Unificación de reportes de personas desaparecidas

• 5 fuentes heterogéneas aportaron 227.964 reportes crudos.
• La redundancia inter-fuente es elevada: una misma entidad se repite con variantes de nombre, permutación del orden de tokens y cobertura parcial de foto.
• El proceso de record linkage resuelve los registros en 79.359 identidades únicas — una reducción del −62,5 %.
• Opera en dos capas de evidencia complementarias: (1) matching por atributos determinístico y probabilístico (cédula, hash de imagen, teléfono+apellido, nombre con corroboración) y (2) verificación biométrica por embeddings faciales.
• Esquema no destructivo: cada registro de origen se conserva inmutable y toda fusión es reversible vía linaje (provenance).
• Las coincidencias de baja confianza se derivan a arbitraje humano antes de fusionar.

La ingesta está activa sobre cinco fuentes independientes. Cada reporte se persiste sin transformación en una capa cruda inmutable (source_record); el pipeline de unificación opera sobre proyecciones normalizadas, nunca sobre el dato original.

De dónde vienen (las 5 fuentes)

Estado actual

La arquitectura combina componentes estándar de la industria, cada uno especializado: almacenamiento relacional para el modelo de identidades, un índice vectorial para búsqueda de vecinos más cercanos (ANN) sobre embeddings faciales, y los modelos de visión por computadora para detección y reconocimiento.

Principio rector: la fusión exige evidencia suficiente y se aplica en orden decreciente de fiabilidad de la señal. El criterio es conservador —se prioriza precisión sobre recall—: ante ambigüedad no se fusiona, porque un falso positivo colapsa dos identidades distintas y elimina de facto a una persona del registro, el error de mayor costo en este dominio.

1. Fase 1 — Recepción y resguardo

   Cada reporte se persiste sin alteración en la capa cruda (source_record). Constituye la base de auditoría y la condición que hace toda fusión reversible.

2. Fase 2 — Normalización

   Cada registro se proyecta a una forma canónica comparable: case folding y eliminación de diacríticos, segmentación de nombre/apellido, normalización telefónica a E.164 y derivación de claves fonéticas (Double Metaphone/Soundex) que colapsan variantes homófonas. Ej.: «José» y «jose» convergen a la misma clave de bloqueo.

3. Fase 3 — Matching determinístico (automático)

   Se fusionan registros que coinciden en un identificador específico y de alta fiabilidad:

   1. Cédula idéntica.
   2. Hash de imagen idéntico (mismo archivo, aunque resida en otro host/CDN).
   3. Teléfono + apellido (el apellido evita colisiones entre familiares que comparten un mismo número de contacto).

4. Fase 4 — Matching por nombre con corroboración

   Ante coincidencia de nombre con orden de tokens permutado («Pérez Juan» ≈ «Juan Pérez»), la fusión requiere al menos un atributo corroborante —misma zona o edad dentro de ±5 años— y se veta si el sexo difiere. Regla auditada con panel multi-revisor: precisión ≥ 99 %.

5. Fase 5 — Arbitraje humano

   Los casos ambiguos (nombres frecuentes en zonas densas) no se fusionan de forma automática: se aíslan para revisión. La decisión humana es soberana y persiste sobre cualquier reprocesamiento posterior.

6. Fase 6 — Survivorship (golden record)

   Al consolidar un clúster se construye una única ficha seleccionando, por atributo, el mejor valor disponible (estrategia tipo MDM): nombre más completo, foto de mayor calidad, cédula, ubicación y estado (buscado/encontrado).

Principio: cuando dos registros disponen de foto, la verificación biométrica compara los rostros para confirmar co-referencia de identidad, incluso ante divergencia textual o datos faltantes. Es la capa de evidencia complementaria al record linkage.

Cadena de 3 modelos (InsightFace buffalo_l)

Pipeline de inferencia

1. Adquisición de la imagen desde los servidores/CDN públicos.
2. Modelo 1 (detección): localiza cada rostro y su bounding box.
3. Modelo 2 (alineación): normaliza la pose mediante 106 landmarks.
4. Modelo 3 (reconocimiento): genera el embedding (vector de 512-d).
5. El embedding se indexa en el motor vectorial (Qdrant).
6. Se consulta por similitud coseno contra el corpus (búsqueda ANN), obteniendo un score en [0, 1].

Umbral de decisión

El umbral operativo de fusión es 51 % de similitud coseno, alineado con el del bot de verificación. En el survivorship, la ficha conserva el rostro de mayor calidad (resolución/nitidez) entre las coincidencias.

Ya consolidado — deduplicación por datos (completo)

• 79.359 identidades únicas resueltas a partir de 227.964 reportes (−62,5 %).
• 0 duplicados residuales verificables por las señales deterministas (hash de imagen, cédula, teléfono+apellido).
• Sin clústeres degenerados: la cardinalidad máxima de un clúster es 33 registros de una misma persona.
• Precisión del matching por nombre, auditada con panel multi-revisor: ≥ 99 %.

En proceso — reconocimiento facial (en curso)

• 61.104 embeddings faciales computados · 46.598 fichas con foto publicable y creciendo.
• Recuperación de 43.201 imágenes inicialmente inaccesibles (alojadas en un host privado bloqueado; localizadas en un mirror público) — actualmente en cola de extracción de embeddings.
• Etapa final: una pasada de fusión por similitud facial resolverá los casos que la evidencia textual no pudo confirmar (mismo rostro, atributos divergentes).

• No destructivo. Cada registro de origen se conserva inmutable; las fusiones son reversibles vía linaje.
• Conservador ante el error. La fusión exige evidencia; los casos de baja confianza pasan por arbitraje humano.
• Minimización de datos. No se exponen teléfonos ni datos de contacto; el uso es estrictamente asistivo de reunificación.
• Idempotencia. El reprocesamiento de una fuente no genera duplicados (clave natural (fuente, id) + hash de dataset).

Consulta también la Política de privacidad y los Términos y condiciones.

Record linkage / resolución de entidades

Proceso de identificar y consolidar registros que refieren a la misma persona real.

Matching determinístico / probabilístico

Determinístico: fusión por igualdad exacta de un identificador fiable. Probabilístico: fusión por similitud con atributos corroborantes.

Identidad canónica (golden record)

Registro consolidado que agrega todos los reportes de una persona bajo un public_uid estable.

Embedding facial

Vector de 512 dimensiones que codifica un rostro; la cercanía en distancia coseno indica co-referencia.

Umbral 51 %

Punto de corte de similitud coseno a partir del cual se acepta la co-referencia facial.

Survivorship

Reglas de selección del mejor valor por atributo al construir el golden record (estilo MDM).

Idempotencia

Propiedad por la cual reprocesar una misma fuente no produce registros duplicados.

Margen de error

Casos límite del reconocimiento facial (alta similitud inter-clase, degradación de señal, menores, gemelos, singletons).

Documento generado a partir del estado real de la base terremoto. Las cifras de reconocimiento facial aumentan mientras el proceso continúa.