V.0.1. Как устроен анализ: технический путевой лист
Анализ eyeCARD — это 4-фазный конвейер в GCP Workflows (9 шагов): ИИ извлекает визуальные признаки, классифицирует их по слоям, детерминированный Math Engine считает векторы и ICC, затем ИИ формирует вердикт. Результат стабилен: при одинаковых входных данных анализ даёт одинаковый результат. Этот документ объясняет, как устроен конвейер «под капотом».
Общая схема конвейера
┌─────────────────────────────────────────────────────────────┐
│ ВИЗУАЛЬНЫЙ ПАСПОРТ │
│ (итоговый JSON + отчёт) │
└─────────────────────────────────────────────────────────────┘
↑
┌───────────────┐
│ ФАЗА P4 │ ← LLM-аудит
│ (ИИ + код) │ (вердикт, степень расхождения)
└───────────────┘
↑
┌───────────────┐
│ MATH ENGINE │ ← Детерминированный алгоритм
│ (ФАЗА P3) │ (нормировка, ICC, векторы)
└───────────────┘
↑
┌───────────────┐
│ ФАЗА P2 │ ← Классификация признаков
│ (ИИ) │ (8 полюсов, 12 архетипов, 7 радикалов)
└───────────────┘
↑
┌───────────────┐
│ ФАЗА P1 │ ← Извлечение признаков
│ (ИИ) │ (что видит ИИ на карточке)
└───────────────┘
↑
┌─────────────────┐
│ ВХОДНЫЕ │
│ ДАННЫЕ │ ← Изображение карточки (ArrayBuffer)
└─────────────────┘Фаза P1: Mapping (Извлечение признаков)
Что делает: ИИ анализирует изображение карточки и извлекает визуальные признаки: цвета, формы, композицию, шрифты, фото, текстуры.
Ключевые шаги:
- p1_3 Ideal Axis: семантическая ось + вектор + архетипы ИДЕАЛА (какой психотип у целевой аудитории этого товара?)
- p1_4 Ideal Radical: ведущий и вспомогательные радикалы ИДЕАЛА
Модель: qwen3.8-omni-flash (DashScope) Температура: 0 (минимальная случайность) Результат: JSON с сырыми признаками + профиль ИДЕАЛА
Фаза P2: Sorting (Классификация признаков)
Что делает: ИИ классифицирует извлечённые признаки по трём измерениям:
- p2_1: распределение визуальных маркеров дизайна по 8 полюсам (4 оси × 2 полюса)
- p2_2: распределение по 12 архетипам
- p2_3: распределение по 7 радикалам
Результат: профиль ФАКТА (какой психотип у текущего дизайна карточки?)
Фаза P3: Math Engine (Детерминированный алгоритм)
Что делает: Python-скрипт на FastAPI (Cloud Run) выполняет:
1. Нормировка counts в проценты
Сырые счётчики маркеров нормируются по весам к единой шкале 0–100% для сравнимости между карточками.
2. Расчёт 4 семантических векторов
На основе классифицированных признаков вычисляются 4 оси (по 2 полюса каждая):
| Ось | Полюс A | Полюс B |
|---|---|---|
| Структура | Стабильность | Изменения |
| Социальность | Индивидуализм | Принадлежность |
| Реализация | Мастерство | Служение |
| Ментальность | Рациональность | Эмоциональность |
Каждый полюс получает процент силы 0–100. В ИДЕАЛ-векторе целевой полюс (vector.end из p1_3) получает 100, остальные — 0; ФАКТ-вектор строится из нормированных счётчиков маркеров дизайна.
3. Расчёт ICC (Индекс Когнитивного Комфорта)
ICC — отклонение фактического числа маркеров ведущего радикала от эталонного веса: штраф = |факт − эталон| / эталон, ICC = (1 − штраф) × 100.
Диапазон: 0–100
- 0–25 — Плохой (визуальный хаос)
- 25–50 — Слабый (много шума)
- 50–75 — Средний (приемлемо, есть запас)
- 75–100 — Хороший (чистый дизайн)
Версия алгоритма нормировки: Soft Clamping V2.1
Статус: Детерминированный алгоритм (не промпт, не ИИ). При одинаковых входных данных результат всегда одинаковый.
Фаза P4: Verdict (LLM-аудит)
Что делает: ИИ сравнивает ИДЕАЛ и ФАКТ профили и генерирует:
- Вердикт (СООТВЕТСТВУЕТ / ЧАСТИЧНО СООТВЕТСТВУЕТ / ПРОТИВОРЕЧИТ)
- Степень расхождения (минимальная / умеренная / критическая) + обоснование
- Влияние на продажи
Evidence-блоки (обоснования модулей СМЫСЛЫ / АРХЕТИПЫ / РАДИКАЛЫ) генерируются ещё на фазе P1 (axis_evidence, archetype_evidence, radical_evidence) и проходят в паспорт без изменений.
Результат: Визуальный паспорт (JSON + HTML/PNG)
Версии методики
| Версия | Дата | Изменения |
|---|---|---|
| V1.0 | 2024-01 | Первый релиз: 3 оси, базовый ICC |
| V2.0 | 2024-06 | 4 оси (добавлена «Ментальность»), улучшенный ICC |
| V2.1 | 2024-09 | Soft Clamping (плавная нормировка), стабилизация |
| V3.0 | 2025-03 | Параллельные ветки Nature/Design в YAML |
| V3.1 | 2025-06 | Отказоустойчивость: глобальные try/except, ретраи |
| V4.0 | 2025-12 | 9-шаговый конвейер в GCP Workflows |
| V4.1 | 2026-08 | Текущая версия (стабильная) |
Почему результат стабилен
Math Engine (фаза P3) — детерминированный алгоритм:
- Нет ИИ-промптов
- Нет случайности
- При одинаковых входных данных результат всегда одинаковый
ИИ-фазы (P1, P2, P4) — с температурой 0:
- Температура 0 = минимальная случайность
- Чёткие промпты с шаблонами
- Валидация результата
Итог: при одинаковых входных данных анализ даёт одинаковый результат (с точностью до незначительных колебаний ИИ).
- Понимайте схему — 4 фазы: P1 (Mapping) → P2 (Sorting) → P3 (Math Engine) → P4 (Verdict).
- Знайте, где ИИ, где код — Math Engine детерминирован, ИИ-фазы — с температурой 0.
- Следите за версиями — методика эволюционирует (changelog).
- Сверяйте версию методики в шапке паспорта — она указывает, какая логика анализа применялась.
- Помните о гарантии стабильности — одинаковые входные данные дают одинаковый результат.
Частые вопросы
О чём статья «Как устроен анализ: технический путевой лист»?
Анализ eyeCARD — это 4-фазный конвейер в GCP Workflows (9 шагов): ИИ извлекает визуальные признаки, классифицирует их по слоям, детерминированный Math Engine считает векторы и ICC, затем ИИ формирует вердикт. Результат стабилен: при одинаковых входных данных анализ даёт одинаковый результат. Этот документ объясняет, как устроен конвейер «под капотом».
Анализ — это один промпт ИИ — правда или миф?
Анализ — это 4-фазный конвейер: 3 ИИ-фазы + 1 детерминированный алгоритм.
Результат каждый раз разный — правда или миф?
Math Engine (фаза P3) — детерминированный алгоритм. Результат стабилен.
Как применить эти знания на практике?
1) Понимайте схему — 4 фазы: P1 (Mapping) → P2 (Sorting) → P3 (Math Engine) → P4 (Verdict). 2) Знайте, где ИИ, где код — Math Engine детерминирован, ИИ-фазы — с температурой 0. 3) Следите за версиями — методика эволюционирует (changelog).