Selbstlernend

Die Registerkarte Self Learning (AI Insights & People → Self Learning) ist die Konsole für die automatische Identifizierungs-Pipeline. In den Worten der Seite selbst: Sie "Automatically links unidentified people to real members by correlating visit patterns with check-in data. Useful when members don't have valid profile photos or their photos are of low quality."

Während der Gesichtsabgleich die Frage beantwortet "does this face look like a member's photo?", beantwortet Self Learning eine andere: "does this person's attendance pattern match exactly one member's check-in pattern?" So identifiziert das System Mitglieder, die die Kamera nie zuordnen kann – weil kein Foto vorhanden ist oder es zu schlecht ist, um die Validierung zu bestehen.

Self Learning setzt voraus, dass Enhanced AI Analysis unter CCTV Settings → General aktiviert ist. Ist die Option deaktiviert, werden die Korrelationsläufe gestoppt und der Einstellungsabschnitt Self Learning wird ausgeblendet.

Abbildung 1: Die Ansicht Self Learning – die Karte Decision Flow, Übersichtszahlen und die Profilwarteschlange

Wie ein Profil aufgelöst wird

Abbildung 2: Die Karte Decision Flow – "How profiles resolve", mit dem Zeitstempel des letzten Korrelationslaufs

Die Karte Decision Flow fasst die vier möglichen Ergebnisse genau so zusammen, wie die Benutzeroberfläche sie auflistet:

Im Hintergrund führt jeder Korrelationslauf (der Zeitstempel "Last run:" auf der Karte) für jedes nicht identifizierte Profil Folgendes aus:

1. Korrelieren der Erkennungszeiten des Profils mit den Check-ins der Mitglieder über den Rückblickzeitraum, mit einem Zeitfenster um jeden Check-in (Standard ±10 Minuten).
2. Nachweise zählen. Das Profil benötigt die konfigurierte Mindestanzahl korrelierter Besuche – Standard 8 bei der Voreinstellung Balanced. Profile mit einigen Nachweisen (3+), aber unterhalb des Minimums bleiben In Pipeline: "Profiles still gathering evidence from repeat visits and check-ins." Die Pipeline-Karte zeigt "Average progress" als "N/M visits".
3. Genau einen Kandidaten verlangen. Korrelieren die Besuche mit mehr als einem Mitglied – etwa bei einem Paar, das immer gemeinsam ankommt –, lautet das Ergebnis No match. Das System rät nicht zwischen Kandidaten.
4. Validieren. Bei einem Kandidaten und ausreichend Besuchen laufen Validierungsprüfungen: Übereinstimmung des Geschlechts zwischen den erkannten Merkmalen des Profils und dem Mitgliedsdatensatz (standardmäßig aktiviert) und optional eine Prüfung der Alterstoleranz. Bestanden → Automatically Linked. Nicht bestanden → Pending Review: "Strong timing match, but one or more validation checks did not pass."

Jeder Datensatz trägt einen Konfidenzwert, der sich aus der Anzahl der Besuche, der Anzahl unterschiedlicher Tage und der durchschnittlichen Verzögerung zwischen Check-in und Erkennung ergibt (eine kurze, gleichbleibende Verzögerung erzielt den höchsten Wert).

Alle Schwellenwerte – Mindestbesuche, Rückblickzeitraum, Zeitfenster und Validierungsprüfungen – lassen sich mit den Voreinstellungen Lenient / Balanced / Strict unter Settings → Face Recognition → Self Learning konfigurieren.

Abbildung 3: Die Einstellungen für Self Learning – Voreinstellungen, Mindestbesuche, Rückblickzeitraum, Zeitfenster und Validierungsprüfungen

Die Übersichtskarten

Die Warteschlange

Abbildung 4: Die Warteschlange – Gesichter, Mitglied als Kandidat, Besuche, durchschnittliche Verzögerung, Konfidenzwert und Status

Registerkarten unterteilen die Warteschlange nach Status: In Pipeline, Pending Review, Automatically Linked, Unable to Link, Rejected, Manually Approved und Monitoring. Ein Suchfeld ("Search by name, ID, or personId...") grenzt große Warteschlangen ein, und die Schaltfläche "Duplicates" auf der Registerkarte der Pipeline zeigt vermutete doppelte Shadow Profiles an, die Sie zuerst zusammenführen sollten – Duplikate teilen die Besuchsnachweise auf und verlangsamen alles.

Tabellenspalten: Faces (die Erkennungsfotos des Profils), Person / Member (das Shadow Profile und sein Mitglied als Kandidat), Visits, Avg Lag (vom Check-in bis zur Kameraerkennung), Score, Status, Updated. Zu den Zeilenstatus gehören "Pipeline", "Pending Review", "Automatically Linked", "Unable to Link", "No Match", "Rejected" sowie die vorübergehenden Status "Linking..." und "Link Failed" ("Link failed — will retry on next run").

Ausstehende Übereinstimmungen prüfen

Vergleichen Sie für jede Zeile mit Pending Review die Erkennungsgesichter mit dem Foto des Mitglieds und dessen Besuchsnachweisen, und wählen Sie dann:

• Approve – bestätigt die Übereinstimmung und verknüpft das Profil mit dem Mitglied. Bestätigungen werden einer Person zugeordnet ("Approved by ").
• Reject – schließt die Übereinstimmung aus. Das Dialogfeld fragt nach einem Grund – "Please provide a reason for rejecting this match. This will be recorded for audit purposes." (z. B. "Photos clearly show different people, member data is incorrect, etc."). Abgelehnte Profile werden für dasselbe Mitglied nicht erneut vorgeschlagen.

Zwei weitere Aktionen vervollständigen den Ablauf:

• Link – für Zeilen mit Unable to Link können Sie in einem manuellen Suchdialog selbst das richtige Mitglied auswählen; die zeitlichen Nachweise sind vorhanden, dem automatischen Schritt fehlten lediglich die Daten zum Abschluss.
• Unlink – macht eine automatische Verknüpfung rückgängig. Die Bestätigung beschreibt genau, was passiert: "Are you sure you want to unlink this profile? The face data will remain merged with the member but the self-learn record will be reverted." Wenn Gesichtsdaten fälschlich zusammengeführt wurden, kümmern Sie sich im Profil der Person darum.

Die andere Hälfte: die Erkennung aktuell halten

Self Learning arbeitet auch im Hintergrund bei bereits identifizierten Personen. Ist eine bestätigte Erkennung eine nahezu perfekte Übereinstimmung (Ähnlichkeit ab 99%) und besteht sie die Qualitäts- und Kopfhaltungsprüfungen, kann das System sie als Shadow Photo hinzufügen – begrenzt auf einen kleinen rotierenden Satz von 6 pro Person, mit Wartezeiten, damit ein einzelner Besuch den Satz nicht überflutet. Deshalb sammeln Profile Fotos mit der Kennzeichnung "Auto-added by self-learning" an (Personen und Profile) – und deshalb funktioniert die Erkennung weiterhin, wenn sich Frisur, Bart oder Brille ändern.

Praktische Tipps

• Bearbeiten Sie die Warteschlange Pending Review wöchentlich. Jede Bestätigung verbessert die Identifizierung dauerhaft; jede nicht geprüfte Zeile ist ein Mitglied, das in Ihren Berichten als "Unsure" gezählt wird.
• Führen Sie zuerst Duplikate zusammen. Prüfen Sie die Ansicht "Duplicates" vor der Prüfung – das Zusammenführen bündelt Besuchsnachweise und bringt Profile in der Pipeline oft direkt über den Schwellenwert.
• Eine umfangreiche Registerkarte Unable to Link deutet auf Probleme mit der Datenqualität in Ihrem Mitgliedersystem hin – typischerweise fehlende Namen bei Datensätzen, die einchecken können.
• Paare und Trainingspartner, die immer gemeinsam ankommen, sind der klassische Fall für No match. Identifizieren Sie eine der beiden Personen manuell, und die Mehrdeutigkeit verschwindet auch für die andere.

Verwandte Seiten

• So funktioniert es – wo Self Learning in der Pipeline angesiedelt ist
• Feinabstimmung der Gesichtserkennung – die Voreinstellungen und Schwellenwerte für Self Learning
• Personen und Profile – manuelles Identifizieren und Zusammenführen