Keeper Rate for AI-profilbilder: hvorfor bare rundt 20 av 100 bilder er brukbare

Hva er keeper rate?

Keeper rate = antall bilder du faktisk er villig til å bruke ÷ totalt antall bilder verktøyet leverer. Denne artikkelen bruker den målestokken på alle verktøy, også AIHeadshotNow.

Det er et interessant fenomen i bransjen: nesten alle verktøy selger på «antall leverte bilder» (100, 120 …), men nesten ingen vil snakke om keeper rate. Grunnen er enkel – på teknologilinjen «generell modell + finjustering» er feilbildene strukturelle: modellen er ikke spesialtrent på at «hvert bilde må ligne deg og hvert bilde må holde», så variansen blir stor.

Erfarne Reddit-brukere sier det rett ut: regn med at én av tre kan brukes. Men det er ikke en teknologisk tak – det er resultatet av et valg av teknologilinje. Velger man en annen linje, kan keeper rate bli helt annerledes. Det er det denne artikkelen handler om.

Testdataene: slik står det til i bransjen

Vi har samlet offentlig tilgjengelige uavhengige tester og brukerinnspill i én tabell. To forbehold: utvalg og målemetode varierer mellom testene, så tallene viser bare retning; og de fleste verktøy publiserer ingen offisiell keeper rate, så alle tall under kommer fra uavhengige kilder.

To ting fortjener egen fremheving: HeadshotPros egen refusjonsside er oppriktig skrevet – de fleste bilder vil ikke bli keepere, og bestillingen din vil inneholde noen rare bilder; det som står på refusjonssiden, er langt mer ærlig enn markedsføringssidene. Og 90–95% som Aragon AI reklamerer med, er deres egne tall uten tredjepartsverifikasjon – ta dem med en klype salt.

De fire typiske årsakene til feilbilder

Å forstå hvorfor feilbildene oppstår, er nøkkelen til å forstå hvorfor de kan løses. Fellesskapets hyppigste feilpunkter samler seg i fire kategorier:

• Similarity drift (likheten glipper) – resultatet ligner en fjern slektning: proporsjonene stemmer, men uttrykket og skallestrukturen har endret seg. Vanligste årsak; roten er at modellens identitetsankring er for svak.
• Frisyren skrives om – langhårede brukere får bob-frisyre, korthårete får strukket håret, skallerede får hår. Langhårede kvinner rammes hardest; flere tester peker direkte på problemet.
• Trekkforurensning – en føflek eller fregner dukker opp uten grunn, eller brilleglassrefleksen blir feil. På Trustpilot finnes brukerrapporter om at rundt 70% av de leverte bildene har føflekker på merkelige steder.
• Same-face syndrome – 100 bilder med nesten identisk ansiktsuttrykk, bare vinkelen er forskjøvet; ingen av dem lever.

Legg merke til fellestrekket: alle fire er komplikasjoner av «utilstrekkelig identitetsmodellering». Modellen har ikke lært «hvem du er», så den lander tilfeldig mellom «litt som deg» og «litt ikke som deg» – der ligger matematikken bak lav keeper rate.

AIHeadshotNow-løsningen: identitetskravet bygget inn i arkitekturen

AIHeadshotNow tok ikke den gamle veien «finjustering av generell modell», men trente en egen motor, ProfessionalHeadshot Engine, fra null for det vertikale scenariet «profesjonelle profilbilder» (full spesifikasjon på teknologisiden). På de fire feilårsakene over er svaret ett for ett, på arkitekturnivå:

To utdypninger. For det første krever IdentityNet bare 1–3 selfier. Tradisjonelle verktøy ber om 10–25 bilder – i praksis kompenseres svak identitetsmodellering med datamengde. En identitetsembbeding på 2048 dimensjoner er designet for å trekke ut «hvem du er» stabilt fra svært få bilder; opplastingsopplevelsen og identitetspresisjonen forbedres samtidig. For det andre er Cosine-similaritet > 0,98 et hardt krav, ikke et slagord – hvert bilde i én generering er betinget av samme identitetsanker, og det undertrykker de to største feilkildene direkte.

Med Texture Refiners porenivå-rekonstruksjon og fysisk relighting kan AIHeadshotNow-leveransen oppsummeres i én setning: hvert bilde genereres med «kan brukes med én gang» som standard – ikke 100 bilder du skal sile 20 brukbare ut av. Du behøver ikke ta vårt ord for det – 3 gratis bilder går gjennom nøyaktig samme pipeline som den betalte; mål keeper rate selv.

Omdømmet til de store verktøyene sammenlignet

Basert på lang tids tilbakemeldinger på Reddit og Trustpilot er de ulike verktøyenes posisjon i keeper rate-spørsmålet omtrent slik:

Kolonnen «bilder som må lastes opp» viser linjeforskjellen alene: jo flere bilder et verktøy krever, jo tydeligere er det at det trenger datamengde for å sette sammen identiteten; AIHeadshotNow presser opplastingen ned til 1–3 bilder og leveringen til rundt 3 minutter, nettopp fordi identitetsmodelleringen allerede er gjort i arkitekturen.

6 steg for å høyne keeper rate i utvalget

Uansett hvilket verktøy du bruker, hjelper denne rutinen deg med å heve andelen «klar til bruk med én gang»:

1. Sett forventningenePå generelle verktøy, regn med 20–40% keeper rate; på verktøy med egen motor (som AIHeadshotNow) kan du teste direkte mot standarden «hvert bilde brukbart».
2. Første runde grovsorteringSlett først alt som er galt ved første blikk: feil frisyre, glippende trekk, feil kropsdeler.
3. Zoom inn på risikoområdeneHårkant, briller, tenner, logo på kragen – de fire punktene der tradisjonelle verktøy feiler mest.
4. Grupper etter scenarioGrupper kandidatene etter uttrykk/scenario, behold 1–2 av de beste per gruppe, så du ikke ender med 10 bilder av samme ansikt.
5. Test på et ekte menneskeSend til venn eller familie; om det ligner deg ved første blikk er mer pålitelig enn at du stirrer selv.
6. Heller få enn mangeBehold 3–5 av de beste. LinkedIn trenger ett godt bilde, ikke 20 middelmådige.

Regn ut den ekte prisen per brukbart bilde

Å sammenligne priser på levert antall bilder er regnestykket bransjen vil at du skal bruke; det riktige er prisen per brukbart bilde:

Hele prislisten til AIHeadshotNow er Basic $29/30 bilder, Standard $39/50 bilder, Pro $59/90 bilder – engangskjøp, kreditter gyldige i ett år, ingen abonnement og ingen skjulte kostnader ved ny kjøring. Med 3 gratis bilder er beslutningskostnaden null: mål keeper rate gratis først, betal når du er fornøyd.

Vanlige spørsmål

Avslutning i én setning: ikke betal for antall leverte bilder – betal for at «hvert bilde kan brukes». Keeper rate-forskjellen er ikke en driftsforskjell, men en forskjell i teknologilinje – test selv én gang med 3 gratis bilder fra AIHeadshotNow, så blir svaret åpenbart.