जब आप सोशल मीडिया फ़ीड स्क्रॉल करते हैं, न्यूज़ वेबसाइटें ब्राउज़ करते हैं, या डिजिटल गैलरी देखते हैं, तो आपका सामना शायद उससे कहीं ज़्यादा AI-जनरेटेड इमेज से हो रहा है जितना आप सोचते हैं। असली फ़ोटोग्राफ़ी और सिंथेटिक विज़ुअल के बीच की रेखा हाल के वर्षों में काफ़ी धुंधली हो गई है, और ऐसे माहौल में सच को पहचानने के लिए नए कौशल और सजगता चाहिए।
असली और सिंथेटिक विज़ुअल में फ़र्क करना बनावट, रोशनी और प्राकृतिक अपूर्णताओं को ध्यान से देखने की माँग करता है।
टेक्स्ट-टू-इमेज AI का उदय
इन इमेज के पीछे की टेक्नोलॉजी ने अविश्वसनीय रफ़्तार से तरक़्क़ी की है। जो शुरुआत में अमूर्त पैटर्न बनाने वाले प्रायोगिक न्यूरल नेटवर्क थे, वे अब ऐसे सिस्टम बन गए हैं जो फोटोरियलिस्टिक विज़ुअल बना सकते हैं, जो अक्सर इंसानी दर्शकों को भी धोखा दे देते हैं। इसकी मूल टेक्नोलॉजी डिफ्यूज़न मॉडल है, जो रैंडम नॉइज़ से शुरू होकर टेक्स्ट विवरणों के आधार पर उसे धीरे-धीरे सुसंगत इमेज में बदलते हैं।
💡 मुख्य बात: आज के AI इमेज जनरेटर इमेज को इंसानों की तरह "समझते" नहीं हैं। वे ट्रेनिंग डेटा से पैटर्न पहचानते हैं और सांख्यिकीय संबंधों को दोहराते हैं, और यही उनकी ताक़त भी है और उनकी कमज़ोरी भी।
ऑनलाइन दिखने वाले प्रमुख AI इमेज मॉडल में आम तौर पर ये शामिल हैं:
| मॉडल | निर्माता | मुख्य उपयोग | ऑनलाइन उपस्थिति |
|---|
| Flux | Black Forest Labs | सामान्य उद्देश्य की इमेज | सोशल मीडिया, मार्केटिंग |
| Stable Diffusion | Stability AI | रचनात्मक और व्यावसायिक | आर्ट कम्युनिटी, विज्ञापन |
| DALL-E 3 | OpenAI | विस्तृत दृश्य | न्यूज़ इलस्ट्रेशन |
| Midjourney | Midjourney Inc. | कलात्मक रेंडर | डिजिटल आर्ट प्लेटफ़ॉर्म |
हर मॉडल की अपनी खास विशेषताएँ होती हैं, जो उसके आउटपुट पर सूक्ष्म निशान छोड़ती हैं। इन्हें समझने से यह पहचानने में मदद मिलती है कि इमेज कहाँ से आई है।
आम AI इमेज आर्टिफ़ैक्ट
AI से बनी इमेज में कुछ खास विज़ुअल आर्टिफ़ैक्ट होते हैं जो सिंथेटिक स्रोत के पक्के संकेत का काम करते हैं। नए मॉडल इन खामियों को कम करते हैं, लेकिन शायद ही इन्हें पूरी तरह खत्म कर पाते हैं।
आम AI जनरेशन की खामियों का तकनीकी विवरण, जिनमें उंगलियों की गड़बड़ियाँ, बनावट का दोहराव और रोशनी की असंगति शामिल हैं।
बनावट के दोहराव वाले पैटर्न
सबसे भरोसेमंद संकेतों में से एक है अस्वाभाविक बनावट का दोहराव। असली दुनिया की चीज़ों में जैविक विविधता होती है, जबकि AI अक्सर ऐसे पैटर्न बनाता है जो सममित या गणितीय रूप से नियमित क्रम में दोहराए जाते हैं।
इन बनावट संकेतों पर ध्यान दें:
- इमारती सामग्री: ईंट की दीवारें जिनकी अलग-अलग ईंटें लगभग एक जैसी दिखें
- कपड़े की बुनाई: टेक्सटाइल पैटर्न जो बिना प्राकृतिक अनियमितता के दोहराए जाते हैं
- प्राकृतिक सतहें: लकड़ी की बनावट जिसमें जैविक विविधता के बजाय एल्गोरिदमिक नियमितता हो
- त्वचा की बनावट: रोमकूप लगभग परफ़ेक्ट ग्रिड में हों, न कि रैंडम जैविक पैटर्न में
तुलना दिखाती है कि AI असली इमारती सामग्री की प्राकृतिक खामियों, जैसे ईंटों का मौसम से घिसना और मॉर्टार की विविधता, को दोहराने में कैसे संघर्ष करता है।
रोशनी और छाया की असंगतियाँ
AI सिस्टम के लिए भौतिक रोशनी की सुसंगति अब भी चुनौती है। असली दृश्यों में एक ही, सुसंगत प्रकाश स्रोत होता है, जो ऐसी छायाएँ बनाता है जो एक ही दिशा में जाती हैं और जिनमें रोशनी का सही क्षय होता है।
आम रोशनी की गड़बड़ियों में शामिल हैं:
- कई छाया दिशाएँ: वस्तुएँ ऐसी छाया डालती हैं जो एक ही प्रकाश स्रोत से मेल नहीं खातीं
- तीव्रता की गड़बड़ी: छायाएँ दृश्य की रोशनी के हिसाब से बहुत गहरी या बहुत हल्की
- रिफ़्लेक्शन की गलतियाँ: सतहें ऐसी चीज़ें दिखाती हैं जो आसपास के माहौल में मौजूद ही नहीं हैं
- ग्लोबल इल्यूमिनेशन आर्टिफ़ैक्ट: रोशनी जो भौतिक रूप से सिमुलेट होने के बजाय "पेंट की हुई" लगती है
जैविक अपूर्णता की अनुपस्थिति
इंसानी शरीर और प्राकृतिक जीवों में सूक्ष्म अपूर्णताएँ होती हैं, जिन्हें AI अक्सर छोड़ देता है या सरल बना देता है।
मैक्रो तुलना दिखाती है कि AI से बनी त्वचा में असली इंसानी एपिडर्मिस की जैविक जटिलता नहीं होती, जिसमें रोमकूपों का प्राकृतिक वितरण और सूक्ष्म पिगमेंटेशन के बदलाव शामिल हैं।
जाँचने योग्य जैविक संकेत:
- त्वचा की बनावट: प्राकृतिक रोमकूप, बारीक रोएँ और सूक्ष्म पिगमेंटेशन के बदलाव
- आँख के विवरण: असली रेडियल फ़ाइबर और क्रिप्ट वाले आइरिस पैटर्न
- बालों की जटिलता: अलग-अलग बाल जिनकी मोटाई में प्राकृतिक अंतर हो
- नसों के पैटर्न: जैविक शाखाएँ, न कि पेंट किए हुए जैसे दिखने वाले निशान
विभिन्न AI मॉडल अलग-अलग निशान कैसे छोड़ते हैं
सभी AI इमेज जनरेटर एक जैसे आर्टिफ़ैक्ट नहीं बनाते। मॉडल-विशेष विशेषताओं को समझने से संदिग्ध इमेज के पीछे की टेक्नोलॉजी का अंदाज़ा लगाने में मदद मिलती है।
Flux मॉडल की विशेषताएँ
Flux आर्किटेक्चर आम तौर पर ऐसी इमेज बनाता है जिनमें:
- टेक्सचर में मज़बूत तालमेल, लेकिन कभी-कभी दोहराव
- बेहतरीन कलर रिप्रोडक्शन, प्राकृतिक सैचुरेशन के साथ
- माइक्रो-डिटेल के स्तर पर कभी-कभी अप्राकृतिक शार्पनेस
- एकसमान लाइटिंग, हालाँकि शैडो की दिशा में छोटी-मोटी दिक्कतें रहती हैं
Stable Diffusion की खासियतें
Stable Diffusion के वर्ज़न अक्सर ये दिखाते हैं:
- कुछ आउटपुट में विशिष्ट "पेंटरली" गुण
- यथार्थवाद के साथ मिले कभी-कभार अतियथार्थवादी तत्व
- वस्तुओं की सीमाओं पर टेक्सचर ब्लेंडिंग के आर्टिफ़ैक्ट
- रंग पैलेट की विशिष्ट पसंद
DALL-E 3 के पैटर्न
DALL-E 3 की इमेज अक्सर ये दिखाती हैं:
- तार्किक दृश्य व्यवस्था के साथ उच्च संरचनात्मक सुसंगति
- टेक्स्ट रेंडर करने की क्षमता (हालाँकि अक्सर अपूर्ण)
- वस्तुओं के संबंधों की संदर्भगत समझ
- कभी-कभी "बहुत परफ़ेक्ट" दिखना, जिसमें प्राकृतिक अव्यवस्था की कमी हो
शरीर रचना की चुनौती: AI इंसानी आकृति के साथ क्यों संघर्ष करता है
ज़बरदस्त तरक़्क़ी के बावजूद, मानव शरीर रचना AI इमेज जनरेशन के सबसे कठिन क्षेत्रों में से एक बनी हुई है। जैविक संरचनाओं की जटिलता और इंसानों की उनसे जानी-पहचानी परिचितता मिलकर प्रामाणिकता का ऊँचा मानदंड बनाती हैं।
तुलनात्मक विश्लेषण दिखाता है कि AI में बालों की रेंडरिंग अक्सर असली इंसानी बालों की जैविक जटिलता कैसे खो देती है, जिसमें बालों की प्राकृतिक विविधता और वास्तविक रोशनी की प्रतिक्रिया शामिल है।
हाथ और उंगलियों की गड़बड़ियाँ
डिजिटल अंग बनाना खास तौर पर कठिन होता है:
- उंगलियों की गिनती की गलतियाँ: अतिरिक्त या गायब अंक
- जोड़ों की जगह की समस्याएँ: अजीब उंगली कोण और अनुपात
- हथेली की रेखाओं के आर्टिफ़ैक्ट: रेखाएँ जो जैविक होने के बजाय पेंट की हुई लगें
- नाखूनों की असंगति: अस्वाभाविक आकार, बनावट या रोशनी
आँख और चेहरे की संरचना
चेहरे की विशेषताएँ इन तरीकों से सिंथेटिक स्रोत उजागर करती हैं:
- आइरिस पैटर्न का दोहराव: ग्रुप फ़ोटो में लगभग एक जैसी आँखें
- पुतली की परफ़ेक्शन: सूक्ष्म खामियों के बिना बहुत परफ़ेक्ट गोल आकार
- पलकों की नियमितता: जैविक वितरण के बजाय गणितीय रूप से एकसमान दूरी
- चेहरे की समरूपता: लगभग परफ़ेक्ट मिररिंग जो इंसानी विविधता से आगे निकल जाए
अत्यधिक क्लोज़-अप तुलना दिखाती है कि AI से बनी आँखों में असली इंसानी आइरिस पैटर्न और प्राकृतिक पलकों के वितरण की जटिल जैविक प्रामाणिकता अक्सर नहीं होती।
पर्यावरण और भौतिकी की खामियाँ
जैविक तत्वों से आगे, पर्यावरणीय भौतिकी और सामग्री के गुण अक्सर सूक्ष्म असंगतियों के ज़रिए AI जनरेशन को उजागर कर देते हैं।
पानी और द्रव सिमुलेशन
तरल पदार्थों की भौतिकी अब भी बेहद चुनौतीपूर्ण है:
तुलना दिखाती है कि AI अक्सर प्राकृतिक द्रव गतिकी के साथ कैसे संघर्ष करता है, और जैविक आवृत्ति वितरण के बजाय सममित दोहराव वाले लहर पैटर्न बनाता है।
पानी से जुड़े आर्टिफ़ैक्ट में शामिल हैं:
- लहर पैटर्न का दोहराव: जैविक आवृत्ति वितरण के बजाय सममित क्रम
- झाग की दिखावट: भौतिक उथल-पुथल के सिमुलेशन के बजाय पेंट किया हुआ सा झाग
- अपवर्तन की गलतियाँ: पृष्ठभूमि की चीज़ों का अवास्तविक मुड़ना
- सतह का तनाव: बहुत परफ़ेक्ट किनारे, बिना प्राकृतिक मेनिस्कस प्रभाव के
शहरी और स्थापत्य ज्यामिति
निर्मित वातावरण एल्गोरिदमिक सोच को उजागर करते हैं:
एरियल तुलना दिखाती है कि AI से बने शहरी दृश्य अक्सर जैविक शहरी अव्यवस्था के बजाय एल्गोरिदमिक व्यवस्था दिखाते हैं, जिनमें इमारतों के पैटर्न सममित ग्रिड में दोहराए जाते हैं।
स्थापत्य के संकेत:
- खिड़की के पैटर्न का दोहराव: सममित ग्रिड व्यवस्था
- वाहनों का वितरण: जैविक ट्रैफ़िक पैटर्न के बजाय गणितीय रूप से समान दूरी पर
- छाया की सुसंगति: कई विरोधी छाया दिशाएँ
- वायुमंडलीय परिप्रेक्ष्य: प्राकृतिक जमाव के बजाय पेंट किए हुए जैसा कोहरा
कपड़े और सामग्री की बनावट
जटिल सामग्री के गुण प्राकृतिक विविधता को दोहराने की AI की क्षमता को चुनौती देते हैं:
साइड-बाय-साइड तुलना दिखाती है कि AI से बने कपड़ों में अक्सर बुनाई के पैटर्न का दोहराव और रंग की एकरूपता दिखती है, जिसमें असली कपड़ों की जैविक अनियमितताएँ नहीं होतीं।
कपड़े और सामग्री के संकेत:
- बुनाई पैटर्न की नियमितता: जैविक धागे की अनियमितता के बजाय सममित ग्रिड
- रंग विविधता की अनुपस्थिति: बिना प्राकृतिक ग्रेडिएंट के बहुत एकसमान रंग
- घिसावट के आर्टिफ़ैक्ट: असली घिसावट के बजाय पेंट किए हुए जैसे उधड़ते धागे
- छाया निर्माण: कपड़े के ड्रेप की भौतिकी से मेल न खाने वाली छाया
तकनीकी पहचान के तरीके
दृश्य जाँच के अलावा, कई तकनीकी तरीके AI से बनी इमेज पहचानने में मदद कर सकते हैं।
मेटाडेटा विश्लेषण
डिजिटल फ़ाइल का मेटाडेटा कभी-कभी सुराग देता है:
- सॉफ़्टवेयर के निशान: जनरेशन टूल पहचाने जा सकने वाला मेटाडेटा छोड़ सकते हैं
- निर्माण तिथि की गड़बड़ियाँ: टाइमस्टैम्प जो बताए गए स्रोत से मेल न खाएँ
- कलर प्रोफ़ाइल की असंगतियाँ: असामान्य कलर स्पेस या प्रोफ़ाइल डेटा
- कम्प्रेशन आर्टिफ़ैक्ट: किसी खास जनरेटर के विशिष्ट पैटर्न
फ़ोरेंसिक विश्लेषण टूल
विशेष सॉफ़्टवेयर सांख्यिकीय पैटर्न पहचान सकता है:
| टूल | तरीका | प्रभावशीलता |
|---|
| AI or Not | सांख्यिकीय पैटर्न विश्लेषण | स्पष्ट मामलों के लिए अच्छा |
| Hive Moderation | मल्टी-मॉडल डिटेक्शन | उच्च सटीकता |
| Sensity AI | डीपफ़ेक डिटेक्शन | चेहरों के लिए विशेष |
| Forensically | मेटाडेटा और एरर लेवल विश्लेषण | तकनीकी उपयोगकर्ता की ज़रूरत |
एरर लेवल विश्लेषण
ELA (Error Level Analysis) कम्प्रेशन की असंगतियों की जाँच करता है:
- एकसमान एरर लेवल AI जनरेशन का संकेत देते हैं
- असंगत कम्प्रेशन संभावित छेड़छाड़ की ओर इशारा करता है
- किनारों के आर्टिफ़ैक्ट जनरेशन की सीमाएँ उजागर करते हैं
- टेक्सचर पैटर्न विश्लेषण एल्गोरिदमिक नियमितता दिखाता है
पहचान की चुनौतियों का विकास
जैसे-जैसे AI इमेज जनरेशन बेहतर होता है, डिटेक्शन के तरीकों को भी उसी अनुपात में विकसित होना होगा।
मौजूदा डिटेक्शन की सीमाएँ
AI इमेज की पहचान में मौजूदा चुनौतियाँ:
- तेज़ मॉडल विकास: नए वर्ज़न पिछले आर्टिफ़ैक्ट कम कर देते हैं
- हाइब्रिड इमेज: AI जनरेशन के साथ असली तत्वों का मिश्रण
- पोस्ट-प्रोसेसिंग: एडिटिंग टूल जनरेशन के आर्टिफ़ैक्ट छिपा देते हैं
- एडवर्सेरियल ट्रेनिंग: ऐसे मॉडल जिन्हें खास तौर पर डिटेक्शन से बचने के लिए ट्रेन किया गया है
भविष्य के डिटेक्शन के तरीके
भविष्य के डिटेक्शन के लिए उभरती रणनीतियाँ:
- टेम्पोरल विश्लेषण: समय के साथ वीडियो की सुसंगति
- भौतिकी सिमुलेशन: भौतिक रूप से संभव होने की जाँच
- मल्टी-मोडल विश्लेषण: विज़ुअल, मेटाडेटा और संदर्भगत संकेतों को मिलाना
- ब्लॉकचेन सत्यापन: डिस्ट्रीब्यूटेड लेजर के ज़रिए प्रामाणिकता की ट्रैकिंग
व्यावहारिक सत्यापन के चरण
जब आपको ऑनलाइन कोई संदिग्ध इमेज मिले, तो इस व्यवस्थित सत्यापन प्रक्रिया का पालन करें:
टेक्स्ट प्रॉम्प्ट से लेकर न्यूरल नेटवर्क प्रोसेसिंग और विशिष्ट आर्टिफ़ैक्ट वाले अंतिम आउटपुट तक, AI इमेज जनरेशन के पीछे की तकनीकी प्रक्रिया का दृश्य।
चरण-दर-चरण जाँच:
- प्रारंभिक प्रभाव: क्या रोशनी, बनावट या शरीर रचना में कुछ "गड़बड़" लगता है?
- विवरण का बड़ा रूप: बनावट, किनारों और बारीक विवरणों पर ज़ूम करें
- छाया विश्लेषण: रोशनी की दिशा और तीव्रता में सुसंगति जाँचें
- जैविक जाँच: त्वचा, आँखें, बाल और हाथ देखें
- पैटर्न खोज: बनावट के दोहराव या गणितीय नियमितता को खोजें
- संदर्भ मूल्यांकन: क्या इमेज अपने माहौल में तार्किक रूप से सही लगती है?
- तकनीकी जाँच: मेटाडेटा और कम्प्रेशन पैटर्न देखें
- रिवर्स इमेज सर्च: डुप्लिकेट या पुराने वर्ज़न खोजें
जिज्ञासा से आगे, यह क्यों मायने रखता है
AI इमेज डिटेक्शन को समझने के व्यावहारिक प्रभाव हैं, जो केवल तकनीकी रुचि से कहीं आगे जाते हैं।
डिजिटल साक्षरता की ज़रूरतें
आज के ऑनलाइन माहौल में विज़ुअल मीडिया साक्षरता इन कामों के लिए ज़रूरी हो गई है:
- समाचार का उपभोग: असली और सिंथेटिक समाचार इमेज में फ़र्क करना
- सोशल मीडिया नेविगेशन: छेड़छाड़ की गई या जनरेट की गई सामग्री पहचानना
- व्यावसायिक मूल्यांकन: असली उत्पाद फ़ोटो और AI रेंडर में फ़र्क करना
- शैक्षिक ईमानदारी: असली शैक्षिक सामग्री की पुष्टि करना
नैतिक और कानूनी विचार
AI इमेज की बढ़ती संख्या महत्वपूर्ण सवाल खड़े करती है:
- कॉपीराइट के मुद्दे: AI से बनी सामग्री का स्वामित्व
- प्रामाणिकता के मानक: सिंथेटिक मीडिया के लिए खुलासे की आवश्यकताएँ
- छेड़छाड़ की नैतिकता: डिजिटल बदलाव की स्वीकार्य सीमाएँ
- ऐतिहासिक रिकॉर्ड: असली और सिंथेटिक दृश्य इतिहास का संरक्षण
ज़िम्मेदारी से अपनी AI इमेज बनाना
अगर आप खुद AI इमेज बनाने के साथ प्रयोग करते हैं, तो इन ज़िम्मेदार तरीकों पर विचार करें:
खुलासा और पारदर्शिता
स्पष्ट लेबलिंग डिजिटल भरोसा बनाए रखने में मदद करती है:
- वॉटरमार्क का संकेत: AI से बनी सामग्री को साफ़ तौर पर चिह्नित करें
- मेटाडेटा में जानकारी: फ़ाइल मेटाडेटा में जनरेशन का विवरण जोड़ें
- संदर्भगत खुलासा: जहाँ साझा करें, वहाँ बताएँ कि सामग्री सिंथेटिक है
- उद्देश्य की स्पष्टता: पारदर्शी रहें कि AI जनरेशन क्यों इस्तेमाल हुआ
गुणवत्ता और प्रामाणिकता का संतुलन
तकनीकी गुणवत्ता और नैतिक विचार दोनों के लिए प्रयास करें:
- कलात्मक अभिव्यक्ति: AI को रचनात्मक औज़ार के रूप में इस्तेमाल करें, धोखे के साधन के रूप में नहीं
- सुधार पर ध्यान: स्पष्ट आर्टिफ़ैक्ट कम करने पर काम करें
- हाइब्रिड तरीके: AI को असली तत्वों के साथ उचित रूप से मिलाएँ
- निरंतर सीखना: बदलती क्षमताओं और सीमाओं की जानकारी रखें
निरंतर विकास
मानवीय धारणा और AI जनरेशन के बीच का संबंध लगातार विकसित होता रहेगा। जैसे-जैसे पहचान के तरीके बेहतर होंगे, वैसे-वैसे जनरेशन की तकनीकें भी बेहतर होंगी, और इस तरह तकनीकी प्रगति का एक चलता रहने वाला चक्र बनेगा।
आगे देखने योग्य मुख्य रुझान:
- आर्टिफ़ैक्ट जनरेशन में कमी: नए मॉडल मौजूदा खामियों को कम कर रहे हैं
- विशेष जनरेटर: खास तरह की इमेज के लिए डोमेन-विशिष्ट AI
- रियल-टाइम जनरेशन: ब्राउज़िंग या इंटरैक्शन के दौरान तुरंत इमेज बनाना
- कैप्चर के साथ एकीकरण: असली फ़ोटोग्राफ़ी का AI से एन्हांसमेंट
ऑनलाइन दिखने वाली इमेज अब असली और सिंथेटिक के बीच के स्पेक्ट्रम पर होंगी, और उनमें से कई दोनों के तत्व मिलाने वाली हाइब्रिड स्थिति में होंगी। इस माहौल में सही राह चुनने का कौशल विकसित करना समकालीन ऑनलाइन बातचीत की एक ज़रूरी डिजिटल दक्षता है।
आगे क्या होगा यह तकनीकी प्रगति और सामाजिक अनुकूलन, दोनों पर निर्भर करेगा। जैसे-जैसे AI इमेज जनरेशन अधिक परिष्कृत होगी, विज़ुअल जानकारी को पहचानने, परखने और संदर्भ में समझने की हमारी सामूहिक क्षमता को भी उसी अनुपात में विकसित होना होगा। यह केवल एक तकनीकी चुनौती नहीं, बल्कि डिजिटल स्पेस में साझा वास्तविकता बनाए रखने की एक सांस्कृतिक और शैक्षिक अनिवार्यता है।
सबसे प्रभावी तरीका तकनीकी औज़ारों को मानवीय अवलोकन के साथ जोड़ना है, यह मानते हुए कि AI भरोसेमंद इमेज बना सकता है, फिर भी अर्थ, संदर्भ और प्रामाणिकता का मूल्यांकन करने के लिए इंसानी विवेक ज़रूरी रहता है। मौजूदा AI इमेज टेक्नोलॉजी की क्षमताओं और सीमाओं, दोनों को समझकर, हम ऑनलाइन विज़ुअल से अधिक आलोचनात्मक और रचनात्मक ढंग से जुड़ सकते हैं।
इस बदलते माहौल में आपकी भूमिका में संदेह और रचनात्मकता, दोनों शामिल हैं: जो आप देखते हैं उस पर सवाल उठाना, और साथ ही अभिव्यक्ति के नए रूपों की सराहना करना। ऑनलाइन मिलने वाली AI इमेज तकनीकी उपलब्धि और कलात्मक संभावना, दोनों का प्रतिनिधित्व करती हैं, और रचना, वितरण और व्याख्या के एक जटिल तंत्र में मौजूद हैं जो हमारी दृश्य दुनिया को लगातार नया आकार दे रहा है।
