Pourquoi votre score facial peut changer d'un envoi à l'autre. Et ce que nous y faisons.
Vous n'imaginez rien
Une inquiétude courante avec l'analyse faciale par IA : la même photo, envoyée plusieurs fois, peut revenir avec un chiffre différent à chaque fois. Si un score change alors que rien n'a changé sur votre visage, l'app ne mesure rien. Elle génère un chiffre qui a l'air plausible.
Cela dépasse la simple fierté. Si votre référence est aléatoire, votre progression est impossible à mesurer. Un +4 après un mois de soins de la peau disciplinés pourrait n'être que les dés qui tombent différemment.
Pourquoi les scores d'IA peuvent varier
Trois raccourcis techniques peuvent en être la cause. D'abord, une app peut envoyer votre photo à un modèle de langage avec une consigne vague (« note ce visage de 1 à 10 ») et sans critères fixes, si bien que le modèle improvise un jugement différent à chaque fois. Ensuite, l'aléatoire d'échantillonnage : les mêmes réglages qui font qu'un chatbot formule les choses différemment à chaque conversation font qu'un score tombe différemment à chaque envoi. Enfin, un retraitement incohérent de votre image : recadrages différents, compression différente, données d'entrée différentes.
Ce qu'il faut pour rendre un score reproductible
Nous avons construit Glowster autour d'une seule promesse : renvoyez exactement le même fichier photo et vous obtenez les mêmes scores. Cinq mécanismes rendent cela vrai. (1) Prétraitement déterministe : chaque envoi est redimensionné et normalisé de la même façon, donc le modèle voit une entrée identique pour des photos identiques. (2) Une grille ancrée et versionnée : le modèle évalue selon des définitions de bande fixes et écrites pour chaque sous-facteur - pas au feeling - et chaque score est associé à la version de grille qui l'a produit. (3) Nous ne supprimons pas l'aléatoire d'échantillonnage propre du modèle - nous ne le contrôlons pas - mais nous n'en avons pas besoin : la stabilité du score vient de la grille ancrée et du mécanisme suivant. (4) Plusieurs passages d'analyse indépendants dont on prend la médiane - et davantage de passages automatiquement en cas de désaccord - de sorte que le bruit résiduel du modèle s'annule plutôt que d'être éliminé à la source. (5) C'est l'app qui fait le calcul, pas le modèle : le modèle n'évalue que quatorze sous-facteurs nommés, et vos scores par trait et votre total sont calculés à partir d'eux par une formule pondérée publiée. Le chiffre principal est de l'arithmétique sur ces sous-scores, jamais une valeur improvisée par le modèle - exactement le mode de défaillance de dérive décrit plus haut.
Quand nous changeons quoi que ce soit à la grille ou au modèle, le numéro de version change, et nous revalidons la cohérence sur un ensemble fixe de photos avant la mise en production. Vos anciens scores restent comparables aux nouveaux, ou nous vous disons qu'ils ne le sont pas.
Pourquoi c'est tout le produit
Un score cohérent est ce qui rend le reste significatif. Votre plan de 90 jours cible vos traits aux scores les plus bas - cela ne fonctionne que si ces scores sont un vrai signal. Chaque bilan montre un écart - cela ne compte que si cet écart est réel. Un score qui dérive ne peut vous vendre que le premier scan. Nous pouvons vous montrer le second en train de bouger.
Testez-nous.
Faites votre scan, notez votre chiffre, puis scannez à nouveau la même photo à votre prochain bilan. Si nous avons tort sur la cohérence, vous le saurez - c'est justement le but.
Obtenir mon score reproductible →