas de los astronautas que activan los retrorockets de Géminis detuvieron el rollo y le salvaron la vida, pero su misión planeada de tres días fue abortada después de solo 10 horas.

“Con nuestra visión comenzando a difuminar, localizar el interruptor correcto no fue simple”, escribió Scott en sus memorias, Dos lados de la luna. “Neil sabía exactamente dónde estaba ese interruptor sin tener que verlo. Alcanzar sobre su cabeza … al mismo tiempo lidiar con el controlador de mano … fue una hazaña extraordinaria”.

En julio de 1966, John Young y Mike Collins utilizaron una memoria de computadora ampliada y un sextante portátil para calcular maniobras independientemente del control de la misión de la NASA durante Géminis 10. Cuando una falla de una computadora casi les hizo perder su objetivo Agena-D, Young tomó el control manual e hizo una cita exitosa y acoplamiento. “Realmente tuvieron que entrar en la mirada”, escribió un admirador Slayton.

Poco después, Géminis 11 en septiembre de 1966 logró un acoplamiento de Agena-D en su primera órbita, 85 minutos después del lanzamiento, simulando una cita de emergencia entre un Apolo LM y CSM. Los astronautas también aumentaron su órbita a 850 millas (1,370 km) sobre la Tierra, la altitud más alta de cualquier misión tripulada no lunar hasta Polaris Dawn en septiembre de 2024.

Finalmente, en Géminis 12 en noviembre de 1966, una insuficiencia de radar obligó a Jim Lovell y Buzz Aldrin a también ceñirse manualmente con su Agena-D. Cuando Lovell voló en la nave, Aldrin estalló en los gráficos y examinó las líneas de datos muy espaciadas, acercando a Gemini al demostrar una vez más el valor del cerebro humano, la “computadora de cráneo”, a las complejas operaciones de vuelo espacial.

Tocando

A pesar de los hipo mientras probaban piñones y atractivos, los astronautas de Géminis siempre regresaban a la Tierra. La computadora de la nave espacial podría predecir el punto de salpicaduras de fin de misión, permitiendo al comandante dirigirse hacia el objetivo en el océano. Aunque los datos incorrectos del túnel de viento provocaron que dos misiones estuvieran por debajo de su punto previsto, los vuelos posteriores salpicaron impresionantemente cerca del objetivo. En particular, Géminis 9 en junio de 1966 aterrizó a solo 2,300 pies (700 m) de su lugar previsto, tan cerca que los astronautas ofrecieron señales de pulgares a la tripulación del barco de recuperación.

El ritmo del Proyecto Géminis fue igualado solo por el fervor de la nación para lograr botas en la luna en 1970. “Nos habíamos estado corriendo con adrenalina”, escribió Dave Scott sobre su experiencia de Gemini 8, una frase adecuada que podría aplicarse bien a todo el programa: un esfuerzo que no solo trajo a Estados Unidos a un aterrizaje lunar, sino también demostró la concentración de la concentración de la concentración de la astronautación en el rendimiento.

Continue Reading

Noticias

AI para el diseño de interiores: cómo utilicé chatgpt para elegir el color de pintura perfecto

Published

on

Si está pensando en redecorar su hogar, el nuevo generador de imágenes de ChatGPT es una forma fantástica de dar vida a sus ideas, especialmente cuando se trata de elegir pintura.

ChatGPT puede atraer colores de toda la web, desde Benjamin Moore y Sherwin-Williams hasta nuevas marcas como Clare, para mostrarle cómo se verían en su habitación. Es como poner las muestras de pintura y el tablero de Pinterest en una licuadora.

No me malinterpreten, me encanta obsesionarme con las opciones de pintura y navegar por los “colores del año”, pero la IA puede ayudar a enfocar sus esfuerzos y desarrollar sus ideas más rápido. Así es como lo hice.


¿Cuántas opciones ‘blancas’ puede haber realmente?

El nuevo generador de imágenes de ChatGPT está abierto a usuarios gratuitos, pero utilicé una cuenta más de $ 20 por mes y el modelo “GPT-4O”. (Otros generadores de imágenes de IA ofrecen características similares).

Comenzando con lo básico, le pedí a ChatGPT que creara una habitación con los dos colores neutros que estaba considerando para los adornos, las paredes y el techo: Sherwin Williams “Alabaster” y Sherwin-Williams “cremosa”. Le pedí que pusiera alabastro en el borde y el techo, y cremosa en las paredes. No le envié los enlaces ni especificé los códigos de color únicos; Los sacó por su cuenta de la web y creó esta imagen.

(Crédito: CHATGPT)

“Obtendrás un Contrast suave Eso se ve intencional y elegante, no demasiado agudo, pero aún pulido “, dice Chatgpt.” Es perfecto para interiores clásicos, de transición o de estilo cabañas “.

Si aún no ha elegido sus colores, ChatGPT también puede ofrecer sugerencias. Mencionó que la “villa griega” de Sherwin-Williams podría ser una alternativa. Los tres son colores blancos populares en este momento.

¿Cómo elegiría? Le pedí a ChatGPT que me diera más información sobre por qué hay tantas opciones de color blanco y cómo elegir entre ellas. Sintetizó información de blogs y sitios web y explicó el llamado valor reflexivo de luz, o LRV, de cada uno. Esto me ayudó a descartar villa griega, que es técnicamente más blanco que los otros dos, así que me sentí seguro de mis elecciones originales.

LRV para blancos

(Crédito: CHATGPT)


Mezcla de mezcla: ideas de paleta de colores

Pasando los blancos y hacia los colores, le envié a Chatgpt la paleta completa de lo que estaba considerando ordenar a Samplize, una compañía que fabrica réplicas de pegatinas de colores de pintura específicos. Copié y pegé una captura de pantalla de mi carrito en la ventana de chat y solicité ideas combinadas.

“Tienes un Hermoso y terrenal romántico Paleta aquí: neutros cálidos, verduras apagadas, rosas suaves y un azul malhumorado “, me dijo.” Hay toneladas de formas versátiles de agruparlosdependiendo del estado de ánimo que desee en cada habitación. Aquí hay algunas ideas “.

ChatGPT puede ser un poco un hombre “sí” (wo), lo que lleva a un redditor a tener en cuenta que podría ser también lindo. Tal vez sea la luz de la luna como un representante de ventas de muestras, pero lo tomaré.

paleta de colores

(Crédito: CHATGPT)

¡Obtenga nuestras mejores historias!


Ícono del boletín


¿Qué hay de nuevo ahora?

Matricularse en ¿Qué hay de nuevo ahora?su dosis diaria de las últimas noticias tecnológicas, los mejores productos nuevos y los consejos expertos de los editores de PCMAG.

Al hacer clic en Registrarme, confirma que tiene más de 16 años y acepta nuestros Términos de uso y Política de privacidad.

¡Gracias por registrarse!

Su suscripción ha sido confirmada. ¡Esté atento a su bandeja de entrada!

Sugirió combinaciones de colores para todas las áreas de la casa, como una oficina, cocina y baño. Llamó a su idea de la oficina como un “retiro terroso”, con blanco y verde sabio. Intrigado por esa opción, le pedí que “se burle del #3, el retiro terroso”. Tenga en cuenta que puede mantener la conversación incluso con respuestas muy cortas como esta. La agonización sobre la elaboración del “aviso perfecto” a menudo es innecesario.

Eligió hacer la mitad de la pared de un color, y la mitad en otro, lo cual fue un error. Probablemente me recordó preguntar sobre ese concepto antes, pero no quise decir que lo quería en esta imagen específica. Aún así, me dio una idea de cómo podría verse.

maqueta de retiro terroso

Maqueta “Retiro terrenal” (Crédito: CHATGPT)

También probé una versión azul con este aviso: “¿Azurita cremosa y ahumada se combinan bien? Me burla de una pared que sea 3/4 cremosa, con el último 1/4 en la azurita ahumada superior. Alabaster para molduras y techos”. Jugué con dos opciones de iluminación diferentes, una habitación más oscura y clara. Como una ventaja adicional, seleccionó los colores del piso de madera por sí solo, lo que podría ser parte del diseño para que yo lo considere más tarde.

opción de pared azul 3/4

(Crédito: CHATGPT)

“Cree una foto de dormitorio principal con Rojo Rust como la pared de acento detrás de la cama, cremosa en las paredes y el techo/ajuste de alabastro”, pregunté a continuación.

Recomendado por nuestros editores

La pared de acento parecía un poco de rojo oscuro para mí, así que cambié en un color más claro. Puede hacer estos ajustes fácilmente, pero las imágenes tardan unos minutos en cargarse, posiblemente debido a la abrumadora demanda que el CEO Sam Altman dice que está sobrecargando los servidores de OpenAi. También traté de no volver a entrenarme con las solicitudes de imagen, sabiendo cuánta energía computacional requiere.

Ajustes de la pared de acento

(Crédito: CHATGPT)

Consideré eliminar el rojo más oscuro de mi carrito, pero pensé que la versión de Chatgpt se veía más oscura que el color en el sitio web de Sherwin-Williams, así que lo mantuve. Como con todas las cosas de IA, siempre verifica dos veces y nunca tome su salida al pie de la letra.

Cuando la muestra llegó a la vida real, el color parecía más o menos rojo dependiendo de la luz de la habitación. A veces parecía la imagen de Chatgpt y a veces se parecía al sitio web de Sherwin-Williams. Puede pedirle a ChatGPT que ajuste la iluminación en la habitación para simular mejor sus condiciones de la vida real, pero siempre es mejor verla en persona.


Su Miguel Ángel digital de guardia

Lamentablemente, ChatGPT no recogerá un pincel o un rodillo y hará el trabajo por usted (todavía), pero es una herramienta de ideación útil para tomar decisiones informadas a lo largo de sus proyectos de renovación.

Puede llevar este concepto al siguiente nivel subiendo fotos de su propia casa, como lo hizo un Redditor para obtener ideas de redecoración para una sala de estar anticuada.

¿ChatGPT va a reemplazar a los diseñadores de interiores? Esa es la versión actual de las redes sociales. Si bien hay un grano de verdad ya que ChatGPT es una herramienta tan útil, es un poco exagerado. Dado que está raspando la Web para opiniones y materiales sobre los que otros han escrito, puede crear un aspecto suave y diseños genéricos, orientados a una audiencia de mercado masivo.

Un verdadero diseñador puede ofrecer una personalización más profunda, con una dosis de realidad (precios), tal vez inspirada en las imágenes que crea en ChatGPT para poner en marcha la conversación.

Sobre Emily Forlini

Reportero senior

Emily Forlini

Soy el experto en PCMAG para todo lo relacionado con los vehículos eléctricos y la IA. He escrito cientos de artículos sobre estos temas, incluidas las revisiones de productos, las noticias diarias, las entrevistas de CEO y las características profundamente reportadas. También cubro otros temas dentro de la industria tecnológica, manteniendo un pulso sobre qué tecnologías están bajando por la tubería que podría dar forma a la forma en que vivimos y trabajamos.

Lea la biografía completa de Emily

Lea lo último de Emily Forlini

Continue Reading

Noticias

10 mejores publicaciones en x

Published

on

Ha pasado menos de un día desde que Operai actualizó GPT-4O con capacidades avanzadas de generación de imágenes, e Internet ya está en un frenesí. Muchos usuarios han inundado las redes sociales con sus creaciones utilizando GPT-4O. La última oferta de OpenAI se ve como un salto tecnológico hacia adelante, y algunas salidas son notablemente impresionantes.

La nueva característica, denominada “Imágenes en ChatGPT”, difiere de Dall-E porque las imágenes se generan dentro de GPT-4O. Además, el modelo se ha descrito como “omnimodal”, lo que significa que puede generar varios tipos de datos, incluidas imágenes, texto, audio y video. Esto marca un cambio en el desarrollo de IA, donde los modelos obtienen la capacidad de integrar múltiples formas de datos sin problemas.

Si eres fanático de Ghibli Films, el último modelo GPT-4O de OpenAI puede generar algunas de las imágenes más importantes de Ghibli. Los usuarios simplemente necesitan cargar una imagen y pedirle al modelo que la transforme en el estilo de anime Ghibli. Dado que esta característica se hizo ampliamente conocida, numerosos usuarios han llevado a la plataforma para mostrar su creatividad.

La historia continúa debajo de este anuncio

Aquí hay un vistazo a algunas publicaciones notables en X:

Algunas películas legendarias de Bollywood como se ven en estilo Gibli.

El salto de Elon Musk a uno de los manifestantes del presidente Donald Trump antes de las elecciones presidenciales de los Estados Unidos de 2024.

Memes populares en estilo Gibli.

Más allá de las imágenes al estilo de Ghibli

La función de generación de imágenes muestra una versatilidad extraordinaria en los dominios creativos. Ofrece a los usuarios capacidades artísticas refinadas que les permiten transformar sus fotos en una variedad de estilos, incluidos South Park, Minecraft, LEGO, Voxel, acuarela, marioneta y animación de manguera de goma. Además, es excelente cuando se trata de diseño creativo, especialmente en la generación de infografías, maquetas de productos, logotipos, carteles, otros campos visuales, etc.

La representación de texto, que ha sido un desafío para los modelos de IA, es particularmente precisa con esta nueva característica, ya que ofrece elementos de texto detallados y precisos dentro de las salidas. Produce imágenes fotorrealistas con detalles excepcionales con iluminación realista, profundidad de campo, texturas complejas, etc. Estas capacidades también se extienden a la creación de imágenes hiperrealistas de animales, personas y varios escenarios del mundo real.

La parte más impresionante es el control que tiene sobre detalles sutiles, como expresiones faciales, accesorios, textura de la piel en una imagen. Incluso se puede agregar o eliminar elementos de fondo, editar imágenes existentes y transformar fotografías. Además, el generador de imágenes también puede realizar indicaciones complejas de generación de imágenes de varias partes, produciendo escenas surrealistas. El aspecto más notable del generador es su comprensión contextual y su flexibilidad creativa. Desde Polaroid hasta DSLR de alta resolución, el generador es capaz de crear varios estilos fotográficos.

La capacidad de generación de imágenes mejorada en ChatGPT, impulsada por GPT-4O, está disponible para usuarios Plus, Pro, Team y Free Free, también a través de API. A diferencia de Dall-E, las imágenes creadas con la versión actualizada no tienen una marca de agua visual.

¿Qué son las películas de Ghibli?

La historia continúa debajo de este anuncio

Las películas de Ghibli son largometrajes animados producidos por el estudio japonés del mismo nombre. Estas películas son conocidas por su estética distintiva, que complementan su narración de cuentos de vida. Mientras está profundamente arraigado en la cultura japonesa, exploran temas universales.

Studio Ghibli fue fundado en 1985 por el cineasta Hayao Miyazaki, junto con Isao Takahata y Toshio Suzuki. Miyazaki es uno de los nombres más reconocidos en la animación, con múltiples honores a su crédito. Aunque las películas de Ghibli son anime, el estudio se destaca por su romanticización de la vida cotidiana.

Algunas de las películas de Ghibli más populares incluyen a la princesa Mononoke (1997), Spirited Away (2001), Grave of the Fireflies (1988), Howl’s Moving Castle (2004), Porco Rosso (1992) y mi vecino Totoro (1988), entre otros. Su narración lúcida, configuraciones idílicas y personajes afables han fomentado un fandom devoto y duradero.

Con las capacidades avanzadas de generación de imágenes de Chatgpt, muchos fanáticos de las películas de Ghibli tienen la oportunidad de reinventar sus fotos en la estética similar a Gibli.

Continue Reading

Trending