Kiri

@rantanurmikka@mementomori.social
69 Followers
113 Following
942 Posts

Piirtämistä harrastava introvertti. Työvälineenä enimmäkseen lyijykynä; värittäessä piirtopöytä ja Clip Studio Paint.

Kiinnostuksen kohteita mm. luonnon monimuotoisuus, eri kielet, manga.

- Profiilikuva: kirja, jonka kannessa on sana "kissa" japaniksi (猫) ja välissä kirjanmerkki; tämä on viittaus tauolla olevan nettisarjakuvani nimeen
- Otsakekuva: valokuvia yhdistelemällä yhtä piirrosta varten tekemäni tekstuuri

Another account where I post in English: @netsurikigaku2

Languages I'm somewhat confident insuomi, English, 日本語
Languages I can read books in (rusty)svenska
Currently studying (out of curiosity)ʻōlelo Hawaiʻi
Tässä kuvan välivaiheita:
1. Alustava hahmotelma (tai oikeammin yksi niistä). Tämä on tyypillisesti se vaihe, missä työ on parhaimmillaan - niin tässäkin tapauksessa.
2. Viivapiirrosta edeltävä hahmotelma
3. Varjojen lisäys hiuksiin. Nutturan jälki on tässä viimeistellympää, mutta muissa kohdissa olen vasta lähinnä merkinnyt varjojen paikat. (Mielestäni on helpompi ensin vain merkitä varjojen paikat sotkuisesti ja lähteä siitä sitten siistimään - koska vaihtoehtona on, että alusta asti tekee huolella, ja sitten huomaa myöhemmin, ettei kokonaisuus näytäkään hyvältä.)
4. Rakenteilla oleva siipi

Planeetan PSR J1719-1438 b personifikaatio, jonka piirsin vuonna 2022.

Törmäsin kyseisen planeetan kuvaukseen alunperin Hesarissa:

"Yhtä suuri tiheys on pulsaria PSR J1719-1438 kiertävällä salaperäisellä kappaleella. Se ei ole kuitenkaan superjupiter, vaan kiinteä planeetta.

"Tutkijat arvelevat, että se on kääpiötähden ydin, joka säilyi ehjänä, kun sen naapuritähti räjäytti ulkokuorensa taivaalle ja luhistui pulsariksi. Räjähdyksessä katosi myös kääpiötähden koko ulkokuori. Jäljelle jäänyt ”planeetta” on kokonaan hiiltä, joka on aikanaan tähden sisällä puristunut hiilen tiiveimpään olomuotoon eli timantiksi. Planeetta on varmasti Linnunradan, jos ei koko maailmankaikkeuden komein timantti, täydellisen pyöreä ja läpimitaltaan noin 60 000 kilometriä."

Työn lopputuloksen tasosta voi olla montaa mieltä (itse en ole piirroksessa kaikkeen enää niin tyytyväinen), mutta jok'ikinen yksityiskohta on kuitenkin tarkkaan mietitty ja työstetty. Mm. siivet tein piirtämällä ensin yksittäisiä sulkia, joista kokosin kokonaisen siiven. Mallina olivat etenkin joutsenen siivet.

Löysin kauan, kauan sitten 13-vuotiaana tekemäni sarjakuvan. Ellen väärin muista, työvälineenä oli MS Paint. Käytännössä sivu on siis koottu ympyröistä, kolmioista, neliöistä ja muista saatavilla olleista muodoista.

Tässä jonkinsorttinen kooste lumojadeliaanikuvan välivaiheista, mikäli jotakuta kiinnostaa.

Olen tällä samalla taktiikalla piirtänyt myös mm. siipiä (ts. piirtänyt ensin joitain sulkia ja sitten koonnut niistä siivet).

Strongylodon macrobotrys (englanniksi jade vine, suomeksi lumojadeliaani) vuodelta 2019. Päätin tuolloin piirtää kyseisen kukan, sillä se on niin ihanan värinen. Epäonnekseni se oli myös erittäin työläs piirtää. Mutta turkoosi on niin harvinainen kukan värinä, ettei valinnanvaraa kauheasti ollut.

Olen kuvaan edelleen tyytyväinen. Tein sen piirtämällä ensin lyijykynällä muutamia yksittäisiä kukkia eri kulmista, värittämällä ne skannaamisen jälkeen Clip Studio Paintissä, ja lopuksi vimmatusti copy-pasteamalla niitä tekemäni hahmotelman päälle. Lehdet olivat paljon helpommat. Kaiken kaikkiaan tämä työ sisälsi miltei yhtä paljon kokoamista ja sommittelua kuin piirtämistä. Melkein kuin jotain pienoismallia olisi osasista koonnut.

Edit: lisätty myös lajin suomenkielinen nimi

En ole varsinaisesti mikään ompelutaituri - mutta halusin portaikon säleverhon päälle verhon, sillä säleverho itsessään ei blokkaa tai vaimenna auringonpaistetta juurikaan. Ja sellaisen verhon joutuu melkeinpä sekä tekemään että suunnittelemaan itse. Joten yritin.

Ajatuksenani oli ommella kangas tavallaan hupuksi, jonka pystyisi ripustamaan säleverhon päälle.

Lopputulos on tämä. Se ei ehkä näytä kummoiselta, etenkään kun kaide tönäisee sen vinoon - mutta se pysyy kuin pysyykin paikallaan! Olin jo henkisesti valmistautunut siihen, että se varmaan vain valahtaa alas. Ja kangas on nätti. Lasken tämän onnistumiseksi. Pitkästä aikaa jokin homma meni kertayrittämällä suunnitelmien mukaan ilman sen suurempia vastoinkäymisiä.

Tässä vielä se alkuperäinen hahmotelma, jonka piirsin ruutupaperille. Käsialani tuppaa tällaisissa pikaisissa muistiinpanoissa olemaan aika kauhea.

Oikean yläkulman teksti on se, jota käytin lopullisessa logossa.

(Tuo "ei kaupalliseen käyttöön" oli vain muistutus itselle mainita asiasta siinä yhteydessä, kun lähettäisin valmiin kuvan kaverille. Koska olin piirtänyt tämän lähinnä kurssiesitelmän puitteisiin, enkä luovuttamassa mitään muita oikeuksia.)

Viime marraskuussa kaveri pyysi minua piirtämään logon yhdelle mielikuvitusyritykselle jonkin kurssin ryhmätehtävän diaesitystä varten. Periaatteesta en yleensä piirrä mitään pyynnöstä, mutta tämä tehtävä vaikutti kivalta, joten otin haasteen vastaan.

Piirtää osaan kohtuullisesti, mutta logojen teosta itsellä ei tietotaitoja ole juuri lainkaan - mikä varmaan lopputuloksessakin näkyy - joten haastava tehtävä se siinä mielessä oli. Mutta koska se oli tarkoitettu pelkäksi rekvisiitaksi ja ilmainen työ, ei paineitakaan kauheasti ollut. Ei ollut velvollisuutta onnistua, mutta halusin tehdä logosta niin hyvän kuin pystyisin.

Tässä saamani ohjeet (osittain omin sanoin, hieman tiivistettynä):
- Puputti on salaattibaari.
- Logossa tulisi lukea Puputti, ja tekstin vieressä/ympärillä voisi olla yksi tai kaksi pupua (kasvot riittävät).
- Puput voisivat olla japanilaistyylisiä.
- Logo voi olla piirretty esim. ihan vain tusseilla/värikynillä.

Aloitin tehtävän heti piirtämällä A7-kokoiseen ruutulehtiöön hahmotelman. Myöhemmin kävin etsimässä kuvia salaattiannoksista värien suunnittelua varten. Lopputuloksen väripaletti on aika pitkälti tomaatti-mozarellasalaattiin perustuva. Ja joo, poikkesin ohjeistuksesta ehkä aavistuksen verran.

Yksi suosikeistani genAI-aiheisten tieteellisten artikkelien joukossa on tämä:
McCoy et al. (2023). Embers of Autoregression: Understanding Large Language Models Through the Problem They are Trained to Solve. https://arxiv.org/abs/2309.13638

Se on pitkähkö (84 sivua) ja sisältää runsaasti havainnollisia esimerkkejä siitä, miten ja miksi kielimallit eivät pärjää joissain erittäin helpoissa tehtävissä.

Oheisessa kuvassa on yksi esimerkki sivulta 44. Kielimallilta on kysytty yksinkertainen kysymys, johon se on vastannut väärin, ja jatkokysymyksenä on esitetty pyyntö arvioida tehtävän vaikeus. Kielimalli vastaa, että tehtävä oli erittäin helppo. (Tämä osaltaan demonstroi sitä, ettei kielimalli oikeastaan edes vastaa esitettyyn jatkokysymykseen - se vain ennustaa tilastollisesti todennäköisen, uskottavan kuuloisen vastauksen - ymmärtämättä kysymystä tai arvioimatta yhtään mitään.)

#kielimallit #AI

Embers of Autoregression: Understanding Large Language Models Through the Problem They are Trained to Solve

The widespread adoption of large language models (LLMs) makes it important to recognize their strengths and limitations. We argue that in order to develop a holistic understanding of these systems we need to consider the problem that they were trained to solve: next-word prediction over Internet text. By recognizing the pressures that this task exerts we can make predictions about the strategies that LLMs will adopt, allowing us to reason about when they will succeed or fail. This approach - which we call the teleological approach - leads us to identify three factors that we hypothesize will influence LLM accuracy: the probability of the task to be performed, the probability of the target output, and the probability of the provided input. We predict that LLMs will achieve higher accuracy when these probabilities are high than when they are low - even in deterministic settings where probability should not matter. To test our predictions, we evaluate two LLMs (GPT-3.5 and GPT-4) on eleven tasks, and we find robust evidence that LLMs are influenced by probability in the ways that we have hypothesized. In many cases, the experiments reveal surprising failure modes. For instance, GPT-4's accuracy at decoding a simple cipher is 51% when the output is a high-probability word sequence but only 13% when it is low-probability. These results show that AI practitioners should be careful about using LLMs in low-probability situations. More broadly, we conclude that we should not evaluate LLMs as if they are humans but should instead treat them as a distinct type of system - one that has been shaped by its own particular set of pressures.

arXiv.org

Kirjaston tarkennetussa haussa voi näköjään hakea teoksia halutessaan aika pitkänkin ajan takaa...

https://anders.finna.fi/Search/Advanced

(Tosin haku käytännössä näyttäisi löytävän vääriä tuloksia, kun vuosiksi laittaa jotain kovin vanhaa. Jos taas hakuehdoiksi laittaa jotain muutamien viime vuosikymmenen ajalta, tulokset ovat sellaisia kuin odottaisikin.)

Tarkennettu haku | Anders-Finna