Apprentissage automatique

L'onglet Self Learning (AI Insights & People → Self Learning) est la console du processus d'identification automatique. Selon les termes de la page, il "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."

Là où la correspondance faciale répond à la question "does this face look like a member's photo?", Self Learning répond à une autre question : "does this person's attendance pattern match exactly one member's check-in pattern?" C'est ainsi que le système identifie les membres que la caméra ne peut jamais reconnaître : absence de photo, ou photo trop médiocre pour être validée.

Self Learning nécessite que Enhanced AI Analysis soit activé dans CCTV Settings → General. Lorsqu'il est désactivé, les exécutions de corrélation s'arrêtent et la section de paramètres Self Learning est masquée.

Figure 1 : La vue Self Learning, avec la carte Decision Flow, les décomptes de synthèse et la file des profils

Comment un profil est résolu

Figure 2 : La carte Decision Flow, "How profiles resolve", avec l'horodatage de la dernière exécution de corrélation

La carte Decision Flow résume les quatre résultats, exactement comme l'interface les présente :

En coulisses, chaque exécution de corrélation (l'horodatage "Last run:" sur la carte) effectue les opérations suivantes pour chaque profil non identifié :

1. Corrélation des horaires de détection du profil avec les enregistrements d'arrivée des membres sur la période de référence, à l'aide d'une fenêtre de temps autour de chaque enregistrement (±10 minutes par défaut).
2. Décompte des preuves. Le profil doit atteindre le nombre minimal de visites corrélées configuré, 8 par défaut avec le préréglage Balanced. Les profils disposant de quelques preuves (3 ou plus) mais en dessous du minimum restent In Pipeline : "Profiles still gathering evidence from repeat visits and check-ins." La carte du pipeline indique la "Average progress" sous la forme "N/M visits".
3. Exigence d'un seul candidat. Si les visites sont corrélées à plus d'un membre (un couple qui arrive toujours ensemble, par exemple), le résultat est No match. Le système ne choisit pas au hasard entre plusieurs candidats.
4. Validation. Avec un seul candidat et suffisamment de visites, des contrôles de validation s'exécutent : concordance du genre entre les attributs détectés du profil et la fiche du membre (activée par défaut) et, en option, une vérification de tolérance d'âge. Réussite → Automatically Linked. Échec → Pending Review : "Strong timing match, but one or more validation checks did not pass."

Chaque enregistrement comporte un score de confiance calculé à partir du nombre de visites, du nombre de jours distincts et du délai moyen entre l'enregistrement d'arrivée et la détection (un délai court et régulier obtient le meilleur score).

Tous les seuils (nombre minimal de visites, période de référence, fenêtre de temps et contrôles de validation) sont configurables avec les préréglages Lenient / Balanced / Strict dans Settings → Face Recognition → Self Learning.

Figure 3 : Les paramètres Self Learning, avec les préréglages, le nombre minimal de visites, la période de référence, la fenêtre de temps et les contrôles de validation

Les cartes de synthèse

La file

Figure 4 : La file, avec les visages, le membre candidat, les visites, le délai moyen, le score de confiance et le statut

Des onglets répartissent la file par état : In Pipeline, Pending Review, Automatically Linked, Unable to Link, Rejected, Manually Approved et Monitoring. Un champ de recherche ("Search by name, ID, or personId...") permet de réduire les files volumineuses, et un bouton "Duplicates" dans l'onglet du pipeline fait ressortir les profils fantômes susceptibles d'être des doublons, qu'il vaut mieux fusionner en premier : les doublons dispersent les preuves de visite et ralentissent tout le processus.

Colonnes du tableau : Faces (les photos de détection du profil), Person / Member (le profil fantôme et son membre candidat), Visits, Avg Lag (de l'enregistrement d'arrivée à la détection par la caméra), Score, Status, Updated. Les statuts des lignes comprennent "Pipeline", "Pending Review", "Automatically Linked", "Unable to Link", "No Match", "Rejected", ainsi que les statuts transitoires "Linking..." et "Link Failed" ("Link failed — will retry on next run").

Vérifier les correspondances en attente

Pour chaque ligne Pending Review, comparez les visages détectés à la photo du membre candidat et à ses preuves de visite, puis :

• Approve : confirme la correspondance et lie le profil au membre. Les approbations sont attribuées à leur auteur ("Approved by ").
• Reject : écarte la correspondance. La boîte de dialogue demande un motif : "Please provide a reason for rejecting this match. This will be recorded for audit purposes." (par exemple "Photos clearly show different people, member data is incorrect, etc."). Les profils rejetés ne seront plus proposés pour le même membre.

Deux autres actions complètent le flux de travail :

• Link : pour les lignes Unable to Link, une boîte de dialogue de recherche manuelle vous permet de choisir vous-même le bon membre ; les preuves temporelles sont là, l'étape automatique manquait simplement de données pour aboutir.
• Unlink : annule une liaison automatique. La confirmation précise exactement son effet : "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." Si des données faciales ont été fusionnées à tort, corrigez-les ensuite dans le profil de la personne.

L'autre volet : maintenir la reconnaissance à jour

Self Learning agit également en silence sur les personnes déjà identifiées. Lorsqu'une détection confirmée est une correspondance quasi parfaite (similarité de 99% ou plus) et réussit les contrôles de qualité et de pose, le système peut l'ajouter comme photo fantôme, dans la limite d'un petit ensemble tournant de 6 par personne, avec des délais d'attente pour qu'une seule visite ne sature pas l'ensemble. C'est pourquoi les profils accumulent des photos portant la mention "Auto-added by self-learning" (Personnes et profils), et pourquoi la reconnaissance continue de fonctionner malgré les changements de coupe de cheveux, de barbe ou de lunettes.

Conseils pratiques

• Traitez la file Pending Review chaque semaine. Chaque approbation améliore durablement l'identification ; chaque ligne non vérifiée correspond à un membre compté comme « Unsure » dans vos rapports.
• Fusionnez d'abord les doublons. Consultez la vue "Duplicates" avant la vérification : la fusion consolide les preuves de visite et fait souvent franchir directement le seuil aux profils du pipeline.
• Un onglet Unable to Link bien rempli signale un problème de qualité des données dans votre système de gestion des membres, généralement des noms manquants dans des fiches pouvant faire l'objet d'enregistrements d'arrivée.
• Les couples et partenaires d'entraînement qui arrivent toujours ensemble constituent le cas typique de No match. Identifiez l'un d'eux manuellement et l'ambiguïté disparaît pour l'autre.

Pages connexes

• Fonctionnement : la place de Self Learning dans le processus
• Réglage de la reconnaissance faciale : les préréglages et seuils de Self Learning
• Personnes et profils : identification et fusion manuelles