Tickets de soporte

Gestión de tickets cliente → soporte. Cierre + asignación + nota interna.

Planes y monetización

Topes por funcionalidad, promociones y sesiones activas

Todos los usuarios

Lo que no está bien

Mecanismos de calidad

Controles del auditor de sensibilidad

Ritmo declarado frente al realmente ejecutado, latencia, descartes por etapa (objetos y frames son unidades distintas: NO se suman), recall del auditor, falsos positivos marcados por el operador y calidad LPR. Fototrampeo excluido (sin stream continuo).

Servidores

Estado de la GPU del host donde corre la inferencia (YOLO objetos + LPR). VRAM verde < 70%, amarillo 70–90%, rojo > 90% (riesgo OOM). Temp verde < 70°C, rojo > 83°C. Si el host no tiene GPU (p.ej. staging en CPU) se indica abajo.

Auto-check de cada funcionalidad clave (cada 6 h en el janitor y en vivo aquí), para cazar el «fallar callado pareciendo sano». 🟢 activa · 🟡 degradada · 🔴 caída · ⚪ desactivada/sin datos. Una feature caída emite un finding; si es crítica, avisa por Telegram. Complementa la monitorización externa (Uptime Kuma).

Limpieza periódica cada 6h: detections >30d, edge_logs >7d, audit >90d, consent_events >5y, edge_telemetry >30d, JPGs >30d, enhanced cache >7d. Detección de zombies: edge nodes stale, go2rtc streams idle, cámaras inactivas con yaml.

Problemas detectados por Janitor / Security audit con fix sugerido. Apply ejecuta el fix pre-codeado. Dismiss los ignora con motivo.

Un vídeo de contenido conocido pasado por los modelos activos. Responde a dos preguntas: ¿deja de ver algo que tiene que ver (ausencia), y se inventa algo que la escena garantiza que no está (invención)? Lo segundo no admite interpretación: si en una escena vacía aparece un arma, es un falso positivo, sin más.

El canario mide si aparece lo que debe aparecer. Esto mide cuántos de los objetos que hay se ven, usando MEVA (Kitware/IARPA, CC BY 4.0), que trae la verdad anotada caja por caja. Responde a «¿hasta qué distancia detectamos de verdad?».
No muestra precisión a propósito: MEVA solo anota a los actores de su guion, así que lo que el sistema detecta de más suele ser correcto pero sin anotar.

Datasets sincronizados desde tu cuenta Roboflow cada 6h. Para entrenar modelos custom necesitas: 1) Configurar API key (drawer ⚙). 2) Crear y etiquetar el dataset en Roboflow. 3) Sync. 4) Lanzar training (próxima fase).

Trainings lanzados desde un dataset. El Mac edge agent claim el job cuando esté idle (ventana horaria + CPU<50%).

Modelo nuevo corre en sombra contra prod en N cámaras. Verdict pass/fail/borderline al cierre. Crear desde "Detalle" de un training completed.

Sube una detection JPG de Centinela a tu dataset Roboflow para reetiquetar. Cierra el feedback loop: falsos positivos → relabel → próximo training mejora.

Edge Nodes

Nodo edge opcional para descargar inferencia del cloud cuando esté disponible. Para enrolar uno: mintea un enrollment token aquí y pásalo al operario en el sitio (escríbelo en ~/centinela/auth/enrollment-token.txt antes del primer arranque del agent).

Nodos registrados

Auto-refresh cada 30s · click en una fila para ver detalle + histórico.

Detection Mode por Cámara

Modo por defecto y en producción: cloud (la inferencia corre en el cloud/GPU). Los modos shadow y edge solo aplican si se reactiva un nodo edge: en shadow, cloud y edge corren a la vez y cada uno escribe sus detections (permite comparar antes de mover una cámara a edge). Crea siempre el workload inference_detect en el panel Workloads ANTES de poner una cámara en shadow o edge. El FPS y los tiempos de detección por cámara (cloud) están en Infraestructura → Detección FPS.

Stream centralizado de logs del nodo edge (agent + workers) vía log shipper, cuando hay un edge enrolado. Cada 30s el agent postea batches al cloud.

Consola agente

Aplica cambios de configuración en staging mediante lenguaje natural.