Autouczenie

Karta Self Learning (AI Insights & People → Self Learning) to konsola automatycznego procesu identyfikacji. Słowami samej strony: "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."

Podczas gdy dopasowywanie twarzy odpowiada na pytanie "czy ta twarz wygląda jak zdjęcie członka?", Self Learning odpowiada na inne pytanie: "czy wzorzec obecności tej osoby odpowiada wzorcowi zameldowań dokładnie jednego członka?". W ten sposób system identyfikuje członków, których kamera nigdy nie dopasuje — bez zdjęcia lub ze zdjęciem zbyt słabym, by przeszło walidację.

Self Learning wymaga włączenia opcji Enhanced AI Analysis w sekcji CCTV Settings → General. Gdy jest wyłączona, przebiegi korelacji zostają zatrzymane, a sekcja ustawień Self Learning jest ukryta.

Rysunek 1: Widok Self Learning — karta Decision Flow, liczby podsumowujące i kolejka profili

Jak rozstrzygany jest profil

Rysunek 2: Karta Decision Flow — "How profiles resolve" ze znacznikiem czasu ostatniego przebiegu korelacji

Karta Decision Flow podsumowuje cztery możliwe wyniki, dokładnie tak, jak wymienia je interfejs:

W tle każdy przebieg korelacji (znacznik czasu "Last run:" na karcie) wykonuje dla każdego niezidentyfikowanego profilu następujące czynności:

1. Korelacja godzin wykryć profilu z zameldowaniami członków w okresie wstecz, z użyciem okna czasowego wokół każdego zameldowania (domyślnie ±10 minut).
2. Zliczenie dowodów. Profil potrzebuje skonfigurowanej minimalnej liczby skorelowanych wizyt — domyślnie 8 w ustawieniu wstępnym Balanced. Profile z pewnymi dowodami (3+), ale poniżej minimum, pozostają In Pipeline: "Profiles still gathering evidence from repeat visits and check-ins." Karta procesu pokazuje "Average progress" jako "N/M visits".
3. Wymaganie dokładnie jednego kandydata. Jeśli wizyty korelują z więcej niż jednym członkiem — na przykład z parą, która zawsze przychodzi razem — wynikiem jest No match. System nie zgaduje między kandydatami.
4. Walidacja. Przy jednym kandydacie i wystarczającej liczbie wizyt uruchamiane są kontrole walidacyjne: zgodność płci między wykrytymi atrybutami profilu a rekordem członka (domyślnie włączona) oraz opcjonalnie kontrola tolerancji wieku. Wynik pozytywny → Automatically Linked. Wynik negatywny → Pending Review: "Strong timing match, but one or more validation checks did not pass."

Każdy rekord ma wynik pewności obliczany na podstawie liczby wizyt, liczby unikalnych dni i średniego opóźnienia między zameldowaniem a wykryciem (najwyżej oceniane jest krótkie, stałe opóźnienie).

Wszystkie progi — minimalną liczbę wizyt, okres wstecz, okno czasowe i kontrole walidacyjne — można skonfigurować za pomocą ustawień wstępnych Lenient / Balanced / Strict w sekcji Settings → Face Recognition → Self Learning.

Rysunek 3: Ustawienia Self Learning — ustawienia wstępne, minimalna liczba wizyt, okres wstecz, okno czasowe i kontrole walidacyjne

Karty podsumowań

Kolejka

Rysunek 4: Kolejka — twarze, kandydat spośród członków, wizyty, średnie opóźnienie, wynik pewności i status

Karty dzielą kolejkę według stanu: In Pipeline, Pending Review, Automatically Linked, Unable to Link, Rejected, Manually Approved i Monitoring. Pole wyszukiwania ("Search by name, ID, or personId...") zawęża duże kolejki, a przycisk "Duplicates" na karcie procesu wskazuje prawdopodobnie zduplikowane profile cieni, które warto najpierw scalić — duplikaty rozdzielają dowody wizyt i spowalniają cały proces.

Kolumny tabeli: Faces (zdjęcia z wykryć profilu), Person / Member (profil cienia i jego kandydat spośród członków), Visits, Avg Lag (od zameldowania do wykrycia przez kamerę), Score, Status, Updated. Statusy wierszy obejmują "Pipeline", "Pending Review", "Automatically Linked", "Unable to Link", "No Match", "Rejected" oraz przejściowe "Linking..." i "Link Failed" ("Link failed — will retry on next run").

Przegląd oczekujących dopasowań

Dla każdego wiersza Pending Review porównaj twarze z wykryć ze zdjęciem kandydata i dowodami jego wizyt, a następnie:

• Approve — potwierdza dopasowanie i łączy profil z członkiem. Zatwierdzenia są przypisywane konkretnej osobie ("Approved by ").
• Reject — wyklucza dopasowanie. Okno dialogowe prosi o podanie przyczyny — "Please provide a reason for rejecting this match. This will be recorded for audit purposes." (np. "Photos clearly show different people, member data is incorrect, etc."). Odrzucone profile nie będą ponownie proponowane dla tego samego członka.

Proces uzupełniają jeszcze dwie akcje:

• Link — dla wierszy Unable to Link okno wyszukiwania ręcznego pozwala samodzielnie wybrać właściwego członka; dowody czasowe istnieją, a automatycznemu krokowi zabrakło jedynie danych do zakończenia.
• Unlink — cofa automatyczne połączenie. Potwierdzenie precyzyjnie opisuje skutek: "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." Jeśli dane twarzy zostały scalone błędnie, wprowadź poprawki w profilu osoby.

Druga połowa: utrzymywanie aktualności rozpoznawania

Self Learning działa także po cichu w przypadku osób już zidentyfikowanych. Gdy potwierdzone wykrycie jest niemal idealnym dopasowaniem (podobieństwo 99%+) i przechodzi kontrole jakości i pozycji głowy, system może dodać je jako zdjęcie cienia — z limitem niewielkiego rotacyjnego zestawu 6 zdjęć na osobę i okresami karencji, aby jedna wizyta nie zapełniła całego zestawu. Dlatego w profilach gromadzą się zdjęcia oznaczone jako "Auto-added by self-learning" (Osoby i profile) — i dlatego rozpoznawanie działa nadal mimo zmiany fryzury, zarostu czy okularów.

Praktyczne wskazówki

• Przeglądaj kolejkę Pending Review co tydzień. Każde zatwierdzenie trwale poprawia identyfikację; każdy nieprzejrzany wiersz to członek liczony jako "Unsure" w Twoich raportach.
• Najpierw scalaj duplikaty. Przed przeglądem sprawdź widok "Duplicates" — scalanie konsoliduje dowody wizyt i często od razu przenosi profile z procesu ponad próg.
• Duża liczba pozycji na karcie Unable to Link wskazuje na problem z jakością danych w Twoim systemie członkowskim — zwykle na brak imion i nazwisk w rekordach, z których można się meldować.
• Pary i partnerzy treningowi, którzy zawsze przychodzą razem, to klasyczny przypadek No match. Zidentyfikuj ręcznie jedną z tych osób, a niejednoznaczność dla drugiej zniknie.

Powiązane strony

• Jak to działa — miejsce Self Learning w procesie
• Dostrajanie rozpoznawania twarzy — ustawienia wstępne i progi Self Learning
• Osoby i profile — ręczna identyfikacja i scalanie