feat: expanded and added more tasks

2026-07-08 23:33:26 +02:00
parent 8fdf69e11f
commit d0b776485a
97 changed files with 3121 additions and 427 deletions
@@ -0,0 +1,39 @@
+# Aufgabe 01: Face Detection testen
+
+## Ziel
+
+Du erkennst Gesichter im Kamerabild oder auf Testfotos.
+
+## Warum ist das wichtig?
+
+Face Recognition beginnt mit der Frage, wo überhaupt Gesichter sind.
+
+## Voraussetzungen
+
+- Kamera oder Testbilder
+- Python
+- Face-Detection-Bibliothek
+
+## Theorie
+
+Detection und Recognition sind verschiedene Schritte. Zuerst wird ein Gesicht lokalisiert, erst danach wird es verglichen.
+
+## Aufgabe
+
+Baue ein Skript, das Gesichter markiert und Debugbilder speichert.
+
+## Akzeptanzkriterien
+
+- Gesichter werden mit Box markiert.
+- Mehrere Gesichter sind möglich.
+- Keine-Gesicht-Fall wird sauber behandelt.
+
+## Erweiterungen
+
+- Vergleiche zwei Detector-Varianten.
+
+## Reflexionsfragen
+
+- Wann scheitert Face Detection?
+- Wie beeinflussen Licht und Winkel das Ergebnis?
+- Warum ist Detection nicht gleich Identität?
@@ -1,48 +0,0 @@
-# Aufgabe 01: Bekannte Personen erkennen
-
-## Ziel
-
-Das System soll nicht nur Personen zählen, sondern bekannte Gesichter unterscheiden.
-
-## Aufgabe
-
-Baue einen kleinen `faces/`-Ordner:
-
-```text
-faces/
-  matthias/
-    01.jpg
-    02.jpg
-  lisa/
-    01.jpg
-```
-
-Dann soll dein Programm im Kamerabild sagen:
-
-```text
-Ich sehe Matthias.
-```
-
-## Lernpunkte
-
- Face Detection
- Face Embeddings
- Ähnlichkeitsvergleich
- False Positives
- Datenschutz und Consent
-
-## Akzeptanzkriterien
-
- Mindestens eine bekannte Person kann erkannt werden.
- Unbekannte Personen werden als `unknown` markiert.
- Das System behauptet nicht mit 100 % Sicherheit, jemanden zu erkennen.
-
-## Erweiterung
-
-Baue einen Befehl:
-
-```text
-$ enroll-person "Matthias"
-```
-
-Der mehrere Bilder aufnimmt und als Referenz speichert.
@@ -0,0 +1,38 @@
+# Aufgabe 02: Face Embeddings berechnen
+
+## Ziel
+
+Du wandelst erkannte Gesichter in numerische Embeddings um.
+
+## Warum ist das wichtig?
+
+Bekannte Personen werden über Ähnlichkeit in einem Vektorraum erkannt.
+
+## Voraussetzungen
+
+- Aufgabe 01
+- Embedding-Modell
+
+## Theorie
+
+Ein Embedding beschreibt ein Gesicht als Vektor. Ähnliche Gesichter liegen näher beieinander, aber der Abstand ist nie eine absolute Identitätsgarantie.
+
+## Aufgabe
+
+Extrahiere Embeddings aus Testbildern und speichere sie mit Metadaten.
+
+## Akzeptanzkriterien
+
+- Embedding-Vektor wird erzeugt.
+- Metadaten enthalten Person, Bild und Datum.
+- Fehlerhafte Crops werden ausgeschlossen.
+
+## Erweiterungen
+
+- Visualisiere Distanzen zwischen Beispielbildern.
+
+## Reflexionsfragen
+
+- Warum speicherst du nicht nur Namen?
+- Was bedeutet Nähe im Vektorraum?
+- Welche Metadaten helfen später?
@@ -0,0 +1,38 @@
+# Aufgabe 03: Bekannte Personen enrollen
+
+## Ziel
+
+Du baust einen Enrollment-Prozess für bekannte Personen mit Einwilligung.
+
+## Warum ist das wichtig?
+
+Der Roboter soll bekannte Menschen begrüßen, aber nur mit bewusst angelegten Daten.
+
+## Voraussetzungen
+
+- Aufgaben 01-02
+- Consent-Regeln aus Modul 00
+
+## Theorie
+
+Enrollment ist ein kontrollierter Datenerfassungsprozess. Mehrere Bilder pro Person erhöhen Robustheit, müssen aber verantwortungsvoll gespeichert werden.
+
+## Aufgabe
+
+Implementiere `enroll-person NAME`, nimm mehrere Bilder auf, berechne Embeddings und speichere ein Profil.
+
+## Akzeptanzkriterien
+
+- Mehrere Samples pro Person werden gespeichert.
+- Consent-Hinweis ist dokumentiert.
+- Bestehende Profile werden nicht versehentlich überschrieben.
+
+## Erweiterungen
+
+- Füge `delete-person NAME` hinzu.
+
+## Reflexionsfragen
+
+- Wie viele Samples sind sinnvoll?
+- Wie erklärst du die Speicherung?
+- Was muss beim Löschen entfernt werden?
@@ -0,0 +1,37 @@
+# Aufgabe 04: Unbekannte Personen erkennen
+
+## Ziel
+
+Du vergleichst neue Gesichter gegen bekannte Profile und gibst bekannt oder unbekannt zurück.
+
+## Warum ist das wichtig?
+
+Der Agent braucht eine ehrliche Antwort: erkannt, unbekannt oder unsicher.
+
+## Voraussetzungen
+
+- Aufgaben 02-03
+
+## Theorie
+
+Recognition ist ein Ähnlichkeitsvergleich mit Schwelle. Zu niedrige Schwellen erzeugen False Positives, zu hohe Schwellen übersehen bekannte Personen.
+
+## Aufgabe
+
+Baue `recognize-faces`, das Namen, Distanz und Status für jedes Gesicht ausgibt.
+
+## Akzeptanzkriterien
+
+- Bekannte Person wird mit Distanz ausgegeben.
+- Unbekannte Person bleibt unbekannt.
+- Unsichere Fälle werden nicht als sicher behauptet.
+
+## Erweiterungen
+
+- Gib Top-3 Kandidaten im Debugmodus aus.
+
+## Reflexionsfragen
+
+- Warum ist "unsicher" ein wichtiger Status?
+- Welche Schwelle erzeugt False Positives?
+- Wie sollte der Roboter höflich antworten?
@@ -0,0 +1,38 @@
+# Aufgabe 05: Schwellenwerte und False Positives testen
+
+## Ziel
+
+Du misst, wie sich Ähnlichkeitsschwellen auf Treffer und Fehler auswirken.
+
+## Warum ist das wichtig?
+
+Falsche Identifikation ist sozial und datenschutzrechtlich heikler als keine Identifikation.
+
+## Voraussetzungen
+
+- Aufgaben 03-04
+- Testbilder verschiedener Personen
+
+## Theorie
+
+Schwellenwerte sind Produktentscheidungen, nicht nur Technik. Du musst wählen, ob das System vorsichtig oder aggressiv erkennt.
+
+## Aufgabe
+
+Erstelle ein kleines Testset und vergleiche mehrere Schwellenwerte mit einer Ergebnis-Tabelle.
+
+## Akzeptanzkriterien
+
+- False Positives und False Negatives werden gezählt.
+- Eine Default-Schwelle ist begründet.
+- Unsicherheitsbereich ist definiert.
+
+## Erweiterungen
+
+- Füge ROC-ähnliche Visualisierung hinzu.
+
+## Reflexionsfragen
+
+- Welcher Fehler ist schlimmer?
+- Wie wirkt schlechtes Licht auf Distanzen?
+- Wann sollte der Roboter nachfragen?
@@ -0,0 +1,38 @@
+# Aufgabe 06: Face Recognition Service bauen
+
+## Ziel
+
+Du stellst Enrollment und Recognition als HTTP-Service bereit.
+
+## Warum ist das wichtig?
+
+Der Agent soll Personenidentifikation als klar begrenztes Tool aufrufen.
+
+## Voraussetzungen
+
+- Aufgaben 03-05
+- FastAPI oder Axum
+
+## Theorie
+
+Ein eigener Service kapselt Modellabhängigkeiten und Datenschutzregeln. Er kann später ersetzt werden, ohne den Agenten umzubauen.
+
+## Aufgabe
+
+Baue Endpoints für `/health`, `/faces/enroll`, `/faces/recognize` und `/faces/profiles`.
+
+## Akzeptanzkriterien
+
+- Healthcheck funktioniert.
+- Recognition liefert strukturierte JSON-Ergebnisse.
+- Enrollment validiert Name und Consent-Flag.
+
+## Erweiterungen
+
+- Füge Zugriffsschutz für Enrollment hinzu.
+
+## Reflexionsfragen
+
+- Welche Endpoints sind gefährlich?
+- Welche Rohdaten sollten nie im Response landen?
+- Wie testest du ohne echte Kamera?
@@ -0,0 +1,37 @@
+# Aufgabe 07: Agent Tool identify_people integrieren
+
+## Ziel
+
+Du verbindest den Face-Service mit dem Agenten als Tool `identify_people`.
+
+## Warum ist das wichtig?
+
+Der finale Roboter soll auf Fragen nach bekannten Personen datenbasiert antworten.
+
+## Voraussetzungen
+
+- Aufgaben 06 und Modul 01 Aufgabe 08
+
+## Theorie
+
+Das Tool liefert strukturierte Beobachtungen. Das LLM formuliert daraus eine natürliche Antwort, darf aber keine Identität erfinden.
+
+## Aufgabe
+
+Ergänze das Tool Schema, den Dispatcher und einen Prompt-Test für "Erkennst du jemanden?".
+
+## Akzeptanzkriterien
+
+- Tool Call ruft den Service auf.
+- Unbekannte und unsichere Personen werden korrekt formuliert.
+- Fehler des Services werden freundlich erklärt.
+
+## Erweiterungen
+
+- Lass den Agenten bekannte Personen begrüßen.
+
+## Reflexionsfragen
+
+- Welche Formulierung passt bei Unsicherheit?
+- Was darf das LLM nicht dazuerfinden?
+- Wie begrenzt du Identifikationsanfragen?
@@ -0,0 +1,17 @@
+# Face Recognition
+
+Gesichter erkennen, Embeddings, Enrollment, Schwellenwerte, Datenschutz und Agent-Integration.
+
+## Aufgaben
+
+- [01: Face Detection testen](01-face-detection-testen.md)
+- [02: Face Embeddings berechnen](02-face-embeddings-berechnen.md)
+- [03: Bekannte Personen enrollen](03-bekannte-personen-enrollen.md)
+- [04: Unbekannte Personen erkennen](04-unbekannte-personen-erkennen.md)
+- [05: Schwellenwerte und False Positives testen](05-schwellenwerte-und-false-positives-testen.md)
+- [06: Face Recognition Service bauen](06-face-recognition-service-bauen.md)
+- [07: Agent Tool identify_people integrieren](07-agent-tool-identify-people-integrieren.md)
+
+## Arbeitsweise
+
+Bearbeite die Aufgaben nacheinander. Jede Aufgabe soll ein kleines, überprüfbares Ergebnis liefern und ist bewusst auf etwa 1 bis 4 Stunden ausgelegt.