De fout die zich verspreidt
Gezichtsherkenning is voorzichtig omdat de fouten niet even zwaar wegen. Een gezicht dat nooit is toegewezen, is een klein, stil verlies — een foto die ontbreekt op iemands pagina. Een gezicht dat aan de verkeerde persoon wordt toegewezen, is een rommel die groeit: het duikt op in zijn zoekresultaten, in zijn Memories, in de Shared Space waar de hele familie meekijkt, en elk van die plekken moet je terugvinden om het ongedaan te maken.
Clustering zit er soms nog steeds naast. Twee mensen die op elkaar lijken, een reeks foto's bij slecht licht, een kind dat over tien jaar opgroeit — af en toe smelten twee identiteiten samen en loopt de pagina van de één ongemerkt vol met foto's van de ander. Dat met de hand rechtzetten over duizenden gezichten is precies het klusje dat niemand ooit doet.
Gezichten opschonen is daar het gereedschap voor. Het vindt de vervuilde clusters voor je, vertelt je waar elk afgedwaald gezicht waarschijnlijk thuishoort, en laat je ze in een paar rondes de goede kant op sturen in plaats van in een hele middag.
Twee ingangen
Begeleid opschonen begint met een scan. Die loopt de bibliotheek opnieuw na en markeert gezichten die meer op iemand anders lijken dan op de persoon onder wie ze zijn opgeslagen, de ergste eerst. Uit zichzelf verandert hij niets — hij geeft je alleen de shortlist.
Handmatig beoordelen slaat de scan helemaal over. Kies een willekeurige persoon en loop zelf elk gezicht bij hem langs. Dat is de snellere route als je al weet wiens pagina er verkeerd uitziet, en het werkt op een gloednieuwe installatie waar nog nooit een scan heeft gedraaid.
Het zijn geen twee losse gereedschappen met twee losse administraties. Beide schrijven naar dezelfde plek, dus een beslissing in de één is definitief en wordt gerespecteerd door de ander — en door elke volgende scan.
Twee banen, zodat de makkelijke gevallen makkelijk blijven
Een scan verdeelt wat hij markeert over twee banen, want niet elke fout verdient dezelfde aandacht.
Klaar om automatisch te herstellen bevat de eenduidige gevallen: kleine, naamloze clusters met één schone eigenaar. Daar hoef je niets van te openen — keur de hele partij in één handeling goed, houd losse clusters achter als je beter wilt kijken, of duik er gezicht voor gezicht in.
Vraagt jouw aandacht bevat al het andere: personen met een naam, grote clusters, en clusters waarvan de afgedwaalde gezichten in een ander gemarkeerd cluster terechtkomen. Aan die baan wordt niets aangeraakt tot je hem opent. Het advies dat de meeste tijd bespaart, is om eigenaar-eerst te werken — ruim de personen met het kleinste gemarkeerde percentage op, dan lossen de regels die van hen afhangen zich bij de volgende scan vanzelf op.
Zes bestemmingen, niets impliciet
Open een cluster en elk gemarkeerd gezicht moet ergens landen voordat het de wachtrij verlaat. Er zijn zes plekken waar het heen kan: naar de eigenaar verplaatsen, de standaard, waarmee het gaat naar wie de scan denkt dat het werkelijk is; naar iemand anders verplaatsen, ook naar een gloednieuwe persoon; hier houden, waarmee je de suggestie afwijst; bevestigen en vastzetten, wat permanent is; onbekende persoon, voor een echt gezicht waar je geen naam bij hebt; en geen gezicht, wat de uitsnede buiten gebruik stelt en als enige onomkeerbaar is.
Het verschil dat de moeite waard is om te kennen, is hier-houden tegenover bevestigen-en-vastzetten. Hier houden beantwoordt de vraag van één scan, en een latere scan die een andere persoon vermoedt, mag dat gezicht opnieuw aankaarten. Bevestigen en vastzetten legt het voorgoed het zwijgen op en overleeft het samenvoegen of verwijderen van de persoon — de juiste keuze voor gezichten die echt niet op hun eigenaar lijken, zoals jeugdfoto's, grote leeftijdsverschillen, verkleedpartijen of diepe schaduw.
Er wordt niets weggeschreven tot je op Toepassen drukt, en de voettekst houdt een lopende telling bij zodat je in één oogopslag ziet dat elk gezicht verantwoord is. Vastzettingen en afwijzingen kun je later terugdraaien vanaf de pagina met beslissingen.
Het hele cluster, niet alleen de markeringen
Een scan markeert alleen waar hij zeker van is, en dat is meestal minder dan de werkelijkheid. Onder de gemarkeerde gezichten staat de rest van het cluster, pagina voor pagina geladen, en je kunt daar elk gezicht bij in dezelfde verplaatsing trekken. Blijkt een naamloos cluster volledig één persoon te zijn, dan verplaatst één handeling alles — en omdat het cluster daarmee leeg raakt, wordt de lege plaatshouder verwijderd in plaats van achtergelaten, zodat het resultaat leest als een schone samenvoeging.
De andere helft van het probleem
Gezichten opschonen gaat over de gezichten die herkenning verkeerd had. Gezichtssuggesties gaat over de gezichten die ze uit voorzichtigheid helemaal niet durfde toe te wijzen. Ze draaien op één gedeelde oordeelslaag, en dat is wat een beslissing in de één overal laat gelden — samen maken ze van een conservatieve drempel iets wat je niet langer hoeft te tolereren maar echt kunt corrigeren.
