После этого он оставил 72 фотографии, предложенные только ИИ, и удалил 30 из своего первоначального отбора. Разбираем, что показал этот результат и насколько он позволяет доверять автоматическому отбору.
Цель исследования
Проверить, насколько выбор ИИ соответствует предпочтениям конкретного фотографа и какую пользу приносит совместный просмотр двух подборок.
Отбор фотографий зависит сразу от нескольких решений: выражения лиц, позы, резкости, композиции и места кадра в серии. При этом технически несовершенный исходник может оказаться ценным для дальнейшей обработки. Поэтому просьба «выбери лучшие фотографии» оставляет слишком много пространства для разных трактовок.
Это исследование одного рабочего случая. Оно описывает опыт фотографа и не претендует на универсальную оценку качества ИИ.
Материал и метод
Для сравнения использовали съёмку пары из 3491 RAW-файла. Ассистенту задали диапазон от 165 до 170 фотографий. Главный приоритет — люди должны выглядеть красиво; улыбка сама по себе не давала кадру преимущества.
Руслан работал с GPT-6 Astra в Codex с очень высоким уровнем reasoning, то есть с настройкой, позволяющей модели уделять больше ресурсов рассуждению. Другие модели и настройки в этом эксперименте не сравнивали.
ИИ анализировал превью исходников, просматривал серии по времени съёмки и увеличивал спорные варианты. Оценивалась пригодность фотографий для дальнейшей обработки: экспозицию, горизонт и некоторые недостатки фона предполагалось исправлять позже.
Первый этап — независимый отбор. Фотограф выбрал 169 кадров, ассистент — 165. Второй этап — повторный просмотр объединённой подборки. По описанию Руслана, он удалял не понравившиеся фотографии, не зная, чей выбор перед ним.
С учётом 16 совпадений в объединённой подборке было 318 уникальных кадров. После слепого просмотра осталось 211.
Результаты
Первоначальное совпадение составило 9,7% от подборки ИИ и 9,5% от подборки фотографа. Это доля одинаковых файлов в двух списках.
После слепого просмотра результаты распределились следующим образом.
| Первоначальный отбор | Кадров до теста | Сохранилось | Удалено |
|---|---|---|---|
| Фотограф | 169 | 139 — 82,2% | 30 — 17,8% |
| ИИ | 165 | 87 — 52,7% | 78 — 47,3% |
Из 16 общих кадров сохранились 15. Они входят в обе строки таблицы, поэтому итоговые числа нельзя просто складывать.
Без повторного счёта финальная подборка состояла из 124 кадров, выбранных только фотографом, 72 кадров, выбранных только ИИ, и 15 общих.
Первоначальный отбор фотографа лучше выдержал повторную оценку по его собственным предпочтениям: сохранилось 82,2% против 52,7%. Одновременно ассистент предложил 72 дополнительных снимка, которые Руслан решил оставить.
Если рассматривать только предложения ИИ, отсутствовавшие в первом отборе фотографа, были приняты 72 из 149 — 48,3%. Почти половина этих альтернатив оказалась востребованной.
Сам фотограф пересмотрел 30 своих первоначальных решений. Это 17,8% его первого отбора и 9,4% объединённой подборки.
Почему десять процентов совпадений не описывают весь результат
В короткой серии несколько фотографий могут передавать одну сцену. На одной человек улыбается, на другой у него более естественное выражение лица. Фотограф и ИИ могут выбрать соседние кадры и получить нулевое совпадение по файлам, сохранив при этом один и тот же эпизод.
Но сходство кадров не всегда означает их равнозначность. В одном могут быть резкими глаза, в другом — рука перед лицом. Даже небольшое различие в положении головы или кисти бывает решающим для портрета.
Поэтому низкий процент совпадения требует визуального разбора. Он может означать как другой выбор удачного дубля, так и пропущенный важный момент.
Доля сохранённых после теста фотографий тоже не равна «точности нейросети». Она показывает, какую часть предложений принял конкретный человек при повторном просмотре. 9,7% совпадений и 52,7% сохранённых кадров измеряют разные вещи. Их нельзя представлять как рост качества модели после обучения.
Что обнаружилось при разборе фотографий
Одно из главных расхождений касалось выражений лиц. Для Руслана яркая эмоция не всегда важнее красивого портрета. Спокойное, естественное выражение может оказаться удачнее улыбки, пойманной в промежуточной фазе.
Обсуждение затронуло и позы, положение рук, взаимодействие пары, фон. Эти детали редко существуют отдельно: хорошее лицо может сочетаться с напряжённой кистью, а удачный жест — с веткой прямо за головой. Здесь требуется сравнение близких вариантов и понимание того, какой компромисс фотограф готов принять.
Самое конкретное техническое замечание относилось к резкости. По впечатлению Руслана, в отборе ИИ оказалось больше нерезких кадров, чем хотелось бы. В одном из сравнений ассистент выбрал портрет с резкой рукой и мягким лицом, хотя соседний кадр из человеческого отбора давал более резкое лицо.
Общую долю промахов фокуса в эксперименте не измеряли. Этот пример показывает конкретную ошибку и необходимость увеличивать финальных кандидатов. Возможность исправить экспозицию или фон при обработке не делает все недостатки исходника равноценными.
После разбора требования уточнили. Обновлённая инструкция ещё не прошла отдельную проверку на новой съёмке, поэтому её эффективность пока нельзя выражать в процентах.
Время и расход подписки
По оценке Руслана, ручной отбор обычно занимает у него как минимум полдня, а работа ассистента — около 10–15 минут. После неё остаются человеческий просмотр и исправления.
Это практическое наблюдение, а не замер полного цикла. Время подготовки, обсуждения и окончательной проверки отдельно не фиксировали. Поэтому эти цифры показывают потенциал ускорения, но не доказывают, что готовый результат можно получить за 15 минут.
Руслан использует Pro за $100 в месяц. По его наблюдениям, один отбор расходует 3–5% недельного лимита. Это расход в его задачах с его настройками, а не установленная стоимость обработки одной съёмки. На использование лимита влияют модель, reasoning, контекст и инструменты. Описание тарифов и использования OpenAI.
Учится ли ИИ вкусу фотографа
В ходе этого опыта отдельного обучения весов модели не проводили. Обратная связь помогала уточнять задание: какие различия замечать, как сравнивать варианты и какие компромиссы допустимы.
Примеры и объяснения могут направлять ответ, пока доступны модели в контексте. Это принципиально отличается от дообучения самой нейросети. Документация OpenAI о примерах в контексте.
Практическая ценность такого диалога — в превращении привычного фотографического решения в понятный критерий. Но устойчивость этих критериев предстоит проверять на следующих съёмках.
Ограничения
Эксперимент проведён на одной съёмке с одним оценщиком, которому материал уже был знаком. Скрывалось происхождение выбора. Независимая экспертная оценка и случайный порядок показа не были частью описанной процедуры.
Финальная подборка из 211 кадров больше первоначального диапазона 165–170. При повторном просмотре можно было сохранить больше альтернатив, поэтому условия двух этапов различались.
Кроме того, тест охватывал только фотографии, выбранные хотя бы одной стороной. Хорошие кадры, которые могли пропустить и человек, и ИИ, остались за пределами сравнения.
Выводы
В этом тесте человеческий отбор точнее соответствовал предпочтениям самого фотографа. Ассистент при этом предложил десятки снимков, которые вошли в итоговую подборку, а слепой просмотр привёл к пересмотру части собственных решений Руслана.
Результат поддерживает использование ИИ для предварительного отбора и поиска альтернатив. Для полного доверия окончательному выбору данных пока недостаточно: нужно проверять и качество выбранного, и ценность оставшегося за пределами подборки.
По итогам разборов Руслан собирает рабочий промпт и рассматривает возможность сделать из него отдельный продукт. Полный текст пока закрыт. Следующий шаг — проверить доработанный подход на новых съёмках и понять, насколько регулярно он экономит время без потери важных кадров.
