make building results authority-first after V74 evaluation

docs/accuracy-program/14-v74-root-cause-and-authority-first-results.md

@@ -0,0 +1,71 @@
+# V74 foutoorzaak en authority-first resultaten
+
+## Uitkomst
+
+V74 heeft geen nieuw productiemodel opgeleverd. De actieve checkpoint blijft
+ongewijzigd omdat zowel de experimentele proposal-filter als twee
+rehearsal-kandidaten op de bevroren V72-calibratie slechter presteren. GeoIntel
+presenteert de automatische gebouwanalyse daarom niet langer als één uniforme
+resultaatlaag: de GRB-vergelijking maakt voortaan zichtbaar welke AI-kandidaten
+officieel bevestigd zijn, welke alleen modelvoorstellen zijn en welke
+GRB-gebouwen door AI gemist zijn.
+
+## Visuele foutanalyse
+
+De volledige V72-portfolio van 24 onafhankelijke tegels is met het actieve model
+op confidence 0,30 gerenderd. De contact sheet toont terugkerende foutpositieven
+op spoorlijnen, voertuigen, bomen, schaduwen en andere contrastrijke structuren.
+Daarnaast ontbreken veel gebouwen. Dit ondersteunt de conclusie dat extra
+epochs op alleen de nieuwe Vlaamse shard de hoofdoorzaak niet oplossen.
+
+De review is AI-assisted en niet menselijk. Het bewijs mag dus geen menselijke
+acceptatie of promotiegate vervangen.
+
+## Afgewezen proposal-filter
+
+Een experimentele ResNet18-filter werd op afzonderlijke V73-AOI's getraind om
+building proposals van moeilijke negatieve patches te onderscheiden. De interne
+V73-validatie behaalde F1 0,8068, maar die score generaliseerde niet naar V72.
+De beste globale V72-combinatie behaalde precision 0,2161, recall 0,2241 en F1
+0,2200. Het actieve model zonder filter behaalt op confidence 0,30 F1 0,2504.
+De filter kan precision verhogen bij een vaste detectordrempel, maar halveert
+dan de recall. Hij blijft daarom experimenteel en wordt niet geladen in
+productie.
+
+## Afgewezen rehearsal-training
+
+De trainingsset combineert 180 historische trainingstegels met de 48 nieuwe
+V73-tegels, waarbij V73 tweemaal voorkomt. V72 is alleen evaluatie en komt niet
+in de fitdata voor.
+
+| Model | Precision | Recall | mAP50 | mAP50-95 | Besluit |
+|---|---:|---:|---:|---:|---|
+| Actief | 0,1577 | 0,1178 | 0,0568 | 0,0218 | behouden |
+| Rehearsal, optimizer auto, 10 epochs | 0,0710 | 0,0776 | 0,0262 | 0,0098 | afgewezen |
+| Rehearsal, AdamW 0,0001, 6 epochs | 0,0839 | 0,1034 | 0,0349 | 0,0136 | afgewezen |
+
+De eerste run bracht bovendien een reproduceerbaarheidsfout aan het licht:
+Ultralytics `optimizer=auto` negeerde de gevraagde learning rate en koos AdamW
+0,002. De wrapper bindt daarom nu expliciet `optimizer=AdamW` en legt dit vast
+in het trainingsmanifest. De gecorrigeerde low-learning-rate-run bleef eveneens
+onder de actieve baseline.
+
+## Productcorrectheid
+
+Voor actuele gebouwvalidatie in Vlaanderen is GRB de gezagsbron binnen de
+beschikbare editie en dekking. De kaartwerkstroom laadt na detectie automatisch
+het bewaarde QA-bewijs en toont afzonderlijk:
+
+- GRB-bevestigde AI-kandidaten;
+- AI-only, onbevestigde onderzoeksvoorstellen;
+- officiële GRB-gebouwen die het model miste.
+
+AI-only voorstellen worden niet als officiële gebouwen voorgesteld. Dit maakt
+de productuitvoer aantoonbaar correcter zonder de zwakke modelscore te verbergen
+of een niet-bewezen nauwkeurigheidsclaim te maken.
+
+## Evidence
+
+Alle ruwe contact sheets, foutmanifesten, filtermatrices, trainingssamenvattingen
+en modelhashes staan onder
+`artifacts/evidence/accuracy/model-training/20260810-v74-root-cause/`.