为什么您的面部分数在每次上传时可能不同。 以及我们的做法。
这不是您的错觉
关于 AI 面部分数,一个常见的担忧是:同一张照片多次上传,每次都可能得到不同的数字。如果您的脸没有任何变化而分数变了,那个应用就什么也没测量,它只是在生成一个听起来合理的数字。
这不仅仅关乎自尊。如果您的起点是随机的,那么您的进度就无法测量。经过一个月严格护肤后出现的+4 分,可能只是骰子掷出了不同的结果而已。
AI 分数为何会波动
可能有三个工程上的偷懒做法导致这种情况。第一,应用可能把您的照片连同模糊的指令(“给这张脸打 1 到 10 分”)发送给语言模型,却没有固定的分析标准,于是模型每次都即兴做出不同的判断。第二,采样随机性:让聊天机器人每次对话措辞不同的同一组设置,也会让分数每次上传都不一样。第三,对图像的处理不一致:裁剪不同、压缩不同、输入也不同。
让分数可重复需要什么
我们围绕一个承诺构建了 Glowster:再次上传完全相同的照片文件,您会得到同一份结果卡。有五个机制让这一点成为现实。(1)确定性预处理:每次上传都以相同的方式调整大小和标准化,因此模型对相同的照片看到的是相同的输入。(2)一套锚定且版本化的分析标准:模型依据每个子项固定的书面等级定义进行打分,而不是凭感觉,每个分数都标注了产生它的分析标准版本。(3)我们不会抑制模型自身的采样随机性,那不在我们的控制范围内,但我们也不需要这样做:分数的稳定性来自锚定的分析标准以及下一个机制。(4)多次独立打分测量并取中位数,当结果不一致时会自动增加测量次数,因此残余的模型噪声会被抵消,而不是在源头被消除。(5)计算由应用完成,而非模型:模型只对十四个命名的子项打分,您的特征分数和总分是通过一个公开的加权公式从中计算得出的。核心数字是对这些子项分数的算术计算,绝不是模型即兴编造的数字,这正是上文所述漂移失效模式的对症解法。
当我们对分析标准或模型进行任何更改时,版本号都会随之改变,并且我们会在发布前针对一组固定的照片重新验证一致性。您旧的分数会与新分数保持可比,或者我们会明确告知您它们不再可比。
为什么这是整个产品的核心
一致的分数是让其他一切都有意义的前提。您的 90 天计划针对的是您分数最低的特征,只有当这些分数是真实信号时,这才有效。每次复测都会显示一个变化量,只有当这个变化量是真实的时,它才重要。会漂移的分数只能向您出售第一次扫描。而我们能让您看到第二次扫描中真实的变化。